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
- , 2007, 2009; Huang and Zhang, 2012). 그렇지만, 3차원 웨이블렛 변환을 다중시기 영상 처리에 이용한 사례는 매우 드물기 때문에 이 연구에서는 3차원 웨이블렛 변환 기반의 특징을 토지피복분류에 이용가능한지 그 가능성을 살펴보자 하였다. 3차원 웨이블렛 변환을 통한 특징의 분류 결과는 특징추출 단계를 거치지 않은 원본 영상, 주성분분석을 통해 추출된 특징을 각각 분류한 결과와 함께 정확도를 비교하였다.
- 이 연구에서는 같은 지역을 여러 시기에 촬영한 다중시기 SAR 자료에서 특징을 추출하여 토지피복분류를 수행하고자 하였다. 특징 추출을 위해서 시공간을 동시에 고려 할 수 있는 3차원 웨이블렛 변환을 사용하였다.
- 이 연구에서는 다중시기 SAR 자료를 이용한 토지피복 분류에서 3차원 웨이블렛 변환 기반 특징의 적용 가능성을 분석하였다. 3차원 웨이블렛 변환 기반 특징을 이용한 분류결과를 일반적으로 특징 추출에 가장 널리 사용되는 주성분분석과 특징추출 단계를 생략한 원본 영상의 분류 결과와 함께 비교하였다.
제안 방법
- 의미 있는 특징을 추출하기 위해 이 연구에서는 3차원 웨이블렛 변환을 전처리를 마친 다중 시기 SAR 영상에 적용한다. 3차원 웨이블렛 변환 기반 특징을 이용한 분류 결과와의 비교를 위해 기존에 많이 이용 되어온 주성분분석을 특징 추출 단계에 적용하였다. 이러한 특징 추출 단계를 마친 후, 주성분 분석 기반 특징 및 3차원 웨이블렛 변환 기반 특징을 대상으로 각각 감독분류를 수행하였다.
- 이 연구에서는 다중시기 SAR 자료를 이용한 토지피복 분류에서 3차원 웨이블렛 변환 기반 특징의 적용 가능성을 분석하였다. 3차원 웨이블렛 변환 기반 특징을 이용한 분류결과를 일반적으로 특징 추출에 가장 널리 사용되는 주성분분석과 특징추출 단계를 생략한 원본 영상의 분류 결과와 함께 비교하였다. 다중시기 Radarsat-1 자료를 이용한 실험 결과, 3차원 웨이블렛 변환을 분류 과정에 적용한 경우가 주성분분석이나 원본 영상을 사용한 분류 결과보다 전체 정확도, 카파계수 모두 높게 나타났다.
- 주성분분석 기반 특징을 이용한 분류의 경우, 하위 주성분들은 클래스 별로 거의 구분이 되지 않아 상위 4개 주성분을 분류에 이용하였다. 3차원 웨이블렛 변환 기반 특징의 경우, 공간적으로 고주파인 성분은 잡음일 가능성이 높기 때문에 제외하고, 전체 자료의 대략적인 정보를 주는 LLL 밴드에서는 서로 상관성이 적은 4개의 밴드인 2, 3, 5, 6번 밴드를 선택하였고, 시간에 따른 변화를 잘 드러내는 LLH 밴드에서는 밭과 산림 클래스 구분도가 높았던 3, 4, 8번 밴드를 분류에 이용하였다. Fig.
- 3차원 웨이블렛 변환에 의한 특징은 LLL 밴드와 LLH 밴드 성분으로 나누어 살펴보았다(Fig. 10). LLL 밴드의 경우 수계가 가장 낮은 값, 도심지가 가장 높은 값을 갖는다는 점은 원본 영상에서의 후방산란계수 패턴과 유사하다.
- 그렇지만, 3차원 웨이블렛 변환을 다중시기 영상 처리에 이용한 사례는 매우 드물기 때문에 이 연구에서는 3차원 웨이블렛 변환 기반의 특징을 토지피복분류에 이용가능한지 그 가능성을 살펴보자 하였다. 3차원 웨이블렛 변환을 통한 특징의 분류 결과는 특징추출 단계를 거치지 않은 원본 영상, 주성분분석을 통해 추출된 특징을 각각 분류한 결과와 함께 정확도를 비교하였다.
