[논문]다중 해상도 영상 등록을 위한 가변 원형 템플릿을 이용한 특징 정합

예철수

doi:10.7780/kjrs.2018.34.6.3.4

[국내논문] 다중 해상도 영상 등록을 위한 가변 원형 템플릿을 이용한 특징 정합
Feature Matching using Variable Circular Template for Multi-resolution Image Registration 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.3, 2018년, pp.1351 - 1367

초록
AI-Helper

다중 센서 영상을 영상 융합, 변화 탐지, 시계열 분석에 활용하기 위해서는 두 영상 간의 영상 등록 과정이 필수적이다. 영상 등록을 위해서는 서로 다른 공간 해상도를 가지는 다중 센서 영상 사이의 스케일과 회전각도 차이를 정확히 검출해야 한다. 본 논문에서는 다중 해상도 영상 간의 영상 등록을 위하여 가변 원형 템플릿을 이용한 새로운 특징 정합 기법을 제안한다. 제안하는 정합 기법은 스케일이 작은 영상의 특징점을 중심으로 원형 템플릿을 설정하고 스케일이 큰 영상에서는 가변 원형 템플릿을 생성한다. 가변 원형 템플릿의 스케일을 일정한 스케일 단위로 변경한 후에 가변 원형 템플릿을 일정 각도 단위로 회전시키면서 두 원형 템플릿 사이의 상호 정보량이 최대가 될 때의 가변 원형 템플릿의 스케일, 회전 각도 그리고 중심 위치를 각각 검출한다. 제안한 방법을 서로 다른 공간 해상도를 가지는 Kompsat(Korea Multi-Purpose Satellite) 2호, 3호, 3A호 영상 조합에 적용한 결과, 스케일 팩터 오차는 0.004 이하, 회전 각도 오차는 $0.3^{\circ}$ 이하, 제어점의 위치 오차는 1 화소 이하의 정합 성능을 보였다.

Abstract ▼ AI-Helper

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 propose a new feature matching method using variable circular template for image registration between multi-resolution images. The proposed method creates a circular template at the center of a feature point in a coarse scale image and also a variable circular template in a fine scale image, respectively. After changing the scale of the variable circular template, we rotate the variable circular template by each predefined angle and compute the mutual information between the two circular templates and then find the scale, the angle of rotation and the center location of the variable circular template, respectively, in fine scale image when the mutual information between the two circular templates is maximum. The proposed method was tested using Kompsat-2, Kompsat-3 and Kompsat-3A images with different spatial resolution. The experimental results showed that the error of scale factor, the error of rotation angle and the localization error of the control point were less than 0.004, $0.3^{\circ}$ and one pixel, respectively.

주제어

표/그림 (22)

