선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- LIDAR 자료로부터 건물 경계선과 특징점을 추출하고, 추출된 경계선을 직선화하여 각 단위건물별 최종적인 건물경계선을 결정하였다. 건물 경계선을 추출한 후 LoG 연산자의 Zero-Crossing의 곡률을 계산하여 1차 특징점으로 추출한 후 반자동으로 건물 지붕의 밝기값을 이용하여 건물 특징점을 추적하였다.
- 추출하였다. LIDAR 필터 링 자료로부터 건물의 최저 및 최고 높이를 추출하여 건물의 높이를 결정한 후 LoG 연산자 임계값을 조절함으로써 4가지 건물형태에 대한건물 외곽선과 지붕 부분의 모양을 파악할 수 있는 등고선 형태의 zero-crossing을 추출하였다(그림 13).
- LIDAR자료로부터 지면 및 비지면요소를 추출하기 위해 정동기 등(2005)의 선행연구결과를 토대로 도시지 역 필터링에 적합한 ETEW필터를 사용하여 대상지역에 대한 지면 및 비지면요소를 분류하였다. 대상지역의 면적은 65, 792m2, 총 셀 개수는 263, 169개였으며, 이 중 지면 요소가 147, 375개(56%), 비지면 요소가 115, 794(44%)개로 분할되었다.
- lidar 자료 및 디지털 항공영상, 수치지형도 등의 자료를 활용하여 건물의 경계선 정보를 추출하여 3차원 건물 형태를 복원하는 연구를 수행하여 다음과 같은 결론을 얻었다.
- 건물 경계선 검출에 대한 정확도는 或에서 UTM으로좌표변환한 대상지역 1/1,000 축척의 수치지형도에서 추출한 건물 레이어와 최종 생성된 건물경계선 모서리 점의 절대 위치 값을 비교하여 평가하였다. 그러나, 기 제작된 수치지형도와 2004년 취득된 LIDAR 자료간의 관측 시점 차이로 인해 대상지역내 일부 건물이 누락되는 경우가 발생하였으므로 수치지 형도와 LIDAR 자료에서 동시에 존재하는 건물 중 일부를 선정하여 정확도를 평가하였다.
- 결정하였다. 건물 경계선을 추출한 후 LoG 연산자의 Zero-Crossing의 곡률을 계산하여 1차 특징점으로 추출한 후 반자동으로 건물 지붕의 밝기값을 이용하여 건물 특징점을 추적하였다.
- 추출하였다. 건물경계선을 추출한 후 LoG 연산자의 Zero-Crossing의 곡률을 계산하여 임계값 이상을 갖는 곡선 지점을 1차 특징점으로 추출하였다. 대상 건물의 특징점에 대한 정제는 반자동으로 영상에서 대상 건물의 지붕을 선택하고 LoG에 의해 추출된 1차 특징점을 기준으로 검출된 건물 지붕의 밝기값을 이용하여 최종 건물 특징점을 추적함으로써 최종적인 건물 모서리점을 추출하였다(그림 10).
- 값을 비교하여 평가하였다. 그러나, 기 제작된 수치지형도와 2004년 취득된 LIDAR 자료간의 관측 시점 차이로 인해 대상지역내 일부 건물이 누락되는 경우가 발생하였으므로 수치지 형도와 LIDAR 자료에서 동시에 존재하는 건물 중 일부를 선정하여 정확도를 평가하였다. 그림 12(a)는 대상지역 1/1,000 수치지형도에서 추출한 건물 레이어 현황을 나타내고 있으며, 12(b)는 LIDAR에서 추출한 건물 경계선을 나타내고 있다.
- 건물경계선을 추출한 후 LoG 연산자의 Zero-Crossing의 곡률을 계산하여 임계값 이상을 갖는 곡선 지점을 1차 특징점으로 추출하였다. 대상 건물의 특징점에 대한 정제는 반자동으로 영상에서 대상 건물의 지붕을 선택하고 LoG에 의해 추출된 1차 특징점을 기준으로 검출된 건물 지붕의 밝기값을 이용하여 최종 건물 특징점을 추적함으로써 최종적인 건물 모서리점을 추출하였다(그림 10).
