ENVI 深度学习模块入门：样本标注、模型训练到目标自动提取

目录

一、为什么是 ENVI：遥感深度学习工具链的定位与取舍

1.1 遥感解译工具的三条技术路线

当前遥感智能解译的工具选择大致分三条路线。第一条是通用深度学习框架路线，以 PyTorch、TensorFlow 为代表，灵活度最高，但需要自行搭建数据管道、处理地理坐标、实现滑窗推理与拼接，工程量大。第二条是云平台路线，如 Google Earth Engine、PIE-Engine、AI Earth 等，算力弹性好、数据现成，但受限于平台算子与数据权限，定制化模型训练的可控性偏弱。第三条是桌面集成路线，ENVI 深度学习模块、eCognition 等属于此类，把标注、训练、推理封装进 GIS/RS 软件，学习曲线平缓，适合业务部门快速上手。

本文评述：三条路线不是替代关系，而是分工关系。笔者的经验是，桌面集成工具适合“验证可行性、快速出成果、交付业务原型”，通用框架适合“追求 SOTA 精度、做算法研究、处理超大规模数据”。把 ENVI 当作入门与工程化的第一站，把 PyTorch 当作精度攻坚的第二站，是性价比较高的组合策略。

1.2 ENVI 深度学习模块的能力边界

ENVI 的深度学习能力并非从零自研，其底层长期与 TensorFlow 生态耦合（早期版本依赖 TensorFlow 后端，后续版本逐步引入 ONNX 推理与更多预训练模型），提供像素级分类、目标检测、语义分割、实例分割等任务类型。它的核心价值在于三点：一是与 ENVI 的影像预处理链（辐射定标、大气校正、正射校正、波段运算）无缝衔接；二是内置地理坐标感知的滑窗推理与结果拼接，输出天然带空间参考；三是提供面向遥感场景的预训练模型与迁移学习入口。

但边界同样清晰：自定义网络结构的自由度有限，损失函数、优化器、数据增强策略的可调项不如原生框架丰富；对超大影像的内存管理依赖软件实现，遇到超大幅面仍可能触发分块策略的性能瓶颈。理解这条边界，才能合理设定项目预期。

1.3 贯穿全文的分析主线

本文确立的主线是“数据—模型—推理”闭环：样本质量决定模型上限，模型配置决定逼近上限的效率，推理与后处理决定成果的可用性。三者构成一个反馈回路——推理阶段暴露的错误会反向指导样本补充与模型迭代。全文所有章节都围绕这条闭环展开，避免陷入“工具说明书”式的散漫叙述。

二、底层原理速览：从 CNN 到语义分割的技术脉络

2.1 卷积神经网络的基本构件

卷积神经网络（CNN）处理遥感影像的核心优势在于局部感受野与权值共享。卷积层通过滑动卷积核提取局部空间特征，池化层降低空间分辨率、扩大感受野，全连接层或全局池化层完成类别映射。对于遥感任务，卷积核在空间维度上捕捉地物的纹理、边缘、形状特征，在光谱维度上捕捉不同波段的响应差异。

一个常被忽视的细节是：遥感影像的波段数远超自然图像的三通道。多光谱影像可能有 4—8 个波段，高光谱可达数百个。直接把多波段堆叠输入标准 CNN，会显著增加第一层参数量，且波段间高度相关带来的冗余会拖慢收敛。工程上常见的做法是先做波段选择或降维（如 PCA、MNF），再送入网络。

2.2 语义分割的经典架构

语义分割要求对每个像素给出类别标签，是遥感地物提取最常用的任务形式。经典架构经历了从 FCN（全卷积网络）到 U-Net、DeepLab 系列的演进。FCN 用卷积层替换全连接层，实现端到端的像素级预测；U-Net 引入编码器—解码器结构与跳跃连接，把浅层高分辨率特征与深层语义特征融合，在小样本遥感任务中表现稳健；DeepLab 系列引入空洞卷积与空洞空间金字塔池化（ASPP），在不损失分辨率的前提下扩大感受野，并配合条件随机场（CRF）优化边界。

笔者认为：U-Net 及其变体之所以在遥感领域长盛不衰，根本原因是遥感标注样本天然稀缺，而跳跃连接结构对浅层细节的保留恰好弥补了小样本下深层语义学习不足的问题。这也是 ENVI 内置分割模型多以编码器—解码器为骨架的原因。

2.3 目标检测与实例分割

目标检测任务输出边界框与类别，主流架构分两阶段（Faster R-CNN 系列）与单阶段（YOLO、SSD、RetinaNet 系列）。两阶段精度通常更高，单阶段速度更快。遥感目标检测的难点在于目标尺度差异极大（从车辆到飞机到港口），且存在大量密集小目标，因此特征金字塔网络（FPN）几乎是标配。实例分割在检测基础上增加掩膜分支，代表架构为 Mask R-CNN，适合需要精确轮廓的场景（如建筑物提取、单株树冠分割）。

