프로젝트 개요
다분광으로 촬영된 이미지 속 위장막을 식별하는 프로젝트입니다. 다분광 이미지는 여러 파장 대역의 정보를 포함하고 있어, 가시광선 이미지로는 구분하기 어려운 위장막을 효과적으로 검출할 수 있습니다.
본 프로젝트는 다분광 이미지 정합, 이상 탐지 방법론 개발, 데이터 라벨링 툴 개발 등을 포함합니다.
주요 역할
- 다분광 이미지 정합
- Anomaly Detection 방법론 개발
- Data Labelling 툴 개발
주요 성과
1. 다분광 이미지 정합
- FFT 기반 정합: FFT(Fast Fourier Transform)를 활용한 다분광(4 channel) 이미지 정합 구현
- 주파수 영역 변환: 주파수 영역에서의 상관관계를 활용하여 여러 채널 간 정합 수행
- 정합 정확도 향상: 기하학적 변환과 주파수 영역 분석을 결합하여 높은 정합 정확도 달성
2. Anomaly Detection 방법론
- Multi Scale Filter: 다양한 스케일의 필터를 사용하여 주변과 달리 anomal feature 값을 갖는 픽셀을 검출
- Feature 기반 탐지: 다분광 이미지의 특정 파장 대역에서 나타나는 특징을 활용한 이상 탐지
- Cosine Similarity 기반 선별: 기존에 알고 있는 위장막 다분광 feature와 Cosine Similarity가 높은 픽셀들을 선별
3. 데이터 라벨링 툴 개발
- Streamlit 기반 툴: 기존 라벨링 툴과 다르게 다분광 이미지를 정합한 뒤에 라벨링 할 수 있는 툴을 Streamlit으로 제작
- 다채널 시각화: 4개 채널의 다분광 이미지를 효과적으로 시각화하고 라벨링할 수 있는 인터페이스 제공
- 정합 후 라벨링: 정합된 이미지를 기반으로 정확한 라벨링 수행 가능
기술적 접근 방법
1단계: 이미지 정합
FFT를 활용하여 4개 채널의 다분광 이미지를 정합합니다. 주파수 영역에서의 상관관계를 분석하여
각 채널 간의 기하학적 변환을 보정합니다.
2단계: 이상 탐지
Multi Scale Filter를 사용하여 주변 픽셀과 다른 특성을 가진 픽셀을 검출합니다.
위장막의 다분광 특성을 학습하여 Cosine Similarity 기반으로 위장막을 식별합니다.
3단계: 결과 시각화
검출된 위장막을 원본 이미지에 오버레이하여 시각화합니다.
다분광 이미지 처리
다분광 이미지는 여러 파장 대역(채널)의 정보를 포함하고 있어, 각 채널마다 다른 정보를 담고 있습니다. 본 프로젝트에서는 4개 채널의 다분광 이미지를 처리하며, 각 채널의 정보를 효과적으로 활용하기 위해 정합이 필수적입니다.
- TFF 파일 처리: 다분광 이미지의 표준 형식인 TFF 파일을 읽고 처리
- 식생지수 연산: NDVI(Normalized Difference Vegetation Index) 등 식생지수를 활용한 분석
- 스펙트럼 분석: 각 픽셀의 스펙트럼 특성을 분석하여 위장막 식별
배운 점
- Multi Spectral image의 개념 및 TFF 파일, 식생지수 연산 등 활용 방법
- Image Anomaly Detection 방법론 (예: Reed Xiaoli Detector)
- FFT를 활용한 이미지 정합 기법
- Multi Scale Filter를 활용한 이상 탐지
- Cosine Similarity를 활용한 특징 기반 매칭
- Streamlit을 활용한 데이터 라벨링 툴 개발
- 다채널 이미지 처리 및 시각화 방법