遥感图像地物覆盖分类，数据集制作-分类模型对比-分类保姆级教程

在遥感影像上人工制作分类数据集
采用python+gdal库制作数据集
挑选分类模型(RF、KNN、SVM、逻辑回归)
选择随机森林模型建模分类
遥感图像预测

在遥感影像上人工制作分类数据集

1.新建shp文件
地理坐标系保持和影像一致，面类型
在这里插入图片描述
2.打开属性表

3.添加字段

这里分类6类，点击添加值添加

添加完毕

开始人工选地物类型，制作数据集

在这里插入图片描述

开始标注，标注的时候可以借助谷歌地图来看
在这里插入图片描述
标记足够多的样本

打开面转栅格工具

设置nodata值为15

采用python+gdal库制作数据集

import csv
import numpy as np
import rasterio
import pandas as pddef readTif(fileName):try:dataset = rasterio.open(fileName)return datasetexcept rasterio.errors.RasterioIOError:print(f"文件 {fileName} 无法打开")return Nonenum_bands = 8
csv_head_name = [f'Band{i}' for i in range(1, num_bands + 1)] + ['Label', 'LabelName']
labels_name = {0: "水体", 1: "植被",2: "建筑",3: "裸地",4: "农田",5: "道路"}ori_dataset = readTif(orgin_path)
label_dataset = readTif(sample_path)if ori_dataset is not None and label_dataset is not None:label_matri = label_dataset.read(1)data_matri = ori_dataset.read()nodata_indices = np.where(label_matri != 15)  # 获取所有非 nodata 的索引# 准备数据data = []for i in range(nodata_indices[0].size):row, col = nodata_indices[0][i], nodata_indices[1][i]label = label_matri[row, col]band_values = data_matri[:, row, col].tolist()label_name = labels_name.get(label, 'Unknown')band_values