你想要卷积？FME解决方案：针对想要改变栅格世界的人

shiyonghao · 发表于 2021-5-27 14:40

原文链接：https://blog.safe.com/2018/07/fme-and-convolution-evangelist176/

卷积理论

FME 2018.1增加了卷积的能力。

卷积是对两个对象进行数学运算，以便创建第三个对象。在FME术语中，第一个对象是栅格要素，第二个对象是类似栅格的数字矩阵。该操作可以是许多常见的数学运算之一。

使用指定的运算符，利用矩阵处理栅格，返回具有新质量的栅格要素。

理解了？OK，这是一个用于轻微模糊影像的矩阵：

例如. 栅格#1（上图左）加上矩阵，返回略微模糊的栅格#2（上图右）。

如果它有帮助，矩阵和操作的组合被称作“滤波”。所以你选择一个栅格文件，并对其应用滤波。一些人们还称之为“透镜”和“透镜处理”。

它实际做了什么？

如果你跟我一样，你会想知道到底发生了什么，因此我将深入了解一些细节。如果这不适合你，请跳到“FME中的卷积”部分。

还停留在这里？OK，所以发生的事情是滤波器遍历栅格中的每个单元，利用周围的值和矩阵的值，重新计算单元的新值。

举个例子，我们使用这个小方块的栅格数据，中心单元的红色波段值为218，使用模糊滤波：

通过数字滤波器将值218转换为200。为什么？好吧，如果我的数学正确，等式为：

例：在3×3中的每个单元乘以其对应的核并求和。然后除以核的总和16，得到中心单元的新值200。

基本上它是周围值的平均值，每个值通过核进行加权。因此，上述核给予中心单元最高权重（4），邻近单元中等权重（2），对角相邻单元给予低权重（1）。

对应用的栅格要素的每个波段、每个单元重复这个过程，产生期望的输出。计算只对原始值进行操作。当算法处理下一个单元（如上）时，它的邻近值为218，而不是200.

我相信“对应”的矩阵值是相反的（所以对于133*1，这里的“1”是矩阵右下角的值），但是这里的核矩阵是对称的，所以没有区别。

滤波类型

不同的滤波有不同的核以及不同的操作类型（一些为增加，一些为求平均值），所以会产生明显不同的效果。

我不知道为什么上述的过程产生模糊，但即使知道它通常如何工作也很重要。例如，它说明了模糊算法不是简单的降低分辨率（其他方法有可能是这样），而是通过操纵单元格颜色来创建模糊。

我注意到像上面的核，是一组正数，除数为这些值的总和。它们往往是模糊（平滑）滤波。但我也注意到具有负值的核：

这些核值加起来得到一个除数。它们通常用于锐化图像或检测图像边缘。我相信（我不是专家）如果数字大于或小于0，当FME使用该滤波时，图像变暗或明亮。

无论如何，我认为这是我关于滤波和核值理论的知识极限。让我们来看看它是如何在FME中实现的......

FME中的卷积

FME中执行卷积的转换器是RasterConvolver。它的别名是RasterLensProcessor，对于快速添加，“nvo” 或 “rlp”是用于找到它的唯一代码。

RasterConvolver的参数对话框如下所示：

顶部下拉选项显示了一组不同的预置滤波器：

所以你可以使用它们中的任意一个对你的栅格数据进行处理，并产生一定的效果。例如，这有一个用于高程模型的线检测核。

选择一个固定滤波器会自动设置核、除数和操作字段。你只需要更改它们就可以创建自定义滤波器。说到哪…

自定义滤波器

我想创建一个自定义滤波器，例如模糊效果还不够，我希望一个更大的模糊。这很简单，我只需要编辑对话框中的值：

这里我只更改了权重，并设置匹配的除数，虽然我可以设置一个不同的核大小或操作。顺便说一下，我们允许的核大小通常为3×3, 5×5, 7×7, 9×9, 和11×11。不允许非正方形核。

这些变化导致的结果（从左到右）原始—高斯滤波—用户自定义滤波：

注意滤波使得底部文本逐渐不便阅读。放大后差异更明显：

但是矩阵中的数字意味着什么。我所做的就是通过减少中心权重和增加周围的权重，将权重从中心转移到周围的单元上。除数现在为21，因为权重增加到21。为了保存这些数字，我还可以设置Divisor（除数）为特定设置“Sum of Kernel Weights”:

我花了一些时间来研究和理解这个概念，我并不会觉得卷积就是这么简单。但是，很容易通过设置来进行试验，查看发生的情况，包括一些高级选项。

高级选项

RasterConvolver有一些高级控制选项。它们的影响不大，但是可能很重要，这是我在这里提到它们的原因。

动态核函数

我把它们称为动态核函数，因为我想不出来其他的称呼了。实际上就是你可以通过属性、用户参数或条件值来设置核权重。通过把kernel size设置为“Derived from Weights”实现：

现在我有一个文本字段而非网格来定义核值，可以有多种方法。这个参数接受空格分割的浮点数列表。只接受矩形核函数，但是你可以设置权重为0以避免使用某些单元格，并创建自定义形状。

边缘处理

关键的考虑是在图像边缘发生什么。如果每个新的单元格都使用它的邻近值进行计算，对于一侧没有邻近值的边缘单元格来说会发生什么？FME对此有相应的设置：

当单元格缺失时，FME给你选项：使用Nodata值或将边界值扩展到空的区域。结果的差异（对于一个5×5的高斯滤波）如下：

这是西南角，所以查看左边和底部边缘。使用Nodata（左边的图像）似乎给出了更生硬的边界，边界线更清晰。扩展边界值给出了更柔和的边界。如果我想要进行边缘检测，我想我会首先尝试设置扩展值，否则栅格边框可能会被误解为边缘（我很可能是错的）。

Nodata 处理

说到Nodata，栅格中的Nodata值会发生什么取决于一组参数：Center Pixel和Neighbor Pixel：

Center Pixel处理的场景为：待处理的像素值为Nodata。它可以输出为Nodata或忽略Nodata。相似的邻近像素如果为Nodata，可以被忽略，或使用中心像素值替换。如果你知道有Nodata值，我怀疑你只会忽略Nodata，大概这就是它是默认设置值的原因。

最后，一个不受参数控制的高级选项是对栅格特定波段进行卷积的能力；例如我想对RGB图像中的红、绿波段进行卷积，而不对蓝波段进行操作。为了做到这个，我只需要在RasterConvolver前添加一个RasterSelector，以便定义待处理的波段。

为什么要卷积?

了解了这些，这个转换器的实际应用是什么？

首先它用于图像处理，例如模糊和锐化图像。你可能不觉得很有用，但是模糊（平滑）图像有助于隐藏噪声、产生细节。我们来看这个示例，我们希望定位海洋中船的位置，使用简单的高斯滤波：

虽然我们要找的船更加模糊，但是卷积去除了水面上的极端反射。当我搜索在整个图像搜索亮点来找船时（使用RasterExpressionEvaluator），区别在于：

没有卷积的图像具有上千个可能是船的亮点。卷积后的图像具有三个明显点。即使是船的尾迹也被清理干净了。

所以这样的核函数对于图像分类是有用的。除了在海上定位船舶外，它们还可以帮助你提取建筑区域，评估农业清单或模拟洪水影响。此外，一系列栅格图像可以显示随着时间的推移，船舶所在的位置，有助于追踪特定船舶的位置或它来自何处。甚至可以进行车辆监测和追踪！

从栅格图像中提取矢量几何图像是另外常见的需求。第一步通常是边缘检测，卷积对此也有用。RasterConvolver转换器又很多不同的边缘检测核。

我无法创建一个我非常满意的空间示例，但我确实发现它们也可以从先前的平滑例子中受益。该图像是各种非空间边缘检测的示例。

另外，如图所示，RasterConvolver不局限于图像。它也可以处理栅格DEM。例如，我找到一个生成坡度的核。我用它对我的数据进行处理，得到与RasterSlopeCalculator转换器（Percent Rise模式）相同的结果。为了清晰可见，转到Int8，它看起来如下所示：

好吧，我说“完全”。它在Data Inspector中看起来完全一样，但是数字略有不同。我认为这两个结果只是在不同的尺度上。我将使用RasterSlopeCalculator作为最终的答案，因为它告诉我数字的含义（坡度百分比），而我不确定卷积的数字是否真正代表什么。但是，它显示了在DEM数据集上使用RasterConvolver你可以做的事情。

顺便说一下，我的工作空间是这样的：