원격탐사를 이용한 남해안의 적조영역 검출과 통계적 특징 분석에 관한 연구 A Study on the Detection and Statistical Feature Analysis of Red Tide Area in South Coast Using Remote Sensing원문보기
1990년대 이후 적조현상은 전 세계적으로 환경문제의 큰 관심이 되고 있으며 선진각국들은 해상용 위성을 이용하여 조기에 적조영역을 검출하는 연구를 진행하고 있다. 그러나 우리나라는 대부분의 해안이 굴곡이 심하고 연안에서 탁류가 많아 저해상도인 해상용 위성으로 소규모 적조 영역을 검출하기가 어렵다. 또한 기존의 적조영역 검출은 해상용 위성영상의 해색(sea color) 한 가지 특징에 의한 방법이 대부분이었다. 이처럼 해색과 같이 영상에서 소수의 특징을 가지고 적조영역을 검출한다는 것은 false negative 오류를 유발할 수 있다. 따라서 본 논문에서는 고정밀 육상용 위성의 남해안 영상에 대해 GLCM(Gray Level Co occurrence Matrix)의 질감 정보 6가지를 이용해서 질감정보를 취득하고 이 정보로부터 주성분 분석을 통해 차원을 축소하여 불필요한 성분을 제거한 후 2개의 주성분 누적 영상으로 변환시켰다. 실험결과 2개의 주성분 변환 누적 영상의 고유값은 94.6%였으며, 이를 해색 한 가지 만을 이용한 적조영역 영상 및 주성분을 모두 가지고 있는 영상들과 비교했을 때 가장 정확한 결과를 나타내었다. 그리고 검출된 적조영역을 질감에 대한 통계적 특성을 이용하여 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다.
1990년대 이후 적조현상은 전 세계적으로 환경문제의 큰 관심이 되고 있으며 선진각국들은 해상용 위성을 이용하여 조기에 적조영역을 검출하는 연구를 진행하고 있다. 그러나 우리나라는 대부분의 해안이 굴곡이 심하고 연안에서 탁류가 많아 저해상도인 해상용 위성으로 소규모 적조 영역을 검출하기가 어렵다. 또한 기존의 적조영역 검출은 해상용 위성영상의 해색(sea color) 한 가지 특징에 의한 방법이 대부분이었다. 이처럼 해색과 같이 영상에서 소수의 특징을 가지고 적조영역을 검출한다는 것은 false negative 오류를 유발할 수 있다. 따라서 본 논문에서는 고정밀 육상용 위성의 남해안 영상에 대해 GLCM(Gray Level Co occurrence Matrix)의 질감 정보 6가지를 이용해서 질감정보를 취득하고 이 정보로부터 주성분 분석을 통해 차원을 축소하여 불필요한 성분을 제거한 후 2개의 주성분 누적 영상으로 변환시켰다. 실험결과 2개의 주성분 변환 누적 영상의 고유값은 94.6%였으며, 이를 해색 한 가지 만을 이용한 적조영역 영상 및 주성분을 모두 가지고 있는 영상들과 비교했을 때 가장 정확한 결과를 나타내었다. 그리고 검출된 적조영역을 질감에 대한 통계적 특성을 이용하여 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다.
Red tide is becoming hot issue of environmental problem worldwide since the 1990. Advanced nations, are progressing study that detect red tide area on early time using satellite for sea. But, our country most seashores bends serious. Also because there are a lot of turbid method streams on coast, ha...
Red tide is becoming hot issue of environmental problem worldwide since the 1990. Advanced nations, are progressing study that detect red tide area on early time using satellite for sea. But, our country most seashores bends serious. Also because there are a lot of turbid method streams on coast, hard to detect small red tide area by satellite for sea that is low resolution. Also, method by sea color that use one feature of satellite image for sea of existent red tide area detection was most. In this way, have a few feature in image with sea color and it can cause false negative mistake that detect red tide area. Therefore, in this paper, acquired texture information to use GLCM(Gray Level Co occurrence Matrix)'s texture 6 information about high definition land satellite south Coast image. Removed needless component reducing dimension through principal component analysis from this information. And changed into 2 principal component accumulation images, Experiment result 2 principal component conversion accumulation image's eigenvalues were 94.6%. When component with red tide area that uses only sea color image and all principal component image. displayed more correct result. And divided as quantitative,, it compares with turbid stream and the sea that red tide does not exist using statistical feature analysis about texture.
