원격 감지 이미지 분류 방법

컴퓨터를 이용해 원격탐사 정보를 자동으로 추출하려면 디지털 영상을 활용해야 한다. 지상 물체는 같은 대역에서 서로 다른 스펙트럼 특성을 갖고, 같은 지상 물체는 서로 다른 대역에서 특정 지상 물체의 특성을 분석해야 하기 때문이다. band 스펙트럼 곡선을 분석하고 특성에 따라 해당 향상 처리를 수행한 후 원격탐사 영상에서 유사한 대상을 식별하고 추출할 수 있습니다. 초기의 자동 분류 및 영상 분할은 주로 스펙트럼 특징을 기반으로 했으나 나중에는 스펙트럼 특징, 질감 특징, 형상 특징, 공간 관계 특징 및 기타 포괄적인 요소를 결합한 컴퓨터 정보 추출로 발전했습니다.

일반적으로 사용되는 정보 추출 방법은 원격탐사 영상을 컴퓨터로 자동 분류하는 방식이다. 먼저, 원격탐사 영상에 대한 실내 사전 해석을 수행한 후, 다양한 유형의 표면 물체와 영상 특징 간의 일치성을 확립하고 실내 사전 판단 결과를 검증하기 위해 현장조사를 실시한다. 작업이 실내로 이동한 후 훈련 샘플을 선택하여 통계적으로 분석하고, 원격탐사 데이터를 적절한 분류기를 사용하여 분류하고, 분류 결과를 후처리한 후 최종적으로 정확도 평가를 수행합니다. 원격탐사 영상의 분류는 일반적으로 지상 물체의 분광 특성, 지상 물체의 형상 특성, 공간 관계 특성 및 기타 특성을 기반으로 합니다. 현재 대부분의 연구는 여전히 지상 물체의 분광 특성을 기반으로 합니다.

컴퓨터 분류 전에 대상의 특성을 강조하거나 동일한 유형의 대상의 서로 다른 부분 간의 차이점을 제거하기 위해 수정, 향상, 필터링 등과 같은 일부 전처리가 필요한 경우가 많습니다. 다양한 조명 조건, 지형 변화, 스캐닝 관찰 등 다양한 각도로 인한 밝기 차이.

분류를 위해 원격 감지 이미지를 사용하는 것은 단일 픽셀 또는 상대적으로 동질적인 픽셀 그룹에 특성에 맞는 이름을 부여하는 것입니다. 원격 감지 이미지를 자동으로 분류하기 위해 이미지 인식 기술을 사용하는 것입니다. 컴퓨터가 식별하고 분류하는 데 사용되는 주요 기호는 물체의 스펙트럼 특성입니다. 크기, 모양, 질감 및 기타 기호와 같은 이미지의 기타 정보는 완전히 활용되지 않았습니다.

일반적인 컴퓨터 이미지 분류 방법에는 지도 분류와 비지도 분류라는 두 가지 방법이 있습니다. 지도 분류를 위해서는 먼저 분류할 이미지 영역에서 일부 훈련 샘플 영역을 선택해야 하며, 이러한 훈련 영역에서는 특징의 범주가 알려져 있으며 이를 사용하여 분류 표준을 설정한 다음 컴퓨터가 전체 이미지에 대해 분류를 수행합니다. 동일한 기준에 따라 식별하고 분류합니다. 알려진 샘플에서 알려지지 않은 영역의 범주를 외삽하는 방법이며, 비지도 분류는 선험적(알려진) 범주 표준이 없는 분류 방법입니다. 연구할 객체와 영역에 대해 표준으로 알려진 카테고리나 훈련 샘플이 없습니다. 대신 이미지 데이터 자체를 특징 측정 공간에서 그룹으로 클러스터링하여 먼저 각 데이터 세트를 구성한 다음 이러한 데이터 세트가 무엇인지 확인할 수 있습니다. 객체 카테고리를 나타냅니다.

지도 분류에 비해 비지도 분류는 연구 대상 분야에 대한 사전 지식이 필요하지 않으며 분류 결과 및 정확도 요구 사항과 동일한 조건에서 시간과 비용이 더 짧다는 장점이 있습니다. . 비용이 절약되지만 실제로는 비지도 분류가 지도 분류만큼 정확하지 않으므로 지도 분류가 더 널리 사용됩니다.

