[发明专利]基于GIS空间数据制作遥感影像深度学习样本的优化方法

说明书

本发明涉及遥感技术领域，具体公开了基于GIS空间数据制作遥感影像深度学习样本的优化方法，包括以下步骤：S1、获取多边形数据；S2、通过折点坐标计算多边形的最小边界矩形；S3、设置学习样本的长度阈值为S₀，计算最小边界矩形长边的长度S₁，若S₁≤S₀，则最小边界矩形为裁剪单元，并进入S5，若S₁S₀，则进入S4；S4、沿最小边界矩形的长边进行划分，将最小边界矩形划分为多个裁剪单元，直至裁剪单元的长度S₂≤S₀后，进入S5；S5、用裁剪单元对影像数据或者用裁剪单元中的多边形部分对影像数据进行裁剪，得到学习样本，对学习样本进行编号。本发明的基于GIS空间数据制作遥感影像深度学习样本的优化方法，能够提高机器学习的精度和速度。

技术领域

本发明涉及遥感技术领域，尤其涉及基于GIS空间数据制作遥感影像深度学习样本的优化方法。

背景技术

在遥感影像深度学习过程中，需要大量的样本，GIS是以采集、储存、管理、显示和分析地球表面与空间、地理分布有关的数据，用于输入、存储、查询、分析和显示地理数据的计算机系统，其结合了地理学与地图学，已经广泛的应用在不同的领域，可以把地图这种独特的视觉化效果和地理分析功能与一般的数据库操作集成在一起。GIS空间数据库中存有栅格影像数据和对应的矢量数据，矢量数据是对栅格数据进行目视解译和手工矢量化得到的准确坐标序列，并关联有详细的属性字段，例如土地利用数据库存有土地覆盖类型；林业数据库存有林种、树种、林龄等林分结构信息这些属性字段表示遥感影像对应的属性，可以作为深度学习训练的样本，但该数据不能直接应用于深度学习框架，需要进一步处理。现有的处理方法在对这些数据中的图形进行处理后，制作的部分学习样本太大或过于细碎，能够被机器所识别的主体信息分布不够均匀，部分学习样本中的对象主体信息所占比例太小，导致机器不能够精确的识别，从而导致机器学习精度不高。

发明内容

本发明旨在至少解决上述所提及的技术问题之一，提供一种基于GIS空间数据制作遥感影像深度学习样本的优化方法，提高机器的学习的精度和速度。

为了实现上述目的，本发明采用的技术方案为：基于GIS空间数据制作遥感影像深度学习样本的优化方法，包括以下步骤：

S1、获取GIS空间数据库中的影像数据，提取影像数据中的多边形数据，得到多边形的折点坐标，并对多边形进行编号；

S2、通过折点坐标计算多边形的最小边界矩形，并获取最小边界矩形长边和短边的端点坐标；

S3、设置学习样本的长度阈值为S₀，计算最小边界矩形长边的长度S₁，若S₁≤S₀，则最小边界矩形为裁剪单元，并进入S5，若S₁S₀，则进入S4；

S4、沿最小边界矩形的长边进行划分，将最小边界矩形划分为多个裁剪单元，直至裁剪单元的长度S₂≤S₀后，进入S5；

S5、用裁剪单元对影像数据进行裁剪，或者用裁剪单元中的多边形部分对影像数据进行裁剪，得到学习样本，对学习样本进行编号，使学习样本的编号与多边形的编号进行对应。

优选的，所述步骤S2中，采用最小二乘法计算多边形数据的最小边界矩形。

优选的，所述步骤S4中，获取最小边界矩形长边的中心线作为分割线，通过分割线将最小边界矩形均分为两个长度相等的裁剪单元，若分割后的裁剪单元的长度S₂≥S₀，则继续获取裁剪单元沿最小边界矩形长边方向的边线的中心线作为分割线，通过分割线继续对裁剪单元进行划分，直至划分后的裁剪单元的长度S₂≤S₀。