1. Potsdam，Vaihingen数据集下载地址（百度网盘）

对于做遥感图像处理的同学来说，Potsdam，Vaihingen是两个常用的数据集。如果想下载，一般需要搭梯子下载，并且下载过程经常中断，百度相关文章，排名靠前的文章也没有给出国内相关下载链接，因此将自己下载的数据集分享出来，为大家提供方便。

• Potsdam数据集：
• 链接：https://pan.baidu.com/s/13rdBXUN_ZdelWNlQZ3Y1TQ?pwd=6c3y
  提取码：6c3y
  
• Vaihingen数据集
  链接：https://pan.baidu.com/s/1EShNi22VfuIu3e6VygMb8g?pwd=3gsr
  提取码：3gsr
  

2. 数据集分割处理

1）分割图片

以Potsdam数据集为例，其中包含38张6000x6000尺寸的遥感图片，对于一般的训练机器来说，其尺寸有点大，因此需要对原始图片进行分割。这里我将每张原始图片分割为100张600x600的小尺寸图片，程序如下：

#Python程序
import cv2
import numpy

for k in range(7,14):
    img1 = cv2.imread('/user-data/GNN_RemoteSensor/2_Ortho_RGB/top_potsdam_7_' + str(k) + '_RGB.tif') #读取RGB原图像
    img2 = cv2.imread('/user-data/GNN_RemoteSensor/5_Labels_all/top_potsdam_7_' + str(k) + '_label.tif') #读取Labels图像
	# 因为数据集中图片命名不规律，所以需要一批一批的分割
	# cv2.imread函数会把图片读取为（B，G，R）顺序，一定要注意！！！
	# cv2.imwrite函数最后会将通道调整回来，所以成对使用cv2.imread与cv2.imwrite不会改变通道顺序
    #因为6000/10 = 600，所以6000x6000的图像可以划分为10x10个600x600大小的图像
    for i in range(10):
        for j in range(10):
            img1_ = img1[600*i : 600*(i+1), 600*j : 600*(j+1), : ]
            img2_ = img2[600*i : 600*(i+1), 600*j : 600*(j+1), : ]
            #注意下面name的命名，2400 + k * 100需要一批一批的调整，自己看到数据集中的图片命名就能知道什么意思了
            name = i*10 + j + 2400 + k * 100
            #让RGB图像和标签图像的文件名对应
            name = str(name)
            cv2.imwrite('./datasets/images/'+ name + '.jpg', img1_) #所有的RGB图像都放到jpg文件夹下
            cv2.imwrite('./datasets/labels/'+ name + '.png', img2_) #所有的标签图像都放到png文件夹下

分割后的图片和标签图片如下所示：

2）保存为.mat格式

我自己的程序中，每次是访问.mat数据集，进行训练和预测，所以需要将上述图片和标签保存为.mat格式。如果有同样需求，可以参考下面的程序：

#Python程序
import glob
import numpy as np
import cv2
import os
from scipy.io import savemat

array_of_img = []
for filename in os.listdir(r"./datasets/images"):
	img = cv2.imread("datasets/images/" + filename)
	#使用cv2.iread，将图片通道顺序为（BGR），所以需要在下面对通道进行调整
    img2 = img[:, :, (2,1,0)]
    array_of_img.append(img2)

array_of_lab = []
    for filenames in os.listdir(r"./datasets/labels"):
        lab = cv2.imread("datasets/labels/" + filenames)
        #label没有进行通道调整，是因为在下面for循环的判断条件中，对通道顺序进行了调整，所以此处不需要调整
        array_of_lab.append(lab)

name_for_txt = array_of_lab.shape[0] # 3800
Width = 600
Height = 600

'''创建空矩阵，用于存放一张图片每个像素的分类数据'''
self.Empty_array = np.zeros((name_for_txt, Width, Height), dtype=np.uint8)        
for ii in range(name_for_txt):
       row_Frame = self.label_images[ii]  # 将一张图片的数据单独保存
       for w in range(Width):
           for h in range(Height):
               '''判断属于哪一类，不一样的类有不同的颜色'''
               if row_Frame[w, h, 2] == 255 and row_Frame[w, h, 1] == 0 and row_Frame[w, h, 0] == 0:
                   # 红色
                   self.Empty_array[ii, w, h] = 1
               elif row_Frame[w, h, 2] == 255 and row_Frame[w, h, 1] ==255 and row_Frame[w, h, 0] == 0:
                    # 黄色
                    self.Empty_array[ii, w, h] = 2
               elif row_Frame[w, h, 2] == 0 and row_Frame[w, h, 1] == 255 and row_Frame[w, h, 0] == 255:
                    # 青色
                    self.Empty_array[ii, w, h] = 3
               elif row_Frame[w, h, 2] == 0 and row_Frame[w, h, 1] == 255 and row_Frame[w, h, 0] == 0:
                    # 绿色
                    self.Empty_array[ii, w, h] = 4
               elif row_Frame[w, h, 2] == 0 and row_Frame[w, h, 1] == 0 and row_Frame[w, h, 0] == 255:
                    # 蓝色
                    self.Empty_array[ii, w, h] = 5
                elif row_Frame[w, h, 2] == 255 and row_Frame[w, h, 1] == 255 and row_Frame[w, h, 0] == 255:
                    # 白色
                    self.Empty_array[ii, w, h] = 6
                else:
                    # 白色
                    self.Empty_array[ii, w, h] = 0
savemat('./datasets/data/labels-images.mat', {'labels': Empty_array, 'images': array_of_img}, '-v7')

现在数据集准备好了，可以开始训练啦。
附：上述数据集的介绍