4.3. 1 일반적인 이미지 향상 처리 방법
원격 감지 지질 응용 프로그램에서 이미지 향상 처리 방법은 주요 향상 정보 내용에 따라 파동 (광) 스펙트럼 기능 향상과 공간 기능 향상의 두 가지 범주로 나눌 수 있습니다.
4.3.1..1이미지 웨이브 (라이트) 스펙트럼 피쳐 향상 처리
이미지 웨이브 (라이트) 스펙트럼 기능 향상은 다중 밴드 데이터를 기반으로 각 픽셀의 그레이스케일을 변환하여 이미지 향상을 달성합니다. 이미지 향상 결과는 특성이 다른 지질체, 암석 유형, 지질 이상 (예: 변경 벨트 및 열 이상), 대규모 선형 및 원형 구조를 쉽게 식별할 수 있습니다.
(1) 그레이스케일 변환 방법
회색 음영 변환은 원본 이미지 히스토그램이 좁고, 회색 음영 분포가 집중되고, 이미지 계층이 적은 경우에 가장 기본적인 요구 사항입니다. 그레이스케일이 정규 분포에 가까운 이미지의 경우 선형 늘이기는 일반적으로 이미지의 시각적 효과를 향상시키는 데 도움이 됩니다. 히스토그램이 다중 모드인 이미지의 경우 일부 오브젝트가 너무 밝거나 너무 어둡기 때문에 세그먼트 선형 늘이기, 히스토그램 조정, 가우스 변환 등의 비선형 늘이기를 포함하여 이미지의 특성에 따라 다른 그레이스케일 변환 방법을 사용해야 합니다.
세그먼트 선형 늘이기의 목적은 제한된 그레이스케일을 효과적으로 활용하고, 전체 그레이스케일을 여러 간격으로 나누고, 간격 간에 선형적으로 확장하여 이미지의 유용한 정보를 최대한 활용하는 것입니다. 일반적으로 사용되는 비선형 변형은 지수 변환 (원본 이미지의 고휘도 값 부분 향상), 대수 변환 (향상 이미지의 저휘도 값 부분), 가우스 변환 (향상 이미지의 중간 회색 범위) 및 접선 변환 (향상 이미지의 어두운 영역과 밝은 영역) 입니다.
막대 그래프 조정은 이미지의 막대 그래프 모양을 개선하여 이미지를 향상시키는 것입니다. 그 원리는 변환 함수를 사용하여 원본 이미지의 히스토그램에 작용하여 밝기 분포가 있는 히스토그램으로 만드는 것입니다. 이 방법은 고주파 밝기 값 사이의 간격을 넓히는 데 초점을 맞추고 히스토그램 중간에 포함된 그림의 대비를 높여 지질체의 구분에 도움이 됩니다. 일반적으로 사용되는 히스토그램 조정 방법에는 히스토그램 평준화와 히스토그램 정규화가 있습니다.
(2) 비율 향상
비율 향상은 서로 다른 밴드에서 같은 이름의 픽셀 밝기 값을 분할하여 새로운 비율 이미지를 생성함으로써 이루어집니다. 비율 처리는 지질 정보에 특히 민감하여 원격 탐사 지질 이미지 처리에 널리 사용되는 방법 중 하나가 되었다. 기본 기능은 다음과 같습니다.
1) 암토의 스펙트럼 차이를 확대하여 이러한 특징을 구분하는 데 도움이 됩니다.
2) 지형과 같은 환경적 요인이 비슷한 암석학에 미치는 영향을 제거하거나 약화시킨다.
3) 광물 변경 정보 추출.
4) 컬러 합성 이미지보다 암석학과 변화암 정보를 향상시킬 수 있다.
(3) 주성분 변환
주성분 변환은 다중 대역 원격 감지 이미지 향상을 위한 일반적인 방법입니다. 이미지 통계 특성을 기반으로 하는 다차원 직교 선형 변환입니다. 변환된 새 구성요소 이미지는 그림의 총 방사 차이 및 부분 스펙트럼 특성을 반영하며 정보를 분리하고 연관성을 낮추며 다른 그림을 강조하는 기능도 제공합니다. 서로 다른 새 구성 요소 이미지를 사용하여 색상을 합성하면 색상 향상 효과를 크게 높이고 바위를 구별하는 데 도움이 됩니다. 실제 응용 프로그램에서는 비율 또는 차이 이미지를 사용하여 원본 이미지와 주성분 변환을 수행하는 경우가 많으므로 일부 주제 정보를 추출하는 데 도움이 됩니다.
