자동 PIF 추출을 통한 Hyperion 초분광영상의 상대 방사정규화 - 변화탐지를 목적으로 Relative Radiometric Normalization of Hyperion Hyperspectral Images Through Automatic Extraction of Pseudo-Invariant Features for Change Detection원문보기
지상의 정보를 주기적으로 취득하는 위성영상은 여러 가지 원인으로 인해 동일 지점에 대해 일정한 화소값을 기대하기 어렵고, 이런 영상은 변화탐지 결과에 영향을 미칠 가능성이 높으므로 방사보정을 통해 화소값 차이를 최소화시킬 필요가 있다. 본 연구는 변화탐지를 위한 전처리 과정 중 하나인 방사정규화에 초점을 맞추고 있다. 이를 위해 시간적 불변특성을 보이는 화소인 PIF를 추출하고, 선형회귀 기법을 이용하여 상대 방사정규화를 수행하였다. 화소간 유사도 측정 기법인 분광각을 통해 PIF를 자동으로 추출함으로써, 초분광영상이 가지는 많은 밴드의 장점을 활용하였다 또한 반복적인 정량 평가를 통해 적절한 PIF 개수를 결정하는 연구도 함께 수행하였다. 영상회귀, 히스토그램 매칭, FLAASH 기법을 적용한 방사보정 결과와 비교하여 제안된 알고리즘의 성능을 평가하였으며, PIF 추출을 통한 선형회귀 기법이 변화탐지를 위한 방사보정에 보다 효과적으로 적용될 수 있음을 확인하였다.
지상의 정보를 주기적으로 취득하는 위성영상은 여러 가지 원인으로 인해 동일 지점에 대해 일정한 화소값을 기대하기 어렵고, 이런 영상은 변화탐지 결과에 영향을 미칠 가능성이 높으므로 방사보정을 통해 화소값 차이를 최소화시킬 필요가 있다. 본 연구는 변화탐지를 위한 전처리 과정 중 하나인 방사정규화에 초점을 맞추고 있다. 이를 위해 시간적 불변특성을 보이는 화소인 PIF를 추출하고, 선형회귀 기법을 이용하여 상대 방사정규화를 수행하였다. 화소간 유사도 측정 기법인 분광각을 통해 PIF를 자동으로 추출함으로써, 초분광영상이 가지는 많은 밴드의 장점을 활용하였다 또한 반복적인 정량 평가를 통해 적절한 PIF 개수를 결정하는 연구도 함께 수행하였다. 영상회귀, 히스토그램 매칭, FLAASH 기법을 적용한 방사보정 결과와 비교하여 제안된 알고리즘의 성능을 평가하였으며, PIF 추출을 통한 선형회귀 기법이 변화탐지를 위한 방사보정에 보다 효과적으로 적용될 수 있음을 확인하였다.
This study focuses on the radiometric normalization, which is one of the pre-processing steps to apply the change detection technique fur hyperspectral images. The PIFs which had radiometric consistency under the time interval were automatically extracted by applying spectral angle, and used as samp...
This study focuses on the radiometric normalization, which is one of the pre-processing steps to apply the change detection technique fur hyperspectral images. The PIFs which had radiometric consistency under the time interval were automatically extracted by applying spectral angle, and used as sample pixels for linear regression of the radiometric normalization. We also dealt with the problem about the number of PIFs for linear regression with iteratively quantitative methods. The results were assessed in comparison with image regression, histogram matching, and FLAASH. In conclusion, we show that linear regression method with PIFs can carry out the efficient result for radiometric normalization.
This study focuses on the radiometric normalization, which is one of the pre-processing steps to apply the change detection technique fur hyperspectral images. The PIFs which had radiometric consistency under the time interval were automatically extracted by applying spectral angle, and used as sample pixels for linear regression of the radiometric normalization. We also dealt with the problem about the number of PIFs for linear regression with iteratively quantitative methods. The results were assessed in comparison with image regression, histogram matching, and FLAASH. In conclusion, we show that linear regression method with PIFs can carry out the efficient result for radiometric normalization.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 추출되는 PIF의 개수를 결정하는 문제에 대해 본 논문에서 부가적으로 다루었다. 임의의 PIF의 개수를 반복적으로 입력하여 생성된 결과영상과 입력영상과의 RMSE (root mean square error)를 계산하고, PIF의 개수 와 RMSE 비(ratio)를 축으로 하는 2차 회귀식의 추정을 통해 가장 높은 정확도(RMSE 비가 가장 낮게 나타나는 지점)가 기대되는 PIF의 개수를 추정하였다.
