[논문]KOMPSAT-2 영상의 토지피복분류에 적합한 SVM 커널 함수 비교 연구

강남이; 고신영; 조기성

doi:10.7319/kogsis.2013.21.2.019

KOMPSAT-2 영상의 토지피복분류에 적합한 SVM 커널 함수 비교 연구
A Comparative Study on Suitable SVM Kernel Function of Land Cover Classification Using KOMPSAT-2 Imagery 원문보기

한국지형공간정보학회지 = Journal of the korean society for geospatial information science, v.21 no.2, 2013년, pp.19 - 25

강남이 (전북대학교 토목공학과) , 고신영 (전북대학교 토목공학과) , 조기성 (전북대학교 토목공학과)

초록
AI-Helper

최근 고해상도 위성영상은 자연자원이나 환경 관리에 필요로 하는 토지 피복 및 이용 현황자료 분석 등에 유용하게 사용되고 있다. 영상처리 알고리즘 중 SVM 알고리즘은 최근 다양한 분야에서 이용되고 있다. 그러나 SVM 알고리즘은 다양한 커널 함수 및 매개변수에 의해 그 정확도가 달라진다. 따라서 본 논문에서는 SVM 알고리즘의 대표적 커널 함수를 KOMPSAT-2의 영상자료에 적용하고 토지피복결과를 검사점을 이용하여 정확도 분석을 실시하였다. 또한 대상지의 토지피복분류에 적합한 SVM의 커널 함수 선정하기 위해 분석을 실시하였다. 그 결과 전체 분류 정확도에는 Polynomial 커널 함수가 가장 높은 정확도를 보였으며 분류 항목별 정확도에서의 가장 적절한 커널 함수는 Polynomial, RBF 커널 함수임을 알 수 있었다.

Abstract ▼ AI-Helper

Recently, the high-resolution satellite images is used the land cover and status data for the natural resources or environment management very helpful. The SVM algorithm of image processing has been used in various field. However, classification accuracy by SVM algorithm can be changed by various kernel functions and parameters. In this paper, the typical kernel function of the SVM algorithm was applied to the KOMPSAT-2 image and than the result of land cover performed the accuracy analysis using the checkpoint. Also, we carried out the analysis for selected the SVM kernel function from the land cover of the target region. As a result, the polynomial kernel function is demonstrated about the highest overall accuracy of classification. And that we know that the polynomial kernel and RBF kernel function is the best kernel function about each classification category accuracy.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

SVM은 1995년 Vapnik에 의해 구체적으로 제안되었으며 기존의 다중신경망 방법과 비교하여 구조적 오류를 최소화시킨다(Vapnik, 1995). SVM 분류 기법은 가능한 다양한 데이터들을 최대한의 거리로 분리시키는 최적의 초평면(Hyperplane)을 찾는 것이 목적이다. 이때 분류 항목 간의 초평면과 가장 가까운 값을 Support Vector라고 하며, Support Vector와 초평면사 이의 최대 거리를 마진(Margin)이라고 한다(Foody, 2004; Prasad, 2011).
1은 연구 흐름도를 나타낸 것으로 선정된 대상지역에 맞는 위성영상을 취득한 후 RPC을 이용한 기하보정을 실시하였다. 감독분류 시 필요한 Training data을 선정하여 각 커널 함수를 적용한 SVM 분류를 실시하고 이에 따른 정확도 분석 후 적절 커널 함수를 유추하고자 하였다.
토지피복분류 결과에 대한 정확도 분석을 위하여 이용하는 기준 자료는 원래의 영상자료를 고급 전문가가 디지타이징하여 제작한 주제도를 이용한다. 그러나 본 연구에서는 전문적 기술이 필요로 하는 디지타이징 된 주제도를 대신하여 임의의 검사점을 선정하여 원 영상에서의 분류 항목과 토지피복분류 결과에서의 분류 항목을 비교하여 정확도를 분석하고자 하였다. 임의의 검사점은 영상자료의 전체에 균등하게 분포시키기 위하여 100m 간격으로 격자 구조를 제작하였고, 검사점은 한 개의 격자의 중앙 지점으로 정하였다.
따라서 본 논문에서는 KOMPSAT-2 영상자료에 SVM 알고리즘의 대표적 커널 함수를 적용하여 토지피복분류를 실시하고 토지피복결과를 검사점을 이용하여 분류 정확도를 분석고자 한다. Fig.
본 연구에서는 도심지인 대전광역시를 대상지역으로 KOMPSAT-2 영상을 다양한 커널 함수의 SVM 분류 기법을 적용하여 토지피복분류를 실시한 결과 다음과 같은 결론을 얻을 수 있었다.
각 검사점은 개별 분류작업을 시행하여 정확도 분석에 필요한 값을 입력하였으며 검사점의 분류 항목과 SVM 분류 결과를 비교하여 정확하게 분류된 값과 오류가 발생한 값을 계산하여 각 지점에 대한 정확도 분석을 하였다. 분석 시 검사점은 픽셀 혹은 격자형태의 값이 아닌 포인트 값으로 분류 항목의 중첩에 대한 오류를 최소화 하고자 하였다. Fig.

