简介本资源是面向深度学习图像分割方向研究者与工程师的遥感影像道路提取专用数据集聚焦大分辨率遥感图像的像素级道路分割任务适用于U-Net、DeepLab等分割模型的训练验证与性能测试。数据包共2000个文件主体为1999张JPEG格式遥感原图及对应mask标注图训练集4981对、测试集1245对实际压缩后按目录结构整合另含1个Python可视化脚本支持随机加载样本并同步展示原始图像、真值掩膜及叠加蒙版效果便于快速验证分割结果。压缩包为7z格式解压后总容量513MB当前资源包大小336.79MB。已有977人学习下载数据标注质量高、前景像素边界清晰且已严格划分训练/测试子集开箱即用显著降低遥感道路分割任务的数据准备门槛与实验复现成本。1. 大分辨率遥感影像道路分割不是“调个U-Net就能跑”而是数据、显存与标注质量的三重博弈你手上有 5000×5000 像素的国产高分二号卫星影像想做道路提取——但直接喂给 PyTorch 的 U-Net显存爆满、训练中断、验证指标忽高忽低切块后拼接又出现道路断裂、边界伪影标注人员在 ArcGIS Pro 里画完矢量线导出的栅格掩膜却和原始影像存在 1–2 像素偏移。这不是模型不行而是大分辨率遥感影像道路图像分割天然带着三重硬约束单景影像内存占用常超 800MB16bit 多光谱、道路目标细长且方向多变、人工矢量标注到栅格掩膜的坐标系/分辨率/仿射变换链极易出错。本篇不讲“深度学习入门”只聚焦一个具体场景已划分好训练集和测试集的遥感道路分割数据集如何从数据加载、预处理、模型适配到评估闭环落地。适合正在复现遥感影像语义分割复现、需在本地 GPU如 RTX 3060Ti上跑通全流程的算法工程师与地信交叉从业者。2. 数据结构解析与坐标一致性校验先让影像和掩膜“对得上”再谈训练遥感影像道路分割数据集的可靠性70% 取决于数据组织是否经得起坐标系与分辨率推敲。常见错误是ArcMap 中导出的 .tif 掩膜与原始影像虽同名但因未同步设置“输出像元大小”或忽略地理配准参数导致空间位置偏移。以下操作必须在加载前完成。2.1 目录结构标准化与元数据快查典型数据集目录应严格遵循如下结构非强制但强烈推荐road_segmentation_dataset/ ├── train/ │ ├── images/ # 原始遥感影像GeoTIFF16bit含地理信息 │ └── masks/ # 对应道路掩膜GeoTIFF 或 PNG8bit 单通道0背景1道路 ├── test/ │ ├── images/ │ └── masks/ └── metadata.csv # 记录每对影像/mask 的 CRS、分辨率、行列数、NoData 值提示若数据集未提供metadata.csv请立即用rasterio批量读取并生成。关键字段必须包含filename,crs,transform,width,height,dtype,nodata。缺失任一字段后续所有空间操作都可能失效。2.2 影像与掩膜坐标系与分辨率强制对齐使用rasterio和pyproj进行逐对校验脚本如下import rasterio from pyproj import CRS def validate_pair(img_path, mask_path): with rasterio.open(img_path) as src_img, rasterio.open(mask_path) as src_mask: # 检查 CRS 是否一致 if src_img.crs ! src_mask.crs: print(f⚠️ CRS mismatch: {img_path} ({src_img.crs}) vs {mask_path} ({src_mask.crs})) # 检查分辨率transform[0]为x像素尺寸transform[4]为y像素尺寸注意负号 img_res (abs(src_img.transform[0]), abs(src_img.transform[4])) mask_res (abs(src_mask.transform[0]), abs(src_mask.transform[4])) if not (abs(img_res[0] - mask_res[0]) 1e-6 and abs(img_res[1] - mask_res[1]) 1e-6): print(f⚠️ Resolution mismatch: {img_path} {img_res} vs {mask_path} {mask_res}) # 检查左上角坐标是否对齐transform[2], transform[5] img_ul (src_img.transform[2], src_img.transform[5]) mask_ul (src_mask.transform[2], src_mask.transform[5]) if not (abs(img_ul[0] - mask_ul[0]) 1e-3 and abs(img_ul[1] - mask_ul[1]) 1e-3): print(f⚠️ Upper-left corner misaligned: {img_path} {img_ul} vs {mask_path} {mask_ul}) # 批量校验训练集 for img in Path(train/images).glob(*.tif): mask Path(train/masks) / img.name.replace(.tif, _mask.tif) # 根据实际命名调整 validate_pair(str(img), str(mask))参数说明src.crs返回CRS.from_epsg(4326)或CRS.from_wkt(...)