1. 히스토그램 방법
각 이미지에 대해 회색 막대 그래프를 만들 수 있습니다. 히스토그램의 형태에 따라 이미지의 품질을 대략적으로 추정할 수 있다. 이미지에는 많은 수의 픽셀 수가 포함되어 있으므로 해당 픽셀 그레이스케일 값의 분포는 확률 통계 분포 법칙에 부합해야 합니다. 픽셀의 그레이스케일 값이 무작위로 분포된다고 가정하면 히스토그램은 정규 분포여야 합니다. 이미지의 그레이스케일 값은 불연속적인 변수이므로 히스토그램은 불연속적인 확률 분포를 나타냅니다. 각 그레이스케일의 픽셀 수가 전체 픽셀 수에 대한 비율 값으로 세로좌표를 위해 이미지의 히스토그램을 만드는 경우 히스토그램의 각 막대의 최고점을 외부 윤곽선에 연결하면 세로좌표의 비율 값은 그레이스케일이 발생할 확률밀도입니다. 윤곽선은 이미지에 해당하는 연속 함수의 확률 분포 곡선으로 대략적으로 볼 수 있습니다. 일반적으로 이미지의 막대 그래프 윤곽선이 정규 분포에 가까울수록 이미지의 밝기가 임의 분포에 가깝고 통계적 방법으로 처리하기에 적합하므로 일반적으로 대비가 적당합니다. 막대 그래프의 최고 위치가 회색 값이 큰 쪽으로 치우치면 이미지가 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 적고 품질이 떨어지는 문제가 있음을 나타냅니다. 막대 그래프 분석은 이미지 분석의 기본 방법으로 막대 그래프 형태를 의도적으로 변경하여 이미지 품질을 향상시킵니다.
2. 근린법
이미지의 모든 픽셀 (I, J) 에 대해 픽셀 집합 {i+p, j+p}(j, P 는 임의의 정수) 을 픽셀 이웃이라고 하며, 일반적으로 사용되는 이웃은 그림과 같이 중심 픽셀 4- 이웃 및 8- 이웃을 나타냅니다.
이미지 처리 중 픽셀 처리 후의 값 g(i, J) 는 처리 전 픽셀 f(i, I) 의 작은 이웃 N(i, J) 의 픽셀 값에 의해 결정됩니다. 이를 로컬 처리 또는 이웃 처리라고 합니다. 일반 이미지 처리에서 계산 목적의 차이에 따라 서로 다른 이웃 분석 함수를 설계할 수 있습니다.
컨볼 루션 방법
컨볼 루션 연산은 공간 도메인 내에서 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. 이미지의 컨볼 루션 연산은 템플릿을 사용하여 수행됩니다. 템플릿 연산 방법은 그림과 같이 선택된 연산 템플릿 φ(m, N) 을 M×N 으로, 이미지의 왼쪽 위 모서리부터 시작하여 이미지에 템플릿과 같은 크기의 활성 창 f(m, N) 를 열어 이미지 창을 템플릿 픽셀 회색 값에 곱하고 더합니다. 계산 결과 g(m, N) 는 창 중심 픽셀 새로운 그레이스케일 값으로 사용됩니다. 템플릿 연산의 공식은 다음과 같습니다 (템플릿의 합계가 0 이면 1 로 나눔):
4. 주파수 도메인 향상 방법
이미지에서 픽셀 그레이스케일 값은 위치에 따라 변하는 빈도로 표시됩니다. 이는 위치에 따라 변하는 공간 주파수입니다. 가장자리, 선, 소음 등의 특징 (예: 강, 호수 경계, 도로, 차이가 큰 지표 커버 교차점 등) 은 공간 주파수가 높습니다. 즉, 짧은 픽셀 거리 내에서 그레이스케일 값이 변하는 빈도가 높습니다. 균일하게 분포된 그림이나 넓은 면적의 안정된 구조 (예: 식물 유형이 일치하는 평원, 넓은 사막, 해수면 등) 는 공간 빈도가 낮습니다. 즉, 긴 픽셀 거리 내에서 그레이스케일 값이 점차 변화합니다. 예를 들어, 주파수 영역 향상 기술에서 스무딩은 주로 이미지의 저주파 부분을 유지하여 고주파 부분을 억제하고 선명 효과는 이미지의 고주파 부분을 유지하고 저주파 부분을 약화시키는 것입니다.
