本文是沿着源码，把 GeoAI 里“遥感影像 → 训练 chip”的真实执行路径一层一层扒开。可以把它当成一篇“读完就能自己实现一套切片引擎”的技术博客。

从大幅影像到训练样本的完整机制

在 GeoAI 的整个流程中，“数据切片”不是一个简单的预处理步骤，而是连接 GIS 数据与深度学习模型之间最关键的一座桥。因为模型从来不直接理解：

• • GeoTIFF（大幅遥感影像）
• • Shapefile（矢量标签）

它只理解：

• • 固定大小的图像（如 256×256）
• • 对应的标签（mask / bbox）

GeoAI 的 chip 生成，本质上完成了这样一个转换：

大幅遥感影像 + 矢量标签  →  小图块（image chip）+ mask

而这个过程，在源码中并不是一个函数，而是一整套逻辑链条。

切片不是裁剪，而是空间计算过程

GeoAI 的切片流程，可以抽象成如下步骤：

对应 GIS 逻辑：

关键点在于：每一个 chip 都是一个“空间对象”，不是简单的数组切片

chip 生成的基本调用方式

在 GeoAI 中，切片通常封装为高层接口（类似如下逻辑）：

create_chips(    image_path,    label_path,    chip_size=256,    stride=128,    output_dir="chips/")

虽然源码分散在不同模块中，但核心逻辑集中在三件事：

1. 1. 滑窗生成（Window Generator）
2. 2. 栅格裁剪（Raster Clip）
3. 3. 标签栅格化（Vector → Mask）

滑窗机制

滑窗生成逻辑

GeoAI 切片的核心不是裁剪函数，而是滑窗生成器,是chip 的本质来源。

典型实现逻辑如下：

for y inrange(0, height, stride):for x inrange(0, width, stride):        window = Window(x, y, chip_size, chip_size)

关键参数说明

• • chip_size：输出图像大小（如 256）
• • stride：滑动步长（控制重叠）

为什么必须用滑窗？

如果不用滑窗，而是整图输入：

• • 显存爆炸
• • 数据量不可控
• • 模型无法泛化

滑窗的意义在于：把“空间连续影像”转化为“离散样本集合”

GeoAI 的优化点

GeoAI 在这里通常会做两件优化：

边界处理

if x + chip_size > width:    x = width - chip_size

避免最后一块越界

重叠控制

stride < chip_size：

保证目标不会被切断例如：

chip_size = 256stride = 128

每个像素会被覆盖多次

栅格裁剪

滑窗只是定义空间范围，真正裁剪影像依赖 rasterio：

with rasterio.open(image_path) as src:    chip = src.read(window=window)

关键点解释

1. window 不是像素切片

它是：

(x_offset, y_offset, width, height)

带有空间含义

2. transform 更新

GeoAI 会更新 affine transform：

transform = src.window_transform(window)

如果不做这一步： 后续 mask 会错位

3. 输出 chip

rasterio.open(output_path, "w", ...) as dst:    dst.write(chip)

标签处理

这是 GeoAI 最“值钱”的部分。因为模型训练需要：

image: (256, 256, 3)mask:  (256, 256)

而你原始数据是：

Polygon（建筑物）

1. 空间裁剪标签

clipped_gdf = gdf.cx[minx:maxx, miny:maxy]

只保留当前 chip 内的要素

2. 栅格化（核心）

mask = rasterize(    [(geom, 1) for geom in clipped_gdf.geometry],    out_shape=(chip_size, chip_size),    transform=transform)

关键解释

（1）为什么要 rasterize？

因为模型不理解 polygon，只理解像素

（2）transform 为什么重要？

它决定：

地理坐标 → 像素坐标

如果 transform 错了： mask 会偏移

3. 多类别处理

[(geom, class_id) for geom in gdf]

支持语义分割

样本过滤

GeoAI 通常不会保存所有切片，避免无效的clip标签，而是要过滤：

if mask.sum() == 0:continue

为什么必须过滤？

否则会出现：

• • 大量纯背景图
• • 模型训练偏移
• • 精度下降

更高级过滤

if mask_ratio < threshold:    skip

控制正样本比例

数据增强

在 chip 生成阶段，GeoAI 还可能做增强：

flip(chip)rotate(chip)normalize(chip)

特别是遥感数据：

• • 多尺度
• • 多方向
• • 光照差异大

输出结构

最终输出通常为：

dataset/├── images/│   ├── chip_001.tif│   ├── chip_002.tif├── masks/│   ├── chip_001.tif│   ├── chip_002.tif

或 COCO / YOLO 格式

GeoAI 也支持：

• • bbox（检测）
• • polygon（实例分割）

GeoAI 的工程设计亮点

1. 空间一致性优先

所有操作都围绕：

CRS + transform

不是简单数组处理

2. Raster + Vector 联动

切片不是：

image → chip

而是：

image + vector → image chip + mask

3. 可扩展 pipeline

你可以插入：

• • 多时相数据
• • 多模态数据
• • DEM / 气象数据

核心最简代码

抽一份“最小可用版本”：

defgenerate_chips(image_path, gdf, chip_size=256, stride=128):with rasterio.open(image_path) as src:for y inrange(0, src.height, stride):for x inrange(0, src.width, stride):                window = Window(x, y, chip_size, chip_size)                chip = src.read(window=window)                transform = src.window_transform(window)                bounds = rasterio.windows.bounds(window, src.transform)                minx, miny, maxx, maxy = bounds                clipped = gdf.cx[minx:maxx, miny:maxy]if clipped.empty:continue                mask = rasterize(                    [(geom, 1) for geom in clipped.geometry],                    out_shape=(chip_size, chip_size),                    transform=transform                )yield chip, mask

GeoAI 的切片模块，本质不是“切图工具”，而是：一个把“空间世界”翻译成“机器语言”的过程

如果这一步做得不好： 模型再强也没用。如果这一步做得好： 普通模型也能出奇迹