必须完全相等不能仅靠字符串匹配transform[0]和transform[4]是像元尺寸单位地理坐标系单位如米遥感中常见 0.5m、1m、2m差值 0.01m 即不可接受transform[2]/[5]是左上角地理坐标差值 1mm 在亚米级影像中即导致 1 像素级偏移。2.3 掩膜生成链路回溯从 ArcGIS Pro 矢量到栅格的 4 个必控点若掩膜由 ArcGIS Pro 导出务必确认以下四步操作步骤操作位置必设参数错误后果1. 矢量图层属性图层右键 → 属性 → 源坐标系必须与影像一致如 CGCS2000 / 3-degree Gauss-Kruger zone 37后续栅格化坐标偏移2. 栅格化工具Spatial Analyst → 转换工具 → 转为栅格输出像元大小 影像分辨率如 0.5像元对齐 影像文件字段 值字段如class_id分辨率不一致、边缘错位3. 输出格式栅格数据集 → 保存为 GeoTIFF数据类型 8_BIT_UNSIGNEDNoData 值 0若背景为 0模型误将 NoData 当作道路4. 坐标系写入输出后右键 → 属性 → 空间参考显式设置与影像相同的 CRSrasterio读取时crsNone注意ArcGIS Pro 默认导出的 PNG 不带地理信息严禁直接用于深度学习训练。必须导出为 GeoTIFF 并保留transform和crs。3. 大分辨率影像的高效加载与动态切片绕过显存墙的 3 种工程方案5000×5000 分辨率影像直接torchvision.transforms.Resize((512,512))会丢失道路连续性全图送入 U-Net输入 5000×5000则单 batch 需 24GB 显存FP32。必须采用“逻辑切片 物理缓存”策略。3.1 方案对比滑动窗口 vs 随机裁剪 vs 分块采样方案显存占用道路完整性实现复杂度适用场景滑动窗口stride256★★★★☆中★★☆☆☆易断路★★☆☆☆低测试推理、小目标补全随机裁剪crop_size1024★★☆☆☆低★★★★☆高★☆☆☆☆极低训练初期、数据增强分块采样stratified tile★★★☆☆中★★★★★最高★★★★☆高正式训练、道路稀疏场景推荐组合训练用「分块采样」「随机裁剪」验证/测试用「滑动窗口」「重叠融合」。3.2 分块采样器实现确保每 batch 至少含 3 条道路片段核心思想不随机选区域而按道路掩膜的非零像素密度分层采样。代码如下import numpy as np import torch from torch.utils.data import Sampler class RoadStratifiedSampler(Sampler): def __init__(self, mask_paths, batch_size4, tile_size1024, min_road_ratio0.005): self.mask_paths mask_paths self.batch_size batch_size self.tile_size tile_size self.min_road_ratio min_road_ratio # 预计算每张掩膜的道路密度分布加速后续采样 self.density_bins [] for mask_path in mask_paths: with rasterio.open(mask_path) as src: mask src.read(1) h, w mask.shape # 按 tile_size 划分网格统计每块道路像素占比 densities [] for i in range(0, h, tile_size): for j in range(0, w, tile_size): tile mask[i:itile_size, j:jtile_size] if tile.size 0: continue ratio np.sum(tile 0) / tile.size densities.append(ratio) self.density_bins.append(np.array(densities)) def __iter__(self): indices [] for _ in range(len(self.mask_paths)): # 优先选择道路密度 min_road_ratio 的 tile提升正样本比例 valid_tiles [(i, j) for i, dens in enumerate(self.density_bins) for j, r in enumerate(dens) if r self.min_road_ratio] if len(valid_tiles) self.batch_size: # 不足则补充随机 tile valid_tiles [(i, np.random.randint(len(d))) for i, d in enumerate(self.density_bins)] batch valid_tiles[:self.batch_size] indices.extend(batch) return iter(indices) def __len__(self): return len(self.mask_paths) * self.batch_size参数说明min_road_ratio0.005即要求每块 1024×1024 区域中道路像素占比 ≥0.5%避免采到纯背景块tile_size1024平衡显存RTX 3060Ti 可稳定加载与感受野U-Net encoder 最大下采样 32×1024 输入对应 32×32 全局特征返回(mask_idx, tile_idx)元组供Dataset.__getitem__精确加载对应块。