(4)IHS 변환
색도학에서 컬러 이미지의 RGB 를 밝기 (I), 색도 (H) 및 채도 (S) 로 변환하는 것을 IHS 변환이라고 하며, IHS 를 RGB 로 변환하는 것을 역변환이라고 합니다. IHS 변환 및 역변환을 통해 다중 소스 원격 감지 이미지 간의 정보 융합, 높이 관련 이미지 데이터의 색상 향상, 이미지 기능 향상 및 이미지 공간 해상도 향상을 수행할 수 있습니다. 그림 4. 1 에서 볼 수 있듯이 연구구역의 고리 구조, 암석, 지층에 어느 정도 보강 작용을 했다.
그림 4. 1 신장 와석협 지역 이미지 향상 처리 비교.
4.3. 1.2 이미지 공간 향상
이미지 공간 향상 처리는 픽셀 자체와 주변 픽셀의 그레이스케일 값을 사용하여 전체 이미지를 향상시키는 것입니다. 이미지 향상 결과는 주로 지질체의 공간 모양, 가장자리, 선 및 구조적 특징을 강조합니다. 지질 구조, 선형체, 지형 등. 일반적으로 사용되는 이미지 향상 방법에는 데이터 융합 및 컨볼 루션 향상이 포함됩니다.
(1) 데이터 융합
주로 IHS 융합법, Brovey 방법, 3D 대비 향상 융합법이 있습니다. IHS 융합 방법의 핵심은 입력 이미지의 스펙트럼 및 지면 커버리지에 따라 양의 변환 및 역변환 공식을 선택하는 것입니다. Brovey 메서드는 세 개의 표준화된 저해상도 밴드 이미지와 고해상도 이미지의 곱을 선택하여 이미지 정보를 향상시킵니다. 이 방법의 장점은 이미지를 선명하게 하는 동시에 원래의 다중 스펙트럼 정보를 유지할 수 있어 산, 수역, 식물 등의 그림에 좋은 향상 효과가 있다는 것이다. 3D 대비 향상을 기반으로 하는 융합 방법은 세 개의 저해상도 합성 밴드에서 같은 이름의 픽셀을 확대하는 그레이스케일 차이이며, 향상된 이미지의 세 밴드에서 같은 이름의 픽셀 그레이스케일 값의 상대적 크기 관계는 그대로 유지되어야 하고, 세 밴드 그레이스케일 값의 합계는 그대로 유지되어야 합니다. 고해상도 이미지의 경우 그레이스케일 선형 늘이기, 텍스처 에너지 향상 및 테셀레이션이 필요합니다. 이 방법은 오브젝트 간의 색상 차이를 확대하고 연관성을 낮추며 융합 이미지의 선명도, 그레이스케일, 색상 등의 공간 정보를 분리하고 만족스러운 결과를 얻을 때까지 동적으로 추적합니다. 그림 4.2 에서 볼 수 있듯이 그림 4.2(a) 는 원시 SPOT 이미지이고 그림 4.2(b) 는 SPOT 데이터와 TM 멀티스펙트럼 데이터의 융합으로 원격 감지 해석의 신뢰성을 높였습니다.
그림 4.2 SPOT 이미지 융합 처리
(2) 컨볼 루션 향상
그림의 경계 및 선형 피쳐는 일반적으로 공간 분포 빈도를 나타내며 공간 또는 주파수 영역 필터를 통해 향상시킬 수 있습니다. 컨볼 루션 처리는 간단하고 효과적이며 가장 일반적으로 사용되는 공간 필터링 방법입니다. 컨볼 루션 향상은 특정 크기의 템플릿을 통해 원본 이미지를 컨볼 루션 하는 이웃 처리 기술입니다. 서로 다른 방향의 경계 (또는 선형) 를 강화하여 템플릿의 각 요소에 대한 가중치 계수를 일정한 정렬 방향으로 할당할 수 있으며, 템플릿 크기와 보드의 요소 차이를 변경하여 다른 효과를 낼 수 있습니다. 일반 템플릿이 클수록 차이가 커질수록 저주파 거친 구조적 기능이 향상되는 반면 고주파 정보 (작은 단층, 관절, 균열) 향상은 작아집니다. 컨볼 루션 향상은 지질체 경계와 특정 방향의 선형 단층 구조나 흔적을 강조하는 데 뚜렷한 효과가 있기 때문에 원격 감지 지질 이미지 처리에 널리 사용됩니다. 또한 일부 링 구조나 흔적을 향상시킬 수 있습니다.
