遥感农田地块分割数据集的训练 建立遥感农田地块语义分割系统 如何应用于 Sentinel-2、高分影像、吉林一号等多源遥感数据 实现遥感图像中的农田地块语义分割任务

遥感农田地块分割数据集的训练 建立遥感农田地块语义分割系统 如何应用于 Sentinel-2、高分影像、吉林一号等多源遥感数据 实现遥感图像中的农田地块语义分割任务

1：sentinel2卫星，224×224尺寸，共1991对图像2：超高分辨率影像，500×500尺寸，1200对图像3：国内东北一号地块分割，共16张大tif遥感农田分割数据集

遥感农田地块分割合集 数据1：sentinel2卫星，224×224尺寸，共1991对图像。 数据2：超高分辨率影像，500×500尺寸，1200对图像。 数据3：国内吉林一号地块分割，共16张大尺幅tif影像shp标注文件

遥感农田地块分割数据集合集，包含以下三类数据：

📊 数据集总览

✅ 所有数据可用于遥感图像中的农田地块语义分割任务。

🧠 任务目标

使用深度学习模型（如U-Net、DeepLabV3+、PSPNet等）进行：

• 遥感图像中农田地块的像素级分割
• 支持多种分辨率输入
• 可扩展至全国/区域尺度农田提取

🧱 数据结构建议（PyTorch兼容）

farmland_segmentation_dataset/
├── images/
│   ├── train/
│   └── val/
└── masks/
    ├── train/
    └── val/

对于数据3的大tif图像，需先裁剪为训练可用的小patch。

🧪 数据预处理脚本（适用于所有数据）

🔹 裁剪大尺寸遥感图像（如数据3）

import os
from PIL import Image
import numpy as np
import rasterio
from shapely.geometry import shape
import geopandas as gpd
import json
import cv2
from tqdm import tqdm

def crop_tif_to_patches(tif_path, output_dir, patch_size=512):
    with rasterio.open(tif_path) as src:
        img = src.read()
        img = np.moveaxis(img, 0, -1)  # HWC
        height, width = img.shape[:2]

        for i in range(0, height, patch_size):
            for j in range(0, width, patch_size):
                patch = img[i:i+patch_size, j:j+patch_size]
                if patch.shape[0] == patch_size and patch.shape[1] == patch_size:
                    out_path = os.path.join(output_dir, f"patch_{i}_{j}.png")
                    cv2.imwrite(out_path, cv2.cvtColor(patch, cv2.COLOR_RGB2BGR))

# 示例调用
crop_tif_to_patches("data/jilin1.tif", "patches/images/", patch_size=512)

🔹 Shapefile 转 Mask（适用于数据3）

import rasterio
from shapely.geometry import mapping
from rasterio.features import rasterize
import geopandas as gpd
import os

def shp_to_mask(tif_path, shp_path, output_mask_path):
    with rasterio.open(tif_path) as src:
        transform = src.transform
        height = src.height
        width = src.width
        crs = src.crs

    shapes = gpd.read_file(shp_path).to_crs(crs)
    mask = rasterize(
        ((shape(geom), 1) for geom in shapes.geometry),
        out_shape=(height, width),
        transform=transform,
        fill=0,
        dtype=rasterio.uint8
    )

    with rasterio.open(
        output_mask_path,
        'w',
        driver='GTiff',
        height=height,
        width=width,
        count=1,
        dtype=mask.dtype,
        crs=crs,
        transform=transform
    ) as dst:
        dst.write(mask, 1)

# 示例调用
shp_to_mask("data/jilin1.tif", "data/jilin1.shp", "masks/jilin1_mask.tif")

📦 构建统一的数据加载器（支持多种尺寸）

import torch
from torch.utils.data import Dataset, DataLoader
import albumentations as A
from albumentations.pytorch import ToTensorV2
import os
import cv2
import numpy as np

class FarmlandDataset(Dataset):
    def __init__(self, image_dir, mask_dir, transform=None):
        self.image_dir = image_dir
        self.mask_dir = mask_dir
        self.transform = transform
        self.images = os.listdir(image_dir)

    def __len__(self):
        return len(self.images)

    def __getitem__(self, idx):
        img_name = self.images[idx]
        img_path = os.path.join(self.image_dir, img_name)
        mask_path = os.path.join(self.mask_dir, img_name)