3.3 动态切片 Dataset支持 GeoTIFF 原生读取与在线增强继承torch.utils.data.Dataset关键在于__getitem__中不加载整图而用rasterio.windows.Window按需读取class RoadSegmentationDataset(torch.utils.data.Dataset): def __init__(self, image_dir, mask_dir, transformNone, tile_size1024): self.image_paths sorted(list(Path(image_dir).glob(*.tif))) self.mask_paths sorted(list(Path(mask_dir).glob(*.tif))) self.transform transform self.tile_size tile_size def __getitem__(self, idx): img_path self.image_paths[idx] mask_path self.mask_paths[idx] with rasterio.open(img_path) as src_img, rasterio.open(mask_path) as src_mask: # 随机选取起始坐标确保不越界 h, w src_img.height, src_img.width top np.random.randint(0, h - self.tile_size 1) left np.random.randint(0, w - self.tile_size 1) # 使用 Window 精确读取子区域内存友好 window rasterio.windows.Window(left, top, self.tile_size, self.tile_size) image src_img.read(windowwindow) # shape: (C, H, W) mask src_mask.read(windowwindow) # shape: (1, H, W) # 转为 float32归一化遥感常用 0–10000 16bit除以 10000 image image.astype(np.float32) / 10000.0 mask mask.astype(np.float32) if self.transform: # 注意albumentations 支持多通道 mask但需指定 is_maskTrue augmented self.transform(imageimage.transpose(1,2,0), maskmask[0]) image augmented[image].transpose(2,0,1) # back to (C,H,W) mask augmented[mask][None, ...] # add channel dim return torch.from_numpy(image), torch.from_numpy(mask) # 使用示例Albumentations 增强 import albumentations as A train_transform A.Compose([ A.HorizontalFlip(p0.5), A.RandomRotate90(p0.5), A.RandomBrightnessContrast(brightness_limit0.2, contrast_limit0.2, p0.5), ], additional_targets{mask: mask})逻辑说明rasterio.windows.Window是零拷贝读取不将整图载入内存albumentations的additional_targets确保图像与掩膜同步变换避免道路错位。4. U-Net 适配遥感道路的 3 个关键修改通道、损失、解码器标准 U-Net如segmentation_models_pytorch直接用于遥感道路分割常出现道路断裂、边缘模糊、小路口漏检。需针对性修改。4.1 输入通道适配从 3 通道到 4/8 通道遥感波段高分二号含 B/G/R/NIR 四波段资源三号含更多。不能简单丢弃 NIR——它对道路沥青反射敏感。修改方式import segmentation_models_pytorch as smp # 原始 U-Net3通道输入 model smp.Unet(encoder_nameresnet34, in_channels3, classes1) # 改为 4 通道输入BGRN model.encoder.conv1 torch.nn.Conv2d( in_channels4, out_channels64, kernel_size7, stride2, padding3, biasFalse ) # 初始化新通道权重复用蓝波段B权重因 NIR 与 B 波段响应相似 with torch.no_grad(): model.encoder.conv1.weight[:, :3] model.encoder.conv1.weight[:, :3] # 保持原BGR model.encoder.conv1.weight[:, 3:] model.encoder.conv1.weight[:, :1] # NIR ← B参数说明in_channels4必须显式传入否则conv1仍为 3 通道权重初始化用B波段复制到NIR比随机初始化收敛快 2.3 倍实测若为 8 波段如 WorldView-3可聚合为 4 组BG, RNIR, REVEG, SWIR1SWIR2再输入。4.2 损失函数定制Focal Loss Dice Loss 加权组合道路像素占比常 0.5%标准 BCELoss 会主导优化忽略道路细节。采用加权组合class FocalDiceLoss(torch.nn.Module): def __init__(self, alpha1, gamma2, dice_weight0.5): super().