다목적 실용위성 2호 고해상도 영상을 이용한 지리 정보 추출 기법 - 영상융합과 지리객체 기반 분석을 중심으로 - Semi-Automated Extraction of Geographic Information using KOMPSAT 2 : Analyzing Image Fusion Methods and Geographic Objected-Based Image Analysis원문보기
본 연구는 해안지역의 지속 가능한 개발과 보존을 위하여 고해상도 위성영상의 활용을 극대화하는데 그 목적이 있다. 이를 위해 다목적 실용위성 2호 영상 자료를 이용하여 빌딩추출에 가장 적합한 영상 융합기법을 제시하고 분석하였으며, 이와 함께 기존에 널리 사용되어오던 화소 기반한 영상분석과 최근 고해상도 위성영상 활용의 증가와 함께 관심을 받고 있는 지리객체 기반한 영상분석을 비교하여 고해상도 영상에 적합한 지리정보추출 기법을 탐색 하였다. 본 연구에서 제안된 분석방법과 평가 방법들은, 향후 발사 예정인 다목적 실용위성 3호와 그 외 고해상도 위성영상을 이용한 해안지역의 지리정보 추출에 효과적으로 사용될 것이다.
본 연구는 해안지역의 지속 가능한 개발과 보존을 위하여 고해상도 위성영상의 활용을 극대화하는데 그 목적이 있다. 이를 위해 다목적 실용위성 2호 영상 자료를 이용하여 빌딩추출에 가장 적합한 영상 융합기법을 제시하고 분석하였으며, 이와 함께 기존에 널리 사용되어오던 화소 기반한 영상분석과 최근 고해상도 위성영상 활용의 증가와 함께 관심을 받고 있는 지리객체 기반한 영상분석을 비교하여 고해상도 영상에 적합한 지리정보추출 기법을 탐색 하였다. 본 연구에서 제안된 분석방법과 평가 방법들은, 향후 발사 예정인 다목적 실용위성 3호와 그 외 고해상도 위성영상을 이용한 해안지역의 지리정보 추출에 효과적으로 사용될 것이다.
This study compared effects of spatial resolution ratio in image fusion by Korea Multi-Purpose SATellite 2 (KOMPSAT II), also known as Arirang-2. Image fusion techniques, also called pansharpening, are required to obtain color imagery with high spatial resolution imagery using panchromatic and multi...
This study compared effects of spatial resolution ratio in image fusion by Korea Multi-Purpose SATellite 2 (KOMPSAT II), also known as Arirang-2. Image fusion techniques, also called pansharpening, are required to obtain color imagery with high spatial resolution imagery using panchromatic and multi-spectral images. The higher quality satellite images generated by an image fusion technique enable interpreters to produce better application results. Thus, image fusions categorized in 3 domains were applied to find out significantly improved fused images using KOMPSAT 2. In addition, all fused images were evaluated to satisfy both spectral and spatial quality to investigate an optimum fused image. Additionally, this research compared Pixel-Based Image Analysis (PBIA) with the GEOgraphic Object-Based Image Analysis (GEOBIA) to make better classification results. Specifically, a roof top of building was extracted by both image analysis approaches and was finally evaluated to obtain the best accurate result. This research, therefore, provides the effective use for very high resolution satellite imagery with image interpreter to be used for many applications such as coastal area, urban and regional planning.
This study compared effects of spatial resolution ratio in image fusion by Korea Multi-Purpose SATellite 2 (KOMPSAT II), also known as Arirang-2. Image fusion techniques, also called pansharpening, are required to obtain color imagery with high spatial resolution imagery using panchromatic and multi-spectral images. The higher quality satellite images generated by an image fusion technique enable interpreters to produce better application results. Thus, image fusions categorized in 3 domains were applied to find out significantly improved fused images using KOMPSAT 2. In addition, all fused images were evaluated to satisfy both spectral and spatial quality to investigate an optimum fused image. Additionally, this research compared Pixel-Based Image Analysis (PBIA) with the GEOgraphic Object-Based Image Analysis (GEOBIA) to make better classification results. Specifically, a roof top of building was extracted by both image analysis approaches and was finally evaluated to obtain the best accurate result. This research, therefore, provides the effective use for very high resolution satellite imagery with image interpreter to be used for many applications such as coastal area, urban and regional planning.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2008). 본 연구에서는 두 결과물의 정확도를 비교하기 위하여 Non-site-specific assessment방법(Blaschke et al., 2008)의 하나인 참조 지도(Reference map)와의 비교로 PBIA와 GEOBIA에 의한 영상분류 결과물의 정확도를 평가하였다.