        # 读取图像
        image = cv2.imread(img_path)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

        # 读取mask
        mask = cv2.imread(mask_path, 0)

        # 二值化处理
        _, mask = cv2.threshold(mask, 127, 1, cv2.THRESH_BINARY)

        if self.transform:
            augmented = self.transform(image=image, mask=mask)
            image = augmented["image"]
            mask = augmented["mask"]

        return image, mask.unsqueeze(0).float()  # [C, H, W]

🧠 推荐模型架构

📌 推荐模型：DeepLabV3+

• 支持多尺度特征融合
• 对高分辨率图像适应性强
• PyTorch官方支持 torchvision.models.segmentation.deeplabv3_resnet50

🏋️‍♂️ 使用 DeepLabV3+ 训练代码（PyTorch）

import torch
import torchvision
from torch.utils.data import DataLoader
import torch.nn as nn
import torch.optim as optim

# 初始化模型
model = torchvision.models.segmentation.deeplabv3_resnet50(pretrained=False, num_classes=1)
device = "cuda" if torch.cuda.is_available() else "cpu"
model.to(device)

# 数据增强与加载
transform = A.Compose([
    A.Resize(height=512, width=512),
    A.ToFloat(max_value=255),
    A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),
    ToTensorV2()
])

train_dataset = FarmlandDataset("images/train", "masks/train", transform=transform)
val_dataset = FarmlandDataset("images/val", "masks/val", transform=transform)

train_loader = DataLoader(train_dataset, batch_size=4, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=4)

# 优化器 & 损失函数
optimizer = optim.Adam(model.parameters(), lr=1e-4)
criterion = nn.BCEWithLogitsLoss()

# 开始训练
for epoch in range(50):  # 50个epoch
    model.train()
    total_loss = 0
    for images, masks in train_loader:
        images = images.to(device)
        masks = masks.to(device)

        outputs = model(images)['out']
        loss = criterion(outputs, masks)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        total_loss += loss.item()

    print(f"Epoch [{epoch+1}/50], Loss: {total_loss / len(train_loader):.4f}")

🔍 推理与可视化（单图）

import matplotlib.pyplot as plt

model.eval()
with torch.no_grad():
    images, masks = next(iter(val_loader))
    outputs = model(images.to(device))['out'].cpu().sigmoid().numpy()

    for i in range(len(outputs)):
        plt.figure(figsize=(10, 5))
        plt.subplot(1, 3, 1)
        plt.title("Image")
        plt.imshow(images[i].permute(1, 2, 0).cpu().numpy())

        plt.subplot(1, 3, 2)
        plt.title("Mask")
        plt.imshow(masks[i][0].cpu().numpy(), cmap='gray')

        plt.subplot(1, 3, 3)
        plt.title("Prediction")
        plt.imshow(outputs[i][0] > 0.5, cmap='gray')

        plt.show()

📊 性能评估指标（IoU, Dice）

from sklearn.metrics import jaccard_score, f1_score

def calculate_metrics(preds, targets):
    preds = preds.flatten()
    targets = targets.flatten()
    iou = jaccard_score(targets, preds)
    dice = f1_score(targets, preds)
    return {"IoU": iou, "Dice": dice}

📦 模型导出（ONNX）

dummy_input = torch.randn(1, 3, 512, 512).to(device)
model.eval()
torch.onnx.export(model, dummy_input, "deeplab_farmland.onnx", export_params=True)

📌 多数据源融合训练策略

你可以将不同数据源合并训练：

✅ 建议统一缩放至 512×512，或使用多尺度训练策略（A.RandomScale()）

✅ 小结

遥感农田地块语义分割系统训练与部署方案，用于 Sentinel-2、高分影像、吉林一号等多源遥感数据。以下是关键点总结：