Satellite Image Scene Classification (卫星图像场景分类)

本项目是一个基于深度学习的卫星图像场景分类系统，提供了基于 TensorFlow (v1) 和 Keras 的两种实现方案，并包含用于图像预处理的 PyQt5 GUI 工具。

📋 项目简介

该项目旨在利用卷积神经网络 (CNN) 对遥感卫星图像进行场景分类。项目涵盖了从数据预处理、模型训练到预测的全流程。

主要特点：

• 双框架支持：
  • classification/ 目录下提供了基于 TensorFlow (原生 API) 的实现，针对 UC_Merge_LandUse 数据集 (21类)。
  • keras_train/ 目录下提供了基于 Keras 的实现，针对 NWPU-RESISC45 数据集 (45类)，支持数据增强。
• 图形化预处理工具：提供基于 PyQt5 的 GUI 界面，方便用户进行图像尺寸统一 (Resize) 和归一化处理。
• 自定义 CNN 模型：实现了包含卷积层、池化层、Dropout 和全连接层的自定义网络结构。

🛠️ 环境依赖

请确保安装以下 Python 库：

• Python 3.x
• TensorFlow (1.x 或 2.x 兼容模式)
• Keras
• OpenCV (opencv-python)
• PyQt5
• NumPy
• Matplotlib
• Scikit-learn

安装示例：

pip install tensorflow keras opencv-python PyQt5 numpy matplotlib scikit-learn

📂 项目结构

e:\Repository\SatelliteImageSceneClassification/
├── classification/          # TensorFlow 原生实现代码
│   ├── train.py             # 模型训练脚本 (UC_Merge 数据集)
│   ├── dataset.py           # 数据加载与处理
│   ├── predict.py           # 预测脚本
│   └── ...
├── keras_train/             # Keras 训练代码
│   ├── NWPU.py              # NWPU 数据集训练脚本
│   └── ...
├── keras_predict/           # Keras 预测代码
│   ├── NWPU_UI.py           # 带界面的预测脚本
│   └── ...
├── pretreatment/            # 预处理工具
│   ├── resize_main.py       # 图像缩放 GUI
│   ├── uniformization.py    # 图像归一化 GUI
│   └── ...
├── Demo/                    # 演示脚本
├── main.py                  # 预处理工具启动入口
└── README.md                # 项目说明文档

🚀 使用说明

1. 数据预处理

运行根目录下的 main.py 启动预处理工具箱：

python main.py

该工具提供两个窗口：

• Resize Window: 用于批量修改图片尺寸（如统一调整为 224x224 或 64x64）。
• Uniformization Window: 用于图像归一化处理。

2. 模型训练

方案 A：TensorFlow 原生实现 (针对 UC_Merge 21类数据)

修改 classification/train.py 中的 train_path 为你的数据集路径，然后运行：

python classification/train.py

注意：该脚本使用 TensorFlow v1 语法，TF2 环境下可能需要使用 tf.compat.v1。

方案 B：Keras 实现 (针对 NWPU 45类数据)

修改 keras_train/NWPU.py 中的 train_data_dir 和 val_data_dir，然后运行：

python keras_train/NWPU.py

该脚本利用 ImageDataGenerator 进行数据增强（旋转、缩放、翻转），适合大规模数据集训练。

3. 模型预测

• Keras 版本预测可参考 keras_predict/ 目录下的脚本，部分脚本包含 UI 界面支持。

📊 数据集说明

项目代码中主要使用了以下两个遥感数据集（需自行下载）：

1. UC-Merced Land Use Dataset: 包含 21 个类别（如农田、飞机、海滩、建筑等）。
2. NWPU-RESISC45 Dataset: 包含 45 个类别，数据量更大，更具挑战性。

📝 注意事项

• 代码中的绝对路径（如 /Users/mac/...）需要根据你的实际文件存放位置进行修改。
• 图像后缀默认为 .tif，如果使用 .jpg 或其他格式，请相应修改代码中的文件读取部分。