- 7은 3차원 웨이블렛 변환으로부터 추출된 특징의 일부를 나타내고 있다. 공간적으로 고주파 성분이 포함된 서브밴드 또는 모든 방향으로 고주파 성분이 포함된 HHH 밴드의 경우 스페클 잡음을 포함할 가능성이 높으므로 이를 제외한 LLL 밴드와 LLH 밴드만 분류 과정에 고려하였다.
- 이러한 특징 추출 단계를 마친 후, 주성분 분석 기반 특징 및 3차원 웨이블렛 변환 기반 특징을 대상으로 각각 감독분류를 수행하였다. 또한 특징 추출 효과를 확인하기 위해 특징 추출 단계를 거치지 않은 원본 영상도 분류를 수행하였다. 감독분류에는 SVM(Support Vector Machine) 기법을 이용하였는데, SVM 기법은 다차원 공간에서 최적의 결정경계를 찾아내는 비모수적 분류법으로(Burges, 1998) SAR 영상 분류에서도 좋은 결과를 보인 것으로 알려져 있다(Fukada and Hirosawa, 2001; Angiulli et al.
-
2) 구분 능력 분석
분류 수행 이전에 클래스 별 구분 정도를 파악하기 위해 훈련집단에서 각 분류클래스 별로 특징 정보들의 통계치를 계산하였다. Fig.
- 앞서 고려한 분류 능력 분석을 바탕으로 원본 영상과 추출된 특징들을 대상으로 각각 SVM기법을 이용한 감독 분류를 수행하였다. 원본 영상은 모든 시기의 후방산란계수를 분류에 이용하였다.
- 연구에서는 특징 추출을 위해 주성분분석과 3차원 웨이블렛 변환을 이용하였다. 주성분분석 후 얻을 수 있는 첫 번째 주성분은 가장 큰 분산을 갖는 성분으로 일반적으로 전체 평균과 매우 유사한 특징을 보인다.
- 앞서 고려한 분류 능력 분석을 바탕으로 원본 영상과 추출된 특징들을 대상으로 각각 SVM기법을 이용한 감독 분류를 수행하였다. 원본 영상은 모든 시기의 후방산란계수를 분류에 이용하였다. 주성분분석 기반 특징을 이용한 분류의 경우, 하위 주성분들은 클래스 별로 거의 구분이 되지 않아 상위 4개 주성분을 분류에 이용하였다.
- 2). 의미 있는 특징을 추출하기 위해 이 연구에서는 3차원 웨이블렛 변환을 전처리를 마친 다중 시기 SAR 영상에 적용한다. 3차원 웨이블렛 변환 기반 특징을 이용한 분류 결과와의 비교를 위해 기존에 많이 이용 되어온 주성분분석을 특징 추출 단계에 적용하였다.
- 이 논문에서 이용한 분류과정은 크게 두 단계로 나누어 지는데, 첫 번째 단계는 다중시기 영상으로부터 특징을 추출하고 두 번째 단계에서는 추출된 특징을 바탕으로 분류를 수행한다(Fig. 2). 의미 있는 특징을 추출하기 위해 이 연구에서는 3차원 웨이블렛 변환을 전처리를 마친 다중 시기 SAR 영상에 적용한다.
- 4의 모든 영상에서 검은색으로 나타나는 곳은 수계를 의미하고 반면에 도심지역은 밝게 나타난다. 이 연구에서는 감독분류를 위해 논, 밭, 산림, 수계, 도심지를 포함하는 5개의 토지피복을 고려하였다. 감독분류 및 검증을 위해 2005년 7월부터 10월 사이에 현장에서 수집한 샘플들과 고해상도 광학영상에서 수집한 샘플을 이용하였다.
- 3차원 웨이블렛 변환 기반 특징을 이용한 분류 결과와의 비교를 위해 기존에 많이 이용 되어온 주성분분석을 특징 추출 단계에 적용하였다. 이러한 특징 추출 단계를 마친 후, 주성분 분석 기반 특징 및 3차원 웨이블렛 변환 기반 특징을 대상으로 각각 감독분류를 수행하였다. 또한 특징 추출 효과를 확인하기 위해 특징 추출 단계를 거치지 않은 원본 영상도 분류를 수행하였다.