본 장에서는 영상 융합의 평가를 통해 얻은 최적의 혼합 영상(MIHS에 의해 도출된 결과)을 이용하여, PBIA와 GEOBIA에 의한 영상분류 결과를 비교하고자 한다. 본 연구에서는 두 방법론의 결과물을 비교하기 위하여 단일 객체(빌딩)만을 추출하여 서로에 대한 정확도를 비교하였다.
본 연구에서는 최적화된 영상 융합 기법을 발견한 후 지리객체 기반한 영상분석(GEOgraphic Object-Based Image Analysis; GEOBIA)을 이용하여, 고해상도 위성영상을 이용하여 빌딩 추출을 통해 그 결과의 정확도를 분석하고자 한다. GEOBIA는 최초로 의학적 응용을 위해 사용된 객체 기반한 영상분석(Object-Based Image Analysis: OBIA)에서 출발하여, 2008년 이후 지리정보과학(Geographic Information Science: GISci.
본 장에서는 영상 융합의 평가를 통해 얻은 최적의 혼합 영상(MIHS에 의해 도출된 결과)을 이용하여, PBIA와 GEOBIA에 의한 영상분류 결과를 비교하고자 한다. 본 연구에서는 두 방법론의 결과물을 비교하기 위하여 단일 객체(빌딩)만을 추출하여 서로에 대한 정확도를 비교하였다.
이러한 배경에서 본 연구는 다목적 실용위성 2호 영상자료를 이용하여 지리정보 추출기법들을 분석하고 평가해 보고자 한다. 구체적으로 다목적 실용위성 2호 영장 자료를 이용하여 다양한 영상 융합 방법들을 시도해 보고 그 결과를 비교하였다.
이에 따라 본 연구는 연안 지역을 대상으로 다목적 실용위성 2호 영상자료를 이용하여 연구지역에 적합한 최적의 영상 융합 기술과 영상분류 기법의 발견을 시도하였다. 좀더 자세히 요약하자면, 본 연구에서 제안된 3가지 영상 융합 방법들(공간영역, 스펙트럴 대체 영역, 산술변형영역은)을 이용하여 혼합영상의 결과물들을 시각적으로 그리고 분광정보와 공간정보를 이용한 정량적 평가를 통해 최적의 영상융합 결과물을 발견하였다.
다음으로 그 최적화된 영상 융합 결과를(혼합영상) 이용하여 토지 이용 및 피복 분류를 위한 영상 분류를 시도하였다. 특히 본 연구에서는 토지 이용의 유형 중에 하나인 빌딩을 추출하기 위하여 화소 기반한 영상분석(Pixel-Based Image Analysis: PBIA)과 지리객체 기반한 영상분석(GEOgrpahic-Based Image Analysis: GEOBIA)을 수행하였다. 또한 그 결과들을 비교하여 고해상도 위성영상에 적합한 영상분류 방법을 탐색하였다.
제안 방법
A-a는 MIHS에 의한 혼합영상으로 1m 해상도와 4개 밴드의 분광정보를 갖는다. ISODATA를 이용하여, 20 classes를 이용하여 세부적인 영상분류를 시도하였다(A-b). 이후, 재분류 과정을 통해 빌딩의 지붕과 주차장이 추출되었으며(A-c).
