$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

초록
AI-Helper 아이콘AI-Helper

Landsat은 대표적인 지구관측 위성 중 하나로 지표면 모니터링, 변화탐지, 분류 등 다양한 분야에서 사용되고 있다. 하지만 구름과 구름의 그림자는 지표의 관측과 분석을 제한하는 장애물 중 하나로, Landsat을 사용하기 전 구름을 제거하고 원래의 지표 피복으로 복원하는 과정은 필수적이다. 최근에 발사된 Landsat-8은 기존위성에 비해 2개의 추가적인 costal/aerosol, cirrus 밴드를 제공하며, 이는 구름을 탐지하고 복원하는데 효율적으로 사용될 수 있다. 따라서 본 연구에서는 Landsat-8의 영상에서 구름을 효과적으로 탐지하고, 복원하는 기법을 단계적으로 제안하였다. Otsu 임계화 기법을 통하여 구름과 구름의 그림자 지역을 탐지하였고, 탐지된 구름 및 그림자 지역은 실험 영상과 참조영상을 이용하여 원래의 지표 피복으로 복원 하였다. 복원영상의 정확도 평가에서는 전체정확도가 약 85%, 카파계수가 0.7128로 본 연구에서 제안한 알고리즘이 효율적임을 확인하였다.

Abstract AI-Helper 아이콘AI-Helper

Landsat is one of the popular satellites for observing land surface that is used in various areas including monitoring, detecting and classifying changes in land surface. However, shades, which cloud itself and its shadow, interrupted often clear observation and analysis of ground surface. For this ...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • (2011)은 효과적으로 복원된 영상은 분류 후에도 참조영상과 같은 클래스를 가져야 한다는 가정 하에 감독분류를 통하여 참조영상과 구름의 복원영상을 시각적으로 비교하여 복원한 영상의 복원 정도를 판단하였다. 따라서 본 연구에서는 시각적인 비교 외에도 정확한 정확도판단을 위해 참조영상을 참조데이터로 하여 영상의 분류를 수행하여 정확도를 수치적으로 분석하였다. 우선 수계(Water), 시가화지역(Built-up area), 초지(Forest), 나 대지(Bare Soiol)의 4개에 클래스에 대해서 훈련자료를 수집하였다.
  • 또한 구름은 구름이외에 구름에서 비롯한 그림자로 인한 문제를 야기하는데, QA 밴드에서는 이를 누락하고 있다. 따라서 본 연구에서는 이러한 QA 밴드의 단점을 극복하기 위해 자동으로 구름 및 그림자 지역을 추출하는 동시에 이 지역을 복원하기 위한 연구를 수행하였다.
  • 본 연구는 구름탐지 및 복원에 적합한 알고리즘이 효율적이고 적합하다는 결론을 도출할 수 있었지만, 일부 지역에서 색상 왜곡이 발생하며 얇은 구름이 일부 복원되지 못한 문제점이 발생하였고 이를 향후 연구를 통해 해결하고자 한다. 이와 더불어 그림자의 경우 수계와 밝기값 특성이 비슷해 그림자 지역 추출 시 수계지역도 추출이 되는 문제점을 확인하였다.
  • 훈련자료의 경우 보통 위성영상의 분류를 주된 목적으로 한 경우의 연구는 위의 4개의 클래스로만 훈련지역을 할당하기에는 한계가 있다. 본 연구는 영상을 세세하게 분류하여 다양한 토지피복 클래스를 분류하는 것이 아닌 구름이 어느 정도 복원되었는지 확인하는 것이기 때문에 훈련자료를 세분화 하지 않고 기본적인 지표특성을 대표할 수 있는 것으로 한정을 지었다. 이렇게 기본적인 클래스에 대해서만 훈련자료를 수집할 시 다양한 클래스의 훈련자료를 수집하면서 발생할 수 있는 분류 오차를 감소시킬 수 있다는 장점이 있다.