위의 처리 방법은 암석 지층과 구조 정보 추출에 광범위하게 적용된다. 실제 응용에서는 다양한 지질 지리 조건과 이미지 특징에 따라 다양한 조합과 유연한 수단을 사용하여 이미지를 향상시킬 수 있습니다.
4.3.2 기능 정보 향상 처리 방법
4.3.2. 1 암석 정보 향상 처리
암석 정보 향상 처리의 목적은 특징 이미지 처리 방법의 선택을 통해 암석 유형이나 유형 조합을 추출하는 것이다. 그 응용 원리는 주로 광물 성분, 구조 구조, 암석 표면 구조, 커버 성분, 수분 함량, 지역 환경 등에 따라 다양한 성질의 암석에 따라 다대역 원격 감지 데이터에 반영된 스펙트럼과 텍스처 정보의 법칙을 통해 이뤄진다.
(1) 밴드 조합 변환 방법
동일한 영역의 서로 다른 센서가 공간 등록을 통해 얻은 다중 대역 원격 감지 이미지와 여러 개의 단일 밴드 원격 감지 이미지에 대해 일련의 조합 대수 연산을 수행하여 암석 정보를 향상시킵니다. TM 이미지 데이터를 예로 들어 보겠습니다.
1) TM3, 2, 1, TM4, 3, 1, TM5, 4, 3, TM7, 4, 를 활용합니다 그림 4.3 에서 볼 수 있듯이 그림 4.3(a) 에서 TM5, 4, 3 의 컬러 합성 이미지는 해당 지역의 지층암 분포 특성을 크게 향상시킵니다. 그림 4.3(b) 의 TM7, 4 및 1 의 컬러 합성 이미지는 백운암의 암석 특징을 두드러지게 합니다.
2)TM5/TM 1, TM4/TM2 및 TM5/TM7 밴드의 색상 합성은 탄산염암과 점토의 광화 정보를 향상시키고 식별할 수 있습니다. 그림 4.3(c) 에서 볼 수 있듯이 백운암의 지질 경계가 강화되었다.
3) TM4×TM4/(TM4+TM5+TM7), TM4×TM5/(TM4+TM5+TM7) 및 tm4 × tm7/(tm4+tm7) 사용 그림 4.4(a) 와 그림 4.4(b) 는 모두 암석 단면의 분포 특성 정보를 향상시킵니다.
4)TM5/TM 1, (TM5×TM7)/(TM 1×TM2), (tm7-TM/kloc- 그림 4.5 에서 볼 수 있듯이 그림 4.5(a) 에 비해 그림 4.5(b) 는 추출 지역 내층과 암석 덩어리의 변화 정보, 주요 암석 유형 구분, 링 구조 강조 등에 뚜렷한 적용 효과를 가지고 있습니다.
(2) 스펙트럼 프로파일 방법
연구구역의 암석, 지층, 배경이 스펙트럼에서 분리될 수 있을 때, 즉 그것들 사이에 동형이 거의 없을 때, 스펙트럼 프로필 지식을 이용하여 암석 주제 정보를 추출할 수 있는데, 주요 단계는 다음과 같다.
1) 노출 바위, 지층, 눈, 그림자 등과 같은 일반적인 그림을 스펙트럼 샘플링하고 스펙트럼 프로필 곡선을 추출하여 다양한 암석 유형의 스펙트럼 차이를 찾습니다.
2) 스펙트럼 간의 관계를 통해 스펙트럼 지식에 기반한 특징암성 추출 모델을 각각 구축했다.
3) 확립 된 모델에 따라 노출 된 암석 및 지층 정보를 추출합니다.
4) 서로 다른 암석, 지층의 스펙트럼과 배경 사이에 많은 동형 현상이 있을 경우 그림의 다른 지식을 이용하여 추출해야 한다.
그림 4.3 신강 바슈샤 지역의 다른 밴드 컬러 합성 이미지 비교.
그림 4.4 다중 대역 상관 비율 향상 처리 비교
그림 4.5 이미지 향상 처리 비교
(3) 지형지 물 질감에 기초한 암석 학적 인식.
암석 구성 요소가 복잡하고 분포 스케일이 센서의 공간 해상도보다 큰 경우 원격 감지 이미지는 그림의 구조 구성 요소 정보를 기록하며 이미지에 뚜렷한 텍스처 특징이 있을 수 있습니다. 배경 오브젝트와 다른 텍스처 피쳐가 있을 때 오브젝트의 스펙트럼 및 텍스처 피쳐를 사용하여 암석 정보를 추출할 수 있습니다. 텍스처로 암석학을 식별하는 방법은 다음과 같습니다.