이러한 배경에서 본 연구는 다목적 실용위성 2호 영상자료를 이용하여 지리정보 추출기법들을 분석하고 평가해 보고자 한다. 구체적으로 다목적 실용위성 2호 영장 자료를 이용하여 다양한 영상 융합 방법들을 시도해 보고 그 결과를 비교하였다. 이를 통해 본 연구에서는 분광정보와 공간정보를 이용한 정량적 평가를 수행하여 가장 놓은 정확도를 갖는 최적화된 영상 융합 기법을 발견하였다.
다시 말해, 이웃객체와의 관계(Relations to neighbor objects)함수를 이용하여, 빌딩경계 가까이 있는≤+0.4의 값을 갖는 지리객체들을 새롭게 추가하여 빌딩지붕을 추출하였다.
다음으로 MIHS로부터 얻은 혼합영상을 이용하여 고해상도 위성영상 내에 있는 빌딩 추출에 가장 적합한 영상분류 기법의 발견을 시도하였다. 먼저 PBIA의 무 감독 분류인 ISODATA를 이용하여 빌딩을 추출하였으며, 또한 GEOBIA를 이용하여 빌딩 추출물의 결과를 통해, 최적의 영상분류 결과물을 갖는 방법을 발견하였다.
이를 통해 본 연구에서는 분광정보와 공간정보를 이용한 정량적 평가를 수행하여 가장 놓은 정확도를 갖는 최적화된 영상 융합 기법을 발견하였다. 다음으로 그 최적화된 영상 융합 결과를(혼합영상) 이용하여 토지 이용 및 피복 분류를 위한 영상 분류를 시도하였다. 특히 본 연구에서는 토지 이용의 유형 중에 하나인 빌딩을 추출하기 위하여 화소 기반한 영상분석(Pixel-Based Image Analysis: PBIA)과 지리객체 기반한 영상분석(GEOgrpahic-Based Image Analysis: GEOBIA)을 수행하였다.
다음으로, 주차장과 빌딩지붕과의 각 밴드 별 분광정보 값의 차이를 구분하여 주차장을 제거하였다. 다음으로 빌딩 주변의 분류되지 않은(Miss-classified) 작은 지리객체들을 문맥정보(Context information)를 이용하여, 기존에 분류된(3차 단계에서 분류된) 빌딩 객체에 첨가하였다. 다시 말해, 이웃객체와의 관계(Relations to neighbor objects)함수를 이용하여, 빌딩경계 가까이 있는≤+0.
DSM은 LiDAR(Light Detection and Ranging) multiple return points에 의해 1m의 공간해상도를 갖는 래스터 포맷으로 변환되었다. 다음으로, 2차로 분류된 지역에 속해있는 나무들을 제거하기 위하여 분광정보를 이용하여 다음의 공식과 함께 나무를 제거하였다.([Mean green] \ [Mean blue] + [Mean green] + [Mean red]).
38의 범위에 있는 지리객체들이 3차 단계에서 분할되었다(B-d). 다음으로, 주차장과 빌딩지붕과의 각 밴드 별 분광정보 값의 차이를 구분하여 주차장을 제거하였다. 다음으로 빌딩 주변의 분류되지 않은(Miss-classified) 작은 지리객체들을 문맥정보(Context information)를 이용하여, 기존에 분류된(3차 단계에서 분류된) 빌딩 객체에 첨가하였다.
그러므로, 좀더 객관적인 평가의 기준이 요구된다. 따라서, 다음 장에서 객관적 평가를 위하여 분광정보와 공간정보를 이용한 정량적 평가 방법을 수행하였다.
특히, MIHS 방법은 모든 평가 방법에서 가장 높은 공간적 일치도와 컬러정보의 높은 유사성 보여주었다. 따라서, 본 연구에서는 MIHS를 이용하여 지리정보 추출을 위해 적합한 영상분류 방법의 탐색에 이용하였다.
재분류과정에서 사용된 영상자료는(A-c) 원하지 않는 지역들(해안가, 산림과 주차장)에서, 빌딩 지붕과 비슷한 분광정보들이 분류화되었다. 따라서, 불필요한 부분에 대한 분류들을 제거하고 연구의 관심지역인 빌딩만을 수동적으로 추출하였다(A-d).