2.4 迁移学习为何是遥感深度学习的默认选项

从零训练一个深度网络需要海量标注数据，而遥感标注成本极高——一个中等规模项目的标注工作量常以人月计。迁移学习通过加载在大型数据集（如 ImageNet、COCO）上预训练的权重，仅微调部分层或全部层，显著降低对样本量的需求。ENVI 的迁移学习入口正是基于这一逻辑：冻结骨干网络浅层，重训练分类头或解码器。

需要提醒的是，自然图像预训练权重与遥感影像存在域差异（视角、尺度、光谱）。近年出现的遥感专用预训练模型（如 SatMAE、Scale-MAE、SpectralGPT 等）在多项基准上显示出比 ImageNet 权重更好的迁移效果，这是值得关注的方向。

三、样本标注：决定模型上限的第一道关口

3.1 标注的本质：给模型定义“什么是这一类”

很多项目失败不是败在模型，而是败在标注。标注的本质是把人对地物类别的认知，转译成模型可学习的像素级监督信号。如果标注本身存在类别混淆、边界模糊、样本偏斜，再强的模型也只能学到错误的映射。

标注前必须先写清楚“类别定义文档”，明确每一类的判读标准、包含与排除规则。例如“建筑物”是否包含在建工地？“水体”是否包含滩涂？“道路”是否包含乡村土路？这些边界问题不提前统一，不同标注员之间的一致性会非常差。

3.2 ENVI 中的 ROI 标注流程

ENVI 的标注以 ROI（感兴趣区）为核心载体，基本流程如下：

3.3 样本数量的经验法则

样本量没有绝对标准，但可以参考以下经验区间（基于迁移学习场景，模拟经验值，实际需按任务复杂度调整）：

需要强调：样本的多样性比数量更重要。同一类地物在不同光照、季节、传感器、地形下的表现差异很大，样本必须覆盖这些变化，否则模型泛化能力会很差。

3.4 标注质量的量化控制

标注质量可以用“标注员间一致性”来量化。常用指标是 Kappa 系数或交并比（IoU）。工程做法是：抽取 5%—10% 的样本由第二名标注员独立标注，计算一致性。Kappa 低于 0.8 说明类别定义存在歧义，需要回到定义文档修订，而不是继续堆样本。

本文评述：很多团队把标注当作“体力活”外包出去，结果模型精度上不去，回头排查才发现是标注标准不统一。笔者的建议是：标注规范文档的编写时间不应少于总标注时间的 10%，且必须由懂业务、懂模型的人主导，而不是纯交给标注员自行理解。

3.5 数据增强：小样本的放大器

当样本不足时，数据增强是性价比最高的手段。遥感场景常用的增强包括：几何变换（旋转、翻转、缩放、裁剪）、光谱扰动（亮度、对比度、波段抖动）、噪声注入（高斯噪声、斑点噪声）。需要特别注意的是，遥感影像的旋转增强不能任意角度——正射影像可以任意旋转，但带方向信息的目标（如车辆）过度旋转会破坏语义合理性。

更高级的增强策略包括 Mixup、CutMix、Copy-Paste（把小目标复制粘贴到其他位置），后者在遥感小目标检测中效果显著。ENVI 内置的增强选项相对有限，若需要复杂增强，可在导出样本后于外部框架处理，再导回。

四、模型训练：选型、配置与调参实战

4.1 任务与模型的匹配矩阵

选模型的第一步是明确任务类型，再匹配架构。下表给出常见任务的选型建议（基于 ENVI 深度学习模块支持的任务类型与通用实践）：

4.2 训练前的数据准备检查清单

4.3 关键超参数的含义与调法

ENVI 深度学习模块暴露的超参数虽不如原生框架多，但核心几项必须理解：

学习率（Learning Rate）：决定权重更新步长。过大导致震荡不收敛，过小导致收敛过慢。经验起点是 0.001（Adam 优化器）或 0.01（SGD）。若损失曲线前几个 epoch 就剧烈震荡，先降学习率。

批大小（Batch Size）：受显存限制。批大小越大，梯度估计越稳定，但泛化可能略差。遥感影像通常较大，批大小常设为 4—16。若显存不足，可减小批大小并配合梯度累积。

