이미지 등록 및 이미지 융합은 이미지 모자이크의 두 가지 핵심 기술입니다. 이미지 등록은 이미지 융합의 기초이며 이미지 등록 알고리즘의 계산량은 일반적으로 매우 크기 때문에 이미지 모자이크 기술의 발전은 이미지 등록 기술의 혁신에 크게 좌우됩니다.
일반적으로 이미지 모자이크는 주로
5 단계로 구성됩니다A) 이미지 사전 처리. 디지털 이미지 처리의 기본 작업 (예: 노이즈 제거, 가장자리 추출, 히스토그램 처리 등), 이미지 일치 템플릿 설정, 이미지 변환 (예: 푸리에 변환, 소파 변환 등) 등의 작업을 포함합니다.
B) 이미지 등록. 특정 일치 전략을 사용하여 참조 이미지에서 패치할 이미지의 템플릿 또는 특징점의 위치를 찾아 두 이미지 간의 변환 관계를 결정하는 것입니다.
C) 변환 모델을 생성합니다. 템플릿이나 이미지 피쳐 간의 대응 관계에 따라 수학 모델의 각 매개변수 값을 계산하여 두 이미지의 수학적 변환 모델을 설정합니다.
D) 균일 좌표 변환. 설정된 수학적 변환 모델에 따라 패치할 이미지를 참조 이미지의 좌표계로 변환하여 균일한 좌표 변환을 완료합니다.
E) 융합 재건. 패치된 이미지가 있는 일치하는 영역을 융합하여 패치로 재구성된 부드럽고 매끄러운 파노라마 이미지입니다.
인접한 이미지의 등록 및 접합은 파노라마 생성 기술의 핵심입니다. 이미지 등록 기술에 대한 연구는 지금까지 오랜 역사를 가지고 있습니다. 주요 방법은 두 이미지의 밝기 차이가 가장 적은 방법과 특징 기반 방법입니다. 파노라마의 패치워크는 주로 이미지의 사전 패치로 구성됩니다. 즉, 인접한 두 이미지가 일치하는 보다 정확한 위치를 결정하고 형상 검색의 기초를 마련합니다. 형상 추출, 즉 기본 일치 위치가 결정된 후 일치시킬 형상을 찾습니다. 이미지 매트릭스 변환 및 스플 라이스, 즉 매칭 포인트를 기반으로 이미지의 변환 행렬을 설정하고 이미지의 스플 라이스 구현. 마지막으로 이미지를 매끄럽게 합니다.
원격 감지 이미지 처리 분야에서 eCognition 은 PCI Geomatica 의 제품이며, 이미지 공간과 웨이브 스펙트럼 모두에 기반한 정보 추출이 주요 특징입니다. 감독 분류 또는 감독되지 않은 분류를 포함한 전통적인 원격 감지 이미지 분류는 이미지의 스펙트럼 특성 공간에서 서로 다른 스펙트럼 데이터의 조합에 따라 통계적으로 다릅니다. 그러나 Quick Bird 데이터의 공간 해상도가 높기 때문에 이미지의 그림 경관에 대한 구조, 모양, 텍스처, 세부 사항 등의 정보는 매우 두드러지고 스펙트럼 해상도는 높지 않기 때문에 분류할 때 스펙트럼 특성에만 의존해서는 안 됩니다. 기하학적 정보와 구조 정보를 더 많이 이용해야 합니다. ECognition 은 이미지 분류 및 정보 추출을 위해 객체 지향 원격 감지 이미지 분석 기술을 사용합니다.
먼저 Quick Bird 데이터에 대한 이미지 분할을 수행하고 2D 이미지 정보 표시에서 이미지가 반영한 경관 장면의 대상 그림에 대한 공간 모양과 결합 방법을 복원합니다. 이미지의 가장 작은 단위는 더 이상 단일 픽셀이 아니라 하나의 개체이며, 후속 이미지 분석 및 처리도 개체를 기준으로 합니다.
의사 결정 지원 퍼지 분류 알고리즘을 사용하여 각 객체를 단순히 특정 범주로 나누는 대신 개별 객체가 특정 클래스에 속할 확률을 제공하여 사용자가 실제 상황에 맞게 조정할 수 있도록 합니다. 또한 최대 확률에 따라 분류 결과를 결정할 수 있습니다. 전문가 의사 결정 지원 시스템을 설정할 때 다양한 크기의 분류 계층을 설정하고 각 수준에서 오브젝트의 스펙트럼 피쳐, 모양 피쳐, 텍스처 피쳐 및 인접 관계 피쳐를 개별적으로 정의합니다.
그 중 스펙트럼 특성에는 평균, 분산, 그레이스케일 비율이 포함됩니다. 쉐이프 피쳐에는 면적, 길이, 폭, 경계 길이, 가로세로비, 쉐이프 비율, 밀도, 주 방향, 대칭, 위치, 선 길이, 선 폭, 선 가로세로비, 곡률, 곡률 대 길이 비율 등이 포함되며, 면 그림에는 면적, 둘레, 둘레가 포함됩니다 텍스처 피쳐에는 객체 분산, 면적, 밀도, 대칭, 주 방향의 평균 및 분산 등이 포함됩니다. 다양한 특징을 정의하고 다른 권리 지정 | 중량을 지정하여 분류 기준을 설정한 다음 이미지를 분류합니다. 분류할 때는 먼저 큰 규모로 상위 클래스를 나누고, 실제 필요에 따라 관심 있는 그림에 대해 작은 규모로 피쳐 하위 클래스를 정의합니다.
유용하기를 바랍니다.