Ces dernières années, le réseau de neurones convolutionnel (CNN) avec sa structure spéciale des poids locaux partagés obtenus dans la reconnaissance vocale et le traitement d'image tels que le développement rapide, en particulier le traitement d'images à grande échelle, mais aussi des performances exceptionnelles, est devenu l'un de l'industrie importants choix technologiques.
Cependant, facile à utiliser ne signifie pas universelle. Ici réseau Lei Feng d'un exemple spécifique d'analyse d'images satellite, la modélisation et CNN introduit effet local filtrage Laplace de ces deux techniques de comparaison d'analyse, à la fin nous avons constaté que l'effet local de filtrage de Laplace au lieu de mieux.
Convolution réseau de neurones
Afin d'analyser et d'évaluer les dommages causés par des catastrophes naturelles à partir d'une image satellite, vous devez d'abord obtenir la zone géographique pertinente en temps réel des images satellitaires à haute résolution, qui est la base de toute analyse ultérieure des données. À l'heure actuelle, en plus de Google Earth, source la plus pratique et la plus économique des données est l'OSM (OpenStreetMap) programme de cartographie open-source. Le programme a été créé en 2004 aux États-Unis, similaire à Wikipedia, librement accessible aux utilisateurs du monde entier pour encourager le partage et l'utilisation des données de localisation.
Étant donné que les données vectorielles est fourni OSM (données vectorielles), afin de faciliter l'analyse spatiale et la simulation de la surface, utilisant ainsi les outils de gdal_rasterize bibliothèque GDAL (Geospatial Data Abstraction Library) converties en données raster (données raster).
Lei Feng réseau Note: Les données du modèle d'analyse de données vectorielles et matricielles sont des systèmes d'information géographique (SIG) en commun. Dans lequel la matrice est une donnée régulière de la structure de grille pour représenter chacun des objets spatiaux ou de la distribution tissulaire de phénomènes, les propriétés du tissu caractéristique indique caractéristique non géométrique ou d'un phénomène. Caractérisé par attributs de performance clairs, faciles à l'analyse spatiale et modélisation de la surface, mais les informations de positionnement caché. La structure de données de vecteur est représenté plus fidèlement les points possibles, des lignes et des polygones d'entité géographique en enregistrant les coordonnées de la voie, afin de coordonner de façon continue l'espace, ce qui permet position arbitraire définie précisément, la longueur et la surface. Est fonction des informations de localisation explicitement, mais les informations d'attributs implicitement.
Après l'obtention de données de trame, l'étape suivante consiste à former le système à l'aide du cadre ouvert de source et modèle Caffe CNN. Comme cela est représenté en tant que paramètre modèle CNN.
Un modèle paramétrique de l'ensemble CNN
Circonvolution formation de réseau de neurones pour obtenir une grande quantité de données traitées catastrophe d'image, identifier la situation comme indiqué dans le logement affecté (Représentant du logement La couleur blanche, en particulier le résultat du traitement peut être comparé plus tard dans le filtre Laplacien).
L'analyse de CNN, la gauche est l'image avant la catastrophe, le droit est l'image de la catastrophe
filtre laplace
Une autre façon est traversé la conversion GDAL, le filtrage en utilisant Rab Las directement analysé sur la base des données de vecteur.
La méthode spécifique est: la partie de chevauchement du contraste avant et après une catastrophe deux images, et changer les maisons d'identification à deux images, de sorte que l'évaluation de l'importance des dégâts. Cet exemple est fixée à 10% du seuil de contraste, à savoir, si la zone de l'image d'un logement post-catastrophe moins de 10% avant la zone de la catastrophe, alors il est déterminé que le boîtier a été endommagé.
Il convient de noter ici utilise deux filtres importants. Est un filtre Laplacien, est d'identifier toutes les irrégularités partie en saillie (à savoir, où tous les contours maisons) images, puis étiquetés et tracés. L'autre est fixée à 10% du filtre « bruit », à savoir avant que le contraste de l'image et de catastrophe d'urgence, filtré seuil de boîtier affectée de 10 pour cent.
Par rapport à la méthode de CNN, utilisé ici avec un attribut unique à ce problème, cette maison est toujours plus élevé que le sol et l'utilisation de blocs polygonaux peut marquer clairement son contour.
modèle de filtre de Laplace
Comme le montre la modélisation locale Matlab Laplacien fenêtre de filtre, dans lequel la variable « img » contient l'image originale de quatre canaux, dans lequel en plus des canaux de couleur RVB, il y a un canal alpha supplémentaire, utilisé pour identifier chaque une information de gradation de pixels. Et la variable « img1 » est identique à l'image « img », seulement à filtrer sur le canal Alpha.
Résultats du filtrage laplace, la couleur rouge pour la maison
OpenCV modèle de filtre
Comme le montre en utilisant la bibliothèque de vision informatique open source OpenCV mis en uvre un second filtre, et un résultat de filtre peut être vu des maisons clairement affectées ont été filtrés (relativement parlant CNN).
résultat Filtrage OpenCV
Montré comme les fonctions et les effets des deux filtres.
L'effet combiné des deux résultats filtres
Avant la sortie de conclusion, dans ce cas aussi besoin du résultat filtré finale par rapport à l'image avant la catastrophe, la détermination finale du boîtier de cas, la zone touchée avec 14% du seuil, afin d'erreurs ÉVITEZ introduites dans les calculs précédents.
14% de la superficie de la détermination de la valeur de seuil
Comme on le voit, le résultat filtre Laplacien jaune, l'image verte avant la catastrophe.
Après avoir reconnu les maisons endommagées, avec l'aide de la base de données de l'OSM pré-catastrophe, vous pouvez également exporter l'adresse Chaque maison endommagée par des informations de liste d'outils QGIS facilement. Des mesures spécifiques: d'une part des données pré-catastrophe conduisent OSM QGIS l'information de la plate-forme la plus sous-jacente, et d'analyser les résultats avant l'introduction, obtenue en comparant l'emplacement spécifique des maisons endommagées, puis l'introduction d'un fichier de topologie décrit au format XML, puis en utilisant la base de données SpatiaLite selon la plate-forme de gestion de l'information pourra être exporté vers une adresse d'accueil spécifique et la liste correspondante.
SpatiaLite utilisation QGIS et exporter la liste d'adresses
La comparaison finale, avec CNN que la technologie de base du taux de précision de la reconnaissance des maisons touchées de seulement 78%, tandis que le filtre Raab Las est aussi élevé que 96,3%. De plus, cet avantage Rab Las filtrer sur l'identification des bâtiments avant la catastrophe a également été étendue, son taux de précision de la reconnaissance jusqu'à 97,9% de la construction normale, contre seulement 93% de CNN. Conclusion ici est déjà évidente: la reconnaissance planéité basée sur le filtre Laplacien est mieux que la formation neuronale finale CNN convolutionnel réseau basé sur des données volumineuses.
Il convient de noter que l'importance de la méthode de filtrage de Laplace mentionné ci-dessus ne se limite pas à sa propre technologie, ces stratégies d'adaptation méthode de traitement spécial selon le numéro spécial, il est également digne de notre considération.
Source: moyen, compilé par le réseau Lei Feng
