近年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)（CNN）以其局部權(quán)值共享的特殊結(jié)構(gòu)在語(yǔ)音識(shí)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(nèi)一個(gè)重要的技術(shù)選擇。

不過(guò)，好用并不代表萬(wàn)能。這里雷鋒網(wǎng)從一個(gè)衛(wèi)星圖像分析的具體實(shí)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(shù)的效果對(duì)比，最終我們發(fā)現(xiàn)，本地拉普拉斯濾波的效果反而更好。

  卷積神經(jīng)網(wǎng)絡(luò)

為了從衛(wèi)星圖像中分析和評(píng)估一項(xiàng)自然災(zāi)害造成的損失，首先需要得到相關(guān)地理區(qū)域?qū)崟r(shí)的高分辨率的衛(wèi)星圖像，這是進(jìn)行后續(xù)所有分析的數(shù)據(jù)基礎(chǔ)。目前，除了Google Earth之外，最方便也最經(jīng)濟(jì)的數(shù)據(jù)來(lái)源就是OSM（OpenStreetMap）開(kāi)源地圖計(jì)劃。該計(jì)劃于2004年在美國(guó)創(chuàng)立，類(lèi)似于維基百科，鼓勵(lì)全球用戶自由無(wú)障礙地分享和使用地理位置數(shù)據(jù)。

由于OSM提供的是矢量數(shù)據(jù)（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(kù)中的 gdal_rasterize 工具將其轉(zhuǎn)化為柵格數(shù)據(jù)（Raster Data）。

雷鋒網(wǎng)注：矢量數(shù)據(jù)和柵格數(shù)據(jù)都是地理信息系統(tǒng)（GIS）中常見(jiàn)的分析模型。其中柵格結(jié)構(gòu)是以規(guī)則的陣列來(lái)表示空間地物或現(xiàn)象分布的數(shù)據(jù)組織，組織中的每個(gè)數(shù)據(jù)表示地物或現(xiàn)象的非幾何屬性特征。特點(diǎn)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(shù)據(jù)結(jié)構(gòu)是通過(guò)記錄坐標(biāo)的方式盡可能精確地表示點(diǎn)、線和多邊形等地理實(shí)體，坐標(biāo)空間設(shè)為連續(xù)，允許任意位置、長(zhǎng)度和面積的精確定義。特點(diǎn)是定位信息明確，但屬性信息隱含。

得到柵格數(shù)據(jù)之后，下一步是利用Caffe開(kāi)源框架和CNN模型對(duì)系統(tǒng)進(jìn)行訓(xùn)練。如圖所示為CNN模型的一種參數(shù)設(shè)置。

CNN模型的一種參數(shù)設(shè)置

利用大量數(shù)據(jù)訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)模型處理災(zāi)后的圖像，識(shí)別出的受災(zāi)房屋情況如圖所示（圖中白色色塊代表房屋，具體可對(duì)比后面拉普拉斯濾波的處理結(jié)果）。

CNN的分析結(jié)果，左圖為災(zāi)前的圖像，右圖為災(zāi)后的圖像

  拉普拉斯濾波

另一種方式是跨過(guò)GDAL轉(zhuǎn)換，利用拉布拉斯濾波直接在矢量數(shù)據(jù)的基礎(chǔ)上進(jìn)行分析。

具體方法是：對(duì)比災(zāi)前和災(zāi)后兩張圖像，識(shí)別房屋的變化和兩個(gè)圖像的重疊部分，從而對(duì)受災(zāi)程度做出評(píng)估。本例中將對(duì)比閾值設(shè)為10%，即如果災(zāi)后圖像中某個(gè)房屋的面積小于災(zāi)前面積的10%，那么就判定這一房屋已經(jīng)被損毀。

需要注意的是，這里用到了兩個(gè)重要的濾波器。一個(gè)是拉普拉斯濾波，作用是識(shí)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(biāo)記并繪制出來(lái)。另一個(gè)是設(shè)置為10%的“噪聲”濾波，即對(duì)比災(zāi)前和災(zāi)后的圖像，按照10%的閾值過(guò)濾出受災(zāi)的房屋。

相比CNN的方法，這里用到了該問(wèn)題的一個(gè)獨(dú)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(biāo)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(gè)通道的原始圖像，其中除了RGB三原色通道外，還有一個(gè)額外的 Alpha 通道，用來(lái)標(biāo)明每個(gè)像素點(diǎn)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(jié)果，紅色色塊為房屋

OpenCV濾波模型

如圖所示是利用OpenCV開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)實(shí)現(xiàn)的第二個(gè)濾波器，以及濾波結(jié)果，可以看到受災(zāi)房屋被清晰地濾出了（相對(duì)CNN來(lái)說(shuō)）。

OpenCV濾波結(jié)果

如圖所示為兩個(gè)濾波器的作用效果。

兩個(gè)濾波器的綜合作用結(jié)果

在輸出結(jié)論前，還需要將此時(shí)的濾波結(jié)果與災(zāi)前圖像進(jìn)行最后的對(duì)比，用14%的面積閾值判定最終的受災(zāi)房屋情況，以避免此前計(jì)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(jié)果，綠色為災(zāi)前圖像。

識(shí)別出受損房屋之后，借助災(zāi)前OSM數(shù)據(jù)庫(kù)的幫助，還可以通過(guò)QGIS工具方便地導(dǎo)出每間受損房屋的地址列表信息。具體步驟是：首先將災(zāi)前OSM數(shù)據(jù)導(dǎo)入QGIS平臺(tái)最為底層信息，然后導(dǎo)入之前的分析結(jié)果，通過(guò)對(duì)比得到受損房屋的具體位置，然后導(dǎo)入一份XML格式的拓?fù)浣Y(jié)構(gòu)說(shuō)明文件，接著利用SpatiaLite數(shù)據(jù)庫(kù)管理平臺(tái)就能根據(jù)需要導(dǎo)出一份具體房屋和地址相對(duì)應(yīng)的列表信息。

利用 QGIS 和 SpatiaLite 導(dǎo)出地址列表

最終對(duì)比發(fā)現(xiàn)，以CNN技術(shù)為核心的受災(zāi)房屋識(shí)別準(zhǔn)確率只有78%，而拉布拉斯濾波則高達(dá)96.3%。另外，拉布拉斯濾波的這一優(yōu)勢(shì)在災(zāi)前建筑的識(shí)別上也得到了延續(xù)，其正常建筑的識(shí)別準(zhǔn)確率高達(dá)97.9%，而相比之下CNN只有93%。到這里結(jié)論已經(jīng)很明顯了：基于平整度識(shí)別的拉普拉斯濾波最終效果要優(yōu)于基于大數(shù)據(jù)訓(xùn)練的CNN卷積神經(jīng)網(wǎng)絡(luò)。

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(shù)實(shí)現(xiàn)本身，這種根據(jù)特殊問(wèn)題采取特殊處理方法的應(yīng)對(duì)策略，也同樣值得我們思考。

來(lái)源：medium，由雷鋒網(wǎng)編譯

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。