SIFT 기법을 이용한 중.저해상도 위성영상간의 자동 기하보정 Automatic Image-to-Image Registration of Middle- and Low-resolution Satellite Images Using Scale-Invariant Feature Transform Technique원문보기
영상 기하보정은 여러 가지 데이터의 조합으로부터 얻어질 수 있는 영상 분석 작업에 매우 중요한 전처리 과정 중 하나다. 본 연구는 최근 평면 영상간 기하보정에 많이 사용하고 있는 SIFT 기법을 적용하여, 다양한 해상도를 가진 위성영상의 자동 기하보정을 수행하는데 초점을 맞추고 있다. 2차원 영상의 조건을 만족하기 위해 기복변위의 영향이 상대적으로 적은 중 저해상도 위성영상의 기하보정을 수행하였으며, 다양한 해상도 영상을 조합함으로써 공간해상도의 차이를 보이는 영상의 기하보정에 SIFT 기법을 적용할 수 있는지를 실험하였다. 결과를 통해, SIFT 기법이 기존의 상관계수를 이용하여 특징점의 정합을 수행하는 방법에 비해 높은 정합률을 나타냈으며, 추출된 정합쌍을 자동 영상 기하보정에 사용할 수 있을 것으로 기대한다.
영상 기하보정은 여러 가지 데이터의 조합으로부터 얻어질 수 있는 영상 분석 작업에 매우 중요한 전처리 과정 중 하나다. 본 연구는 최근 평면 영상간 기하보정에 많이 사용하고 있는 SIFT 기법을 적용하여, 다양한 해상도를 가진 위성영상의 자동 기하보정을 수행하는데 초점을 맞추고 있다. 2차원 영상의 조건을 만족하기 위해 기복변위의 영향이 상대적으로 적은 중 저해상도 위성영상의 기하보정을 수행하였으며, 다양한 해상도 영상을 조합함으로써 공간해상도의 차이를 보이는 영상의 기하보정에 SIFT 기법을 적용할 수 있는지를 실험하였다. 결과를 통해, SIFT 기법이 기존의 상관계수를 이용하여 특징점의 정합을 수행하는 방법에 비해 높은 정합률을 나타냈으며, 추출된 정합쌍을 자동 영상 기하보정에 사용할 수 있을 것으로 기대한다.
To use image data obtained from different sensors and different techniques, the preprocessing step that registers them in a common coordinate system is needed. For this purpose, we developed the methodology to register middle- and low-resolution satellite images automatically. Firstly, candidate mat...
To use image data obtained from different sensors and different techniques, the preprocessing step that registers them in a common coordinate system is needed. For this purpose, we developed the methodology to register middle- and low-resolution satellite images automatically. Firstly, candidate matching points were extracted using the Harris and Harris-affine algorithm. Secondly, we used the correlation coefficient, normalized correlation coefficient and SIFT algorithm to detect conjugate matching points from candidates. Then, to test the feasibility of approaches, we applied the developed methodology to various kinds of satellite images and compared results. The results clearly demonstrate that the methology using the SIFT is appropriate to register these multi-resolution satellite images automatically, compared with the classical cross-correlation.
To use image data obtained from different sensors and different techniques, the preprocessing step that registers them in a common coordinate system is needed. For this purpose, we developed the methodology to register middle- and low-resolution satellite images automatically. Firstly, candidate matching points were extracted using the Harris and Harris-affine algorithm. Secondly, we used the correlation coefficient, normalized correlation coefficient and SIFT algorithm to detect conjugate matching points from candidates. Then, to test the feasibility of approaches, we applied the developed methodology to various kinds of satellite images and compared results. The results clearly demonstrate that the methology using the SIFT is appropriate to register these multi-resolution satellite images automatically, compared with the classical cross-correlation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이미 컴퓨터 비젼 분야의 다양한 근거리 카메라 영상에 적용되어 가장 효과적인 기술자로 보고되고 있으나, 항공사진과 위성영상의 경우 근거리 영상과 기하적인 특성, 촬영방식, 영상화소 특성이 달라 SIFT 기법이 근거리 영상에 적용된 것과 동일한 효과를 기대하기 어려울 것으로 판단된다. 따라서 본 연구를 통해 SIFT 기법이 원격탐사영상의 기하보정에 효과적으로 적용될 수 있는지 확인하고자 하였다. SIFT 기법이 3차원 촬영시점 변화에 따른 2차원 영상의 변형과 관련한 기하보정에 주로 사용되고 있다는 점에 착안하여, 기복변위의 영향을 상대적으로 덜 받는 다양한 해상도의 중.