Red tide is becoming hot issue of environmental problem worldwide since the 1990. Advanced nations, are progressing study that detect red tide area on early time using satellite for sea. But, our country most seashores bends serious. Also because there are a lot of turbid method streams on coast, hard to detect small red tide area by satellite for sea that is low resolution. Also, method by sea color that use one feature of satellite image for sea of existent red tide area detection was most. In this way, have a few feature in image with sea color and it can cause false negative mistake that detect red tide area. Therefore, in this paper, acquired texture information to use GLCM(Gray Level Co occurrence Matrix)'s texture 6 information about high definition land satellite south Coast image. Removed needless component reducing dimension through principal component analysis from this information. And changed into 2 principal component accumulation images, Experiment result 2 principal component conversion accumulation image's eigenvalues were 94.6%. When component with red tide area that uses only sea color image and all principal component image. displayed more correct result. And divided as quantitative,, it compares with turbid stream and the sea that red tide does not exist using statistical feature analysis about texture.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 원격탐사 영상의 적조영역에 대해 GLCM 을 이용하여 질감 정보를 취득하고, 이 데이터로부터 주성분 분석을 통해 적조영역을 자동으로 검출하는 방법을 개발하였다. 그리고 적조영역의 질감에 대한 통계적 특징을 이용함으로써 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다.
제안 방법
그리고 6가지의 질감 특징을 이용하여 원격탐사 컬러영상을 변환하였다.
이는 모든 주성분을 가지고 있는 것보다는 영상데이터의 차원을 6개의 차원에서 2 개의 차원으로 줄여야 적조영역을 더욱 효과적으로 검출할 수 있음을 의미한다. 그리고 검출된 영역에 대해 부유물이 있는 연안 및 청정해역인 외해와 질감에 대한 통계적 특징을 이용하여 적조영역 특성을 정량적으로 비교하였다.
따라서 본 논문에서는 고정밀 육상용 위성영상의 남해안 연안에 대해 GLCM을 이용하여 6가지의 질감 특징 정보를 취득하고, 이 정보로부터 주성분 분석을 통해 차원을 축소하여 불필요한 성분을 제거함으로써 적조영역을 자동으로 검출하는 방법을 개발하였다. 그리고 검출된 적조영역을 질감에 대한 통계적 특징을 이용함으로써 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다.
일반적으로 영상은 256 그레이 레벨로 표현되나 본 연구에서는 행렬을 축소하기 위해 64 그레이 레벨만을 사용하였고 거리 d에 대해서도 제약을 주기 위하여 1에서 3까지 각각 0°, 45°, 90°, 135° 방향에 대한 행렬들을 계산하였다. 그리고 계산한 행렬에 대해 contrast, correlation, energy, entropy, homogeneity, maximum probability 등 6가지를 GLCM의 특징 표현으로 사용하였다.
분석을 통해 적조영역을 자동으로 검출하는 방법을 개발하였다. 그리고 적조영역의 질감에 대한 통계적 특징을 이용함으로써 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다. 효율적인 적조영역의 질감 표현을 위해 6개의 특징을 사용하였으며, 이로부터 2개의 주요 성분으로 표현을 압축시켰다.
다음으로 영역검출을 위해 형태학적 분기점에 의한 분할을 적용하였다. 이러한 알고리즘은 유역 변환으로 불리워지몌6] 본 논문에서는 기울기를 이용한 유역 변환의 단점인 많은 수의 최소값으로 인하여 심하게 과분할되는 것을 문턱치 값을 적용한 알고리즘으로 해결하였다.
