简介：这份资源面向具备一定Python与遥感基础的开发者，聚焦卫星图像分割这一遥感图像处理核心任务，帮助读者理解从预处理、特征提取到分割算法与后处理的完整流程，并借助Python生态完成落地实践。压缩包共3个文件，均为py脚本，整体约3KB，体量轻便，涵盖主流程入口、屋顶检测与数据准备等模块，便于快速阅读与二次修改。已有253人学习下载，具备一定参考热度。内容围绕GDAL/OGR读写遥感影像、OpenCV图像增强与边缘检测、Scikit-image多种分割算法，以及TensorFlow、PyTorch构建U-Net等深度学习模型展开，可帮助读者掌握阈值分割、区域生长、聚类与CNN端到端分割的实现思路，并了解其在土地覆盖变化评估、灾害监测与农业估产等场景中的应用，适合作为入门与实验参考。

1. 卫星图像分割：从一张遥感大图到可用的地物掩膜

第一次拿到卫星影像做分割任务时，我盯着那张 8000×8000 像素的 GeoTIFF 愣了半天——显存装不下，直接 resize 又会把道路、建筑边缘糊成一团。卫星图像分割和常规的语义分割 Demo 完全是两回事：单张图动辄上亿像素、类别极度不均衡（水体占大半，小目标建筑零星分布）、标注成本高得离谱。这个项目要解决的就是把大幅遥感影像切成可训练的瓦片、跑通分割模型、再把预测结果拼回原图这套完整链路。适合谁？手里有遥感数据想做地物提取的算法同学，以及想把 U-Net 那套东西真正落到工程上的 Python 开发者。下面按「能干什么 → 怎么跑 → 怎么改」的顺序拆。

2. 项目定位与技术选型：为什么是 Python + 瓦片化管线

2.1 这个项目到底在做什么

一句话概括：输入一张带地理坐标的卫星影像，输出同尺寸的类别掩膜（水体、植被、建筑、道路、裸地这类）。听起来和普通语义分割一样，但工程上的差异全在「大幅」两个字上。常规数据集是 512×512 的小图，直接喂给网络就行；卫星影像单景覆盖几十平方公里，像素量是常规图的几百倍，必须做瓦片化（tiling）切分，训练时按瓦片采样，推理时滑窗预测再拼接。

项目的核心链路我拆成四段：影像读取与预处理（含坐标参考系处理）、瓦片切分与数据集构建、分割模型训练、滑窗推理与结果拼接。每一段都有独立的坑，后面逐段讲。技术栈上，Python 是绝对主力，影像 IO 用 rasterio（比 GDAL 的 Python 绑定好用，能直接读地理变换参数），数组运算和切片靠 numpy，模型部分用 PyTorch，数据增强用 albumentations，评估指标用自定义的 IoU/mIoU 实现。这套组合是遥感分割场景里最常见的做法，没有花哨的依赖，装起来不折腾。

为什么不用 OpenCV 读图？因为 cv2.imread 会丢掉地理坐标信息，而拼接预测结果时需要原始影像的 transform（仿射变换参数）才能把瓦片坐标映射回原图坐标。rasterio 读进来能同时拿到数组和 profile，这是后续拼接的关键。我一般会在项目入口就把 profile 存下来，后面所有坐标换算都靠它。

2.2 目录结构长什么样

一个能跑的分割项目，目录大致是这样组织的（不同实现细节会有出入，但骨架大同小异）：

satellite-seg/ ├── configs/ │ └── train.yaml # 数据路径、瓦片大小、超参 ├── data/ │ ├── raw/ # 原始影像与标注 │ └── tiles/ # 切好的瓦片缓存 ├── src/ │ ├── dataset.py # 瓦片数据集与增强 │ ├── tiling.py # 切分与拼接 │ ├── model.py # 分割网络定义 │ ├── train.py # 训练入口 │ ├── infer.py # 滑窗推理 │ └── metrics.py # IoU 等指标 ├── scripts/ │ ├── prepare_tiles.py # 预处理脚本 │ └── evaluate.py # 评估脚本 └── requirements.txt

这个结构的好处是「切分/拼接」和「模型」解耦——换模型不用动 tiling 逻辑，换数据源不用动训练代码。我见过不少项目把切图逻辑塞进 Dataset 的__getitem__里，训练时每次采样都重新切一遍，IO 直接成为瓶颈，血泪经验：切分一定要做成离线预处理，落盘缓存。

