도심지 모델링과 분석을 효과적으로 수행하기 위해서는 다른 시기나 다른 지역의 추가적인 고해상도 위성영상이 반드시 필요하다. 그러나 같은 지상 개체라 하더라도 서로 다른 영상에서 방사적인 불일치가 존재하며 이는 영상 처리와 분석의 정확도를 저하시키는 원인이 된다. 더욱이 도심지의 경우 건물, 수목, 교량, 기타 구조물 등 높이를 갖는 개체들은 영상 전체에 걸쳐 그림자를 발생시키며 이는 상대 방사 정규화의 질을 저하시킨다. 본 연구에서는 태양과 위성의 기하학적 위치 정보, 부가적인 수치 표고 모델이 없어도 적용이 가능한 단영상 기반의 그림자 추출기법을 적용하고 그림자의 영향을 배제한 선택적인 히스토그램 매칭 기법을 제안하였다. 건물의 에지버퍼 영역에 대한 인접 정보와 분할을 통해 생성된 객체의 공간 및 분광인자를 이용하여 그림자를 추출한 후, 아스팔트 도로와 같이 그림자로 잘못 추출된 이상 객체를 제거하였다. 최종적으로 그림자 지역이 마스킹 된 Quickbird-2 다시기 영상을 이용하여 비그림자 지역만을 이용하여 선택적 히스토그램 매칭을 수행하였다.
도심지 모델링과 분석을 효과적으로 수행하기 위해서는 다른 시기나 다른 지역의 추가적인 고해상도 위성영상이 반드시 필요하다. 그러나 같은 지상 개체라 하더라도 서로 다른 영상에서 방사적인 불일치가 존재하며 이는 영상 처리와 분석의 정확도를 저하시키는 원인이 된다. 더욱이 도심지의 경우 건물, 수목, 교량, 기타 구조물 등 높이를 갖는 개체들은 영상 전체에 걸쳐 그림자를 발생시키며 이는 상대 방사 정규화의 질을 저하시킨다. 본 연구에서는 태양과 위성의 기하학적 위치 정보, 부가적인 수치 표고 모델이 없어도 적용이 가능한 단영상 기반의 그림자 추출기법을 적용하고 그림자의 영향을 배제한 선택적인 히스토그램 매칭 기법을 제안하였다. 건물의 에지 버퍼 영역에 대한 인접 정보와 분할을 통해 생성된 객체의 공간 및 분광인자를 이용하여 그림자를 추출한 후, 아스팔트 도로와 같이 그림자로 잘못 추출된 이상 객체를 제거하였다. 최종적으로 그림자 지역이 마스킹 된 Quickbird-2 다시기 영상을 이용하여 비그림자 지역만을 이용하여 선택적 히스토그램 매칭을 수행하였다.
Additional high resolution satellite images, other period or site, are essential for efficient city modeling and analysis. However, the same ground objects have a radiometric inconsistency in different satellite images and it debase the quality of image processing and analysis. Moreover, in an urban...
Additional high resolution satellite images, other period or site, are essential for efficient city modeling and analysis. However, the same ground objects have a radiometric inconsistency in different satellite images and it debase the quality of image processing and analysis. Moreover, in an urban area, buildings, trees, bridges, and other artificial objects cause shadow effects, which lower the performance of relative radiometric normalization. Therefore, in this study, we exclude shadow areas and suggest the selective histogram matching methods for image based application without supplementary digital elevation model or geometric informations of sun and sensor. We extract the shadow objects first using adjacency informations with the building edge buffer and spatial and spectral attributes derived from the image segmentation. And, Outlier objects like a asphalt roads are removed. Finally, selective histogram matching is performed from the shadow masked multi-temporal Quickbird-2 images.
