선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 기준 DEM으로는 SRTM으로부터 추출한 DEM, 수치지도로부터 추출한 DEM, 최근에는 정확도 분석의 신뢰도를 확보하기 위해 LiDAR DSM이 많이 활용되고 있다. 그러나 이러한 정확도 분석은 생성한 DSM의 정확도 평가 자체가 최종적인 목표이기 때문에 생성된 DSM 결과물의 질적 수준을 나타낼 수 있는 정량적 평가 척도를 제공하는 것을 주목적으로 한다. 따라서 샘플 조사 또는 전수 조사를 통해 RMSE, MAE 등을 이용하여 전체 DSM 격자가 가진 오차의 통계적 수치를 제공한 사례가 대부분이다.
- 이러한 사실을 검증하기 위해 이번 절에서는 다른 방식으로 생성된 DSM 및 DEM 자료에 제안기법을 적용하여 결과를 제시하고자 한다. 먼저 참값 DEM 자료에 제안 기법을 적용한 결과를 제시하고 또한 추가적으로 다른 자료에 적용한 결과들을 제시함으로써 제안기법의 추가적인 활용방법에 대해서도 언급하고자 한다. Fig.
- 본 논문에서는 이러한 자동 생성된 DSM에 존재하는 과대오차를 자동 검출하여 DSM 보정에 효과적으로 활용될 수 있는 신뢰성 있는 DSM 오차검출기법을 제안하고자 한다. 먼저 자동 생성된 DSM의 오차분석에 관련된 선행연구를 살펴보면, 육안으로 판단하는 방식 외에는 정합 성공점의 개수를 이용하여 판단하는 방식(Radhika et al.
- 본 연구에서는 자동 생성된 DSM에 존재하는 과대오차의 자동검출을 위해 해당 지역의 스테레오 영상을 활용하는 방법을 제안하였다. 제안 기법은 자동으로 DSM 개별 격자의 신뢰도를 제공하며 특히 DSM 정확도에 크게 영향을 미치는 과대오차영역(오차밀집지역)을 판별 가능하게 하여, 효율적인 DSM 보정을 수행하도록 돕는 DSM 오차분석결과를 제공한다.
- 본 연구에서는 자동 생성된 DSM에 존재하는 오차를 효율적으로 검출하기 위해 고해상도 스테레오 영상을 활용하는 기법을 제안한다. 자동 생성된 DSM이 많은 오차를 많이 포함하고 있는 것은 이미 널리 알려진 사실이나 실제로 이러한 오차의 수정이 필요한 경우 어느 지역부터 얼만큼 수정해야 하는지에 대한 판단을 하는 데에 어려움이 존재한다.
- 실제로 제안 기법이 적용된 오차 검출 결과를 바탕으로 DSM 과대오차지역에 대해 보정을 수행하였다. 사실 이 논문에서 DSM 보정 기법에 대해서는 초점을 맞추고 있지는 않으나, 제안한 방법으로 얻은 DSM 과대오차검출 결과가 효율적인 DSM 보정을 위한 유용한 기초자료로 제공될 수 있다는 점을 뒷받침하기 위해 간략한 DSM 보정 결과를 제시한다.
- 즉, 본문에서 DSM 생성을 위해 적용한 3D Correlation Matching의 경우도 DSM 자동생성을 위해 임의로 사용한 알고리즘으로서 제안한 오차검출기법을 고려하여 적용한 것이 아니며, 실제로 제안기법은 다른 방식으로 생성된 다양한 DSM 자료에 적용 가능한 방법이다. 이러한 사실을 검증하기 위해 이번 절에서는 다른 방식으로 생성된 DSM 및 DEM 자료에 제안기법을 적용하여 결과를 제시하고자 한다. 먼저 참값 DEM 자료에 제안 기법을 적용한 결과를 제시하고 또한 추가적으로 다른 자료에 적용한 결과들을 제시함으로써 제안기법의 추가적인 활용방법에 대해서도 언급하고자 한다.
제안 방법
- , 2010). DSM 오차 검출 지역에 대해 스테레오 영상의 Tie-points로 추출된 3차원 좌표로 일부 격자를 업데이트하고 나머지는 자동보간하여 수정하였다.
- 오차가 밀집된 지역과 간헐적으로 분포된 지역에 대해 확대하여 비교해 보았다. 너무 높거나 낮은 임계 값 설정은 큰 의미가 없기 때문에 0.1, 0.2, 0.3으로 설정한 경우에 대해 두 지역을 확대하여 비교해 보았다. Fig.
