神经网络和局部拉普拉斯滤波方法在高分辨率卫星图像中的应用
原文：Applying Neural Network and Local Laplace Filter Methods to Very High Resolution Satellite Imagery to Detect Damage in Urban Areas
链接：https://medium.com/@eos_da/applying-neural-network-and-local-laplace-filter-methods-to-very-high-resolution-satellite-imagery-3b203e5cc444
自从人类物种诞生以来，我们一直处于大自然的奇想之中。她强大的力量可以摧毁广大地区，给居民带来混乱。利用卫星数据监测地球表面变得越来越重要。灾害和飓风监测系统尤为重要，它们可以帮助人们识别偏远地区的损害，测量事件的后果，并估计特定地区的整体损害。从计算的角度来看，需要实现这样一个重要的任务，以在各种情况下提供帮助。
为了分析和估计灾难的影响，我们使用来自感兴趣区域的高分辨率卫星图像。这可以从谷歌地球获得。我们还可以得到免费的OSM矢量数据，它有一个详细的房屋地面真实掩膜。这是来自纽约的最新矢量zip（图1）。
（OSM：开放式街道地图）
接下来，我们使用一个名为gdal_rasterize的gdal工具对图像进行栅格化（从矢量转换为光栅）。因此，我们从长岛获得了一个训练和测试数据集（图2）。
我们应用了一个深度学习框架caffe进行培训，并建立了卷积神经网络（cnn）的学习模型：
衍生的神经网络使我们能够从事件发生后的目标区域识别预测房屋（图4）。我们也可以使用来自另一个类似领域的数据，而CNN的学习并未受到损害（如果我们无法访问所需领域的数据）。
我们使用矢量化处理建筑物的谓词（提取轮廓，然后将线转换为多边形）（图5）。
另外，我们需要计算得到的预测矢量和原始OSM向量的交集（图6）。这个任务可以通过创建一个新的过滤器来完成，将预测建筑的平方除以原始的OSM向量。然后，我们应用10%的阈值对预测房屋进行过滤。这意味着，如果绿色的房屋面积（图6）比红色的房屋面积少10%，那么真正的建筑物被摧毁了。
使用10%的面积阈值，我们可以移除被摧毁的房屋，并得到一个显示现有建筑的新地图（图7）。通过计算灾前和灾后掩膜之间的差异，我们得到一张被摧毁建筑物的地图（图8）。
我们必须记住，房屋的屋顶在二维图像中表现为平面结构。这是一个重要的功能，也可以用来过滤输入图像。局部拉普拉斯滤波器是区分平面和粗糙表面的一个很好的工具（图9）。第一个图像必须是4通道图像，第四个alpha通道描述输入图像中没有数据值像素。第二个图像（img1）是相同的，一个3通道的RGB图像。
应用此工具可以获得平面的地图。让我们在结合这个过滤器和提取向量图之后，看看那些具有平坦和粗糙纹理的建筑物的新遮罩（图10）。
一个强大的OpenCv计算机视觉库有一个去噪滤波器，它可以帮助去除建筑物平面掩膜上的噪音（图11，12）。
接下来，我们应用过滤器来提取轮廓，并将线条转换为多边形。这使我们能够获得新的建筑物识别结果（图13）。
我们计算从滤波器和地面真值OSM掩膜获得的交叉矢量掩膜的面积，并使用14%的阈值来减少误报（图14）。
因此，我们可以看到一个非常令人印象深刻的新掩膜，它描述了在飓风中幸存下来的房屋（图15）和被毁坏的建筑物的矢量（图16）。
在我们找到被毁坏的房屋后，我们还可以确定它们的位置。对于这项任务，OpenStreetmap非常有用。我们在QGIS中安装了一个OSM插件，并在画布中添加了一个OSM层（图17）。然后，我们添加了一层被摧毁的房屋，我们可以看到它们的所有地址。如果我们想得到一份包含被摧毁建筑物完整地址的文件，我们必须：
1.在qgis中，使用vector/openstreetmap/下载数据并选择具有所需信息的图像。
2.然后在qgis中，使用vector/openstreetmap/从XML导入拓扑并从感兴趣的区域生成数据库。
3.qgis/vector/将拓扑导出到空间站点，并选择所有必需的属性。（图18）
因此，我们可以得到一个完整的清单，包括被摧毁建筑物的地址（图19）。
如果我们比较这两种不同的建筑物识别方法，我们会发现基于CNN的方法在检测被毁房屋方面的准确度为78%，而拉普拉斯滤波器在识别被毁房屋方面的准确度为96.3%。对于现有建筑物的识别，CNN方法的准确率为93%，而第二种方法的检测准确率为97.9%。因此，我们可以得出结论，平面识别方法比基于CNN的方法更有效。
所演示的方法可以立即非常有用，让人们计算灾区的破坏程度，包括房屋被毁的数量和地点。这将大大有助于估计损伤程度，并提供比目前更精确的测量结果。
神经网络和局部拉普拉斯滤波方法在高分辨率卫星图像中的应用相关推荐
- 学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1
基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day1 摘要 一. 引言 摘要 最近,监督深度学习在遥感图像(RSI)语义分割中取得了巨大成功. 然而,监督学习进行语义分割需要大量的标记样本 ...
