위성 이미지에서 산사태 스케일링 예측

산사태는 경사면 아래의 암석, 파편 또는 흙 덩어리로 정의되는 자연 재해입니다. 산사태는 중력의 직접적인 영향을받는 토양과 암석의 내리막 이동으로 표시됩니다. "산사태"라는 용어는 5 가지 경사 이동 모드를 포함합니다 : 낙하, 전복, 미끄러짐, 퍼짐 및 흐름 [1] [2] [3].

그림 1. 필리핀에있는 마을에 산사태 공격 — 님의 사진 David Mark
그림 2. 산사태 사건 — Pixabay의 Hans Braxmeier 님의 이미지입니다.

최근에는 위성 기술과 원격 감지 기술이 빠르게 발전하고 있습니다. 지구를 포착하기위한 위성 원격 감지의 적용은 수와 이미지 품질면에서 빠르게 증가하고 있습니다. 그것은 지구 표면 모니터링에서 중요한 역할을합니다.

그림 3. 위성 이미지의 산사태 지역 — [4]의 이미지 소스

우리의 주요 목표는이 백서에서 위성 이미지에서 산사태를 감지하는 방법론을 이해하고 구현하는 것입니다. 서로 다른 시간에 감지 된 산사태 지역에서 산사태 스케일링 (산사태 발생 또는 감소)이 표시됩니다. 이 기사는 "위성 건축에서 산사태 인식을위한 심층 학습"이라는 제목으로 공개 논문의 설명 버전입니다. 내 논문의 두 번째 섹션을 수행하고 구현하는 방법에 대한 세부 정보가 제공됩니다. 게다가, 나는 또한 내 출판물의 단계별 소스 코드를 공유합니다. 연구 논문의 솔루션을 현실 세계에서 구현할 수 있기를 바랍니다. 이를 위해 연구 논문을 출판 할 예정이라면 저의 논문을 공유하거나 저의 출판물을 참고하시기 바랍니다.

TA Bui, PJ Lee, KY Lum, C. Loh 및 K. Tan, "위성 아키텍처에서 산사태 인식을위한 심층 학습", IEEE Access , vol. 8, pp. 143665–143678, 2020, doi : 10.1109 / ACCESS.2020.3014305 .

그림 4. 위성 아키텍처에서 산사태 인식을위한 딥 러닝 — 그래픽 요약 [4]

그림 4는 CNN 모델과 H-BEMD 알고리즘이 도입 된 결합에 의한 산사태 탐지의 짧은 프로세스를 보여줍니다. 서로 다른 시간 (2013 년 9 월 15 일 및 2014 년 9 월 18 일)에 캡처 된 위성 이미지에서 산사태가 더 크게 변경되고 산사태 규모 (산사태 방향)를 감지하기 쉽다는 것을 알 수 있습니다.

1. H-BEMD에 의한 산사태 지역 탐지 (Hue — Bi-Dimensional Empirical Mode Decomposition)

Hue — 2 차원 경험적 모드 분해 (H-BEMD)는 논문 [4]에 소개 된 알고리즘입니다.

1.1. 위성 이미지에서 Hue 채널을 사용하여 물체를 감지하는 이유는 무엇입니까?

HSV는 이미지 강도라고도하는 색차에서 휘도로 구분됩니다. 위성 이미지는 날씨에 따라 좌우되며 특히 각 샷의 조명 조건이 다릅니다. 그림 5는 다른 조명 조건에서 동일한 위치의 RGB 위성 이미지를 보여줍니다.

그림 5. RGB, 히스토그램 및 색조 채널 [4]

세 이미지 (a, d, g) 간의 히스토그램 값은 다르지만 색조 채널은 동일합니다. 따라서 색조 이미지 채널은 위성 이미지에서 산사태 물체를 감지하기 위해 선택됩니다.

RGB 이미지를 Hue 채널 이미지로 변환하려면 OpenCV가 좋고 쉬운 방법입니다. 기본적으로 OpenCV는 RGB를 8 비트 / 값 (np.uint8-0에서 255)으로 HSV 채널로 변경합니다. 그러나 Hue 값은 원으로 표시됩니다 (0 ~ 360도). 따라서 다음 코드는 RGB를 전체 값 범위로 HSV로 변경하는 방법을 보여줍니다. 이 경우 부호없는 정수 16 비트가 Full Hue 값에 적용됩니다.