- Lee and Oh(2004)는 기준 DEM과 대상 DEM간의 유사도 값을 사용하여 평가하는 방법을 제시하였다. 두 DEM간의 유사도 값을 이용하여 정합 대상 격자를 구하고 각 기준 격자에 대한 정합 대상 격자가 구해지면, 수평 및 수직 오차를 계산한다. 유사도 값이 낮고, 높이 차가 큰 경우 오류 격자로 판단하고 이러한 격자들이 영역을 이룰 경우 편집 대상 지역인 오류 지역으로 판단한다.
- DSM의 경우 6 m의 격자간격으로 생성되었으며 자동정합 알고리즘으로는 3D Correlation Matching을 적용하였다(Rhee and Kim, 2011). 또한 본 연구에서는 제안방법의 신뢰성을 검증하기 위해 해당지역의 참값 자료로서 1:5,000 수치지도로부터 추출한 10 m DEM을 활용하였으며 Fig. 3에 나타내었다.
- 본 논문에서는 제안기법의 적용 및 검증을 위해 자체 보유한 알고리즘을 적용하여 생성한 DSM을 주로 사용하였으나, 제안기법의 경우 DSM 생성 알고리즘과는 관계없이 독립적으로 적용 가능한 오차검출기법이다. 즉, 본문에서 DSM 생성을 위해 적용한 3D Correlation Matching의 경우도 DSM 자동생성을 위해 임의로 사용한 알고리즘으로서 제안한 오차검출기법을 고려하여 적용한 것이 아니며, 실제로 제안기법은 다른 방식으로 생성된 다양한 DSM 자료에 적용 가능한 방법이다.
- 그러나 이러한 방법의 경우 정확한 분석을 위해서는 신뢰할만한 기준 DEM이 요구되며 또한 사용되는 기준 DEM의 정확도에 따라 분석 결과가 크게 달라질 수 있다는 한계점이 있다. 본 연구에서 제안하는 기법은 DEM 오차분석을 위해 별도의 참값을 요구하지 않는다.
- 이번 절에는 제안하는 DSM 오차검출기법에 대해 설명한다. 본 연구에서는 DSM 개별 격자의 신뢰도를 확인하기 위해 스테레오 영상을 이용한 상관계수 분석 기법을 적용하였다. Fig.
- 앞서 제안기법의 적용을 통해 DSM에 존재하는 오차들이 자동으로 검출된 것을 확인하였는데, 먼저 이러한 결과의 신뢰성 대해 확인할 필요가 있다. 본 연구에서는 제안기법을 적용하여 검출된 오차와 해당 지역의 참값 DSM을 활용하여 검출한 오차를 비교함으로써 제안기법의 신뢰성을 확인하였다. Fig.
- 따라서 샘플 조사 또는 전수 조사를 통해 RMSE, MAE 등을 이용하여 전체 DSM 격자가 가진 오차의 통계적 수치를 제공한 사례가 대부분이다. 본 연구에서는 제안하는 DSM 오차분석은 전체 DSM의 정량적인 오차분석이 아닌 개별 DSM 격자의 신뢰도를 분석하고 이를 통해 보정이 우선적으로 요구되는 과대오차를 자동 검출하여 효율적인 DSM 보정을 위한 기초자료로써 제공될 수 있다는 점에서 기존 연구와 큰 차별성이 있다.
- 사실 영상정합 특성과 DSM 자료의 속성을 고려해 볼 때 해당 격자 주위의 높이 값들이 대부분 참값인 경우에 해당 격자의 높이 값 오차가 매우 클 확률은 거의 없다. 실제로 오차 밀집 지역으로 분류된 지역(Fig. 8)과 간헐적으로 분포된 지역(Fig. 9)에 대해 높이 값 오차를 산출해 보았다. 오차로 분류된 격자 중 Fig.
- 제안 기법은 DSM 에 존재하는 과대오차지역을 자동을 검출할 수 있는 유용한 방법임을 확인하였다. 실제로 제안 기법이 적용된 오차 검출 결과를 바탕으로 DSM 과대오차지역에 대해 보정을 수행하였다. 사실 이 논문에서 DSM 보정 기법에 대해서는 초점을 맞추고 있지는 않으나, 제안한 방법으로 얻은 DSM 과대오차검출 결과가 효율적인 DSM 보정을 위한 유용한 기초자료로 제공될 수 있다는 점을 뒷받침하기 위해 간략한 DSM 보정 결과를 제시한다.
