本文主要是介绍keras神经网络水体预测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Keras神经网络深度学习提取水体，采用了面状样本，简化了采样过程，结果为水体可能性。
1、原图
2、面状样本 0为非水体，1为水体
3、水体提取结果：从红色到蓝色（从0-1），是水体的可能性逐步增加。
4、部分代码
# 获取世界文件src_img1 = gdal.Open(raster1)geo_trans1 = src_img1.GetGeoTransform()nBands1 = src_img1.RasterCountnBands=nBands1# 使用pyshpm_shp = shapefile.Reader("{}.shp".format(shp)) # 打开shp# 将图层扩展转换为像素坐标min_x, min_y, max_x, max_y = m_shp.bboxul_x, ul_y = world2pixel(geo_trans1, min_x, max_y)lr_x, lr_y = world2pixel(geo_trans1, max_x, min_y)# 计算新图片像素尺寸px_wid = int(lr_x - ul_x)px_hei = int(lr_y - ul_y)clip_img = src_arr[:, ul_y:lr_y, ul_x:lr_x]# 为图片创建一个新的geomatrix对象以便附加地理参考数据geo_trans = list(geo_trans1) geo_trans[0] = min_xgeo_trans[3] = max_y s=0#循环指针 TrainData = np.empty(shape=[0, nBands])TrainLabel=[]while s<m_shp.numRecords:pixels = []for p in m_shp.shape(s).points:pixels.append(world2pixel(geo_trans, p[0], p[1]))raster_poly = Image.new('L', (px_wid, px_hei), 1)# 使用PIL创建一个空白图片raster_rize = ImageDraw.Draw(raster_poly)raster_rize.polygon(pixels, 0)# 将PIL转换为numpymask_arr = img2array(raster_poly)# 裁剪clip_arr = gdal_array.numpy.choose(mask_arr, (clip_img, 0)).astype(gdal_array.numpy.uint16)clip_arr = changeDimension(clip_arr) a2=clip_arr[~(clip_arr==0).all(1)] TrainData = np.append(TrainData, a2, axis=0)#读取样本标注信息,查找起来太麻烦，直接读取最后一位 value=m_shp.record(s)[-1]lable= np.array([value for j in range(0, len(a2))])#for i in range(0, 1TrainLabel=np.append(TrainLabel,lable,axis=0) s=s+1# 开始使用深度学习模型# 数据数归一化TrainData = normalization(TrainData)#xTrain / 255.0TrainLabel = normalization(TrainLabel)#xTest / 255.0源码下载地址：
https://download.csdn.net/download/sailingw/20818136
这篇关于keras神经网络水体预测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