Additional high resolution satellite images, other period or site, are essential for efficient city modeling and analysis. However, the same ground objects have a radiometric inconsistency in different satellite images and it debase the quality of image processing and analysis. Moreover, in an urban area, buildings, trees, bridges, and other artificial objects cause shadow effects, which lower the performance of relative radiometric normalization. Therefore, in this study, we exclude shadow areas and suggest the selective histogram matching methods for image based application without supplementary digital elevation model or geometric informations of sun and sensor. We extract the shadow objects first using adjacency informations with the building edge buffer and spatial and spectral attributes derived from the image segmentation. And, Outlier objects like a asphalt roads are removed. Finally, selective histogram matching is performed from the shadow masked multi-temporal Quickbird-2 images.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
그림자 추출의 정확도를 높이기 위해 다시기 영상에서 그림자 후보지역인 건물 에지 버퍼를 생성하였다. Canny 에지 검출 연산자를 융합 영상의 평균값에 적용 하여 도심지에 그림자가 생기는 주요 원인인 건물의 에지를 추출한 후 팽창 필터를 적용하였으며, 그 결과가 Figure 4와 같다. 붉은색 다각형의 건물 에지 버퍼는 영상에 존재하는 건물을 대부분 포함하며 그림자와 교차하기 때문에 그림자의 인접 정보로써 효과적으로 활용이 가능하다.
5 상용 소프트웨어를 이용하여 객체 기반 분할을 수행하였다. ENVI 4.5의 객체 기반 영상 분할은 0부터 100의 값을 갖는 스케일 및 병합 인자를 이용하는데, 본 연구에서는 20의 낮은 공간 스케일로 융합 영상을 여러 개의 세그먼트로 잘게 분할한 후 80의 높은 병합 수준을 두어 인접한 세그먼트를 대부분 병합하였다.
고해상도 다시기 영상에서 추출된 그림자 지역을 마스킹한 후 비그림자 지역만을 대상으로 선택적 히스토그램 매칭을 수행하였다. 각 영상의 비그림자 지역에 대한 히스토그램을 작성한 후 누적 히스토그램을 생성 하였으며 이 후 각 영상에서 추출된 그림자 화소 수(N) 를 바탕으로 정규화를 수행하였다. 식 3은 시기 t 영상의 정규화된 누적히스토그램이다.
본 연구에서는 자료 취득과 처리를 위한 비용이 적게 발생하도록 부가 데이터 없이 영상만을 이용하여 그림자를 추출하였다. 건물의 에지 버퍼와 규칙 기반 그림자 추출 및 이상 객체 제거를 통해 그림자 지역을 효과적으로 추출하였으며, 동일한 그림자 추출 기법을 다시기 영상에 적용하여 영상 수집시기와 지역에 따라 다른 형태와 강도로 존재하는 그림자를 추출하였다. 또한 기존에 거의 연구 되지 않았던 고해상도 위성영상에서 상대 방사 정규화에 미치는 그림자의 악영향을 분석하였으며, 비그림자 기반의 선택적 히스토그램 매칭을 통해 히스토그램의 형태와 분포를 기준 영상과 유사해지도록 개선하여 다시기 영상에서 다른 형태와 화소값을 지니는 그림자에 의해 왜곡되지 않는 히스토그램 매칭 기법을 제안하였다.
고해상도 다시기 영상에서 추출된 그림자 지역을 마스킹한 후 비그림자 지역만을 대상으로 선택적 히스토그램 매칭을 수행하였다. 각 영상의 비그림자 지역에 대한 히스토그램을 작성한 후 누적 히스토그램을 생성 하였으며 이 후 각 영상에서 추출된 그림자 화소 수(N) 를 바탕으로 정규화를 수행하였다.
또한 제방이나 도로 구조물 등의 작은 에지가 건물로 잘못 추출된 경우 인접한 도로나 수계와 같은 상대적으로 큰객체가 그림자로 잘못 추출되기 때문이다. 그리고 장축과 단축의 비가 지나치게 큰 객체는 건물 그림자가 아니라 도로일 확률이 높으므로 장축과 단축의 비가 4.5 배 이상인 객체는 선형성이 강한 도로로 파악하여 제거 하였다. 또한 도로의 경우 도로 내 차량이나 구조물 등에 의해 그림자보다 객체의 표준편차가 크게 나타나므로 4밴드 평균 표준편차의 Z 점수가 1보다 큰 경우 도로로 파악하여 제거하였다.
그림자 추출의 정확도를 높이기 위해 다시기 영상에서 그림자 후보지역인 건물 에지 버퍼를 생성하였다. Canny 에지 검출 연산자를 융합 영상의 평균값에 적용 하여 도심지에 그림자가 생기는 주요 원인인 건물의 에지를 추출한 후 팽창 필터를 적용하였으며, 그 결과가 Figure 4와 같다.
