Satellitenfernerkundungsbilder haben eine hohe Auflösung und die Objekte haben relativ kleine Größen im Bild, daher ist es schwierig, sowohl die Erkennungsgenauigkeit als auch die Laufzeit gleichzeitig sicherzustellen. Um das Problem der Objekterkennung in hochauflösenden Fernerkundungsbildern zu lösen, wird in dieser Arbeit eine Methode vorgeschlagen, die gleitende Fenstersegmentierung und einen Kleinziel-Detektor kombiniert. Zunächst wird die gleitende Fenster-Methode verwendet, um das Bild in mehrere Teilbilder zu segmentieren, wobei die Schrittweite etwas kleiner als die Fenstergröße ist, um eine gewisse Überlappung zwischen den Teilbildern zu gewährleisten, und ein größeres Segmentierungsfenster verwendet wird, um die Anzahl der Teilbilder zu reduzieren. Danach werden die Teilbilder komprimiert und mit einem Objekterkennungsalgorithmus verarbeitet, um die Laufzeit zu reduzieren. Schließlich werden die Erkennungsergebnisse zusammengeführt und eine Nicht-Maximale Unterdrückungsstrategie angewendet, um in überlappenden Bereichen doppelt erkannte Objekte zu entfernen. Hinsichtlich des Erkennungsalgorithmus basiert diese Arbeit auf YOLOv8n, verbessert die Netzstruktur mit SPD-Faltungskernen, passt die Strategie zur Zuordnung positiver und negativer Proben basierend auf der NWD-Methode an und verbessert die Merkmals-Pyramidenstruktur, um die Erkennungsleistung für kleine Objekte zu steigern, sodass der Algorithmus sich an größere, komprimierte Teilbilder anpassen kann, um die Bildsegmentierungsanzahl zu reduzieren und die Erkennungsgeschwindigkeit zu erhöhen. Experimente zeigen, dass die Methode bei einem Fahrzeugerkennungsdatensatz mit einer durchschnittlichen Bildauflösung von 4000×4000 eine durchschnittliche Erkennungsgenauigkeit von 55,7 % bei einer durchschnittlichen Berechnungszeit von etwa 47,5 ms pro Bild erreicht, was eine Genauigkeitssteigerung von 16 % gegenüber YOLOv8n, 15 % gegenüber YOLOv5s und 7,6 % gegenüber YOLOv6s darstellt. Die Betriebseffizienz dieser Methode erfüllt Echtzeitanforderungen und ermöglicht die Echtzeiterkennung von Objekten in Satellitenfernerkundungsbildern mit höherer Genauigkeit.

Objekterkennung; Fernerkundungsbilder; YOLOv8-Algorithmus; Erkennung kleiner Objekte; gleitende Fenster-Methode