- 실제로 제안한 방법을 적용하여 IKONOS 스테레오 위성영상으로 자동 생성된 DSM의 오차 검출을 수행하였다. Fig.
- 오차가 밀집된 지역과 간헐적으로 분포된 지역에 대해 확대하여 비교해 보았다. 너무 높거나 낮은 임계 값 설정은 큰 의미가 없기 때문에 0.
- 반대로 오차가 간헐적으로 분포된 경우 실제로 참값임에도 불구하고 상관계수가 낮게 산출되어 오차로 분류된 격자가 많으며, 또한 오차가 있더라도 참값과 큰 차이가 없다. 이러한 사실을 정량적으로 분석하기 위해 오차밀집지역과 오차가 간헐적으로 분포된 지역에 대해 실제 높이 값 오차를 확인하였다. 사실 영상정합 특성과 DSM 자료의 속성을 고려해 볼 때 해당 격자 주위의 높이 값들이 대부분 참값인 경우에 해당 격자의 높이 값 오차가 매우 클 확률은 거의 없다.
- 본 연구에서는 자동 생성된 DSM에 존재하는 과대오차의 자동검출을 위해 해당 지역의 스테레오 영상을 활용하는 방법을 제안하였다. 제안 기법은 자동으로 DSM 개별 격자의 신뢰도를 제공하며 특히 DSM 정확도에 크게 영향을 미치는 과대오차영역(오차밀집지역)을 판별 가능하게 하여, 효율적인 DSM 보정을 수행하도록 돕는 DSM 오차분석결과를 제공한다. 제안 방법은 DSM 자동 생성에 사용된 스테레오 영상 이외에 별도의 자료를 요구하지 않는다는 점에서 자동 생성된 DSM의 오차 검출에 매우 적합한 방법이라고 할 수 있다.
- 자동 생성된 DSM이 많은 오차를 많이 포함하고 있는 것은 이미 널리 알려진 사실이나 실제로 이러한 오차의 수정이 필요한 경우 어느 지역부터 얼만큼 수정해야 하는지에 대한 판단을 하는 데에 어려움이 존재한다. 제안하는 방법은 해당 DSM 지역의 스테레오 영상을 통해 DSM 모든 격자의 신뢰도를 자동으로 산출하고, 보정이 우선시 되는 DSM 과대오차영역을 자동으로 판별하여 DSM의 효율적 보정을 가능하게 한다. 먼저 다음 절에서는 본 연구에서 사용된 실험자료에 대한 간략한 설명이 이루어질 것이며 이 후 제안하는 DSM 오차검출기법 및 분석 결과, 제안기법의 효용성 검증에 대한 내용이 차례로 기술될 것이다.
- 제안한 보정기법을 적용하여 Fig. 8의 오차밀집지역(과대오차지역)에 대해 보정을 수행하였다. 오차영역의 2~3% 정도만을 수동 보정하고 나머지 오차는 보정된 격자를 중심으로 보간하였다.
대상 데이터
- 본 연구에서는 DSM 보정을 위해서 오차 검출 적용시와 마찬가지로 스테레오 영상을 이용하였다. 센서모델이 수립된 고해상도 스테레오 영상의 정확한 Tiepoint로부터 취득한 3차원 좌표 정확도는 1~2 m 이내인 점을 이용하였다(Dial et al.
- 본 연구에서는 제안하는 DSM 오차검출 기법을 적용하기 위해 대전 지역 IKONOS 스테레오 영상과 해당 영상으로부터 자동 생성된 DSM을 사용하였다. 아래 Fig.
- 10에 제안기법을 적용하여 검출된 DSM 오차를 표시한 영상과 해당지역의 참값 DEM과 높이 값을 비교하여 생성한 차 영상 맵(Difference Map)을 비교하여 나타내었다. 해당 영상의 참값 자료로는 Fig. 3에 나타낸 1:5,000 수치지도로부터 추출한 10 m 격자간격의 DEM을 사용하였다.
