遥感影像分割这块，我折腾了快六年，从最早手写 NDVI 阈值、到后来拿 U-Net 一帧一帧标样本训练，再到这两年被 Segment Geospatial 这种把「分割任意模型」包进 Python 工作流的工具改写流程，感受挺复杂。传统路子不是不行，而是太贵——贵在标注、贵在调参、贵在换个区域就崩。而分割任意模型（Segment Anything Model 这一类零样本分割模型）给了一个新选项：不用训练，给点提示就能出掩膜。问题是，把这个模型直接怼到地理空间数据上，八成第一张图就翻车：16 位深影像被压成一片黑、上万像素的整景被缩到 1024 边长导致小目标全丢、输出掩膜没有坐标系飘到隔壁测区、多边形面积算出来是「平方度」。Segment Geospatial 这个 Python 库干的活，本质就是把这些坑一个个填平——读栅格、切瓦片、反算地理坐标、矢量化导出、批量跑。这篇写给三类人：做遥感解译和地类提取的、做 GIS 数据生产的、以及想用零样本分割模型快速验证想法的开发者。基础弱一点也能照着跑通，我会把每个参数为什么这么设讲清楚。

1. 遥感影像为什么不能直接把分割任意模型怼上去

1.1 传统流程的三个成本瓶颈，逼着人找新路子

先说清楚痛点，不然没法理解为什么值得换工具。传统遥感分割流程走的是「选样—训练—推理—后处理」四段式，第一段就劝退很多人：一个县级行政区的地物提取，要覆盖耕地、林地、建设用地、水域、裸地几大类，每个类目在不同光照、不同季相、不同地形下表现都不一样，合格的训练样本轻松上千个图斑，还得人工勾绘边界、保证纯净度。这笔人力成本在小项目里根本摊不平。

第二个瓶颈是模型本身。U-Net、DeepLab 这类语义分割网络，超参敏感度极高，学习率、批大小、损失函数权重、数据增强策略，任何一项调不好，结果就是「训练集 IoU 0.92、验证集 0.61」的经典过拟合。而且模型和区域强绑定，南方水田训出来的权重拿到西北旱区，精度直接掉一大截，等于每个新项目都要重来一遍。

第三个瓶颈是交付节奏。很多业务场景要的是「今天给我这块地的图斑」，不是「三个月后给你一个模型」。零样本分割模型最大的价值就在这：不需要训练集，给几个提示点或者一个框，几秒钟出掩膜。它当然不可能一步到位替代精调模型，但作为快速摸底、样本预标注、变化初筛的工具，性价比高得离谱。我现在的习惯是先用它跑一遍出初稿，再人工修，整体工时能压到原来的三成左右。

1.2 模型的三个「水土不服」，是踩坑的根源

分割任意模型是为自然图像设计的，它的假设和遥感影像的实际状况有几处硬冲突，不理解这几点，后面所有参数都设不明白。

第一处是输入尺寸。这类模型内部会把输入图像的长边缩放到固定边长（常见是 1024），短边补零。你把一张 12000×12000 像素的正射影像整张喂进去，缩放比例是 0.085，原本 0.5 米分辨率的影像等效分辨率变成接近 6 米。一辆车、一条田埂、一栋独立小楼，在缩放后只剩几个像素，模型的编码器根本提取不到有效特征，输出要么是空的，要么是一大片糊在一起的掩膜。所以整景必须切瓦片，这是硬性要求，不是「内存够就能整张跑」的问题。

第二处是波段与位深。模型吃的是 8 位三通道 RGB。遥感影像常见的是 16 位、四波段（含近红外）甚至多光谱几十个波段。你要是直接把 DN 值 clip 到 0–255，得到的图几乎全黑——因为很多传感器的有效 DN 值集中在几百到一两千这个区间，映射完就剩一片深灰。正确做法是按百分比做线性拉伸，比如取 2%–98% 分位数拉伸到 0–255，让地物对比度出来。波段组合也得挑，真彩色（红、绿、蓝）对建筑物、道路友好，假彩色（近红外、红、绿）对植被和耕地边界更敏感，这个选择直接决定后面分割的质量上限。

第三处是坐标系。模型输出的是像素索引的布尔掩膜，它不知道地球是圆的。从掩膜到可交付的矢量图斑，中间必须走一次仿射变换，把像素行列号换算成地图坐标。这一步用错 transform、或者栅格和矢量用了不同 EPSG，结果就是你打开 GIS 软件一看，图斑整体偏移几百米甚至跑出测区。我见过最离谱的一次是同事把行列号顺序写反了，结果整个成果镜像翻转，还自以为精度不错。

