원격 감지 디지털 이미지 처리 방법

각 이미지에 대해 회색 음영 막대 그래프를 만들 수 있습니다. 히스토그램의 형태학에 따라 이미지 품질을 대략적으로 추론할 수 있다. 이미지에는 많은 수의 픽셀이 포함되어 있으므로 픽셀 그레이스케일 값의 분포는 확률 통계에 부합해야 합니다. 픽셀의 그레이스케일 값이 무작위로 분포된다고 가정하면 히스토그램은 정규 분포여야 합니다. 이미지의 그레이스케일 값은 이산 변수이므로 히스토그램은 개별 확률 분포를 나타냅니다. 이미지의 히스토그램이 각 그레이스케일의 픽셀 수와 총 픽셀 수의 비율로 세로좌표로 만들어진 경우 히스토그램의 각 최고점을 외부 윤곽선에 연결합니다. 세로좌표의 비율은 그레이스케일의 확률 밀도입니다. 윤곽선은 이미지에 해당하는 연속 함수의 확률 분포 곡선으로 대략적으로 볼 수 있습니다. 일반적으로 이미지의 히스토그램 윤곽이 정규 분포에 더 가까우면 이미지의 밝기가 임의 분포에 가깝고 통계 처리에 적합하므로 일반적으로 대비가 적당합니다. 막대 그래프의 최고 위치가 회색 값이 큰 쪽으로 치우치면 이미지가 더 밝아집니다. 피크 위치가 그레이스케일 값이 작은 쪽으로 치우치면 이미지가 어두워집니다. 최고치 변화가 너무 가파르고 너무 좁으면 이미지의 그레이스케일 값이 너무 집중되고 마지막 세 가지 경우 모두 대비가 작고 품질이 떨어지는 문제가 있는 것입니다. 막대 그래프 분석은 이미지 분석의 기본 방법으로, 막대 그래프의 모양을 의도적으로 변경하면 이미지 품질이 향상됩니다.

2. 근린법

이미지의 모든 픽셀 (I, J) 에 대해 픽셀 {i+p, j+p}(j, P 는 임의의 정수) 모음을 해당 픽셀의 이웃이라고 합니다. 일반적인 이웃은 그림과 같이 중심 픽셀의 4 개 이웃과 8 개 이웃을 나타냅니다.

이미지 처리 중 한 픽셀의 처리 값 g(i, J) 는 처리 전 픽셀 f(i, I) 의 작은 이웃 N(i, J) 의 픽셀 값에 의해 결정되며 로컬 처리 또는 이웃 처리라고 합니다. 일반 이미지 처리에서 다른 계산 목적에 따라 다른 이웃 분석 함수를 설계할 수 있습니다.

3. 컨볼 루션 방법

컨볼 루션 연산은 공간 영역에서 이미지에 대한 이웃 탐지를 수행하는 연산입니다. 컨볼 루션 함수 ("템플릿" 이라고도 함) 를 선택하면 실제로는 3×3, 5×7, 7×7 등과 같은 M×N 의 작은 이미지입니다. 템플릿을 사용하여 이미지의 컨볼 루션 연산을 구현합니다. 템플릿 작동 방법은 그림과 같습니다. M×N 크기의 연산 템플릿 φ(m, N) 을 선택하고 왼쪽 위 모서리에서 시작하여 템플릿 크기와 같은 활성 창 f(m, N) 를 이미지에 열어 이미지 창에 템플릿 픽셀의 그레이스케일 값을 곱합니다. 계산된 결과 g(m, N) 를 창 중심 픽셀의 새 그레이스케일 값으로 사용합니다. 템플릿 연산의 공식은 다음과 같습니다 (템플릿 합계가 0 인 경우 1 으로 나눔).

4 주파수 영역 향상 방법

이미지에서 픽셀의 회색 음영 값이 위치에 따라 변하는 빈도는 빈도로 표시할 수 있으며 빈도는 위치에 따라 변하는 공간 주파수입니다. 강과 호수 경계, 도로, 표면 덮개 차이가 큰 경계와 같은 가장자리, 선, 소음 등의 특징에는 공간 빈도가 더 높습니다. 즉, 짧은 픽셀 거리 내에서 그레이스케일 값이 변하는 빈도가 더 큽니다. 균일하게 분포된 그림이나 넓은 면적의 안정된 구조 (예: 식물 유형이 일치하는 평야, 넓은 사막, 해수면 등) 는 공간 빈도가 낮습니다. 즉, 그레이스케일 값이 긴 픽셀 거리 내에서 점차 변화합니다. 예를 들어 주파수 영역 향상 기술에서 스무딩은 주로 이미지의 저주파 부분을 유지하고 고주파 부분을 억제하며 선명 효과는 이미지의 고주파 부분을 유지하고 저주파 부분을 약화시킵니다.

