高分辨率图像建筑物提取数据集制作

Posted dean0731

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了高分辨率图像建筑物提取数据集制作相关的知识,希望对你有一定的参考价值。

  1. 目录结构

    /dataset/
     xxxx.tif  # 原始图像
     image-3000
         0.tif # 切割后的tif
         1.tif
         ........
         0.json # 生成的json文件也放在该文件夹下
         1.json
         .......
         0_json # 调用labelme_json_to_dataset 0.json 生成的0_json文件夹
             img.png # 原始图片的png格式
             info.yaml
             label.png # 标签图片
             label_names.txt 
             label_viz.png
         1_json
         .......
         0.png  # 将json文件夹中的label.png 提取出来
         1.png 
         .......
         label_0.tif # 将上边的png标签文件转换为tif格式

    技术图片

  2. 收集数据,高分辨率图像

    1. 无人机数据,航空数据等
  3. 图像切割,像素大小该为多少?

    1. 本数据集平均像素大小(40000*50000) tif格式,LZW压缩方式压缩

    2. 要考虑计算机显卡,目标建筑无尽量不被切割等问题,本利使用3000*3000

      # data:2020-01-04
      # user:dean
      # desc:图像切割脚本
      import tifffile as tiff  # 也可使用pillow或opencv 但若图片过大时可能会出问题
      import os
      image = r"I:人工智能数据DOM裴庄村51-dom裴庄村51-dom.tif"
      target_dir = r"I:人工智能数据DOM裴庄村51-domimage-3000"  # 切割后图片存储位置
      width = 1500*2   # 切割图像大小
      height = 1500*2  # 切割图像大小
      img = tiff.imread(image)  # 导入图片
      print("导入图片完成",img.shape) # 原始图片大小
      pic_width = img.shape[1]
      pic_height = img.shape[0]
      row_num = pic_width//width  # 纵向切割数量
      col_num = pic_height // height  # 横向切割数量
      print("开始进行切割,可切割总数为{}".format(col_num*row_num))
      for j in range(col_num):
          for i in range(row_num):
              num = j * row_num + i
              print("正在进行第{}张切割".format(num + 1))
              row = i * width
              row_end = row + width
              col = j * height
              col_end = col + height
              # print(col,col_end,row,row_end)
              cropped = img[col:col_end,row:row_end]
              name = "{}.tif".format(num)
              image_path = os.path.join(target_dir,name)
              tiff.imsave(image_path, cropped)
  4. 标注工具 labelme

    1. 使用label标注每张图片

      pip install labelme  # 安装labelme
    2. 每张图片标注后会生成对应name.json文件

      labelme_json_to_dataset xxx.json 

      技术图片

      # data:2020-01-04
      # user:dean
      # desc:批量将json文件转为 label
      import os
      dir = r"I:人工智能数据DOM裴庄村51-domimage-3000"
      files = [os.path.join(dir,file) for file in os.listdir(dir) if file.endswith(".json")]
      for file in files:
          cmd = "labelme_json_to_dataset {}".format(file)
          print(cmd)
          os.system(cmd)
    3. 将所有的json/label.png 提取到统一文件夹

      # data:2020-01-04
      # user:dean
      # desc:将label文件夹中的laebl提取出来
      import tifffile as tiff
      from  PIL import Image
      import os
      target_dir = r"I:人工智能数据DOM裴庄村51-domimage-3000"  # json_label 所在的文件夹
      files = [os.path.join(target_dir,file)  for file in os.listdir(target_dir)]
      for i in files:
          if os.path.isdir(i):
              lables = os.listdir(i)
              for file in lables:
                  if file == "label.png":
                      imgae = Image.open(os.path.join(i, "label.png"))
                      name = "{}.png".format(i.split("_")[0])
                      imgae.save(os.path.join(target_dir,name))
                      print("第{}个文件夹".format(i))
                      break;
    4. 将所有的label.png转换为tif格式

      # coding:utf-8
      # file: change_format.py
      # author: Dean
      # contact: 1028968939@qq.com
      # time: 2020/1/4 20:41
      # desc:图片格式转换
      from PIL import Image
      import os
      target_dir = "I:人工智能数据DOM裴庄村51-domimage-3000"  # png 图片所在文件夹
      files = [os.path.join(target_dir,file) for file in  os.listdir(target_dir)]
      print(files)
      for file in files:
          if file.endswith(".png"):
              name = os.path.basename(file)
              new_name = "label_{}.tif".format(name.split(".")[0])
              image = Image.open(file)
              path = os.path.join(target_dir, new_name)
              image.save(path)
              print(path)
    5. 结束(根据需要提取相应数据即可)

以上是关于高分辨率图像建筑物提取数据集制作的主要内容,如果未能解决你的问题,请参考以下文章

text bash:使用imagemagick(递归)从pdf中提取高分辨率图像

图像融合基于matlab高分辨率全色图PCA图像融合(含评价指标)含Matlab源码 2407期

武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

IBM Watson Machine Learning Accelerator 加速深度学习和大规模高分辨率的图像处理

使用 Python 从地图图像中提取建筑物边缘

从单个按钮从多个片段中提取数据