1.3 Segment Geospatial 到底补了哪几块板

这个库的定位很清楚：它不是新模型，是工程封装层。核心能力大概分四块。

一是栅格读写与坐标管理，底层靠 rasterio 完成，读进来的影像带着 CRS 和 transform，切瓦片的时候同步记录每个瓦片在原图中的偏移量，这样掩膜拼回去的时候坐标不会错。二是瓦片化推理调度，把大图按设定的尺寸和重叠度切成块，逐块送进模型，再把结果融合回去，重叠区用投票或者取并集的方式消解。三是掩膜后处理与矢量化，包括按面积过滤碎斑、形态学开闭运算、多边形简化，最后输出 GeoJSON 或者 GeoPackage。四是批量与提示工程，支持网格点自动生成掩膜，也支持用已有的矢量、手画的框、甚至文本提示来引导分割。

我特别喜欢它的一点是接口设计得很「GIS 味」，generate()出全图掩膜、segment()用提示出单个目标、raster_to_vector()转矢量，函数命名一看就知道干什么，不用翻半天文档猜。对做数据生产的人来说，这种直白比什么花哨特性都值钱。

2. 环境搭建与数据准备：八成的问题出在这一步

2.1 权重选型与显存预算，先算清楚再动手

模型权重一般有三档规模，参数量从几千万到六亿多不等。选哪档不是看哪个精度高就选哪个，得看你的显存和交付时限。我给个实测参考：最小的那档，单张 1024 瓦片推理显存占用大概 2–3 GB，速度最快，适合先跑通流程和做大范围初筛；中间档 4–5 GB，精度明显好一截，是我日常的默认选择；最大那档要 7–8 GB 起步，对细小地物边界更细腻，但速度慢一倍以上，只在成果质量要求高的项目里用。

装依赖这块，建议单独建虚拟环境，主体是栅格处理、矢量处理、深度学习框架和模型本体几类库。有个坑要提前说：深度学习框架的版本和模型库的版本对不上，经常报一些莫名其妙的算子错误或者权重加载失败。我的做法是先按模型库的官方要求锁框架版本，再装其他库，别反过来。

首次运行会自动下载权重文件，几百兆到两三个 G，网络不稳的话容易下到一半断掉，留下一个损坏的缓存文件，之后每次加载都报格式错误。遇到这种情况别怀疑代码，直接去缓存目录把权重文件删掉重下。我在一个网络受限的环境里被这个问题卡了整整一个下午。

2.2 位深拉伸与波段组合：让影像「看起来正常」

这一步最容易被跳过，但也最容易导致结果惨不忍睹。核心操作是把 16 位或者高位深影像按分位数拉伸到 8 位。

具体做法：对每个参与组合的波段，统计其像素值的 2% 和 98% 分位数，记为 lo 和 hi，然后按(value - lo) / (hi - lo) * 255线性映射，超出范围的值截断到 0 或 255。为什么用 2%/98% 而不是最小最大值？因为遥感影像里总有几个极端亮斑（云、裸白建筑屋顶）和极端暗值（水体阴影、云影），用最大最小值拉伸会把整个有效区间压扁，地物对比度全丢。2%/98% 相当于砍掉两端各 2% 的异常值，剩下的动态范围更贴近真实地物分布。

波段组合我给几个常用配置，直接照抄：

如果影像本身只有 RGB 三波段，那就省事了，但拉伸这步还是不能省。另外注意，有些影像带 alpha 通道或者第 0 波段是填充值，读取时要显式指定参与组合的波段索引，别想当然按 1、2、3 取。

还有一个细节：如果原影像的 NoData 值（比如 -9999）没处理，拉伸时它会拉低分位数，导致整图偏亮。读进来先做一次掩膜，把 NoData 置为无效值再统计分位数。

2.3 瓦片尺寸与重叠度：把参数算出来，别凭感觉

瓦片怎么切，直接决定结果的完整性和接缝质量。参数就三个：瓦片边长、重叠像素数、缩放策略。

瓦片边长，主流是 1024。原因是模型内部就是缩放到这个尺度，你切 1024 送进去是 1:1，不损失细节；切 512 送进去会被放大到 1024，反而引入了插值伪影；切 2048 送进去会被缩小，细节又丢了。所以 1024 是最优解，没必要折腾。

