변화탐지는 도시모델의 갱신을 위해 중요한 단계이다. 이에 본 연구는 서로 다른 시기에 취득된 라이다 데이터로부터 도시변화를 탐지하는 방법을 제안한다. 제안된 방법의 주요 과정은(1) 라이다 데이터로부터 생성된 DSM의 차분을 통해 변화영역을 탐지하고, (2) 탐지된 영역의 라이다 점으로부터 표면패치를 구성하고, (3) 구성된 각각의 패치의 종류를 지면, 수목, 빌딩으로 분류하고, (4) 패치의 종류 및 속성에 기반하여 변화의 종류를 결정한다. 제안된 방법을 실측데이터에 적용한 결과를 동일한 지역의 정사영상으로부터 육안검사를 통해 수동생성된 참조데이터를 이용하여 검증하였다. 변화탐지의 성공률은 평균적으로 97%로 평가되었다. 결론적으로 제안된 방법은 변화탐지 및 도시모델의 갱신을 위한 신뢰성이 높고, 효율적인 방법으로 판단된다.
변화탐지는 도시모델의 갱신을 위해 중요한 단계이다. 이에 본 연구는 서로 다른 시기에 취득된 라이다 데이터로부터 도시변화를 탐지하는 방법을 제안한다. 제안된 방법의 주요 과정은(1) 라이다 데이터로부터 생성된 DSM의 차분을 통해 변화영역을 탐지하고, (2) 탐지된 영역의 라이다 점으로부터 표면패치를 구성하고, (3) 구성된 각각의 패치의 종류를 지면, 수목, 빌딩으로 분류하고, (4) 패치의 종류 및 속성에 기반하여 변화의 종류를 결정한다. 제안된 방법을 실측데이터에 적용한 결과를 동일한 지역의 정사영상으로부터 육안검사를 통해 수동생성된 참조데이터를 이용하여 검증하였다. 변화탐지의 성공률은 평균적으로 97%로 평가되었다. 결론적으로 제안된 방법은 변화탐지 및 도시모델의 갱신을 위한 신뢰성이 높고, 효율적인 방법으로 판단된다.
Change detection has been recognized as one of the most important steps to update city models. In this study, we thus propose a method to detect urban changes from two sets of LIDAR data acquired at different times. The main processes in the proposed method are (1) detecting change areas through sub...
Change detection has been recognized as one of the most important steps to update city models. In this study, we thus propose a method to detect urban changes from two sets of LIDAR data acquired at different times. The main processes in the proposed method are (1) detecting change areas through subtraction between two DSMs generated from the LIDAR sets, (2) organizing the LIDAR points within the detected areas into surface patches, (3) classifying the class of each patch such as ground, vegetation, and building, and (4) determining the kinds of changes based on the properties and classes of the patches. The results which were obtained from the application of the proposed method to real data were verified as appropriate using the reference data manually acquired from the visual inspection of the orthoimages of the same area. The probability of success in change detection is assessed to 97% on an average. In conclusion, the proposed method is evaluated as a reliable, and efficient approach to change detection and thus the update of city model.
Change detection has been recognized as one of the most important steps to update city models. In this study, we thus propose a method to detect urban changes from two sets of LIDAR data acquired at different times. The main processes in the proposed method are (1) detecting change areas through subtraction between two DSMs generated from the LIDAR sets, (2) organizing the LIDAR points within the detected areas into surface patches, (3) classifying the class of each patch such as ground, vegetation, and building, and (4) determining the kinds of changes based on the properties and classes of the patches. The results which were obtained from the application of the proposed method to real data were verified as appropriate using the reference data manually acquired from the visual inspection of the orthoimages of the same area. The probability of success in change detection is assessed to 97% on an average. In conclusion, the proposed method is evaluated as a reliable, and efficient approach to change detection and thus the update of city model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
48points/m2인 2007년도 LIDAR 데이터를 사용한다. 2005년도 LIDAR 데이터의 점밀도를 2/3로 줄여 2007년도 LIDAR 데이터 점밀도와 동일화시키고자 한다. 순차적으로 모든 점을 읽어 3개마다 1개씩 삭제시키는 방법으로 점밀도를 감소시켰다.
