卫星图像中的船舶检测

作者 | Daniel Moraite

来源 | Towards Data Science

编辑 | 代码医生团队

卫星图像是数据科学家可以使用的最丰富的数据源之一。这是选择首先考虑的部分,因为它减少了收集数据的工作,甚至减少了个人项目的附属研究。它也有一个缺点:个人计算机存储大小和计算能力有限。需要查找AWS Amazon Web Services以弥补它。

与此同时发现了一个非常小的数据集:行星卫星图像,可以在个人计算机上运行它。

关于数据:

  • 包括4000个80x80 RGB图像,标记为“ship”或“no-ship”分类,值为1或0。
  • 图像被正射校正为3米像素尺寸
  • 数据集为.png图像,图像文件名遵循特定格式:{label} __ {scene id} __ {longitude} _ {latitude} .png
  • longitude_latitude:图像中心点的经度和纬度坐标
  • dataset也作为JSON格式的文本文件分发,包含:data,label,scene_ids和location list
  • 单个图像的像素值数据存储为19200个整数的列表:第一个6400包含红色通道,下一个6400包含绿色,最后6400包含蓝色。
  • 标签,scene_ids和位置中的索引i处的列表值每个对应于数据列表中的第i个图像
  • 类标签:“船”类包括1000个图像,靠近单个船体的中心。“无船”类包括3000幅图像,1/3是不同土地覆盖特征的随机抽样。 - 不包括船舶的任何部分。下一个1/3是“部分船只”,而1/3是先前被机器学习模型错误标记的图像(由于强大的线性特征)。

想要实现的目标:检测卫星图像中船舶的位置,可用于解决以下问题:监控港口活动和供应链分析。

第一部分

阅读和准备数据

确保导入需要的所有库和模块,除了常规的Keras:顺序,密集,扁平,激活和丢失也将使用Conv2D和MaxPooling2D(参见完整的笔记本文章末尾)。现在下载并研究数据集:

f = open(r'../ships-in-satellite-imagery/shipsnet.json')

  dataset = json.load(f)

  f.close()

  input_data = np.array(dataset['data']).astype('uint8')

  output_data = np.array(dataset['labels']).astype('uint8')

  input_data.shape

  (4000, 19200)

  # and since I was currios to see how the tupple of arrays of arrays look like:

  input_data

  array([[ 82,  89,  91, ...,  86,  88,  89],

         [ 76,  75,  67, ...,  54,  57,  58],

         [125, 127, 129, ..., 111, 109, 115],

         ...,

         [171, 135, 118, ...,  95,  95,  85],

         [ 85,  90,  94, ...,  96,  95,  89],

         [122, 122, 126, ...,  51,  46,  69]], dtype=uint8)

  # now we realize that this is not a photo format that we can visualize, in order to be able to read an image we need to reshape the array/input_data:

  n_spectrum = 3 # the number of color chanels: RGB 

  weight = 80

  height = 80

  X = input_data.reshape([-1, n_spectrum, weight, height])

  X[0].shape



  # let`s pick one channel

  pic = X[3]

  red_spectrum = pic[0]

  green_spectrum = pic[1]

  blue_spectrum = pic[2]

有趣的部分:在所有3个频道上绘制照片:

plt.figure(2, figsize = (5*3, 5*1))

plt.set_cmap('jet')

#show each channel

plt.subplot(1, 3, 1)

plt.imshow(red_spectrum)

plt.subplot(1, 3, 2)

plt.imshow(green_spectrum)

plt.subplot(1, 3, 3)

plt.imshow(blue_spectrum)

plt.show()

如果X [0]中的某些照片可能具有相同的所有3个波段,只需尝试另一个X [3]。

输出是4000个元素的向量:

output_data

  array([1, 1, 1, ..., 0, 0, 0], dtype=uint8)

  np.bincount(output_data)

  array([3000, 1000])

矢量包含3000个零和1000个单位= 1000个图像标有“ship”和3000个图像标有“not ship”。

为keras准备数据

首先对标签进行分类编码:

# output encoding

  y = np_utils.to_categorical(output_data, 2)

第二次洗牌所有索引:

indexes = np.arange(4000)

  np.random.shuffle(indexes)

选择X_train,y_train:

X_train = X[indexes].transpose([0,2,3,1])

  y_train = y[indexes]

当然还有正常化:

X_train = X_train / 255

  # images are type uint8 with values in the [0, 255] interval and we would like to contain values between 0 and 1

第二部分

训练模型/神经网络

np.random.seed(42)

  # network design

  model = Sequential()

  model.add(Conv2D(32, (3, 3), padding='same', input_shape=(80, 80, 3), activation='relu'))

  model.add(MaxPooling2D(pool_size=(2, 2))) #40x40

  model.add(Dropout(0.25))

  model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))

  model.add(MaxPooling2D(pool_size=(2, 2))) #20x20

  model.add(Dropout(0.25))

  model.add(Conv2D(32, (3, 3), padding='same', activation='relu'))

  model.add(MaxPooling2D(pool_size=(2, 2))) #10x10

  model.add(Dropout(0.25))

  model.add(Conv2D(32, (10, 10), padding='same', activation='relu'))

  model.add(MaxPooling2D(pool_size=(2, 2))) #5x5

  model.add(Dropout(0.25))

  model.add(Flatten())

  model.add(Dense(512, activation='relu'))

  model.add(Dropout(0.5))

  model.add(Dense(2, activation='softmax'))

有关relu,softmax和dropout的详细信息,请参阅Github博客文章

https://danielmoraite.github.io/docs/fifth.html

# optimization setup

  sgd = SGD(lr=0.01, momentum=0.9, nesterov=True)

  model.compile(

      loss='categorical_crossentropy',

      optimizer=sgd,

      metrics=['accuracy'])

  # training

  model.fit(

      X_train,

      y_train,

      batch_size=32, # 32 photos at once

      epochs=18,

      validation_split=0.2,

      shuffle=True,

      verbose=2)

请先喝杯茶,因为这可能需要几分钟:

Train on 3200 samples, validate on 800 samples

  Epoch 1/18

   - 67s - loss: 0.4076 - acc: 0.8219 - val_loss: 0.2387 - val_acc: 0.9025

  Epoch 2/18

   - 89s - loss: 0.2227 - acc: 0.9034 - val_loss: 0.1767 - val_acc: 0.9150

  Epoch 3/18

   - 74s - loss: 0.1809 - acc: 0.9278 - val_loss: 0.1481 - val_acc: 0.9425

  Epoch 4/18

   - 72s - loss: 0.1444 - acc: 0.9428 - val_loss: 0.1201 - val_acc: 0.9600

  Epoch 5/18

   - 48s - loss: 0.1334 - acc: 0.9522 - val_loss: 0.1126 - val_acc: 0.9513

  Epoch 6/18

   - 42s - loss: 0.1221 - acc: 0.9591 - val_loss: 0.0879 - val_acc: 0.9637

  Epoch 7/18

   - 40s - loss: 0.1068 - acc: 0.9625 - val_loss: 0.0846 - val_acc: 0.9738

  Epoch 8/18

   - 45s - loss: 0.0820 - acc: 0.9716 - val_loss: 0.0808 - val_acc: 0.9675

  Epoch 9/18

   - 41s - loss: 0.0851 - acc: 0.9728 - val_loss: 0.0626 - val_acc: 0.9838

  Epoch 10/18

   - 40s - loss: 0.0799 - acc: 0.9709 - val_loss: 0.0662 - val_acc: 0.9762

  Epoch 11/18

   - 42s - loss: 0.0672 - acc: 0.9800 - val_loss: 0.0599 - val_acc: 0.9812

  Epoch 12/18

   - 41s - loss: 0.0500 - acc: 0.9813 - val_loss: 0.0729 - val_acc: 0.9738

  Epoch 13/18

   - 42s - loss: 0.0570 - acc: 0.9784 - val_loss: 0.0625 - val_acc: 0.9788

  Epoch 14/18

   - 43s - loss: 0.0482 - acc: 0.9828 - val_loss: 0.0526 - val_acc: 0.9775

  Epoch 15/18

   - 42s - loss: 0.0510 - acc: 0.9822 - val_loss: 0.0847 - val_acc: 0.9762

  Epoch 16/18

   - 44s - loss: 0.0440 - acc: 0.9841 - val_loss: 0.0615 - val_acc: 0.9800

  Epoch 17/18

   - 41s - loss: 0.0411 - acc: 0.9862 - val_loss: 0.0559 - val_acc: 0.9775

  Epoch 18/18

   - 42s - loss: 0.0515 - acc: 0.9834 - val_loss: 0.0597 - val_acc: 0.9775

  Out[31]:

  <keras.callbacks.History at 0xb47f7bfd0>

有关categorical_crossentropy,'准确性',以及损失函数的详细信息,请参阅Github博客文章。

https://danielmoraite.github.io/docs/fifth.html

第三部分

在图像上应用模型和搜索

# download image

  image = Image.open(r'../ships-in-satellite-imagery/scenes/sfbay_1.png')

  pix = image.load()

如果想快速浏览一下:plt.imshow(image),为了能够正确使用它需要创建一个向量:

n_spectrum = 3

  width = image.size[0]

  height = image.size[1]

  # creat vector

  picture_vector = []

  for chanel in range(n_spectrum):

      for y in range(height):

          for x in range(width):

              picture_vector.append(pix[x, y][chanel])

  picture_vector = np.array(picture_vector).astype('uint8')

  picture_tensor = picture_vector.reshape([n_spectrum, height, width]).transpose(1, 2, 0)

  plt.figure(1, figsize = (15, 30))

  plt.subplot(3, 1, 1)

  plt.imshow(picture_tensor)

  plt.show()

在图像上搜索船只

picture_tensor = picture_tensor.transpose(2,0,1)

  # Search on the image

  def cutting(x, y):

      area_study = np.arange(3*80*80).reshape(3, 80, 80)

      for i in range(80):

          for j in range(80):

              area_study[0][i][j] = picture_tensor[0][y+i][x+j]

              area_study[1][i][j] = picture_tensor[1][y+i][x+j]

              area_study[2][i][j] = picture_tensor[2][y+i][x+j]

      area_study = area_study.reshape([-1, 3, 80, 80])

      area_study = area_study.transpose([0,2,3,1])

      area_study = area_study / 255

      sys.stdout.write('\rX:{0} Y:{1}  '.format(x, y))

      return area_study

  def not_near(x, y, s, coordinates):

      result = True

      for e in coordinates:

          if x+s > e[0][0] and x-s < e[0][0] and y+s > e[0][1] and y-s < e[0][1]:

              result = False

      return result



  def show_ship(x, y, acc, thickness=5):   

      for i in range(80):

          for ch in range(3):

              for th in range(thickness):

                  picture_tensor[ch][y+i][x-th] = -1

      for i in range(80):

          for ch in range(3):

              for th in range(thickness):

                  picture_tensor[ch][y+i][x+th+80] = -1

      for i in range(80):

          for ch in range(3):

              for th in range(thickness):

                  picture_tensor[ch][y-th][x+i] = -1

      for i in range(80):

          for ch in range(3):

              for th in range(thickness):

                  picture_tensor[ch][y+th+80][x+i] = -1

可以选择更多的步骤,而不是10或更少:只要有耐心,因为这可能需要一段时间。

step = 10; coordinates = []

  for y in range(int((height-(80-step))/step)):

      for x in range(int((width-(80-step))/step) ):

          area = cutting(x*step, y*step)

          result = model.predict(area)

          if result[0][1] > 0.90 and not_near(x*step,y*step, 88, coordinates):

              coordinates.append([[x*step, y*step], result])

              print(result)

              plt.imshow(area[0])

              plt.show()

正如所看到的那样:它确实分类为具有直线和明亮像素的船舶图像

  • 想这是找到一种方法来改进模型的下一步 - 尽管这是另一次。

或者给它第二次运行:

现在理解标签并在图像上找到它们:

for e in coordinates:

    show_ship(e[0][0], e[0][1], e[1][0][1])

picture_tensor = picture_tensor.transpose(1,2,0)

picture_tensor.shape

(1777, 2825, 3)

plt.figure(1, figsize = (15, 30))

plt.subplot(3,1,1)

plt.imshow(picture_tensor)

plt.show()

可以重新训练模型并给它另一次运行,或者使用当前模型进行第二次搜索,看看可能会得到什么。

资料来源:

Github博客文章

https://danielmoraite.github.io/docs/fifth.html

Kaggle比赛数据下载

https://www.kaggle.com/rhammell/ships-in-satellite-imagery

在GitHub上完整的Jupyter笔记本

https://github.com/DanielMoraite/DanielMoraite.github.io/blob/master/assets/Keras%20for%20search%20ships%20in%20satellite%20image.ipynb

本文分享自微信公众号 - 相约机器人(xiangyuejiqiren)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-04-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券