為揚塵治理和保護環境，城市的裸露地表、易揚塵物料等要求覆蓋防塵網。防塵網一般由聚乙烯材料製作的網狀物，顏色主要為黑色和綠色。
本文介紹利用遙感影像和ENVI深度學習工具快速提取防塵網覆蓋資訊，資料和處理環境如下：
- 資料來源：標準景高分二號3.8米4波段多光譜資料，16bit
- 處理軟體：ENVI5.5.2+ENVI Deep Learning深度學習模組，軟體試用可訪問：http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html
- 處理計算機：ThankPAD P52筆記本，NVIDIA Quadro P3200 6G視訊記憶體。
提取效率和結果如下：
|
內容 |
時間 |
|
樣本選擇 |
小於10分鐘 |
|
模型訓練 |
34分鐘 |
|
影像分類 |
小於2分鐘 |
|
總共36分鐘 |
|
ENVI Deep Learning深度學習工具操作步驟主要分為三步，下面我們詳細介紹整個操作過程。
圖：操作步驟
1 選擇樣本
從整景影像中選擇小部分割槽域來選擇樣本和訓練模型。
（1） ENVI中開啟影像，之後放大和定位到需要選擇的樣本的區域。
（2） 選擇File –>Save As->>Save As….。
（3） 在檔案選擇對話方塊中，選擇影像檔案，單機Spatial Subset按鈕，選擇當前檢視作為子區選擇源，選擇輸出路徑儲存。
（4） 在圖上確認防塵網解譯標誌，如下圖所示即為防塵網，覆蓋時間較短和較長情況下的防塵網。
圖：影像上的防塵網
（5） 利用ROI工具在上一步裁剪影像上選擇防塵網作為樣本，沿著防塵網邊界繪製多邊形。
圖：樣本分佈（黃色區域）
（6） 在Toolbox中，啟動/Deep Learning/Deep Learning Guide Map 流程化工具。
注：ENVI Deep Learning工具有兩種操作方式：流程化和分散式，本文選擇的是流程化操作方式。分散式選擇相應的工具即可，如本步驟選擇/Deep Learning/Build Label Raster from ROI。
（7） 在ENVI Deep Learning皮膚中，單擊Train a New Model按鈕。
（8） 在Train a New Model皮膚中，單擊Build Label raster form ROI。
（9） 在Build Label raster form ROI皮膚上，分別選擇裁剪影像、樣本ROI檔案、輸出檔案，單擊OK執行，完成樣本選擇步驟。
注：Build Label raster form ROI工具是將ROI格式的樣本檔案轉成標籤檔案，標籤檔案中的一個波段其實就是一個二值圖，樣本區值為1，其他區域值為0。該步驟生成一個裁剪影像（4個波段）與標籤影像合成的一個5波段影像檔案。
（10）重複上述步驟，在另外一塊影像上選擇樣本作為驗證樣本，本步驟為可選項。
圖：Build Label raster form ROI皮膚
2 訓練模型
（11）在Train a New Model皮膚中，單擊Train Model按鈕。
（12）在Train TensorFlow Mask Model皮膚中，單擊New Model按鈕，新建一個初始化模型檔案。
（13）在彈出的Initialize ENVINet5 TensorFlow Model對話方塊中：
- Number of bands（樣本檔案的波段數）：4。
- Output Model：選擇輸出路徑和檔名
（14）在Training Rasters中選擇訓練標籤影像。
（15）在Validation Rasters中選擇驗證標籤影像，如果沒有驗證樣本，這裡可以選擇訓練標籤影像。
（16）其他引數先按照預設，引數的詳細解釋見後表。
（17）選擇模型輸出路徑和檔名，單擊OK執行。
注：這一步將會用到GPU運算，如果沒有GPU則使用CPU計算，速度會較慢。
（18）最終會得到一個 .h5的規則檔案，其實就是一個HDF5格式的檔案。透過Deep Learning Guide Map 皮膚中的Tools->Edit TensorFlow Model Metadata工具可以瀏覽訓練模型的生產精度（validationPrecision）、使用者精度（validationRecall）和F1值。
圖：Train TensorFlow Mask Model皮膚
表：Train TensorFlow Mask Model主要引數說明
|
引數 |
說明 |
|
Patch Size |
l 此值與GPU視訊記憶體有關 l 值越大，效率越高，對視訊記憶體要求越高 l 切片大小不能大於標籤影像行列數 |
|
Number of Epochs |
迭代數，建議在 16 到 32 之間 |
|
Number of Patches per Epoch |
每次迭代訓練的切片數 l 此值一般在 200 到 1000 之間 l 訓練資料集數量越少，設定此值越小 |
|
Number of Patches per Batch |
一次處理使用的切片數 l Batch 是指一次迭代使用的一組切片 l 如果為空，ENVI 將自動確定合適的值 |
|
Patch Sampling Rate |
切片取樣比率 l 當特徵稀疏時，增加該值可能會有所幫助 l 對於較小的切片大小，增加此引數 |
|
Solid Distance |
固定距離（單位畫素） 對於寬度一致的線性特徵（如道路、道路中心線和運輸集裝箱）或尺寸一致的緊湊型特徵（汽車和停車標誌），建議定義該引數。 |
|
Blur Distance |
模糊距離（單位畫素） l 深度學習演算法很難學習諸如建築物等特徵的銳利邊緣。模糊邊緣，並在訓練過程中減少模糊距離可以幫助模型逐漸聚焦於特徵。 l 模糊距離最大值必須小於70。 |
|
Class Weight |
一般來說，為稀疏訓練集設定最大值。有效範圍在 0.0 和 6.0 之間。 |
|
Loss Weight |
引數可用於偏差損失函式（bias the loss function），以更加註重正確識別特徵畫素，而不是識別背景畫素。 此引數在特徵目標稀疏分佈或者沒有標記所有特徵時很有用。值為0表示模型應同等對待特徵和背景畫素。增加Loss Weight引數會使損失函式偏向於尋找特徵畫素。此引數值的有效範圍在 0 到 3.0 之間。 |
3 影像分類
（19）Deep Learning Guide Map 流程化工具進入Classify Raster Using a Trained mode皮膚。
（20）在Classify Raster Using a Trained mode皮膚中，單擊Classify Raster Using a Trained Model按鈕。
- Input Raster：輸入整景高分二號影像。
- Input Model：輸入上一步獲取的模型檔案（自動輸入）。
- Output Raster：選擇輸出結果。
（21）單擊OK執行。
得到的結果是一個單波段的灰度圖，畫素值（0~1範圍）表示與樣本的相似程度，畫素值越大表示屬於該類別的可能性越大。我們可以採用密度分割方法進一步提取結果。
（22）執行完分類後，自動跳轉到Post-Classification皮膚。單擊Class Activation to Classification按鈕。
注：也可以直接生成Shapefile向量結果，單擊Class Activation to polygon Shapefile按鈕。
（23）在Class Activation to Classification皮膚中，可以手動設定分割閾值，也可以選擇自動方法，這裡選擇Otsu自動閾值分割。
（24）選擇輸出結果名稱和路徑，單擊OK執行。
圖：Class Activation to Classification皮膚