- 대상지역내 존재하는 건물 중 대표적인 4가지 형태의 건물을 선정한 후 건물의 높이에 따른 LoG 연산자의 임계 값을 AH/30, AH/5, 의 세 단계로 구분하여 경계선을 추출하였다. LIDAR 필터 링 자료로부터 건물의 최저 및 최고 높이를 추출하여 건물의 높이를 결정한 후 LoG 연산자 임계값을 조절함으로써 4가지 건물형태에 대한건물 외곽선과 지붕 부분의 모양을 파악할 수 있는 등고선 형태의 zero-crossing을 추출하였다(그림 13).
- 대상지역의 LIDAR 점 자료를 정규격자 형태의 래스터 자료로 변환한 후, 필터링 기법을 통해서 지면과 비지 면으로 분류하였다. Morgan 등이 제시한 선행연구를 토대로 LIDAR 자료의 점 밀도를 고려하여 0.
- 대상지역의 다양한 형태의 건물에 대하여 LIDAR의 건물 높이 정보와 LoG 연산자의 임계값을 이용하여 경계선을 추출하였다. 건물경계선을 추출한 후 LoG 연산자의 Zero-Crossing의 곡률을 계산하여 임계값 이상을 갖는 곡선 지점을 1차 특징점으로 추출하였다.
- 분류하였다. 또한 Zero-crossing을 생성할 수 있는 LoG(Laplacian of Gaussian) 연산자를 이용하여 건물의 경계선 정보를 추출한 후 건물의 모서리 부분에서 특징점 탐색과 경계선의 직선화 과정을 통하여 3차원 건물 모형을 구축하는 방안을 제시하였다.
- 물 벽면의 경사는 지붕면의 경사보다 큰 것으로 가정하여 인접한 상■ 하 경계선의 경사를 계산하고 그 경사 값에 따라 추출된 경계선을 지붕면과 벽면 경계선으로 분류하는 기법을 적용하였다. 건물의 지붕면과 벽면 경계선의 판단기준은 인접한 상.
- 본 연구에서는 LIDAR 자료 및 디지털 항공영상, 수치 지도 등의 자료를 활용하여 LIDAR 자료의 전처리 과정과 필터링을 수행하여 지면과 비지면 정보를 분류하였다. 또한 Zero-crossing을 생성할 수 있는 LoG(Laplacian of Gaussian) 연산자를 이용하여 건물의 경계선 정보를 추출한 후 건물의 모서리 부분에서 특징점 탐색과 경계선의 직선화 과정을 통하여 3차원 건물 모형을 구축하는 방안을 제시하였다.
- 본 연구에서는 LoG 연산자를 통해 추출된 건물 경계선 정보와 건물의 각 모서리점의 평균높이를 계산한 후 대상 지역의 다양한 모양의 건물(고/저층형 건물, 박공형, 돔형)에 대하여 각각의 형태별 건물의 프레임을 생성하여 3차원 건물을 복원하였다. 아파트나 학교 건물과 같이 지붕이 평면인 건물은 추출된 경계선, 즉 지붕면과 그 평균 높이를 계산하고 각 모서리 점을 연결하여 건물 벽면을 생성하여 건물을 복원하였다.
- 본 연구에서의 3차원 건물 모형은 LoG 연산자와 Douglas-Peucker 알고리즘에 의해 폐합된 건물 경계선 정보를 추출하고 추출된 경계선의 모서리 점에서의 평균 높이를 계산하고 각 모서리 점을 연결하여 건물 벽면을 생성함으로써 3차원으로 건물을 구축하였다.
- 지붕경사가 있는 박공형이나 돔형 형태의 복잡한 건물에 대한 3차원 모형화는 추출한 건물 경계선의 경사와 최고 경계선 높이 정보를 사용하여 수행하였다. 추출된 경계선의 경사도는 그 경계선과 인접한 상.