그림 Fig. 1. Ikonos image and Quickbird images before and after affine transformation. (a) Ikonos image. (b) Quickbird image before affine transformation. (c) Quickbird image after affine transformation.
그림 Fig. 2. Comparison of mutual information-based similarities between Ikonos image and before and after Quickbird images of affine transformation. (a) Mutual information before affine transformation (b) Mutual information after affine transformation.
표 Fig. 3. Affine transformation of the fine scale image and similarity measurement between the affine transformed fine scale image and coarse scale image. The similarity is computed using the circular template of the coarse scale image and the circular template obtained after each parameter combination of the affine transformation in the fine scale image.
그림 Fig. 4. Determination of the location of pixels in the circular templates using the parameters of rotation angle θ_j, scale factor s_k and displacement (x_h, y_h) in (a) the coarse scale image and in (b) the fine scale image.
그림 Fig. 5. Two-dimensional arrays for the pixels of circular templates in (a) the coarse scale image and in (b) the fine scale image after affine transformation.
그림 Fig. 6. Updating the location of each pixel of the circular template by changing the angle θ_d. (a) Initial pixel locations. (b) Updated pixel locations.
그림 Fig. 7. Experimental Kompsat images of Niamey. (a) Kompsat-2 image (April 18, 2009). (b) Kompsat-3 image (Jan. 21, 2013). (c) Kompsat-3A image (Nov. 29, 2015).
표 Table 1. Three types of the experimental images
그림 Fig. 8. Result of corner detection from Kompsat-3 image. (a) Kompsat-3 panchromatic image. (b) Centers of circles represent the corners detected using geometric mean-based corner detector. The center of white cross hair represents the corner with maximum corner response, which is used as the control point in the estimation of affine parameters.
그림 Fig. 9. Some sets of the tested Kompsat-3 images. (a) Original image. (b) Image rescaled by the scaling factor s_k=2 and corrupted by 10% uniform noise. (c) Image rescaled by the scaling factor s_k=3 and rotated by the angle of 90° under 10% uniform noise. (d) Image rescaled by the scaling factor s_k=3 and rotated by the angle of 180° under 10% uniform noise.
표 Table 2. Results of detection of scale factors sk for the coarse scale images
표 Table 3. Results of detection of rotation angles
표 Table 4. Error in the localization of the control point
그림 Fig. 10. Illustration of the detection of scale factor and rotation angle. (a) Detection of the scale factor for the coarse scale image in the case of the scaling factor 2.0. (b) Mutual information versus rotation angles in the case of the scaling factor 2.0 and the rotation angle of 90° under 10% uniform noise.
그림 Fig. 11. Some sets of the tested Kompsat-3 images. (a) Original image. (b) Scaling factor of 2.0 and rotation angle of 90°. (c) Scaling factor of 4.0 and rotation angle of 180°. (d) Scaling factor of 6.0 and rotation angle of 270°. (e) Scaling factor of 8.0 and rotation angle of 90°. (f) Scaling factor of 10.0 and rotation angle of 180°.
표 Table 5. Results of detection of scale factors for the coarse scale images
표 Table 6. Result of detection of rotation angles
표 Table 7. Error in the localization of control points
그림 Fig. 12. Mutual information versus scale factors. (a) Kompsat-3 image vs. Kompsat-2 image. (b) Kompsat-3A image vs. Kompsat-2 image. (c) Kompsat-3A image vs. Kompsat-3 image.
표 Table 8. Results of image registration using Kompsat-2 and Kompsat-3 images
표 Table 9. Results of image registration using Kompsat-2 and Kompsat-3A images
표 Table 10. Results of image registration using Kompsat-3 and Kompsat-3A images

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

기존의 영상 등록 방법이 스케일 및 회전에 불변한 특징점 검출 및 정합 관점에서 다양한 영상 기술자와 정합 방식을 제시하는데 반해서 제한하는 방법은 특징점 주변의 넓은 영역에 대한 영상 변환이라는 새로운 관점에서 영상 등록 문제를 해결하고자 하였다. 영상 변환관점의 새로운 접근 방법을 통해 서로 다른 해상도를 가지는 영상 간의 상대적인 스케일과 회전 그리고 특징점 위치를 정밀하게 획득할 수 있었다.
본 논문에서는 가변 원형 템플릿 정합 기법(Ye, 2018)을 기초로 하여, 기존의 특징점 검출 및 정합 방식을 대체할 수 있는 어파인 파라미터를 이용한 다중 해상도영상의 특징 정합 기법을 소개한다. 먼저 영상 간의 기하학적 보정이 특징점 정합 유사도 향상에 미치는 영향을 분석하고 스케일이 서로 다른 영상 간의 원형 템플릿을 이용한 영상 변환 방법을 제시한다.
상대적인 스케일 검출과 관련하여 기존의 연구는 두 영상 내의 존재하는 특징을 중심으로 특성 스케일(characteristic scale)을 각각 검출한 후에 그 크기를 비교하여 상대적인 스케일을 추정하나 이 경우 먼저 대응하는 두 특징점을 찾아야 하는 특징점 정합 문제로 인해서 자동 영상 등록에 적용하기에는 어렵다. 본 논문은 일차적으로는 다중 해상도 영상 간의 상대적인 스케일을 자동으로 검출하는 방법을 제시하였으며, 이와 함께 두 영상 간의 상대적인 회전 각도 차이와 특징점 위치를 정확하게 검출하여 다중해상도 영상 간의 특징 정합 방법을 제시한 데 그 의의가 있다.

