简介：面向计算机相关专业课程设计、期末大作业与毕业设计场景，基于机器学习实现遥感图像分类的源码包可供学生及技术学习者直接参考。项目经严格调试，下载即可运行并复现主体流程。压缩包共13个文件，整体仅14KB，以6个Python脚本为核心，覆盖模型构建（rs_mod系列）、结果可视化绘制（rs_plot系列）等模块；另含已训练好的SVM模型pickle文件、运行输出result.json、README说明文档以及vscode工作区配置，便于阅读和二次修改。目前已有305人学习下载，适合希望在遥感图像分类任务中快速上手机器学习流程、并基于现有代码开展改进实验的读者。资源还包含pyc缓存与json文件，完整呈现项目结构，可帮助理解从训练到评估的完整链路。
1. 遥感图像分类源码包：为什么你跑通后精度还是上不去
拿到一份「基于机器学习的遥感图像分类模型源码.zip」，大多数人的第一反应是解压、找 README、装依赖、跑训练脚本。但遥感图像分类和普通自然图像分类有个本质差异：输入不是三通道的日常照片，而是多波段、带地理坐标、标签往往来自人工矢量的栅格数据。这份源码的“坑”普遍不在模型结构上，而在数据怎么喂、标签怎么对齐、精度怎么算这三件事上。如果你已经在这上面翻过车，或者正准备开始做遥感影像的深度学习分类，这篇文章用一个完整可复现的最小方案把数据准备、模型适配、训练评估和边界问题一次讲透，适合刚接触遥感图像分类的开发者，也适合想把手头语义分割代码迁移到遥感场景的熟手。
2. 遥感图像分类的数据组织：先搞懂波段、标签和样本切分
2.1 多波段影像和普通 RGB 图像的处理差异
把遥感影像直接塞给一个为 ImageNet 设计的分类模型，大概率会得到很差的结果。原因是遥感影像通常包含红、绿、蓝三波段以外的近红外、红边甚至热红外波段，而很多预训练模型的第一个卷积层写死了三通道输入。常见的做法是保留 RGB 三波段，把多光谱影像先降维再送入网络，但这会丢掉植被指数等对分类极有价值的信息。更稳妥的方式是，在源码的数据加载部分把影像读取为(band_count, height, width)的多通道数组，然后根据你选择的波段组合决定是否修改模型第一层。
一份典型的遥感分类源码包，数据目录结构往往长这样：
data/ ├── images/ │ ├── area_01.tif │ ├── area_02.tif │ └── ... ├── labels/ │ ├── area_01.shp │ ├── area_02.shp │ └── ... ├── train_list.txt └── val_list.txt这里images目录存放的是原始遥感影像，labels目录存放的是同名矢量标注文件。train_list.txt和val_list.txt每一行是一条样本记录，格式通常是影像路径 标签路径或影像路径 类别编号。如果你的源码包用的是栅格标签而非矢量标签，那么标签的类别编号通常从 0 开始连续编码，背景类往往单独占一个编号。理解了这个组织方式，你才知道改数据路径时哪些地方必须同步改，哪些地方只是文件格式差异。
2.2 训练集和验证集的划分逻辑
遥感样本和自然图像样本最大的不同在于空间相关性。同一景影像内部相邻像素的类别高度相关，如果随机切分训练验证集，会出现“验证集里的建筑物其实就是训练集里同一栋楼”的尴尬局面。严谨的划分方式应该按影像瓦片或地块为单位切分：先得出一批完整的小瓦片，再按瓦片整体分配到训练集或验证集，而不是按像素或按裁剪窗口随机抽。
下面是一个按瓦片划分的最小实现：
import os import random import numpy as np from osgeo import gdal def split_by_tile(image_path, tile_size=512, val_ratio=0.2, seed=42): """ 按瓦片切分影像，避免空间重叠导致的验证集虚高。 返回每个瓦片的左上角坐标列表。 """ dataset = gdal.Open(image_path) width = dataset.RasterXSize height = dataset.RasterYSize dataset = None tiles = [] for y in range(0, height, tile_size): for x in range(0, width, tile_size): tiles.append((x, y)) random.seed(seed) random.shuffle(tiles) val_count = int(len(tiles) * val_ratio) train_tiles = tiles[val_count:] val_tiles = tiles[:val_count] return train_tiles, val_tiles这段代码先用 GDAL 读取影像宽高，然后按tile_size步长切出瓦片左上角坐标，再按比例随机切分。