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.
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.
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 ...
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 reason, the process of removing shades and restoring original ground surfaces are critical for geospatial users. This study is planned to recommend a methodology for more accurate and clear images of Landsat-8 sensor, which provided two additional bands of costal/aerosol and cirrus. In fact, those bands are known as functioned effectively in detecting and restoring shades. Otsu's thresholding technique to detect clouds, we replaced those detective shades by using experimental and reference images. In accurate assessment, the overall accuracy and kappa coefficients were about 85% and 0.7128, respectively. This indicates that the proposed technique is effective for recovering the original land surface.
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 reason, the process of removing shades and restoring original ground surfaces are critical for geospatial users. This study is planned to recommend a methodology for more accurate and clear images of Landsat-8 sensor, which provided two additional bands of costal/aerosol and cirrus. In fact, those bands are known as functioned effectively in detecting and restoring shades. Otsu's thresholding technique to detect clouds, we replaced those detective shades by using experimental and reference images. In accurate assessment, the overall accuracy and kappa coefficients were about 85% and 0.7128, respectively. This indicates that the proposed technique is effective for recovering the original land surface.
* 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.
제안 방법
추출한 구름 및 그림자 마스킹 지역의 복원을 위하여 Jin et al.(2013)이 제안한 SSG 기법을 변형하여 적용시켰다. 기존에 진행된 대부분의 구름복원 알고리즘은 마스킹된 지역을 복원 시 단순히 참조영상을 모자이크(mosaic)하였다.
이 후 마스킹 된 지역을 제외한 지형에 대해 히스토그램 매칭을 수행한 후 Jin et al.(2013)이 제안한 SSG(Spectral Similarity Group) 복원 방식을 변형시켜 구름 지역을 복원 하였다. 마지막으로 복원된 영상과 참조영상 간 정확도 평가를 수행하여 구름이 포함된 영상의 복원정도를 판단하였다.
실험영상과 참조영상 간 촬영 간격은 모두 16일로 최소화하여 영상 간 계절 및 지형의 변화를 최소화 하였다. Landsat-8 영상은 12 비트(bit)로 영상을 촬영하고 16비트로 사용자에게 제공을 하고 있어 각 영상의 화소 범위(range)의 차이가 매우 큰 문제를 발생하게 되므로 본 연구에서는 영상을 8비트로 선형 변화하여 실험을 수행하였다.
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. 이후 마스킹된 지역을 복구하기 위해 구름이 존재하는 영상과 맑은 날의 영상에서의 좌표와 밝기값 정보만을 이용하여 영상을 복원하였다.
또한 그림자만의 특성을 찾기 위해 각 밴드별로 실험영상의 밝기값을 조사한 결과 그림자 지역이 적외선 파장대에서 매우 낮은 값을 갖는 것을 확인하였다. 따라서 그림자를 추출하여 마스킹하기 위해서 기존의 Otsu 임계화 기법과 동일한 원리면서 임계값을 여러개 정할 수 있는 임계화 기법을 통해 적외선 영역에 해당하는 5번, 6번 밴드에 대해서 각각 9개의 임계값을 선정하였고 10개의 클래스 중 가장 낮은 클래스에 해당하는 값을 그림자 지역으로 마스킹하였다(Deepa and Bharathi, 2013).
하지만 SSG 기법은 마스킹된 좌표를 제외한 모든 좌표를 대상으로 하여 평균값을 계산하기 때문에 실험영상과 참조영상 사이에 미세한 변화에 의한 오차를 포함하는 단점이 있다. 따라서 본 연구에서는 SSG 기법으로 마스킹된 좌표들의 평균 밝기값을 계산하되 마지막에 모든 좌표들의 밝기값의 평균값을 대입하는 것 대신 평균값을 기준으로 양쪽으로 표준편차 내에 있는 좌표들의 밝기값만 대상으로 하여 평균값을 다시 계산하여 마스킹된 영상을 복원시켰다.
(2013)이 제안한 SSG(Spectral Similarity Group) 복원 방식을 변형시켜 구름 지역을 복원 하였다. 마지막으로 복원된 영상과 참조영상 간 정확도 평가를 수행하여 구름이 포함된 영상의 복원정도를 판단하였다.