본 연구는 변화탐지의 방사정규화를 수행하기 위한 PIF 추출의 자동화에 초점을 맞추고 있다. 이를 위해 많은 밴 드의 장점을 가진 초분광영상을 사용하였으며, 기존의 단 밴드 또는 다중분광 영상에 적용하기 다소 힘들었던 화소 간 유사도 측정(similarity measure)을 화소의 분광정보를 통해 보다 효과적으로 적용할 수 있도록 하였다.
본 연구는 초분광영상을 이용한 변화탐지 기술을 보다 손쉽게 적용할 수 있도록 양질의 데이터를 제공하는 것이 목적이며, 그 연구의 일환으로 선형회귀 기법을 이용하여 변화탐지를 위한 상대 방사정규화를 수행하였다. 이를 위해 시간적 불변특성을 보이는 화소인 PIF를 추출하여 선형회귀 식을 구성하는 표본으로 사용하였다.
제안 방법
SIFT 기법을 적용하여 각각 217개(서울), 53개(안산), 164 개(남원), 152개(구례)의 정합점을 추출하였으며 모든 데이 터에 대해 0.2화소(RMSE) 이내의 정확도로 자동 기하보정 을 수행하였다. 기하보정된 영상은 공통지역을 추출하고 Datt 등(2003)이 제안한 밴드를 구성하여 최종적으로 300화 소씨80화소시55밴드 크기의 데이터로 생성하였다.
입력된 영상은 분광각을 계산하고, 일정 개수의 PIF 를 추출하여 선형회귀식 구성을 위한 표본(samples)으로 제공된다. 계산된 선형회귀식을 통해 보정전 영상(sensed image)의 방사보정을 수행한다. 연구의 내용과 실제 적용된 결과는 아래에서 좀 더 자세히 설명하고자 한다.
이를 위해 시간적 불변특성을 보이는 화소인 PIF를 추출하여 선형회귀 식을 구성하는 표본으로 사용하였다. 기존의 수동적인 PIF 추출 기법과는 달리, 초분광영상이 가지는 많은 밴드의 장점을 활용하여 화소간 유사도 측정 기법(분광각)을 적용함으로써, PIF를 자동으로 추출하였다. 또한 객관적인 평가지표를 통해 적절한 P1F 개수를 결정하는 연구도 함께 수행하였으며, 지역에 따라 다소 차이는 있으나 전체 영상 화소의 0.
본 연구에서는 밴드의 민 감도 지수(band sensitivity index)를 이용하여 Datt 등 (2003)°] 제안한 155개의 안정적인 밴드(stable bands)를 선택하여 연구에 적용하였다(표 1). 따라서 개별 영상 전 처 리를 통해 각각 400화소><256화소시 55밴드 크기의 8개 단위영싱tsubset image)으로 생성하였다.
이는 PIF의 개수를 10의 승수로 정한 이유이며, 반복적인 실험을 통해 결정된 것임을 밝힌다. 따라서 결과값의 분포에 맞게 2차 회귀식을 구성한 후, RMSE 비의 값이 가장 낮은 지점을 최적의 PIF 추출 개수로 결정하였다. 표 3은 실험 지역에 따라 추정된 PIF 개수, 계산된 RMSE 비, 관계식 등을 나타내고 있다.
하지만, 실제 알고리즘을 적용하여 시각적으로 평가한 결과 화소의 밝기 값 차이를 수치상으로 확인할 수는 있었으나, 그 값의 차이가 영상의 밝기값 범위에 비해 상당히 미미한 수준이어서 시각적으로 변화를 인식하기에는 다소 무리였다. 따라서 시간적 불변특성을 보이는 화소들을 추출하여 기준 영상에서 추출된 화소와 얼마나 일치하는가를 그래프로표현흐}는 방식을 사용하여 시각적으로 평가하였다. 이는 대부분의 방사보정 기법 연구에서 정확도 평가기법으로 사용하는 방식이며, 일반적으로 PIF의 평균을 사용하여 비교한다.