注意seed参数决定了随机结果，固定它才能保证你两次运行得到相同的划分结果。tile_size的选择直接影响训练样本数量和模型可接受的输入尺寸，512 是兼顾内存和上下文信息的常见值，如果显存受限可以降到 256。
划分完成后，还需要一个裁剪函数把瓦片裁出来并按需做数据增强。裁剪时要注意，如果影像带了地理坐标或 RPC 参数，裁剪后的瓦片在保存为独立文件时应保留仿射变换参数，否则后续做预测后处理时无法把结果拼回原始地理空间。
2.3 类别不均衡：遥感分类里最容易忽视的问题
遥感影像的土地覆盖分类天然存在不均衡：大面积的水体、裸地和农田往往霸占了样本主体，而建筑物、道路、船只等目标类别占比很小。直接用原始频率训练，模型会对高频类别过拟合，低频类别的精度惨不忍睹。源码包里常见的做法是加权交叉熵，即给少样本类别更高的损失权重。
计算类别权重的通用方式是权重 = 总样本数 / (类别数 * 该类别样本数)，也可以用中位数频率法。下面这段代码展示了如何在 PyTorch 里动态计算权重：
import torch def compute_class_weight(labels, num_classes): """ 根据像素级标签统计类别频率并计算交叉熵权重。 labels: 形状为 (H, W) 或 (N, H, W) 的类别数组。 """ label_flat = labels.flatten() class_counts = torch.bincount(label_flat, minlength=num_classes).float() total = class_counts.sum() weights = total / (class_counts + 1e-6) weights = weights / weights.mean() return weights这里加了一个1e-6的小常数防止除零。.mean()归一化的目的是让权重整体均值落在 1 附近，这样加权后的总损失量级和未加权时不会差太多，避免学习率需要重新调整。实际应用中，这个权重应该在每个 epoch 重新统计一次，因为训练过程中样本的采样分布会随增强策略变化。如果源码包里已经写好了权重计算逻辑，你只需要确认它统计的是像素级别的标签分布而不是图级别的标签分布，后者会低估大物件类别的不均衡程度。
3. 模型选型与通道适配：从预训练 backbone 到遥感微调
3.1 选择合适的分类模型结构
遥感图像分类这一技术方向下，实际使用的模型一般分三类：第一类是轻量级网络，如 MobileNetV3 和 ShuffleNetV2，适合边缘设备或快速迭代，但精度上限有限；第二类是标准 ResNet 系列，如 ResNet50 和 ResNet101，是绝大多数源码包的默认选项，平衡了精度和训练速度；第三类是带注意力机制的模型，如 EfficientNet 和 Swin Transformer，精度更高但显存占用和训练时间也水涨船高。
如果你手里的源码包默认是 ResNet18 或 ResNet50，不要急着换模型。先跑通基准，然后按这个顺序尝试改进：加深（ResNet50 换 ResNet101）、加注意力（在最后一个 stage 后加 SE 模块）、换训练策略（余弦退火 + 更长轮数）。每一步都要记录训练集和验证集精度的变化，确认提升是真实泛化而不是过拟合。
3.2 多光谱波段的通道重映射
很多遥感影像有 4 个或更多波段，而 ResNet 的输入层固定是 3 通道。一个务实的做法是混合波段的选择：如果你只有 4 个波段（通常是 RGB + NIR），可以把 RGB 直接喂给模型的 RGB 通道，NIR 通道则丢弃或作为一个额外输入分支。更优的做法是对原始多波段主成分分析，取前三个主成分分量代替原来的 RGB 通道。这不仅能把任意波段数压缩到 3 通道，还能保留光谱信息的主体方差。但主成分分析的系数是在训练集上统计的，验证和测试时必须沿用同一组系数，否则数据分布不一致。
如果源码包期望你改模型第一层，修改方式如下：