LIDAR 데이터를 취득했던 두 시기에 항공영상도 함께 촬영되었다. 두 시기의 항공사진으로부터 각각의 생성된 정사영상을 활용하여 제안된 방법론에 실측데이터를 적용한 결과를 검증하고자 한다. 그림 15는 2005년과 2007년의 정사영상이다.
참조 데이터는 경계를 명확히 구분할 수 있는 건물 클래스에 대해서만 생성하여 2005년 또는 2007년에 공사 현장이었던 영역(ID: 1, 2, 4, 5, 6, 7)은 분석 대상에서 제외된다. 이렇게 생성된 참조데이터를 클래스 지도와 중첩시켜 클래스 지도의 셀이 정확하게 건물로 분류되었는지 살펴본다. 그림 18은 참조데이터와 클래스 지도를 중첩시킨 결과이다.
따라서 각각의 데이터로부터 변화의 단서를 추출할 때 동일한 과정을 적용할 수 없고 LIDAR 데이터가 아닌 영상, CAD 모델, 벡터 지도 또는 레스터 지도 등의 참조 데이터로부터 비교될 변화의 단서를 자동 추출하기 어렵다. 이에 본 연구는 빌딩이 밀집해 있는 도시지역에서 서로 다른 두 시기에 LIDAR 데이터를 취득하고 변화의 단서를 추출하기 위한 동일한 과정을 적용시켜 자동으로 변화 탐지를 수행한다. 또한 단순한 DSM의 차분이 아니라 DSM의 차분을 통해 개략적으로 변화 발생 영역을 찾고 그 영역 내의 점 데이터를 추출한 후, 이임평(2006a)에 의해 제안된 표면분할 방법을 적용하여 추출된 점 데이터로부터 평면 패치들을 생성한다.
참조데이터를 기준으로 클래스 지도에서 정확히 분류된 셀의 개수와 오분류된 셀의 개수를 세어 제안된 변화 탐지 방법의 정확도를 수치로 언급하고자 한다. 표 5에서 오류 A는 건물 영역 안에 지표면 클래스 셀이 존재하는 경우, 오류 B는 건물 영역 안에 수목 클래스 셀이 존재하는 경우, 오류 C는 건물 클래스 셀이 건물 영역 밖에 존재하는 경우의 수이다.
제안 방법
(1) 두 LIDAR 점 데이터 셋으로부터 각각 DSM을 생성 및 차분하여 변화 영역을 탐지하고, (2) 변화 영역 내에 존재하는 LIDAR 데이터만 추출하여 표면분할 (segmentation)한다. (3) 생성된 평면 패치가 지상의 지표면, 수목, 건물 중 어떤 클래스에 속하는지 분류하고, (4) 마지막으로 표면분할(segmentation)로 생성된 패치의 속성과 클래스를 셀 기반으로 비교하여 변화를 탐지한다. 검증을 위해서 LIDAR 데이터와 동시에 획득된 항공영상으로부터 생성된 정사영상을 활용하였다.
개략적인 흐름은 그림 1과 같다. LIDAR 데이터로부터 각각 DSM을 생성하고, 이를 차분하여 변화가 발생한 영역의 수평적 범위를 추출한다. 변화 발생 영역의 LIDAR 데이터를 표면분할하고 생성된 패치의 클래스를 분류하여 변화의 단서로 활용한다.
(3) 생성된 평면 패치가 지상의 지표면, 수목, 건물 중 어떤 클래스에 속하는지 분류하고, (4) 마지막으로 표면분할(segmentation)로 생성된 패치의 속성과 클래스를 셀 기반으로 비교하여 변화를 탐지한다. 검증을 위해서 LIDAR 데이터와 동시에 획득된 항공영상으로부터 생성된 정사영상을 활용하였다. 육안 검사를 통해 정성적인 분석을 해보고 정사영상으로부터 클래스 분류 및 변화 탐지를 수행하여 참조데이터를 생성하고 참조데이터와 실험의 결과를 비교하여 정량적인 분석을 수행하였다.
서로 다른 시기에 취득된 LIDAR 데이터를 사용하여 변화를 탐지한 연구로는 Murakami(1998, 1999)가 있었다. 그러나 단순히 두 시기에 취득된 LIDAR 데이터로부터 각각의 DSM을 생성한 후 이들을 차분하여 변화발생영역을 탐지했다.
