본 논문에서는 고해상도 위성영상의 효과적인 분류를 위한 감독분류 시스템을 설계하고 구현하였다. 구현된 시스템은 분류의 정확도 향상을 위한 훈련데이타의 효율적인 선택을 위해서 다양한 인터페이스와 통계자료를 제공한다. 또한, 다양한 위성영상 포맷의 지원과 새로운 감독분류 알고리즘의 확장을 용이하게 하기 위하여 시스템을 모듈화 하였으며, 분광 특성을 고려한 분류의 적용이 가능하다. 분류 알고리즘으로는 평행육면체 분류, 최소거리 분류, 마하라노비스 거리 분류, 최대우도 분류, 퍼지 분류의 감독분류기법을 이용하여 고해상도 위성영상의 처리를 지원한다. 본 시스템의 적용은 고해상도 IKONOS 위성영상을 입력으로 하고, 그 결과를 분석하여 봄으로써 시스템의 응용 가능성을 보여준다.
본 논문에서는 고해상도 위성영상의 효과적인 분류를 위한 감독분류 시스템을 설계하고 구현하였다. 구현된 시스템은 분류의 정확도 향상을 위한 훈련데이타의 효율적인 선택을 위해서 다양한 인터페이스와 통계자료를 제공한다. 또한, 다양한 위성영상 포맷의 지원과 새로운 감독분류 알고리즘의 확장을 용이하게 하기 위하여 시스템을 모듈화 하였으며, 분광 특성을 고려한 분류의 적용이 가능하다. 분류 알고리즘으로는 평행육면체 분류, 최소거리 분류, 마하라노비스 거리 분류, 최대우도 분류, 퍼지 분류의 감독분류기법을 이용하여 고해상도 위성영상의 처리를 지원한다. 본 시스템의 적용은 고해상도 IKONOS 위성영상을 입력으로 하고, 그 결과를 분석하여 봄으로써 시스템의 응용 가능성을 보여준다.
In this paper, we design and Implement the supervised classification systems for high resolution satellite images. The systems support various interfaces and statistical data of training samples so that we can select the m()st effective training data. In addition, the efficient extension of new clas...
In this paper, we design and Implement the supervised classification systems for high resolution satellite images. The systems support various interfaces and statistical data of training samples so that we can select the m()st effective training data. In addition, the efficient extension of new classification algorithms and satellite image formats are applied easily through the modularized systems. The classifiers are considered the characteristics of spectral bands from the selected training data. They provide various supervised classification algorithms which include Parallelepiped, Minimum distance, Mahalanobis distance, Maximum likelihood and Fuzzy theory. We used IKONOS images for the input and verified the systems for the classification of high resolution satellite images.
In this paper, we design and Implement the supervised classification systems for high resolution satellite images. The systems support various interfaces and statistical data of training samples so that we can select the m()st effective training data. In addition, the efficient extension of new classification algorithms and satellite image formats are applied easily through the modularized systems. The classifiers are considered the characteristics of spectral bands from the selected training data. They provide various supervised classification algorithms which include Parallelepiped, Minimum distance, Mahalanobis distance, Maximum likelihood and Fuzzy theory. We used IKONOS images for the input and verified the systems for the classification of high resolution satellite images.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 결과는 훈련 지역에서 추출된 통계치가 훈련지역과 동일한 지역을 항목화 하는데 얼마나 유용한지를 알려준다. 즉 훈련 데이타의 대표성을 확인하는 것으로서 분류율이 높을수록 그 샘플의 대표성이 높다고 할 수 있다.
본 논문에서 설계한 고해상도 위성영상의 분류 시스템을 구현한 결과를 보여주고, 결과에 대한 고찰을 해보았다. 본 시스템은 마이크로소프트사의 비주얼 C++ 6.