가설 설정

(b) Scaling factor of 2.0 and rotation angle of 90°.
(b)mutual information versus rotation angles in the case of the scaling factor 2.0 and the rotation angle of 90°under 10% uniform noise.

제안 방법

따라서 두 영상 간의 기하학적 차이를 보정하면 정합점 간의 유사도를 높이고 정합점과 주변 화소들 간의 유사도 차이를 증가시켜서 정합 성능을 향상시킬 수 있음을 알 수 있다. 두 영상 간의 기하학적 보정을 위해서는 일반적으로 두 영상 간의 특징점들을 정합한 후에 정합된 특징점들을 이용하여 영상 변환을 수행하는 단계를 거치나 본 연구에서는 원형 템플릿을 이용한 영상 변환과 특징점 정합을 동시에 수행하는 방법을 제안한다.
스케일 팩터가 증가할수록 두 영상의 상대적인 스케일차이가 증가하게 되어 스케일 팩터 s_k=3인 경우, 스케일이 큰 영상에서 3×3 크기의 화소 영역은 스케일이 작은 영상에서 1화소 크기의 영역에 해당된다. 따라서 스케일이 큰 영상에서의 위치 오차는 스케일 팩터 증가에 따라 비례적으로 증가하기 때문에 위치 오차 분석에서 스케일 팩터의 영향을 배제하기 위하여 평균 오차와 스케일 팩터의 비(ratio)를 구하였다. 이 값은 스케일이 작은 영상 관점에서의 위치 오차로 이해할 수 있으며 1.
넓은 영역을 포함하는 원형 템플릿의 이러한 특징은 스케일 팩터와 회전 각도를 매우 정밀하게 조절할 수 있도록 한다. 또한 상호 정보량 기반의 유사도 측정 방식은 화소의 밝기값을 직접 비교하는 상관(correlation) 관계 기반의 유사도 측정 방식과 달리 두 원형 템플릿에 포함되는 화소들을 통계적으로 분석한다. 따라서 제안하는 방법은 좁은 영역에 대한 상호 정보량 기반의 유사도 측정 대신에 넓은 영역에 대한 상호 정보량 기반의 유사도 측정 방식을 적용하기 때문에 비교 대상이 되는 두 원형 템플릿 내부 영역에서 나타나는 미세한 차이를 넓은 영역에 걸쳐 통계적으로 측정할 수 있는 장점을 가진다.
본 논문에서는 가변 원형 템플릿 정합 기법(Ye, 2018)을 기초로 하여, 기존의 특징점 검출 및 정합 방식을 대체할 수 있는 어파인 파라미터를 이용한 다중 해상도영상의 특징 정합 기법을 소개한다. 먼저 영상 간의 기하학적 보정이 특징점 정합 유사도 향상에 미치는 영향을 분석하고 스케일이 서로 다른 영상 간의 원형 템플릿을 이용한 영상 변환 방법을 제시한다. 이어서 특징점의 유사도 계산을 위한 원형 템플릿의 설계 방법과 원형 템플릿 간의 상호 정보량에 기반한 유사도 계산 방법을 제시한다.
본 논문에서는 Table 1과 같이 세 가지 유형의 영상 자료를 이용하여 제안한 알고리듬의 성능을 검증하였다. 먼저 A 유형은 Kompsat-3 영상을 스케일이 큰 영상으로 삼고 스케일팩터 s_k의 범위가 1.
서로 다른 공간 해상도를 가지는 위성 센서 영상 사이의 영상 등록을 위해서 SIFT 기반의 특징 정합 방법을 적용할 수 있으나 검출한 특징점의 위치가 코너 주변에서 검출이 되는 문제와 함께 특징 벡터를 추출하는 과정을 통해 원래의 영상 밝기값 정보 대신에 일부 특징 정보만을 이용하는 근본적인 한계를 가진다. 본 논문에서는 해상도 차이가 존재하는 두 영상 간의 영상 등록 문제를 스케일이 서로 다른 두 영상 간의 어파인 변환(affine transformation)관점에서 재해석하여 다중 해상도 영상 간의 상대적인 스케일, 회전 각도 차이, 특징점 위치를 동시에 검출할 수 있는 가변 원형 템플릿을 이용한 정합 기법을 제안하였다. 제안한 가변 원형 템플릿을 이용한 정합 기법은 스케일이 작은 영상의 특징점을 중심으로 원형 템플릿을 설정하고 스케일이 큰 영상에서 가변 원형 템플릿의 스케일을 일정한 스케일 단위로 변경하면서 스케일이 작은 영상의 원형 템플릿과의 상호 정보량이 최대가 될 때의 가변 원형 템플릿의 스케일, 회전 각도 그리고 가변 원형 템플릿의 중심 위치를 각각 검출하였다.
