위성영상을 이용한 감독분류에서 훈련집단의 선택은 분류정확도에 많은 영향을 미친다. 일반적으로 훈련집단의 특징이 명확한 순수화소를 선택할 경우 전체 정확도가 높은 반면, 저해상도 영상이거나 식별이 불분명하여 혼합화소를 선택하면 정확도는 저하된다. 그러나 실제 영상분류를 수행할 때 순수화소만을 훈련집단으로 선택하는 것은 매우 어렵다. 이에 본 연구에서는 혼합화소를 훈련집단으로 선택하였을 경우 적합한 분류기법을 제시하고자 하였다. 이를 위해 소수의 순수화소를 훈련집단으로 선정하여 분류정확도를 산출하고 같은 수의 혼합화소를 이용한 분류결과와 정확도를 비교하였다. 연구 결과, 혼합화소를 사용한 분류기법들 중 SVM의 정확도가 가장 높았으며, 순수화소를 이용한 분류결과와도 가장 작은 차이를 보였다. 따라서 훈련집단으로 혼합화소를 선택할 가능성이 높은 건물 및 녹지혼합지역에서는 SVM을 이용한 영상분류가 가장 적합할 것으로 판단된다.
위성영상을 이용한 감독분류에서 훈련집단의 선택은 분류정확도에 많은 영향을 미친다. 일반적으로 훈련집단의 특징이 명확한 순수화소를 선택할 경우 전체 정확도가 높은 반면, 저해상도 영상이거나 식별이 불분명하여 혼합화소를 선택하면 정확도는 저하된다. 그러나 실제 영상분류를 수행할 때 순수화소만을 훈련집단으로 선택하는 것은 매우 어렵다. 이에 본 연구에서는 혼합화소를 훈련집단으로 선택하였을 경우 적합한 분류기법을 제시하고자 하였다. 이를 위해 소수의 순수화소를 훈련집단으로 선정하여 분류정확도를 산출하고 같은 수의 혼합화소를 이용한 분류결과와 정확도를 비교하였다. 연구 결과, 혼합화소를 사용한 분류기법들 중 SVM의 정확도가 가장 높았으며, 순수화소를 이용한 분류결과와도 가장 작은 차이를 보였다. 따라서 훈련집단으로 혼합화소를 선택할 가능성이 높은 건물 및 녹지혼합지역에서는 SVM을 이용한 영상분류가 가장 적합할 것으로 판단된다.
Selection of training set influences the classification accuracy in supervised classification using satellite imagery. Generally, if pure pixels which character of training set is clear were selected, whole accuracy is high while if mixed pixels were selected, accuracy is decreased because of low-re...
Selection of training set influences the classification accuracy in supervised classification using satellite imagery. Generally, if pure pixels which character of training set is clear were selected, whole accuracy is high while if mixed pixels were selected, accuracy is decreased because of low-resolution imagery or unclear distinguishment. However, it is too difficult to choose the pure pixels as training set actually. Accordingly, this study should be suggested the suitable classification method in case of mixed pixels choice. To achieve this, a few pure pixels were chosen as training set and classification accuracy was calculated which was compared with classification result using an equal number of mixed pixels. As a result, accuracy of SVM was the highest among the classification method using mixed pixels and it was a relatively small difference with the result of classification using pure pixels. Therefore, imagery classification using SVM is most suitable in the mixed area of construction and green because it is high possibility to choose mixed pixels as training set.
Selection of training set influences the classification accuracy in supervised classification using satellite imagery. Generally, if pure pixels which character of training set is clear were selected, whole accuracy is high while if mixed pixels were selected, accuracy is decreased because of low-resolution imagery or unclear distinguishment. However, it is too difficult to choose the pure pixels as training set actually. Accordingly, this study should be suggested the suitable classification method in case of mixed pixels choice. To achieve this, a few pure pixels were chosen as training set and classification accuracy was calculated which was compared with classification result using an equal number of mixed pixels. As a result, accuracy of SVM was the highest among the classification method using mixed pixels and it was a relatively small difference with the result of classification using pure pixels. Therefore, imagery classification using SVM is most suitable in the mixed area of construction and green because it is high possibility to choose mixed pixels as training set.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 분류항목의 특징을 명확하게 나타내는 순수화소와 육안으로는 식별이 어려운 혼합화소로 훈련집단을 각각 설정하고, 다양한 감독분류기법들을 적용하여 분류를 수행하였다. 또한 분류결과를 검증자료와 비교하여 정확도를 산출함으로써 육안으로 순수화소만을 선택하기 어려운 건물 및 녹지 혼합지역에서도 높은 정확도를 산출할 수 있는 기법을 제시하고자 하였다.
본 연구는 혼합화소 선택 시에도 적합한 분류기법을 판단하기 위해 훈련집단을 소수의 순수화소와 혼합화소로 설정하고 감독분류 후 정확도를 산출한 것으로 다음과 같은 결론을 얻을 수 있었다.