2절에서 생성된 클래스 지도의 모든 셀에는 할당받은 패치의 클래스와 함께 거칠기(roughness), 법선벡터(normal vector), 높이 등의 속성이 저장된다. 따라서 두 시기의 클래스 지도에서 동일 위치의 셀이 갖는 패치의 클래스와 속성을 비교함으로써 변화를 탐지할 수 있다.
따라서 변화가 발생한 영역의 개략적인 수평적 범위를 추출하기 위하여 두 시기의 데이터로부터 1m × 1m의 간격을 갖는수치표면모델(DSM; Digital Surface Model)을 각각 생성하여 차분한다.
취득 시기가 서로 다른 데이터를 사용하여 수행되는 연구에는 데이터들 간의 기하학적 정합이 전제되어야 한다. 따라서 상좌표 차이를 비교하여 기하학적 정합의 필요성 여부를 판단한다. 그러나 불규칙적인 분포를 갖으며 비연속적인 LIDAR 데이터에서 지상에서 동일한 지점의 좌표를 찾기 어렵다.
패치들의 모양과 크기가 다양하고 서로 다른 데이터에서 표면 분할이 수행되기 때문에 변화가 없더라도 동일하게 패치가 생성된다는 보장이 미흡하다. 따라서 패치의 속성과 클래스를 셀기반으로 비교한다. 셀기반의 비교에서 셀의 크기는 중요하다.
그러나 불규칙적인 분포를 갖으며 비연속적인 LIDAR 데이터에서 지상에서 동일한 지점의 좌표를 찾기 어렵다. 때문에 LIDAR 데이터로부터 DSM을 생성하고, 고른 분포를 가지며 명확한 인식이 가능하도록 그림 2와 같이 10개의 점을 선택하여 좌표를 비교한다.
이에 본 연구는 빌딩이 밀집해 있는 도시지역에서 서로 다른 두 시기에 LIDAR 데이터를 취득하고 변화의 단서를 추출하기 위한 동일한 과정을 적용시켜 자동으로 변화 탐지를 수행한다. 또한 단순한 DSM의 차분이 아니라 DSM의 차분을 통해 개략적으로 변화 발생 영역을 찾고 그 영역 내의 점 데이터를 추출한 후, 이임평(2006a)에 의해 제안된 표면분할 방법을 적용하여 추출된 점 데이터로부터 평면 패치들을 생성한다. 생성된 평면 패치들을 지표면, 수목, 건물의 클래스로 분류하고 패치의 높이, 거칠기, 크기, 법선벡터 등 다양한 속성을 연산하여 두 시기의 클래스와 속성을 비교하여 변화를 탐지하고 그 의미까지 도출한다.
변화 발생 영역의 LIDAR 데이터를 표면분할하고 생성된 패치의 클래스를 분류하여 변화의 단서로 활용한다. 마지막으로 동일 위치에서 패치의 클래스와 속성을 비교하여 변화를 탐지하고 그 종류를 분류한다.
또한 단순한 DSM의 차분이 아니라 DSM의 차분을 통해 개략적으로 변화 발생 영역을 찾고 그 영역 내의 점 데이터를 추출한 후, 이임평(2006a)에 의해 제안된 표면분할 방법을 적용하여 추출된 점 데이터로부터 평면 패치들을 생성한다. 생성된 평면 패치들을 지표면, 수목, 건물의 클래스로 분류하고 패치의 높이, 거칠기, 크기, 법선벡터 등 다양한 속성을 연산하여 두 시기의 클래스와 속성을 비교하여 변화를 탐지하고 그 의미까지 도출한다.
2005년도 LIDAR 데이터의 점밀도를 2/3로 줄여 2007년도 LIDAR 데이터 점밀도와 동일화시키고자 한다. 순차적으로 모든 점을 읽어 3개마다 1개씩 삭제시키는 방법으로 점밀도를 감소시켰다.
신속하고 비교적 저렴하게 획득된 3차원 공간정보인 LIDAR 데이터를 이용하여 도시지역의 변화를 피쳐 기반으로 탐지하는 방법을 제안하였다. 제안된 방법의 순서는 다음과 같다.