1) 일정한 크기의 이동 창을 선택하고, 서로 다른 그림의 텍스처 피쳐를 계산하고, 연구할 바위 유형과 주변 그림의 텍스처 피쳐를 비교 분석합니다. 주요 텍스처 특징으로는 로그 변이 함수, 평균 유클리드 거리 방법 (1 차), 분산 방법 (2 차), 기울기 (3 차), 첨도 (4 차) 및 * * * 생성 행렬 방법이 있습니다. 그레이스케일 * * * 생성 매트릭스는 로컬 부드러움, 대비, 차이, 평균, 표준 편차, 엔트로피, 각도 2 차 모멘트 및 상관 관계의 8 가지 텍스처 측정을 생성합니다.
2) 암석 노출 영역과 배경 물체 사이의 텍스처 지표와 이미지를 분석하고, 암석 유형과 텍스처 특징 사이의 연관 법칙을 찾고, 적절한 임계값 인식을 사용하여 암석 정보를 추출합니다.
(4) 형상 지식에 기초한 암석 정보를 확인한다.
1) 피쳐 간 경계를 개선하고 경계 정보를 추출합니다. 모양 지수를 계산하다. 둘레와 면적을 기준으로 한 지수, 면적 기반 지수, 면적 및 면적 길이를 기준으로 한 지수를 주로 측정합니다.
2) 암석 모양 지식 지수의 값에 따라 서로 다른 모양 지수의 암석학을 정성적으로 식별하고 추출하고, 서로 다른 암성의 모양 특징을 결합하여 일정한 지질 속성 정보를 제공한다.
(5) 주성분 변환 다단계 정보 분석 식별 암성 정보.
주성분 분석에 기반한 다단계 정보 분해 기술은 지질과 암성 약한 정보를 강화하는 일반적인 방법이다. 암석 강화 및 식별 구현 과정은 다음과 같습니다.
다중 대역 이미지의 통계적 특성 분석 다중 밴드 이미지 데이터의 통계적 특징을 분석하고 스펙트럼 이미지의 그레이스케일 동적 범위, 평균 및 중앙값, 밴드 이미지의 상관 계수 행렬 및 공분산 행렬을 계산합니다.
2) 다중 밴드 이미지 공분산 행렬의 고유 값과 고유 벡터를 구하며, 고유 벡터로 구성된 KL 변환의 계수 행렬 A 를 구성합니다.
3) 주성분 변환의 후 처리. 암석 인식의 목적과 각 주성분 및 행렬 벡터 관계의 분석에 따라 특정 암석 정보가 포함된 구성요소 이미지, 주제 정보가 포함된 구성요소 이미지의 향상된 처리, 구성요소 이미지의 색상 합성 처리 및 구성요소 이미지와 다른 처리 결과 또는 밴드 이미지의 정보 합성 분석을 선택합니다.
4) 각 주성분 분석 결과에 따라 주성분 이미지의 다양한 사후 처리 결과를 단위 결과와 비교하여 작업 영역 암성 정보를 더 잘 반영하는 주성분 이미지를 결정하고 색상 합성이나 정보 합성을 위해 선택합니다. 이미지의 지질, 암석 등 미약한 정보를 향상시킵니다.
(6) IHS 변환 방법을 사용하여 lithologic 정보 강화
다중 밴드 이미지에 적합한 대수 연산을 선택하여 생성된 새 이미지는 IHS 변환으로 암석학을 강조할 수 있습니다. 예를 들어, TM 밴드 비율을 사용하면 IHS 변환을 통해 화산 지역의 광화와 관련된 암석 및 변경 특성을 식별할 수 있습니다.
1)TM5/TM7, TM3/TM4 및 TM3/TM2 의 비율은 각각 빨강, 녹색, 파랑에 IHS 변환을 위해 할당됩니다.
2) 변환영상에서 Fe2O3 함량이 높은 현무암은 눈에 띄는 갈색이나 붉은색 톤을 가지고 있고, 암석에 따라 화산암은 서로 다른 색조를 가지고 있어 서로 구분할 수 있다. 점토 광물과 3 가 철산화물을 함유한 광화변화암 분포 지역은 특유의 노란색이다.
(7) 원격 감지 이미지에 대한 최적의 다단계 밀도 분할을 수행하여 암석 정보를 추출합니다.
초목이 희박하고 기암이 광범위하게 노출된 건조한 지역에서 최적의 원격 감지 인식 이미지와 최적의 다단계 밀도 분할을 선택하여 암석 정보를 추출하고 식별하는 것을 목표로 한다.
