利用ENVI深度学习进行遥感变化监测_利用envi深度学习进行遥感变化监测技术的详细操作流程

本教程在ENVI5.6+Deep Learning1.1.3中完成。

ENVI Deep Learning 1.1.3适配 ENVI 5.6，

要求计算机必须具备NVIDIA显卡，对显卡环境要求如下：

• 显卡驱动版本要求 450.36.06 或更高版本。
• 要求显卡 CUDA 计算能力（ Compute Capability）在 3.5 ~ 8.6 之间。
• 推荐8G以上显存的显卡，如性价比较高的NVIDIA GeoForce系列显卡GeoForce RTX 3080、3090等。

1、 变化地物类型

在使用深度学习方法提取变化目标之前，首先要明确变化地物类型，本文将变化地物类别划分为如下几类：建筑物（主要为变化厂房），构筑物（新修道路等），填河，动土，堆土等。其影像特征如下图所示：

 

2 深度学习变化监测

2.1 数据源

数据源使用高分一号PMS传感器融合校正后的正射影像DOM产品，研究区如下图所示：

 

2.2 技术流程

 

2.3 预处理——波段合成

预处理主要包括两时期影像的波段合成。(波段合成是针对于一幅影像，比如worldview-2有八个波段，实际中你可能只需要四个波段，你就可以选择其中的四个波段合成一幅新的影像。)

在ENVI工具箱中选择，Raster Management/Build Layer Stack，选择两时相3波段影像数据，其他参数按照默认，设置文件输出路径，点击OK进行波段合成，得到两时期6波段合成结果。

2.4 深度学习

深度学习操作流程主要包括三个部分：

第一，创建标签图像。标签栅格的生成一般先选择典型子区绘制样本后生成标签栅格;

第二，训练深度学习模型。有了标签栅格就可以初始化深度学习模型并进行模型训练，推荐使用随机化参数组的方法进行模型训练；

第三，使用训练好的模型进行目标提取。训练好模型之后就可以使用训练好的模型进行目标提取。

这三步操作是深度学习的主要内容，之后可进一步将分类结果转换为矢量ROI（region of interest）再次进行编辑生成新的标签栅格重复训练模型，直到得到较好的结果。