迭代轮数（Epochs）：不是越多越好。配合早停（Early Stopping）策略，当验证集损失连续若干轮不下降时停止训练，防止过拟合。

块大小（Patch Size）：滑窗训练的窗口尺寸。太小则上下文不足，太大则显存吃紧且边缘地物比例失衡。语义分割常用 256×256 或 512×512。

重叠率（Overlap）：滑窗推理时相邻窗口的重叠比例，用于消除拼接缝。常用 10%—25%。

4.4 损失函数与类别失衡

遥感地物天然失衡——水体可能占 30%，而稀有地物只占 1%。标准交叉熵损失在这种情况下会被多数类主导，稀有类学不好。常用对策有三：一是加权交叉熵，给稀有类更高权重；二是 Focal Loss，降低易分样本的权重，聚焦难分样本；三是 Dice Loss 或 Tversky Loss，直接优化区域重叠度，对类别失衡不敏感。

笔者认为：分割任务中 Dice Loss 与交叉熵的组合（如 0.5:0.5 加权）是稳健的默认选择，前者管区域重叠，后者管像素分类，互补性强。ENVI 若未直接暴露损失函数选项，可通过调整类别权重间接缓解失衡。

4.5 训练过程的监控与诊断

训练时必须盯住两条曲线：训练损失与验证损失。典型模式与诊断如下：

4.6 迁移学习的实操策略

迁移学习的实操分两种策略：一是特征提取，冻结骨干网络全部权重，只训练最后的分类头或解码器，适合样本极少（每类几百像素）的场景；二是微调，解冻部分或全部层，用较小学习率训练，适合样本中等以上的场景。

微调时有一个常被忽略的技巧：分层学习率。骨干网络浅层用更小的学习率（如 1e-5），深层和新加层用较大学习率（如 1e-3），既保留预训练特征，又让新任务快速适配。

五、精度评估：别被一个总体精度骗了

5.1 混淆矩阵：一切指标的源头

混淆矩阵是分类评估的基础。行表示真实类别，列表示预测类别，对角线是正确分类，非对角线是错分。所有指标（总体精度、Kappa、精确率、召回率、F1）都可以从混淆矩阵推导。

总体精度（OA）= 对角线之和 / 总样本数。它简单直观，但在类别失衡时会严重误导——如果 90% 的像素是背景，模型全部预测为背景也能得到 90% 的 OA。

5.2 分割任务的评估指标

语义分割常用 IoU（交并比）和 mIoU（平均交并比）。IoU = 预测与真值的交集 / 并集，mIoU 是各类 IoU 的平均。相比 OA，mIoU 对每一类一视同仁，更能反映稀有类的表现。

目标检测常用 mAP（平均精度均值），基于 IoU 阈值（如 0.5、0.75）计算各类的 AP 后取平均。实例分割在此基础上增加掩膜 IoU 的评估。

5.3 评估的三个陷阱

陷阱一：空间自相关导致的精度虚高。如果训练集和测试集在空间上相邻，同一地物可能同时出现在两边，模型“见过”相似样本，测试精度会偏高。正确做法是按空间分块或按行政区划划分数据集。

陷阱二：边界像素的评估偏差。地物边界处像素本身存在判读歧义，严格按像素评估会低估模型。工程上可对边界像素做缓冲带处理，或单独报告边界区域的精度。

陷阱三：只报总体精度。必须分类别报告精确率、召回率、F1，才能发现“哪一类被牺牲了”。

5.4 精度不达标时的排查顺序

精度不达标时，按以下顺序排查，避免盲目调参：

第一步，看混淆矩阵，定位是哪几类在互相错分。第二步，把错分样本可视化，判断是标注错误、样本不足还是特征确实难分。第三步，若是标注错误，修正标签重训；若是样本不足，补充样本；若是特征难分，考虑增加波段、引入纹理特征或换更强模型。第四步，才是调超参数。

本文评述：调参是最后手段，不是第一手段。笔者见过太多团队一上来就调学习率、换优化器，却从不看混淆矩阵。数据问题占精度问题的七成以上，把数据排查做扎实，比调参有效得多。

六、目标自动提取与后处理：从概率图到矢量成果

6.1 推理输出的形式

语义分割推理输出的是类别概率图或类别标签栅格，每个像素带一个类别值。目标检测输出的是边界框矢量与类别、置信度。实例分割输出的是每个实例的掩膜。这些输出是“原始成果”，距离可用的业务成果还有一段后处理距离。

6.2 概率图到二值图：阈值的选择

对某一类地物，概率图是 0—1 的连续值。选阈值本质是在精确率与召回率之间权衡：阈值高，精确率高但漏检多；阈值低，召回率高但误检多。选择方法有三：一是固定阈值（如 0.5），简单但未必最优；二是基于验证集绘制 PR 曲线，选 F1 最大的阈值；三是按业务需求定，如灾害应急场景宁可误检不可漏检，就选低阈值。

6.3 形态学后处理

二值图常存在椒盐噪声、孔洞、毛刺。形态学操作是标准清理手段：开运算（先腐蚀后膨胀）去小噪点，闭运算（先膨胀后腐蚀）填小孔洞，孔洞填充去内部空洞。结构元素大小需按目标尺度设定，过大会破坏目标形态。