1) Fisher 지침을 사용하여 이미지 밀도를 분할하고 히스토그램 통계를 통해 세그먼트 내 편차의 합계를 최소, 세그먼트 간 편차의 합으로 만드는 최대 분할 방법을 찾습니다. 이를 이미지의 최적 다중 레벨 밀도 분할 방법이라고 합니다.
2) 회색조에 따라 높음부터 낮음까지 분할된 이미지에 다른 색상을 부여하고, 지역 지질도에 따라 다른 색상의 지질암성 속성 정보를 결정합니다.
(8) lithology 의 자동 분류 및 식별
가뭄 반 건조 지역에서는 원격 감지 이미지의 스펙트럼 정보와 감독되지 않은 분류 방법을 이용하여 자동 암석 식별 및 지도 제작 목적을 달성할 수 있다.
TM 또는 ETM+ 데이터를 예로 들어 감독되지 않은 분류 방법의 주요 구현 프로세스를 설명합니다.
1) TM 또는 ETM+ 멀티밴드 이미지에서 3 개의 3 밴드 조합을 선택하여 밴드 간 상관 관계를 줄이고 재사용되는 밴드를 최소화합니다.
2) 밸런스 대비 향상 기술로 모든 밴드 이미지의 대비를 높여 각 밴드의 대비를 최적화하고 색상 합성에서 발생할 수 있는 색상 편차를 제거합니다.
3) RGB-IHS 변환을 사용하여 각 3 밴드 조합에 대한 색도 이미지를 생성한 다음 색도 이미지를 개별적으로 합성하여 색도 합성 이미지를 생성합니다.
4) 3 차원 피쳐 공간의 대화식 클러스터링 기술을 사용하여 색도 합성 이미지를 감독되지 않은 클러스터 분류로 분류합니다.
5) 템플릿 히스토그램 일치 분류 기술을 사용하여 분류된 이미지를 공간적으로 분류하고 관심 범주의 구조와 패턴을 감지합니다.
6) 공간 필터 방법 및 작은 클래스 병합 기술을 사용하여 분류된 이미지를 매끄럽게 하고 단순화합니다.
7) 현장 검사 및 분류의 스펙트럼 곡선 모양에 따라 지질도를 참조하여 분류에 암석학을 부여하거나 다른 그림 유형으로 식별하고 설명합니다.
8) 대화식 범주 편집. 서로 다른 영역을 나타내는 서로 다른 암석학은 범주 영역 편집법을 통해 위치별로 분해되고, 동일한 암석 또는 일관된 피쳐 유형을 가진 범주는 범주 그룹화를 통해 그룹화됩니다.
9) 가장자리 감지 기술을 이용하여 지면 물체의 가장자리를 탐지한다.
10) 조정된 분류 이미지를 대화식으로 음영처리하여 지형 배경을 반영하는 회색 음영 이미지를 암석 분류 맵에 중첩하여 암석 이미지 맵을 형성합니다.
(9) 암석 분류에 따른 암석 유형 인식
가뭄, 반건조 기암 노출 지역에 적용되는 암석 감정. TM 데이터를 예로 들어 주요 구현 프로세스에 대해 자세히 설명합니다.
1) TM 이미지를 지형 보정하여 디지털 겉보기 반사도 이미지 R 1, R2, R3, R4, R5, R7 을 생성합니다.
2) TM6 및 R 1 ~ R7 을 사용하여 공간 클러스터링법 감독되지 않은 분류를 수행하고 평면 분류도를 그립니다.
3) TM6 및 R 1 ~ R7 데이터를 사용하여 감독 분류를 수행합니다. 먼저 알려진 샘플을 훈련 영역으로 사용합니다
4) 통계 분류 이미지의 각 범주에 대한 평균, 최소값, 최대값, 표준 편차, 공분산 등의 매개변수.
5) 텍스처를 분석하고 분류하여 텍스처 유형 평면도를 준비합니다.
6) 감독되지 않은 분류, 감독 분류 및 텍스처 분류의 평면도를 겹쳐서 인간-컴퓨터 상호 작용을 통한 시각적 해석 및 융합을 통해 암석 원격 감지 유형 평면도를 준비합니다.
7) 암석 측량 및지도 작성. 같은 종류의 빈 공간은 알려진 암석 속성 정보를 채우고, 현장 검사는 암석 특성을 확인한 후 알 수 없는 빈 영역을 채웁니다.
(10) 하이퍼 스펙트 럴 데이터 암석 식별
이미징 스펙트럼 데이터를 이용하여 암석과 단일 또는 여러 미네랄의 스펙트럼 특징을 정량적으로 탐지하고, 암석과 광물 정보를 추출하고 식별하며, 주제별 암석학과 광물도를 편성한다. 주요 구현 방법은 다음과 같습니다.
