给机器学习新手：用QGIS 3.22快速搞定遥感影像切片，构建你的第一个卫星数据集

给机器学习新手：用QGIS 3.22快速搞定遥感影像切片，构建你的第一个卫星数据集

当机器学习遇上地理空间数据，许多开发者会陷入两难：既需要高质量的卫星影像作为训练素材，又对专业GIS工具望而生畏。本文将打破这种困境——你不需要成为GIS专家，只需掌握QGIS中三个核心操作，就能将遥感影像转化为可直接喂入模型的切片数据集。

与传统GIS教程不同，我们完全从机器学习视角出发：

• 把QGIS视为空间数据处理黑盒，只关注输入输出接口
• 所有参数设置直指后续PIL/OpenCV读取需求
• 重点解决插件安装、坐标匹配、批量导出等真实项目卡点

1. 环境配置：极简QGIS工作流搭建

1.1 安装与插件配置

从QGIS官网下载3.22 LTR版本（长期支持版更稳定）。首次启动后，按Ctrl+Alt+P打开插件管理器，搜索安装以下两个关键插件：

提示：若下载速度慢，可在插件管理器设置中更换镜像源为https://plugins.qgis.org

安装完成后，在工具栏空白处右键勾选Processing Toolbox面板。此时你的界面应包含：

• 左侧图层管理器
• 中央地图显示区
• 右侧处理工具箱

1.2 坐标系统选择

机器学习项目最常见的坐标问题是：切片后的图片无法对齐真实地理位置。在QGIS右下角点击EPSG代码（默认可能是4326），建议改为：

• 3857：Web墨卡托投影，适合全球范围影像
• 32650：UTM 50N分区，适合中国东部地区

# 后续用Python读取时需保持坐标系一致 import rasterio from pyproj import CRS # 需与QGIS导出设置相同 target_crs = CRS.from_epsg(32650)

2. 数据获取：五分钟接入卫星影像源

2.1 快速加载底图

点击Web→QuickMapServices→Search QMS，搜索并添加以下任一服务：

• Google Satellite（需代理）
• Bing Satellites
• 高德影像（国内直连）

注意：不同影像源分辨率差异显著。北京五环内区域各服务分辨率对比：

2.2 自定义感兴趣区域(ROI)

在工具栏选择：

1. 图层→创建图层→新建Shapefile图层
2. 类型选多边形，坐标系与项目一致
3. 点击工具栏切换编辑模式，用矩形工具框选目标区域

# 对应Python中的ROI坐标保存 import geopandas as gpd roi = gpd.read_file('study_area.shp') print(roi.total_bounds) # 输出[minx, miny, maxx, maxy]

3. 网格生成：匹配模型输入尺寸

3.1 创建切片网格

通过矢量→研究工具→创建网格：

• 网格类型：矩形（多边形）
• 网格范围：选择上步创建的ROI图层
• 水平/垂直间距：根据模型输入尺寸设置
  （如YOLOv5常用640x640，则间距=实际地面距离/像素）

关键技巧：在高级参数中勾选将网格作为多边形输出，便于后续精确控制切片范围。

3.2 样式优化

右键网格图层选择属性→符号化：

1. 填充样式设为无画刷
2. 边框颜色设置为醒目红色
3. 宽度调整为0.3mm

此时效果应类似：

+-----+-----+-----+ | | | | +-----+-----+-----+ | | | | +-----+-----+-----+

4. 批量导出：自动化切片流水线

4.1 布局配置

点击项目→新建打印布局，进行关键设置：

1. 画布尺寸设为与模型输入相同的像素值（如640x640）
2. 添加地图项并调整至充满画布
3. 在地图项属性中：
   • 比例锁定为1:1
   • 勾选受地图集控制
   • 边距设为0

4.2 地图集生成

点击地图集→地图集设置：

• 覆盖图层：选择网格图层
• 排序表达式：按$id升序确保可复现
• 输出文件名：使用表达式如'tile_'||@atlas_featurenumber||'.png'

4.3 批量导出

在布局→导出中选择：

• 格式：PNG（无损）或JPG（高压缩）
• 分辨率：72dpi（屏幕显示）或300dpi（打印质量）
• 保存路径：建议按/train/images/和/val/images/分类存储

# 导出后的典型目录结构 dataset/ ├── train/ │ ├── images/ # 切片图片 │ └── labels/ # 后续标注文件 └── val/ ├── images/ └── labels/

5. 质量验证与常见问题排查

5.1 坐标偏移检查

用Python验证切片地理坐标：

import rasterio from rasterio.transform import from_origin # 假设切片为500mx500m transform = from_origin(minx, maxy, 500, 500) with rasterio.open('tile_001.png') as src: print(src.transform * (0, 0)) # 应返回网格左上角坐标

5.2 高频报错解决方案

在最近一个城市绿化识别项目中，这套流程帮助团队在2小时内完成了2000+张标准切片的准备。最实用的经验是：提前用QGIS的测量工具确认实际地面距离与像素比例，避免后期重新切片。比如发现1像素=0.8米时，将网格间距设为模型输入尺寸的0.8倍即可完美匹配。