그림자 추출 시 화소 기반의 분광정보에 대한 임계값 만을 적용할 경우 하나로 폐합된 그림자 개체가 온전하게 추출되는 것이 아니라 분광값에 따라 개개의 화소들이 추출되는 문제가 발생한다. 따라서 ENVI 4.5 상용 소프트웨어를 이용하여 객체 기반 분할을 수행하였다. ENVI 4.
따라서 건물 에지 버퍼 영역과의 크기 비교, 분할 객체의 장·단축 비율 (elongation), 분할 객체의 평균 표준편차를 이용하여 잘못 추출된 이상 객체를 제거하였다(Table 1).
분할 객체의 공간 및 분광 인자에 대한 임계값만을 이용하여 그림자를 추출할 경우 강이나 하천, 아스팔트로 이루어진 도로와 같이 그림자와 분광, 공간 특성이 유사한 객체가 잘못 추출되는 문제가 발생한다. 따라서 그림자 추출의 정확도를 높이기 위해 영상에서 그림자 후보지역을 먼저 선정할 필요가 있으며 이를 위해 Canny 에지 검출 연산자를 융합 영상의 평균값에 적용 하여 도심지에 그림자가 생기는 주요 원인인 건물의 에지를 추출하였다(염준호 등, 2012). Canny 에지 검출 연산은 Sobel, Roberts, Prewitt 연산자들에 비해 우수하다고 알려져 있으며 영상의 노이즈를 줄이기 위한 가우시안 필터 스무딩(smoothing) 과정 그리고 x, y축의 기울기 크기(식 (1))와 방향(식 (2))을 검출하기 위한 과정으로 이루어진다(Gonzalez et al, 2004).
11비트의 Quickbird 영상을 8비트로 디스플레이 하게 되므로 제안된 비그림자 기반의 선택적 히스토그램 매칭 기법의 우수성을 시각적으로 평가하기는 쉽지 않다. 따라서 선택적 히스토 그램 매칭 기법의 적용 여부에 따라 히스토그램을 기준 영상과 비교하였다(Figure 10). 제안 기법을 적용하지 않은 2006년 영상은 기준 영상인 2002년 영상과 히스토그램의 형태, 최빈 화소값, 화소값의 사용범위에서큰 차이를 보인다.
다시기 영상의 상대 방사 정규화를 위해서는 두 영상의 기하학적 위치 차이가 보정되어야 한다. 따라서 수작업으로 추출된 16개의 공액점(conjugate point)을 이용하여 1차 다항 변환식을 생성한 후 기하학적 매칭을 수행하였다. 공액점은 영상 전체에 걸쳐 고루 위치하도록 교차로의 횡단보도를 중심으로 추출되었으며 평균 제곱근오차(root mean square error)는 약 0.
건물의 에지 버퍼와 규칙 기반 그림자 추출 및 이상 객체 제거를 통해 그림자 지역을 효과적으로 추출하였으며, 동일한 그림자 추출 기법을 다시기 영상에 적용하여 영상 수집시기와 지역에 따라 다른 형태와 강도로 존재하는 그림자를 추출하였다. 또한 기존에 거의 연구 되지 않았던 고해상도 위성영상에서 상대 방사 정규화에 미치는 그림자의 악영향을 분석하였으며, 비그림자 기반의 선택적 히스토그램 매칭을 통해 히스토그램의 형태와 분포를 기준 영상과 유사해지도록 개선하여 다시기 영상에서 다른 형태와 화소값을 지니는 그림자에 의해 왜곡되지 않는 히스토그램 매칭 기법을 제안하였다.
3 화소이다. 또한 두 영상은 GS 융합 기법을 통해 전정색 영상의 공간해상도를 지니면서 다중분광 영상의 분광정보를 갖도록 처리되었다. GS 융합은 센서별 전정색 영상에 대한 분광 반응 함수를 이용하여 그림자 지역과 같이 균질한 지역에 대해 주성분 분석 융합 기법보다 정확한 융합이 가능하다(Laben et al.