1) 작업 영역 바위와 광물의 몇 가지 상징적인 스펙트럼 특징을 결정합니다.
2) 하이퍼 스펙트 럴 이미징 데이터를 사용하여 그림의 스펙트럼 곡선을 추출하고, 암석의 필드 스펙트럼 곡선 및 일부 표지 광물의 실험실에서 측정한 일반적인 곡선과 비교하여 암석 및 표지 광물의 존재를 반정량적으로 결정할 수 있습니다.
3) 암석학과 표지 광물의 검사를 통해 암석 분포도를 탐사하고 편성하는 목적을 달성했다.
4.3.2.2 파괴 구조 및 지질 경계의 이미지 향상 처리
주로 공간 필터, 자동 선형 추출 등의 방법을 사용하여 단층 구조 정보를 향상시키거나 추출합니다.
(1) 공간 방향 필터링 방법
원본 이미지에 대한 방향 필터를 수행하여 한 방향의 텍스처 정보를 강조하고 지질체의 공간 구조를 향상시킵니다.
1) 표 4 를 참조하십시오.1원하는 방향 정보를 기준으로 필터 연산자를 결정합니다.
2) 멀티밴드 이미지의 주성분 변환을 수행하여 방향 필터를 통해 첫 번째 마스터 구성 요소 이미지의 가장자리 그라데이션을 향상시킵니다.
3) 이미지의 로컬 가장자리 그라데이션을 향상시키고 전체 이미지의 대비를 억제한 다음 몇 가지 부드러운 방법을 결합하여 구조 변경 밴드와 링 구조를 향상시킵니다.
4) 이미지 대비 확장. 늘이기, 히스토그램 변환, 비율, 필터 등 이미지의 선형, 가장자리 및 텍스처 특징을 강조하고 암석, 선형 구조 및 링 구조의 이미지 특징을 향상시킵니다.
5) 하이 패스 필터는 높은 공간 주파수로 표면 특성을 향상시키고 수십 ~ 수백 미터의 선형 몸체 (예: 관절, 균열, 파열) 를 추출합니다. 저통필터는 저공간 주파수의 지표 특징을 강화하고, 길고 대규모 단층대, 변화대 등 지질 특징을 추출한다.
6) 가우스 회선 필터는 지질체 경계 윤곽의 세부 사항을 강조하고 텍스처 차이가 큰 암석을 구분하는 데 사용됩니다.
(2) 푸리에 파워 스펙트럼 텍스처 향상 방법
1) 일정한 크기의 창 이미지를 가져와서 각각 행과 열의 푸리에 변환을 한다.
2) 전력 스펙트럼 행렬을 찾고 로그 변환을 수행합니다.
3) 텍스처 측정을 계산하여 텍스처 이미지를 형성합니다.
4) 텍스처 이미지 해석, 선형 정보 및 암석 지질 경계 추출
(3) 이미지 텍스처 통계 방법
구조적 특징의 변화를 통해 단층 활동성의 차이와 암석 성분의 변화를 추론하고, 활동 단층의 범위를 동그라미하고, 단층 활동 방식을 설명한다.
(4) 라인 링 이미지 특징 방법
1) 이미지에 하이 패스 필터 및 선형 이미지 향상.
2) 22.5 ~ 67.5,67.5 ~112.5,292.5 ~ 337.5, 337.5 ~ 22.5 의 4 가지 방향으로 방향 필터를 수행합니다.
3) 단위 면적 (2.5km×2.5km) 의 선형 이미지 밀도와 등밀도 다이어그램을 계산합니다.
4) 선형 및 원형 이미지의 평면도를 시각적으로 분석하고, 비지질 모서리 점을 필터링하고, 겹치고 병합하고, 선형 이미지 영역, 밴드 및 등급, 링 이미지 간의 공간 구조 및 조합 관계를 나눕니다.
5) 선형 및 링 이미지의 지질 속성 해석.
(5) 선형 몸체의 자동 추출.
1) 방향 필터링 방법을 사용하여 다중 밴드 이미지 KL 변환의 첫 번째 컴포넌트의 가장자리 그라데이션을 향상시킵니다.
2) 그라디언트 이미지를 이진화하여 가장자리 점 이미지를 추출합니다.
3) 인간-컴퓨터 상호 작용은 간섭과 고립 된 에지 포인트를 제거합니다.
4) 호프 변환을 사용하여 선형 몸체를 연결하고 계산하고 선형 몸체의 분포 및 밀도 다이어그램을 출력합니다.