import torch.nn as nn def adapt_first_conv(model, in_channels, pretrained=True): """ 将模型第一层卷积的输入通道数改为 in_channels。 保留预训练权重中与 RGB 对应的部分，新通道随机初始化。 """ old_conv = model.conv1 new_conv = nn.Conv2d( in_channels=in_channels, out_channels=old_conv.out_channels, kernel_size=old_conv.kernel_size, stride=old_conv.stride, padding=old_conv.padding, bias=False ) if pretrained: # 保留前3个通道的预训练权重，新通道(如第4波段)用随机数初始化 with torch.no_grad(): new_conv.weight[:, :3] = old_conv.weight new_conv.weight[:, 3:] = old_conv.weight[:, :1] * 0.1 model.conv1 = new_conv return model这里的关键细节是new_conv.weight[:, :3]直接复制了原权重，而第 4 个通道用的是第一通道权重的 0.1 倍而不是纯随机。这样做的原因：纯随机的额外通道权重会在第一个训练轮次引入较大的梯度噪声，延迟收敛；用现有通道的缩放版本作为初始化，相当于给模型一个“从已有特征开始”的起点。实际经验里，这个初始化技巧能省 5~10 个 epoch 的预热时间。
3.3 预训练权重怎么选
遥感图像分类最常用的预训练权重是 ImageNet 上的分类权重。虽然遥感图像和自然图像在分布上差异很大，但底层特征（边缘、纹理、颜色块）是通用的，所以从 ImageNet 初始化仍然比随机初始化收敛快得多。如果你的源码包支持加载.pth格式的权重文件，加载完后务必打印出模型的state_dict键名，确认没有缺失或多余的键。
更大的坑在于num_classes的修改。源码包里默认的 1000 类你一定得改成自己数据集的类别数，但改完后最后一层 Linear 的权重会随机初始化。如果你的数据集特别小（比如只有几千张图），建议把最后一层之外的所有层冻结，只训练分类头几个 epoch，等损失降到一定程度再解冻全部层微调。否则从第一步就全量训练，随机初始化的分类头会破坏预训练特征提取器已经学到的良好表征。
4. 训练配置与精度评估：参数怎么设、结果怎么算才可信
4.1 训练核心参数的选择逻辑
模型训练流程是源码包的重点，但大多数人只关心“跑起来”，不关心“跑得对”。这里把几个核心参数的作用和推荐值整理成表，你照着设即可，但要知道每个参数背后影响什么。
| 参数名 | 推荐范围 | 说明 |
|---|---|---|
| 输入尺寸 | 224~512 | 遥感影像中目标物尺寸变化大，大图有利于小目标识别，但显存占用翻倍。 |
| batch size | 16~64 | 取决于显存。不要为了凑大 batch 把输入缩得太小，遥感小目标很敏感。 |
| 学习率 | 1e-4~1e-3 | ResNet 微调用 1e-4，随机初始化用 3e-4。太高会导致 loss 震荡。 |
| 训练轮数 | 30~100 | 遥感数据量通常不大，50 轮左右足够判断趋势，超 100 轮大概率过拟合。 |
| 优化器 | AdamW 或 SGD | AdamW 收敛快但泛化略差，SGD + momentum 0.9 + 余弦退火上限更高。 |
训练日志里重点盯三个指标：train_loss是否稳定下降、val_loss是否在某个 epoch 后开始反弹、val_acc的波动幅度。如果 val_loss 在 20 轮左右持续上升而 train_loss 仍在下降，说明已经开始过拟合，应该回退到 val_loss 最低的那个 checkpoint，而不是用最后一个。
4.2 评估指标：总体精度会骗人，看混淆矩阵
遥感图像分类的评估指标和自然图像分类有一点必须区分：你不能只看 val_acc。前面提过类别不均衡，在一个 90% 像素是农田的数据集里，模型把所有像素都预测为农田，val_acc 也有 90%。所以源码包里的评估脚本至少要输出按类别的精确率、召回率、F1-score 和混淆矩阵，否则这个评估形同虚设。
