최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.3, 2018년, pp.1351 - 1367
Image registration is an essential process for image fusion, change detection and time series analysis using multi-sensor images. For this purpose, we need to detect accurately the difference of scale and rotation between the multi-sensor images with difference spatial resolution. In this paper, we ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
정합에 사용되는 원형 템플릿의 크기가 점진적으로 증가하면 정합오차도 함께 감소하고, 원형 템플릿의 반지름이 100~500 화소의 비교적 넓은 범위로 증가하면 정합오차도 1화소 이내의 낮은 수준으로 수렴하는 것이 보여주는 것은? | Ye(2014b)의 연구에 따르면 정합에 사용되는 원형 템플릿의 크기가 점진적으로 증가하면 정합오차도 함께 감소하고, 원형 템플릿의 반지름이 100~500 화소의 비교적 넓은 범위로 증가하면 정합오차도 1화소 이내의 낮은 수준으로 수렴하였다. 이와 같은 결과는 특징점 중심의 좁은 영역의 유사도 비교에 비해 넓은 영역의 유사도 비교가 가지는 장점을 잘 보여준다. | |
영상 등록 과정이란? | 원격 탐사 영상을 이용한 변화 탐지, 시계열 분석과같이 동일 대상을 다른 촬영 조건에서 획득한 영상을 비교하기 위해서는 두 영상 간의 영상 좌표를 일치시키는 영상 등록 과정이 필수적이다. 영상 등록 과정은 두 영상 좌표의 변환 기준점이 되는 특징점 검출과 두 영상에 공통으로 존재하는 특징점 쌍을 구하는 특징점 정합이 핵심적인 과정이다. 특징점 검출은 템플릿의 중심 화소를 기준으로 밝기값의 변화량을 측정하여 이웃 화소보다 변화량이 큰 화소를 특징점으로 검출한다(Moravec,1977). | |
SIFT 기반의 방법의 특징은? | 영상 기술자는 특징점 주변의 영상 정보를 그 성분으로 하는 벡터이며 대표적으로 Scale Invariant Feature Transform(SIFT)(Lowe, 2004)가 널리 알려진 영상 기술자이다. SIFT 기반의 방법들은 영상 기술자가 특징점 주변의 영상 특성을 반영하는 히스토그램을 기본적으로 이용하기 때문에 스케일 및 회전 변화 등과 같은 기하학적 변형에 대해 강건한 특징을 가진다(Song et al., 2014; Gong et al. |
Carneiro, G. and A. D. Jepson, 2002. Phase-based local features, Proc. of the 7th European Conference on Computer Vision, Copenhagen, Denmark, May 28-31, vol. 1, pp. 282-296.
Gong, M., S. Zhao, L. Jiao, D. Tian, and S. Wang, 2014. A novel coarse-to-fine scheme for automatic image registration based on SIFT and mutual information, IEEE Transactions on Geoscience and Remote Sensing, 52(7): 4328-4338.
Harris, C. and M. Stephens, 1988. A combined corner and edge detector, Proc. of the 4th Alvey Vision Conference, Manchester, UK, Aug. 31-Sep. 2, pp. 147-151.
Liu, J. and G. Zeng, 2012. Description of interest regions with oriented local self-similarity, Optics Communications, 285(10): 2549-2557.
Liu, J., G. Zeng, and J. Fan, 2012. Fast Local Self- Similarity for describing interest regions, Pattern Recognition Letters, 33: 1224-1235.
Lowe, D. G., 2004. Distinctive image features from scale-Invariant keypoints, International Journal of Computer Vision, 60(2): 91-110.
Moravec, H.P., 1977. Towards automatic visual obstacle avoidance, Proc. of the 5th International Joint Conference on Artificial Intelligent, Cambridge, UK, Aug. 22-25, vol. 2, p. 584.
Sedaghat, A. and H. Ebadi, 2015. Distinctive order based self-similarity descriptor for multi-sensor remote sensing image matching, ISPRS Journal of Photogrammetry and Remote Sensing, 108: 62-71.
Shechtman, E. and M. Irani, 2007. Matching local selfsimilarities across images and videos, Proc. of IEEE Conference on Computer Vision and Pattern Recognition, Minneapolis, USA, Jun. 17-22, pp. 1-8.
Shi, J. and C. Tomasi, 1994. Good features to track, Proc. of IEEE conference on Computer Vision and Pattern Recognition, Seattle, USA, Jun. 21-23, pp. 593-600.
Song, Z., S. Zhou, and J. Guan, 2014. A novel image registration algorithm for remote sensing under affine transformation, IEEE Transactions on Geoscience and Remote Sensing, 52(8): 4895-4912.
Sun, Y., L. Zhao, S. Huang, L. Yan, and G. Dissanayake, 2014. L2-SIFT: SIFT feature extraction and matching for large images in large-scale aerial photogrammetry, ISPRS Journal of Photogrammetry and Remote Sensing, 91: 1-16.
Wu, B., Y. Zhang, and Q. Zhu, 2012. Integrated point and edge matching on poor textural images constrained by self-adaptive triangulations, ISPRS Journal of Photogrammetry and Remote Sensing, 68: 40-55.
Ye, C.H., 2018. Multiresolution image matching using variable circular template, Proc. of the KSRS Fall 2018, Muju, Korea, Oct. 24-26, p. 160.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.