영상의 침식과 팽창 반복 수행 후에도 여전히 존재하는 오탐지 오류(commission error)를 제거하기 위한 특정 필터를 설계하여 적용한다. 국부(local) 영역 내에 변화된 셀(cell)의 수가 임계치로 정해진 비율 이상이면 그 영역은 모두 변화된 셀로 바꾸도록 필터를 설계하였다.
검증을 위해서 LIDAR 데이터와 동시에 획득된 항공영상으로부터 생성된 정사영상을 활용하였다. 육안 검사를 통해 정성적인 분석을 해보고 정사영상으로부터 클래스 분류 및 변화 탐지를 수행하여 참조데이터를 생성하고 참조데이터와 실험의 결과를 비교하여 정량적인 분석을 수행하였다.
따라서 패치의 클래스 분류에 대한 검증이 필요하다. 이를 위해 앞서 생성된 클래스 지도를 같은 시기의 정사영상에 중첩시켜 확인해본다. 그림 16은 ID가 10, 11인 영역의 클래스 지도와 정사영상을 중첩시킨 것이다.
뿐만 아니라 그 과정에 소요되는 시간과 비용이 막대하다. 전통적인 방법에서 조금 더 진보하여 수치항공영상이나 위성영상을 이용하게 되었다. 이로써 자동화된 접근이 일부 가능해 졌으나 여전히 지상 기준점(Ground Control Point)이 필요하고 변화를 탐지하는 단서로써 영상의 방사특성을 이용하기 때문에 탐지된 결과의 정확도가 낮다는 단점이 있다.
정량적인 분석을 위해 각각의 정사영상으로부터 육안으로 클래스를 분류하여 참조 데이터를 생성하였다. 참조 데이터는 경계를 명확히 구분할 수 있는 건물 클래스에 대해서만 생성하여 2005년 또는 2007년에 공사 현장이었던 영역(ID: 1, 2, 4, 5, 6, 7)은 분석 대상에서 제외된다.
이 영역에서는 기존의 건물이 새로운 건물로 대체되는 변화가 있었다. 탐지된 변화가 정확하게 분류되었는지 검증하기 위해 2005년도와 2007년도의 정사영상으로부터 각각의 건물 지붕면을 분할하고 두 시기의 분할된 지붕면을 중첩하였다. 중첩한 결과 총 25개의 구획이 발생하였다.
대상 데이터
추출된 최소경계사각형 내에 존재하는 LIDAR 데이터로부터 변화의 단서를 생성한다. 본 연구에서 사용하는 변화의 단서는 LIDAR 데이터를 분할하여 생성된 평면 패치의 클래스와 속성이다.
동일한 임계치 적용을 위해 서로 다른 점밀도를 갖는 데이터에 점밀도 동일화 과정이 요구된다. 본 연구에서는 점밀도가 4.02points/m2인 2005년도 LIDAR 데이터와 2.48points/m2인 2007년도 LIDAR 데이터를 사용한다. 2005년도 LIDAR 데이터의 점밀도를 2/3로 줄여 2007년도 LIDAR 데이터 점밀도와 동일화시키고자 한다.
제안된 방법에서 입력 데이터는 서로 다른 시기에 취득된 두 가지의 LIDAR 데이터이며, 그 결과는 분류된 변화의 양상이다. 방법의 주요과정은 변화 영역 추출, 변화의 단서 생성, 단서의 비교이다.
제안된 변화탐지 방법론은 경기도 고양시 일산구에서 2005년과 2007년 두 차례에 획득된 데이터에 적용하고자 한다. 각 데이터의 특성은 표 1에 요약된 바와 같다.
데이터처리
다음 공간적으로 인접하는 10개의 점을 기반으로 초기패치 후보를 생성한다. 생성된 초기패치 후보의 평면 계수를 계산하고 검사점을 패치에 포함시키기 전과 후의 평면근사오차의 비율을 확률변수로, 유의수준을 0.05로 F-검정(F-test)을 수행하며 패치를 확장시킨다. 확장이 종료된 평면 패치는 근사된 평면 계수와 패치에 포함된 점, 경계로 정의된다.
이론/모형
돌출성은 2차원적으로 인접한 패치 간의 고도 차이와 에지의 길이에 비례하도록 연산된다. 그룹화에 대한 보다 자세한 방법론은 이임평(2006b)을 참조한다.
