本项目利用PaddleRS超分模块处理低分辨率无人机影像，再结合PaddleSeg训练的Segformer模型提升分割效果。先通过DRN模型超分重建低质影像，再与直接用低分辨率影像的分割结果对比。虽无标注数据计算指标，但人眼判别显示，超分后预测结果更优，尤其在细节呈现上更接近人工标注真值。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
PaddleRS：使用超分模块提高真实的低分辨率无人机影像的分割精度
一、项目背景
- 前段时间写了个项目：PaddleSeg：使用Transfomer模型对航空遥感图像分割，项目利用PaddleSeg模块训练Transfomer类的语义分割模型，在UDD6数据集中mIOU达到74.50% ，原论文使用DeepLabV3+的mIOU为73.18%， 高1.32%，训练效果图如下，其中：车辆：红色；道路：浅蓝色；植被：深蓝色；建筑立面：亮绿色；建筑屋顶：紫色；其他：焦绿色
In [10]
%cd /home/aistudio/import matplotlib.pyplot as pltfrom PIL import Image
output = Image.open(r"work/example/Seg/UDD6_result/added_prediction/000161.JPG")
plt.figure(figsize=(18,12))#设置窗口大小plt.imshow(output), plt.axis('off')
/home/aistudio
(, (-0.5, 4095.5, 2159.5, -0.5))
- 训练的结果很不错，所使用的UDD6数据是从北京、葫芦岛、沧州、郑州四个城市，使用大疆精灵四无人机在60m-100m高度之间采集。但是，在实际的生产过程中，城市、飞行的高度、图像的质量会发生变化
- 采集飞行高度升高可以在相同时间内获取更大面积的数据，但分辨率会降低，对低质量的数据，直接使用先前训练的数据预测效果不理想，再标注数据、训练模型将是一个不小的工作量，解决的方法除了提升模型的泛化能力，也可以考虑使用图像超分对低质量的无人机图像重建，然后再进行预测
- 本项目使用PaddleRS提供的无人机遥感图像超分模块，对真实的低质量无人机影像数据进行超分，然后再使用前段时间用UDD6训练的Segformer模型预测，与直接使用低分辨率模型对比。由于没有对低质量数据进行标注无法计算指标。但人眼判别，超分之后的预测结果更好，左边是人工标注的label，中间是低分辨率的预测结果，右边是超分辨率重建后的结果
In [12]
img = Image.open(r"work/example/Seg/gt_result/data_05_2_14.png")
lq = Image.open(r"work/example/Seg/lq_result/added_prediction/data_05_2_14.png")
sr = Image.open(r"work/example/Seg/sr_result/added_prediction/data_05_2_14.png")
plt.figure(figsize=(18, 12))
plt.subplot(1,3,1), plt.title('GT')
plt.imshow(img), plt.axis('off')
plt.subplot(1,3,2), plt.title('predict_LR')
plt.imshow(lq), plt.axis('off')
plt.subplot(1,3,3), plt.title('predict_SR')
plt.imshow(sr), plt.axis('off')
plt.show()
二、数据介绍与展示
- 使用的数据是使用大疆精灵四无人机在上海，飞行高度为300m采集的，采集的时候天气也一般，可以看后续的示例发现质量不高。由于只是展示超分重建后进行预测的效果，所以只是简单标注了其中5张照片，毕竟标注数据真的是一件很费力的事！ 要是能用公开数据集训练的模型来预测自己的数据，这多是一件美事！
- 部分标注数据展示如下
In [15]
add_lb = Image.open(r"work/example/Seg/gt_result/data_05_2_19.png")
lb = Image.open(r"work/example/Seg/gt_label/data_05_2_19.png")
img = Image.open(r"work/ValData/DJI300/data_05_2_19.png")
plt.figure(figsize=(18, 12))
plt.subplot(1,3,1), plt.title('image')
plt.imshow(img), plt.axis('off')
plt.subplot(1,3,2), plt.title('label')
plt.imshow(lb), plt.axis('off')
plt.subplot(1,3,3), plt.title('add_label')
plt.imshow(add_lb), plt.axis('off')
plt.show()
三、无人机遥感图像超分
- 因为PaddleRS提供了预训练的超分模型，所以这步主要分为以下两个步骤：
- 准备PaddleRS并设置好环境
- 调用PaddleRS中的超分预测接口，对低分辨率无人机影像进行超分重建
In [3]
# 从github上克隆仓库!git clone https://github.com/PaddleCV-SIG/PaddleRS.git
正克隆到 'PaddleRS'... remote: Enumerating objects: 2325, done. remote: Counting objects: 100% (2325/2325), done. remote: Compressing objects: 100% (1086/1086), done. remote: Total 2325 (delta 1233), reused 2245 (delta 1182), pack-reused 0 接收对象中: 100% (2325/2325), 3.22 MiB | 2.49 MiB/s, 完成. 处理 delta 中: 100% (1233/1233), 完成. 检查连接... 完成。
In [ ]
# 安装依赖，大概一分多钟%cd PaddleRS/ !pip install -r requirements.txt
In [ ]