- 이 연구에서는 같은 지역을 여러 시기에 촬영한 다중시기 SAR 자료에서 특징을 추출하여 토지피복분류를 수행하고자 하였다. 특징 추출을 위해서 시공간을 동시에 고려 할 수 있는 3차원 웨이블렛 변환을 사용하였다. 웨이블렛 변환을 특징추출에 이용한 기존 연구에서는 주로 2차원 웨이블렛 변환을 통해 공간적으로 다른 특성을 보이는 특징을 추출하여 분류에 이용하였다.
대상 데이터
- 연구에서 사용된 다중시기 Radarsat-1 영상에 대한 상세한 정보는 Table 1에 제시하였다. 2005년 4월부터 10월 사이에 획득된 9장의 영상을 대상으로 multi-looking, 스페클 제거, 기하 보정 등의 전처리를 통해 후방산란계수를 추출하였다. Fig.
- 3차원 웨이블렛 변환 기반 분류의 적용성 평가를 위해 충청남도 당진지역에서 촬영한 다중시기 Radarsat-1 자료를 이용하였다(Fig. 3). 연구에서 사용된 다중시기 Radarsat-1 영상에 대한 상세한 정보는 Table 1에 제시하였다.
- 이 연구에서는 감독분류를 위해 논, 밭, 산림, 수계, 도심지를 포함하는 5개의 토지피복을 고려하였다. 감독분류 및 검증을 위해 2005년 7월부터 10월 사이에 현장에서 수집한 샘플들과 고해상도 광학영상에서 수집한 샘플을 이용하였다. 수집된 전체 샘플을 무작위로 나누어 1452개의 화소는 훈련집단으로 906개의 화소는 검증에 사용하였다(Table 2).
- 감독분류 및 검증을 위해 2005년 7월부터 10월 사이에 현장에서 수집한 샘플들과 고해상도 광학영상에서 수집한 샘플을 이용하였다. 수집된 전체 샘플을 무작위로 나누어 1452개의 화소는 훈련집단으로 906개의 화소는 검증에 사용하였다(Table 2).
- 실험에 사용된 다중시기 Radarsat-1 자료에 3차원 웨이블렛 변환을 적용하면, 다운스케일링 과정을 통해 영상의 밴드수와 사용한 기저함수의 길이에 의해 각각 8개로 구성된 서브밴드를 갖게 된다. Fig.
데이터처리
- , 2005). SVM을 이용한 분류 이후 분류정확도 계산을 통해 모든 분류 결과를 정량적으로 비교 및 평가하였다.
- 분류 정확도의 정량적 비교를 위해 오차 행렬로부터 분류 정확도 통계치를 계산하였다(Table 3). 원본 영상을 이용한 경우 전체 정확도는 68.
이론/모형
- 이러한 추출된 특징을 기반으로 분류를 수행한 연구로 Hirowawa et al.(1996), Henebry(1997), Park and Chi(2008)가 주성분분석을 이용해 특징을 추출해 이를 분류에 이용하였다.
- 이 연구에서는 많은 기저함수 중 Yoo et al.(2008)에서 언급된 것 같이 산림과 초지의 분류에 상대적으로 더 나은 결과를 보인 Daubehcies(1988)에 의해 제안된 Db4를 기저함수로 사용하였다.
성능/효과
- 3차원 웨이블렛 변환으로부터 추출된 7개의 특징을 이용한 경우, 전체 정확도는 70.64%, 카파 계수는 0.497로 원본영상이나 주성분분석의 특징을 사용했을 때에 비해 증가하였다. 사용자 정확도의 경우 도심지역은 원본에 비해 감소하는 경향을 보이고, 논은 주성분분석을 이용한 경우보다 약간 떨어지지만 나머지 클래스에서는 정확도가 향상되었다.