이처럼 원격탐사 영상에서 해 색이나 소수의 특징만으로 적조영역을 판단하는 것은 실제 적조영역이지만 적조영역으로 추출되지 않는 false-negative 오류를 유발할 수 있다. 따라서 본 논문에서는 고정밀 육상용 위성영상의 남해안 연안에 대해 GLCM을 이용하여 6가지의 질감 특징 정보를 취득하고, 이 정보로부터 주성분 분석을 통해 차원을 축소하여 불필요한 성분을 제거함으로써 적조영역을 자동으로 검출하는 방법을 개발하였다. 그리고 검출된 적조영역을 질감에 대한 통계적 특징을 이용함으로써 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다.
3차 적률은 히스토그램의 비대칭 정도를 측정한다. 또한 이미 앞에서 질감특징을 표현하기 위해 사용한 contrast, correlation, energy와 entropy, homogeneity, 그리고 max probability, 에 대해서도 통계적 특징을 정량화하였다.
본 논문에서는 먼저 입력되는 원격탐사 영상에 대하여 GLCM의 6가지 질감 특징을 이용해서 6개의 영상으로 변환한 후 주성분 분석을 수행하여 주성분 변환 누적 영상에서 적조영역을 검출한다. 전체적인 시스템의 흐름도는 (그림 1) 과 같다.
본 논문에서는 적조영역을 검출하기 위해 주성분 변환 첫 번째와 두 번째를 합한 영상에 대해 모서리를 이용한 윤곽선 검출을 먼저 수행하였다. 이는 적조영역을 검출하기 위해 지역적인 기울기와 모서리 방향을 이용한 것이다.
본 논문에서는 질감에 대한 통계적인 특징을 정량화하여 탁도가 높은 연안의 값과 실험에서 검출한 적조 영역의 값 그리고 청정해역인 외해의 값을와 같이 산출함으로써 상호 구분이 가능하였다.
우리는 Landsat위성의 센서인 ETM+센서의 7가지 밴드 중 Blue 밴드인 1번, Green 밴드인 2번, Red 밴드인 3번 밴드를 이용하여 남해안 통영시 남부에 있는 미륵도 서안에 대해 컬러 영상을 만들고 이를 그레이 영상으로 변환하였다. 그리고 6가지의 질감 특징을 이용하여 원격탐사 컬러영상을 변환하였다.
적용하였다. 이러한 알고리즘은 유역 변환으로 불리워지몌6] 본 논문에서는 기울기를 이용한 유역 변환의 단점인 많은 수의 최소값으로 인하여 심하게 과분할되는 것을 문턱치 값을 적용한 알고리즘으로 해결하였다. 이는 영상에 속하는 연결 성분인 마커와 문턱치 값을 적용하여 기준이 되는 마스크를 이용한 방법이다.
이 원리를 적용하면 영상 크기가 Mx N이고 거리가 d이며 45°간격으로 측정되는 GLCM의 빈도수 R를 정의할 수 있다. 일반적으로 영상은 256 그레이 레벨로 표현되나 본 연구에서는 행렬을 축소하기 위해 64 그레이 레벨만을 사용하였고 거리 d에 대해서도 제약을 주기 위하여 1에서 3까지 각각 0°, 45°, 90°, 135° 방향에 대한 행렬들을 계산하였다. 그리고 계산한 행렬에 대해 contrast, correlation, energy, entropy, homogeneity, maximum probability 등 6가지를 GLCM의 특징 표현으로 사용하였다.
정량화하는 방법 중 본 논문에서는 적조로 검출된 영역에 대하여 통계적 측정 방법을 사용하였다. 질감 분석을 위해서 자주 사용하는 방법은 밝기 히스토그램에 대한 통계적 속성에 기반한다.
그리고 국립수산진흥원에서 4~5개의 밴드를 활용한 항공기에 의한 고공 적조 원격탐사를 시도한바 있으나 엄청난 장비 및 항공기 사용료로 인하여 도중에 포기한 적이 있다. 학술적으로는 해수의 온도를 고려하여 분광밴드를 주성분 분석으로 처리한 사례 [2]와 기상인자인 강수량과 바람, 기온 등을 이용했다[4].
