本文利用ENVI深度學習工具和ENVI精準農業工具從8.59cm解析度航空影像上提取椰子樹資訊。ENVI深度學習工具獲取椰樹的CAM類啟用圖，CAM影像為灰度圖（0~1範圍），其DN值代表該畫素屬於目標的機率。為了得到椰子樹的林冠半徑，利用ENVI精準農業工具包的作物計數工具從CAM影像上提取椰樹資訊，包括空間分佈和林冠半徑。深度學習一個重要的工作就是調整引數，ENVI深度學習工具提供一個隨機引數訓練工具，可以幫助您自動獲取一套比較最佳化的引數。
注：文章最後有秘籍和資料成果分享。
ENVI軟體試用：https://www.cnblogs.com/enviidl/p/16275745.html
1 提取目標
得到椰樹圓形輪廓向量，並做健康評估。
2 資料情況
原始資料為tiff格式，轉為了ENVI格式使用，但其實直接使用tiff沒有區別。不過本例中使用的tiff資料應該做了壓縮，在ENVI中載入顯示ROI時有可能異常退出，此時使用ENVI格式比較穩定。
ENVI格式的資料量為1.24GB。
3 軟硬體環境
軟體：
-
ENVI 5.5.3
-
ENVI Deep Learning 1.1 Tech Preveiw（本文操作也適合於V1.0版本）
-
ENVI Crop Science 1.1.1
硬體（ThinkPad P52 ）：
-
CPU：Intel(R) Core(TM) i7-8850H CPU @ 2.60GHz 六核
-
顯示卡：NVIDIA Quadro P3200 with Max-Q Design 視訊記憶體6GB
-
記憶體：64GB
-
硬碟：SSD
4 技術路線
由於椰樹與背景無法用簡單方法區分，所以不能直接使用ENVI Crop Science提取。便利用ENVI Deep Learning提取類啟用圖（CAM），在此基礎上利用ENVI Crop Science提取椰樹向量，最後進行健康評估，但是健康評估其實並沒有實際應用價值，下文會做說明。
完整技術路線如下圖所示：
5 樣本繪製並建立Label Raster
針對椰樹這種類似圓形的目標，這裡介紹兩種適用的樣本繪製方法。
5.1 圓形樣本
5.1.1 圓形樣本繪製方法
使用ROI工具可以方便的繪製圓形樣本。如下圖所示，選擇圓形樣式，按住Ctrl鍵，滑鼠左鍵點選椰樹中心點，拉框繪製圓形，點選滑鼠右鍵，選擇選單Accept Ellipse即可。
最終繪製296個樣本，如下圖所示。當然也可以在影像中多個區域繪製樣本，然後建立多個Label Raster，同時用於模型訓練。
圖：繪製的圓形ROI樣本
5.1.2 建立Label Raster
使用Build Label Raster from ROI工具建立。在選擇Input Raster時，使用繪製的ROI對全圖進行矩形裁剪，如下圖所示。
圖：建立Label Raster工具
圖：建立的Label Raster影像，好美
5.2 點狀樣本
5.2.1 點狀樣本繪製方法
其實也可以直接使用ROI工具繪製點狀樣本，但是由於點太小（1個畫素），不易區分已繪製和未繪製的區域，所以本例選擇Feature Counting工具進行繪製。
點選工具欄圖示
即可開啟Feature Counting工具皮膚，然後使用滑鼠左鍵單擊就可以繪製樣本了，並且清楚的標識出了資訊（如編號、名稱、位置等）。如下圖所示。然後將繪製的樣本儲存為efc檔案。共繪製了163個樣本。
圖：利用Feature Counting工具繪製點狀樣本
5.2.2 建立Label Raster
首先需要將Feature Counting工具繪製的結果（*.efc）轉換為ROI。工具位於/Deep Learning/Deep Learning Guide Map如下圖所示選單。然後使用Build Label Raster from ROI建立Label Raster即可。
圖：Feature Counting結果轉換為ROI
6 深度學習模型訓練
深度學習模型訓練可以使用Deep Learning Guide Map中的Train Model，或直接使用工具箱的/Deep Learning/Train TensorFlow Mask Model工具。訓練引數設定如下圖所示。
注1：ENVI Deep Learning 1.1技術預覽版中/Deep Learning/Train TensorFlow Mask Model工具已經預設支援多類目標提取，如果想開啟單目標模型訓練皮膚，請使用Deep Learning Guide Map。
注2：對引數說明感興趣的可以參考“ENVIDeepLearningV1.0深度學習操作教程”。
圖：圓形樣本模型訓練引數
圖：點狀樣本模型訓練引數
7 獲取CAM影像