验证时还有两个遥感特有的坑。第一个是 padding 问题：推理时为了适配模型输入尺寸需要对影像边缘做填充，通常用零填充，但零值在归一化后可能对应一个真实存在的反射率，导致边缘预测出现假类别。解决方法是记录原始有效区域，在评估时把 padding 区域直接遮掉。第二个是重叠推理：大影像切成瓦片推理时，瓦片边缘的预测置信度普遍偏低，建议推理时设置stride = tile_size // 2，对重叠区域取多次预测的概率平均，而不是取 argmax。
下面是一个带重叠的瓦片推理示例：
import numpy as np import torch def sliding_window_infer(model, image, tile_size=512, stride=256, device='cuda'): """ 滑动窗口推理，重叠区域用概率平均。 image: (C, H, W) 的归一化影像数组。 """ model.eval() _, h, w = image.shape prob_map = np.zeros((num_classes, h, w), dtype=np.float32) count_map = np.zeros((h, w), dtype=np.float32) for y in range(0, h - tile_size + 1, stride): for x in range(0, w - tile_size + 1, stride): tile = image[:, y:y + tile_size, x:x + tile_size] tile_tensor = torch.from_numpy(tile).unsqueeze(0).to(device) with torch.no_grad(): logits = model(tile_tensor) prob = torch.softmax(logits, dim=1).cpu().numpy()[0] prob_map[:, y:y + tile_size, x:x + tile_size] += prob count_map[y:y + tile_size, x:x + tile_size] += 1 # 处理最右和最下边缘不满足步长的区域 prob_map /= np.maximum(count_map, 1) return prob_map这段代码的关键在于prob_map累加的是每个类别的概率值而不是 argmax 结果，count_map记录每个像素被推理了几次，最后做除法得到平均概率。注意分母用了np.maximum(count_map, 1)防止边缘像素因步长原因一次都没被覆盖而产生除零错误。推理完成后取argmax(prob_map, axis=0)得到最终分类图。
4.3 评估分布漂移：同源数据自家模型精度高不奇怪
遥感影像还有一类特有的评估失真：同一传感器、同一季节、同一区域的数据训练出来的模型，在同类数据上表现极好，但换一个地区或不同季节的影像，精度可能掉 20 个百分点以上。那是因为模型学到了特定区域的“背景特征”而非目标的“本质特征”。验证一个模型的泛化能力，最有效的方法是跨区域验证：用 A 区域训练，B 区域验证。如果你的源码包里有多个区域的数据，测试时务必观望一下跨区域精度的下滑幅度。如果下滑严重，那就要考虑做辐射归一化、域适应或者用更鲁棒的训练策略。
5. 避坑指南：遥感图像分类源码跑通的 5 类典型问题
5.1 标签对齐错位导致精度异常低
现象：训练 loss 能下降，但验证集精度一直低于 60%，且混淆矩阵中错误集中在相邻类别。
原因：最常见的是影像和标签的坐标系或像素原点不一致。有些标签文件是地理坐标系下的矢量，转栅格时如果没有和影像严格配准，会出现整体平移或旋转偏差。某些影像经过预处理后有地理参考信息，但标签转栅格时忽略了仿射变换参数，导致标签和影像错位几个像素到几十个像素。
解决：先选定一张验证影像，把标签栅格和影像在 GIS 软件或 matplotlib 里叠加显示，肉眼检查边缘是否对齐。如果发现存在恒定偏移，检查矢量转栅格时是否使用了影像本身的 geo-transform 参数。一般源码包里都有rasterize_labels.py之类的脚本，重点确认它读的是ds.GetGeoTransform()而不是默认的(0, 1, 0, 0, 0, 1)。
5.2 归一化统计量用错导致训练不收敛
现象：训练 loss 一开始正常下降，但 20 个 epoch 后验证集精度不再提升，loss 在某个值附近震荡。