FLAASH 기법은 입력되는 두 영상 모두를 보정하여 반사값으로 변환하므로 입력 영상과 결과 영상의 밝기값 차이가 많이 발생한다. 따라서 입력 영상과 결과 영상의 전체 평균 비를 이용하여 값의 범위를 조정하였다. FLAASH를 수행한 영상들은 보정전 영상들과 완전히 다른 분광특성을 나타내고 있으나, 수행 후의두 영상간 분광특성은 비슷함을 알 수 있다.
선별하였다. 또한, 영상에 존재하는 Striping 잡음을 제거하기 위해 잡음이 존재하는 열(column)을 탐색한 후, Yoon 등(2007)의 제안 기법인 인접한 6개 화소의 평균값을 이용하여 보정하였다.
본 연구는 변화탐지의 방사정규화를 수행하기 위한 PIF 추출의 자동화에 초점을 맞추고 있다. 이를 위해 많은 밴 드의 장점을 가진 초분광영상을 사용하였으며, 기존의 단 밴드 또는 다중분광 영상에 적용하기 다소 힘들었던 화소 간 유사도 측정(similarity measure)을 화소의 분광정보를 통해 보다 효과적으로 적용할 수 있도록 하였다. 따라서 화소별 분광 프로파일(spectral profile)의 모양에 대한 유 사성을 잘 반영하는 분광각(spectral angle) 알고리즘을 이용하여 PIF를 자동으로 추출하였다.
위한 상대 방사정규화를 수행하였다. 이를 위해 시간적 불변특성을 보이는 화소인 PIF를 추출하여 선형회귀 식을 구성하는 표본으로 사용하였다. 기존의 수동적인 PIF 추출 기법과는 달리, 초분광영상이 가지는 많은 밴드의 장점을 활용하여 화소간 유사도 측정 기법(분광각)을 적용함으로써, PIF를 자동으로 추출하였다.
또한 추출되는 PIF의 개수를 결정하는 문제에 대해 본 논문에서 부가적으로 다루었다. 임의의 PIF의 개수를 반복적으로 입력하여 생성된 결과영상과 입력영상과의 RMSE (root mean square error)를 계산하고, PIF의 개수 와 RMSE 비(ratio)를 축으로 하는 2차 회귀식의 추정을 통해 가장 높은 정확도(RMSE 비가 가장 낮게 나타나는 지점)가 기대되는 PIF의 개수를 추정하였다.
PIF의 개수는 10函 +。勘喝)의 공식에 따라 & io, 18, 32, 56, 100, 178, 316, 562, 1,000, 1,778, 3,162, 5,623, 10,000, 17,783개를 임으로 정하였으며, 유사도가 높은 순으로 추 출하였다. 추출된 PIF를 이용하여 방사정규화를 수행하 고, 임의의 PIF에 대한 방사정규화 전•후의 RMSE 비를 계산하였다.
평가는 시각적인 방식과 정량적인 방식으로 나누어 수행하였다. 방사보정을 수행하여 생성된 영상은 시각적으로 확인하는 것이 가장 직관적인 방식이다.
비교. 평가하는 방식으로 진행하였다. 비교된 방사 보정 기법은 절대 방사보정 기법인 FLAASH와 상대 방사 정규화 기법인 히스토그램 매칭, 영상회귀(image regression)기법이다.
계산된 RMSE를 좀 더 효과적으로 표현하기 위해 방사보정 전.후의 RMSE 비를 계산하여 하나의 표로 정리 하였다. 표 2 는 실험 전 지역의 RMSE와 보정 전후의 RMSE 비이다.
대상 데이터
Hyperion 영상은 우선 보정되지 않은 밴드제거(not- calibrated band removal) 단계에서 화소값이 영(zero)인밴드(1~7번 밴드, 58~76번 밴드, 225~242번 밴드)를제거하였으며, 파장대가 중첩되는 56, 57, 77, 78번 밴드 중 77번과 78번 밴드를 제거하여 196개 밴드를 1차적으로 선별하였다. 또한, 영상에 존재하는 Striping 잡음을 제거하기 위해 잡음이 존재하는 열(column)을 탐색한 후, Yoon 등(2007)의 제안 기법인 인접한 6개 화소의 평균값을 이용하여 보정하였다.