데이터처리
- 본 연구에서는 제안기법을 적용하여 검출된 오차와 해당 지역의 참값 DSM을 활용하여 검출한 오차를 비교함으로써 제안기법의 신뢰성을 확인하였다. Fig. 10에 제안기법을 적용하여 검출된 DSM 오차를 표시한 영상과 해당지역의 참값 DEM과 높이 값을 비교하여 생성한 차 영상 맵(Difference Map)을 비교하여 나타내었다. 해당 영상의 참값 자료로는 Fig.
이론/모형
- 2에 자동 생성된 DSM을 나타내었다. DSM의 경우 6 m의 격자간격으로 생성되었으며 자동정합 알고리즘으로는 3D Correlation Matching을 적용하였다(Rhee and Kim, 2011). 또한 본 연구에서는 제안방법의 신뢰성을 검증하기 위해 해당지역의 참값 자료로서 1:5,000 수치지도로부터 추출한 10 m DEM을 활용하였으며 Fig.
- 이 때 DSM 격자의 높이 값이 참값이라면 이론적으로 스테레오 영상 위에 변환된 두 영상 점은 동일한 지점을 가리키는 Tie-point가 될 것이고 높이 값에 오차가 존재하면 서로 다른 지점을 가리키게 될 것이다. 이러한 사실을 자동으로 검사하기 위해 두 영상 점을 중심으로 패치를 추출하여 Zero-mean Normalized Cross Correlation(ZNCC)를 적용하여 패치간 상관도를 계산하였다. 두 영상 점이 동일한 지점인 경우 높은 상관도를, 동일한 지점이 아닌 경우 낮은 상관도를 나타내게 될 것이다.
성능/효과
- 15는 본문에서 참값 자료로 사용한 DEM에 제안기법을 적용한 결과이다. DEM 자료 특성상 도심 지역에 존재하는 건물들의 누락(하단표시부분)으로 인해 오차들이 검출된 것을 확인할 수 있으며, 앞서 본문에서 언급하였듯 참값 DEM 자료에 적절한 높이 값이 입력되지 않은 보안지역이 존재(상단표시부분)하는데, 이 부분이 제안기법을 통해 오차밀집지역으로 검출된 것을 확인할 수 있다.
- Fig. 10을 확인해 보면 차 영상 맵에 밝게 표시된 부분 즉 참값과 비교하여 높이 오차가 큰 경우 제안기법을 통해 오차밀집지역으로 분류되었으며, 반대로 어둡게 표시된 부분 즉 참값과 비교하여 높이 오차가 작은 경우 제안기법을 통해 간헐적인 오차 분포지역으로 분류되었다. 보안 지역으로 표시(×)된 지역을 제외하면 대부분 모든 영역에서 두 영상이 제공하는 정보가 유사함을 확인할 수 있으며, 이는 제안한 기법이 DSM 오차 검출을 위한 매우 신뢰성 있는 기법임을 의미한다.
- 중요한 사실은 제안 기법으로 검출한 과대오차지역의 경우 최소한의 보정과 간단한 보간만으로도 큰 정확도 향상을 이룰 수 있다는 점이다. 또한 대부분의 자동 생성된 DSM의 경우 전반적인 영역에 대해서는 정합이 잘 이루어져 높은 정확도를 보이는 반면, 일부 지역에 오정합으로 인한 오차밀집지역이 존재하는 형태를 보이기 때문에 본 연구에서 제안한 오차 검출 방법이 특히 유용하다고 할 수 있다.
- 또한 제안한 방법은 SRTM DEM, LIDAR DSM 등의 분석에도 활용이 가능하다. Fig.
- 보안 지역으로 표시(×)된 지역을 제외하면 대부분 모든 영역에서 두 영상이 제공하는 정보가 유사함을 확인할 수 있으며, 이는 제안한 기법이 DSM 오차 검출을 위한 매우 신뢰성 있는 기법임을 의미한다.
- 육안 검사를 통해서도 DSM의 오차들이 보정되었음을 확인할 수 있다. 보정 후 DSM에 대해 총 50 여점의 검사 점을 임의로 선정하여 높이 값 오차를 산출한 결과 약 9.4 m 정도의 높이 값 오차가 산출되었다. 이는 보정 전 오차의 11% 정도 수치로써 상당한 정확도의 개선이 이루어졌음을 확인할 수 있다.