1.2. H-BEMD 순서도 및 소스 코드

이 부분에서는 자세한 H-BEMD 알고리즘을 소개합니다. 먼저 그림 6은 H-BEMD로 변환 된 이미지를 얻는 과정을 보여줍니다.

그림 6. H-BEMD 순서도 [4]

H-BEMD는 무엇입니까?
H-BEMD는 BEMD 알고리즘의 개선 된 버전입니다. 원본 BEMD [5]는 RGB의 Gray 이미지에 적용되며, 값 범위 (8 비트 / 값)는 0에서 255까지입니다. 그러나 Hue 채널에 적용 할 경우 BEMD는 보정 된 결과를 얻지 못합니다 (산사태 영역 ) BEMD의 주요 핵심 포인트는 이미지 신호의 극한을 감지하기 때문입니다. 따라서 Hue 값에는 Sin 및 Cosin 값이 적용됩니다. 그런 다음 죄와 코사인의 극한이 감지됩니다. 마지막으로 arctan2는 극한 죄와 코사인을 결합하는 데 사용됩니다. Hue 채널의 극한값입니다.

계속해서 H- BEMDimfs_cos_hueimf_sin_hue 를 얻는 방법에 대한 세부 정보를 제공합니다 .

H-BEMD의 세부 사항은 무엇입니까?

sin (hue) 및 cos (hue) 값은 각각 θ 및 φ로 표시됩니다. H-BEMD는 H-BEMD 선별 과정을 통해 색조 이미지 (θ 및 φ)의 사인 및 코사인을 흐름으로 적응 적으로 분해합니다.

  • 1 단계 : 형태 학적 알고리즘에 의해 θ의 극한 점 (최대 및 최소)을 감지합니다.
  • 2 단계 : RBF (Radial Basis Functions) [23]를 사용하여 각각 θ의 최대 값과 최소 점을 연결하여 새로운 2D '봉투'를 생성합니다.
  • 3 단계 : 섹션 2.2.2에 제시된대로 2D '봉투'를 정규화합니다.
  • 3 단계 : 두 봉투를 평균하여 국소 평균 mθ를 결정합니다.
  • 4 단계 : 이미지에서 평균 빼기 : ϑi = θ−mθ;
  • 5 단계 : φ, ωi = φ−mφ에서 1 ~ 4 단계를 따릅니다 .
  • 6 단계 : θ = ϑi 및 φ = ωi 및 i : = i + 1을 사용하여 선별 과정을 반복합니다.

그림 7. H-BEMD에 의한 산사태 지역 탐지 [4]

2. 산사태 지역 분할

먼저 Hue 채널에 대한 짧은 리뷰에 중점을 둡니다. 그림 8은 Hue 값의 아키텍처를 보여줍니다.

그림 8. 색조 채널 [4]

이 기사에서는 330 °에서 90 ° 사이의 값 범위로 산사태 지역을 정의하는 방법을 소개합니다. 산사태를 정의하는 자세한 파이썬 코드는 다음과 같습니다.

3. 산사태 크기 및 방향 감지

서로 다른 시간에 캡처 된 두 개의 위성 이미지는이 섹션의 테스트 순서도를 표시하는 데 사용됩니다.

그림 9. 위성 이미지의 산사태 개체. (a) 네팔의 Jure 산사태는 2013 년 9 월 15 일 t1 시간에 포착되었습니다. (b) 2014 년 9 월 18 일 포착 된 네팔의 Jure 산사태 — 시간 t2 [4]

그림 10은 그림 9의 H-BEMD 결과입니다.

그림 10. H-BEMD 결과 [4]
그림 11. 그림 10의 산사태 라벨링 [4]
그림 12. 산사태 지역 위치. [4]

그림 12에서 각 산사태 지역의 중심점이 정의됩니다. 그림 13 이하의 소스 코드는 자세한 중심점과 파이썬 코드에서 중심점을 얻는 방법을 보여줍니다.