여기서 H는 엔트로피를 나타낸다. 상호 정보량 MI를 계산하기 위하여 먼저 스케일이 작은 영상의 특징 좌표(x_l, y_l)를 검출하기 위해서 일정 범위 내에서 코너 응답값이 최대가 되는 코너점의 위치를 기하 평균 기반의 특징점 검출기를 이용하여 검출한다(Ye, 2014a). 검출된 특징 좌표(x_l, y_l)를 중심으로 반지름이 R인 원형 템플릿에 속하는 화소 집합 Pl을 설정한 후에 스케일이 큰 영상의 스케일 0 ≤ k ≤ N_s 범위에 속하는 각 스케일 k에 대해 식 (6)을 이용하여 원형 템플릿 화소 집합 P_h를 설정한다.
상호 정보량 계산에 소요되는 시간을 줄이기 위하여 원형 윈도우 생성시 템플릿 중심에서 방사적으로 떨어진 위치 ri 사이의 간격과 회전 각도 θj 사이의 간격을 각각 일정한 간격을 두고 생성한다.
001인 경우의 각 영상 조합에 대한 결과를 보여준다. 스케일 팩터가 0.001 단위로 변하는 경우, 상호 정보량이 최대가 되는 스케일 팩터가 여러 값에 걸쳐서 나타났으며 최종 검출된 스케일 팩터는 상호 정보량이 최대가 되는 스케일 팩터들의 평균값을 취하고 소수 넷째 자리의 값을 반올림하여 추정하였다. Kompsat-3 영상과 Kompsat-2 영상 조합의 실험에서는 상호 정보량이 최대가 되는 스케일 팩터가 1.
앞서 소개한 기존의 영상 기술자 중심의 특징점 정합기법들은 스케일 및 회전 변화를 포함하는 영상 간의 특징점 유사도를 비교하기 위해서 스케일 변화, 회전 변화의 영향을 적게 받는 특징점 추출 방법, 특징점 유사도 계산 방법을 제시한다. 그러나 영상 등록을 위한 이러한 특징점 중심의 유사도 계산 접근 방식 대신에 특징점을 포함하는 넓은 영역 간의 영상 변환(image transformation)관점에 본다면 영상 등록은 두 비교 영상 간의 어파인 파라미터를 결정하는 과정으로 이해할 수 있다.
먼저 영상 간의 기하학적 보정이 특징점 정합 유사도 향상에 미치는 영향을 분석하고 스케일이 서로 다른 영상 간의 원형 템플릿을 이용한 영상 변환 방법을 제시한다. 이어서 특징점의 유사도 계산을 위한 원형 템플릿의 설계 방법과 원형 템플릿 간의 상호 정보량에 기반한 유사도 계산 방법을 제시한다. 제안한 정합 방법의 성능 검증을 위해서 Kompsat 3호 영상을 이용하여 다양한 조건에서 생성된 스케일 영상들과 실제 서로 다른 스케일을 가지는 Kompsat 2호, 3호, 3A호 영상을 이용하여 성능 평가를 각각 수행하였다.
본 논문에서는 해상도 차이가 존재하는 두 영상 간의 영상 등록 문제를 스케일이 서로 다른 두 영상 간의 어파인 변환(affine transformation)관점에서 재해석하여 다중 해상도 영상 간의 상대적인 스케일, 회전 각도 차이, 특징점 위치를 동시에 검출할 수 있는 가변 원형 템플릿을 이용한 정합 기법을 제안하였다. 제안한 가변 원형 템플릿을 이용한 정합 기법은 스케일이 작은 영상의 특징점을 중심으로 원형 템플릿을 설정하고 스케일이 큰 영상에서 가변 원형 템플릿의 스케일을 일정한 스케일 단위로 변경하면서 스케일이 작은 영상의 원형 템플릿과의 상호 정보량이 최대가 될 때의 가변 원형 템플릿의 스케일, 회전 각도 그리고 가변 원형 템플릿의 중심 위치를 각각 검출하였다.
7). 제안한 방법의 성능평가를 위하여 A 유형의 Kompsat-3 영상에 대해 Fig. 8과 같이 기하 평균 기반의 코너 검출기를 이용하여 코너 응답이 최대가 되는 제어점을 검출한 후에 다양한 스케일 팩터와 회전 성분을 가지면서 잡음 성분이 추가된 Kompsat-3 시뮬레이션 영상을 생성하였다(Fig. 9).
이어서 특징점의 유사도 계산을 위한 원형 템플릿의 설계 방법과 원형 템플릿 간의 상호 정보량에 기반한 유사도 계산 방법을 제시한다. 제안한 정합 방법의 성능 검증을 위해서 Kompsat 3호 영상을 이용하여 다양한 조건에서 생성된 스케일 영상들과 실제 서로 다른 스케일을 가지는 Kompsat 2호, 3호, 3A호 영상을 이용하여 성능 평가를 각각 수행하였다.

