使用说明
二元分类利用遥感图像中各类地物光谱信息和空间信息,通过深度学习算法对遥感图像中的某一类地物要素进行分类,并判定影像的像元是否为兴趣类别,并生成值为 0、1 的二值栅格数据,0 为非兴趣类别,1 为兴趣类别。
二元分类功能在像元级别细粒度解译影像,栅格结果灵活性较高,可以通过后一系列后处理步骤优化分类结果,可将结果的栅格数据转化成矢量数据,进行进一步的分析。
二元分类通常用来获得道路、河流和建筑物等特点明显的单一地类,可以通过像元计算兴趣类别的位置、边界和面积等信息。
参数说明
-
源数据:选择需要进行二元分类的影像,支持数据集和文件夹两种类型
-
-
文件类型选择数据集,则支持输入文件型影像数据(如*.tif、*.img等)、影像数据集和镶嵌数据集。
-
文件类型选择文件夹,则需要输入影像文件夹路径。
-

- 仅支持8位无符号格式影像。
- 支持三波段和多波段影像(含有4个及以上波段的影像),且影像波段顺序必须和模型训练时所用样本影像保持一致。
-
模型文件:选择模型文件(*.sdm)。
-
瓦片重叠(像元):在二元分类过程中,由于卷积神经网络的结构特征,会导致瓦片边缘的数据预测不充分,为了提高预测质量,需要将瓦片重叠。此参数以像元为单位,可设置成瓦片大小的八分之一到四分之一,瓦片重叠像元越大,推理整张影像所需的时间越长。模型所对应的瓦片大小被记录在模型文件(*.sdm)的tile_size参数中,如瓦片大小为1024,则瓦片重叠像元可设置成128-256。
-
单步运算量:由于遥感影像数据量较大,在计算机性能的限制下,模型无法一次读入,因此在推理时,采用分块读取和处理的方法。单步运算量就是指同时推理的切片数量,适当增大单步运算量,可以提升解译效率,但其受推理设备显存(GPU推理)或者内存(CPU推理)大小的限制。
-
处理器类型:可以使用计算机中央处理器(CPU)或图形处理单元(GPU)来处理数据。
-
GPU编号:指定用于处理数据的GPU标识号,默认值为0,CPU推理固定为-1。若使用GPU推理,需要在系统命令行中通过“nvidia-smi”命令查询GPU编号,GPU编号以查询到的结果为准,如果有多个GPU,可以指定用于处理数据的GPU标识号。若需要使用多个GPU,请使用英文逗号“,”隔开,如:“0,2,3”,表示使用编号为0、2、3的GPU。
-
其他参数设置:勾选其他参数设置,可输入与源数据坐标系相同的面数据集,用于限制推理范围。
-
结果数据:二元分类的结果可输出为矢量数据集或栅格文件。
-
若选择矢量数据集,需要指定保存矢量数据集的数据源和矢量数据集名称。如果是批量推理,则原影像名称将通过“_”拼接到矢量数据集名称中,以区分多个影像的二元分类结果。
-
若选择栅格文件,需要指定保存栅格文件的文件夹路径和栅格文件名称。如果是批量推理,则原影像名称将通过“_”拼接到栅格文件名称中,以区分多个影像的二元分类结果。
-