2.3 依赖与运行环境

依赖清单不长，但版本要对齐，尤其是 rasterio 和 GDAL 的底层绑定，装错版本会报一堆找不到 proj 库的错。常见做法是先用 conda 装 rasterio（它会顺带把 GDAL 的二进制依赖处理好），再 pip 装其余包：

conda create -n satseg python=3.10 -y conda activate satseg conda install -c conda-forge rasterio -y pip install torch torchvision numpy albumentations pyyaml tqdm

参数说明：python=3.10是稳妥选择，太新的版本某些科学计算包还没轮子；-c conda-forge指定频道，rasterio 的预编译包在这里最全。装完跑一句python -c "import rasterio; print(rasterio.__version__)"验证，能打印版本号就说明 GDAL 链路通了。如果这一步就报错，八成是系统里残留了旧版 GDAL，清掉重装比修依赖快。

3. 核心模块拆解：瓦片切分、数据集与滑窗推理

3.1 瓦片切分：带重叠的滑窗是标配

切分是整个管线的地基。最朴素的做法是按固定大小无重叠切，但这样会在瓦片边界产生「割裂」——一个建筑正好跨在两块瓦片中间，两块各看到一半，模型学到的都是残缺目标。所以工程上几乎都用带重叠（overlap）的切分，训练时重叠比例可以小一点（比如 25%），推理时重叠要大（50%），给拼接留足冗余。

import numpy as np import rasterio from rasterio.windows import Window def tile_image(src_path, tile_size=512, overlap=128, out_dir="data/tiles"): """把大幅影像切成带重叠的瓦片并落盘""" with rasterio.open(src_path) as src: H, W = src.height, src.width stride = tile_size - overlap # 步长 = 瓦片边长 - 重叠 idx = 0 for row in range(0, H, stride): for col in range(0, W, stride): # 边界瓦片向内收，避免出现不足 tile_size 的碎块 r = min(row, H - tile_size) c = min(col, W - tile_size) window = Window(c, r, tile_size, tile_size) data = src.read(window=window) # (C, tile, tile) profile = src.profile.copy() profile.update(width=tile_size, height=tile_size, transform=src.window_transform(window)) with rasterio.open(f"{out_dir}/tile_{idx:05d}.tif", "w", **profile) as dst: dst.write(data) idx += 1 return idx

逻辑说明：stride控制相邻瓦片的位移，overlap 越大瓦片数越多、冗余越高。min(row, H - tile_size)这行是处理右边缘和下边缘的关键——如果直接按 stride 走，最后一块可能只剩几十像素，网络输入尺寸对不上。向内收的代价是边缘区域被重复覆盖，但换来的是所有瓦片尺寸统一，训练时不用做 padding 分支。window_transform把瓦片在原图中的位置写进它自己的 transform，后面拼接时靠这个反推坐标。参数上，tile_size 一般取 512 或 1024，取决于显存；overlap 训练用 64~128，推理用 256 更稳。

3.2 数据集与增强：类别不均衡是第一道坎

瓦片切好后，Dataset 的职责就是读瓦片、配对掩膜、做增强。这里最大的问题是类别不均衡——水体可能占 60%，建筑只占 3%。直接训练模型会倾向于全预测成水体，IoU 看着还行但小目标全丢。常见做法有两层：数据层面用加权采样，让含稀有类别的瓦片被采到的概率更高；损失层面用 Dice Loss 或 Focal Loss 替代纯交叉熵。

import torch from torch.utils.data import Dataset import albumentations as A class TileDataset(Dataset): def __init__(self, img_paths, mask_paths, size=512, train=True): self.img_paths = img_paths self.mask_paths = mask_paths self.train = train self.aug = A.Compose([ A.RandomRotate90(), A.HorizontalFlip(), A.VerticalFlip(), A.RandomBrightnessContrast(p=0.3), ]) if train else None def __len__(self): return len(self.img_paths) def __getitem__(self, i): img = read_tif(self.img_paths[i]) # (H, W, C) float32, 归一化到 0~1 mask = read_tif(self.mask_paths[i]) # (H, W) int64 if self.aug: out = self.aug(image=img, mask=mask) img, mask = out["image"], out["mask"] img = torch.from_numpy(img).permute(2, 0, 1).float() mask = torch.from_numpy(mask).long() return img, mask

