遥感影像场景识别tensorflow-CNN

遥感影像场景识别—含有代码数据训练模型结果-亲测有效

# 将原始图片转换成需要的大小，并将其保存
# ========================================================================================
import os
import tensorflow as tf
from PIL import Image

# 原始图片的存储位置
orig_picture = ‘C:/Users/xyk/Desktop/NWPU-RESISC45/NWPU-RESISC45/‘

# 生成图片的存储位置
gen_picture = ‘C:/Users/xyk/Desktop/NWPU-RESISC45/result‘

# 需要的识别类型
classes = {‘bridge‘ ‘forest‘ ‘lake‘ ‘railway‘‘river‘‘runway‘}

# 样本总数
num_samples = 3600


# 制作TFRecords数据
def create_record（）:
    writer = tf.python_io.TFRecordWriter（“remote_train.tfrecords“）
    for index name in enumerate（classes）:
        class_path = orig_picture + “/“ + name + “/“
        for img_name in os.listdir（class_path）:
            img_path = class_path + img_name
            img = Image.open（img_path）
            img = img.resize（（256 256））  # 设置需要转换的图片大小
            img_raw = img.tobytes（）  # 将图片转化为原生bytes
            # print（“image is n“）
            print（indeximg_raw）
            example = tf.train.Example（
                features=tf.train.Features（feature={
                    “label“: tf.train.Feature（int64_list=tf.train.Int64List（value=[index]））
                    ‘img_raw‘: tf.train.Feature（bytes_list=tf.train.BytesList（value=[img_raw]））
                }））
            writer.write（example.SerializeToString（））
    writer.close（）


# =======================================================================================
def read_and_decode（filename）:
    # 创建文件队列不限读取的数量
    filename_queue = tf.train.string_input_producer（[filename]）
    # create a reader from file queue
    reader = tf.TFRecordReader（）
    # reader从文件队列中读入一个序列化的样本
    _ serialized_example = reader.read（filename_queue）
    # get feature from serialized example
    # 解析符号化的样本
    features = tf.parse_single_example（
        serialized_example
        features={
            ‘label‘: tf.FixedLenFeature（[] tf.int64）
            ‘img_raw‘: tf.FixedLenFeature（[] tf.string）
        }）
    label = features[‘label‘]
    img = features[‘img_raw‘]
    img = tf.decode_raw（img tf.uint8）
    img = tf.reshape（img [256 256 3]）
    # img = tf.cast（img tf.float32） * （1. / 255） - 0.5
    label = tf.cast（label tf.int32）
    return img label


# =======================================================================================
if __name__ == ‘__main__‘:
    create_record（）
    batch = read_and_decode（‘remote_train.tfrecords‘）
    init_op = tf.group（tf.global_variables_initializer（） tf.local_variables_initializer（））

    with tf.Session（） as sess:  # 开始一个会话
        sess.run（init_op）
        coord = tf.train.Coordinator（）
        threads = tf.train.start_queue_runners（coord=coord）

        for i in range（num_samples）:
            example lab = sess.run（batch）  # 在会话中取出image和label
            img = Image.fromarray（example ‘RGB‘）  # 这里Image是之前提到的
            img.save（gen_picture + ‘/‘ + str（i） + ‘samples‘ + str（lab） + ‘.jpg‘）  # 存下图片;注意cwd后边加上‘/’
            print（example lab）
        coord.request_stop（）
        coord.join（t

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       3311  2018-09-28 11:11  遥感影像场景识别—内涵数据训练模型结果-亲测有效\tf_record1.py

     文件       4955  2018-09-26 15:19  遥感影像场景识别—内涵数据训练模型结果-亲测有效\tf_record2.py

     文件       7167  2018-09-27 15:06  遥感影像场景识别—内涵数据训练模型结果-亲测有效\tf_record3.py

     文件       3200  2018-09-27 19:25  遥感影像场景识别—内涵数据训练模型结果-亲测有效\tf_record4.py

     文件       3577  2018-09-28 11:22  遥感影像场景识别—内涵数据训练模型结果-亲测有效\tf_record5.py

     文件         64  2018-09-28 21:53  遥感影像场景识别—内涵数据训练模型结果-亲测有效\训练模型.txt

     目录          0  2018-09-28 21:52  遥感影像场景识别—内涵数据训练模型结果-亲测有效

----------- ---------  ---------- -----  ----

                22274                    7