특히 본 연구에서는 토지 이용의 유형 중에 하나인 빌딩을 추출하기 위하여 화소 기반한 영상분석(Pixel-Based Image Analysis: PBIA)과 지리객체 기반한 영상분석(GEOgrpahic-Based Image Analysis: GEOBIA)을 수행하였다. 또한 그 결과들을 비교하여 고해상도 위성영상에 적합한 영상분류 방법을 탐색하였다. 지리객체기반 영상분석은 다양한 정보와의 결합을 통해 지리객체들을 보다 쉽게 그리고 정확하게 추출할 수 있어 고해상도 위성 영상을 이용한 지리정보 추출에 매우 효과적으로 사용되고 있는 방법이다.
다음으로 MIHS로부터 얻은 혼합영상을 이용하여 고해상도 위성영상 내에 있는 빌딩 추출에 가장 적합한 영상분류 기법의 발견을 시도하였다. 먼저 PBIA의 무 감독 분류인 ISODATA를 이용하여 빌딩을 추출하였으며, 또한 GEOBIA를 이용하여 빌딩 추출물의 결과를 통해, 최적의 영상분류 결과물을 갖는 방법을 발견하였다. ISODATA와 GEOBIA는 모두 자기발견적 학습을 갖는 영상분류방법이다.
먼저, 일반적으로 널리 알려진 화소 기반한 영상분류(PBIA)를 시도하였다. 영상분류 방법은 무 감독과 감독 분류로 나누어지는데, 본 연구에서는 무 감독 분류 방법인 ISODATA(Iterative Self-Organizing Data Analysis Technique)방법을 이용하여 영상분류를 시도하였다.
본 연구에서는 Figure 3에서와 같이 최적의 영상 융합 결과값을 갖는 혼합영상을 통해 GEOBIA를 이용한 빌딩추출을 시도하였으며, 이를 위해 다중해상도 분류와 영상분류를 위한 조건들을 통해 빌딩을 추출하였다. 최종적으로 PBIA를 통해 분류된 빌딩과 함께 참조지도를 이용하여 정확도 평가를 수행하였다.
본 연구에서는 앞서 제시된 영상 융합 기법들 중에 혼합형 방법을 제외한 5가지 영상 융합 방법들이 사용되었으며, 다목적 실용위성 2호 영상자료를 위한 최적화된 영상 융합 기법을 찾기 위하여 정량적 평가 방법을 이용하였다. 정량적 평가방법에는 스펙트럴 정보를 이용하는 평가(Spectral quality assessment)와 공간정보를 이용하는 평가(Spatial quality assessment)로 대별된다.
다음으로 GEOBIA에 의한 결과에서는 먼저, 영상 분할을 통해 지리객체를 구분하였다(B-b). 이때, 축척 매개변수 5를 사용하여 빌딩 추출을 위한 지리객체를 분할하였으며, 수치표면모델(Digital Surface Model: DSM)을 이용하여 고도 14.15~15.74m 평균값의 범위를 갖는 지리객체들을 2차 분류하였다(B-c). DSM은 LiDAR(Light Detection and Ranging) multiple return points에 의해 1m의 공간해상도를 갖는 래스터 포맷으로 변환되었다.
4의 값을 갖는 지리객체들을 새롭게 추가하여 빌딩지붕을 추출하였다. 이후 통합(Merging)방법으로 여러 개로 분할된 지리객체들을 하나의 객체로 만들고(B-e), 최종적으로 벡터자료로 변환하였다.
이에 따라 본 연구는 연안 지역을 대상으로 다목적 실용위성 2호 영상자료를 이용하여 연구지역에 적합한 최적의 영상 융합 기술과 영상분류 기법의 발견을 시도하였다. 좀더 자세히 요약하자면, 본 연구에서 제안된 3가지 영상 융합 방법들(공간영역, 스펙트럴 대체 영역, 산술변형영역은)을 이용하여 혼합영상의 결과물들을 시각적으로 그리고 분광정보와 공간정보를 이용한 정량적 평가를 통해 최적의 영상융합 결과물을 발견하였다. 그 결과 공간영역에 속하는 HPF와 SRM, 스텍트럴대체 영역에 속하는 MIHS영상 융합 방법이 가장 높은 공간 일치도와 유사성을 보여주었으며, 특히 MIHS는 모든 정량적 평가방법에서 최고의 결과값을 보였다.