본 연구는 다양한 해상도를 가진 위성영상을 자동화된 기법으로 기하보정을 수행하는데 그 목적을 두고 진행되었다. Hams 추출자가 가지는 특징점 추출의 성능에도 불구하고 해상도의 변화에 민감하다는 것을 실험을 통해 확인하였고, Harris-Affine 추출자를 사용하여 성능을 평가하였다.
제안 방법
간략히 정리하였다. Harris 추출자는 Harris-Affine추출자와 비교를 통해 해상도 차이에 민감하다는 것을 입증하고자 사용하였으며, 상관계수와 정규화 상관계수는 SIFT 기술자의 성능을 비교. 평가하기 위해 적용되었다.
Harris-Affine에 의해 추출된 특징점 영역에서 정규화 영역을 찾기 위해, 우선 축척과 방향에 불변인 영역을 탐색한다. 탐색된 영역은 x, y, 축척, 방향 정보를 포함하고 있으며, 이 정보를 이용하여 정규화 영역을 생성한다.
대해 간략정리하였다. KOMPSAT-1 위성의 EOC영상, EO-1 위성의 ALI 전정색 영상, 다중분광 영상, Landsat ETM+ 전정색 영상을 이용하여, 실제 다양한 위성영상에 추출자와 기술자를 적용함으로써 그 결과를 3장을 통해 확인하였으며, 마지막으로 연구의 성과와 향후 연구에 대해 기술하였다.
각 데이터 조합에서 추출된 참쌍을 이용하여 영상대 영상 기하보정을 수행하였다. EOC 영상을 기준으로 나머지 영상을 기하보정을 수행하였으며 그림 7에서 기하보정된 영상을 모자이크 형태로 처리하여 표현하였다.
데이터 조합이 발생한다. 각 임계값을 이용하여 일대다 대응점이 발생할 경우 최대값을 갖는 정합쌍을 선정하였다. 추출된 대응점을 기준으로 각 기술자가 가지는 성능을 평가하였으며, 평가지수는 대응된 정합쌍(Correspondences) 중 정합이 성공적으로 이루어진 참쌍(Correct Matches)의 비를 의미하는 정합률(%)을 이용하였다.
Hams 추출자가 가지는 특징점 추출의 성능에도 불구하고 해상도의 변화에 민감하다는 것을 실험을 통해 확인하였고, Harris-Affine 추출자를 사용하여 성능을 평가하였다. 기존의 상관계수를 이용한 기술자의 대응점 추출과 관련한 성능적인 평가와 더불어 그 한계를 파악하였으며, 이를 해결할 수 있는 대안으로 최근 컴퓨터 비젼 분야에서 그 성능이 입증된 SIFT 기술자를 위성영상에 적용하였다. 그 결과 실제 추출되는 정합쌍의 수는 다소 적은 반면 해상도의 차이가 많아짐에도 불구하고 정합쌍 수의 감소율이 상관계수와 정규화 상관계수보다 낮았으며, 무엇보다 두 영상간 대응된 실제 참쌍의 경우 ALI 전정색 영상과 다중분광 영상의 조합을 제외하고 완벽하게 대응되었다.
8 이상의 값을 가지는 특징점을 대응점으로 선정하였다. 마지막으로 Harris-Affine으로 추출된 영역을 상관계수가 아닌 128차원의 SIFT 벡터를 이용하여 대응점을 선정하였다. 여기서, 일차와 이차정합쌍의 유사도 값의 비로 임계값을 결정하게 되는데, 임계값이 커질수록 허용 임계범위가 커지므로 정합쌍은 많이 찾지만 성공률은 낮아진다.
마지막으로 추출된 대응점을 기준으로 영상대 영상 기하보정을 수행하였으며, 이때 어핀 변환을 기하보정 함수로 사용하여 최근린 내삽법으로 영상을 재배열하였다.
본 장에서는 실험에 사용된 Harris 추출자와 Harris-Affine 추출자, 상관계수와 정규화 상관계수 및 SIFT 기술자에 대해서 간략히 정리하였다. Harris 추출자는 Harris-Affine추출자와 비교를 통해 해상도 차이에 민감하다는 것을 입증하고자 사용하였으며, 상관계수와 정규화 상관계수는 SIFT 기술자의 성능을 비교.
그림 3은 본 연구에서 수행한 연구 흐름도이다. 입력된 4장의 영상으로부터 Harris와 Harris-Affine 추출자를 이용하여 특징점을 추출한다. Harris 추출자에 의해 생성된 특징점은 상관계수 기술자를 이용하여 대응점을 찾게 되는데, 상관계수를 계산하기 위해 특징점 주변의 화소를 이용한다.
