原文：Applying Neural Network and Local Laplace Filter Methods to Very High Resolution Satellite Imagery to Detect Damage in Urban Areas
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。
3134
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
