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
- 본 연구에서는 위성 센서의 스펙트럼 응답 특성에 의한 융합기법 결과를 비교평가하기 위해서, 서로 다른 스펙트럼 응답을 지닌 위성영상들을 동일한 융합기법에 적용하여 비교평가 하였다.
제안 방법
- 따라서, 본 연구에서는 고해상도 위성영상들 중 서로 다른 스펙트럼 응답특성을 지닌 KOMPSAT-2, QuickBird 및 WorldView-2 영상에 동일한 융합기법을 적용하고 융합영상결과 간 비교평가를 수행하였다. 3개의 위성영상에서 서로 유사한 지역을 선정하여, 지역적인 특성에 따른 차이를 최대한 배제하였고, 융합기법은 기 개발된 CS 기법 중 GIHS, GIHSA, GS1 및 AIHS기법을 사용하였다. 또한, 영상융합 기법의 품질평가를 위해 시각적 분석과 정량적 분석을 수행하였으며, 정량적 분석에는 색상왜곡을 평가하는 Spectral Angle Mapper (SAM), Erreur Relative Globale Adimensionnelle de Synthese (Spectral ERGAS) 및 Q4기법을 사용하였고, 공간정보 보존을 평가하는 Spatial ERGAS기법을 사용하였다.
- KOMPSAT-2, QuickBird 및 WorldView-2의 융합영상에 대해 시각적 및 정량적 분석을 수행하였다. 정량적 비교평가를 위해서는 융합된 영상과 비교할 기준영상이 필요하나, 물리적 한계로 인해 존재하지 않기 때문에 원영상의 공간해상도를 강제로 낮추어 융합 결과를 도출하여 원영상과 비교평가를 수행하였다.
- 정량적 분석으로는 SAM, Spectral ERGAS, Q4 및 Spatial ERGAS의 평가지표를 사용하였다. SAM, Spectral ERGAS 및 Q4를 이용하여 원영상의 색상왜곡 정도를, Spatial ERGAS를 이용하여 공간정보 보존정도를 판단하였다. SAM과 Spectral ERGAS는 0에 가까울수록, Q4는 1에 가까울수록 색상왜곡이 적다는 것을 의미하며, Spatial ERGAS는 0에 가까울수록 공간정보가 잘 보존된 것을 의미한다.
- 시각적 분석 방법은 전체영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존 정도와 색상왜곡을 중점으로 분석하였다. 공간정보 보존 정도평가에서는 건물의 모서리, 도로, 작은 대상물 등을 중점으로 관찰하였고, 색상왜곡 평가에서는 블러링(blurring), 채도(saturation), 색상(color) 등을 통해 나타나는 왜곡 현상을 중점으로 분석하였다.
- 시각적 분석 방법은 전체영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존정도와 색상왜곡을 중점으로 분석하였다. 공간정보 보존 정도평가에서는 건물의 모서리, 도로, 작은 대상물 등을 중점으로 관찰하였고, 색상왜곡평가에서는 블러링, 채도, 색상 등을 통해 나타나는 왜곡 현상을 중점으로 분석하였다. 정량적 평가에 사용된 평가지표로 SAM, Spectral ERGAS, Q4 및 Spatial ERGAS를 사용하였다.
- 따라서, 본 연구에서는 고해상도 위성영상들 중 서로 다른 스펙트럼 응답특성을 지닌 KOMPSAT-2, QuickBird 및 WorldView-2 영상에 동일한 융합기법을 적용하고 융합영상결과 간 비교평가를 수행하였다. 3개의 위성영상에서 서로 유사한 지역을 선정하여, 지역적인 특성에 따른 차이를 최대한 배제하였고, 융합기법은 기 개발된 CS 기법 중 GIHS, GIHSA, GS1 및 AIHS기법을 사용하였다.
- 본 실험에서는 Blue, Green, Red 및 NIR (NIR-1)밴드를 사용하여 동일한 영상융합 기법을 적용하였으며, 지역적 특성 차이의 영향을 최소화하기 위해 유사한 지역을 선정하였다. 선정된 위성영상들은 바다 약 20%이상, 식생지역 약 50%이상, 도심지 약 10%이상 등을 포함하며, 각각의 영상의 위치는 2007년 04월 28일에 촬영된 한국의 거금도(KOMPSAT-2), 2011년 02월 12일에 촬영된 미크로네시아연방에 위치한 코스라에섬(QuickBird)과 2010년 01월 19일에 촬영된 브라질의 리우데자네이루 항구(WorldView-2)이다(Fig.