그림 13. 산사태 지역의 중심. [4]

산사태 스케일링의 방향은 녹색 점과 적색 점으로 정의됩니다. 아래에 자세한 소스 코드가 있습니다. 그림 14는 소스 코드의 결과를 보여줍니다.

그림 14. 산사태 방향 [4]

산사태 방향에 따라 어떤 지역이 위험하고 그 영향으로 쉽게 영향을 받는지 쉽게 정의 할 수 있습니다. 그로부터 피해 지역에 사는 사람들을 정확하게 예측할 수 있습니다.

이 기사가 여러분에게 도움이되기를 바라며 위성 데이터를 생명에 적용하는 간단한 관점을 만들었습니다.

참조 :
[1]https://www.usgs.gov/faqs/what-a-landslide-and-what-causes-one
[2] https://www.taiwannews.com.tw/en/news/1238060
[삼] https://vov.vn/en/society/massive-landslides-bury-residents-and-houses-in-lai-chau-377950.vov
[4] TA Bui, PJ Lee, KY Lum, C. Loh 및 K. Tan, "위성 아키텍처에서 산사태 인식을위한 딥 러닝", IEEE Access , vol. 8, pp. 143665–143678, 2020, doi : 10.1109 / ACCESS.2020.3014305 .
[5] JC Nunes, Y. Bouaoune, E. Delechelle, O. Niang 및 P. Bunel, "2 차원 경험적 모드 분해에 의한 이미지 분석", Image Vis. 계산. , vol. 21, 아니. 12, pp. 1019–1026, 2003 년 11 월.

Suggested posts

디지털 이미지 처리의 기하학적 변환

디지털 이미지 처리의 기하학적 변환

두 이미지의 차이를 조사하고자하는 두 이미지가 주어 졌다고 가정 해 보겠습니다. 두 이미지가 서로 다른 좌표계에있을 수 있으므로 중첩 될 때 기하학적으로 정렬되지 않을 수도 있습니다.

디지털 이미지 처리 Part-3

디지털 이미지 처리 Part-3

참고 :이 책은 Digital Image Processing, 4th Edition Rafael C. Gonzalez, University of Tennessee Richard E.

Related posts

Spotify의 마법 성분 : 기계 학습

Spotify의 마법 성분 : 기계 학습

면책 조항 :이 기사는 Spotify와 관련이 없으며 Spotify 및 현재 관련이 없을 수있는 과거 구조에 대한 확인되지 않은 정보로 구성 될 수 있습니다. 음악은 표현의 한 형태, 예술의 형태, 전체적인 문화 활동입니다.

2021 년 2 월에 읽을 4 가지 딥 러닝 논문

2021 년 2 월에 읽을 4 가지 딥 러닝 논문

신경 과학에서 자동 분화, 신경망 이론 및 신경 과정의 과소 적합에 이르기까지 현재 추구되고있는 다양한 딥 러닝 연구 흐름에 대한 더 나은 개요를 얻고 싶으십니까? 합리적으로 통과하기에는 열려있는 arXiv 탭이 너무 많습니까? 전체 동영상을 볼 시간이 너무 적습니까? 논문의 핵심 아이디어와 개념에 대한 간략한 요약 만 있다면. 그런 다음 '머신-러닝-콜라주'시리즈를 소개하게되어 기쁩니다.

내부의 관심 네트워크 그래프

수학에서 NumPy까지 단계별 가이드

내부의 관심 네트워크 그래프

그래프 신경망 (GNN)은 그래프 데이터에서 학습 할 수있는 표준 도구 상자로 등장했습니다. GNN은 콘텐츠 추천 또는 신약 발견과 같은 다양한 분야에서 영향이 큰 문제를 개선 할 수 있습니다.

분할에 대한 고정 2 부 : Python으로 이미지 분할을 수행하는 방법

분할에 대한 고정 2 부 : Python으로 이미지 분할을 수행하는 방법

안녕하세요! 이미지 분할에 대한이 짧은 시리즈의 첫 번째 부분을 읽지 않았다면 여기에서 읽으십시오. 이전 이야기에서 임계 값 및 색상 분할에 대해 논의 했으므로 2 부에서는 색도 분할과 이미지 차이에 중점을 둘 것입니다.