2화소(RMSE) 이내의 정확도로 자동 기하보정 을 수행하였다. 기하보정된 영상은 공통지역을 추출하고 Datt 등(2003)이 제안한 밴드를 구성하여 최종적으로 300화 소씨80화소시55밴드 크기의 데이터로 생성하였다. 그림 2는 방사보정을 위해 생성된 영상이며 R, G, B 밴드를 각각 29번(640.
그림 3은 PIF 추출을 통해 방사정규화를 수행하기 위한 연구 흐름도이다. 연구에서 사용된 기준영상(refbisce image)은 2002년 4월 18일 촬영한 서울 및 안산지역 영상과 2003년 9월 22일 촬영한 남원 및 구례지역 영상이다. 입력된 영상은 분광각을 계산하고, 일정 개수의 PIF 를 추출하여 선형회귀식 구성을 위한 표본(samples)으로 제공된다.
6km이다(EO-1 Homepage).제안된 알고리즘의 적용을 위해 취득 가능 지역을 기준으로 2002년 4월 2일, 4월 18일 촬영된 서울, 안산(관악산) 지역 영상과 남원, 구례지역의 2002년 9월 3일, 2003년 9월 22일 촬영한 4개의 Hyperion 스트립(strip) 데이터 (Level 1R 레벨, 총 8개 영상)를 사용하였다.
데이터처리
①의 결과를 얻기 위해서 제안된 알고리즘을 포함한 상대 방사정규화 기법들과 FLAASH 기법을 서로 비교하였으며, ②의 경우는 히스토그램 매칭, 영상회귀 기법을 제안된 알고리즘과 비교함으로써 결과를 분석하였다.
PIF 추출 개수를 추정하기 위해 그림 3의 방사정규화 연구 흐름도를 그대로 이용하였다. 다만 PIF의 개수를 임 의대로 정하여 반복적으로 방사보정을 수행하였으며, 수 행된 결과를 토대로 RMSE 값을 계산하였다. PIF의 개수는 10函 +。勘喝)의 공식에 따라 & io, 18, 32, 56, 100, 178, 316, 562, 1,000, 1,778, 3,162, 5,623, 10,000, 17,783개를 임으로 정하였으며, 유사도가 높은 순으로 추 출하였다.
평가하는 방식으로 진행하였다. 비교된 방사 보정 기법은 절대 방사보정 기법인 FLAASH와 상대 방사 정규화 기법인 히스토그램 매칭, 영상회귀(image regression)기법이다. 기존 기법들과의 비교를 통해 도출하고자 하는 결과는 다음과 같다.
제안된 알고리즘의 성능은 기존에 적용된 방사보정 기법들과 비교. 평가하는 방식으로 진행하였다.
이론/모형
이를 위해 많은 밴 드의 장점을 가진 초분광영상을 사용하였으며, 기존의 단 밴드 또는 다중분광 영상에 적용하기 다소 힘들었던 화소 간 유사도 측정(similarity measure)을 화소의 분광정보를 통해 보다 효과적으로 적용할 수 있도록 하였다. 따라서 화소별 분광 프로파일(spectral profile)의 모양에 대한 유 사성을 잘 반영하는 분광각(spectral angle) 알고리즘을 이용하여 PIF를 자동으로 추출하였다.
최근에는 영상의 신호대잡음비, 극단화소비, Entropy, 화소간 유사도 등을 이용하여 자동화된 밴드선택이 이루 어지고 있다(김대성 등, 2007). 본 연구에서는 밴드의 민 감도 지수(band sensitivity index)를 이용하여 Datt 등 (2003)°] 제안한 155개의 안정적인 밴드(stable bands)를 선택하여 연구에 적용하였다(표 1). 따라서 개별 영상 전 처 리를 통해 각각 400화소><256화소시 55밴드 크기의 8개 단위영싱tsubset image)으로 생성하였다.
생성된 8개의 영상은 SIFT(Scale-Invariant Feature Transform) 기법을 적용하여 영상간 자동 기하보정을 수행하였다. SIFT 기법은 scale-space extrema detection과 keypoint localization 과정을 거쳐 특징점의 위치, 축척, 방향 정보를 추출한다.