본 연구에서는 자료 취득과 처리를 위한 비용이 적게 발생하도록 부가 데이터 없이 영상만을 이용하여 그림자를 추출하였다. 건물의 에지 버퍼와 규칙 기반 그림자 추출 및 이상 객체 제거를 통해 그림자 지역을 효과적으로 추출하였으며, 동일한 그림자 추출 기법을 다시기 영상에 적용하여 영상 수집시기와 지역에 따라 다른 형태와 강도로 존재하는 그림자를 추출하였다.
분할 된 객체 중 건물 에지 버퍼와 일부분이라도 교차하며 크기 및 강도(intensity)의 Z 점수(Z-score)가 각각 1 이상 –1 이하인 객체를 추출하였다(Table 1).
분할된 객체와 건물 에지 버퍼가 교차하는지의 여부와 객체 크기 및 강도의 표준화점수를 이용하여 1차적으로 그림자로 추출하였다. 이 후 그림자로 잘못 추출된 나지와 아스팔트 도로 등을 제거하였으며 이상 객체 제거에는 건물 에지 버퍼 영역과의 상대적 크기 비교와 분할 객체의 장·단축 비율, 분할 객체의 평균 표준편차를 이용하였다.
해당 기법은 영상 분할 기법과 건물 에지 버퍼를 바탕으로 규칙 기반 그림자 추출을 수행함으로써 수계나 도로와 같이 그림자로 잘못 분류되는 객체를 효과적으로 제거할 수 있다. 영상의 수집시기에 따라 다른 크기, 방향, 강도로 존재하는 그림자를 추출하였으며 자료 취득과 처리를 위한 비용이 적게 발생하도록 수치표고모델, 태양과 센서의 고도 및 방위 정보와 같은 부가 데이터 없이 영상만을 이용하여 자동으로 그림자를 추출하였다.
이 후 융합영상에 Canny 에지 필터와 팽창 필터를 적용하여 그림자 후보 지역인 건물 에지 버퍼를 생성하였고, 한편 으로 객체기반 그림자 추출을 위해 영상분할기법을 적용하였다. 이 후 건물 에지 버퍼와 분할 객체의 분광, 공간 인자를 이용하여 규칙 기반으로 그림자를 추출하고 잘못 추출된 이상 객체를 추가적으로 제거하였다.최종적으로 그림자 지역을 마스킹 한 후, 다시기 영상의 비그림자 지역을 바탕으로 선택적인 히스토그램 매칭을 수행하였다.
전처리 과정으로써 Quickbird-2 다시기 영상의 기하보정과 GS(Gram-Schmidt) 영상 융합을 수행하였다. 이 후 융합영상에 Canny 에지 필터와 팽창 필터를 적용하여 그림자 후보 지역인 건물 에지 버퍼를 생성하였고, 한편 으로 객체기반 그림자 추출을 위해 영상분할기법을 적용하였다. 이 후 건물 에지 버퍼와 분할 객체의 분광, 공간 인자를 이용하여 규칙 기반으로 그림자를 추출하고 잘못 추출된 이상 객체를 추가적으로 제거하였다.
이상 객체 제거를 위해 사용된 건물 에지 버퍼 영역에 대한 크기 비율, 분할 객체의 장·단축 비율의 임계값은 논리 적인 근거를 바탕으로 경험적으로 선정되었다.
이에 본 연구에서는 고해상도 위성영상을 이용하여 도심지에 높은 밀도로 분포하며 상대 방사 정규화의 질을 저하시키는 그림자를 추출하고 제거하여 히스토그램 매칭을 수행하고 그 효과를 분석하였다. 그림자 추출을 위해 도심지의 다양한 토지 이용 요소를 포함하는 지역에 적용이 가능하며 온전한 경계의 그림자 추출이 용이한 염준호 등(2012)의 기법을 이용하였다.
본 연구의 전체적인 흐름은 Figure 1과 같다. 전처리 과정으로써 Quickbird-2 다시기 영상의 기하보정과 GS(Gram-Schmidt) 영상 융합을 수행하였다. 이 후 융합영상에 Canny 에지 필터와 팽창 필터를 적용하여 그림자 후보 지역인 건물 에지 버퍼를 생성하였고, 한편 으로 객체기반 그림자 추출을 위해 영상분할기법을 적용하였다.