- 본 연구에서는 PAN과 I를 이용하여 δ계수를 구한 뒤, 다분광밴드 각각에 계수를 더하여 융합영상을 수행하였다.
- 본 연구에서는 마찬가지로 다분광밴드 각각에 δ계수를 더하여 융합을 수행하였다.
- 시각적 분석 방법은 전체영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존 정도와 색상왜곡을 중점으로 분석하였다. 공간정보 보존 정도평가에서는 건물의 모서리, 도로, 작은 대상물 등을 중점으로 관찰하였고, 색상왜곡 평가에서는 블러링(blurring), 채도(saturation), 색상(color) 등을 통해 나타나는 왜곡 현상을 중점으로 분석하였다.
- 시각적 분석 방법은 전체영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존 정도와 색상왜곡을 중점으로 분석하였다. 공간정보 보존 정도평가에서는 건물의 모서리, 도로, 작은 대상물 등을 중점으로 관찰하였고, 색상왜곡 평가에서는 블러링(blurring), 채도(saturation), 색상(color) 등을 통해 나타나는 왜곡 현상을 중점으로 분석하였다.
- 시각적 분석은 융합영상에서 나타나는 전반적 왜곡을 관찰하였고, 유사한 지역을 확대하여 보다 정밀한 분석을 수행하였다. 융합된 영상의 색상왜곡 평가는 원래 다분광영상을 이용하였으며, 공간정보 보존정도는 흑백영상을 기준으로 수행하였다.
- 사용된 영상은 서로 다른 센서 특징을 지닌 고해상도 위성영상 KOMPSAT-2, QuickBird 및 WorldView-2을 사용하였으며, 대표적인 CS기법인 GIHS, GIHSA, GS1 및 AIHS 융합기법을 적용하여 결과를 비교 평가하였다. 융합 결과를 시각적, 정량적 분석을 통해 색상왜곡과 공간정보 보존정도를 평가하였다. 시각적 분석 방법은 전체 영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존정도와 색상왜곡을 중점으로 분석하였고, 정량적 분석 방법은 색상왜곡 비교평가에 가장 널리 사용되고 있는 SAM, Spectral ERGAS, Q4기법과 공간정보 보존정도를 평가하기 위한 Spatial ERGAS기법을 사용하였다.
- 시각적 분석은 융합영상에서 나타나는 전반적 왜곡을 관찰하였고, 유사한 지역을 확대하여 보다 정밀한 분석을 수행하였다. 융합된 영상의 색상왜곡 평가는 원래 다분광영상을 이용하였으며, 공간정보 보존정도는 흑백영상을 기준으로 수행하였다.
- 융합영상의 품질평가를 비교평가 하기 위해 시각적/정량적 평가를 하였다. 시각적 분석 방법은 전체영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존정도와 색상왜곡을 중점으로 분석하였다.
- 예를 들어, KOMPSAT-2 위성영상의 경우, 공간해상도 4 m의 다분광영상과 1 m의 흑백영상이 제공된다. 이를 각각의 영상에 저주파 필터(MTF Cut-off frequency)를 적용하고, bicubic 보간 기법을 사용하여, 16 m의 다분광영상과 4 m의 흑백영상으로 강제로 공간해상도를 낮춘 후, 융합기법을 적용하여 4 m의 융합영상을 제작하고 원 영상과 비교분석을 수행하였다(Fig. 3).
- KOMPSAT-2, QuickBird 및 WorldView-2의 융합영상에 대해 시각적 및 정량적 분석을 수행하였다. 정량적 비교평가를 위해서는 융합된 영상과 비교할 기준영상이 필요하나, 물리적 한계로 인해 존재하지 않기 때문에 원영상의 공간해상도를 강제로 낮추어 융합 결과를 도출하여 원영상과 비교평가를 수행하였다.
대상 데이터
- 본 연구에 사용된 위성은 KOMPSAT-2, QuickBird 및 WorldView-2로 고해상도 광학위성이며, 각각의 위성은 서로 다른 파장범위와 공간해상도를 가진다.KOMPSAT-2위성은 Ground Sample Distance(GSD) 1 m의 흑백영상과 4 m의 다분광영상을 제공하며, QuickBird의 경우 0.