본 연구에서는 Figure 3에서와 같이 최적의 영상 융합 결과값을 갖는 혼합영상을 통해 GEOBIA를 이용한 빌딩추출을 시도하였으며, 이를 위해 다중해상도 분류와 영상분류를 위한 조건들을 통해 빌딩을 추출하였다. 최종적으로 PBIA를 통해 분류된 빌딩과 함께 참조지도를 이용하여 정확도 평가를 수행하였다.
이는 고해상도 위성영상 활용의 실용적 측면에서 매우 중요한 의의를 가진다. 평가 방법에 있어, 본 연구에서는 분광정보와 공간정보의 정략적 평가 방법에 포함되는 4가지 통계 방법들을 통해 그 결과를 단계적으로 분석하여 최적화된 영상융합결과를 얻어 내었다. 그러나 그 이외 다양한 영상 평가 방법들이 있다.
대상 데이터
본 연구에서는 고해상도 위성영상의 응용과 지리정보 구축의 활용을 극대화하기 위하여 다목적 실용위성 2호 영상 자료를 이용하였다. 아리랑 위성 2호라고도 불려지는 이 위성은 2006년 7월 28일에 한국항공우주연구원(Korean Aerospace Research Institute: KARI)에 의해 발사되었으며(Table 1), 연구지역의 영상은 2008년 4월 17일에 취득되었다.
미국 동부해안선의 80% 이상을 평행 사주섬이 보호하고 있으며, 그 평행 사주섬은 해안습지와 하구역 그리고 내만 수역으로 구성되어 있다(Yu, 2009). 본 연구의 관심지역인 Jekyll 섬은 조지아 주에 속한 평행사도(Barrier islands) 중에 하나로서, 다른 평행사도들에 비해 인간의 손이 덜 미친 자연 친화적인 섬 중에 하나이다(Figure 1).
본 연구에서는 고해상도 위성영상의 응용과 지리정보 구축의 활용을 극대화하기 위하여 다목적 실용위성 2호 영상 자료를 이용하였다. 아리랑 위성 2호라고도 불려지는 이 위성은 2006년 7월 28일에 한국항공우주연구원(Korean Aerospace Research Institute: KARI)에 의해 발사되었으며(Table 1), 연구지역의 영상은 2008년 4월 17일에 취득되었다.
이론/모형
좀 더 구체적으로 지리 객체를 만들기 위해 영상분할의 알고리즘이 매우 중요하다. 본 연구에서는 다중해상도 분류기법(Multiresolution segmentation algorithm)을 이용하였다. 다중해상도 분류기법은 유사한 화소 값들을 분류(Segment)하기 위하여 성장(Growing), 통합(Merging)과 분할(Splitting)의 과정을 갖는다(Blaschke et al.
먼저, 일반적으로 널리 알려진 화소 기반한 영상분류(PBIA)를 시도하였다. 영상분류 방법은 무 감독과 감독 분류로 나누어지는데, 본 연구에서는 무 감독 분류 방법인 ISODATA(Iterative Self-Organizing Data Analysis Technique)방법을 이용하여 영상분류를 시도하였다. 이 방법은 자기발견 학습법으로 k-평균 군집화 알고리즘을 이용하여 사용자가 원하는 만큼의 군집 분류를 수행할 수 있다(Schowengerdt, 1997; Duda et al.
성능/효과
이러한 3단계의 과정은 색상과 모양(Shape, compactness and smoothness) 동질성 기준(Homogeneity criterion)을 통해 최종적으로 지리 객체로 분할된다. 결과적으로, 동일한 특성을 갖는 지역(Homogeneous areas)은 커다란 지리 객체들로 분할되고, 이질적 특성을 갖는 지역(Heterogeneous areas)은 작은 지리 객체들로 분할되어 군집화된다. 다중해상도 분류기법을 이용한 지리 객체 분류는 축척매개변수의 값에 따라 다양한 크기로 분류가 된다.
