[국내논문]반복최적화 무감독 분광각 분류 기법을 이용한 하이퍼스펙트럴 영상 분류에 관한 연구 A Study on the Hyperspectral Image Classification with the Iterative Self-Organizing Unsupervised Spectral Angle Classification원문보기
분광각(Spectral Angle)을 이용한 분류는 같은 종류의 지표 대상물의 분광 특성이 대기 및 지형적인 영향으로 인해 원점을 기준으로 유사한 분광각을 가지며, 선형적인 분포 모양을 가진다는 가정에 기초한 분류 방식이다. 최근 분광각을 이용한 무감독 분류에 대한 연구가 활발히 이루어지고 있으나, 하이퍼스펙트럴 데이터의 특성을 반영한 효과적인 무감독 분류에 대한 연구는 미진한 상태이다 본 연구는 하이퍼스펙트럴 영상 분류에 있어서 기존 무감독 분광각 분류(USAC, Unsupervised Spectral Angle Classification) 연구에서 나타난 문제점들을 보완한 반복최적화 무감독 분광각 분류(ISOUSAC, Iterative Self-Organizing USAC) 기법을 제안하고 있다. 이를 위해, 무감독 분광각 분류에 적합한 각 분할(Angle Range Division) 기법을 적용하여 군집 초기 중심을 설정하였고, 군집 중심 계산에 있어서 각 중심을 이용하였다. 뿐만 아니라 병합(Merge)과 분할(Split)를 통한 유동적인 군집 분석을 수행하였다. 결과를 통해, 제안된 알고리즘이 기존의 기법보다 수행 시간뿐 아니라 시각적, 정량적인 면에서 우수한 결과를 도출하였으며, 분광각을 이용한 군집 유효성 지수(ValidityIndex)를 제안함으로써 기존의 무감독 분광각 분류와 정량적 비교를 수행하였다.
분광각(Spectral Angle)을 이용한 분류는 같은 종류의 지표 대상물의 분광 특성이 대기 및 지형적인 영향으로 인해 원점을 기준으로 유사한 분광각을 가지며, 선형적인 분포 모양을 가진다는 가정에 기초한 분류 방식이다. 최근 분광각을 이용한 무감독 분류에 대한 연구가 활발히 이루어지고 있으나, 하이퍼스펙트럴 데이터의 특성을 반영한 효과적인 무감독 분류에 대한 연구는 미진한 상태이다 본 연구는 하이퍼스펙트럴 영상 분류에 있어서 기존 무감독 분광각 분류(USAC, Unsupervised Spectral Angle Classification) 연구에서 나타난 문제점들을 보완한 반복최적화 무감독 분광각 분류(ISOUSAC, Iterative Self-Organizing USAC) 기법을 제안하고 있다. 이를 위해, 무감독 분광각 분류에 적합한 각 분할(Angle Range Division) 기법을 적용하여 군집 초기 중심을 설정하였고, 군집 중심 계산에 있어서 각 중심을 이용하였다. 뿐만 아니라 병합(Merge)과 분할(Split)를 통한 유동적인 군집 분석을 수행하였다. 결과를 통해, 제안된 알고리즘이 기존의 기법보다 수행 시간뿐 아니라 시각적, 정량적인 면에서 우수한 결과를 도출하였으며, 분광각을 이용한 군집 유효성 지수(Validity Index)를 제안함으로써 기존의 무감독 분광각 분류와 정량적 비교를 수행하였다.
The classification using spectral angle is a new approach based on the fact that the spectra of the same type of surface objects in RS data are approximately linearly scaled variations of one another due to atmospheric and topographic effects. There are many researches on the unsupervised classifica...