제안 방법

5는 선정된 검사점 및 격자구조를 나타낸 것이다. 각 검사점은 개별 분류작업을 시행하여 정확도 분석에 필요한 값을 입력하였으며 검사점의 분류 항목과 SVM 분류 결과를 비교하여 정확하게 분류된 값과 오류가 발생한 값을 계산하여 각 지점에 대한 정확도 분석을 하였다. 분석 시 검사점은 픽셀 혹은 격자형태의 값이 아닌 포인트 값으로 분류 항목의 중첩에 대한 오류를 최소화 하고자 하였다.
현재 이용되는 커널 함수의 선택은 사용자에 의한 임의의 선택이므로 특별한 기준이 없다는 단점이 있다. 따라서 본 연구에서는 SVM 분류기법에서 주로 이용되는 Linear, Polynomial, RBF, Sigmoid 함수를 적용하여 커널 함수의 선택 기준을 모의실험을 통해서 제시하였다.
본 연구에서는 Table 2에 나타난 커널 함수를 적용하여 영상 분류를 실시하였다.
SVM 분류기법은 전통적인 SVM 알고리즘 이외에도 커널 함수의 역할이 중요시되고 있으나 현재 연구에서는 Hyperion 영상에 SVM을 대표적인 커널 함수인 polynomial, RBF를 적용하여 토지피복분류를 시행하고 분석하였으며(Choi, Jae Wan, 2006), Navie Bayes classifier 와 SVM을 사용하여 성능을 비교한 영상분류 연구가 있었다(Lee, Min Hoon, 2006). 이 연구 역시 polynomial 및 RBF 커널 함수를 적용하여 영상 분류를 실시하였다. 이러한 SVM의 적용에 관한 연구는 꾸준하게 진행되어지고 있지만 영상 분류에 대한 적절한 커널 함수 선택 및 비교, 매개변수의 선정에 관한 연구가 필요하다.
그러나 본 연구에서는 전문적 기술이 필요로 하는 디지타이징 된 주제도를 대신하여 임의의 검사점을 선정하여 원 영상에서의 분류 항목과 토지피복분류 결과에서의 분류 항목을 비교하여 정확도를 분석하고자 하였다. 임의의 검사점은 영상자료의 전체에 균등하게 분포시키기 위하여 100m 간격으로 격자 구조를 제작하였고, 검사점은 한 개의 격자의 중앙 지점으로 정하였다. 대상지역 내의 격자 구조는 29×29로 제작하였으며 검사점의 총 수는 841개를 선정하였다.