점, 점, 격자, 능선 및 격자를 비롯한 다양한 질감 형태가 이미지에 규칙적으로 다시 나타납니다. 이러한 형태를 바탕으로 두께, 밀도, 폭, 길이, 직진도, 경사도, 은폐도 등의 조건에 따라 더 많은 종류로 세분화할 수 있습니다. 각 유형의 지상 물체는 이미지에 고유한 질감 패턴을 가지고 있으므로 이 이미지의 특징을 통해 지상 물체를 식별할 수 있습니다. 텍스처는 세 가지 주요 기호가 있는 밝기(회색조)의 공간적 변화를 반영합니다. 특정 로컬 시퀀스는 시퀀스보다 더 큰 영역에서 반복됩니다. 시퀀스는 각 부분의 무작위 배열로 구성됩니다. 텍스처 영역 내 모든 곳에서 거의 동일한 구조적 치수를 갖는 균일한 단위입니다. 이 시퀀스의 기본 부분을 종종 텍스처 프리미티브라고 합니다. 따라서 텍스처는 일정한 결정론적 규칙이나 통계적 규칙에 따라 배열된 프리미티브들로 구성된다고 볼 수 있는데, 전자를 결정론적 텍스처(인공 텍스처 등), 후자를 랜덤 텍스처(또는 자연 텍스처)라고 합니다. 질감의 설명은 질감의 두께, 매끄러움, 세분성, 무작위성, 방향성, 선형성, 주기성 및 반복성과 같은 질적 또는 양적 개념적 특징으로 특징지어질 수 있습니다.

해당하는 수많은 텍스처 특징 추출 알고리즘은 구조적 방법과 통계적 방법이라는 두 가지 주요 범주로 요약될 수도 있습니다. 구조적 방법은 텍스처를 특정 배열 규칙에 따라 기본 텍스처 요소로 구성된 주기적 반복 패턴으로 간주하므로 텍스처 요소와 배열 규칙을 결정하는 데 전통적인 푸리에 스펙트럼 분석 방법이 자주 사용됩니다. 또한, 구조요소 통계, 문법적 질감 분석 등도 흔히 사용되는 추출 방법이다. 구조적 방법은 자연경관에서 불규칙한 질감을 추출하는데 어려움을 겪는다. 이러한 질감은 질감 요소의 반복을 통해 표현하기 어렵고, 질감 요소의 추출과 배열 규칙의 표현 자체가 매우 어려운 문제이다. 원격탐사 이미지의 대부분의 텍스처는 무작위이며 통계적 텍스처 분석이 일반적으로 사용됩니다. 현재 사용되는 방법에는 ***생성 행렬 방법, 프랙탈 차원 방법, 마르코프 랜덤 필드 방법 등이 있습니다. 생성된 행렬은 비교적 전통적인 질감 기술 방법으로, 이미지 질감 특성을 여러 측면에서 설명할 수 있습니다.

이미지 분할이란 이미지를 고유한 특성을 지닌 영역으로 분할하고 관심 개체를 추출하는 기술 및 프로세스를 의미합니다. 여기서 특성은 픽셀 회색조, 색상, 질감 등이 될 수 있습니다. 미리 정의된 대상은 A에 해당할 수 있습니다. 단일 영역은 여러 영역에 해당할 수도 있습니다.

이미지 분할은 이미지 처리부터 이미지 분석까지의 핵심 단계로, 이미지 엔지니어링에서 중요한 위치를 차지합니다.

한편으로는 대상 표현의 기초이며 특징 측정에 중요한 영향을 미칩니다. 왜냐하면 이미지 분할과 대상 표현, 분할을 기반으로 한 특징 추출 및 매개변수 측정이 원본 이미지를 보다 추상적으로 변환하기 때문입니다. 컴팩트한 형태로 보다 높은 수준의 이미지 분석과 이해가 가능합니다.

이미지 분할은 이미지 이해의 기본이며 이론적으로 이미지 분할은 이미지 이해에 따라 달라지며 서로 밀접하게 연관되어 있습니다. 이미지 분할은 일반적으로 매우 어려운 문제이다. 현재 이미지 분할은 이미지의 전처리 단계로 일반적으로 사용되는 기술로, 예를 들어 가장 많이 사용되는 문제이다. 이미지 분할은 임계값 처리를 사용합니다.

이미지를 분할하는 방법에는 세 가지가 있는데, 하나는 각 픽셀을 해당 객체나 영역에 할당하는 픽셀 클러스터링 방식, 즉 영역 간의 경계를 직접 결정하는 방식입니다. 분할을 달성하는 세 번째 경계 방법은 먼저 가장자리 픽셀을 감지한 다음 가장자리 픽셀을 연결하여 분할을 형성하는 것입니다.

분할 중에 임계값은 개체를 배경 픽셀과 구별하기 위한 임계값으로 사용됩니다. 임계값보다 크거나 같은 픽셀은 개체에 속하고 다른 픽셀은 배경에 속합니다. 이 방법은 물체와 배경 사이에 뚜렷한 차이(대비)가 있는 장면 분할에 매우 효과적입니다. 실제로 실제 이미지 처리 시스템에서는 임계값 기술을 사용해야 합니다. 물체와 배경을 효과적으로 분할하기 위해 사람들은 전역 임계값, 적응형 임계값, 최적 임계값 등 다양한 임계값 처리 기술을 개발해 왔습니다.