이 후 건물 에지 버퍼와 분할 객체의 분광, 공간 인자를 이용하여 규칙 기반으로 그림자를 추출하고 잘못 추출된 이상 객체를 추가적으로 제거하였다.최종적으로 그림자 지역을 마스킹 한 후, 다시기 영상의 비그림자 지역을 바탕으로 선택적인 히스토그램 매칭을 수행하였다. 다양한 상대 방사 정규화 기법 중 히스토그램 매칭을 이용한 이유는 고해상도 위성영상을 이용한 방사 정규화 기법의 비교 연구에서 가장 우수한 정확도를 보였기 때문이다(Hong et al, 2008).
추출된 에지를 바탕으로 버퍼 영역을 생성하기 위해 팽창(dilation) 필터를 적용하였다. 형태학적 영상 처리의 기본이 되는 팽창 필터는 이진 영상에서 객체를 성장시키거나 두껍게 하는 연산이다.
대상 데이터
연구 대상지역은 대전광역시로서 약 610m×840m 크기이며 아파트 단지, 도로, 상업지역, 근린공원 등의 다양한 도심요소들을 포함하고 있다. 2002년 12월과 2006년 10월에 수집된 Quickbird-2 고해상도 위성영상을 이용하였으며 전정색 영상은 0.61m, 다중분광 영상은 2.44m의 공간해상도를 갖는다. Figure 3에서 확인 할 수 있듯이, 같은 센서에서 수집된 같은 지역의 영상 이라 하더라도 태양의 고도와 방위, 기상조건에 의하여 그림자의 화소값은 물론 그 크기와 방향이 다르게 나타난다.
본 연구에서는 40×40 크기의 정사각형 구조를 추출된 에지에 적용하였다.
연구 대상지역은 대전광역시로서 약 610m×840m 크기이며 아파트 단지, 도로, 상업지역, 근린공원 등의 다양한 도심요소들을 포함하고 있다.
데이터처리
이 후 그림자로 잘못 추출된 나지와 아스팔트 도로 등을 제거하였으며 이상 객체 제거에는 건물 에지 버퍼 영역과의 상대적 크기 비교와 분할 객체의 장·단축 비율, 분할 객체의 평균 표준편차를 이용하였다.
이론/모형
이에 본 연구에서는 고해상도 위성영상을 이용하여 도심지에 높은 밀도로 분포하며 상대 방사 정규화의 질을 저하시키는 그림자를 추출하고 제거하여 히스토그램 매칭을 수행하고 그 효과를 분석하였다. 그림자 추출을 위해 도심지의 다양한 토지 이용 요소를 포함하는 지역에 적용이 가능하며 온전한 경계의 그림자 추출이 용이한 염준호 등(2012)의 기법을 이용하였다. 해당 기법은 영상 분할 기법과 건물 에지 버퍼를 바탕으로 규칙 기반 그림자 추출을 수행함으로써 수계나 도로와 같이 그림자로 잘못 분류되는 객체를 효과적으로 제거할 수 있다.
성능/효과
이 때 그림자 지역의 화소값은 0으로 마스킹 되었다. 11비트의 Quickbird 영상을 8비트로 디스플레이 하게 되므로 제안된 비그림자 기반의 선택적 히스토그램 매칭 기법의 우수성을 시각적으로 평가하기는 쉽지 않다. 따라서 선택적 히스토 그램 매칭 기법의 적용 여부에 따라 히스토그램을 기준 영상과 비교하였다(Figure 10).
후속연구
향후에는 제안 기법을 다른 센서의 고해상도 위성영상에 적용할 것이며 마스킹 된 그림자의 분광 정보를 복원하는 연구를 진행할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
도심지 모델링과 분석을 효과적으로 수행하기 위해 반드시 필요한 것은?
도심지 모델링과 분석을 효과적으로 수행하기 위해서는 다른 시기나 다른 지역의 추가적인 고해상도 위성영상이 반드시 필요하다. 그러나 같은 지상 개체라 하더라도 서로 다른 영상에서 방사적인 불일치가 존재하며 이는 영상 처리와 분석의 정확도를 저하시키는 원인이 된다.
영상 처리와 분석의 정확도를 저하시키는 원인은?