대상 데이터

두 번째 B 유형은 넒은 범위의 스케일팩터(2.0≤sk≤10.0)와 회전 각도를 적용한 총 36장의 작은 스케일 영상을 사용하였다.
먼저 A 유형은 Kompsat-3 영상을 스케일이 큰 영상으로 삼고 스케일팩터 sk의 범위가 1.2~3.0이 되도록 Kompsat3의 해상도를 변환하고 회전 각도 θd={0°, 90°, 180°,270°}인 4종류의 영상을 생성한 후에 10%의 균일 잡음(uniform noise)를 추가하여 총 40장의 작은 스케일 영상을 사용하였다.
보다 넓은 범위의 스케일 팩터에 대한 실험을 위해 2.0≤sk≤10.0 사이의 스케일 팩터와 4가지 회전 각도 θd={0°, 90°, 180°, 270°}를 적용한 유형 B의 저해상도 영상을 사용하였다.
본 논문에서 사용된 실험 영상은 Niger의 Niamey를 촬영한 Kompsat 2호, 3호, 3A호 영상으로 공간해상도가 각각 1.0m, 0.7m, 0.55m이다(Fig. 7). 제안한 방법의 성능평가를 위하여 A 유형의 Kompsat-3 영상에 대해 Fig.
0)와 회전 각도를 적용한 총 36장의 작은 스케일 영상을 사용하였다. 세 번째 C 유형은 동일한지역을 촬영한 Kompsat-2, Kompsat-3, Kompsat-3A 영상을 조합하여 사용하였다.
Kompsat-3 영상과 생성된 스케일이 작은 다양한 Kompsat-3 영상 사이의 어파인 파라미터(k*, #, #, #)를 구하기 위하여 반지름 R=300인 원형 템플릿에 대해, N_r=100, N_θ=72인 원형 템플릿을스케일이 작은 Kompsat-3 영상의 제어점 위에 생성하였다. 스케일이 큰 영상인 Kompsat-3 영상의 제어점 후보는 그레디언트 히스토그램의 상위 임계 비율 T_h=0.05이상인 화소로 한정하였다. 스케일 팩터 s_k는 0.
실험에 사용된 원형 템플릿의 반지름 R은 300 화소이고 ri를 3 화소단위로, 회전 각도 θj를 5° 간격으로 샘플링하여 Nr=100, Nθ=72로 총 7,200개의 화소 밝기값이 유사도 계산에 사용되었다.