5. 이미지 알고리즘
원격 감지 다중 스펙트럼 이미지와 공간 등록을 거친 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.
6. 감독되지 않은 분류법
사람들이 분류 과정에 대해 사전에 어떠한 선험적 지식도 하지 않고, 원격 감지 영상 그림의 스펙트럼 특징의 분포 법칙에 따라 자연스럽게 분류한다는 뜻이다. 그 분류의 결과는 단지 다른 범주를 구분할 뿐, 범주 속성을 결정할 수 없다. 그 범주 속성은 나중에 각 종류의 스펙트럼 곡선을 분석하고 현장 조사와 비교한 후 결정된다.
원격 감지 이미지의 유사한 그림은 동일한 표면 구조 특성, 식물 덮개, 조명 등의 조건에서 일반적으로 동일하거나 유사한 스펙트럼 특징을 가지고 있어 동일한 스펙트럼 공간 영역에 속하는 내재적인 유사성을 나타냅니다. 그림에 따라 스펙트럼 정보 특징이 다르며 다른 스펙트럼 공간 영역에 속합니다. 이것은 감독되지 않은 분류의 이론적 근거입니다. 복잡한 이미지에서 교육 영역에 모든 그림의 스펙트럼 스타일이 포함되지 않는 경우가 있기 때문에 일부 이미지 요소가 귀속을 찾지 못할 수 있습니다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 예술명언) 실제 업무에서 감독 분류를 위해 범주와 훈련 영역의 선택을 결정하는 것도 쉽지 않기 때문에 이미지 분석을 시작할 때 감독되지 않은 분류 방법을 사용하여 데이터의 원래 구조와 자연 점 그룹의 분포를 연구하는 것이 중요합니다.
감독되지 않은 분류는 주로 클러스터 분석 방법을 사용하여 같은 범주에 속하는 픽셀 간의 거리를 가능한 작게 하고 다른 범주에 있는 픽셀 간의 거리를 최대한 크게 만듭니다. 클러스터 분석을 수행할 때 먼저 기준 범주의 매개변수를 결정해야 합니다. 그러나 감독되지 않은 분류에는 기준 범주에 대한 선험적 지식이 없기 때문에 초기 매개변수만 가정할 수 있으며 사전 분류 처리를 통해 클러스터를 형성할 수 있습니다. 그런 다음 클러스터의 통계 매개변수로 사전 제작된 매개변수를 조정한 다음 다시 클러스터링하고 조정합니다. 매개변수가 허용 범위에 도달할 때까지 계속 반복됩니다.
7. 감독 분류
감독되지 않은 분류와 달리, 감독 분류의 가장 기본적인 특징은 분류하기 전에 사람들이 원격 감지 이미지의 일부 샘플 영역에서 이미지 그림의 범주 속성에 대해 이미 선험적 지식을 가지고 있다는 것입니다. 즉, 먼저 이미지에서 구분할 모든 종류의 그림의 샘플을 선택하여 분류자를 훈련시켜야 합니다 (판별 함수 설정). 이곳의 선험적 지식은 야외의 현장 답사에서 비롯될 수도 있고, 관련 기타 문자자료나 도형이나 직접 이미지 처리자 본인의 경험 등을 참조할 수도 있다. 트레이닝 영역에서 각 그림 유형의 각 밴드에 대한 그레이스케일 값을 구체적으로 결정하여 피쳐 매개변수를 결정하고 판별 함수를 설정합니다. 감독 분류는 일반적으로 이미지에서 대표적인 영역을 교육 영역으로 선택하고, 교육 영역에서 각 범주의 통계를 얻은 다음, 이러한 통계에 따라 전체 이미지를 분류합니다. 확률 판별 함수와 거리 판별 함수를 모두 사용할 수 있습니다.
8. 이미지 분할 방법
디지털 이미지 처리의 핵심 기술 중 하나입니다. 이미지 분할은 이미지의 의미 있는 피쳐 부분을 추출하는 것으로, 이미지의 가장자리, 영역 등이 의미 있는 특징으로, 이미지 인식, 분석 및 이해를 위한 기초가 됩니다. 현재 가장자리 추출, 영역 분할 방법이 많이 연구되었지만 다양한 이미지에 보편적으로 적용되는 효과적인 방법은 없습니다. 따라서 이미지 분할에 대한 연구는 계속 심화되어야 한다.