제안 방법
따라서 본 연구에서는 분류항목의 특징을 명확하게 나타내는 순수화소와 육안으로는 식별이 어려운 혼합화소로 훈련집단을 각각 설정하고, 다양한 감독분류기법들을 적용하여 분류를 수행하였다. 또한 분류결과를 검증자료와 비교하여 정확도를 산출함으로써 육안으로 순수화소만을 선택하기 어려운 건물 및 녹지 혼합지역에서도 높은 정확도를 산출할 수 있는 기법을 제시하고자 하였다.
훈련집단으로 혼합화소를 선택할 경우 발생되는 정확도의 저하를 파악하기 위해 소수의 순수화소를 훈련집단으로 선택하여 분류를 수행하였다. 분류항목은 그림 1과 같이 건물, 식생, 도로, 나지, 그림자로 지정하였으며, 오차행렬을 이용한 정확도 산출시의 경제성을 고려하여 각 항목별 30개씩 150화소를 선정하였다.
훈련집단으로 혼합화소를 선택할 경우 발생되는 정확도의 저하를 파악하기 위해 소수의 순수화소를 훈련집단으로 선택하여 분류를 수행하였다. 분류항목은 그림 1과 같이 건물, 식생, 도로, 나지, 그림자로 지정하였으며, 오차행렬을 이용한 정확도 산출시의 경제성을 고려하여 각 항목별 30개씩 150화소를 선정하였다.
혼합화소의 영상분류는 순수화소와 동일하게 항목별로 30개를 선정하여 수행하였다. 훈련집단은 항목들 간의 경계지역을 대상으로 선택하였으며, 6가지 기법들을 이용하여 영상분류를 수행하였다. 그림 3은 혼합화소를 이용하여 선정한 훈련집단을 나타내며, 그림 4는 혼합화소의 분류결과를 나타낸다.
본 연구에서는 각각 150개의 순수화소와 혼합화소를 대상으로 6가지 분류기법별 정확도를 평가하기 위해 오차행렬을 이용하였다. 오차행렬이란 표 3과 같이 영상의 분류정확도를 평가하기 위해 항목들 간 오분류 정도를 나타내는 행렬이다.
분류결과의 정확도 산출을 위해 그림 5와 같이 검증자료로 항목별 30개씩의 순수화소를 선정하였다. 선정된 150개의 화소들은 표 2의 오차행렬에서 각 분류항목별 검증자료로 분류결과와의 일치여부를 확인하는데 활용하였다.
순수화소의 분류결과를 표 2와 같이 오차행렬로 작성하고 각 분류기법별 전체정확도를 산출하였다. 산출 결과 최소거리법 68.
대상 데이터
분류 시 결과에 영향을 미치는 훈련집단은 단일 물질로 피복되어 다른 집단들과 뚜렷하게 구분할 수 있는 순수화소와 여러 대상물이 혼재되어 인근 화소와의 구별이 불명확한 혼합화소를 각각 선택하였다.
본 연구에서는 대전광역시 한국과학기술원의 일부 지역을 대상지로 선정하였다. 이 지역은 건물, 식생, 도로 등이 고르게 분포되어 있고, 건물의 밀집도가 낮으며, 접근성이 높아 영상분류정확도 평가에 적합하다.
이 지역은 건물, 식생, 도로 등이 고르게 분포되어 있고, 건물의 밀집도가 낮으며, 접근성이 높아 영상분류정확도 평가에 적합하다. 영상은 2002년 3월 9일에 촬영한 IKONOS 위성영상이며 제원은 표 1과 같다.
혼합화소의 영상분류는 순수화소와 동일하게 항목별로 30개를 선정하여 수행하였다. 훈련집단은 항목들 간의 경계지역을 대상으로 선택하였으며, 6가지 기법들을 이용하여 영상분류를 수행하였다.
분류결과의 정확도 산출을 위해 그림 5와 같이 검증자료로 항목별 30개씩의 순수화소를 선정하였다. 선정된 150개의 화소들은 표 2의 오차행렬에서 각 분류항목별 검증자료로 분류결과와의 일치여부를 확인하는데 활용하였다.
이론/모형
순수화소들을 대상으로 분류정확도를 평가하기 위해 감독분류기법 중 최소거리법, 마하라노비스거리법, 최대우도법, 이진부호화법, 신경망법, SVM을 이용하였다. 그림 2는 순수화소의 분류결과를 나타낸다.
성능/효과
순수화소의 분류결과를 표 2와 같이 오차행렬로 작성하고 각 분류기법별 전체정확도를 산출하였다. 산출 결과 최소거리법 68.7%, 마하라노비스거리법 76.0%, 최대우도법 94.7%, 이진부호화법 59.3%, 신경망법 91.3%, SVM 93.3%로 나타났다. 그림 6은 순수화소의 분류기법별 정확도 그래프를 나타낸다.
혼합화소에 대한 분류결과는 표 3과 같으며, 전체정확도를 산출한 결과, 최소거리법 53.3%, 마하라노비스거리법 72.7%, 최대우도법 85.3%, 이진부호화법 43.3%, 신경망법 84.7%, SVM 88.0%로 나타났다. 그림 7은 혼합화소의 분류기법별 정확도 그래프를 나타낸다.