성능/효과

Kompsat-3 영상을 스케일이 큰 영상으로 삼고 스케일 팩터의 범위가 1.2~3.0이 되도록 스케일이 작은 Kompsat-3 영상을 생성한 후에 4 종류의 회전 각도와 10%의 균일 잡음을 적용한 총 40가지 실험 조건에서 스케일 팩터, 상대적인 회전 각도를 모두 정확하게 검출하였으며 스케일이 작은 영상 관점의 위치 오차인 평균 오차와 스케일 팩터의 비가 0.42~0.69인 우수한 위치 오차결과를 얻었다. 스케일 팩터 범위가 보다 넓은 2.
2°, 제어점의 위치 오차는 행과 열 방향으로 각각 1화소의 오차를 보였다. Kompsat-3A 영상과 Kompsat-2 영상 조합의 실험에서는 상호 정보량이 최대가 되는 스케일 팩터가 1.790~1.793 범위에서 나타났다. 추정된 스케일 팩터 1.
Table 4는 검출된 제어점의 실제 기준점과의 위치 오차를 보여준다. 검출된 제어점의 행과 열 방향 오차의 평균값을 각각 구한 것으로 각 스케일의 4가지 회전각에 대해 0.50 ~1.62 화소 범위의 평균 오차 결과를 얻었다. 스케일 팩터가 증가할수록 두 영상의 상대적인 스케일차이가 증가하게 되어 스케일 팩터 s_k=3인 경우, 스케일이 큰 영상에서 3×3 크기의 화소 영역은 스케일이 작은 영상에서 1화소 크기의 영역에 해당된다.
2(b)와 같이 어파인 변환 후에 그 차이가 크게 증가하여 오정합 가능성이 크게 낮아 질 수 있음을 볼 수 있다. 따라서 두 영상 간의 기하학적 차이를 보정하면 정합점 간의 유사도를 높이고 정합점과 주변 화소들 간의 유사도 차이를 증가시켜서 정합 성능을 향상시킬 수 있음을 알 수 있다. 두 영상 간의 기하학적 보정을 위해서는 일반적으로 두 영상 간의 특징점들을 정합한 후에 정합된 특징점들을 이용하여 영상 변환을 수행하는 단계를 거치나 본 연구에서는 원형 템플릿을 이용한 영상 변환과 특징점 정합을 동시에 수행하는 방법을 제안한다.
또한 상호 정보량 기반의 유사도 측정 방식은 화소의 밝기값을 직접 비교하는 상관(correlation) 관계 기반의 유사도 측정 방식과 달리 두 원형 템플릿에 포함되는 화소들을 통계적으로 분석한다. 따라서 제안하는 방법은 좁은 영역에 대한 상호 정보량 기반의 유사도 측정 대신에 넓은 영역에 대한 상호 정보량 기반의 유사도 측정 방식을 적용하기 때문에 비교 대상이 되는 두 원형 템플릿 내부 영역에서 나타나는 미세한 차이를 넓은 영역에 걸쳐 통계적으로 측정할 수 있는 장점을 가진다.
69인 우수한 위치 오차결과를 얻었다. 스케일 팩터 범위가 보다 넓은 2.0~10.0 사이에서 4 종류의 회전 각도 조건을 적용한 총 36가지 실험 조건에서도 스케일 팩터, 상대적인 회전 각도를 모두 정확하게 검출하였고 스케일을 고려한 평균 위치 오차와 스케일 팩터의 비는 0.24~0.42 화소 범위의 결과를 얻었다. 서로 다른 공간 해상도를 가지는 Kompsat 2호,3호, 3A호 영상 조합에 대한 실험에서는 스케일 팩터 오차는 0.
실험 결과에서 얻어진 스케일 팩터, 회전 각도, 특징점 위치 검출의 높은 정확도는 원형 템플릿의 크기 및 유사도 계산 방식과 밀접한 관계를 가진다. 실험에 사용된 원형 템플릿의 반지름 R은 300 화소이고 r_i를 3 화소단위로, 회전 각도 θ_j를 5° 간격으로 샘플링하여 N_r=100, N_θ=72로 총 7,200개의 화소 밝기값이 유사도 계산에 사용되었다.
기존의 영상 등록 방법이 스케일 및 회전에 불변한 특징점 검출 및 정합 관점에서 다양한 영상 기술자와 정합 방식을 제시하는데 반해서 제한하는 방법은 특징점 주변의 넓은 영역에 대한 영상 변환이라는 새로운 관점에서 영상 등록 문제를 해결하고자 하였다. 영상 변환관점의 새로운 접근 방법을 통해 서로 다른 해상도를 가지는 영상 간의 상대적인 스케일과 회전 그리고 특징점 위치를 정밀하게 획득할 수 있었다. 상대적인 스케일 검출과 관련하여 기존의 연구는 두 영상 내의 존재하는 특징을 중심으로 특성 스케일(characteristic scale)을 각각 검출한 후에 그 크기를 비교하여 상대적인 스케일을 추정하나 이 경우 먼저 대응하는 두 특징점을 찾아야 하는 특징점 정합 문제로 인해서 자동 영상 등록에 적용하기에는 어렵다.