결론적으로, 본 연구에서 제안된 영상 융합 방법 중 MIHS가 연구지역을 촬영한 다목적 실용위성 2호 영상자료에 가장 접합한 조건을 갖는 영상 기법으로 발견 되었다. 또한 높은 정확도를 요구하는 연안해 지역의 빌딩 추출에 있어서도 다양한 정보의 활용이 가능한 GEOBIA방법이 최적의 영상분류 기법으로 결정되었다.
좀더 자세히 요약하자면, 본 연구에서 제안된 3가지 영상 융합 방법들(공간영역, 스펙트럴 대체 영역, 산술변형영역은)을 이용하여 혼합영상의 결과물들을 시각적으로 그리고 분광정보와 공간정보를 이용한 정량적 평가를 통해 최적의 영상융합 결과물을 발견하였다. 그 결과 공간영역에 속하는 HPF와 SRM, 스텍트럴대체 영역에 속하는 MIHS영상 융합 방법이 가장 높은 공간 일치도와 유사성을 보여주었으며, 특히 MIHS는 모든 정량적 평가방법에서 최고의 결과값을 보였다.
앞서 제공된 정량적 평가 방법을 종합하자면, 공간 영역에 속하는 HPF와 SRM 그리고, 스펙트럴 대체 영역에 속하는 MIHS이 모든 평가 방법에서 높은 유사성을 보여 주었다. 다시 말해, 다목적 실용위성 2호 영상자료와 같은 고해상도 위성영상의 경우 공간영역과 스펙트럴대체 영역이 적합함을 알 수 있었다. 특히, MIHS 방법은 모든 평가 방법에서 가장 높은 공간적 일치도와 컬러정보의 높은 유사성 보여주었다.
1%의 정확도를 갖는다. 따라서, GEOBIA에 의한 영상분류가 매우 높은 정확도를 보여 주었다.
결론적으로, 본 연구에서 제안된 영상 융합 방법 중 MIHS가 연구지역을 촬영한 다목적 실용위성 2호 영상자료에 가장 접합한 조건을 갖는 영상 기법으로 발견 되었다. 또한 높은 정확도를 요구하는 연안해 지역의 빌딩 추출에 있어서도 다양한 정보의 활용이 가능한 GEOBIA방법이 최적의 영상분류 기법으로 결정되었다. 이러한 지리정보 추출 기법들의 분석 과정과 결과는 앞으로의 고해상도 위성영상의 활용을 극대화하는데 중요하게 작용할 것이다.
이 방법은, 차이 값이 0%에 가까울수록 원 컬러 영상과의 높은 유사성이 있음을 의미한다. 본 연구에서 사용된 다목적 실용위성 2호에서, 공간영역에 속하는 HPF와 SRM 그리고 스펙트럴대체영역에 속하는 MIHS는 각각 1.5%, 1.5%와 1.1%의 높은 유사성을 보여주었으며, 산술변형영역에 속하는 BT와 MP의 경우 각각 50%와 75%의 매우 낮은 유사성을 보여 주었다(Figure 5b와 5c). 이처럼 앞서 제시된 상관계수와, 분광정보의 표준편차와 평균값의 차이를 비교하는 3가지 방법 들은 혼합된 영상의 컬러정보를 원영상과 비교하는 방법으로, 스펙트럴 정량적 평가 방법에 속한다.
두 영상에 대한 상관계수의 값이 +1에 가까울수록 높은 상관관계를 의미하며, -1에 가까울수록 반대의 결과를 의미한다. 본 연구에서의 다목적 실용위성 2호 영상자료에 대한 상관계수 분석결과 모든 영역에서 각 밴드 별로 +0.9 이상의 값을 나타냈다(HPF: +0.98, SRM: +0.97, MIHS: +0.98, BT:+0.97, MP: +0.91). 따라서, 상관계수만을 이용한 평가로는 최적의 영상 융합 법을 판별하기 어려웠다(Figure 5a).