- 본 실험에서는 Blue, Green, Red 및 NIR (NIR-1)밴드를 사용하여 동일한 영상융합 기법을 적용하였으며, 지역적 특성 차이의 영향을 최소화하기 위해 유사한 지역을 선정하였다. 선정된 위성영상들은 바다 약 20%이상, 식생지역 약 50%이상, 도심지 약 10%이상 등을 포함하며, 각각의 영상의 위치는 2007년 04월 28일에 촬영된 한국의 거금도(KOMPSAT-2), 2011년 02월 12일에 촬영된 미크로네시아연방에 위치한 코스라에섬(QuickBird)과 2010년 01월 19일에 촬영된 브라질의 리우데자네이루 항구(WorldView-2)이다(Fig. 2).
이론/모형
- Saacedra and Gonzalo(2006)이 제안한 방법으로 Spectral ERGAS와 마찬가지로 융합 결과와 히스토그램 조정된 흑백영상을 이용하여 RMSE를 이용하여 계산한다. 수치가 0에 가까울수록 흑백영상이 지닌 공간정보를 잘 보존한 것을 의미한다(식 (15)).
- 그 다음, 흑백영상에서 edge정보를 추출하여 공간해상도를 향상시키는 Image-adaptive coefficient 기법을 사용하였다(식 (10)).
- 융합영상의 품질을 평가하기 위해서는 고해상도의 다분광영상을 사용하는 것이 이상적이지만, 현실적으로 고해상도의 다분광영상을 제공하는 것은 불가능하다. 따라서 다분광영상과 흑백영상과의 공간해상도의 차이를 기준으로 각각의 영상을 해상도 차이의 비율만큼 공간해상도를 강제적으로 낮춘 영상을 사용하는 Wald et al. (1997)이 제안한 합성특성(Synthesis property) 평가방법을 사용하였다. 예를 들어, KOMPSAT-2 위성영상의 경우, 공간해상도 4 m의 다분광영상과 1 m의 흑백영상이 제공된다.
- 3개의 위성영상에서 서로 유사한 지역을 선정하여, 지역적인 특성에 따른 차이를 최대한 배제하였고, 융합기법은 기 개발된 CS 기법 중 GIHS, GIHSA, GS1 및 AIHS기법을 사용하였다. 또한, 영상융합 기법의 품질평가를 위해 시각적 분석과 정량적 분석을 수행하였으며, 정량적 분석에는 색상왜곡을 평가하는 Spectral Angle Mapper (SAM), Erreur Relative Globale Adimensionnelle de Synthese (Spectral ERGAS) 및 Q4기법을 사용하였고, 공간정보 보존을 평가하는 Spatial ERGAS기법을 사용하였다.
- 사용된 영상은 서로 다른 센서 특징을 지닌 고해상도 위성영상 KOMPSAT-2, QuickBird 및 WorldView-2을 사용하였으며, 대표적인 CS기법인 GIHS, GIHSA, GS1 및 AIHS 융합기법을 적용하여 결과를 비교 평가하였다. 융합 결과를 시각적, 정량적 분석을 통해 색상왜곡과 공간정보 보존정도를 평가하였다.
- 융합 결과를 시각적, 정량적 분석을 통해 색상왜곡과 공간정보 보존정도를 평가하였다. 시각적 분석 방법은 전체 영상의 전반적인 왜곡의 경향성을 관찰한 후, 주요 지역을 확대하여 공간정보 보존정도와 색상왜곡을 중점으로 분석하였고, 정량적 분석 방법은 색상왜곡 비교평가에 가장 널리 사용되고 있는 SAM, Spectral ERGAS, Q4기법과 공간정보 보존정도를 평가하기 위한 Spatial ERGAS기법을 사용하였다.
- 여기서, h(x)는 edge 추출한 함수로서, 본 연구에서 사용한 edge 추출 방법은 Perona와 Malik에 의해 제안된 exponential edge 추출 식이다(Perona and Malik, 1990)(식 (11)).
- 융합기법으로는 CS계열의 융합기법인 GIHS, GIHSA, GS의 GS1 및 AIHS기법에 적용하여 총 12장의 융합영상을 제작하였다. 융합영상에 대해 품질평가를 수행하기 위해서 시각적, 정량적 분석방법을 수행하였으며, 사용된 정량적 지표는 SAM, Spectral ERGAS, Q4를 사용하였으며, 공간정보 보존을 평가하기 위해 Spatial ERGAS를 사용하였다.