대상 데이터
다양한 조합의 영상간 기하보정 실험을 위해 각각 KOMPSAT-1 EOC( 1,000×1,000 pixels, 6.6m), Landsat ETM+ 전정색(600×500 pixels, 15m), EO-1 ALI 전정색(900×700 pixels, 10m), ALI 다중분광(300×250 pixels,30m) 영상을 사용하였으며, 영상간 해상도 비율은 최대 약 5배이다. 알고리즘 적용을 위해 서울 잠실을 기준으로 남부 지역을 선정하였고, 9월에 촬영한 ETM+ 영상을 제외한 나머지 영상은 봄에 촬영하였다.
Harris 추출자에 의해 생성된 특징점은 상관계수 기술자를 이용하여 대응점을 찾게 되는데, 상관계수를 계산하기 위해 특징점 주변의 화소를 이용한다. 실험에서는 13x13 윈도우 즉, 169차원을 사용하였으며, 상관계수 값이 0.8 이상일 때 대응점으로 선정하였다. Hams-Affine 추출자에 의해 생성된 특징점은 위치, 크기, 방향이 한꺼번에 결정되므로 결정된 크기와 방향을 이용하여 영상을 정규화하는 작업을 선행하게 된다.
6m), Landsat ETM+ 전정색(600×500 pixels, 15m), EO-1 ALI 전정색(900×700 pixels, 10m), ALI 다중분광(300×250 pixels,30m) 영상을 사용하였으며, 영상간 해상도 비율은 최대 약 5배이다. 알고리즘 적용을 위해 서울 잠실을 기준으로 남부 지역을 선정하였고, 9월에 촬영한 ETM+ 영상을 제외한 나머지 영상은 봄에 촬영하였다. ALI 다중분광 영상은 2, 3, 4번 밴드를 평균하여 하나의 흑백영상으로 생성하였다.
Hams-Affine 추출자에 의해 생성된 특징점은 위치, 크기, 방향이 한꺼번에 결정되므로 결정된 크기와 방향을 이용하여 영상을 정규화하는 작업을 선행하게 된다. 정규화된 영상에 11×11 윈도우(121차원)를 이용하여 상관계수를 계산하였으며, 0.8 이상의 값을 가지는 특징점을 대응점으로 선정하였다. 마지막으로 Harris-Affine으로 추출된 영역을 상관계수가 아닌 128차원의 SIFT 벡터를 이용하여 대응점을 선정하였다.
데이터처리
각 임계값을 이용하여 일대다 대응점이 발생할 경우 최대값을 갖는 정합쌍을 선정하였다. 추출된 대응점을 기준으로 각 기술자가 가지는 성능을 평가하였으며, 평가지수는 대응된 정합쌍(Correspondences) 중 정합이 성공적으로 이루어진 참쌍(Correct Matches)의 비를 의미하는 정합률(%)을 이용하였다.
성능/효과
Hams 추출자가 가지는 특징점 추출의 성능에도 불구하고 해상도의 변화에 민감하다는 것을 실험을 통해 확인하였고, Harris-Affine 추출자를 사용하여 성능을 평가하였다. 기존의 상관계수를 이용한 기술자의 대응점 추출과 관련한 성능적인 평가와 더불어 그 한계를 파악하였으며, 이를 해결할 수 있는 대안으로 최근 컴퓨터 비젼 분야에서 그 성능이 입증된 SIFT 기술자를 위성영상에 적용하였다.
환경에서 촬영하였기 때문으로 파악된다. 가장 해상도의 차이가 많이 나는 ALI 다중분광 영상과 EOC 영상의 경우 적은 정합쌍을 추출한 것을 볼 수 있으며, 이는 ALI 다중분광 영상과 ETM+ 전정색 영상의 조합과 EOC 영상과 ETM+ 전정색 영상의 조합에서도 비슷한 현상을 보인다.
기존의 상관계수를 이용한 기술자의 대응점 추출과 관련한 성능적인 평가와 더불어 그 한계를 파악하였으며, 이를 해결할 수 있는 대안으로 최근 컴퓨터 비젼 분야에서 그 성능이 입증된 SIFT 기술자를 위성영상에 적용하였다. 그 결과 실제 추출되는 정합쌍의 수는 다소 적은 반면 해상도의 차이가 많아짐에도 불구하고 정합쌍 수의 감소율이 상관계수와 정규화 상관계수보다 낮았으며, 무엇보다 두 영상간 대응된 실제 참쌍의 경우 ALI 전정색 영상과 다중분광 영상의 조합을 제외하고 완벽하게 대응되었다. 따라서 대응된 정합점을 추가 검증 없이 그대로 사용할 수 있을 것으로 판단된다.