성능/효과
PIF는 작은 분광각 순으로 정렬하여 일정한 개수만큼 추출하였으며, 3.3 절에서 정리한 PIF 추출 개수 추정 연구 결과를 토대로 전 실험지역에 걸쳐 0.5%(270개 화소) 의 PIF를 동일하게 추출하였다. 그림 4는 실험 지역에 따라 계산된 분광각의 수치를 영상으로 보여주고 있다.
결과에서 확인할 수 있듯이, PIF 추출을 통한 방사 보정 방법이 실험 전 지역에 대해 가장 효과적으로 수행된 것으로 나타났다. 히스토그램 매칭, 영상회귀 기법은 거의 비슷한 방사보정 결과를 보였으며, 남원지역과 구례지역에 대해 보정 전보다 기준영상에 더 가깝게 보정되었다고 할 수 있다.
또한 영상 전체를 표본으로 사'용하는 상대 방사보정 기법(영상회귀, 히스토그램매칭 기법)이 일부 지역에 대해 효과적인 방사보정 결과를 보임을 알 수 있었으나, 다른 지역에 대해서는 보정 전보다 더 좋지 못한 결과를 보여 기법 의사용에 있어 신중해야 할 필요가 있다고 사료된다. 결과적으로 PIF 추출을 통한 선형회귀 방법이 변화탐지를 위한 가장 신뢰도 높은 방사보정 기법으로 평가할 수 있다. 다만, PIF 추출 방식에 있어 객관성이 결여되는 이유로 기존의 PIF 추출 방식을 통한 상대 방사정규화 기법과의 비교는 수행하지 않았으나, 향후 연구에서는 고려해야 할 것이다.
그래프이다. 계산된 RMSE 비와 추출한 PIF의 개수 (로그 스케일)를 각 축으로 값을 플롯(plot)한 결과 순서대로 감소한 후 다시 증가하는 형태로 나타나는 것을 확인할 수 있었다. 이는 PIF의 개수를 10의 승수로 정한 이유이며, 반복적인 실험을 통해 결정된 것임을 밝힌다.
아래 세 개의 그림은 그래프를 좀 더 확대한 것이다. 그래프를 통해, 본연구에서 제안한 PIF 추출 방식이 가장 효과적으로 상대 방사 정규화를 수행할 수 있음을 확인할 수 있다. 하지만, 시각적인 그래프 결과만으로 다른 상대 방사정규화 기법이 FLAASH 기법보다 우수한 성능을 보인다고 결론 내리기는 어려울 것으로 판단된다.
기존의 수동적인 PIF 추출 기법과는 달리, 초분광영상이 가지는 많은 밴드의 장점을 활용하여 화소간 유사도 측정 기법(분광각)을 적용함으로써, PIF를 자동으로 추출하였다. 또한 객관적인 평가지표를 통해 적절한 P1F 개수를 결정하는 연구도 함께 수행하였으며, 지역에 따라 다소 차이는 있으나 전체 영상 화소의 0.5% 내외를 추출하는 것이 적절하다는 결과를 이끌어냈다.
표 3은 실험 지역에 따라 추정된 PIF 개수, 계산된 RMSE 비, 관계식 등을 나타내고 있다. 연구를 통해 각 실험지역에 따라 전체영상 화소수의 0.183% (서울), 0.201%(안산), 0.890%(남원), 0.977%(구례)을 추정할 수 있었으며, 지역에 따라 차이는 있으나 대략 0.5% 내외로 PIF를 추출하여 방사정규화를 수행하는 것이 적절하다고 판단된다.
이 실험결과를 기반으로 전 실험 지역에 대해 0.5% 화소를 추출하여 방사보정을 수행하였으며 상대 방사 정규화 기법이 절대 방사보정(FLAASH) 기법에 비해 더욱 효과적으로 방사보정을 수행할 수 있음을 확인하였다. 또한 영상 전체를 표본으로 사'용하는 상대 방사보정 기법(영상회귀, 히스토그램매칭 기법)이 일부 지역에 대해 효과적인 방사보정 결과를 보임을 알 수 있었으나, 다른 지역에 대해서는 보정 전보다 더 좋지 못한 결과를 보여 기법 의사용에 있어 신중해야 할 필요가 있다고 사료된다.