原因：遥感影像的统计特征和 ImageNet 完全不同。很多源码包直接把mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]套在遥感数据上，这组参数来自自然图像，会导致多光谱反射率被压缩或拉伸到不合理的区间。特别是近红外波段的数值范围很大，被错误 normalize 后模型很难拟合。
解决：重新统计训练集每个通道的均值和标准差，并把统计好的数值存成npy文件或 JSON 在推理时复用。统计必须在训练集上做，不能在整个数据集上做，否则会引入标签信息泄漏。
5.3 显存不足而无限缩小输入尺寸
现象：程序报 CUDA out of memory，于是把输入尺寸从 512 一路缩到 128，精度跟着一路下滑。
原因：遥感影像的目标通常较小，缩小输入尺寸等于变相丢失细节。显存不足的正解不是无脑缩小输入，而是减小 batch size、启用梯度累积、或者使用混合精度训练。
解决：把 batch size 调到 8 甚至 4，配合梯度累积让等效 batch size 保持 32。显存仍然不够的话再考虑缩小输入尺寸，但最低不要低于 256。还有一个容易被忽略的技巧：在DataLoader里设置pin_memory=True，并把num_workers调到 4~8，可以在不改变模型占用显存的前提下提升数据加载吞吐量。
5.4 checkpoint 文件加载报错或精度倒退
现象：加载别人给的预训练权重后训练，第一次验证精度比不加载还要低。
原因：通常不是权重本身有问题，而是你没对齐状态字典的键名。比如源码包保存的模型可能是一整个nn.Module或开启了DataParallel，键名会多出module.前缀。用load_state_dict(..., strict=False)加载后没有打印缺失键，导致模型的一半层用了随机权重。
解决：加载后打印missing_keys和unexpected_keys。有module.前缀时遍历字典把前缀去掉；最后一层分类头类别数不一致时，先加载除fc（或head）之外的所有层，这层随机初始化没问题。注意训练过程中也要定期把state_dict保存成ckpt文件，不要只保存模型对象，否则后续加载时环境版本一变就容易出问题。
5.5 验证精度高但实际预测地图杂乱
现象：验证集 F1 值都挺高，但整景影像的预测结果像椒盐噪声，类别边界破碎，大片区域出现孤立小斑块。
原因：训练时裁剪的瓦片和推理时的上下文不一致。训练数据以目标区域为中心，能看到相对完整的语义；推理时滑动窗口是固定的，窗口边缘的目标上下文不完整。此外，遥感影像本身存在同物异谱和异物同谱现象，单个像素或极小区域的光谱没有足够的区分力。
解决：推理输出后加一个后处理步骤，用众数滤波或形态学开闭运算去除孤立小斑块。但注意滤波窗口不能过大，否则会抹掉小目标类别。对土地覆盖分类这种类别边界明确的场景，我一般先做一次 3×3 的众数滤波，再根据类别面积阈值清除面积小于几十个像素的连通域，效果立竿见影。若要进一步提升边界完整性，可以考虑用条件随机场或者图割做空间平滑，但会多付出不少推理时间。
6. 进阶：从跑通到改造成你自己的数据
如果你已经跑通了这份源码自带的示例数据，下一步自然是把手头的遥感数据替换进去。我给出一套稳妥的改造流程。第一步，确认你的数据是单景大影像还是分幅瓦片，如果是前者，先用前面给的切分脚本切成 512 或 256 的瓦片；第二步，把标签格式统一，栅格标签的类别编号必须连续且背景类为 0，否则很多模型的ignore_index参数会失效；第三步，重新统计训练集的均值和标准差并写入配置；第四步，调整num_classes和类别名称映射表；第五步，验证其中一个瓦片上的预测叠加效果，先看定性再跑定量指标。
一个值得推荐的进阶技巧是日历不变训练的尝试：如果你的数据跨了不同月份或不同年份，尽量把每个时相的数据都塞进训练集而不是只挑清晰无云的影像。偶尔加一些有云或薄雾的影像做训练，模型的鲁棒性会明显更好。另一个技巧是置信度校准，用验证集统计每个类别的真实精度和预测置信度之间的关系，推理时对低置信度的区域做标记，方便人工复核，这对工程交付非常重要。
最后说一个我自己的血泪教训：找一份新源码包，永远不要先跑完整训练，先用小数据集、小模型、少轮数验证整个 pipeline 是不是通的，包括数据加载、设备迁移、权重保存与恢复、推理输出，全链路跑完再上完整数据。因为遥感数据量通常很大，一次全量训练可能等上一整天，如果 20 分钟时发现标签错位，这一天就白白浪费了。先小后大、先通后优，这个习惯帮我省下的时间远超任何调参技巧。希望帮到你。
本文还有配套的精品资源，点击获取