본 논문은 고해상도 위성영상의 효과적인 분류를 위한 감독분류 시스템을 설계하고 구현하였다. 구현된 감독 분류 시스템은 확장 가능한 시스템의 설계를 위하여 컴포넌트를 기반으로 개발하였으며, 다양한 인공위성 영상을 입력영상으로 사용할 수 있고, 새로운 형태의 인공위성 영상 포맷의 지원을 위해 확장 가능한 형태로 설계하였다.
또한, 알고리즘의 모듈화를 통하여 새로운 분류 기법의 효율적인 추가 및 확장이 용이하다. 본 시스템은 고해상도 위성영상에 대한 새로운 분류 기술의 개발과 활용을 위한 토대가 될 수 있을 것이다.
각 모듈은 확장성을 고려하여 설계하였다. 본 시스템은 입력 모듈에서 다중밴드로 구성되어 있는 밴드들 중에 특정한 밴드들만 선택하여 분류가 가능하도록 하였다. 이것은 밴드의 특성에 따라 유효한 밴드만 선택하여 디스플레이를 하거나 분류를 수행 가능하도록 하였다.
분석가는 화면의 커서를 이용하여 훈련 영역의 테두리를 그리는 방법으로 훈련 데이타를 만든다. 샘플의 추출시 분류의 효율성을 높이기 위해서 다양한 통계자료를 제공하였다. 샘플의 평균, 분산, 표준편차, 중앙값, 화소의 최대값, 화소의 최소값, 최빈값, 첨도, 왜도값 등을 제공하여 분류자가 수동적으로 효과적인 훈련 데이타를 추출할 수 있다.
시스템은 중.저급 해상도를 갖는 위성영상의 분류를 목적으로 하였으나, 본 연구에서는 IKONOS와 같은 Im시m의 공간 해상도를 가지는 고해상도 위성영상의 분류를 목적으로 하고 있다. 따라서 고해상도 위성영상의 감독 분류를 위해서 평행육면체 분류기법, 최소거리 분류기법, 마하라노비스 거리 분류기법, 최대우도 분류기법, 퍼지 분류기법을 적용하였으며, 분류 정확도의 향상을 위하여 훈련 데이타의 효율적인 선택을 위한 인터페이스를 설계 및 구현하였으며, 훈련 데이타의 대표성을 확인할 수 있도록 통계적인 데이타를 제공한다.
제안 방법
0 언어를 사용하여 구현을 했으며 운영체제는 윈도우즈 2000을 사용하였다. IKONOS 위성영상을 입력 영상으로 사용하여 구현한 시스템의 각 분류 알고리즘을 테스트하였다. 그림 11은 본 시스템을 테스트하기 위해 사용한 IKONOS 위성영상과 관측 제원을 보여준다
위성 영상을 읽어 들여서 영상에 담긴 정보를 추출하는 입력 모듈과 읽어 들인 영상을 영상 강조를 통하여 RGB 형태로 화면에 출력하는 디스플레이 모듈, 그리고 분류를 위해서 훈련 데이타를 추출하고 훈련 데이타를 이용하여 사전 학습을 하는 훈련 모듈, 훈련한 데이타를 근거로 하여 감독분류를 수행하는 분류 모듈, 그리고 분류 결과와 통계정보를 출력하는 출력 모듈로 구성되어 있다. 각 모듈은 확장성을 고려하여 설계하였다. 본 시스템은 입력 모듈에서 다중밴드로 구성되어 있는 밴드들 중에 특정한 밴드들만 선택하여 분류가 가능하도록 하였다.
각 분류기법에 대한 정확도를 평가하려면 감독 분류의 경우 실측된 데이타에 근거하여 각 분류항목을 선정하고, 훈련 데이타를 추출하여 특정지역을 분류하여야 하지만 본 시스템은 위성영상을 보면서 임의의 지역을 훈련데이타로 선정하여 분류를 수행하였다. 이에 분류의 정확도를 평가하기 위한 방법으로 훈련 영역의 화소들을 분류하는 방법을 이용하였다.