대상 데이터

대상지역 내의 격자 구조는 29×29로 제작하였으며 검사점의 총 수는 841개를 선정하였다.
27; UTM WGS84)으로 다양한 인공지형지물 및 하천, 임야가 포함될 수 있는 지역으로 선정하였다. 대상지역의 면적은 약 8.953㎢이며, KOMPSAT-2 영상은 2009년 4월 12일 촬영된 영상을 사용하였다.
선정 일반적으로 토지피복분류 작업 시 분류 항목은 미국의 USGS의 분류 항목 선정 기준을 따르고 있으며 현재 우리나라의 경우에는 환경부와 국토지리정보원에서 선정한 분류 항목기준을 따라 토지피복분류를 실시하고 있다. 본 연구의 경우 대상지역인 대전광역시는 도심지뿐만 아니라 하천과 임야 등과 같은 다양한 환경적 공간이 존재하고 있다. 최근 도시개발 등 다양한 분야에 환경적 요소를 적극 반영하고 있는 추세이기 때문에 본 연구에서의 분류 항목은 도심지의 주요 구조물인 건물, 도로, 기타 대지와 환경적 요소인 하천, 임야 등으로 선정하였다.
연구대상지역은 대전광역시 유성구 엑스포 과학 공원 부근 지역(좌상단 352916.18, 4028546.51; 우하단 355962.69, 4025616.27; UTM WGS84)으로 다양한 인공지형지물 및 하천, 임야가 포함될 수 있는 지역으로 선정하였다. 대상지역의 면적은 약 8.
본 연구의 경우 대상지역인 대전광역시는 도심지뿐만 아니라 하천과 임야 등과 같은 다양한 환경적 공간이 존재하고 있다. 최근 도시개발 등 다양한 분야에 환경적 요소를 적극 반영하고 있는 추세이기 때문에 본 연구에서의 분류 항목은 도심지의 주요 구조물인 건물, 도로, 기타 대지와 환경적 요소인 하천, 임야 등으로 선정하였다. Table 3은 선정한 Training data의 영상 위치 및 선정한 픽셀수를 나타낸 것이다.

이론/모형

연구대상지역에 대한 영상분류는 SVM 기법을 이용하여 실시하였으며 SVM 분류기법은 다양한 커널 함수에 따라 초평면의 형태가 달라지므로 적절한 커널 함수의 선택이 이루어져야 높은 정확도의 결과를 얻을 수 있다(Kim, Gi Sung, 2003). 현재 이용되는 커널 함수의 선택은 사용자에 의한 임의의 선택이므로 특별한 기준이 없다는 단점이 있다.

성능/효과

각 분류 항목별 정확도 및 전체 정확도에서 가장 높은 분류 정확도를 나타낸 커널 함수는 다음 Table 7과 같다. Polynomial 커널 함수의 경우 전반적으로 모든 분류 항목에 대해 높은 정확도를 나타내고 있었으며 임야의 경우 RBF가 약 93% 정도의 가장 높은 정확도를 나타내고 있었다. 그 밖에 도심지의 가장 큰 특성인 밀집되어 있는 도로와 건물의 경우 Polynomial 커널 함수가 다른 커널 함수에 비해 우위의 결과를 나타냄을 확인할 수 있었다.
SVM 분류 적용 결과로부터 각 커널 함수의 분류항목별 면적을 확인할 수 있었으며, 대상지역 영상 내 균등하게 분포된 검사점을 선정하여 토지피복분류결과에 대한 정확도를 분석함으로서 분류항목에 따른 대상지역의 적합한 SVM 커널 함수 및 매개변수를 도출할 수 있었다.
각 커널 함수별 전체 정확도를 계산한 결과는 다음 Table 6와 같다. Sigmoid 커널 함수의 경우 50%대의 분류 정확도를 나타내고 있어 영상 분류 결과물에 대한 신뢰도가 떨어짐을 확인할 수 있었다. 그 외의 커널 함수는 약 70% 정도의 정확도를 나타내었다.
각 분류 항목별로 정확도를 분석한 결과 임야에 대한 정확도는 Sigmoid 커널 함수를 제외한 다른 커널 함수에 대해서 90% 정도의 정확도를 나타냈으며 그 중에서도 RBF 함수가 가장 높은 정확도를 나타내었다.
Polynomial 커널 함수의 경우 전반적으로 모든 분류 항목에 대해 높은 정확도를 나타내고 있었으며 임야의 경우 RBF가 약 93% 정도의 가장 높은 정확도를 나타내고 있었다. 그 밖에 도심지의 가장 큰 특성인 밀집되어 있는 도로와 건물의 경우 Polynomial 커널 함수가 다른 커널 함수에 비해 우위의 결과를 나타냄을 확인할 수 있었다.
하천의 경우 하천에 형성된 사주와 일부 하천지역에 대한 오류가 발생하여 비교적 낮은 정확도인 60%를 나타내었다. 그러나 사주가 존재하지 않는 인공적 수계인 연못 등에서는 Sigmoid 커널 함수를 제외하고는 분류가 하천에 비해 비교적 정확하게 이루어진 것을 확인할 수 있었다.
대상지역의 크기는 총 490,000화소로 분류결과를 정량적으로 확인하면 대상지에서 임야부분이 약 38%정도로 가장 큰 영역을 차지하였으며 도로 및 건물 지역이 도심지의 특성상 많은 비율을 차지하였다. 그림자의 경우도 토지피복 속성에는 포함되지 않지만 고층건물이 존재하는 도심지역에서는 무시할 수 없는 속성이며, 차후 연구에서는 그림자 영역에 대한 보정작업 등과 같은 전처리 과정이 필요로 할 것으로 보인다.
대상지인 대전지역의 영상에서의 전체 정확도는 Polynomial 커널 함수에 degree 매개변수 4, bias 매개 변수 5를 적용한 결과 약 76%로서 가장 높은 정확도를 나타냈다. 분류 항목별 정확도에서는 Polynomial, RBF 커널 함수가 전반적으로 높은 정확도를 보임을 확인할 수 있었다.
대상지인 대전지역의 영상에서의 전체 정확도는 Polynomial 커널 함수에 degree 매개변수 4, bias 매개 변수 5를 적용한 결과 약 76%로서 가장 높은 정확도를 나타냈다. 분류 항목별 정확도에서는 Polynomial, RBF 커널 함수가 전반적으로 높은 정확도를 보임을 확인할 수 있었다. 결과에 대한 명확한 결론을 위하여 향후 대상지역에 대한 다른 시기의 위성영상의 분석을 통한 분석이 실시하여 커널 함수 및 매개변수에 관한 추가적인 분석이 필요하다고 사료된다.