본 연구에서는 초기패치에서 영역확장방법으로 평면 패치를 생성하는 이임평(2006a)에 의해 제안된 분할 방법을 채택하였다. 주요 과정은 다음과 같다.
성능/효과
3.2절에서 생성된 클래스 지도의 모든 셀에는 할당받은 패치의 클래스와 함께 거칠기(roughness), 법선벡터(normal vector), 높이 등의 속성이 저장된다. 따라서 두 시기의 클래스 지도에서 동일 위치의 셀이 갖는 패치의 클래스와 속성을 비교함으로써 변화를 탐지할 수 있다.
그 결과 기존의 DSM 차분을 통한 변화 탐지 방법과 비교하여 탐지된 결과의 신뢰도를 향상 시킬 수 있었으며 변화의 의미도 다양하게 도출할 수 있었다. 또한 대상지 역의 모든 영역에 대해 표면 분할을 수행하는 것이 아니라 일차적으로 DSM의 차분을 통해 개괄적인 변화 영역을 추출하고 그 영역들에 대해서만 표면 분할을 수행함으로써 연산의 수와 시간을 단축할 수 있었다.
25개의 구획은 2005년과 2007년의 정사영상을 육안으로 비교하여 14가지 변화의 범주 중 한 가지 범주를 할당받는다. 그 할당받은 변화와 구획 내 셀이 갖는 변화의 범주가 일치하는지 검사한 결과 총 1140개의 셀중에 불일치하는 셀은 25개에 불과하여 변화 탐지의 성공확률은 약 97%였다.
그 결과 기존의 DSM 차분을 통한 변화 탐지 방법과 비교하여 탐지된 결과의 신뢰도를 향상 시킬 수 있었으며 변화의 의미도 다양하게 도출할 수 있었다. 또한 대상지 역의 모든 영역에 대해 표면 분할을 수행하는 것이 아니라 일차적으로 DSM의 차분을 통해 개괄적인 변화 영역을 추출하고 그 영역들에 대해서만 표면 분할을 수행함으로써 연산의 수와 시간을 단축할 수 있었다.
비교 결과 X좌표 차이의 표준편차는 0.43m, Y좌표 차이의 표준편차는 0.20m이며 RMSE는 X방향으로 0.47m, Y방향으로 0,33m이고, 평면오차는 0.52m이었다. 사용된 LIDAR 데이터의 GSD가 대략 0.
정사영상과의 육안검사를 통해 건물이나 수목의 경계에서 극소수의 셀을 제외하고 정확하게 분류 및 탐지되었음을 확인할 수 있었다. 참조데이터와 동일하게 분류된 셀의 수와 오분류된 셀의 수를 세어 계산된 변화 탐지의 성공확률은 약 97%였다.
제안된 방법을 실측 데이터에 적용하여 실험한 결과 단순히 동일한 셀 위치에서의 높이 비교를 통한 변화 탐지 방법보다 변화의 다양한 의미를 도출할 수 있었다. 또한 패치의 속성을 이용한 기존의 변화 탐지 방법(Matikainen, 2004)이 성공확률로 제시한 80.
지표면과 건물 클래스의 거의 모든 셀은 정확하게 할당 되었음을 확인할 수 있다. 수목 및 노이즈(noise) 클래스의 경우 그 경계를 육안으로 판단하기 애매하여 정사영상과 일치 정도를 정확히 말할 수 없지만 영상의 수목이나 작은 객체 위에 초록점이 분포하는 것을 확인할 수 있다.
정사영상과의 육안검사를 통해 건물이나 수목의 경계에서 극소수의 셀을 제외하고 정확하게 분류 및 탐지되었음을 확인할 수 있었다. 참조데이터와 동일하게 분류된 셀의 수와 오분류된 셀의 수를 세어 계산된 변화 탐지의 성공확률은 약 97%였다. 정사영상에 존재하는 기복변위를 고려할 때 그 결과는 매우 우수하다고 판단된다.
표 5에서 오류 A는 건물 영역 안에 지표면 클래스 셀이 존재하는 경우, 오류 B는 건물 영역 안에 수목 클래스 셀이 존재하는 경우, 오류 C는 건물 클래스 셀이 건물 영역 밖에 존재하는 경우의 수이다. 해당영역 셀 개수와 정확하게 클래스가 분류된 셀 개수를 비교한 결과 패치 클래스 분류의 성공확률은 평균 97.1%인 것으로 평가되었다.