5. 이미지 조작 방법

공간 등록의 다중 스펙트럼 원격 감지 이미지와 두 개 이상의 단일 밴드 원격 감지 이미지의 경우 일련의 대수학 연산을 수행하여 향상된 목적을 달성할 수 있습니다. 이는 추가, 차이, 비율, 복합 지수 등의 기존 공간 중첩 분석과 유사합니다.

감독되지 않은 분류 방법

그것은 사람들이 사전에 분류 과정에 대한 선험적 지식이 없고, 단지 원격 감지 이미지 스펙트럼 특징의 분포 법칙에 따라 자연적으로 그림을 분류한다는 것을 의미한다. 분류 결과는 범주 속성을 결정하는 것이 아니라 다른 범주만 구별합니다. 다양한 범주의 스펙트럼 곡선을 분석하고 현장 조사와 비교한 후 범주 속성을 확인했습니다.

원격 감지 이미지의 유사한 그림으로, 동일한 표면 구조 피쳐, 식생 범위, 조명 등의 조건에서 일반적으로 동일하거나 유사한 스펙트럼 특징을 가지고 있어 동일한 스펙트럼 공간 영역에 속하는 내재적인 유사성을 나타냅니다. 그림마다 스펙트럼 정보 특성이 다르며 서로 다른 스펙트럼 공간 영역에 속합니다. 이것은 감독되지 않은 분류의 이론적 근거이다. 복잡한 이미지에서 교육 영역에 모든 지면 오브젝트의 스펙트럼 패턴이 포함되지 않는 경우가 있기 때문에 일부 픽셀이 해당 픽셀을 찾을 수 없습니다. 실제 작업에서 감독 분류의 범주와 훈련 영역의 선택은 결정하기 쉽지 않으므로 이미지를 분석할 때 감독되지 않은 분류 방법을 사용하여 데이터의 원래 구조와 자연 점 그룹의 분포를 연구하는 것이 매우 중요합니다.

감독되지 않은 분류는 주로 클러스터 분석 방법을 사용하여 동일한 범주에 속하는 픽셀 간의 거리를 가능한 작게 하고 서로 다른 범주의 픽셀 간 거리를 최대한 크게 만듭니다. 클러스터 분석에서 먼저 기준 범주의 매개변수를 결정해야 합니다. 감독되지 않은 분류에는 기준 범주에 대한 선험적 지식이 없으며, 사전 분류 처리를 통해서만 초기 매개변수를 가정하여 클러스터를 형성할 수 있습니다. 그런 다음 클러스터링의 통계 매개변수를 사용하여 사전 설정 매개변수를 조정한 다음 클러스터링하고 조정합니다. 관련 매개변수가 허용 범위에 도달할 때까지 반복합니다.

7. 감독 분류

감독되지 않은 분류와 달리, 감독 분류의 가장 기본적인 특징은 분류 전에 원격 감지 이미지의 일부 샘플 영역에 대한 이미지 특성의 분류 속성에 대한 사전 지식이 있다는 것입니다. 즉, 먼저 이미지에서 구분할 모든 종류의 피쳐 샘플을 선택하여 분류자를 훈련시켜야 합니다 (판별 함수 설정). 이곳의 선험적 지식은 현장 조사에서 비롯될 수도 있고, 기타 관련 문자 자료나 지도를 참조하거나 직접 이미지 처리자의 경험을 참조할 수도 있다. 교육 영역에서 각 밴드의 다양한 그림에 대한 그레이스케일 값을 상세하게 결정하여 피쳐 매개변수를 결정하고 판별 함수를 설정합니다. 감독 분류는 일반적으로 이미지에서 대표적인 영역을 교육 영역으로 선택하고, 교육 영역에서 각 유형의 통계를 얻은 다음, 이러한 통계에 따라 전체 이미지를 분류합니다. 확률 판별 함수 또는 거리 판별 함수를 사용할 수 있습니다.

8. 이미지 분할 방법

디지털 이미지 처리의 핵심 기술 중 하나입니다. 이미지 분할은 이미지에서 의미 있는 피쳐를 추출하는 것으로, 이미지의 가장자리와 영역을 포함하는 의미 있는 특징으로, 추가 이미지 인식, 분석 및 이해를 위한 기초입니다. 많은 가장자리 추출 및 영역 분할 방법이 개발되었지만 모든 유형의 이미지에 일반적으로 적용되는 효과적인 방법은 없습니다. 따라서 이미지 분할에 대한 연구는 더 깊이 들어가야 한다.