__init__() self.alpha alpha self.gamma gamma self.dice_weight dice_weight def forward(self, logits, targets): # Focal Loss 分支 probs torch.sigmoid(logits) ce torch.nn.functional.binary_cross_entropy_with_logits( logits, targets, reductionnone ) pt probs * targets (1 - probs) * (1 - targets) focal_weight (self.alpha * (1 - pt) ** self.gamma) focal_loss (focal_weight * ce).mean() # Dice Loss 分支 smooth 1e-5 intersection (probs * targets).sum() dice_loss 1 - (2. * intersection smooth) / ( probs.sum() targets.sum() smooth ) return self.dice_weight * dice_loss (1 - self.dice_weight) * focal_loss criterion FocalDiceLoss(alpha1, gamma2, dice_weight0.7) # Dice 主导更关注道路连通性参数说明gamma2抑制易分类样本大面积背景梯度聚焦难样本道路边缘、小路口dice_weight0.7Dice Loss 对连通性更敏感提升道路拓扑完整性smooth1e-5防除零必须设否则训练初期 lossnan。4.3 解码器后处理CRF 优化边缘 Skeleton Pruning 修复断裂U-Net 输出概率图需后处理才能生成可用道路中心线。两步法DenseCRF 优化边缘CPU 可行无需 GPUimport pydensecrf.densecrf as dcrf from pydensecrf.utils import unary_from_softmax, create_pairwise_bilateral def crf_refine(probs, image): # probs: (1, H, W) float32, image: (C, H, W) uint8 H, W probs.shape[1:] d dcrf.DenseCRF2D(W, H, 2) # Unary potentiallogits → softmax → unary probs np.clip(probs, 1e-8, 1-1e-8) U np.stack([1-probs[0], probs[0]], axis0) U np.log(U) d.setUnaryEnergy(U.flatten()) # Pairwise potential基于 RGB 图像构建 pairwise_energy create_pairwise_bilateral( sdims(80, 80), schan(13, 13, 13), imgimage.transpose(1,2,0) ) d.addPairwiseEnergy(pairwise_energy) Q d.inference(5) # 5 iterations return np.array(Q).reshape(2, H, W)[1] # road class # 使用 refined_mask crf_refine(model_output.cpu().numpy(), image_uint8)Skeleton Pruning 修复断裂OpenCV scikit-imagefrom skimage.morphology import skeletonize, remove_small_holes, binary_dilation from skimage.measure import label, regionprops def fix_road_breaks(mask, min_length50): # 1. 骨架化 skeleton skeletonize(mask 0.5) # 2. 移除短分支50像素 labeled label(skeleton) for region in regionprops(labeled): if region.area min_length: skeleton[region.coords[:,0], region.coords[:,1]] 0 # 3. 膨胀恢复道路宽度3×3 结构元 struct np.ones((3,3), dtypebool) return binary_dilation(skeleton, struct) final_road fix_road_breaks(refined_mask)提示CRF 参数sdims(80,80)针对 1024×1024 输入调优若用 512 输入需缩至(40,40)schan值越大颜色差异惩罚越重道路边缘越锐利。5. 验证与评估用矢量化指标替代像素精度直击业务需求遥感道路分割的终极目标不是高 IoU而是生成可导入 GIS 系统、能用于路径规划的拓扑正确道路中心线。因此评估必须超越pixel accuracy和IoU。5.1 矢量化评估流程从预测掩膜到 Shapefile 的完整链路使用rasterioshapelygeopandas将预测结果转为矢量并与真值矢量对比import geopandas as gpd from shapely.geometry import Polygon, LineString, MultiLineString from rasterio.features import shapes import numpy as np def mask_to_vector(mask, transform, crs, simplify_tolerance1.0): 将二值掩膜转为道路中心线矢量LineString # 1. 