흑백 항공 영상 컬러화에 대한 XGBoost 회귀 및 적층 오토인코더 적용성 연구 A study on the application of XGBoost regression and stacked autoencoder for grayscale aerial imagery colorization원문보기
대부분의 과거 항공 영상은 아날로그 흑백 필름으로 촬영되었으며 건물 및 지형 식별에 어려움이 있고 국토 변화를 파악함에 불편함이 있다. 따라서 국토 변화의 빠른 식별을 위해서는 컬러 채색 작업이 필요하다. 그러나 컬러 채색 작업은 수작업으로 수행해야 하므로 많은 시간과 비용이 필요하다. 본 연구에서는 흑백 항공 영상을 자동으로 채색하기 위하여 딥러닝 및 머신 러닝 기법을 적용한다. 제안한 방법은 흑백 항공 영상과 동일 지역의 시기가 다른 컬러 항공 영상을 활용한다. 컬러 항공 영상은 RGB 3 밴드로 이루어져 있고 CIE L*a*b* ...
대부분의 과거 항공 영상은 아날로그 흑백 필름으로 촬영되었으며 건물 및 지형 식별에 어려움이 있고 국토 변화를 파악함에 불편함이 있다. 따라서 국토 변화의 빠른 식별을 위해서는 컬러 채색 작업이 필요하다. 그러나 컬러 채색 작업은 수작업으로 수행해야 하므로 많은 시간과 비용이 필요하다. 본 연구에서는 흑백 항공 영상을 자동으로 채색하기 위하여 딥러닝 및 머신 러닝 기법을 적용한다. 제안한 방법은 흑백 항공 영상과 동일 지역의 시기가 다른 컬러 항공 영상을 활용한다. 컬러 항공 영상은 RGB 3 밴드로 이루어져 있고 CIE L*a*b* 색 공간 정보로 변환하여 사용한다. 첫째로 머신 러닝을 적용한 방법은 두 영상 간에 PIF (Pseudo Invariant Feature) 추출 기법을 적용하여 미변화 지역을 추출하고 미변화 지역의 화소 별 흑백 항공 영상의 화소 값과 컬러 항공 영상의 a, b 값으로 학습 데이터 세트를 구축한다. 머신 러닝에서는 컬러 예측을 위하여 흑백 항공 영상의 화소 값 이외에 추가 정보가 필요하다. 따라서 통계 변수와 GLCM (Gray Level Co-occurrence Matrix) 변수를 활용하여 변수 간 상관관계를 분석하고 최적의 변수 조합을 선정한다. 선정된 변수들로 XGBoost (eXtreme Gradient Boosting) 회귀 모델에 학습시킨 후 컬러를 예측한다. 둘째로 딥러닝을 적용한 방법은 흑백 항공 영상의 L 값과 컬러 항공 영상의 a, b 값 간에 색상 관계를 수립하고 적층 오토인코더 (Stacked AutoEncoder) 모델에 학습시킨 후 컬러를 예측하는 방법이다. 채색된 영상의 성능평가로는 시각적 분석과 정량적 평가를 수행했으며 정량적 평가로는 PSNR (Peak Signal-to-Noise Ratio), SSIM(Structural Similarity) 수치를 비교하였다. 두 모델의 채색 분석 결과, 흑백 항공 영상의 화소 값과 통계 변수 5가지 (중앙값, 평균값, 최댓값, 최솟값, 분산 값)을 사용하고 XGBoost 회귀 모델을 적용한 머신 러닝 기법이 1m급 고해상도 흑백 영상에서 더 높은 성능의 컬러 채색이 가능함을 확인하였다.