후속연구

분류 항목별 정확도에서는 Polynomial, RBF 커널 함수가 전반적으로 높은 정확도를 보임을 확인할 수 있었다. 결과에 대한 명확한 결론을 위하여 향후 대상지역에 대한 다른 시기의 위성영상의 분석을 통한 분석이 실시하여 커널 함수 및 매개변수에 관한 추가적인 분석이 필요하다고 사료된다.
Sigmoid 커널 함수의 경우 그림자 영역에 대한 정확도가 100%가 나왔지만 실제적인 분류 결과물을 확인하였을 때는 그림자 영역에 대한 과도한 영역분리(over-fitting)로 인하여 발생된 결과물이었다. 그림자 영역의 경우 차후 보정 작업 등에 관한 연구를 통하여 보완 가능할 것이라고 사료된다.
대상지역의 크기는 총 490,000화소로 분류결과를 정량적으로 확인하면 대상지에서 임야부분이 약 38%정도로 가장 큰 영역을 차지하였으며 도로 및 건물 지역이 도심지의 특성상 많은 비율을 차지하였다. 그림자의 경우도 토지피복 속성에는 포함되지 않지만 고층건물이 존재하는 도심지역에서는 무시할 수 없는 속성이며, 차후 연구에서는 그림자 영역에 대한 보정작업 등과 같은 전처리 과정이 필요로 할 것으로 보인다.
또한 다른 분류 항목에 비해 임야 지역은 뚜렷한 분광특성을 나타내고 있어 전체적으로 약 90% 이상의 높은 정확도를 나타내고 있다. 따라서 향후 본 연구로부터 얻어진 토지피복결과를 임야도에 적용한다면 효과적일 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	SVM 분류 기법의 목적은 무엇인가?	SVM은 1995년 Vapnik에 의해 구체적으로 제안되었으며 기존의 다중신경망 방법과 비교하여 구조적 오류를 최소화시킨다(Vapnik, 1995). SVM 분류 기법은 가능한 다양한 데이터들을 최대한의 거리로 분리시키는 최적의 초평면(Hyperplane)을 찾는 것이 목적이다. 이때 분류 항목 간의 초평면과 가장 가까운 값을 Support Vector라고 하며, Support Vector와 초평면사 이의 최대 거리를 마진(Margin)이라고 한다(Foody, 2004; Prasad, 2011).
	KOMPSAT-2는 무엇인가?	우리나라의 경우 1992년 우리별 1호를 발사 후 계속된 발전을 통하여 2006년 KOMPSAT-2를 발사하였다. 이는 공간해상도 1m급의 우리나라 최초의 고해상도 위성이다. 이를 바탕으로 국내에서 KOMPSAT-2의 영상 자료를 활용하기 위한 연구가 계속해서 진행되어왔다.
	고해상도 위성의 장점은 무엇인가?	고해상도 위성영상은 일반적으로 1m급 이하의 공간해상도를 가지고 있어 지표속성에 대한 특성을 자세하게 나타낼 수 있어 다양한 분야에서 활용할 수 있다. 고해상도 위성영상의 공간해상도는 최근 크게 향상되어 항공영상과 유사한 공간해상도를 나타내고 있어 세밀한 지도제작 기술에 접목할 수 있게 되었다. 또한 촬영계획부터 영상자료의 취득까지 시간이 걸리는 항공영상보다는 일정 궤도를 따라 위성이 운행하며 주기적으로 지표면에 대한 영상자료의 취득이 가능하여 다양한 분야에 빠르게 적용이 가능하다는 장점을 가지고 있다.

