近年来，卷积神经网络（CNN）以其局部权值共享的特殊结构在语音识别和图像处理等方面得到了快速发展，特别是大型图像处理方面，更是表现出色，逐渐成为了行业内一个重要的技术选择。
不过，好用并不代表万能。这里雷锋网从一个卫星图像分析的具体实例出发，介绍了CNN建模和本地拉普拉斯滤波这两种分析技术的效果对比，最终我们发现，本地拉普拉斯滤波的效果反而更好。
为了从卫星图像中分析和评估一项自然灾害造成的损失，首先需要得到相关地理区域实时的高分辨率的卫星图像，这是进行后续所有分析的数据基础。目前，除了Google Earth之外，最方便也最经济的数据来源就是OSM（OpenStreetMap）开源地图计划。该计划于2004年在美国创立，类似于维基百科，鼓励全球用户自由无障碍地分享和使用地理位置数据。
由于OSM提供的是矢量数据（Vector Data），为了便于空间分析和地表模拟，因此需要利用GDAL（Geospatial Data Abstraction Library）库中的 gdal_rasterize 工具将其转化为栅格数据（Raster Data）。
雷锋网注：矢量数据和栅格数据都是地理信息系统（GIS）中常见的分析模型。其中栅格结构是以规则的阵列来表示空间地物或现象分布的数据组织，组织中的每个数据表示地物或现象的非几何属性特征。特点是属性表现明显，便于空间分析和地表模拟，但定位信息隐含。而矢量数据结构是通过记录坐标的方式尽可能精确地表示点、线和多边形等地理实体，坐标空间设为连续，允许任意位置、长度和面积的精确定义。特点是定位信息明确，但属性信息隐含。
得到栅格数据之后，下一步是利用Caffe开源框架和CNN模型对系统进行训练。如图所示为CNN模型的一种参数设置。
CNN模型的一种参数设置
利用大量数据训练得到的卷积神经网络模型处理灾后的图像，识别出的受灾房屋情况如图所示（图中白色色块代表房屋，具体可对比后面拉普拉斯滤波的处理结果）。
CNN的分析结果，左图为灾前的图像，右图为灾后的图像
另一种方式是跨过GDAL转换，利用拉布拉斯滤波直接在矢量数据的基础上进行分析。
具体方法是：对比灾前和灾后两张图像，识别房屋的变化和两个图像的重叠部分，从而对受灾程度做出评估。本例中将对比阈值设为10%，即如果灾后图像中某个房屋的面积小于灾前面积的10%，那么就判定这一房屋已经被损毁。
需要注意的是，这里用到了两个重要的滤波器。一个是拉普拉斯滤波，作用是识别出图像中所有突出的不平整的部分（这里即所有的房屋轮廓），然后将其标记并绘制出来。另一个是设置为10%的“噪声”滤波，即对比灾前和灾后的图像，按照10%的阈值过滤出受灾的房屋。
相比CNN的方法，这里用到了该问题的一个独特属性，即房屋总是高于地面的，而且利用多边形方块可以清晰地标出其轮廓。
拉普拉斯滤波模型
如图所示为 Matlab 建模的本地拉普拉斯滤波窗口，其中“img”变量为包含4个通道的原始图像，其中除了RGB三原色通道外，还有一个额外的 Alpha 通道，用来标明每个像素点的灰度信息。而变量“img1”是与“img”完全相同的图像，只是被滤除了 Alpha 通道。
拉普拉斯滤波结果，红色色块为房屋
OpenCV滤波模型
如图所示是利用OpenCV开源计算机视觉库实现的第二个滤波器，以及滤波结果，可以看到受灾房屋被清晰地滤出了（相对CNN来说）。
OpenCV滤波结果
如图所示为两个滤波器的作用效果。
两个滤波器的综合作用结果
在输出结论前，还需要将此时的滤波结果与灾前图像进行最后的对比，用14%的面积阈值判定最终的受灾房屋情况，以避免此前计算中引入的误差。
14%面积的阈值判定
如图所示，其中黄色为拉普拉斯滤波的结果，绿色为灾前图像。
识别出受损房屋之后，借助灾前OSM数据库的帮助，还可以通过QGIS工具方便地导出每间受损房屋的地址列表信息。具体步骤是：首先将灾前OSM数据导入QGIS平台最为底层信息，然后导入之前的分析结果，通过对比得到受损房屋的具体位置，然后导入一份XML格式的拓扑结构说明文件，接着利用SpatiaLite数据库管理平台就能根据需要导出一份具体房屋和地址相对应的列表信息。
利用 QGIS 和 SpatiaLite 导出地址列表
最终对比发现，以CNN技术为核心的受灾房屋识别准确率只有78%，而拉布拉斯滤波则高达96.3%。另外，拉布拉斯滤波的这一优势在灾前建筑的识别上也得到了延续，其正常建筑的识别准确率高达97.9%，而相比之下CNN只有93%。到这里结论已经很明显了：基于平整度识别的拉普拉斯滤波最终效果要优于基于大数据训练的CNN卷积神经网络。
需要指出的是，上文提到的拉普拉斯滤波法的重要意义并不局限于其技术实现本身，这种根据特殊问题采取特殊处理方法的应对策略，也同样值得我们思考。
来源：medium，由雷锋网编译
正在生成分享图...
卢洁萍