반면 Landsat-8은 기존의 Landsat 위성들에서 제공하던 동일한 밴드들 이외에 앞서 언급한 1번 밴드, 9번 밴드를 추가적으로 이용할 경우 구름 탐지에 용이하기 때문에 이를 활용한 구름탐지 연구는 기존 구름탐지 연구들에 사용된 알고리즘보다 간편한 알고리즘을 구성할 수 있는 장점이 있다. 본 연구에서 사용된 구름탐지 및 복원 알고리즘은 크게 세 단계로 구성된다(Fig. 2). 첫 단계에서는 구름 지역과 구름에 의한 그림자 지역을 Otsu 임계값 결정방식을 통해 구름과 그림자 지역으로 판단되는 곳을 마스킹하였다(Otsu, 1975).
이러한 밝기값 차이를 무시하고 맑은 날의 참조영상을 이용해 실험 영상을 복원할 경우 영상에서 색상 왜곡(color distortion)이 발생하기 쉽기 때문에 두 영상 간 밝기값의 차이를 최소화하기 위한 기술은 필수적이라 할 수 있다. 본 연구에서는 실험영상과 참조영상을 통해 3.2절에서 마스킹한 구름 및 그림자 지역을 제외하고 나머지 지형에 대해서 참조영상을 기준으로 실험영상을 선형 히스토그램 매칭을 하여 실험영상의 밝기값을 참조영상에 맞도록 변화시켰다.
이렇게 기본적인 클래스에 대해서만 훈련자료를 수집할 시 다양한 클래스의 훈련자료를 수집하면서 발생할 수 있는 분류 오차를 감소시킬 수 있다는 장점이 있다. 수집한 훈련자료를 바탕으로 MLC(Maximum Likelihood Classification)기법을 통해 참조영상을 감독분류 수행하였고, 동일한 훈련자료를 사용하여 복원영상 역시 MLC기법으로 감독분류를 수행하여 참조영상의 분류결과를 참조자료로 하여 복원영상의 정확도를 픽셀 단위로 평가하였다. 정확도 평가에 사용한 영상은 실험영상들 중에서 도심지와 수계, 산림 등 자연피복을 모두 포함하고 있는 Path 116, Raw 34(서울, 경기지역) 영상을 사용하였다.
구름이 존재하는 지역의 영상에 대해 최초 자동 임계화 기법을 통해 구름 및 그림자 지역을 탐지하여 마스킹을 하였다. 이후 마스킹된 지역을 복구하기 위해 구름이 존재하는 영상과 맑은 날의 영상에서의 좌표와 밝기값 정보만을 이용하여 영상을 복원하였다. 또한 이에 대한 정확도 평가를 통해 본 연구에서 제안 안하는 알고리즘이 인접한 시기에 촬영된 구름이 있는 영상과 맑은 날의 영상만을 가지고 구름과 구름의 그림자를 제거하고 원래의 지표 피복으로 영상을 복원하는데 효율적임을 확인하였다.
대표적인 지구관측 위성 Landsat은 변화탐지, 식생관측, 토지피복 분류와 같은 분야에서 다양하게 활용되었고, Landsat-8 또한 기존의 Landsat 위성 군(constellation) 임무 연속에 선상에 있다. 하지만 구름은 이러한 Landsat을 활용을 제한하는 가장 큰 요소 중 하나로 본 연구에서는 구름 및 구름의 그림자를 제거하기 위해서 Landsat-8의 1번, 9번, 10번 밴드의 Otus 임계값을 통하여 자동으로 구름을 탐지하였고, 구름의 그림자 지역은 5번, 6번 밴드와 Otsu N 임계화 기법을 통해 탐지하였다. 이후 탐지된 구름 지역을 제거하고 변형된 SSG 기법을 이용하여 영상을 복원한 결과 약 85%의 정확도로 본 연구에서 제안한 알고리즘이 구름탐지 및 복원에 효과적임을 확인하였다.
