近年來,，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(nèi)一個重要的技術(shù)選擇,。

不過,，好用并不代表萬能。這里雷鋒網(wǎng)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(shù)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(zāi)害造成的損失,，首先需要得到相關(guān)地理區(qū)域?qū)崟r的高分辨率的衛(wèi)星圖像，這是進行后續(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)濟的數(shù)據(jù)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(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）中常見的分析模型,。其中柵格結(jié)構(gòu)是以規(guī)則的陣列來表示空間地物或現(xiàn)象分布的數(shù)據(jù)組織,，組織中的每個數(shù)據(jù)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(shù)據(jù)結(jié)構(gòu)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(shè)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(shù)據(jù)之后,，下一步是利用Caffe開源框架和CNN模型對系統(tǒng)進行訓(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

另一種方式是跨過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)上進行分析,。

具體方法是：對比災(zāi)前和災(zāi)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(zāi)程度做出評估,。本例中將對比閾值設(shè)為10%，即如果災(zāi)后圖像中某個房屋的面積小于災(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(shè)置為10%的“噪聲”濾波,，即對比災(zāi)前和災(zāi)后的圖像,，按照10%的閾值過濾出受災(zāi)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(jié)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(jié)果，可以看到受災(zāi)房屋被清晰地濾出了（相對CNN來說）,。

OpenCV濾波結(jié)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(jié)果

在輸出結(jié)論前,，還需要將此時的濾波結(jié)果與災(zāi)前圖像進行最后的對比，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。

識別出受損房屋之后,，借助災(zāi)前OSM數(shù)據(jù)庫的幫助,，還可以通過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平臺最為底層信息,，然后導(dǎo)入之前的分析結(jié)果,，通過對比得到受損房屋的具體位置,，然后導(dǎo)入一份XML格式的拓撲結(jié)構(gòu)說明文件，接著利用SpatiaLite數(shù)據(jù)庫管理平臺就能根據(jù)需要導(dǎo)出一份具體房屋和地址相對應(yīng)的列表信息,。

利用 QGIS 和 SpatiaLite 導(dǎo)出地址列表

最終對比發(fā)現(xiàn)，以CNN技術(shù)為核心的受災(zāi)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(zāi)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(jié)論已經(jīng)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(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)實現(xiàn)本身，這種根據(jù)特殊問題采取特殊處理方法的應(yīng)對策略,，也同樣值得我們思考,。

來源：medium，由雷鋒網(wǎng)編譯