- 이번 절에서는 상관계수 설정에 따른 제안기법의 적용결과를 제시함으로써 제안기법의 효율적 사용방법을 제시하고, 제안 기법이 DSM에 존재하는 오차밀집지역들을 자동으로 검출할 수 있음을 확인시켜 주었다. 본 논문에서는 편의상 보유한 정합 알고리즘을 이용하여 DSM을 자동생성하고 제안기법을 검증하였으나, 실제로 제안기법은 DSM 생성방식과는 관계없이 독립적으로 적용가능이며 다양한 형식의 DEM 자료에도 적용이 가능하다. 이에 대한 검증은 5장에서 자세히 다루기로 한다.
- 오차 밀집 지역의 경우 85 m 정도의 높이 오차가 산출되었으며, DSM 정확도에 크게 영향을 미치는 과대오차가 밀집된 미정합 및 오정합 격자임을 확인할 수 있었다. 오차가 간헐적으로 분포된 지역의 경우, 4~5 m 정도의 높이 값 오차가 산출되었다.
- 6에서 확인할 수 있듯이 임계 값을 높게 설정할수록 더 많은 지역이 오차로 분류되고 낮게 설정할수록 오차 지역이 적게 분류되기 때문에 효율적인 오차지역 분류를 위해서는 적절한 임계 값 설정이 중요하다. 오차로 분류된 지역을 좀 더 자세히 확인해 보면 Fig. 7에서와 같이 오차가 크게 밀집된 몇몇 지역(원형으로 표시)이 존재하고 그 외에 나머지 대부분의 지역은 오차가 간헐적으로 분포된 것을 확인할 수 있었다.
- 평지나 산악지역의 경우 간헐적으로 분포된 몇몇 오차들이 확인되기는 하나 대부분 정확한 값으로 확인되며 Breakline 지역에서 상대적으로 오차가 발생되는 것을 확인할 수 있다. 이는 LIDAR의 자료의 특성을 고려할 때 어느 정도 예상할 수 있는 결과이며 제안된 방법이 이를 가시적으로 잘 보여주고 있다고 할 수 있다. 특히 원형으로 표시된 부분의 경우 LIDAR 촬영 시에 존재하지 않았거나 갱신되지 않았던 건물이 제안기법을 통해 검출된 정보라고 할수있다.
- 4 m 정도의 높이 값 오차가 산출되었다. 이는 보정 전 오차의 11% 정도 수치로써 상당한 정확도의 개선이 이루어졌음을 확인할 수 있다. 물론, 사용자의 필요에 따라 다른 보정 기법을 택하거나 수동으로 보정되는 격자를 늘리게 되면 더 큰 정확도 향상을 기대할 수 있다.
- 먼저 오차밀집 지역에 대해 분석해 보면 산악지역으로 산악 면적이 크고 고도가 높은 지역임을 확인할 수 있다. 이러한 부분은 예전부터 고해상도 영상 정합에서 오정합 및 미정합 등의 오류를 다수 발생시키는 지역으로써 본 연구에서 적용한 상관계수 분석에 의해 오차 밀집 지역으로 분류되었음을 확인할 수 있다. 또한 0.
- 특히 원형으로 표시된 부분의 경우 LIDAR 촬영 시에 존재하지 않았거나 갱신되지 않았던 건물이 제안기법을 통해 검출된 정보라고 할수있다. 이러한 적용 결과들을 통해 제안된 기법이 다양한 DSM 및 DEM의 오차 특성과 분포를 파악하기 위해서도 활용될 수 있음을 확인하였다.
- 제안기법은 별도의 자료를 이용하지 않고 DSM 생성에 사용된 스테레오 영상만을 활용하여 자동으로 DSM 과대오차영역을 검출하기 때문에 스테레오 영상으로부터 자동 생성된 DSM 오차 검출을 위한 매우 효과적인 방법이다. 이렇게 검출된 과대오차영역은 최소한의 보정으로도 큰 개선 효과를 가져올 수 있기 때문에 제안 기법은 효율적 DSM 보정을 위한 매우 효용성 있는 오차검출 방법이라 판단된다. 다음 절에서는 실제로 검출된 DSM 과대오차영역에 대해 보정한 결과를 간략히 제시한다.
- 이번 절에서는 상관계수 설정에 따른 제안기법의 적용결과를 제시함으로써 제안기법의 효율적 사용방법을 제시하고, 제안 기법이 DSM에 존재하는 오차밀집지역들을 자동으로 검출할 수 있음을 확인시켜 주었다. 본 논문에서는 편의상 보유한 정합 알고리즘을 이용하여 DSM을 자동생성하고 제안기법을 검증하였으나, 실제로 제안기법은 DSM 생성방식과는 관계없이 독립적으로 적용가능이며 다양한 형식의 DEM 자료에도 적용이 가능하다.