히스토그램 매칭, 영상회귀 기법은 거의 비슷한 방사보정 결과를 보였으며, 남원지역과 구례지역에 대해 보정 전보다 기준영상에 더 가깝게 보정되었다고 할 수 있다. 하지만, FLAASH 기법의 경우 모든 지역에 대해 보정 이전보다 더 높은 RMSE 결과를 보였는데, 이는 절대 방사보정 기법이 상대 방사보정 기법보다 변화탐지를 위한 방사보정에 있어서 덜 효과적으로 작용한다는 것을 나타낸다.
그래프를 통해, 본연구에서 제안한 PIF 추출 방식이 가장 효과적으로 상대 방사 정규화를 수행할 수 있음을 확인할 수 있다. 하지만, 시각적인 그래프 결과만으로 다른 상대 방사정규화 기법이 FLAASH 기법보다 우수한 성능을 보인다고 결론 내리기는 어려울 것으로 판단된다.
방사보정을 수행하여 생성된 영상은 시각적으로 확인하는 것이 가장 직관적인 방식이다. 하지만, 실제 알고리즘을 적용하여 시각적으로 평가한 결과 화소의 밝기 값 차이를 수치상으로 확인할 수는 있었으나, 그 값의 차이가 영상의 밝기값 범위에 비해 상당히 미미한 수준이어서 시각적으로 변화를 인식하기에는 다소 무리였다. 따라서 시간적 불변특성을 보이는 화소들을 추출하여 기준 영상에서 추출된 화소와 얼마나 일치하는가를 그래프로표현흐}는 방식을 사용하여 시각적으로 평가하였다.
나타났다. 히스토그램 매칭, 영상회귀 기법은 거의 비슷한 방사보정 결과를 보였으며, 남원지역과 구례지역에 대해 보정 전보다 기준영상에 더 가깝게 보정되었다고 할 수 있다. 하지만, FLAASH 기법의 경우 모든 지역에 대해 보정 이전보다 더 높은 RMSE 결과를 보였는데, 이는 절대 방사보정 기법이 상대 방사보정 기법보다 변화탐지를 위한 방사보정에 있어서 덜 효과적으로 작용한다는 것을 나타낸다.
후속연구
결과적으로 PIF 추출을 통한 선형회귀 방법이 변화탐지를 위한 가장 신뢰도 높은 방사보정 기법으로 평가할 수 있다. 다만, PIF 추출 방식에 있어 객관성이 결여되는 이유로 기존의 PIF 추출 방식을 통한 상대 방사정규화 기법과의 비교는 수행하지 않았으나, 향후 연구에서는 고려해야 할 것이다.
5% 화소를 추출하여 방사보정을 수행하였으며 상대 방사 정규화 기법이 절대 방사보정(FLAASH) 기법에 비해 더욱 효과적으로 방사보정을 수행할 수 있음을 확인하였다. 또한 영상 전체를 표본으로 사'용하는 상대 방사보정 기법(영상회귀, 히스토그램매칭 기법)이 일부 지역에 대해 효과적인 방사보정 결과를 보임을 알 수 있었으나, 다른 지역에 대해서는 보정 전보다 더 좋지 못한 결과를 보여 기법 의사용에 있어 신중해야 할 필요가 있다고 사료된다. 결과적으로 PIF 추출을 통한 선형회귀 방법이 변화탐지를 위한 가장 신뢰도 높은 방사보정 기법으로 평가할 수 있다.
앞으로 수행하고자 한다. 마지막으로 초분광 영상에 적용 가능한 변화탐지 알고리즘을 개발하는 것 또한 중요한 연구 과제가 될 것으로 판단된다.
보다 객관적이고 신뢰도 높은 방사보정의 자동화를 위해 클러스터링 기법을 접목한 반복적인 PIF 추출이나, 개선된 히스토그램 매칭 기법을 적용한 PIF 추출 등의 연구를 앞으로 수행하고자 한다. 마지막으로 초분광 영상에 적용 가능한 변화탐지 알고리즘을 개발하는 것 또한 중요한 연구 과제가 될 것으로 판단된다.
