一种混合型VGG模型遥感影像地类数据训练集制作方法
文献发布时间：2023-06-19 10:05:17
技术领域
本发明涉及遥感技术，具体涉及一种混合型VGG模型遥感影像地类数据训练集制作方法。
背景技术
目前，高分辨率遥感影像分类是遥感技术应用中最重要最核心的技术之一，也是许多实际应用的基础和前提，如何快速、准确地进行大范围遥感影像分类一直是遥感技术应用研究领域的热点。现阶段特别是基于神经网络的分类模型在遥感影像中应用之后，基于高分遥感影像的地类数据训练集的准备就成为一个重要的问题。特别是基于VGG模型的地类特征提取及数据训练，需要对数据集合有特殊的要求，比如输入处理需要224*224的数据集等。因此如何制作具有代表性广泛又具有特征明显的地类数据集便成了一个重要的工作。
经典数据集制作方法主要是利用图片进行规格化成为224*224图片，然后用黑色填补。这样的数据集在普通的数据集训练中比较通用，但是在地类数据中，存在着高分遥感相对分辨率比较高，而且不同的遥感图像分辨率不同，所以不同的分隔地类图片所蕴含的特征随着缩放会大量的流失，这样会造成在训练时特征提取代表性不强。本方案采用混合型数据集生成方法，出去在数据集制作的时候提取其压缩图像外，同时对地类图像进行局部裁剪，将其局部特征也加入到训练集中，使训练集的特征更加明显。
发明内容
本发明的主要目的在于提供一种混合型VGG模型遥感影像地类数据训练集制作方法，通过对高分影像的裁剪、归一化、正规化和色彩处理，最后形成具有特征明显的混合型农用地数据集。
本发明采用的技术方案是：一种混合型VGG模型遥感影像地类数据训练集制作方法，包括：
S1，获取高分遥感图像；
S2，读取高分遥感图像，对高分遥感图像按照用地类型进行裁剪分类；
S3，将裁剪分类结果按照0.8米的分辨率进行分辨率统一化；
S4，将统一化的结果，实现规格化，将所有的分类的图像规格化为224*224像素的图像，并生成其局部224*224的截图；
S5，将规格化的图像进行色彩的处理；
S6，输出混合型地类数据集合。
进一步地，所述步骤S2包括：
S21，读取高分遥感图像；
S22，获取其对应的地类矢量文件；
S23，将地类矢量文件与高分影像进行叠加，按照地类不同进行裁剪，
形成不同地类图像的数据集合；
S24，将不同比例的遥感影像截取的地类图片进行分类，形成初步的数
据集。
更进一步地，所述步骤S3包括：
S31，获取不同地类图像的数据集合；
S32，获取集图像集合分辨率；
S33，如果图像的分辨率小于0.8米时，将图像分辨率提升到0.8米；
如果图像分辨率大于0.8米时，将图像分辨率降低到0.8米，最后形成标准的0.8米的图像数据集合；
S34，整合所有的图像，形成不同的地类数据集合。
更进一步地，所述步骤S4包括：
S41：获取地类数据集合；
S42：获取数据集合的一个数据图像，并获取图像的大小；
S43：计算图像的内包络正方形，判断其内像素点是否大于224*224；
如果大于则截取224*224的正方形图像；放入数据集S3中；
S44：将数据集S3中的所有图像都进行S42，S43操作，形成新的混合
数据集；
S45：将混合数据集全部放缩成224*224的图像，其空白处用黑色填充，
形成最终的混合数据集；
S46：输出混合型的正方形数据集。
更进一步地，所述步骤S5包括：
S51：获取混合型的正方形数据集；
S52：遍历每个图像，获取图像的RGB色彩值；
S53：重新计算色彩值RGB，其中计算方式如下：
R
S54：输出色彩处理后的数据集合。
本发明的优点：
本发明的方法，相较于传统的VGG训练模型的制作方法，在压缩图像制作训练模型的基础上，通过局部裁剪，补充了训练集中地类数据局部特征，与此同时，通过对色彩的处理，丰富了遥感图像的色彩特征，通过混合型VGG模型制作的遥感影像地雷数据训练集，相较于传统的制作方面，在特征提取的准确性上提升约5%，并通过对应的识别模型，其图像识别正确率相较于传统的制作方式提升18%，用此，混合型VGG模型遥感影像地类数据训练集制作方法，相较于传统的数据集制作方法，对VGG数据模型具有更优的特征提取及分类效果。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明的方法总体流程图；
图2是本发明的地类裁剪数据集获取流程图；
图3是本发明的遥感影像数据集分辨率归一化流程图；
图4是本发明的图像数据规格化流程图；
图5是本发明的图像色彩处理流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，一种混合型VGG模型遥感影像地类数据训练集制作方法，包括：
S1，获取高分遥感图像；
S2，读取高分遥感图像，对高分遥感图像按照用地类型进行裁剪分类；
S3，将裁剪分类结果按照0.8米的分辨率进行分辨率统一化；
S4，将统一化的结果，实现规格化，将所有的分类的图像规格化为224*224像素的图像，并生成其局部224*224的截图；
S5，将规格化的图像进行色彩的处理；
S6，输出混合型地类数据集合。
本发明的方法，相较于传统的VGG训练模型的制作方法，在压缩图像制作训练模型的基础上，通过局部裁剪，补充了训练集中地类数据局部特征，与此同时，通过对色彩的处理，丰富了遥感图像的色彩特征，通过混合型VGG模型制作的遥感影像地雷数据训练集，相较于传统的制作方面，在特征提取的准确性上提升约5%，并通过对应的识别模型，其图像识别正确率相较于传统的制作方式提升18%，用此，混合型VGG模型遥感影像地类数据训练集制作方法，相较于传统的数据集制作方法，对VGG数据模型具有更优的特征提取及分类效果。
参考图2，步骤S2包括：
S21，读取高分遥感图像；
S22，获取其对应的地类矢量文件；
S23，将地类矢量文件与高分影像进行叠加，按照地类不同进行裁剪，
形成不同地类图像的数据集合；
S24，将不同比例的遥感影像截取的地类图片进行分类，形成初步的数
据集。
参考图3，步骤S3包括：
S31，获取不同地类图像的数据集合；
S32，获取集图像集合分辨率；
S33，如果图像的分辨率小于0.8米时，将图像分辨率提升到0.8米；
如果图像分辨率大于0.8米时，将图像分辨率降低到0.8米，最后形成标准的0.8米的图像数据集合；
S34，整合所有的图像，形成不同的地类数据集合。
参考图4，步骤S4包括：
S41：获取地类数据集合；
S42：获取数据集合的一个数据图像，并获取图像的大小；
S43：计算图像的内包络正方形，判断其内像素点是否大于224*224；
如果大于则截取224*224的正方形图像；放入数据集S3中；
S44：将数据集S3中的所有图像都进行S42，S43操作，形成新的混合
数据集；
S45：将混合数据集全部放缩成224*224的图像，其空白处用黑色填充，
形成最终的混合数据集；
S46：输出混合型的正方形数据集。
参考图5，步骤S5包括：
S51：获取混合型的正方形数据集；
S52：遍历每个图像，获取图像的RGB色彩值；
S53：重新计算色彩值RGB，其中计算方式（按照R值）如下：
R
S54：输出色彩处理后的数据集合。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
- 一种混合型VGG模型遥感影像地类数据训练集制作方法
- 一种基于混合型数据集的农用地遥感影像识别方法