5) 선형 구조 추출 및 지질 분석.
(6) 이미지 밝은 온도 방법
적절한 계절과 시간의 열 적외선 원격 감지 이미지를 선택하여 열 적외선 밴드 이미지의 밝은 온도 분포 극선을 로고로 구조 정보를 추출합니다.
(7) 다 성분 분석 방법
먼저 일반 주성분 분석, 주성분 분석 선택 (피쳐 주성분 선택), 밴드 비율 등을 포함한 다양한 방법을 적용합니다. , 가능한 한 이미지에서 약한 지질 구조 정보를 추출한 다음 2 차 처리를 위해 가장 좋거나 좋은 주제 정보를 추출합니다. 두 가지 처리 방법이 있습니다. 하나는 서로 다른 색상의 조합이나 오버레이이며 주제 정보를 강조합니다. 둘째, 주제 정보 추출에 가장 유리한 결과와 원시 밴드를 선택하여 주요 구성 요소 분석을 다시 수행하고 두 번째 지질 정보 추출 및 향상을 수행하는 것입니다.
(8) 융합 처리에 기반한 구조 정보 추출 방법.
센서마다 파장 범위, 기하학적 특성, 해상도 등의 요인에 따라 응용 특성이 다릅니다. 서로 다른 센서 이미지를 기반으로 한 융합 처리는 서로 다른 센서 이미지의 장점을 결합하여 구조 정보의 인식 능력을 향상시킬 수 있습니다. 다음은 TM 과 SAR 이미지 융합 처리의 예입니다.
1) 먼저 SAR 이미지를 필터링하여 소음을 제거합니다.
2) 둘째, 단일 밴드 SAR 이미지와 다중 스펙트럼 TM 이미지를 기하학적 등록 융합하고, TM3, 4, 5 를 사용하여 IHS 변환을 수행하고, I 컴포넌트 대신 필터링된 SAR 이미지를 사용하고, IHS 역변환을 수행한 다음 TM3, 4, 5 를 사용하여 SAR 이미지를 주 구성요소로 변환합니다. 마지막으로 IHS 역변환을 거친 G 컴포넌트, TM4 밴드 및 첫 번째 마스터 컴포넌트 이미지를 지질 해석 이미지로 컬러 합성합니다.
3) 융합 이미지에서 직접 단층 구조 정보를 추출하고 SAR 이미지의 특정 관통성을 이용하여 숨겨진 단층 구조 정보를 추출할 수 있습니다.
4.3.2.3 지역 지질 안정성 종합 관리 및 원격 감지 정보 보조 추출
1) 다상 다중 플랫폼 원격 감지 위성 데이터를 가져와 지면 제어점 데이터와 지역 지질 환경 데이터를 수집합니다.
2) 이미지의 기하학적 보정 및 등록. 먼저 지형도를 정밀하게 스캔하여 디지털 이미지를 형성합니다. 그런 다음 디지털 지형도를 투영 변환, 등록 및 테셀레이션하고 영역 이미지를 합성하고 테셀레이션합니다. 마지막으로 지질 활동 영역의 DEM 및 3D 지형 시각화 이미지를 설정합니다.
인간-컴퓨터 상호 작용 해석을 하다. 세밀하게 보정된 디지털 위성 이미지를 바탕으로 다양한 이미지 처리를 수행하여 구성 활동 벨트, 산사태 및 개발 환경에 대한 정보를 향상시킵니다. 한편, 시각적 해석, 지역 지질 안정성 정보 결정, 컴퓨터에 위치 지정, 경계 구분, 그래픽 제작 등의 작업을 수행합니다. 원격 감지 해석 정보를 얻고, 다른 환경 데이터와 결합하여 종합적으로 처리하고, 분석, 비교 및 수정합니다.
4.3.2.4 숨겨진 지질 정보 추출 및 향상
중력 및 다양한 유형의 원격 감지 이미지를 사용하여 숨겨진 지질 정보를 추출합니다.
1) 중력 메쉬 데이터와 3D 오일러 디컨 볼 루션 방법을 사용하여 지하 구조의 위치 (경계) 와 깊이를 결정합니다.
2) 원격 감지 이미지를 사용하여 표면의 구조적 특징을 해석하고, 중자기 데이터 추출의 해당 위치에 대한 구성 정보를 원격 감지 구성 이미지에 중첩하여 각기 다른 깊이의 구조를 이미지에 각각 표시합니다. 이미지에 구성된 서로 다른 깊이 정보를 사용하여 숨겨진 지질체와 시공대 정보를 보조 추출합니다.