重叠度，我一般设 128 像素，也就是瓦片边长的 1/8。为什么需要重叠？因为切在边界上的地物会被切成两半，两块瓦片各自只看到一个残片，模型可能都判成背景，或者各判一半产生错位。有了重叠区，同一个地物在至少一块瓦片里是完整的，融合时取并集就能补回来。重叠太小（比如 32）补不回来，重叠太大（比如 512）计算量翻倍还容易在融合区产生重复图斑。128 这个值是我试过比较平衡的。

瓦片数量可以提前算出来，公式是n = ceil((W - tile) / stride) + 1，其中stride = tile - overlap。举个例子，一张 10000×10000 的影像，瓦片 1024、重叠 128、步长 896：横向瓦片数 = ceil((10000 - 1024) / 896) + 1 = ceil(10.02) + 1 = 12，纵向同样是 12，总共 144 块。

这个数字很关键，它决定了你的时间预算。按中档权重、单块推理加后处理 3–5 秒估算，144 块大概 8–12 分钟，可以接受。但如果你的影像边长是 40000 像素，瓦片数直接飙到 1900 多块，跑两个小时以上，中间还可能因为显存碎片累积崩掉，这时候就得考虑降采样、分块调度或者分批落盘。

3. 从影像到矢量成果：完整实操链路

3.1 提示策略怎么选：网格点、框、还是矢量引导

分割任意模型的推理必须带提示，提示方式不同，产出形态完全不同。

网格点自动模式是最省事的，在瓦片内均匀撒 N×N 个点，每个点让模型吐出若干个候选掩膜，再用非极大值抑制去重。参数就是points_per_side，设 32 意味着每边 32 个点、共 1024 个提示点，理论候选掩膜上千个。设小了（比如 8）会漏掉大片地物，设大了（64）计算量翻四倍但收益递减。我一般从 32 起步，小目标密集的场景提到 48。

这个模式的问题是「碎」。遥感地物是大块连通的，而网格点会在一块完整农田里撒十几个点，每个点独立出一个掩膜，去重后虽然合并了，但边界往往是不规则的锯齿状。解决办法是配合crop_n_layers参数做多尺度裁剪，让模型在不同尺度上各跑一遍，再把结果融合，边界会平滑很多。

框提示模式适合已知目标大概位置的场景，比如你已经有一份粗精度的建筑物普查数据，拿图斑外接矩形当提示，让模型精修边界。这个用法在数据更新项目里非常好用，把老图斑喂进去，模型输出新边界，人工只需要判断「变没变」，工作量降一个量级。

点提示模式是最灵活的，正样本点标在目标内部，负样本点标在紧邻的背景上。负样本这个技巧很多人忽略，但它对抑制「过度生长」特别有效——模型有时候会把一栋楼和它旁边的硬化地面连成一片，加一两个负样本点就能切开。

矢量引导是把已有的面要素转成提示，适合大批量处理。我做过一个园地提取的活，先用粗略的缓冲区生成候选区域，再逐块送进去分割，最后按面积和形状过滤，整体效果比纯网格点好，而且可控。

3.2 掩膜后处理：三个参数决定成果能不能用

模型出来的原始掩膜是不能直接交付的，必须过一遍后处理。这里有三个关键参数，我按重要性排。

第一个是掩膜质量阈值。模型对每个候选掩膜会给一个预测质量分和一个稳定性分，通常设 0.88 和 0.92 作为下限，低于这个值的直接丢。设太松（0.7）会混进大量噪声掩膜，设太紧（0.95）会把一些边界模糊但实际正确的目标也丢掉。这两个值的含义不一样：质量分反映「这个掩膜像不像一个真实物体」，稳定性分反映「把掩膜二值化阈值上下浮动一点，结果变不变」。后者对遥感尤其重要，因为地物边界常常是渐变的。

第二个是最小区域面积。这个参数单位是像素，作用是把零碎的小掩膜清掉。换算成地面面积要考虑分辨率：0.5 米分辨率的影像，100 像素大约 25 平方米。我一般按目标地物的最小合理尺寸反推，比如提取建筑物，最小独栋按 20 平米算，那就是 80 像素，取 100 比较稳妥。这个值设太大，细碎但真实的地物（比如小水池、田埂边的机井房）会被误删。

第三个是多边形简化容差。矢量化后的多边形顶点数可能成千上万，一个图斑几百 KB，几万个图斑的文件根本打不开。简化容差同样按地面距离换算成像素，我一般取 1–2 个像素，对应 0.5–1 米的地面精度。这个尺度上的简化肉眼看不出差别，但顶点数能砍掉 70% 以上。