참고문헌 (19)
김대성, 김용일, 어양담 (2007), 변화탐지를 위한 Hyperion 초분광 영상의 자동 기하보정과 밴드선택에 관한 연구, 한국측량학회지, 한국측량학회, 제25권, 제5호, pp. 383-392
Barry, P. (2001), EO-1/Hyperion Science Data User's Guide. TRW Space, Defense and Information Systems
Canty, M. J., Nielsen, A. A., and Schmidt, M. (2004), Automatic Radiometric Normalization of Multitemporal Satellite Imagery, Remote Sensing of Environment, ISRSE, Vol. 91, pp. 441-451
Chen, X., Vierling, L., and Deering, D. (2005), A Simple and Effective Radiometric Correction Method to Improve Landscape Change Detection Across Sensors and Across Time, Remote Sensing of Environment, ISRSE, Vol. 98, pp. 63-79
Datt, B., McVicar, T. R., Niel, T. G. V., Jupp, D. L. B., and Pearlman, J. S. (2003), Preprocessing EO-1 Hyperion Hyperspectral Data to Support the Application of Agricultural Indexes, IEEE Transactions on Geoscience and Remote Sensing, IEEE, Vol. 41, No. 6, pp. 1246-1259
Du, Y., Cihlar, J., Beaubien, J., and Latifovic, R. (2001), Radiometric Noamalization, Compositing, and Quality Control for Satellite High Resolution Image Mosaics over Large Areas, IEEE Transactions on Geoscience and Remote Sensing, IEEE, Vol. 39, No. 3, pp. 623-634
Du, Y., Teillet, P. M., and Cihlar, J. (2002), Radiometric Normalization of Multitemporal High-resolution Satellite Images with Quality Control for Land Cover Change Detection, Remote Sensing of Environment, ISRSE, Vol. 82, pp. 123-134
Frank, M., and Canty, M. (2003), Unsupervised Change Detection for Hyperspectral Images, JPL Publication, 8th publication
Heo, J. and FitzHugh, T. W. (2000), A Standardized Radiometric Normalization Method for Change Detection Using Remotely Sensed Imagery, Photogrammetric Engineering & Remote Sensing, ASPRS, Vol. 66, No. 2, pp. 173-181
Janzen, D. T., Fredeen, A. L., and Wheate, R. D. (2006), Radiometric Correction Techniques and Accuracy Assessment for Landsat TM Data in Remote Forested Regions, Canadian Journal of Remote Sensing, Vol. 32, No. 5, pp. 330-340
Jensen, J. R. (2005), Introductory Digital Image Processing - A Remote Sensing Perspective, 3rd Edition, Prentice Hall, NY, USA, pp. 467-494
Lowe, D. G. (2004), Distinctive Image Features from Scaleinvariant Keypoints, International Journal on Computer Vision, IJCV, Vol. 60, No. 2, pp. 91-110
Olthof, I., Pouliot, D., Fernandes, R., and Latifovic, R. (2005), Landsat-7 ETM+ Radiometric Normalization Comparison for Northern Mapping Application, Remote Sensing of Environment, ISRSE, Vol. 95, pp. 388-398
Schott, J. R., Salvaggio, C., and Volchok, W. J. (1988), Radiometric Scene Normalization Using Pseudoinvariant Features, Remote Sensing of Environment, ISRSE, Vol. 26, pp. 1-16
Sohn, Y., Rebello, N. S. (2002), Supervised and Unsupervised Spectral Angle Classifiers, Photogrammetric Engineering & Remote Sensing, ASPRS, Vol. 68, No. 12, pp. 1271-1280
Yang, X., and Lo, C. P. (2000), Relative Radiometric Normalization Performance for Change Detection from Multi-Date Satellite Images, Photogrammetric Engineering & Remote Sensing, ASPRS, Vol. 66, No. 8, pp. 967-980
Yoon, Y., and Kim, Y. (2007), Application of Hyperion Hyperspectral Remote Sensing Data for Wildfire Fuel Mapping, Korean Journal of Remote Sensing, KSRS, Vol. 23, No. 1, pp. 21-32
※ AI-Helper는 부적절한 답변을 할 수 있습니다.