利用ENVI深度學習工具/Deep Learning/TensorFlow Mask Classification獲取CAM類啟用圖，CAM影像為灰度圖（0~1範圍），其DN值代表該畫素屬於目標的機率。可透過Raster Color Slice目視判斷閾值用於提取目標。
注：ENVI Deep Learning 1.1技術預覽版已支援自動獲取分類圖，如下圖所示。本例為了通用性，依然使用CAM影像進行後續操作。
圖：TensorFlow Mask Classification工具皮膚
說明：其實可以直接使用CAM影像獲取分類影像和向量結果，所用工具為/Deep Learning/TensorFlow Mask Classification（Class Activation to Polygon Shapefile），但是結果不是規整的圓形，也不能提取椰樹的林冠半徑，所以藉助ENVI Crop Science工具提取椰樹。
附上直接提取的效果圖，可以對比下利用圓形和點狀樣本獲取的椰樹有什麼區別。圓形更好的獲取了椰樹的真實輪廓。如果不關心輪廓，只關心位置，建議使用點狀樣本，因為繪製起來更快捷。
圖：左圖基於圓形樣本，右圖基於點狀樣本
下文將基於圓形樣本結果進行椰樹提取。
8 椰樹提取
利用Raster Color Slice獲取閾值，如下圖所示，取閾值0.92。這一步其實已經獲取了椰樹的分佈資訊。
本步驟將使用ENVI Crop Science中的工具/Crop Science/Count Crops提取椰樹。引數設定如下圖所示。最小直徑和最大直徑透過量測工具獲取，單位為米，這裡設定為5米和8米。為了提高精度，設定間隔數為100，該引數導致消耗了大量時間。並且該工具對記憶體和CPU要求極高。
圖：椰樹提取引數設定
注：為了選取最優引數，建議使用預覽功能。首先將原圖和CAM圖（可隱藏此圖層）1:1顯示在當前檢視中，設定引數後，點選左下角Preveiw預覽提取效果。強調一下，必須使用1:1顯示，預覽結果才是真正的效果。
Count Crops工具得到的是json和柵格結果。然後透過工具/Crop Science/Convert Crops To Shapefile將json轉換為向量，如下圖所示。
圖：轉換結果為向量
注：由於未知原因，導致影像中右側河流中提取到了一些椰樹，手動編輯向量將其刪除。利用點狀樣本提取的結果沒有出現此種情況。
最終提取結果：
區域性細節欣賞：
生成的向量資料帶有座標和半徑屬性，如下圖所示。共提取到10457株椰樹。
9 健康評估
首先為原始影像新增波長資訊，此步驟是為了使用ENVI自帶工具計算GLI植被指數（Green Leaf Index）。有了波長資訊後，可直接使用/Crop Science/Calculate Crop Metrics with Spectral Index一步完成健康評估。
如果不新增波長，則需要Band Math工具計算GLI，然後使用/Crop Science/Calculate Crop Metrics工具進行健康評估。GLI公式如下所示：
Calculate Crop Metrics with Spectral Index工具介面引數設定如下圖所示。自動根據波長資訊篩選了可計算的植被指數，這裡選擇GLI。
區域性結果如下圖所示。顏色越綠表示越健康，越紅表示越不健康。
但是本著嚴謹的態度，還是要強調一點：我們其實統計的是圓形內的GLI指數均值，然而椰樹並沒有完全覆蓋圓形區域，所以統計的是椰樹及其背景畫素的均值，並沒有實際意義。大家可以看到上圖結果中背景是裸地的椰樹普遍健康度較低。此外還有陰影的影響。
10 時間統計
利用ENVI Crop Science提取椰樹向量耗時較長，主要是因為設定了間隔數為100，提高了提取精度，減少漏提情況。
|
步驟 |
耗時 |
因素 |
|
圓形樣本繪製 |
30分鐘 |
手速 |
|
深度學習模型訓練 |
38分鐘 |
GPU，視訊記憶體 |
|
椰樹CAM影像提取 |
10分鐘 |
GPU，視訊記憶體 |
|
椰樹向量提取 |
3.5小時 |
CPU，記憶體 |
11 秘籍分享
較有難度的就是深度學習模型訓練引數的調優。這裡分享一下經驗。當你使用預設引數沒有得到很好結果的時候，當你嘗試調整引數後依然無效的時候，當你接近崩潰邊緣、即將放棄的時候，一定要想到ENVI Deep Learning提供的一個神器，那就是隨機引數訓練。如果你的硬碟空間、時間夠多，可以一鍵嘗試N種引數搭配，你需要的只是等待等待等待。最後從N個結果中挑選最優即可。
工具啟動是在/Deep Learning/Deep Learning Guide Map皮膚中如下選單：
其實是內建的一個ENVI Modeler模型。本文引數的設定就是使用這種方法，簡單粗暴，甚是有效。
12 樣本資料和向量成果分享
連結：https://pan.baidu.com/s/1goEsYUUscCTWaB8a4GrIrQ
提取碼：e64y