감독분류 시스템을 설계하고 구현하였다. 구현된 감독 분류 시스템은 확장 가능한 시스템의 설계를 위하여 컴포넌트를 기반으로 개발하였으며, 다양한 인공위성 영상을 입력영상으로 사용할 수 있고, 새로운 형태의 인공위성 영상 포맷의 지원을 위해 확장 가능한 형태로 설계하였다. 사용자가 자유롭게 다양한 밴드의 선택을 하도록 해서 밴드별 특성을 고려한 분류의 적용이 가능하도록 하였으며, 유효한 샘플의 추출을 위한 다양한 통계자료와 인터페이스를 지원하여 적절한 샘플의 선택이 가능함을 보였다.
화소의 분포 상황을 확인할 수 있다. 그리고 각 밴드의 정보를 분류에 활용할 수 있도록 파일로 저장하였다. 위성 영상은 대용량의 파일로 구성되어 있으므로 대용량의 파일을 처리할 수 있는 메모리의 관리 기법이 필요하다.
분포 상태가 정규 분포를 가질 경우 가장 정확한 분류를 한다. 그리고 공분산 행렬을 이용함으로써 분류항목의 가변성을 충분히 고려하였다. 하지만 분류 수행 결과 다른 분류기법에 비하여 처리 속도가 늦고 밴드 수와 분류항목의 수가 늘어나면 더욱 늦어짐을 알 수 있었다.
다양한 위성 영상을 처리하기 위해서 위성에 따라 각기 다른 영상 파일별로 각각 클래스를 두어 다양한 형태의 위성 영상 파일의 처리가 가능하도록 하였으며, 새로운 위성 영상의 처리를 추가할 때 확장이 편리하도록 구성하였다. 또한 다중분광영상의 4가지 데이타 포맷을 지원하기 위해 별도의 클래스를 사용하였으며, 데이타형식도 별도의 클래스를 두어 관리를 하여 8bit 영상 16bit 영상 모두를 지원가능 하도록 하였다.
저급 해상도를 갖는 위성영상의 분류를 목적으로 하였으나, 본 연구에서는 IKONOS와 같은 Im시m의 공간 해상도를 가지는 고해상도 위성영상의 분류를 목적으로 하고 있다. 따라서 고해상도 위성영상의 감독 분류를 위해서 평행육면체 분류기법, 최소거리 분류기법, 마하라노비스 거리 분류기법, 최대우도 분류기법, 퍼지 분류기법을 적용하였으며, 분류 정확도의 향상을 위하여 훈련 데이타의 효율적인 선택을 위한 인터페이스를 설계 및 구현하였으며, 훈련 데이타의 대표성을 확인할 수 있도록 통계적인 데이타를 제공한다. 또한, 컴포넌트를 기반으로 모듈화하여 시스템의 확장과 재사용이 용이하고, 다양한 알고리즘의 적용을 통한 분류가 가능한 감독 분류 시스템을.
또한 다중분광영상의 4가지 데이타 포맷을 지원하기 위해 별도의 클래스를 사용하였으며, 데이타형식도 별도의 클래스를 두어 관리를 하여 8bit 영상 16bit 영상 모두를 지원가능 하도록 하였다.
따라서 고해상도 위성영상의 감독 분류를 위해서 평행육면체 분류기법, 최소거리 분류기법, 마하라노비스 거리 분류기법, 최대우도 분류기법, 퍼지 분류기법을 적용하였으며, 분류 정확도의 향상을 위하여 훈련 데이타의 효율적인 선택을 위한 인터페이스를 설계 및 구현하였으며, 훈련 데이타의 대표성을 확인할 수 있도록 통계적인 데이타를 제공한다. 또한, 컴포넌트를 기반으로 모듈화하여 시스템의 확장과 재사용이 용이하고, 다양한 알고리즘의 적용을 통한 분류가 가능한 감독 분류 시스템을. 구현하였다.