  • 그림자를 제외한 대부분은 수계지역으로 그림자와 수계지역은 모든 밴드에서 스펙트럼 정보가 유사하기 때문에 그림자와 함께 추출이 되었다고 판단 할 수 있다. 본 연구의 최종 목적은 구름이 없는 영상과 동일한 상태로 영상을 복원하는 것으로 수행오차(commission error)를 최소화하는 것이 좋지만, 추가적인 정보를 활용하여 수행오차를 최소화 할 시 그림자 지역에서 누락오차(omission error)가 증가하는 경향이 있다. 따라서 수계지역 등에서 다소 과대 추출된 부분이 있더라도 모든 그림자 지역을 포함하여 영상을 구름이 없는 영상으로 생성하는 것이 타당하다고 판단하였다.
  • 이와 더불어 그림자의 경우 수계와 밝기값 특성이 비슷해 그림자 지역 추출 시 수계지역도 추출이 되는 문제점을 확인하였다. 이는 향후 태양의 고도각과 위성의 촬영 고도 각을 이용하여 그림자의 위치를 예측하는 방법을 통해 해결하고자 한다. 또한 본 연구에서 제시한 알고리즘이 효율적임을 확인하였기 때문에 향후 연구에서는 각기 다른 위치에 구름이 존재하는 두 영상에 대해서도 구름을 탐지하고 복원하는 연구를 진행할 예정에 있다.
  • 이에 본 연구에서는 새롭게 추가된 파장대의 정보를 활용 하여 구름이 존재하는 지역의 영상과 동일한 지역의 맑은 날 촬영된 영상만을 이용하여 구름이 없는 맑은 날의 영상으로 자동으로 복구하는 알고리즘을 제안하였다. 구름이 존재하는 지역의 영상에 대해 최초 자동 임계화 기법을 통해 구름 및 그림자 지역을 탐지하여 마스킹을 하였다.
  • 본 연구는 구름탐지 및 복원에 적합한 알고리즘이 효율적이고 적합하다는 결론을 도출할 수 있었지만, 일부 지역에서 색상 왜곡이 발생하며 얇은 구름이 일부 복원되지 못한 문제점이 발생하였고 이를 향후 연구를 통해 해결하고자 한다. 이와 더불어 그림자의 경우 수계와 밝기값 특성이 비슷해 그림자 지역 추출 시 수계지역도 추출이 되는 문제점을 확인하였다. 이는 향후 태양의 고도각과 위성의 촬영 고도 각을 이용하여 그림자의 위치를 예측하는 방법을 통해 해결하고자 한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
Landsat은 어떤 분야에서 다양한 지표면 관측 수단으로 사용되고 있는가? Landsat은 1978년 발사 이래 지표면 모니터링 분야에서 다양하게 활용되고 있는 지구관측위성으로, 현재 많이 발사되고 있는 고해상도 위성영상에 비해 공간 해상도는 떨어지지만 넓은 촬영 폭(swath), 높은 분광해상도(spectral resolution), 16일의 재방문(revisit) 주기를 가지고 있다. 이러한 특성을 바탕으로 Landsat은 지표면의 변화탐지, 토지피복 분류, 농업 생산량 예측, 식생 모니터링 등의 다양한 지표면 관측 수단으로 사용되고 있다(Vogelmann et al., 2001; Park, 2010).
Landsat 영상은 특히 한반도에서 어떤 점이 제한적인가? 하지만 Landsat 영상은 지형보정만 된 Level-1의 상태로 무료로 제공하기 때문에 영상에서 구름과 구름의 그림자는 지표를 관측하고 분석하는데 어려움을 주는 장애물 중 하나이다. 특히 한반도의 경우 청천일이 일년에 100일 내외로, 맑은 날의 영상을 취득하는데 제한적이다. 따라서 Landsat 자료를 다양한 원격탐사 분야에서 활용하기 위해서는 구름을 탐지하고 제거하여, 원래의 지표 피복으로 복원하는 전처리 과정이 필수적이다(Zhu et al.
Li et al.은 화소 랭킹(pixel-ranking)을 사용하여 어떠한 연구를 하였는가? Li et al.(2002)은 구름, 그림자, 식생, 시가화지역에 대한 임계값을 계산하여 이 임계값과 가까이에 있는 화소(pixel)는 해당 클래스로 분류하는 화소 랭킹(pixel-ranking)을 통해 구름 및 그림자를 탐지하였다. Ma et al.
질의응답 정보가 도움이 되었나요?

