1
| 本文作者： 恒亮 | 2017-01-09 20:44 |
近年來，卷積神經網絡（CNN）以其局部權值共享的特殊結構在語音識別和圖像處理等方面得到了快速發(fā)展，特別是大型圖像處理方面，更是表現(xiàn)出色，逐漸成為了行業(yè)內一個重要的技術選擇。
不過，好用并不代表萬能。這里雷鋒網從一個衛(wèi)星圖像分析的具體實例出發(fā)，介紹了CNN建模和本地拉普拉斯濾波這兩種分析技術的效果對比，最終我們發(fā)現(xiàn)，本地拉普拉斯濾波的效果反而更好。
為了從衛(wèi)星圖像中分析和評估一項自然災害造成的損失，首先需要得到相關地理區(qū)域實時的高分辨率的衛(wèi)星圖像，這是進行后續(xù)所有分析的數據基礎。目前，除了Google Earth之外，最方便也最經濟的數據來源就是OSM（OpenStreetMap）開源地圖計劃。該計劃于2004年在美國創(chuàng)立，類似于維基百科，鼓勵全球用戶自由無障礙地分享和使用地理位置數據。
由于OSM提供的是矢量數據（Vector Data），為了便于空間分析和地表模擬，因此需要利用GDAL（Geospatial Data Abstraction Library）庫中的 gdal_rasterize 工具將其轉化為柵格數據（Raster Data）。
雷鋒網注：矢量數據和柵格數據都是地理信息系統(tǒng)（GIS）中常見的分析模型。其中柵格結構是以規(guī)則的陣列來表示空間地物或現(xiàn)象分布的數據組織，組織中的每個數據表示地物或現(xiàn)象的非幾何屬性特征。特點是屬性表現(xiàn)明顯，便于空間分析和地表模擬，但定位信息隱含。而矢量數據結構是通過記錄坐標的方式盡可能精確地表示點、線和多邊形等地理實體，坐標空間設為連續(xù)，允許任意位置、長度和面積的精確定義。特點是定位信息明確，但屬性信息隱含。
得到柵格數據之后，下一步是利用Caffe開源框架和CNN模型對系統(tǒng)進行訓練。如圖所示為CNN模型的一種參數設置。
CNN模型的一種參數設置
利用大量數據訓練得到的卷積神經網絡模型處理災后的圖像，識別出的受災房屋情況如圖所示（圖中白色色塊代表房屋，具體可對比后面拉普拉斯濾波的處理結果）。
CNN的分析結果，左圖為災前的圖像，右圖為災后的圖像
另一種方式是跨過GDAL轉換，利用拉布拉斯濾波直接在矢量數據的基礎上進行分析。
具體方法是：對比災前和災后兩張圖像，識別房屋的變化和兩個圖像的重疊部分，從而對受災程度做出評估。本例中將對比閾值設為10%，即如果災后圖像中某個房屋的面積小于災前面積的10%，那么就判定這一房屋已經被損毀。
需要注意的是，這里用到了兩個重要的濾波器。一個是拉普拉斯濾波，作用是識別出圖像中所有突出的不平整的部分（這里即所有的房屋輪廓），然后將其標記并繪制出來。另一個是設置為10%的“噪聲”濾波，即對比災前和災后的圖像，按照10%的閾值過濾出受災的房屋。
相比CNN的方法，這里用到了該問題的一個獨特屬性，即房屋總是高于地面的，而且利用多邊形方塊可以清晰地標出其輪廓。
拉普拉斯濾波模型
如圖所示為 Matlab 建模的本地拉普拉斯濾波窗口，其中“img”變量為包含4個通道的原始圖像，其中除了RGB三原色通道外，還有一個額外的 Alpha 通道，用來標明每個像素點的灰度信息。而變量“img1”是與“img”完全相同的圖像，只是被濾除了 Alpha 通道。
拉普拉斯濾波結果，紅色色塊為房屋
OpenCV濾波模型
如圖所示是利用OpenCV開源計算機視覺庫實現(xiàn)的第二個濾波器，以及濾波結果，可以看到受災房屋被清晰地濾出了（相對CNN來說）。
OpenCV濾波結果
如圖所示為兩個濾波器的作用效果。
兩個濾波器的綜合作用結果
在輸出結論前，還需要將此時的濾波結果與災前圖像進行最后的對比，用14%的面積閾值判定最終的受災房屋情況，以避免此前計算中引入的誤差。
14%面積的閾值判定
如圖所示，其中黃色為拉普拉斯濾波的結果，綠色為災前圖像。
識別出受損房屋之后，借助災前OSM數據庫的幫助，還可以通過QGIS工具方便地導出每間受損房屋的地址列表信息。具體步驟是：首先將災前OSM數據導入QGIS平臺最為底層信息，然后導入之前的分析結果，通過對比得到受損房屋的具體位置，然后導入一份XML格式的拓撲結構說明文件，接著利用SpatiaLite數據庫管理平臺就能根據需要導出一份具體房屋和地址相對應的列表信息。
利用 QGIS 和 SpatiaLite 導出地址列表
最終對比發(fā)現(xiàn)，以CNN技術為核心的受災房屋識別準確率只有78%，而拉布拉斯濾波則高達96.3%。另外，拉布拉斯濾波的這一優(yōu)勢在災前建筑的識別上也得到了延續(xù)，其正常建筑的識別準確率高達97.9%，而相比之下CNN只有93%。到這里結論已經很明顯了：基于平整度識別的拉普拉斯濾波最終效果要優(yōu)于基于大數據訓練的CNN卷積神經網絡。
需要指出的是，上文提到的拉普拉斯濾波法的重要意義并不局限于其技術實現(xiàn)本身，這種根據特殊問題采取特殊處理方法的應對策略，也同樣值得我們思考。
來源：medium，由雷鋒網編譯
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