- 이번에는 WorldView-1 스테레오 영상으로부터 자동 생성한 DSM에 제안기법을 적용한 결과를 나타내었다. Fig.
- 제안 기법은 DSM 에 존재하는 과대오차지역을 자동을 검출할 수 있는 유용한 방법임을 확인하였다. 실제로 제안 기법이 적용된 오차 검출 결과를 바탕으로 DSM 과대오차지역에 대해 보정을 수행하였다.
- 제안 기법은 자동으로 DSM 개별 격자의 신뢰도를 제공하며 특히 DSM 정확도에 크게 영향을 미치는 과대오차영역(오차밀집지역)을 판별 가능하게 하여, 효율적인 DSM 보정을 수행하도록 돕는 DSM 오차분석결과를 제공한다. 제안 방법은 DSM 자동 생성에 사용된 스테레오 영상 이외에 별도의 자료를 요구하지 않는다는 점에서 자동 생성된 DSM의 오차 검출에 매우 적합한 방법이라고 할 수 있다. 또한 참값 DSM을 활용하는 수준의 오차분석결과 제공한다는 점에서 그 신뢰도 또한 매우 높다고 판단된다.
- 13(b)의 흰색이 참값과 비교하여 산출한 전체 높이값 오차 중 상위 3% 이내의 과대오차이다. 제안기법을 적용하여 자동검출한 DSM 과대오차영역이 참값을 이용하여 검출한 과대오차영역과 거의 동일한 결과를 제공함을 확인할 수 있다.
- 제안된 방법을 적용하여 DSM 보정이 필요한 오차 지역을 판별할 경우, 초기에는 비교적 낮은 상관계수 임계 값 설정이 효율적임을 확인할 수 있다. DSM의 효율적 보정을 위해서는 수많은 격자 중 DSM의 정확도에 가장 크게 영향을 미치는 부분 즉 오차가 큰 지역을 우선적으로 파악하여 보정하는 것이 필요한데 임계 값을 높게 설정할수록 오차로 분류되는 지역이 늘어나게 되어 이를 선별하기가 어려워 진다.
- 또한 참값 DSM을 활용하는 수준의 오차분석결과 제공한다는 점에서 그 신뢰도 또한 매우 높다고 판단된다. 제안한 방법은 다양한 스테레오 영상을 활용하여 적용 가능한 방법이며 자동 정합에 의해 생성된 DSM의 개선을 위해 특히 유용하나 그 외 SRTM DEM, 수치지도로부터 추출한 DEM, LIDAR DSM등 다양한 자료의 분석에도 활용이 가능하다. 제안한 오차 검출 기법은 수치지도 기반 DEM 또는 LIDAR DSM에 나타나지 않은 건물 탐색, 최신 고해상도 영상을 이용한 기존 저해상도 DEM의 갱신 등에도 활용될 수 있다.
- 물론, 사용자의 필요에 따라 다른 보정 기법을 택하거나 수동으로 보정되는 격자를 늘리게 되면 더 큰 정확도 향상을 기대할 수 있다. 중요한 사실은 제안 기법으로 검출한 과대오차지역의 경우 최소한의 보정과 간단한 보간만으로도 큰 정확도 향상을 이룰 수 있다는 점이다. 또한 대부분의 자동 생성된 DSM의 경우 전반적인 영역에 대해서는 정합이 잘 이루어져 높은 정확도를 보이는 반면, 일부 지역에 오정합으로 인한 오차밀집지역이 존재하는 형태를 보이기 때문에 본 연구에서 제안한 오차 검출 방법이 특히 유용하다고 할 수 있다.
- 본 논문에서는 제안기법의 적용 및 검증을 위해 자체 보유한 알고리즘을 적용하여 생성한 DSM을 주로 사용하였으나, 제안기법의 경우 DSM 생성 알고리즘과는 관계없이 독립적으로 적용 가능한 오차검출기법이다. 즉, 본문에서 DSM 생성을 위해 적용한 3D Correlation Matching의 경우도 DSM 자동생성을 위해 임의로 사용한 알고리즘으로서 제안한 오차검출기법을 고려하여 적용한 것이 아니며, 실제로 제안기법은 다른 방식으로 생성된 다양한 DSM 자료에 적용 가능한 방법이다. 이러한 사실을 검증하기 위해 이번 절에서는 다른 방식으로 생성된 DSM 및 DEM 자료에 제안기법을 적용하여 결과를 제시하고자 한다.