그러나, 앞서 제시된 PBIA의 제한 점들처럼 매우 많은 영상 분류 단계가 요구되며, GEOBIA처럼 모든 영상 분석의 규칙들을 자동화하는 데에 매우 복잡한 단계가 요구되고 있다. 비록 본 연구에서는 단일 객체(빌딩)만을 이용한 지리 객체 기반 영상 분석을 수행하였으나 GEOBIA를 이용하여 제시된 하나의 규칙(4가지 단계를 포함하고 있는)을 통해 연구 지역내의 모든 빌딩에 대한 자동화된 추출이 가능하다. 또한, LiDAR와 같은 보조 자료를 직접 고해상도 위성영상과 함께 이용할 수 있기 때문에 놓은 위치 정확도를 갖는 지리정보 추출이 가능한 장점을 갖는다.
앞서 제공된 정량적 평가 방법을 종합하자면, 공간 영역에 속하는 HPF와 SRM 그리고, 스펙트럴 대체 영역에 속하는 MIHS이 모든 평가 방법에서 높은 유사성을 보여 주었다. 다시 말해, 다목적 실용위성 2호 영상자료와 같은 고해상도 위성영상의 경우 공간영역과 스펙트럴대체 영역이 적합함을 알 수 있었다.
구체적으로 다목적 실용위성 2호 영장 자료를 이용하여 다양한 영상 융합 방법들을 시도해 보고 그 결과를 비교하였다. 이를 통해 본 연구에서는 분광정보와 공간정보를 이용한 정량적 평가를 수행하여 가장 놓은 정확도를 갖는 최적화된 영상 융합 기법을 발견하였다. 다음으로 그 최적화된 영상 융합 결과를(혼합영상) 이용하여 토지 이용 및 피복 분류를 위한 영상 분류를 시도하였다.
다시 말해, 다목적 실용위성 2호 영상자료와 같은 고해상도 위성영상의 경우 공간영역과 스펙트럴대체 영역이 적합함을 알 수 있었다. 특히, MIHS 방법은 모든 평가 방법에서 가장 높은 공간적 일치도와 컬러정보의 높은 유사성 보여주었다. 따라서, 본 연구에서는 MIHS를 이용하여 지리정보 추출을 위해 적합한 영상분류 방법의 탐색에 이용하였다.
2의 RMSE 값을 가졌다. 특히, MIHS에 의한 혼합 영상은 모든 밴드의 영역이 +5 이하로서 안정적인 결과를 보여주었다. 산술변형영역에 속하는 BT와 MP는+51과 +78의 높은 공간적 불일치를 보여주었다.
후속연구
, 2008). 둘째 인접한 화소 또는 그룹간의 공간 관계를 이용하지 않아 최종적으로 영상분류 결과를 얻기 위해 보다 많은 단계를 요구한다. 마지막으로 이른바 ‘salt-and-pepper’ 효과에 대한 문제는 분광정보를 이용하여 영상을 분류할 때 원하지 않는 분광정보까지 분류되거나 미 분류되는 문제점을 가지고 있다(Blaschke et al.
만약 정확한 측정의 기준과 평가 없이 일반적으로 사용되어오던 영상융합 기술이 고해상도 위성영상에 이용된다면, 신뢰할 수 없는 지리 정보 구축의 가능성을 내포하게 될 것이다. 따라서 고해상도 위성영상 자료, 특히 대한민국의 고해상도 위성영상 자료가 다양한 응용분야에 활발히 이용되어지기 위하여 다양한 연구가 반드시 수행되어야 할 것이다.
본 연구는 앞서 수행된 연구들을 통해 다음의 두 가지 한계를 발견하였다. 먼저 본 연구에서 제안된 영상 융합 방법들 이외의 영상융합 방법의 적용이 요구된다. 특히 고해상도 위성 영상은 서로 다른 평가 방법에 따라 다르게 반응하기 때문에 각 영상 별로 최적화된 영상융합기법의 발견은 지리정보를 추출하기 이전에 반드시 수행 되어야 할 단계이다.