除了这三个参数，还有两步值得加：形态学开运算（先腐蚀后膨胀）用来断开细小的粘连，闭运算（先膨胀后腐蚀）用来填补内部小孔洞。掩膜里那种「甜甜圈」形状的孔洞特别常见，多来自屋顶上的设备或者树冠遮挡，用闭运算填一下，图斑会干净很多。但注意核大小别超过 3×3，否则会把真实的凹陷边界也抹平。

3.3 矢量化与属性回写：坐标一致性是生死线

从掩膜到矢量这一步，核心是仿射变换。栅格的 transform 对象记录了像素坐标系到地图坐标系的映射关系，公式是x = a * col + b * row + c，y = d * col + e * row + f。绝大多数情况下 b 和 d 是 0（没有旋转），所以其实就两个参数：左上角原点坐标和像素分辨率。

用栅格转矢量的标准接口，把掩膜数组、transform、CRS 一起传进去，输出的 GeoJSON 就自带正确坐标系了。这里有个隐蔽的坑：如果你是自己切瓦片、自己拼掩膜，拼回去的时候忘了把瓦片的偏移量加回去，结果就是所有图斑集中在原点附近。我建议的做法是，切瓦片时同步生成一个「瓦片索引表」，记录每块的 row_off、col_off，拼掩膜时按索引表贴回去，比手工算偏移可靠得多。

矢量化之后还要检查两件事。一是几何有效性，自动分割出来的多边形经常有自相交、重复顶点、零面积环这些毛病，用矢量库的修复接口过一遍，否则后续做空间分析、入库都会报错。二是面积计算，如果你的数据是地理坐标系（经纬度），直接算面积得到的单位是「平方度」，这是一个毫无物理意义的数值。必须先把矢量投影到等积投影坐标系再算面积，或者用测地线面积算法。

我给个具体做法：先判断 CRS 是不是地理坐标系，如果是，按数据覆盖范围选一个合适的投影带（我国常用高斯-克吕格分带或者 Albers 等积投影），投影后再算面积，算完把面积字段写回属性表。这一步做得不对，后面的统计报表全是错的，而且错得很隐蔽——数字看着挺正常，就是单位不对。

最后补充一点实践经验：大批量矢量化时，不要一次性把所有掩膜转完再统一写文件，内存扛不住。我的做法是每处理 50–100 块瓦片就落一次盘，写成 GeoPackage 的追加模式，中途崩了也不至于全部重来。

4. 精度调优：参数怎么试，效果怎么验

4.1 提示点密度与组合策略的对照实验

我做过一组对照实验，同一张 2000×2000 的城区影像，固定其他参数，只改提示策略，结果差异很明显。

结论很清楚：单纯堆点密度不划算，收益递减还带来碎斑；crop_n_layers=1这个多尺度策略性价比最高，用 1.7 倍的时间换来明显更好的边界质量。如果手上已经有粗精度的矢量，框提示精修是效率之王。

还有一个组合技巧值得单独说：框加点混合。给一个目标的外接框，再在框内中心给一个正样本点、在框角给一个负样本点，模型会以框为约束、以点为引导，输出精度通常比单用框还好。这个用法在提取规则形状地物（矩形厂房、标准农田）时特别有效。

4.2 后处理参数的取值逻辑与一张速查表

参数不是调出来的，是算出来的。我习惯先确定「最小可接受目标的地面尺寸」，再反推所有像素单位参数。

假设分辨率 0.5 米，我要提取的最小地物是 30 平米的独栋小楼。那么最小面积 = 30 / (0.5 × 0.5) = 120 像素。多边形简化容差取半个像素到一像素，即 0.25–0.5 米地面误差，够用。形态学核 3×3 对应 1.5 米，刚好能断开宽度小于 1.5 米的粘连。

提醒一句，这些参数是联动的，别一次改三个。我的习惯是固定其他项，只动一个，跑一小块样本区看效果，满意了再上全图。全图跑一次十几分钟，盲目调参纯属浪费。

4.3 怎么验证：不能只看图好看

自动化流程最危险的地方在于「看起来对」。一张叠加图放大看，图斑和建筑对得挺齐，很容易就判合格了。但真正的错误往往藏在中尺度——整体偏移、系统性漏提某类地物、边界普遍外扩半米。