대상 데이터
본 연구에서는 30m의 공간해상도를 가진 Landsat-8 다중 영상을 사용하였고, 영상은 한반도 지역 내에서 구름이 많은 여름과 상대적으로 구름이 적은 가을시기인 2013년 8,9,10월에 취득된 영상으로 영상 내 구름이 존재하는 실험영상(experimental image)과 영상에 구름이 존재하지 않는 맑은 날에 촬영된 참조영상(reference image)으로 3개의 데이터셋을 구성하였다(Table 2, Fig. 1). 실험영상과 참조영상 간 촬영 간격은 모두 16일로 최소화하여 영상 간 계절 및 지형의 변화를 최소화 하였다.
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. 훈련자료의 경우 보통 위성영상의 분류를 주된 목적으로 한 경우의 연구는 위의 4개의 클래스로만 훈련지역을 할당하기에는 한계가 있다.
수집한 훈련자료를 바탕으로 MLC(Maximum Likelihood Classification)기법을 통해 참조영상을 감독분류 수행하였고, 동일한 훈련자료를 사용하여 복원영상 역시 MLC기법으로 감독분류를 수행하여 참조영상의 분류결과를 참조자료로 하여 복원영상의 정확도를 픽셀 단위로 평가하였다. 정확도 평가에 사용한 영상은 실험영상들 중에서 도심지와 수계, 산림 등 자연피복을 모두 포함하고 있는 Path 116, Raw 34(서울, 경기지역) 영상을 사용하였다. Fig.
이론/모형
구름 지역의 마스킹 과정은 두꺼운 구름의 마스킹 과정과 얇은 구름의 마스킹 과정으로 나누어진다. 마스킹 과정에서 새롭게 추가된 1번 밴드, 9번 밴드, 그리고 열적외선의 10번 밴드를 사용하였으며, 자동 임계화 방법인 Otsu 임계값 기법을 사용하였다. 여기서 두꺼운 구름이란 구름층으로 인해 구름아래의 지형이 보이지 않는 경우로, 9번 밴드의 파장대의 경우 태양에너지의 대부분이 반사, 산란되어 위성에 기록되기 때문에 상대적으로 9번 밴드에서 높은 값을 갖게 된다.
성능/효과
7은 참조영상과 복원영상을 분류한 분류결과를 나타내는 것으로 시각적 평가에서 대부분의 복원된 지역의 화소들이 동일한 클래스로 할당된 것을 확인하였고, 참조영상의 분류결과를 참조자료로 하여 복원영상의 분류결과의 오차행렬을 Table 4와 같이 구성하였으며 각 클래스별 분류 정확도 및 전체 정확도, 카파계수(kappa coefficient)를 Table 5와 같이 나타냈다. 나대지를 제외한 지역에서 분류결과는 70%이상의 높은 정확도를 보였으며 전체정확도가 85.25%를 나타내고 있다. 특히 사용자 정확도의 경우 참조영상을 기준으로 복원한 영상의 분류 정확도를 나타내는 것으로 구름의 복원영상이 어느 정도 정확도를 가지는지 나타낼 직접적인 지표가 될 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.
(2013))와 이를 실험적으로 확인하여 100 픽셀 버퍼 존을 생성하였다. 또한 그림자만의 특성을 찾기 위해 각 밴드별로 실험영상의 밝기값을 조사한 결과 그림자 지역이 적외선 파장대에서 매우 낮은 값을 갖는 것을 확인하였다. 따라서 그림자를 추출하여 마스킹하기 위해서 기존의 Otsu 임계화 기법과 동일한 원리면서 임계값을 여러개 정할 수 있는 임계화 기법을 통해 적외선 영역에 해당하는 5번, 6번 밴드에 대해서 각각 9개의 임계값을 선정하였고 10개의 클래스 중 가장 낮은 클래스에 해당하는 값을 그림자 지역으로 마스킹하였다(Deepa and Bharathi, 2013).
본 연구는 추가자료 및 추가적인 주관적 판단 없이 인접한 시기에 촬영된 청천영상만 존재한다면 구름이 있는 지역에 대해서 자동적으로 구름 및 그림자지역을 복원할 수 있다는데 그 의의가 있다. 또한 기존에 구름을 복원하기 위해 사용되던 모자이크 방식과는 달리 본 연구에서 제안한 알고리즘은 계절적 변화에 구애받지 않고 영상을 복원할 수 있다는 장점이 있다.