대부분의 과거 항공 영상은 아날로그 흑백 필름으로 촬영되었으며 건물 및 지형 식별에 어려움이 있고 국토 변화를 파악함에 불편함이 있다. 따라서 국토 변화의 빠른 식별을 위해서는 컬러 채색 작업이 필요하다. 그러나 컬러 채색 작업은 수작업으로 수행해야 하므로 많은 시간과 비용이 필요하다. 본 연구에서는 흑백 항공 영상을 자동으로 채색하기 위하여 딥러닝 및 머신 러닝 기법을 적용한다. 제안한 방법은 흑백 항공 영상과 동일 지역의 시기가 다른 컬러 항공 영상을 활용한다. 컬러 항공 영상은 RGB 3 밴드로 이루어져 있고 CIE L*a*b* 색 공간 정보로 변환하여 사용한다. 첫째로 머신 러닝을 적용한 방법은 두 영상 간에 PIF (Pseudo Invariant Feature) 추출 기법을 적용하여 미변화 지역을 추출하고 미변화 지역의 화소 별 흑백 항공 영상의 화소 값과 컬러 항공 영상의 a, b 값으로 학습 데이터 세트를 구축한다. 머신 러닝에서는 컬러 예측을 위하여 흑백 항공 영상의 화소 값 이외에 추가 정보가 필요하다. 따라서 통계 변수와 GLCM (Gray Level Co-occurrence Matrix) 변수를 활용하여 변수 간 상관관계를 분석하고 최적의 변수 조합을 선정한다. 선정된 변수들로 XGBoost (eXtreme Gradient Boosting) 회귀 모델에 학습시킨 후 컬러를 예측한다. 둘째로 딥러닝을 적용한 방법은 흑백 항공 영상의 L 값과 컬러 항공 영상의 a, b 값 간에 색상 관계를 수립하고 적층 오토인코더 (Stacked AutoEncoder) 모델에 학습시킨 후 컬러를 예측하는 방법이다. 채색된 영상의 성능평가로는 시각적 분석과 정량적 평가를 수행했으며 정량적 평가로는 PSNR (Peak Signal-to-Noise Ratio), SSIM(Structural Similarity) 수치를 비교하였다. 두 모델의 채색 분석 결과, 흑백 항공 영상의 화소 값과 통계 변수 5가지 (중앙값, 평균값, 최댓값, 최솟값, 분산 값)을 사용하고 XGBoost 회귀 모델을 적용한 머신 러닝 기법이 1m급 고해상도 흑백 영상에서 더 높은 성능의 컬러 채색이 가능함을 확인하였다.
Most of the past aerial images were taken with analog grayscale film, which makes it difficult to identify buildings and terrain, and it is inconvenient to grasp land changes. Therefore, for the quick identification of changes in land, colorization is required. However, colorization is a manual proc...
Most of the past aerial images were taken with analog grayscale film, which makes it difficult to identify buildings and terrain, and it is inconvenient to grasp land changes. Therefore, for the quick identification of changes in land, colorization is required. However, colorization is a manual process that requires a lot of time and money. In this study, we apply deep learning and machine learning techniques to automatically colorize grayscale aerial images. The proposed method utilizes grayscale aerial images and color aerial images with different time periods in the same region. The color aerial image is composed of RGB 3 bands and convert to CIE L*a*b* color space information. First, the machine learning method applies PIF (Pseudo Invariant Feature) extraction method between two images to extract unchanged region, and to build a training data set with pixel value of grayscale aerial image per pixel of unchanged region and a, b value of color aerial image. In machine learning, additional information is required in addition to pixel values of a grayscale aerial image for color prediction. Therefore, statistical variables and GLCM (Gray Level Co-occurrence Matrix) variables are used to analyze the correlation between variables and select the best combination of variables. The selected variables are trained on the XGBoost (eXtreme Gradient Boosting) regression model to predict color. Second, the deep learning method is to establish the color relationship between the L value of the grayscale aerial image and the a and b values of the color aerial image, train the stacked autoencoder model, and then predict the color. For performance evaluation of colored images, visual analysis and quantitative evaluation were performed, and for quantitative evaluation, peak signal-to-noise ratio (PSNR) and structural similarity (SSIM) values were compared. As a result of color analysis of the two models, It is possible to perform high-performance coloring in 1m high resolution grayscale image by applying XGBoost regression model using the pixel value of grayscale aerial imagery and five statistical variables (median, average, maximum, minimum, variance).
Most of the past aerial images were taken with analog grayscale film, which makes it difficult to identify buildings and terrain, and it is inconvenient to grasp land changes. Therefore, for the quick identification of changes in land, colorization is required. However, colorization is a manual process that requires a lot of time and money. In this study, we apply deep learning and machine learning techniques to automatically colorize grayscale aerial images. The proposed method utilizes grayscale aerial images and color aerial images with different time periods in the same region. The color aerial image is composed of RGB 3 bands and convert to CIE L*a*b* color space information. First, the machine learning method applies PIF (Pseudo Invariant Feature) extraction method between two images to extract unchanged region, and to build a training data set with pixel value of grayscale aerial image per pixel of unchanged region and a, b value of color aerial image. In machine learning, additional information is required in addition to pixel values of a grayscale aerial image for color prediction. Therefore, statistical variables and GLCM (Gray Level Co-occurrence Matrix) variables are used to analyze the correlation between variables and select the best combination of variables. The selected variables are trained on the XGBoost (eXtreme Gradient Boosting) regression model to predict color. Second, the deep learning method is to establish the color relationship between the L value of the grayscale aerial image and the a and b values of the color aerial image, train the stacked autoencoder model, and then predict the color. For performance evaluation of colored images, visual analysis and quantitative evaluation were performed, and for quantitative evaluation, peak signal-to-noise ratio (PSNR) and structural similarity (SSIM) values were compared. As a result of color analysis of the two models, It is possible to perform high-performance coloring in 1m high resolution grayscale image by applying XGBoost regression model using the pixel value of grayscale aerial imagery and five statistical variables (median, average, maximum, minimum, variance).
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.