- 특히 제안기법을 통해 DSM에 존재하는 오차밀집지역의 자동검출결과는 매우 유의미한 결과를 갖는다. 이처럼 오차밀집지역의 자동 검출이 중요한 이유는 DSM 오차는 DSM 전반에 걸쳐 산재되어 있으나 오차밀집지역의 오차와 오차가 간헐적으로 분포된 지역의 오차에는 큰 차이가 있기 때문이다.
후속연구
- 이에 대한 검증은 5장에서 자세히 다루기로 한다. 그렇다면 이번에는 이렇게 검출된 오차영역들이 실제로 DSM에 존재하는 오차영역과 일치하는지 그리고 제안기법으로 자동 검출되는 오차밀집영역이 얼마만큼 유의미한 결과인지에 대해 확인해 볼 필요가 있다. 다음 절에서는 해당 지역의 참값 DSM을 이용하여 제안 기법의 신뢰성 및 효용성에 대해 검증한다.
- 제안하는 방법은 해당 DSM 지역의 스테레오 영상을 통해 DSM 모든 격자의 신뢰도를 자동으로 산출하고, 보정이 우선시 되는 DSM 과대오차영역을 자동으로 판별하여 DSM의 효율적 보정을 가능하게 한다. 먼저 다음 절에서는 본 연구에서 사용된 실험자료에 대한 간략한 설명이 이루어질 것이며 이 후 제안하는 DSM 오차검출기법 및 분석 결과, 제안기법의 효용성 검증에 대한 내용이 차례로 기술될 것이다.
- 제안기법의 적용결과가 DSM의 오차분석에 얼마나 유용하게 활용될 수 있는가에 대해 확인하기 위해서는 제안기법의 신뢰성과 효용성에 대한 검증이 필요하다. 앞서 제안기법의 적용을 통해 DSM에 존재하는 오차들이 자동으로 검출된 것을 확인하였는데, 먼저 이러한 결과의 신뢰성 대해 확인할 필요가 있다. 본 연구에서는 제안기법을 적용하여 검출된 오차와 해당 지역의 참값 DSM을 활용하여 검출한 오차를 비교함으로써 제안기법의 신뢰성을 확인하였다.
- 제안한 방법은 다양한 스테레오 영상을 활용하여 적용 가능한 방법이며 자동 정합에 의해 생성된 DSM의 개선을 위해 특히 유용하나 그 외 SRTM DEM, 수치지도로부터 추출한 DEM, LIDAR DSM등 다양한 자료의 분석에도 활용이 가능하다. 제안한 오차 검출 기법은 수치지도 기반 DEM 또는 LIDAR DSM에 나타나지 않은 건물 탐색, 최신 고해상도 영상을 이용한 기존 저해상도 DEM의 갱신 등에도 활용될 수 있다. 향후 연구에서는 이러한 다양한 자료에 적용한 오차 검출 결과를 제시하고 보다 효율적인 보정 기법에 관한 연구가 진행될 것이다.
- 제안한 오차 검출 기법은 수치지도 기반 DEM 또는 LIDAR DSM에 나타나지 않은 건물 탐색, 최신 고해상도 영상을 이용한 기존 저해상도 DEM의 갱신 등에도 활용될 수 있다. 향후 연구에서는 이러한 다양한 자료에 적용한 오차 검출 결과를 제시하고 보다 효율적인 보정 기법에 관한 연구가 진행될 것이다. 현재 제안한 방법이 적용된 DSM 오차 검출 및 보정 기법 프로그램이 개발되어 상용화 단계에 있으며, 앞으로 신뢰성 있는 DSM 확보를 위한 DSM 자료 분석과 개선에 크게 활용될 수 있을 것으로 기대된다.
- 향후 연구에서는 이러한 다양한 자료에 적용한 오차 검출 결과를 제시하고 보다 효율적인 보정 기법에 관한 연구가 진행될 것이다. 현재 제안한 방법이 적용된 DSM 오차 검출 및 보정 기법 프로그램이 개발되어 상용화 단계에 있으며, 앞으로 신뢰성 있는 DSM 확보를 위한 DSM 자료 분석과 개선에 크게 활용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.