6.4 栅格转矢量与简化

栅格转矢量后，边界往往呈锯齿状，需要做平滑与简化。常用算法是 Douglas-Peucker 简化，容差按成图比例尺设定。同时要过滤掉面积过小的图斑（如小于最小成图单元），以及处理拓扑错误（自相交、重叠）。

ENVI 提供栅格转矢量、分类后处理、图斑过滤等工具，也可导出到 ArcGIS/QGIS 做更精细的拓扑处理。

6.5 精度提升的后处理技巧

除形态学与矢量化外，还有几类有效的后处理：一是条件随机场（CRF）或引导滤波，利用影像本身的颜色/纹理信息优化分割边界；二是多尺度融合，把不同尺度推理结果叠加投票；三是时序一致性约束，对多时相影像，利用时间维约束消除单时相的随机误检。

七、工程化落地：大区域推理、批处理与部署

7.1 大区域推理的分块策略

一幅省级正射影像可能达到几十 GB，无法一次性载入显存。工程做法是分块推理：按固定窗口（如 512×512）滑窗，窗口间保留重叠，推理后按重叠区加权融合，消除拼接缝。ENVI 的深度学习推理工具内置了这一机制，但需注意内存设置与临时文件路径。

7.2 批处理与自动化

当需要对多景影像批量推理时，可用 ENVI 的批处理（Batch Processing）或 IDL 脚本调用深度学习接口。核心是把“加载模型—滑窗推理—拼接—后处理—导出”串成流程，输入输出用文件列表驱动。对于周期性任务（如月度变化监测），可进一步封装为定时任务。

7.3 模型导出与跨平台部署

ENVI 训练的模型可导出为通用格式（如 ONNX、TensorFlow SavedModel），便于在 Python 服务、边缘设备或其他 GIS 平台部署。导出时需注意：输入张量的形状、归一化方式、波段顺序必须与训练时一致，否则推理结果会完全错误。这是跨平台部署最常见的坑。

7.4 工程化的三个非技术要点

第一，版本管理。影像、样本、模型、代码都要有版本，否则无法复现。第二，文档化。类别定义、标注规范、超参数、评估结果都要留档。第三，人机协同。全自动提取很难做到 100% 精度，业务上通常采用“模型初提 + 人工修正”的模式，把人力集中在模型不确定的区域（可用置信度阈值筛选）。

八、前沿预判：基础模型与遥感解译的范式迁移

8.1 遥感基础模型的兴起

2021 年以来，遥感领域出现了多个基础模型（Foundation Model），如 SatMAE、Scale-MAE、SpectralGPT、RingMo 等。它们在海量无标注遥感影像上做自监督预训练，学习通用的时空光谱表征，再通过少量标注微调到下游任务。多项基准显示，这类模型在样本极少时仍能取得可观精度。

笔者认为：基础模型不会让标注消失，但会改变标注的性价比。过去需要几千样本的任务，未来可能几百样本即可。这意味着工程重心会从“堆样本”转向“精选样本 + 高效微调”。ENVI 这类工具若不能快速接入基础模型权重，其竞争力会被削弱。

8.2 多模态融合

光学、SAR、LiDAR、高光谱的互补性早已被认识，但真正的多模态融合模型近年才成熟。SAR 穿透云雨、LiDAR 提供高程、高光谱提供精细光谱，融合后能显著提升复杂场景的解译能力。技术挑战在于配准精度、模态缺失处理与融合架构设计。

8.3 变化检测与时空建模

从单时相解译走向多时相变化检测，是业务需求的自然延伸。早期方法靠双时相影像差分，近年转向基于 Transformer 的时空建模，能捕捉长程时序依赖。挑战在于变化样本的标注成本极高，以及“伪变化”（物候、光照、传感器差异）的抑制。

8.4 边缘智能与实时解译

无人机、卫星在轨处理的兴起，推动模型向轻量化、边缘化发展。知识蒸馏、剪枝、量化是常用压缩手段。未来“在轨推理 + 地面精修”的分层架构可能成为常态。

九、常见问题排查清单

十、结语：工具会变，方法论不会

ENVI 深度学习模块是一个务实的入口，它把深度学习的复杂度封装起来，让遥感从业者能专注于业务问题本身。但工具只是载体，真正决定成果质量的是方法论：清晰的类别定义、严谨的样本设计、科学的评估体系、扎实的后处理流程，以及“数据—模型—推理”闭环的持续迭代。

技术迭代很快，今天的 SOTA 明天可能就被超越。但“先定义问题、再准备数据、后选择模型、最后评估迭代”这条主线不会过时。把这条主线走扎实，无论工具如何演进，都能快速迁移。

主要参考文献