4.3.3 원격 감지 지질 정보 자동 추출 방법
컴퓨터 자동 정보 추출의 목적은 지질 전문가가 시각적 해석에 사용하는 지식을 정량적으로 표현하고 근본적으로 지식 참여의 자동 추출을 실현하는 것이다. 기존의 컴퓨터 자동 정보 추출 방법은 주로 스펙트럼 피쳐 모델, 컴퓨터 자동 분류, 공간 데이터 마이닝 및 지식 발견에 기반한 정보 추출 방법입니다.
4.3.3. 1 스펙트럼 특징 모델 방법
일반적으로 통계적 회귀를 통해 원격 감지 정보 모델을 구축하고 특정 이미지의 실제 상황에 따라 모델 매개변수를 지속적으로 조정하여 모델이 최종적으로 이미지에 맞도록 합니다. 원격 감지 정보 모델은 기존 지면 실험을 기반으로 추출된 그림 반연 모델입니다. 영상 데이터에 영향을 미치는 요인이 많기 때문에 위성 영상에 있는 그림의 반사는 지면의 실측 데이터와 일일이 대응하는 것이 아니다. 원격 감지 정보론과 실제 지도 이미지가 효과적으로 결합되어 주제 정보를 자동으로 추출하는 응용 범위와 정확도가 제한되어 있습니다. 암석 지층 단위 모델링 기술은 스펙트럼 피쳐 모델링 방법입니다. 구체적인 단계는 다음과 같습니다.
1) 다중 요소 검은색 탄소 셰일, 뱀 녹암대, 혼합암대, 초기성암체 등 특수한 영상적 특징을 가진 광원층, 광산지층, 암층을 기본 단위로 하고 있습니다. 그 멀티밴드 원격감각은 원회색 값처럼 밴드의 함수이며, 단위마다 함수 곡선이 다릅니다.
2) 각 밴드에서 특정 셀의 밝기 범위와 동일한 셀 범주의 다차원 공간에서 수렴을 결정하기 위해 특정 지질 학적 의미를 갖는 셀의 스펙트럼 특성을 통계합니다.
3) 셀 범주의 변경 매개변수 (평균 및 표준 편차) 에 따라 원격 감지 이미지 밝기 값 간격에 기반한 암석 지층 단위 모델을 설정하고 입력된 임계값 매개변수와 다중 대역 원격 감지 데이터를 사용하여 암석 지층 단위 정보를 자동으로 추출합니다.
4.3.3.2 분류
분류 방법은 원격 감지 정보의 자동 추출에서 중요한 역할을 한다. 핵심은 원격 감지 이미지의 자동 분할입니다. 기존의 컴퓨터 자동 분류 방법은 주로 원격 감지 영상 데이터를 사용하며, 때로는 다른 지학 지식을 자동으로 추가할 수 있지만, 인간의 뇌가 이미지를 분석할 때 사용하는 지식을 충분히 활용하지 못하기 때문에 높은 정확도를 얻기가 어렵다. 분류 방법 자동 지도암성은 원격 감지 이미지 처리에서 가장 복잡하고 어려운 문제이며, 자동 분류는 식물, 수역, 토지, 빙설 등 넓은 지역에 균일하게 분포된 특정 목표 정보를 추출하는 데 좋은 응용 목적을 가지고 있습니다.
4.3.3.3 데이터 마이닝 및 지식 발견 기술을 기반으로 합니다.
데이터 마이닝 이론 및 지식 발견 기술을 기반으로 원격 감지 주제 정보의 자동 추출에는 지식 발견, 지식 적용 추출 모델 구축, 원격 감지 데이터 및 모델을 사용한 원격 감지 주제 정보 추출 등이 포함됩니다. 지식 발견에는 단일 원격 감지 이미지의 스펙트럼 특징, 공간 구조와 형태, 개체 간의 공간 관계 등의 지식이 포함됩니다. 다중 시간 원격 감지 이미지에서 위의 지식뿐만 아니라 그림의 동적 변화 과정에 대한 지식도 발견할 수 있습니다. GIS 데이터베이스에서 다양한 관련 지식을 발견하다. 발견된 일부 지식, 일부 지식 또는 전체 지식을 활용하여 해당 원격 감지 주제 정보 추출 모델을 구축하고, 원격 감지 데이터를 사용하여 단일 지식, 단일 모델에서 다중 지식, 다중 모델에 이르는 포괄적인 응용 프로그램을 구현합니다. 단일 데이터 사용에서 다중 데이터 통합 사용에 이르는 정보를 자동으로 추출합니다.