24의 낮은 수준을 보였다. 이는 제안한 방법이 스케일이 작은 영상 관점에서 두 영상의 스케일이 2~10배 정도 차이가 나더라도 0.24~0.42 화소 수준의 높은 위치 정확도를 가짐을 보여준다.
0이고 회전 성분을 포함한 다양한 저해상도 영상의 예를 보여준다. 제안한 방법은 Table 5와 같이 각각의 스케일 팩터와 회전 각도 조건에서 모두 정확하게 스케일 팩터를 검출하였다. 두 비교 영상 간의 회전 각도도 Table 6과 같이 모든 조건에서 정확하게 검출하였다.
회전 각도 오차는 0.3°를 보였으며 제어점에 대응하는 기준점의 행과 열 방향의 위치는 정확하게 검출이 되었다(Table 9).

질의응답

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.

참고문헌 (17)

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.

상세보기
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.

상세보기
Liu, J., G. Zeng, and J. Fan, 2012. Fast Local Self- Similarity for describing interest regions, Pattern Recognition Letters, 33: 1224-1235.

상세보기
Lowe, D. G., 2004. Distinctive image features from scale-Invariant keypoints, International Journal of Computer Vision, 60(2): 91-110.

상세보기
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.

상세보기
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.

상세보기
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.

상세보기
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.

상세보기
Ye, C.H., 2014a. Feature detection using geometric mean of eigenvalues of gradient matrix, Korean Journal of Remote Sensing, 30(6): 769-776.

원문보기 상세보기
Ye, C.H., 2014b. Mutual Information-based circular template matching for image registration, Korean Journal of Remote Sensing, 30(5): 547-557.

원문보기 상세보기
Ye, C.H., 2014c. Image registration using outlier removal and triangulation-based local transformation, Korean Journal of Remote Sensing, 30(6): 787-795.

원문보기 상세보기
Ye, C.H., 2018. Multiresolution image matching using variable circular template, Proc. of the KSRS Fall 2018, Muju, Korea, Oct. 24-26, p. 160.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증