그러나 GEOBIA와의 가장 큰 차이점은인간의 인식(human cognition), 즉 영상판독자의 경험과 지식을 하나의 계층적 구조 안에 입력하여 자동화된 영상분류가 가능한 영상분류 규칙(a rule set)을 만들 수 있다는 점이다. 물론 PBIA의 분광정보를 통해 좀도 다양한 기준들과 통계 방법들을 적용한다면, 더욱 정확한 결과를 얻을 수 도 있을 것이다. 그러나, 앞서 제시된 PBIA의 제한 점들처럼 매우 많은 영상 분류 단계가 요구되며, GEOBIA처럼 모든 영상 분석의 규칙들을 자동화하는 데에 매우 복잡한 단계가 요구되고 있다.
위성 영상으로부터 보다 정확한 지리정보를 추출하고 이 추출된 지리객체가 다양한 분야에 적극적으로 활용되어지기 위해서는 지리 정보 추출 기법인 영상 융합과 영상 분류에 대한 정확한 이해와 분석이 수행되어야 한다. 특히 고해상도 영상과 점점 더 다양해지는 다중 밴드를 갖는 위성 영상에 대한 최적의 영상 융합과 분류 방법에 대한 탐색은 지리 정보 구축의 질적 향상을 유도 할 수 있는 매우 중요한 지리 정보 추출 기법이 될 것이다. 만약 정확한 측정의 기준과 평가 없이 일반적으로 사용되어오던 영상융합 기술이 고해상도 위성영상에 이용된다면, 신뢰할 수 없는 지리 정보 구축의 가능성을 내포하게 될 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
다목적 실용위성 2호가 제공하는 것은?
우리나라는1m급 고해상도 촬영이 가능한 다목적 실용위성 2호(또는, 아리랑 2호)(Korea MultiPurpose SATellite II: KOMPSAT 2, also known as Arirang 2)를 2006년 발사하여 현재까지 활발히 운용하고 있다. 다목적 실용위성 2호는 지구자원탐사의 목적을 가지며, 1m의 흑백영상(Panchromatic image) 과 4m 컬러영상(Multispectral image) 을 동시에 제공한다. 흑백영상은 높은 해상도를 그리고 컬러영상은 다중밴드(≤4밴드)를 가지고 있기 때문에 지리정보 추출에 효과적으로 사용되기 위해서는 두 영상 간의 융합이 필수적이다.
화소 분광정보에 기반한 영상분류과정의 3가지 제약은 무엇인가?
그러나 기존의 화소 분광정보에 기반한 영상분류과정은 다음과 같은 3가지 제약을 가지고 있다. 우선 분광정보는 하나 이상의 정보를 가지고 있어 단일 정보를 이용하여 통계적 방법에 의해 영상을 분류하는데 한계를 가진다(Blaschke et al., 2008). 둘째 인접한 화소 또는 그룹간의 공간 관계를 이용하지 않아 최종적으로 영상분류 결과를 얻기 위해 보다 많은 단계를 요구한다. 마지막으로 이른바 ‘salt-andpepper’ 효과에 대한 문제는 분광정보를 이용하여 영상을 분류할 때 원하지 않는 분광정보까지 분류되거나 미 분류되는 문제점을 가지고 있다(Blaschke et al., 2008).
다목적 실용위성 2호의 목적은 무엇인가?
우리나라는1m급 고해상도 촬영이 가능한 다목적 실용위성 2호(또는, 아리랑 2호)(Korea MultiPurpose SATellite II: KOMPSAT 2, also known as Arirang 2)를 2006년 발사하여 현재까지 활발히 운용하고 있다. 다목적 실용위성 2호는 지구자원탐사의 목적을 가지며, 1m의 흑백영상(Panchromatic image) 과 4m 컬러영상(Multispectral image) 을 동시에 제공한다. 흑백영상은 높은 해상도를 그리고 컬러영상은 다중밴드(≤4밴드)를 가지고 있기 때문에 지리정보 추출에 효과적으로 사용되기 위해서는 두 영상 간의 융합이 필수적이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.