逻辑说明：增强只做几何变换和轻度色彩扰动，不做 Cutout 之类会破坏地物连续性的操作——遥感图像里地物是成片分布的，随机遮挡会让模型学到错误的空间关系。permute(2,0,1)把 HWC 转成 CHW，这是 PyTorch 卷积层的输入约定。掩膜保持 long 类型，因为交叉熵损失要求类别索引是整型。加权采样器我一般单独写一个WeightedRandomSampler，权重按每块瓦片里稀有类像素占比算，占比越高权重越大，这样小目标瓦片不会被淹没。

3.3 模型与训练循环：U-Net 骨架够用，别急着上大模型

分割网络选型上，U-Net 及其变体（ResNet 编码器 + 解码器）在遥感场景依然是性价比最高的选择。卫星图像的分辨率有限，地物边界不像医学影像那么精细，上太重的 backbone 收益递减还拖慢推理。项目里模型定义大致是编码器逐级下采样提特征、解码器逐级上采样恢复分辨率、跳跃连接把浅层细节补回来。

import torch.nn as nn class DoubleConv(nn.Module): def __init__(self, in_ch, out_ch): super().__init__() self.block = nn.Sequential( nn.Conv2d(in_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), nn.Conv2d(out_ch, out_ch, 3, padding=1), nn.BatchNorm2d(out_ch), nn.ReLU(inplace=True), ) def forward(self, x): return self.block(x) class UNet(nn.Module): def __init__(self, in_ch=4, num_classes=5): super().__init__() # in_ch=4 对应 RGB + 近红外，遥感常用四波段 self.enc1 = DoubleConv(in_ch, 64) self.enc2 = DoubleConv(64, 128) self.pool = nn.MaxPool2d(2) self.up = nn.Upsample(scale_factor=2, mode="bilinear", align_corners=False) self.dec2 = DoubleConv(128 + 64, 64) self.head = nn.Conv2d(64, num_classes, 1) def forward(self, x): e1 = self.enc1(x) e2 = self.enc2(self.pool(e1)) d2 = self.dec2(torch.cat([self.up(e2), e1], dim=1)) return self.head(d2)

逻辑说明：in_ch=4是遥感场景的常见设定，多一个近红外波段对植被和水体区分帮助很大；如果你的数据只有 RGB，改成 3 即可。torch.cat([up(e2), e1], dim=1)就是跳跃连接，把编码器浅层的高分辨率特征和解码器的语义特征拼起来，这是 U-Net 能保住边界细节的核心。head用 1×1 卷积把通道数压到类别数，输出每个像素的类别 logits。训练循环里损失用CrossEntropyLoss(weight=class_weights)配合 Dice Loss 加权求和，优化器 AdamW，学习率 1e-4 起步，余弦退火。这些超参不是玄学，遥感分割任务里这套配置基本能收敛。

3.4 滑窗推理与拼接：把瓦片预测缝回原图

推理阶段最容易翻车的地方在拼接。每块瓦片的预测结果在重叠区域会有不一致，直接覆盖会留下明显的接缝。标准做法是加权平均：重叠区域按到瓦片中心的距离给权重，中心权重高、边缘权重低，这样接缝处过渡自然。

import numpy as np def stitch_predictions(tiles, positions, full_shape, num_classes): """tiles: 每块瓦片的概率图 (C, t, t)；positions: 每块的 (row, col)""" prob = np.zeros((num_classes, *full_shape), dtype=np.float32) weight = np.zeros(full_shape, dtype=np.float32) t = tiles[0].shape[-1] # 高斯权重，中心高边缘低 g = np.outer(np.hanning(t), np.hanning(t)).astype(np.float32) for tile, (r, c) in zip(tiles, positions): prob[:, r:r+t, c:c+t] += tile * g weight[r:r+t, c:c+t] += g weight[weight == 0] = 1e-6 return prob / weight # 归一化后取 argmax 即得掩膜