도심지 모델링과 분석을 효과적으로 수행하기 위해서는 다른 시기나 다른 지역의 추가적인 고해상도 위성영상이 반드시 필요하다. 그러나 같은 지상 개체라 하더라도 서로 다른 영상에서 방사적인 불일치가 존재하며 이는 영상 처리와 분석의 정확도를 저하시키는 원인이 된다. 더욱이 도심지의 경우 건물, 수목, 교량, 기타 구조물 등 높이를 갖는 개체들은 영상 전체에 걸쳐 그림자를 발생시키며 이는 상대 방사 정규화의 질을 저하시킨다.
기존 연구들의 한계점은 무엇인가?
그러나 기존 연구들은 Landsat이나 MODIS와 같이 중‧저 해상도 영상에서 구름과 구름으로 인한 그림자를 제거하는데 초점이 맞추 어져 있기 때문에 고해상도 영상에서 그림자 영향을 고려한 방사 보정의 연구는 거의 없다고 할 수 있다. 또한 기존 방법들은 그림자 추출 시 분석가의 수작업이 필요 하며 이에 따라 시간적‧경제적인 비용이 크게 발생하고 복잡 다양한 토지 피복과 많은 수의 그림자가 분포하는 도심지에는 적용이 어렵다는 한계점을 지닌다.
참고문헌 (14)
염준호, 장안진, 김용일, 2012, 건물 에지 버퍼를 이용한 Quickbird 영상의 도심지 그림자 추출, 한국측량학회지, 제30권, 제2호, pp.163-171.
Andrefouet, S., Muller-Karger, F. E., Hochberg, E. J., Hu, C. and Carder, K. L., 2001, Change Detection in Shallow Coral Reef Environments using Landsat 7 ETM + Data, Remote Sensing of Environment, RSE, Vol. 78, No. 1, pp.150-162.
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, RSE, Vol. 82, No. 1, pp.123-134.
Gonzalez, R. C., Woods, R. E. and Eddins, S. L., 2004, Digital Image Processing using MATLAB, Prentice-Hall
Helmer, E. H. and Ruefenacht, B., 2005, Cloud-Free Satellite Image Mosaics with Regression Trees and Histogram Matching, Photogrammetric Engineering & Remote Sensing, ASPRS, Vol. 71, No. 9, pp. 1079-1089.
Hong, G. and Zhang, Y., 2008, A Comparative Study on Radiometric Normalization using High Resolution Satellite Images, International Journal of Remote Sensing, RSPSoc, Vol. 29, No. 2, pp.425-438.
Laben, C. A. and Brower, B. V., 2000, Process for Enhancing the Spatial Resolution of Multispectral Imagery using Pan-Sharpening, US Patent 6,011,875
Lillesand, T. M. and Kiefer, R. W., 1994, Remote Sensing and Image Interpretation, John Wiley and Sons
McGovern, E. A., Holden, N. M., Ward, S. M. and Collins, J. F., 2002, The Radiometric Normalization of Multitemporal Thematic Mapper Imagery of the Midlands of Ireland - A Case Study, International Journal of Remote Sensing, RSPSoc, Vol. 23, No. 4, pp.751-766.
Richards, J. A. and Jia, X., 2005, Remote Sensing Digital Image Analysis 4thed, Springer
Roy, D. P., Ju, J., Lewis, P., Schaaf, C., Gao, F., Hansen, M. and Lindquist, E., 2008, Multi-Temporal MODIS-Landsat Data Fusion for Relative Radiometric Normalization, Gap Filling, and Prediction of Landsat Data, Remote Sensing of Environment, RSE, Vol. 112, No. 6, pp.3112-3130.
Song, C., Woodcock, C. E., Seto, K. C., Lenney, M. P. and Macomber, S. A., 2001, Classification and Change Detection using Landsat TM Data: When and How to Correct Atmospheric Effects?, Remote Sensing of Environment, RSE, Vol. 75, No. 2, pp.230-234.
Yuan, D. and Elvidge, C., 1998, NALC Land Cover Change Detection Pilot Study: Washington D.C. Area Experiments, Remote Sensing of Environment, RSE, Vol. 66, No. 1, pp.166-178.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.