객체와 배경의 대비가 뚜렷할 경우, 객체의 경계는 이미지에서 가장 기울기가 높은 지점에 있게 됩니다. 추적을 통해 객체의 경계를 획득하면 이미지 분할이 가능해집니다. 이미지에서 그라데이션이 가장 높은 지점입니다. 이 방법은 노이즈의 영향을 받기 쉽고 객체 경계에서 벗어납니다. 일반적으로 추적하기 전에 그라디언트 이미지를 매끄럽게 한 다음 이를 달성하기 위해 경계 검색 추적 알고리즘을 사용해야 합니다.

이미지의 엣지를 얻기 위해 사람들은 Sobel, Cannyedge, LoG 등 다양한 엣지 검출 방법을 제안해왔습니다. Edge 이미지를 기반으로 Smoothing, Morphology 등의 공정을 통해 불필요한 부분인 Noise Point, Burr, Hole 등을 제거한 후 Thinning, Edge Connection 및 기타 공정을 통해 객체의 윤곽선 경계를 얻을 수 있습니다. 추적.

직선, 원, 타원 등과 같이 파라메트릭 모델을 따르는 이미지의 일부 주요 특징의 경우 해당 매개변수를 클러스터링하여 해당 특징을 추출할 수 있습니다.

영역 성장 방법은 동일한 개체 영역에 있는 픽셀의 유사한 속성을 기반으로 픽셀을 클러스터링하는 방법입니다. 초기 영역(예: 작은 이웃 또는 각 픽셀)부터 시작하여 인접한 픽셀 또는 동일한 속성을 가진 다른 영역은 현재 영역에 병합되어 병합할 수 있는 지점이나 다른 작은 영역이 없을 때까지 영역을 점차적으로 늘립니다. 영역 내 픽셀의 유사성 측정에는 평균 회색 값, 질감, 색상 등과 같은 정보가 포함될 수 있습니다.

영역 성장 방법은 사용할 사전 지식이 없을 때 가장 좋은 성능을 얻을 수 있으며, 자연 장면과 같이 보다 복잡한 이미지를 분할하는 데 사용할 수 있습니다. 그러나 영역 성장 방법은 반복적인 방법이며 상대적으로 공간과 시간의 오버헤드가 크다.

픽셀 레벨 기반의 정보 추출은 단일 픽셀을 단위로 하여 너무 국소적인 영역에만 집중하고 주변 패치 전체의 기하학적 구조를 무시하여 정보 추출의 정확성을 심각하게 제한하며, 객체 지향 원격 감지 정보 추출은 스펙트럼 통계 특성, 모양, 크기, 질감 및 인접 관계와 같은 일련의 요소를 고려하여 더 높은 정밀도의 분류 결과를 제공합니다. 객체지향 원격탐사 영상분석 기술은 영상을 분류하고 정보를 추출하기 위해 다음과 같은 방법을 사용한다.

먼저 영상정보의 2차원 배열로부터 영상 데이터를 분할하고 영상에 반영된 풍경을 복원한다. . 장면의 공간 모양과 대상 특징의 조합. 이미지의 가장 작은 단위는 더 이상 단일 픽셀이 아니며, 이후의 이미지 분석 및 처리도 개체를 기반으로 합니다.

그리고 의사결정 지원의 퍼지 분류 알고리즘을 사용하는데, 이는 단순히 각 객체를 특정 카테고리로 분류하는 것이 아니라, 각 객체가 특정 카테고리에 속할 확률을 제공하므로 사용자가 분류하기 편리합니다. 실제 상황에 따라 조정이 가능하며 동시에 최대 확률에 따라 특정 분류 결과가 생성될 수도 있습니다. 전문가 의사결정 지원 시스템을 구축할 때 다양한 척도의 분류 수준을 설정하고 각 수준에서 객체의 스펙트럼 특징, 모양 특징, 질감 특징 및 인접 관계 특징을 정의합니다. 그중 스펙트럼 특징에는 평균, 분산 및 회색조 비율이 포함되며, 모양 특징에는 선형 객체의 면적, 길이, 너비, 경계 길이, 종횡비, 모양 계수, 밀도, 주 방향, 대칭, 위치 및 선 길이가 포함됩니다. 너비, 선 종횡비, 곡률, 길이에 대한 곡률 비율 등 평면 특징의 경우 면적, 둘레, 콤팩트함, 다각형 변의 수, 각 변의 길이 변화, 각 변의 평균 길이, 가장 긴 가장자리 텍스처 특징에는 객체 분산, 면적, 밀도, 대칭, 주 방향의 평균 및 분산 등이 포함됩니다. 여러 특징을 정의하고 서로 다른 가중치를 부여함으로써 분류 기준을 설정한 후 이미지를 분류합니다. 분류할 때 먼저 큰 규모로 '상위 카테고리'를 분리한 후, 실제 필요에 따라 소규모로 관심 기능의 특성을 정의하고 '하위 카테고리'를 분리합니다.