후속연구
변화의 범주 중 미분류 변화에 대한 추가적인 연구가 수행된다면 도시지역의 거의 대부분의 변화를 탐지할 수 있고 그 결과는 다양한 분야에 적극 활용될 수 있다고 생각한다.
질의응답
핵심어
질문
논문에서 추출한 답변
변화탐지는 무엇을 위해 중요한 단계인가?
변화탐지는 도시모델의 갱신을 위해 중요한 단계이다. 이에 본 연구는 서로 다른 시기에 취득된 라이다 데이터로부터 도시변화를 탐지하는 방법을 제안한다.
서로 다른 시기에 취득된 데이터로부터 대상지역의 변화를 탐지하기 위한 전통적인 연구는 무엇을 이용하여 이루어졌었나?
서로 다른 시기에 취득된 데이터로부터 대상지역의 변화를 탐지하기 위한 전통적인 연구는 항공사진과 수동의 사진 해석 기술을 이용하여 이루어졌었다. 그러나 수동의 처리과정으로 인해 모든 변화를 탐지하기 어렵고 탐지된 결과가 변화가 아닌 경우도 발생한다.
본 논문에서 제안된 서로 다른 시기에 취득된 라이다 데이터로부터 도시변화를 탐지하는 방법의 주요 과정은 어떠한가?
이에 본 연구는 서로 다른 시기에 취득된 라이다 데이터로부터 도시변화를 탐지하는 방법을 제안한다. 제안된 방법의 주요 과정은(1) 라이다 데이터로부터 생성된 DSM의 차분을 통해 변화영역을 탐지하고, (2) 탐지된 영역의 라이다 점으로부터 표면패치를 구성하고, (3) 구성된 각각의 패치의 종류를 지면, 수목, 빌딩으로 분류하고, (4) 패치의 종류 및 속성에 기반하여 변화의 종류를 결정한다. 제안된 방법을 실측데이터에 적용한 결과를 동일한 지역의 정사영상으로부터 육안검사를 통해 수동생성된 참조데이터를 이용하여 검증하였다.
참고문헌 (9)
이임평 (2006a), 항공 라이다 데이터의 분할: 점에서 패치로, 한국측량학회지, 한국측량학회, 제 24권, 제 1호, pp. 111-121
Matikainen, L., Hyyppa, J., and Harri, K. (2004), Automatic Detection of Changes from Laser Scanner and Aerial Image data for Updating Building Maps, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, ISPRS, Istanbul, Turkey, Vol. 35-B2, pp. 434-439
Matikainen, L., Hyyppa, J., and Hyyppa, H. (2003), Automatic Detection of Buildings from Laser Scanner data for Map Updating, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, ISPRS, Dresden, Germany, Vol. 34-3/W13
Murakami, H., Nakagawa, K., Hasegawa, H., Shibata, T., and Iwanami, E. (1999), Change Detection of Buildings Using an Airborne Laser Scanner, ISPRS Journal of Photogrammetry and Remote Sensing, ISPRS, Vol. 54, pp. 148-152
Murakami, H., Nakagawa, K., Shibata, T., and Iwanami, E. (1998), Potential of an Airborne Laser Scanner System for Change Detection of Urban Features and Orthoimage Development, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, ISPRS, Stuttgart, Germany, Vol. 32-4, pp. 422-427
Rehor, M. (2007), Classification of Building Damages based on Laser Scanning data, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Espoo, Finland, ISPRS, Vol. 36-3/W52, pp. 326-331
Steinle, E., Oliveira, F.H., Bahr, H.-P., and Loch, C. (1999), Assessment of Laser Scanning Technology for Change Detection in Buildings. Proceedings of XVIIth CIPA Symposium, October 3-6, Olinda, Brazil
Vosselman, G., Gorte, B.G.H. and Sithole, G. (2004), Change Detection for Updating Medium Scale Maps Using Laser Altimetry, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, ISPRS, Istanbul, Turkey, Vol. 35-B3, pp. 268-273
※ AI-Helper는 부적절한 답변을 할 수 있습니다.