기복변위의 영향을 최소화할 수 있도록 중저 해상도 영상에 우선적으로 적용하였으며, 실제 기하보정을 수행한 결과 만족할만한 성과를 보임을 알 수 있었다. 향후 더 많은 해상도 차이를 보이는 영상에 좀 더 적용하여 SIFT 기술자의 성능을 확인할 예정이며, 고해상도 영상 및 항공사진 등 기복변위가 발생하는 영상에 적용할 수 있는 기술자에 대한 연구를 수행하고자 한다.
이는 Harris 추출자가 보이는 영상 해상도 차이에 민감한 단점을 그대로 보여주는 것이다. 정규화 상관계수 기술자를 이용한 결과에서도 상관계수보다 다소 높은 정합률을 나타내지만, ALI 다중분광 영상과 전정색 영상의 정합을 제외하고는 매우 낮은 정합(18.4%~63.3%)을 보였다. 이에 반해, SIFT는 대응되는 정합쌍의 수는 적지만 실제 맞게 정합된 참쌍의 수는 정합쌍의 수와 거의 차이를 보이지 않았다.
정규화 상관계수에서 추출된 참쌍이 SIFT 참쌍보다 개수 면에서는 많지만 정규화 상관계수의 참쌍에 포함되어 있지 않은 SIFT 참쌍이 많이 존재함을 알 수 있다. 이는 이전 기술자의 성능평가 논문에서 언급된 것처럼 기술자사이에 상호보완적인 기능이 존재한다는 것을 알 수 있다(Mikolajczyk 등, 2005).
후속연구
수 있다. 반면 산림이 시작되는 경계지역이나 대형건물의 모서리나, 대형건물의 중앙이 추출되기도 하였는데, 이 지점이 기복변위의 영향을 받지 않은 것인지 영향은 받았으나 우연히 대응된 점인지는 좀 더 고찰이 필요할 것으로 보인다. 기술자에 따라 특정 지표면 특성과 참쌍간의 어떤 연관성을 찾기는 어려웠다.
향후 더 많은 해상도 차이를 보이는 영상에 좀 더 적용하여 SIFT 기술자의 성능을 확인할 예정이며, 고해상도 영상 및 항공사진 등 기복변위가 발생하는 영상에 적용할 수 있는 기술자에 대한 연구를 수행하고자 한다.
참고문헌 (15)
김의명, 손흥규, 송영선 (2005), 영상정합을 위한 특정점 추출 연산자의 비교, 대한토목학회논문집, 제 25권, 제 4D호, pp. ?591-597
Goshtasby, A. A. (2005), 2-D and 3-D image registration - for medical, remote sensing, and industrial applications, John Wiley & Sons Inc., New York, pp. 4-5
Harris, C. and M. Stephens (1988), A combined comer and edge detector, Fourth Alvey Vision Conference, pp. 147-152
Ke, Y. and Sukthankar, R. (2004), PCA-SIFT: A more distinctive representation for local image descriptors, In Proceedings of the Conference on Computer Vision and Pattern Recognition, Washington, USA, pp. 511-517
Kim, T. and Im, Y. (2003), Automatic satellite image registration by combination of matching and random sample consensus, IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, No.5, pp. 1111-1117
Lowe, D. (1999), Object recognition from local scale-invariant features, In Processings of the 7th International Conference on Computer Vision, Kerkyra, Greece, pp. 1150-1157
Lowe, D. (2004), Distinctive image features from scale-invariant keypoints, International Journal on Computer Vision, Vol. 60, No.2, pp. 91-110
Mikolajczyk, K. and Schmid, C. (2002), An affine invariant interest point detector, In Proceedings of the 7th Europen ?Conference on Computer Vision, Copenhagen, Denmark, pp. 128-142
Mikolajczyk, K. and Schmid, C. (2004), Scale & affine invariant interest point detectors, International Journal on Computer Vision, Vol. 60, No.1, pp. 63-86
Mikolajczyk, K. and Schmid, C. (2005), A performance evaluation of local descriptors, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 10, pp. 1615-1630
Schmid, C., Mohr, R. and Bauckhage, C. (2000), Evaluation of interest point detectors, International Journal on Computer Vision, Vol. 37, No.2, pp. 151-172
Zitova, B. and Flusser, J. (2003), Image registration methods: a survey, Image and Vision Computing, Vol. 21, No. 11, pp. 977-1,000
※ AI-Helper는 부적절한 답변을 할 수 있습니다.