- 基于全局和局部对比自监督学习的高分辨率遥感图像语义分割day3 - 网络结构
基于全局和局部对比自监督学习的高分辨率遥感图像语义分割day3 - 网络结构 前言 自监督学习部分 语义分割细调部分 总结 前言 想要学习一个网络,最重要的就是网络结构和损失函数,一个讲了网络是怎么学 ...
- 学习笔记-基于全局和局部对比自监督学习的高分辨率遥感图像语义分割-day2
高分辨率遥感图像语义分割-day2 摘要 一.引言 二.方法 2.1 对比学习 2.2 全局风格与局部匹配对比学习网络(GLCNet) 2.2.1 全局风格对比学习模块: 2.2.2局部匹配对比学习: ...
- Google Earth Engine——NICFI 卫星图像开放的免费的高分辨率卫星图像
现在我们使用用于环境监测的分辨率(4.7 米)数据.从 2015 年提供双年度复合卫星影像,从 2020 年 9 月到至少 2022 年 9 月提供月度数据,太棒了!现在我们使用高分辨率(4.7 米) ...
- 采用灰度分组统计方法实现图像中值滤波
中值滤波是图像处理中常用的一种噪声滤波方法.传统的图像中值滤波代码采用排序方法实现,处理速度主要取决于排序算法,但无论什么排序算法,总离不开大量的元素比较.交换或移动,而这些恰好是当前计算机处理的&q ...
- 传统基本图像处理方法：图像增强（灰度变换、直方图增强、空间域滤波、频率域滤波）、图像分割、图像配准等
图像处理设计主要有以下几种处理:图像增强(灰度变换.直方图增强.空间域滤波.频率域滤波).图像分割.图像配准等等. 图像增强: 图像增强作为基本的图像处理技术,目的在于通过对图像进行加工使其比原始图像 ...
- OpenCV3学习（4.2）——图像常用滤波方法（方框、均值、高斯、中值、双边）
滤波处理分为两大类:线性滤波和非线性滤波.OpenCV里有这些滤波的函数,使用起来非常方便,现在简单介绍其使用方法. 线性滤波: 1.方框滤波:模糊图像 2.均值滤波:模糊图像 3.高斯滤波:信号的平 ...
- 三种经典图像滤波方法介绍——双边滤波(Bilateral filter)、导向滤波(Guided Fliter)、滚动导向滤波(RollingGuidedFilter)
文章目录 一.前言 二.双边滤波(Bilateral filter) 2.1 双边滤波的理论介绍及公式推导 2.2 双边滤波的matlab程序实现 三.导向滤波(Guided Fliter) 3.1 ...
- 非局部相似性 matlab,非局部均值滤波(NLM)和MATLAB程序详解视频教程保持图像细节...
[内容简介]<非局部均值滤波与应用和MATLAB程序详解视频>共6章28节视频,总学时698分钟,合11.6小时.主要内容包括:非局部均值滤波类算法入门,基于滤波参数自适应的非局部均值滤波 ...
最新文章
- 图数据库Neo4j简介
- 【计算机网络】网络层 : ARP 协议 ( 使用 ARP 协议查找 目的主机 / 路由器 物理地址 )★
- Spring Cloud Alibaba - 11 Ribbon 自定义负载均衡策略（同集群优先权重负载均衡算法）
- 线性代数一之矩阵转向量随机化求解——神奇的矩阵(BZOJ)+向量内积
- 用ViewPager实现轮播效果
- MVC5应用程序目录
- CSS2.1 盒模型
- ELK-Metricbeat安装及使用
- 程序员最爱字体_网页设计师最爱的十大字体
- RK3568平台开发系列讲解（安卓篇）JNI调用流程分析
- 爬虫 -----beautifulsoup、Xpath、re （三）附淘宝比价定向爬虫
- RGB图像转HSI直方图均衡化后再转回RGB
- html头像动画,用CSS3实现头像旋转效动画
- ShareSDK QQ平台注册
- Cesium基础知识-添加天空盒
- 创建自己的人脸识别程序
- 授权服务器文件包,单包授权认证（SPA）fwknop之安装和演示
- Python turtle 绘制彩色蟒蛇(有注释)
- 消息中间件的应用——谈谈秒杀（转）
- 注册申请企业邮箱后如何使用，企业邮箱有已读回执功能吗？