훈련집단 선정에 따른 정확도 산출 결과 순수화소를 이용한 경우 최대우도법, SVM, 신경망법에서 90% 이상의 정확도를 보였다. 혼합화소의 경우에는 모든 기법들에서 순수화소에 비해 정확도가 저하되었다.
혼합화소의 경우에는 모든 기법들에서 순수화소에 비해 정확도가 저하되었다. 그러나 SVM 은 소수의 훈련집단을 선택했음에도 88%로 가장 높은 정확도를 보였으며, 순수화소 선택 시에도 93.3%의 정확도를 나타냈다. 또한 최대우도법은 9.
3%의 정확도를 나타냈다. 또한 최대우도법은 9.4%의 정확도 저하를 나타낸 반면, SVM은 5.3%로 가장 작은 정확도 저하를 나타냈다. 따라서 정확한 순수화소의 선택이 어려운 건물 및 녹지 혼합지역을 대상으로 효율적인 토지피복분류를 위해서는 SVM을 사용하는 것이 가장 효과적일 것으로 판단된다.
3%로 가장 작은 정확도 저하를 나타냈다. 따라서 정확한 순수화소의 선택이 어려운 건물 및 녹지 혼합지역을 대상으로 효율적인 토지피복분류를 위해서는 SVM을 사용하는 것이 가장 효과적일 것으로 판단된다.
1. 혼합화소를 이용한 분류 시 순수화소를 이용할 때보다 모든 기법에서 10%∼15%의 정확도 저하를 나타냈다.
2. 혼합화소를 이용한 분류는 SVM이 88%로 가장 높은 분류정확도를 나타냈으며, 순수화소의 결과와도 5.3%의 가장 작은 정확도 저하를 나타냈다.
3. 순수화소만을 선택하기 어려운 건물 및 녹지 혼합 지역의 경우 SVM을 이용하는 것이 적합할 것으로 판단된다.
후속연구
향후, 다양한 종류의 위성영상을 대상으로 순수 및 혼합화소의 화소 선택 수를 다르게 하여 정확도를 산출하는 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
순수화소란 무엇인가?
현재까지 대부분의 연구들에서는 정확도 향상을 위해 훈련집단 선택 시 순수화소(pure pixels)를 사용해 왔다[1]. 순수화소란 영상 영역 내에서 단일 물질로 100% 피복된 화소를 의미하며, 혼합화소(mixed pixels)란 단일 물질로만 피복된 것이 아니라 실세계와 같이 여러 대상물이 혼재하는 화소를 의미한다[2,3].
최대우도법의 단점은?
현재 고해상도 영상을 이용한 분류기법으로는 최대우도법이 많이 사용되고 있으나 자료가 정규분포를 이루지 않으면 분류가 잘 이루어지지 않는다. 이러한 단점을 피하기 위하여 ANN(Artificial Neural Network) 또는 SVM(Support Vector Machine)이 사용되고 있다[4].
혼합화소를 이용한 분류에서 가장 높은 정확도를 보인 기법은?
혼합화소의 경우에는 모든 기법들에서 순수화소에 비해 정확도가 저하되었다. 그러나 SVM 은 소수의 훈련집단을 선택했음에도 88%로 가장 높은 정확도를 보였으며, 순수화소 선택 시에도 93.3%의 정확도를 나타냈다.
참고문헌 (8)
H. C. Yun, J. S. Lee, K. Y. Jung, J. K. Park, "The Evaluation of Classification Precision about Satellite Imagery by the Selection of Training Set and Classification Method", Proceedings of Conference on Geo-Spatial Information 2011 Fall, pp.286-287, 2011.
K. E. Kim, "A Modified Iterative N-FINDR Algorithm for Fully Automatic Extraction of Endmembers from Hyperspectral Imagery", Korean Journal of Remote Sensing, Vol.27, No.5, pp.565-572, 2011.
Y. W. Seok, "A Study on the Optimum Band Selection for Supervised Classification Using Mixed-Pixels and Canonical Correlation Analysis", Thesis of Master, SunKyunKwan Univ., 2004.
H. Y. Lim, H. S. Kim, J. S. Choi, S. H. Song, "A Study on Efficient Topography Classification of High Resolution Satellite Image", Journal of The Korean Society for GeoSpatial Information System, Vol.13, No.3, pp.33-40, 2005.
J. M. Kang, H. C. Yun, J. B. Kim, J. S. Lee, "The Evaluation of Classification Precision about Satellite Imagery by the Selection Method of Training Set", Proceedings of Korean Society of Civil Engineers 2010 Annual Conference, pp.1082-1084, 2010.
G. M. Foody, A. Mathur, "The use of small training sets containing mixed pixels for accurate hard image classification: Training on mixed spectral responses for classification by a SVM", Remote Sensing of Environment, Vol.103, pp.179-189, 2006.
M. Chi, R. Feng, L. Bruzzone, "Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem", Advances in Space Research, Vol.41, pp.1793-1799, 2008.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.