참고문헌 (13)

  1. Deepa, S. and Bharathi, V. S. (2013), Efficient ROI segmentation of digital mammogram images using Otsu's N thresholding method, Indian Journal of Automation and Artifical Intelligence, Vol. 2, No. 1, pp. 51-56. 

  2. Helmer, E.H. and Ruefenacht, B. (2005), Cloud-free satellite image mosaics with regression trees and histogram matching, Photogrammetric Engineering & Remote Sensing, Vol. 71, No. 9, pp. 1079-1089. 

  3. Hutchison, K. D. and Choe, N. J. (1996), Application of 1-38 ${\mu}m$ imagery for thin cirrus detection in daytime imagery collected over land surfaces, International Journal of Remote Sensing, Vol. 17, No. 17, pp. 3325-3342. 

  4. Jensen, J. R. (2005), Introductory Digital Image Processing: A Remote Sensing Perspective 3rd Edition, Pearson Prentice Hall, Upper Saddle River, NJ. 

  5. Jin, S., Homer, C., Yang, L., Xian, G., Fry, J., Danielson, P., and Townsed, P. A. (2013), Cloud-free satellite image mosaics with regression trees and histogram matching, International Journal of Remote Sensing, Vol. 34, No. 5, pp. 1540-1560. 

  6. Li, M., Chin, S., and Kwoh, L. K. (2002), Generating "Cloud Free" and "Cloud-Shadow Free" mosaic for SPOT panchromatic images, 2002 IEEE International Geoscience and Remote Sensing Symposium, IEEE GRSS, 24-28 June, Toronto, Canada, pp. 2480-2482. 

  7. Ma, Y., Jiao, W., Wang, D., Long, T., and Wang, W. (2010), An integrated method to generate a cloud-free image automatically based on Landsat5 data, 2010 International Conference on Intelligent Computation Technology and Automation, IEEE Computational Intelligence Society, 11-12 May, Changsha, China, pp. 453-456. 

  8. Otsu, N. (1975), A threshold selection method from graylevel histograms, IEEE Transactions on System, Man and Cybernetics, Vol. 9, No. 1, pp. 62-66. 

  9. Park, J. K. (2010), Change Detection of Vegetation Using Landsat Image, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 28, No. 2, pp. 239-246. (in Korean with English abstract) 

  10. Roy, D. P., Ju, J., Kline, K., Scaramuzza, P. L., Kovalskyy, V., Hansen, M., Loveland, T. R., Vermote, E., and Zhang, C. (2010), Web-Enabled Landsat Data (WELD): Landsat ETM+ composited mosaics of the conterminous United States, Remote Sensing of Environment, Vol. 114, No.1, pp. 35-49. 

  11. Shiu, Y., Lin, M., and Chu, T. (2011), Mapping and recovering cloud-contaminated area in multispectral satellite imagery with visible and near-infrared bands, 2011 IEEE International Geoscience and Remote Sensing Symposium, IEEE GRSS, 24-29 July, Vancouver, Canada, pp. 543-546. 

  12. Vogelmann, J. E., Howard, S. M., Yang, L., Larson, C. R., Wylie, B. K., and Van Driel, N. (2001), Completion of the 1990s national land cover data set for the conterminous United States from Landsat TM data and ancillary data sources, Photogrammetric Engineering & Remote Sensing, Vol. 67, No. 6, pp. 650-62. 

  13. Zhu, X., Gao, F., Liu, D., and Chen, J. (2012), A modified neighborhood similar pixel interpolator approach for removing thick clouds in Landsat images, IEEE Geoscience and Remote sensing, Vol. 9, No. 3, pp. 521-525. 

저자의 다른 논문 :

LOADING...
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트