TensorFlow处理遥感影像?数据格式咋转?

你是不是也卡在“读不进数据”这一步？

刚上手用 TensorFlow 处理遥感影像的朋友，十个有九个会栽在第一步：明明图像能用 QGIS 打开，怎么一喂给模型就报错？ValueError: cannot reshape array of size XXX into shape (YYY) —— 别慌，这不是你代码写错了，而是数据格式没对齐。我在参与某省级耕地变化监测项目时，第一次用 CNN 做地物分类，也被这个问题折磨了整整两天。

遥感影像不是普通图片，它自带地理坐标、波段结构、元数据标签——而 TensorFlow 只认“干净的数值矩阵”。你的任务，就是把“穿盔甲的将军”变成“赤膊上阵的士兵”。

遥感数据的“四层衣服”，得一层层脱

想象一下你要吃橘子，但橘子被裹了四层包装：外箱（文件格式）、泡沫膜（地理坐标）、保鲜膜（波段排列）、果皮（数据类型）。TensorFlow 不负责帮你拆包装，你得自己动手。

• 第一层：文件格式 —— GeoTIFF、HDF、NetCDF 是遥感界三巨头。TensorFlow 默认不认这些，得先转成 NumPy 数组或 TFRecord。
• 第二层：地理坐标 —— 投影信息、仿射变换参数。做深度学习时通常可以扔掉（除非你做空间关系建模）。
• 第三层：波段结构 —— 卫星影像动辄4~13个波段，而 RGB 图像只有3个。模型输入维度必须匹配。
• 第四层：数据类型 —— 遥感常用 uint16 或 float32，但神经网络更喜欢 0~1 之间的 float32。不归一化？梯度直接爆炸给你看。

实战：三行代码搞定 GeoTIFF → TensorFlow

别被吓到，其实核心就三步：读取 → 转换 → 归一化。我推荐用 rasterio + numpy 组合拳，比 GDAL 更 Pythonic。

import rasterio
import numpy as np

# 第一步：暴力读取，无视坐标
with rasterio.open('sentinel2.tif') as src:
    img = src.read()  # Shape: (bands, height, width)

# 第二步：调整轴顺序为 TensorFlow 喜欢的 (height, width, bands)
img = np.transpose(img, (1, 2, 0))

# 第三步：归一化到 [0,1] 区间（根据传感器最大值调整）
img = img.astype(np.float32) / 65535.0  # 假设是 uint16 数据

注意！如果你处理的是 Landsat 8，最大值可能是 65456；如果是 Sentinel-2 L2A，可能已经是 0~1 的反射率了。千万别无脑除 65535 —— 我在黄河三角洲湿地项目里就因此导致水体识别全军覆没。

进阶技巧：用 TFRecord 加速海量数据训练

当你有上万张影像要训练时，直接读 GeoTIFF 会慢到怀疑人生。这时候该请出 TensorFlow 的“专属快递员”—— TFRecord。

虽然前期转换耗时，但一旦建成，训练速度提升 3~5 倍不是梦。我在做全国建筑物提取时，百万级瓦片数据全靠这招扛住。

避坑指南：三个高频翻车点

1. 波段顺序搞反 —— TensorFlow 默认通道在最后 (HWC)，但 rasterio/GDAL 默认通道在最前 (CHW)。忘了 transpose？你的“红波段”会跑到模型眼里变成“蓝波段”。
2. 忘了裁剪无效值 —— 遥感影像边缘常有填充值（如 -9999 或 0）。直接喂给模型？等于让神经网络学“黑洞物理学”。建议用 np.nan_to_num() 或掩膜过滤。
3. 投影不一致还硬拼 —— 如果你要拼接多景影像做 mosaic，务必先重采样到统一投影和分辨率。否则就像把世界地图撕碎后随机粘回去——模型看了都摇头。

总结：格式转换的本质是“翻译官”

TensorFlow 不懂“UTM Zone 50N”，也不关心“Band 4 是近红外”。它只想要一个规规矩矩的张量。你的工作，就是当好这个翻译官：剥掉地理外衣、理顺波段顺序、压平数值范围。掌握了这套流程，无论面对 Sentinel、Landsat 还是国产高分卫星，你都能游刃有余。

你在转换数据时踩过什么奇葩的坑？是波段顺序错乱？还是 dtype 爆炸？欢迎在评论区留下你的“血泪史”，我们一起帮后来人避雷！