- 3차원 웨이블렛 변환 기반 특징을 이용한 분류결과를 일반적으로 특징 추출에 가장 널리 사용되는 주성분분석과 특징추출 단계를 생략한 원본 영상의 분류 결과와 함께 비교하였다. 다중시기 Radarsat-1 자료를 이용한 실험 결과, 3차원 웨이블렛 변환을 분류 과정에 적용한 경우가 주성분분석이나 원본 영상을 사용한 분류 결과보다 전체 정확도, 카파계수 모두 높게 나타났다. 특히 서로 혼재가 두드러졌던 밭과 산림지역의 정확도가 모두 향상되는 결과를 보였다.
- 461로 나타났고 전체적으로 논이 과추정 되고 밭과 도심지는 저추정 된다. 사용자 정확도는 논, 수계, 도심지가 각각 70.87%, 90.38%, 87.76%로 매우 높은 정확도를 보이고, 밭과 산림은 상대적으로 낮은 정확도를 보인다. 도심지와 물은 다른 클래스와 확연히 다른 후방산란계수 패턴을 가지기 때문에 분류정확도가 높게 나타난 것으로 판단된다.
- 497로 원본영상이나 주성분분석의 특징을 사용했을 때에 비해 증가하였다. 사용자 정확도의 경우 도심지역은 원본에 비해 감소하는 경향을 보이고, 논은 주성분분석을 이용한 경우보다 약간 떨어지지만 나머지 클래스에서는 정확도가 향상되었다. 특히, 구분이 어려웠던 밭과 산림의 정확도가 향상된 것을 확인 할 수 있다.
- 도심지가 두 번째로 낮은 값을 갖고, 밭과 산림은 두 번째 성분에서도 거의 유사한 양상을 보이고 있다. 세 번째 주성분은 산림과 도심지가 유사한 값을 보이고, 수계, 논, 밭이 매우 유사한 값을 갖는다. 네 번째 주성분부터는 모든 클래스의 값이 유사하여 구분이 매우 어렵다.
- 전체 정확도는 원본영상을 사용한 경우에 비해 다소 떨어졌고, 카파 계수는 더 높게 나타났지만 그 차이는 크지 않다. 세부적인 클래스의 정확도를 보면 지나치게 과추정 되었던 논의 분류 결과가 개선되면서 사용자 정확도가 다소 높아졌고, 밭으로 분류되는 화소의 수가 크게 증가하였다.
- 이 연구를 통해, 3차원 웨이블렛 변환이 특징 추출의 과정에 유용하게 이용할 수 있다는 가능성을 확인 할 수 있었다. 3차원 웨이블렛 변환의 경우, 다량의 특징들이 추출되기 때문에 분류에 적합한 특징 선택은 매우 중요하다.
- 다중시기 Radarsat-1 자료를 이용한 실험 결과, 3차원 웨이블렛 변환을 분류 과정에 적용한 경우가 주성분분석이나 원본 영상을 사용한 분류 결과보다 전체 정확도, 카파계수 모두 높게 나타났다. 특히 서로 혼재가 두드러졌던 밭과 산림지역의 정확도가 모두 향상되는 결과를 보였다. 이는 3차원 웨이블렛 변환이 시간과 공간을 모두 고려하여 정보를 추출하는 것이 가능하여 잡음을 줄이고 원본영상에서는 구분이 어려웠던 밭과 산림의 시간에 따른 미세한 변화 특징을 추출할 수 있었기 때문으로 판단된다.
후속연구
- 이 연구에서는 전반적인 상관관계와 시각적 판독을 통해 특정 특징을 선택하였으나, 추출된 특징 정보 사이의 정량적 관계를 이용한 특징 선택 기법에 대한 추가 연구가 필요하다. 또한 토지피복 분류결과의 정확도는 사용하는 영상에 의해서 큰 영향을 받기 때문에 다른 센서나 다른 연구지역으로 적용 연구를 확장할 예정이다.
- 3차원 웨이블렛 변환의 경우, 다량의 특징들이 추출되기 때문에 분류에 적합한 특징 선택은 매우 중요하다. 이 연구에서는 전반적인 상관관계와 시각적 판독을 통해 특정 특징을 선택하였으나, 추출된 특징 정보 사이의 정량적 관계를 이용한 특징 선택 기법에 대한 추가 연구가 필요하다. 또한 토지피복 분류결과의 정확도는 사용하는 영상에 의해서 큰 영향을 받기 때문에 다른 센서나 다른 연구지역으로 적용 연구를 확장할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.