그리고 적조영역의 질감에 대한 통계적 특징을 이용함으로써 탁류가 많은 연안 및 적조현상이 없는 바다와 비교하여 정량적으로 구분하였다. 효율적인 적조영역의 질감 표현을 위해 6개의 특징을 사용하였으며, 이로부터 2개의 주요 성분으로 표현을 압축시켰다. 연구결과 2개의 주성분 변환 누적 영상의 고유값은 94.
대상 데이터
실험에 사용된 원격탐사 영상은 2001년도 8월 24일 한반도 동남해안을 Landsat위성의 ETM+센서로 촬영한 것이다. 영상 크기는 8794x7839화소의 bmp파일이며 면적이 180kmx 80km인 것을 관심영역인 통영시 남부 미륵도 서해안 영역에 234x149화소로 수작업을 통해 분할했다.
것이다. 영상 크기는 8794x7839화소의 bmp파일이며 면적이 180kmx 80km인 것을 관심영역인 통영시 남부 미륵도 서해안 영역에 234x149화소로 수작업을 통해 분할했다. 따라서 영상의 면적은 6.
성능/효과
기존의 해 색에 의한 방법인 원격탐사 그레이 영상은 윤곽선 검출로는 적조영역을 검출하는 것이 불가능하였고 영역검출은 적조영역이 해안선에 걸쳐있었다. 그러나 본 논문의 알고리즘을 적용한 영상은 윤곽선 검출이 해안가에 있는 작은 암초와 배 등과 비교할 수 있을 정도로 가능하였고 영역 검출도 해안가의 암초나 배등과 비교하여 작지만 가능했다. 주성분을 모두 가지고 있는 영상에 대해서는 윤곽선 및 영역 검출에 실패하였다.
6%로 이는 2개의 주성분이 거의 대부분의 정보를 가지고 있음을 알 수 있었다. 기존의 해색에 의한 적조 검출영역과 2개의 주성분 변환 누적 영상에 의한 적조 검출 영역을 비교한 결과, 본 논문에서 제시한 알고리즘의 타당성이 검증되었다. 또한 주성분을 모두 가지고 있는 영상은 오히려 불필요한 성분이 있어 분할에 저해요소가 됨을 알 수 있었다.
기존의 해색에 의한 적조 검출영역과 2개의 주성분 변환 누적 영상에 의한 적조 검출 영역을 비교한 결과, 본 논문에서 제시한 알고리즘의 타당성이 검증되었다. 또한 주성분을 모두 가지고 있는 영상은 오히려 불필요한 성분이 있어 분할에 저해요소가 됨을 알 수 있었다. 이는 모든 주성분을 가지고 있는 것보다는 영상데이터의 차원을 6개의 차원에서 2 개의 차원으로 줄여야 적조영역을 더욱 효과적으로 검출할 수 있음을 의미한다.
그러나 히스토그램의 비대칭 정도를 나타내는 3차 모멘트는 연안과 외해에 비해 10배 이상의 차이가 났는데 이는 히스토그램의 중앙을 기준으로 오른쪽인 밝은 값들이 많이 있는 것을 나타내므로 적조의 밝기 특성이 연안의 탁류와 외해의 푸른 색과는 달리 광도가 크다는 것을 의미한다. 본 연구에서 사용한 질감 특징 정보인 contrast, correlation, energy, entropy, homogen eity, maximum probability는 연안과 외해의 값은 대체로 비슷하나 적조 영역은 차이가 있다. 이는 연안과 외해는 질감 특성이 적으나 적조 영역은 질감 특성이 크다는 것을 나타낸다.
효율적인 적조영역의 질감 표현을 위해 6개의 특징을 사용하였으며, 이로부터 2개의 주요 성분으로 표현을 압축시켰다. 연구결과 2개의 주성분 변환 누적 영상의 고유값은 94.6%로 이는 2개의 주성분이 거의 대부분의 정보를 가지고 있음을 알 수 있었다. 기존의 해색에 의한 적조 검출영역과 2개의 주성분 변환 누적 영상에 의한 적조 검출 영역을 비교한 결과, 본 논문에서 제시한 알고리즘의 타당성이 검증되었다.