이후 마스킹된 지역을 복구하기 위해 구름이 존재하는 영상과 맑은 날의 영상에서의 좌표와 밝기값 정보만을 이용하여 영상을 복원하였다. 또한 이에 대한 정확도 평가를 통해 본 연구에서 제안 안하는 알고리즘이 인접한 시기에 촬영된 구름이 있는 영상과 맑은 날의 영상만을 가지고 구름과 구름의 그림자를 제거하고 원래의 지표 피복으로 영상을 복원하는데 효율적임을 확인하였다.
특히 사용자 정확도의 경우 참조영상을 기준으로 복원한 영상의 분류 정확도를 나타내는 것으로 구름의 복원영상이 어느 정도 정확도를 가지는지 나타낼 직접적인 지표가 될 수 있다. 또한 전체정확도는 전체 픽셀 수에 대해 바르게 분류된 픽셀 수를 의미하는 것으로 85%이상의 높은 정확도로 보아 제안한 복원 기법이 효과적임을 나타내고 있다.
4이 하일 경우 일치도가 낮다고 판단하는 기준이 된다(Jensen, 2005). 본 연구에서는 카파계수가 0.7128의 값을 나타내 제안한 복원 기법이 강한 일치도는 아니지만 효과적임을 나타나고 있다.
전체적으로 일부 구름이 남아있지만, 대부분의 구름과 구름의 그림자가 효과적으로 제거되고 복원된 것을 확인할 수 있었다. 시각적으로도 결과에서 수계, 도심지, 초지로 대략적으로 구분이 가능할 정도로 복원이 되었으며, 지형적으로도 많은 오차가 발생하지 않은 것을 확인 하였다. Fig.
하지만 구름은 이러한 Landsat을 활용을 제한하는 가장 큰 요소 중 하나로 본 연구에서는 구름 및 구름의 그림자를 제거하기 위해서 Landsat-8의 1번, 9번, 10번 밴드의 Otus 임계값을 통하여 자동으로 구름을 탐지하였고, 구름의 그림자 지역은 5번, 6번 밴드와 Otsu N 임계화 기법을 통해 탐지하였다. 이후 탐지된 구름 지역을 제거하고 변형된 SSG 기법을 이용하여 영상을 복원한 결과 약 85%의 정확도로 본 연구에서 제안한 알고리즘이 구름탐지 및 복원에 효과적임을 확인하였다. 본 연구는 추가자료 및 추가적인 주관적 판단 없이 인접한 시기에 촬영된 청천영상만 존재한다면 구름이 있는 지역에 대해서 자동적으로 구름 및 그림자지역을 복원할 수 있다는데 그 의의가 있다.
6의 가장 우측의 영상은 좌측의 실험영상으로부터 가운데 참조영상을 이용해 영상을 복원한 것을 나타낸다. 전체적으로 일부 구름이 남아있지만, 대부분의 구름과 구름의 그림자가 효과적으로 제거되고 복원된 것을 확인할 수 있었다. 시각적으로도 결과에서 수계, 도심지, 초지로 대략적으로 구분이 가능할 정도로 복원이 되었으며, 지형적으로도 많은 오차가 발생하지 않은 것을 확인 하였다.
후속연구
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.
기존의 Landsat을 통한 구름 탐지 연구는 대부분 구름을 탐지하여 복원하기 위해 블루밴드, 근적외선 밴드, 열적외선 밴드 등 다양한 밴드의 속성 정보를 통해서 구름 추출을 위한 임계값을 결정하기 때문에 알고리즘이 복잡하다는 단점이 있다. 이를 보안하기 위해 상대적으로 적은 수의 밴드를 통해 밴드별 밝기값의 임계값을 통해 구름 추출 및 복원 연구가 진행되어 왔으나 이는 영상마다 사전 관찰을 통하여 영상에 맞는 임계값을 설정해야 해서 자동화된 알고리즘이라고 말하기에는 한계가 있다.
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.
참고문헌 (13)
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.
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.
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.
Jensen, J. R. (2005), Introductory Digital Image Processing: A Remote Sensing Perspective 3rd Edition, Pearson Prentice Hall, Upper Saddle River, NJ.
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.
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.
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.
Otsu, N. (1975), A threshold selection method from graylevel histograms, IEEE Transactions on System, Man and Cybernetics, Vol. 9, No. 1, pp. 62-66.
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)
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.
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.
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.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.