# 进行图像超分处理，使用的模型为DRNimport osimport paddleimport numpy as npfrom PIL import Imagefrom paddlers.models.ppgan.apps.drn_predictor import DRNPredictor# 输出预测结果的文件夹output = r'../work/example' # 待输入的低分辨率影像位置input_dir = r"../work/ValData/DJI300" paddle.device.set_device("gpu:0") # 若是cpu环境，则替换为 paddle.device.set_device("cpu")predictor = DRNPredictor(output) # 实例化filenames = [f for f in os.listdir(input_dir) if f.endswith('.png')]for filename in filenames:
imgPath = os.path.join(input_dir, filename)
predictor.run(imgPath) # 预测
- 超分重建结果前后对比展示
In [6]
# 可视化import osimport matplotlib.pyplot as plt
%matplotlib inline
lq_dir = r"../work/ValData/DJI300" #低分辨率影像文件夹sr_dir = r"../work/example/DRN" #超分辨率影像所在文件夹img_list = [f for f in os.listdir(lq_dir) if f.endswith('.png')]
show_num = 3 # 展示多少对影像for i in range(show_num):
lq_box = (100, 100, 175, 175)
sr_box = (400, 400, 700, 700)
filename = img_list[i]
image = Image.open(os.path.join(lq_dir, filename)).crop(lq_box) # 读取低分辨率影像
sr_img = Image.open(os.path.join(sr_dir, filename)).crop(sr_box) # 读取超分辨率影像
plt.figure(figsize=(12, 8))
plt.subplot(1,2,1), plt.title('Input')
plt.imshow(image), plt.axis('off')
plt.subplot(1,2,2), plt.title('Output')
plt.imshow(sr_img), plt.axis('off')
plt.show()
四、超分前后图像分割效果对比
- 使用的模型为Segformer_b3,用UDD6数据集训练了40000次
- 已经将性能最好的模型以及.yml文件放在work文件夹下
- 运行以下命令可对指定的文件夹下的图像进行预测
- 首先用该模型对低质量的无人机数据进行预测，然后再使用超分重建后的图像预测，最后对比一下预测的效果
In [18]
%cd ..# clone PaddleSeg的项目!git clone https://gitee.com/paddlepaddle/PaddleSeg
/home/aistudio 正克隆到 'PaddleSeg'... remote: Enumerating objects: 16439, done. remote: Counting objects: 100% (1402/1402), done. remote: Compressing objects: 100% (811/811), done. remote: Total 16439 (delta 710), reused 1165 (delta 573), pack-reused 15037 接收对象中: 100% (16439/16439), 341.09 MiB | 10.14 MiB/s, 完成. 处理 delta 中: 100% (10574/10574), 完成. 检查连接... 完成。
In [ ]
# 安装依赖%cd /home/aistudio/PaddleSeg !pip install -r requirements.txt
In [ ]
# 对低分辨率的无人机影像进行预测!python predict.py \
--config ../work/segformer_b3_UDD.yml \
--model_path ../work/best_model/model.pdparams \
--image_path ../work/ValData/DJI300 \
--save_dir ../work/example/Seg/lq_result
In [ ]
# 对使用DRN超分重建后的影像进行预测!python predict.py \
--config ../work/segformer_b3_UDD.yml \
--model_path ../work/best_model/model.pdparams \
--image_path ../work/example/DRN \
--save_dir ../work/example/Seg/sr_result
In [17]
# 展示部分预测的结果%cd /home/aistudio/import matplotlib.pyplot as pltfrom PIL import Imageimport os
img_dir = r"work/example/Seg/gt_result" #低分辨率影像文件夹lq_dir = r"work/example/Seg/lq_result/added_prediction"sr_dir = r"work/example/Seg/sr_result/added_prediction" # 超分辨率预测的结果影像所在文件夹img_list = [f for f in os.listdir(img_dir) if f.endswith('.png') ]for filename in img_list:
img = Image.open(os.path.join(img_dir, filename))
lq_pred = Image.open(os.path.join(lq_dir, filename))
sr_pred = Image.open(os.path.join(sr_dir, filename))
plt.figure(figsize=(12, 8))
plt.subplot(1,3,1), plt.title('GT')
plt.imshow(img), plt.axis('off')
plt.subplot(1,3,2), plt.title('LR_pred')
plt.imshow(lq_pred), plt.axis('off')
plt.subplot(1,3,3), plt.title('SR_pred')
plt.imshow(sr_pred), plt.axis('off')
plt.show()
/home/aistudio