본 시스템에서는 5개의 분류 알고리즘을 사용하였으며, 새로운 알고리즘의 추가 및 확장이 용이하도록 각 알고리즘별로 각각의 클래스를 구성하였다. 각 분류 알고리즘에서는 분류를 위한 다양한 옵션 선택이 가능하여 세분화된 분류를 수행할 수 있다.
본 시스템에서는 영상의 강화과정으로서 영상의 히스토그램의 평활화(equalization)와 스트레칭(stretch) 과정 중에 하나를 수행하게 되어 있다. 위성영상은 명암값의 분포가 한쪽으로 치우치거나 균일하지 못하므로 히스토그램의 평활화(Histogram Equalization)를 이용하여 명암값 분포의 균일화로 영상이 향상될 수 있다.
컴포넌트란 하나 이상의 기능을 갖는 독립적인 모듈이며, 조립을 통해 응용프로그램을 작성할 수 있는 부품 형태의 인터페이스를 말한다. 본 시스템은 위성영상의 입력, 디스플레이, 훈련, 분류, 출력의 크게 5개의 컴포넌트로 구성되어 있다. 각 컴포넌트는 각기 독립적으로 기능을 수행하면서 상호 연동되어질 수 있도록 구성하였다.
저장된다. 분류 결과에 대한 통계자료를 출력하여 주며 그것을 파일로 저장 가능하도록 하여서 분류정확도의 검증을 위하여 훈련 영역의 분류 결과를 분석할 수 있도록 하였다. 파일로 저장된 분류결과 영상은 디스플레이 창에서 확인할 수 있다.
그리고 모든 밴드의 데이타는 분류 알고리즘에 꼭 필요하기 때문에 알고리즘 구현을 위한 전체 데이타를 따로 관리한다. 영상의 강조를 위한 클래스 (CEnhancement)를 독립적으로 두어서 새로운 강조 알고리즘의 추가를 용이하게 하였다. 그림 5는 클래스 모듈의 클래스 구성도를 나타낸다.
MDI 형태로 창을 구성하여 원 영상과 분류가 수행된 영상의 비교가 가능하며, 여러 알고리즘에 의해 수행된 분류 결과 파일을 한꺼번에 불러 들여 분류 방법들간의 비교가 가능하다. 영상의 축소, 확대, 이동 등의 기본적인 디스플례이 기능을 두었다. 영상의 확대시에는 평균값을 이용한 보간법(mean value interpolation)을 사용했다.
선정하여 분류를 수행하였다. 이에 분류의 정확도를 평가하기 위한 방법으로 훈련 영역의 화소들을 분류하는 방법을 이용하였다. 훈련 영역의 화소들 중 몇 퍼센트가 예상했던 대로 실제 분류되는지 알아보기 위해 전체 영상에서 훈련지역들의 화소들을 분류하였다.
샘플의 평균, 분산, 표준편차, 중앙값, 화소의 최대값, 화소의 최소값, 최빈값, 첨도, 왜도값 등을 제공하여 분류자가 수동적으로 효과적인 훈련 데이타를 추출할 수 있다. 특히 분류의 정확성을 높일 수 있는 샘플의 선택을 위하여 샘플에 대한 첨도와 왜도를 제공하였다. 왜도와 첨도는 적률값을 이용한다' k 차의 적률(moment, 기울기)은 다음과 같다.
하지만 분류 수행 결과 다른 분류기법에 비하여 처리 속도가 늦고 밴드 수와 분류항목의 수가 늘어나면 더욱 늦어짐을 알 수 있었다. 퍼지 분류기법은 퍼지 삼각형 멤버쉽 함수와 퍼지 사다리꼴 멤버쉽 함수를 사용하여 분류를 수행하였다. 사용자의 설정에 따라 일부 분류항목의 분류에는 높은 효율성을 나타낸다.