我一般走三层验证。第一层是目视叠加，把矢量以半透明描边叠加到影像上，缩放到 1:2000 看局部，重点看四类地方：阴影区、高层建筑侧面、树遮挡区域、地物交界处。这四处是失误高发区。

第二层是量化抽查。随机抽 50–100 个图斑，人工勾一遍参考边界，算交并比。建筑物这类边界清晰的目标，零样本模型在好影像上通常能到 0.7–0.85，边界模糊的植被、裸地会低不少。低于 0.6 的就要分析原因了，是提示不足还是后处理过头。

第三层是总量校验，把提取结果按类别统计面积，和已有的统计数据或者高精度参考数据对比。如果某类地物的总面积偏差超过 15%，基本可以判定参数有问题，不用逐个图斑去查。这个方法粗糙但高效，能在几分钟内发现系统性错误。

5. 踩过的坑与排查速查

5.1 显存溢出与进程卡死

最典型的报错是显存不足。但要注意，很多时候不是单块瓦片太大，而是循环里没有及时释放中间变量，显存碎片一点点累积，跑到一两百块的时候突然崩掉。解决办法是在每块瓦片处理完后显式清理缓存、把不再需要的张量置空，并且用分批落盘的方式控制内存增长。

另一个隐蔽问题是某些瓦片特别慢，跑到某一块卡住不动。八成是那块瓦片刚好覆盖了大片水域或者纯黑区域，模型在自动生成掩膜时产生了海量候选，NMS 阶段耗时暴涨。可以在送模型前加一道判断，统计瓦片的标准差，低于阈值的（基本是纯色）直接跳过，标记为无效区。

5.2 接缝错位与重复图斑

如果成果里出现「一条笔直的断线把整块农田切成两半」，那就是接缝没消解好。先查重叠度够不够，再查融合逻辑是取并集还是取交集。取交集会在边界处产生细缝，取并集会产生重叠带。我推荐的做法是：重叠区按掩膜中心到瓦片中心的距离加权，靠近哪块瓦片就信哪块，这样过渡自然。

还有一种情况是融合后出现「双份图斑」，同一个建筑被提取了两次，位置略有偏移。这是去重没做好，需要在融合后加一轮基于交并比的去重，交并比超过 0.6 的两个图斑合并成一个。

5.3 坐标系与面积单位的连环坑

前面说过面积单位的问题，这里补充两个衍生问题。一个是矢量与影像对不上，在 GIS 里打开发现整体偏移。先查两边的 CRS 声明是否一致，再查投影变换时有没有做基准面转换。有些数据源声明的是某个地理坐标系，但实际坐标值已经被加密偏移过，这种情况只能靠控制点做配准，没有别的办法。

另一个是导出格式的精度损失。GeoJSON 默认用经纬度存储，如果你的成果是投影坐标，导出时会被强制转换，来回折腾几次精度就损了。大批量成果建议直接用 GeoPackage 或者 Shapefile 存投影坐标，需要发布时再转。

5.4 结果全空或者全是噪声

全空的情况，先检查影像拉伸做没做。我遇到过好几次，同事直接拿 16 位原始数据送模型，输出一片空白，还以为是模型坏了。把拉伸加上，结果立刻正常。

全是噪声的情况，通常是提示点撒到了无效区。比如影像四周有大片黑边（旋转校正留下的），网格点全落在黑边上，模型当然只能输出垃圾。解决办法是先算一个有效数据范围的掩膜，只在有效区内撒点。另外，NoData 值如果没设对，被当成真实的 0 值参与统计，拉伸参数就会算偏，也会导致结果异常。

还有一种特别隐蔽的情况：模型确实在正常工作，但你的后处理把结果全过滤掉了。比如最小面积设成了 5000 像素，而实际目标平均只有 300 像素，那出来的东西就全被清空了。排查时把中间掩膜先存一张出来看看，比盯着最终成果猜要快得多。

我个人在实际操作中的体会是，这套流程真正的门槛不在模型本身，而在数据准备和结果校验这两头。中间那段推理是最省心的，反而是位深拉伸的参数、瓦片的重叠度、面积单位这些「不性感」的细节，决定了成果能不能交付。还有个小习惯分享一下：每次跑新数据前，先裁一块 2000×2000 的样本区，用三组参数各跑一遍，五分钟内就能摸清这片影像的脾气，比直接上全图省太多时间。至于零样本模型和精调模型的关系，我的看法是它把「从零到能用」的门槛拉低了，但「从能用 to 好用」那段路，还是得靠人工和领域知识去补。