상호 구분이 가능하였다. 열개 항목에 걸쳐 적조 영역은 평균과 표준편차 그리고 평탄도에서 대체로 연안과 외해의 중간 값을 유지하고 있었다. 그러나 히스토그램의 비대칭 정도를 나타내는 3차 모멘트는 연안과 외해에 비해 10배 이상의 차이가 났는데 이는 히스토그램의 중앙을 기준으로 오른쪽인 밝은 값들이 많이 있는 것을 나타내므로 적조의 밝기 특성이 연안의 탁류와 외해의 푸른 색과는 달리 광도가 크다는 것을 의미한다.
원격탐사 그레이 영상과 주성분 분석 후 누적 비율이 94.6%인 주성분 변환 첫 번째 영상과 주성분 변환 두 번째 영상을 합한 영상, 그리고 주성분을 모두 가지고 있는 영상 등 3종류의 영상에 대해 적조영역을 검출하였다. 기존의 해 색에 의한 방법인 원격탐사 그레이 영상은 윤곽선 검출로는 적조영역을 검출하는 것이 불가능하였고 영역검출은 적조영역이 해안선에 걸쳐있었다.
이 고유값을 이용하여 6개의 주성분 변환 영상을 획득할 수 있고 변환된 첫 번째 영상과 두 번째 영상의 고유값의 합은 10, 027.6으로 전체의 합인 10, 705.3의 946%를 차지하고 있다.
후속연구
특히 적조 초기에 연안에서 여러 미생물이 존재할 경우 나타나는 질감측정이 필요하다. 그리고 본 논문에서 제시한 6가지의 질감 특징보다 적조 특성을 더욱 잘 나타낼 수 있는 질감 특징을 개발해야 하며, 적조영역을 효율적으로 검출할 수 있는 알고리즘의 개발이 필요하다. 또한 해상도 lm급 등 고정밀 원격탐사 영상을 이용한 적조영역 검출도 필요하다.
따라서 모든 물질은 전자기파 중 특정한 파장의 전자를 흡수하거나 반사하는 고유한 특성을 가지는데, 이 특성에 의해 어떠한 표적물로부터 반사되거나 복사되는 에너지의 세기는 물체의 특성에 따라 다르게 나타난다. 본 논문에서 사용한 Landsat 위성의 ETM+ 센서는 육지의 식물분포를 감지하는데 활용되며 바다의 식물성 프랑크톤의 분포량에도 적용이 가능하다. 또한 이 위성은 해상도가 30m로 1km 해상도를 지닌 NOAA나 SeaWiFS보다 고해상도 위성이다.
본 논문에서는 적조를 일으키는 여러 생물 중 코클로디니움에 대해 적조영역을 검출하였으나 향후 여러 종류의 적조 발생 미생물을 대상으로 한 실험이 필요하다. 특히 적조 초기에 연안에서 여러 미생물이 존재할 경우 나타나는 질감측정이 필요하다.
Jianxiang Chen, W, Huang, J. Yang, 'Satellite Remote Sensing of the Oceanic Environment in China', Geoscience and Remote Sensing Symposium, IGARSS '05, Proceedings, IEEE International Vol. 2. pp.1018-1020, 2005
Lue Vincent, Piecent Soille, 'Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion simulations', IEEE Trans on Pattern Analysis and Machine Intelligence, Vol. 13, No 6, pp,583-598, 1991
S. Palanisamy, Y. H. Ahn, J. H. Ryu, J.E. Moon, 'Apllication of Optical Remote sensing Imagery for Detection of Red tide Algal in Korean waters', Geoscience and Remote Sensing Symposium, IGARSS '05. Proceedings. IEEE International Vol. 2. pp.1912-915, 2005
W. Takahashi, H. Kawamure, T.Omura, K. Furuya, 'Detecting Red Tides in the Eastern seto Inland Sea with Satellite Ocaen Color Imagery', Geoscience and Remote Sensing Symposium, IGARSS '05. Proceedings. IEEE International Vol. 2. pp.1924-1927, 2005
※ AI-Helper는 부적절한 답변을 할 수 있습니다.