이에 분류의 정확도를 평가하기 위한 방법으로 훈련 영역의 화소들을 분류하는 방법을 이용하였다. 훈련 영역의 화소들 중 몇 퍼센트가 예상했던 대로 실제 분류되는지 알아보기 위해 전체 영상에서 훈련지역들의 화소들을 분류하였다. 표 1은 6개의 분류항목에 대한 각각의 훈련지역에 대한 분류를 수행한 결과이다.
대상 데이터
특히, 감독분류 기법에서의 훈련지역의 선정은 분류의 정확도에 매우 큰 영향을 준다. 지형도와 위성영상에서 시각적으로 보여지는 대표적 지역을 분류 항목마다 3-4군데를 추출하여 선정한다. 감독분류 알고리즘에는 평행육면체 분류기법, 최소거리 분류기법, 마하라노비스 거리 분류기법, 최대우도 분류기법, 퍼지 분류기법 등이 있다.
이론/모형
수행하는 부분이다. 본 시스템에서 사용한 감독 분류 알고리즘은 평행육면체 분류기법, 최소거리 분류기법, 마하라노비스 거리 분류기법, 최대 우도 분류기법, 퍼지 분류기법이다.
본 시스템에서는 다음과 같은 퍼지 규칙을 사용하였으며, 퍼지 규칙의 생성의 생성을 위해 삼각형 기법(triangle)과 사다리꼴 기법(trapezoid)의 멤버쉽 함수를 이용하였다.
즉, 각 분류항목의 평균 벡터와 분류 하고자 하는 화소의 측정 벡터 간의 분광적 거리를 계산하여 가장 가까운 값을 가지는 항목으로 화소가 분류되는 기법이다. 분광 거리를 구하는 방법은 유클리드 거리에 의한다.
영상의 축소, 확대, 이동 등의 기본적인 디스플례이 기능을 두었다. 영상의 확대시에는 평균값을 이용한 보간법(mean value interpolation)을 사용했다. 보통의 출력장비는 3 개의 밴드만을 화면에 출력할 수 있다.
성능/효과
위성 영상은 대용량의 파일로 구성되어 있으므로 대용량의 파일을 처리할 수 있는 메모리의 관리 기법이 필요하다. 따라서 본 시스템은 별도의 메모리 관리를 위한 클래스(LD_Buffer 클래스)를 두어서 버퍼링 기법을 활용한 효율적인 메모리 관리 기법으로 대용량의 파일도 효과적으로 디스플레이 할 수 있다.
사용자가 자유롭게 다양한 밴드의 선택을 하도록 해서 밴드별 특성을 고려한 분류의 적용이 가능하도록 하였으며, 유효한 샘플의 추출을 위한 다양한 통계자료와 인터페이스를 지원하여 적절한 샘플의 선택이 가능함을 보였다. 또한, 알고리즘의 모듈화를 통하여 새로운 분류 기법의 효율적인 추가 및 확장이 용이하다. 본 시스템은 고해상도 위성영상에 대한 새로운 분류 기술의 개발과 활용을 위한 토대가 될 수 있을 것이다.
구현된 감독 분류 시스템은 확장 가능한 시스템의 설계를 위하여 컴포넌트를 기반으로 개발하였으며, 다양한 인공위성 영상을 입력영상으로 사용할 수 있고, 새로운 형태의 인공위성 영상 포맷의 지원을 위해 확장 가능한 형태로 설계하였다. 사용자가 자유롭게 다양한 밴드의 선택을 하도록 해서 밴드별 특성을 고려한 분류의 적용이 가능하도록 하였으며, 유효한 샘플의 추출을 위한 다양한 통계자료와 인터페이스를 지원하여 적절한 샘플의 선택이 가능함을 보였다. 또한, 알고리즘의 모듈화를 통하여 새로운 분류 기법의 효율적인 추가 및 확장이 용이하다.
지금까지의 결과로 본 시스템이 고해상도의 위성영상의 분류를 위해 여러가지 감독 분류 알고리즘을 효과적으로 수행하는데 문제가 없음을 확인하였다.