- 첫째, Zero-crossing의 특성을 갖는 LoG 연산자를 사용하고 높이에 대한 임계값을 적용하여 건물 경계를 추출하였으며, 추출된 경계선 정보에 Douglas-Peucker 알고리즘을 사용하여 경계선을 직선화 및 정제과정을 거침으로서 3차원으로 건물을 복원하는 기법을 제안하였다.
- 일반적으로 건물의 형태가 서로 인접하는 외곽선은 수직이라는 가정하에 탐색공간의 폭은 해당 건물의 최소 폭의 1/2(아파트 7m, 학교 6m, 체육관 10m, 창고 14m)로 부여하였으며, 건물의 모서리 점 탐색에 있어 중간점으로 인식하는 탐색범위는 LIDAR 자료의 점밀도와 건물 최소폭을 고려하여 대상 지역의 건물 경계선을 추출하였다. 탐색범위가 작을 경우 직선 형태의 경계선을 추출하기 어려운 반면, 탐색 범위가 너무 길면 건물의 형태가 왜곡되는 현상이 발생하였으며, 본 연구에서 사용한 대상지 자료는 탐색범위를 Im로 적용하여 건물 경계선을 직선화하였다(그림 11).
대상 데이터
- 건물 경계선 정보를 추출하기 위해 여러가지 연산 자가사용되고 있으나 본 연구에서는 LoG연산자를 사용하였다. LoG 연산자는 가우스 곡선의 X, y 에 대한 2차 미분으로부터 구할 수 있으며, 가우스 곡선이 2차원 정규분포를 갖는 매개변수로 정의될 때。는 경계선사이의 평균 거리를 나타낸다.
- 지면 및 비지면요소를 분류하였다. 대상지역의 면적은 65, 792m2, 총 셀 개수는 263, 169개였으며, 이 중 지면 요소가 147, 375개(56%), 비지면 요소가 115, 794(44%)개로 분할되었다. 필터링 후 잔존하는 건물 주변의 수목, 자동차 등의 비지면 요소들은 대싱지내 건물의 최소 면적정보를 이용하여 제거하였다.
- 3 points/ii?로 취득하였으며 촬영 폭은 700m 이다.
- 본 연구에서 사용한 LIDAR 자료는 2004년 Optect사의 ALTM 3070시스템을 이용하여 촬영고도 1, 400m에서 점 밀도 3 points/ii?로 취득하였으며 촬영 폭은 700m 이다.
- 본 연구에서는 마산시 월영동의 일부지역을 대싱. 지로선정하였다.
이론/모형
- 1차 추출된 건물의 경계선으로부터 직선화된 건물 외곽선을 생성하기 위하여 Douglas-Peucker 알고리즘을 활용하여 특징점을 직선화하였다. 일반적으로 건물의 형태가 서로 인접하는 외곽선은 수직이라는 가정하에 탐색공간의 폭은 해당 건물의 최소 폭의 1/2(아파트 7m, 학교 6m, 체육관 10m, 창고 14m)로 부여하였으며, 건물의 모서리 점 탐색에 있어 중간점으로 인식하는 탐색범위는 LIDAR 자료의 점밀도와 건물 최소폭을 고려하여 대상 지역의 건물 경계선을 추출하였다.
- 건물 경계선은 Douglas-Peucker 알고리즘(Douglas and Peucker, 1973)을 활용하여 직선화하였다. 이 알고리즘은 복잡한 선형자료를 설정된 임계값 범위내에서 직선화를 수행한다.
- 건물 경계점을 추출하기 위하여 대상지역의 LIDAR 자료에서 지면과 비지면 점들을 분할하는 과정이 필요하다. 주로 LIDAR 자료의 높이 정보, 경사, 모폴로지(morphology) 필터 등을 활용하여 지면 및 비지면 정보를 추출하는 연구결과가 발표되고 있으며, 본 연구에서는 정동기 등(2005)에 의해 선행 연구된 필터링 기법 중 ETEW(Elevation Threshold Expanding Window) 에 의한 필터링 기법을 이용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.