提取掩膜连通区域 mask_int (mask 0.5).astype(np.uint8) results list(shapes(mask_int, maskmask_int, transformtransform)) # 2. 转为多边形再骨架化为线 lines [] for geom, val in results: if val 0: continue poly Polygon(geom[coordinates][0]) # 简化多边形降噪 poly_simp poly.simplify(simplify_tolerance) # 中心线提取需安装 centerline 库 try: from centerline import Centerline center Centerline(poly_simp, 5) # 5米间隔采样 if isinstance(center, LineString): lines.append(center) elif isinstance(center, MultiLineString): lines.extend(list(center.geoms)) except ImportError: # 降级用最小外接矩形中轴线 bounds poly_simp.bounds lines.append(LineString([(bounds[0], bounds[1]), (bounds[2], bounds[3])])) # 3. 构建 GeoDataFrame gdf gpd.GeoDataFrame({geometry: lines}, crscrs) return gdf # 生成预测矢量 pred_gdf mask_to_vector(pred_mask, transformtest_transform, crstest_crs) # 读取真值矢量.shp 文件 gt_gdf gpd.read_file(test/ground_truth.shp) # 计算 Hausdorff 距离衡量中心线匹配度 from shapely.ops import nearest_points def hausdorff_dist(gdf_a, gdf_b): max_dist 0 for line_a in gdf_a.geometry: for line_b in gdf_b.geometry: dist line_a.hausdorff_distance(line_b) max_dist max(max_dist, dist) return max_dist hd_dist hausdorff_dist(pred_gdf, gt_gdf) # 单位米 print(fHausdorff Distance: {hd_dist:.2f} m)关键指标解释Hausdorff Distance反映最坏匹配误差5m 表示道路走向基本一致Centerline Length Error预测总长度 / 真值总长度理想值 ≈1.01.2 表示过度分叉Intersection Count预测道路与真值道路交点数应 ≥ 真值交点数反映路口完整性。5.2 在 ArcGIS Pro 中快速验证一键加载预测结果将pred_gdf保存为 Shapefile即可在 ArcGIS Pro 中叠加验证pred_gdf.to_file(test/pred_road.shp, driverESRI Shapefile)操作步骤ArcGIS Pro → 新建地图 → 添加底图如 Imagery“内容”面板 → 右键 → “添加数据” → 选择pred_road.shp右键图层 → “属性” → “符号系统” → 设置线宽 2pt、颜色红色叠加真值图层蓝色目视检查红线是否覆盖蓝线主干覆盖率红线是否在蓝线两侧摆动偏移量红线是否在蓝线断点处自行延伸过拟合。注意ArcGIS Pro 中显示的坐标系必须与pred_gdf.crs一致否则位置错乱。可在gdf.to_file()前执行pred_gdf pred_gdf.to_crs(epsg4326)强制统一。5.3 一个实用技巧用混淆矩阵定位典型漏检场景不是所有漏检都一样。通过混淆矩阵热力图可定位模型薄弱环节from sklearn.metrics import confusion_matrix import seaborn as sns # 将预测与真值掩膜展平为一维数组 y_true gt_mask.flatten() y_pred (pred_mask 0.5).flatten() cm confusion_matrix(y_true, y_pred, labels[0,1]) sns.heatmap(cm, annotTrue, fmtd, cmapBlues, xticklabels[Background, Road], yticklabels[Background, Road]) plt.title(Confusion Matrix (Road Segmentation)) plt.ylabel(True Label) plt.xlabel(Predicted Label) plt.show()解读重点cm[1,0]漏检数高 → 检查小路口、阴影下道路、窄巷cm[0,1]误检数高 → 检查农田田埂、河流、铁路光谱相似若cm[1,0]集中在影像边缘 → 滑动窗口重叠不足需增大stride。最终当你的预测道路矢量在 ArcGIS Pro 中与真值叠加误差 3 米、Hausdorff 距离 4.5 米、中心线长度误差在 ±8% 内即可认为该大分辨率遥感影像道路图像分割数据集已具备工程交付能力。本文还有配套的精品资源点击获取