遥感影像识别-成像合成

效果

由于之前训练采用的数据集是从城市中采样，因此造成模型对乡村地区的识别效果特别差，因此由手工制作了十几张乡村地区的数据集，其中标注了两个类别，分别为水域、林地。然后用这个数据集去训练模型。
以下是在新训练的模型上两个采样区域的识别效果：

1. 城市：
   
2. 乡村
   

合成

由于识别是针对多个类别的，因此需要将之前训练的模型和当前模型识别出来的图像进行合成，最终实现对水域、建筑物、道路、林地的识别。

WF : 表示能够识别出水域、林地
RAW : 表示能够识别出道路、建筑物、水域

将两张图像合成后的效果如下：

之前有想法是把每个像素点预测的概率输出到图像的alpha通道，然后在合成的时候用来比较概率来判断将像素分到哪一个类别，以下就是效果图：

可以看到左边着色区域的边界颜色会更深一些，因为此时概率代表了图像的透明程度，不过这只是用来存储每个类别的概率。
做到上述这一步后，发现如果只是去比较概率，那么只能去比较水域与林地两类的概率，由于模型训练的数据集不同，识别类别的个数也不同，因此从这两类的效果来说，新训练的模型效果要好于之前的模型，因此最终还是直接将水域、林地这两类用新训练的模型识别出来的结果覆盖了原来的识别结果。

下一步的想法

将城市里的绿地部分使用人工标注，然后再将乡村地区的道路以及建筑物标注出来，投入训练，看效果如何。此外利用更加丰富的数据增强方式，之前只用到了旋转、噪声，但是还有云雾之类的并未考虑进去，因此利用现有训练的模型去预测之前的一张图依然会有错误。

左图中的白线是自己加的，主要用来表示白线围住的区域云雾影响就比较大。