逻辑说明：np.hanning生成一维汉宁窗，外积得到二维权重核，中心接近 1、边缘趋近 0。累加时概率图和权重图同步叠加，最后逐像素除以权重完成归一化。weight == 0的保护是防止原图某些角落没被任何瓦片覆盖（理论上不会，但边界处理有 bug 时会遇到）。拿到prob后argmax(axis=0)就是最终掩膜，再按原始 profile 写回 GeoTIFF，地理坐标就对齐了。

4. 避坑与排查：那些让我加班到凌晨的问题

4.1 显存爆了但 batch_size 已经设成 1

现象：训练第一个 iter 就 OOM，nvidia-smi 显示显存瞬间打满。原因通常不是 batch 太大，而是输入尺寸或通道数超预期——比如误把 1024 的瓦片喂给了按 512 设计的模型，或者数据里混进了 8 波段影像而模型只声明了 4 通道。解决：在 Dataset 里加一句断言assert img.shape == (512, 512, 4)，让错误在数据层就暴露，而不是等到卷积层报一个看不懂的 shape mismatch。另外用torch.cuda.empty_cache()清理缓存只能缓解，治标不治本。

4.2 训练 loss 正常但验证 IoU 极低

现象：训练集 loss 一路下降，验证集 mIoU 卡在 0.1 上不去。原因八成是掩膜的类别索引和模型输出对不上——比如标注里背景是 255、前景是 1，而模型输出 0~4 的连续类别，交叉熵算出来全是错的。解决：预处理阶段就把掩膜重映射成 0 起始的连续整数，并打印每类的像素统计确认。我一般会在训练前跑一遍np.unique(mask)，看到非预期值立刻停下来查。

4.3 拼接结果出现网格状接缝

现象：推理输出的大图上有规律的方格纹路。原因是瓦片重叠不足或拼接时直接覆盖而非加权。解决：推理 overlap 提到 50%，拼接用上面的汉宁窗加权。如果还有轻微接缝，检查瓦片 transform 是否写对——window_transform用错会导致坐标偏移半个瓦片，接缝位置就会错位。

4.4 rasterio 读出来的数组和预期波段顺序不一致

现象：明明是真彩色影像，读出来颜色发蓝或者植被显示异常。原因是部分卫星产品的波段顺序是 BGR 或带全色波段，不是标准 RGB。解决：读完后先查src.descriptions和src.count，按产品文档确认波段顺序再重排。这个坑很隐蔽，因为数组 shape 是对的，只有肉眼看图才能发现。

4.5 推理速度慢到无法接受

现象：单景影像推理要几十分钟。原因通常是逐瓦片串行推理且没开torch.no_grad()。解决：推理包在with torch.no_grad():里，batch 化瓦片输入（一次喂 8~16 块），并考虑半精度model.half()。注意半精度在 CPU 上不生效，得确认在 GPU 上跑。

5. 二次开发：换数据源和换模型时我会怎么改

拿到这个项目想改成自己的数据，第一步永远是「先跑通再改」。用项目自带的样例数据把 prepare_tiles → train → infer 整条链路走一遍，确认环境没问题，再动代码。换数据源时，改动集中在三处：configs/train.yaml里的路径和波段数、dataset.py里的归一化参数（不同卫星的辐射量化范围差异很大，有的 0~255，有的 0~10000）、以及类别映射表。我一般会写一个inspect_data.py小脚本，先统计所有影像的尺寸、波段数、像素值范围，心里有数了再改配置，比盲改快得多。

换模型时，只要保证输入输出契约不变——输入(B, C, H, W)、输出(B, num_classes, H, W)——就能直接替换model.py里的网络定义，训练和推理代码一行不用动。想上 SegFormer 或 DeepLabV3+，把 backbone 换掉即可，但要注意预训练权重的输入通道数，四波段数据没法直接用三通道的 ImageNet 权重，常见做法是把第一层卷积的权重在通道维度上复制或补零，再微调。

验证改造是否成功，我有个笨但有效的习惯：拿一张小尺寸的图（比如 1024×1024）跑完整推理，把预测掩膜和原图叠在一起可视化，肉眼确认地物边界对得上、没有整体偏移。指标只是参考，可视化才是照妖镜。从那以后我每次改完数据管线，都强制先跑这张小图的可视化，确认没问题再上全量训练——这个习惯帮我省下了无数次「训练一天才发现坐标错位」的后悔药。希望帮到你。

本文还有配套的精品资源，点击获取