[发明专利]一种基于Faster RCNN的遥感影像对象间空间关系的识别方法

摘要

本发明公开了一种基于Faster RCNN的遥感影像对象间空间关系的识别方法，包括如下步骤：数据获取；数据预处理；切割影像数据；制作样本集标注；构建Faster RCNN网络结构；设定训练参数；选取训练集、测试集和验证集；对训练集进行训练；测试Faster RCNN网络训练的模型。本发明的目的是通过基于Faster RCNN的模型思维来对高分辨率遥感影像中对象间的空间关系进行识别检测，空间关系的识别检测是遥感领域的一大难点，本发明中能提取到对象间相邻关系，也可以为后续更多更复杂的空间关系的提取奠定基础。

主权项

1.一种基于Faster RCNN的遥感影像对象间空间关系的识别方法，其特征在于，该识别方法中的对象间空间关系为：高分遥感影像中的住宅和道路之间存在的相邻关系，该方法包括以下步骤：数据获取：获取研究地段的高分辨率遥感影像；数据预处理：对获取的遥感影像数据进行预处理，包括几何校正、大气校正、裁剪拼接；切割影像数据：根据统计学中的正态分布的方法得到影像切割的尺度，通过编写脚本在软件ArcGIS中将研究需要的样本数据从预处理后的影像数据里面按确定的尺度切割出来，切割出来的样本数据以ID加影像格式后缀名来命名，得到样本集；制作样本集的标注：利用Labelimg图形标注工具对切割好的样本集进行标注，并通过Labelimg图形标注工具人工画出样本集中空间对象和空间关系的RectBox，得到每个样本数据对应影像的XML标注文件；构建Faster RCNN网络结构：在深度学习系统TensorFlow中构建Faster RCNN的网络结构，Faster RCNN网络结构包括：输入层、池化层、卷积层和输出层；设定训练参数：根据研究需求对迭代次数进行设定，对Faster RCNN网络结构中的各个训练参数进行修改，训练参数包括类别名称、类别数量；选取训练集、测试集和验证集：通过随机函数从样本集中选取训练集和测试集，设定每N个样本数据为一次循环，其中前N‑1个样本数据为训练集，最后一个为测试集；并通过随机函数继续选取验证集；对训练集进行训练：按预先设定的迭代次数在Faster RCNN网络结构中对训练集的样本数据进行迭代训练，并得到训练结果中各个类别的AP值；测试Faster RCNN网络结构训练的模型：运行测试脚本文件，选取研究区域的测试集样本数据，输出网络模型训练后的影像结果并保存到对应的结果文件夹中。