The classification using spectral angle is a new approach based on the fact that the spectra of the same type of surface objects in RS data are approximately linearly scaled variations of one another due to atmospheric and topographic effects. There are many researches on the unsupervised classification using spectral angle recently. Nevertheless, there are only a few which consider the characteristics of Hyperspectral data. On this study, we propose the ISOMUSAC(Iterative Self-Organizing Modified Unsupervised Spectral Angle Classification) which can supplement the defects of previous unsupervised spectral angle classification. ISOMUSAC uses the Angle Division for the selection of seed points and calculates the center of clusters using spectral angle. In addition, ISOMUSAC perform the iterative merging and splitting clusters. As a result, the proposed algorithm can reduce the time of processing and generate better classification result than previous unsupervised classification algorithms by visual and quantitative analysis. For the comparison with previous unsupervised spectral angle classification by quantitative analysis, we propose Validity Index using spectral angle.
The classification using spectral angle is a new approach based on the fact that the spectra of the same type of surface objects in RS data are approximately linearly scaled variations of one another due to atmospheric and topographic effects. There are many researches on the unsupervised classification using spectral angle recently. Nevertheless, there are only a few which consider the characteristics of Hyperspectral data. On this study, we propose the ISOMUSAC(Iterative Self-Organizing Modified Unsupervised Spectral Angle Classification) which can supplement the defects of previous unsupervised spectral angle classification. ISOMUSAC uses the Angle Division for the selection of seed points and calculates the center of clusters using spectral angle. In addition, ISOMUSAC perform the iterative merging and splitting clusters. As a result, the proposed algorithm can reduce the time of processing and generate better classification result than previous unsupervised classification algorithms by visual and quantitative analysis. For the comparison with previous unsupervised spectral angle classification by quantitative analysis, we propose Validity Index using spectral angle.
김대성, 김용일, 2005. 'The Modified Unsupervised Spectral Angle Classification (MUSAC) of Hyperion, Hyperion-FLAASH and ETM+Data Using Unit Vector', ISRS, 134-137
조현기, 김대성 김용일, 2005. '반복최적화. 무감독 분광각 분류 기법을 이용한 하이퍼스펙트럴 영상 분류에 관한 연구', 한국공간정보시스템학회 추계학술대회, 36-41
Arel Weisberg, Michelle Najarian, Brett Borowski, Jim Lisowski, and Bill Miller, 1999. 'Spectral Angle Automatic cLuster rouTine(SAALT): An Unsupervised Multispectral Clustering Algorithm', Aerospace Conference, IEEE, 4: 307-317
Davis, D. L. and Bouldin, D. W., 1979. 'A Cluster Seperation Measure', IEEE, 4: 95-104
Granahan J. C. and Sweet J. N., 2001. 'An Evaluation of Atmospheric Correction Techeniques Using the Spectral Similarity Scale', IEEE 2001 International. Ceoscience and Remote Sensing Symposium, 5: 2002-2024
John R. Jensen, 2004. 'Introductory Digital Image Processing', Rearson Education, NJ, USA, 450-453
James Norman, 2003. 'The Spectral Similarity Scale and its Application to the Classification of Hyperspectral Remote Sensing Data', IEEE Work Shop, 92-99
Kai-Yi Huang, 2002. 'A Synergistic Automatic Clustering Technique (SYNERACT) for Multispectral Image Analysis', PE & RS, ASPRS, 68(1): 33-49
Maria Halkidi, Yannis Batistakis, and Michalis Vazirgiannis, 2001. 'On Clustering Validation Techniques', JIIS (Journal of Intelligent Information System), 17: 107-145
S. Phillips, 2002. 'Reducing the Computation time of the ISODATA and K-means unsupervised classification algorithms', in Proc. 22nd IEEE International. Geoscience. and Remote Sensing Symposium, 3: 1627-1629
T. Kanungo, D. M. Dount. N. S. Netanyahu, C. Piatko, R. Silverman, and A. Y. Wu, 2002. 'An Efficient K-means Clustering Algorithm: Analysis and Implementation', IEEE Trans, Pattern Anal. Mach, Intel., 24: 881-892
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.