참고문헌 (17)

Carl Staelin, 2003, Parameter selection for SVMs, Hewlett-Packard Company.
Chang, Q., Chen, Q., Wang, X., 2005, Scaling gaussian RBF kernel width to improve SVM classification, ICNN&B 05' International Conference, Vol. 1.
Chi, M., Feng, R., Bruzzone, L., 2008, Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem, Advances in Space Research, Vol. 41, No. 11, pp. 1793-1799.

상세보기
Choi, Jae Wan, Byun, Young Gi, Kim, Yong Il, Yu, Ki Yun, 2006, Support vector machine classification of hyperspectral image using spectral similarity kernel, The Korean Society for Spatial Information system, Vol. 14, No. 4, pp. 71-77.
Foody, G.M., Mathur, A., 2004, A relative evaluation of multi-class image classification by SVMs, IEEE Transactions on Geoscience and Remote Sensing, Vol. 42, No. 6, pp. 1335-1343.

상세보기
Han, Seung Hee, 2010, Spatial Information engineering, Goomi Book.
Kang, Nam Yi, Pak, Jung Gi, Cho, Gi Sung, Yeu, Yeon, 2012, An analysis of land cover classification methods using IKONOS satellite image, The Korean Society for Spatial Information system, Vol. 20, No. 3, pp. 65-70.
Kim, Gi Sung, 2003, Classification using support vector machine, Thesis, Inha University.
Kim, Hyo Mi, 2002, Classification of multi-class micro array gene expression data using SVM, Thesis, Yonsei University.
Lee, Chang Seok, 2011, Adult image detection based on the skin region distribution using SVM, Thesis, Hanbat National University.
Lee, Min Hoon, 2006, Study on classification of object and non-object images based on the color and texture significance, Thesis, Kumoh national Institute of Technology.
Muller, K., Mika, S., Ratisch, G., Tsuda, K., Scholkopf, B., 2001, An introduction to kernel-based learning algorithms, IEEE Transactions On Neural Networks, Vol. 12, NO. 2.

상세보기
Prasad, S.V.S., Satya Savitri, T., Murali Krishna, I.V., 2011, Classification of multispectral satellite images using clustering with SVM classifier, International Journal of Computer Applications, Vol.35, No. 5, pp. 32-44.
Richards, John A., 1994, Remote sensing digital image analysis : An introduction, second, Revised and Enlarged Edition, pp.229-262, Springer-Verlag.
Scholkopf, Bernhard., Smola, Alexander J., 2002, Leaning with kernels, The MIT Press, London.
Schowengerdt, R., 1983, Techniques of image processing and classification in remote sensing, 1st Ed, pp. 1-58, Academic Press.
Vapnik, Vladimir N., 1995, The nature of statical learning theory, Springer-Verlag, NewYork.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증