그리고 공분산 행렬을 이용함으로써 분류항목의 가변성을 충분히 고려하였다. 하지만 분류 수행 결과 다른 분류기법에 비하여 처리 속도가 늦고 밴드 수와 분류항목의 수가 늘어나면 더욱 늦어짐을 알 수 있었다. 퍼지 분류기법은 퍼지 삼각형 멤버쉽 함수와 퍼지 사다리꼴 멤버쉽 함수를 사용하여 분류를 수행하였다.
후속연구
향후 과제로는 하이퍼스펙트럴(hyperspectral) 영상의 처리에 관한 추가적인 연구가 뒤따라야 하며, 혼합 화소에 대한 연구, 그림자 부분의 분류 문제 해결 등에 대한 연구가 이루어져야 할 것이다.
참고문헌 (14)
John A. Richards, Remote Sensing Digital Image Analysis : An Introduction, Second, Revised and Enlarged Edition, pp. 229-262, Springer-Verlag, 1994
R. Schowengerdt, Techniques of Image Processing and Classification in Remote Sensing, 1st Ed., pp. 1-58, Academic Press, 1983
Jimenez L.O. and Landgrebe D.A., 'Supervised classification in high-dimensional space: geometrical, statistical, and asymptotical properties of multivariate data Systems,' Man, and Cybernetics, Part C, Applications and Reviews, IEEE Transactions on, Volume 28 Issue 1, pp. 39-54, 1998
Hoffbeck, Joseph P. and David A. Landgrebe, 'Classification of Remote Sensing Images having High Spectral Resolution,' Remote Sensing of Environment, Vol. 57, No.3, pp, 119-126, September 1996
David Landgrebe, Information Extraction Principles and Methods for Multispectral and Hyperspectral Image Data, Chapter 1 of Information Processing for Remote Sensing, edited by C. H. Chen, published by the World Scientific Publishing Co., Inc., pp. 1-30, Spring, 1999
Pierce L., Samples G., Dobson M.C. and Ulaby, F., 'An automated unsupervised/supervised classification methodology,' Geoscience and Remote Sensing Symposium Proceedings, IGARSS '98. 1998 IEEE International, Vol. 4, pp. 1781-1783, 1998
Jain, A.K., Duin, P.W. and Jianchang Mao, 'Statistical pattern recognition: a review,' Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol. 22 Issue 1, pp. 4-37, 2000
Richard A Johnson, Dean W. Wichern, Applied Multivariate Statistical Analysis, Prentice Hall, pp. 573-627, 1992
Gorte, B. and Stein, A, 'Bayesian classification and class area estimation of satellite images using stratification, ' Geoscience and Remote Sensing, IEEE Transactions on, Vol. 36 Issue 3, pp. 803-812, 1998
Melgani, F., Hashemy B.A.R. and Taha S.M.R. 'An explicit fuzzy supervised classification method for multispectral remote sensing images,' Geoscience and Remote Sensing, IEEE Transactions on, Vol. 38 Issue 1 Part 1, pp. 287-295, 2000
Ishibushi, H., K.Nozaki and H.Tanaka, 'Distributed representation of fuzzy rules and its application to pattern classification,' Fuzzy Sets and Systems Vol. 52, pp. 21-32, 1992
Nakashiim T., Nakai G. and Ishibuchi, H., 'Improving the performance of fuzzy classification systems by membership function learning and feature selection,' Fuzzy Systems, FUZZ-IEEE '02. Proceedings of the 2002 IEEE International Conference on, Vol. 1, pp. 488-493, 2002
Saldju Tadjudin and David A. Landgrebe, 'Covariance Estimation For Limited Training Samples,' IEEE International Geoscience and Remote Sensing Symposium, Seattle, W A July 6-10, pp. 2688-2690, 1998
※ AI-Helper는 부적절한 답변을 할 수 있습니다.