- 융합기법으로는 CS계열의 융합기법인 GIHS, GIHSA, GS의 GS1 및 AIHS기법에 적용하여 총 12장의 융합영상을 제작하였다. 융합영상에 대해 품질평가를 수행하기 위해서 시각적, 정량적 분석방법을 수행하였으며, 사용된 정량적 지표는 SAM, Spectral ERGAS, Q4를 사용하였으며, 공간정보 보존을 평가하기 위해 Spatial ERGAS를 사용하였다.
- 정량적 분석 방법에 사용된 기법은 원 영상과의 색상 왜곡 비교평가를 위해 가장 널리 사용되고 있는 SAM, Spectral ERGAS, Q4를 사용하였으며, 공간정보 보존을 평가하기 위해 Spatial ERGAS를 사용하였다.
- 정량적 분석으로는 SAM, Spectral ERGAS, Q4 및 Spatial ERGAS의 평가지표를 사용하였다. SAM, Spectral ERGAS 및 Q4를 이용하여 원영상의 색상왜곡 정도를, Spatial ERGAS를 이용하여 공간정보 보존정도를 판단하였다.
- 공간정보 보존 정도평가에서는 건물의 모서리, 도로, 작은 대상물 등을 중점으로 관찰하였고, 색상왜곡평가에서는 블러링, 채도, 색상 등을 통해 나타나는 왜곡 현상을 중점으로 분석하였다. 정량적 평가에 사용된 평가지표로 SAM, Spectral ERGAS, Q4 및 Spatial ERGAS를 사용하였다.
성능/효과
- 152로 가장 향상된 결과를 나타냈다. AIHS기법 역시 SAM 값이 8.153으로 향상된 결과를 나타냈으나, GS1기법에 비해서는 미흡한 결과를 나타냈다. 결과적으로, QuickBird와 마찬가지로 GS1기법이 가장 좋은 결과 값을 나타냈다(Table 4).
- 085로 향상된 결과를 나타냈다. AIHS기법 역시 SAM과 Spectral ERGAS가 각각 12.012와 5.215로 향상된 결과를 나타냈으나, GS1기법에 비해서는 미흡한 결과를 나타냈다. 결과적으로, QuickBird의 경우, GS1기법이 가장 향상된 결과를 나타냈다(Table 3).
- 758로 보다 향상한 것으로 나타냈다. AIHS기법은 GS1기법에 비해서 SAM과 Spectral ERGAS에서 각각 7.299와 1.752로 향상된 결과를 나타냈으나, Q4와 Spatial ERGAS에서 0.614와 7.956으로 낮은 수치를 나타냈다. 결과적으로,KOMPSAT-2의 경우 다분광영상과 흑백영상의 선형 회귀분석을 이용하여 가중치를 부여하는 GIHSA기법이 가장 향상된 결과를 나타내었다(Table 2).
- 832로 가장 미흡한 결과를 나타내었다. GIHSA기법은 GIHS기법보다 SAM과 Spectral ERGAS에서 각각 17.073과 5.668로 분광정보 보존에 향상된 결과를 나타냈으나, Q4와 Spatial ERGAS에서 0.557과 14.515로 가장 미흡한 결과를 나타냈다. GS1기법은 SAM, Spectral ERGAS, Q4에서 각각 7.
- 510로 미흡한 결과를 나타내었다. GIHSA기법은 QuickBird결과와는 달리 GIHS기법에 비해 SAM, Spectral ERGAS, Spatial ERGAS가 각각 14.461, 3.538, 4.583으로 미흡한 결과 값을 나타냈으나, GS1기법과 AIHS기법에서는 향상된 결과를 나타냈다. 특히, 상대적으로 GS1기법의 SAM 결과 값이 AIHS기법보다 미흡한 결과를 나타냈지만, Spectral ERGAS, Q4, Spatial ERGAS에서 각각 3.
- 이는 GIHS 기법의 특징인 뛰어난 공간해상도를 제공하나 분광정보 보존 정도가 미흡한 특징을 실제로 보였다. GIHSA기법은 SAM과 Spectral ERGAS의 결과 각각 6.611과 1.586 수치 값을 나타내어 분광정보 보존 정도 향상한 결과를 나타냈다. GS1기법의 경우, GIHS에 비해 좋은 결과를 나타냈으나, GIHSA기법 결과와 비교하면 SAM과 Spectral ERGAS에서 각각 9.
- GIHSA기법의 결과는 GIHS기법에 비해 크게 향상되지 않았으며, 이는 KOMPSAT-2와는 달리 QuickBird의 스펙트럼 응답의 다분광밴드들이 흑백밴드의 파장대역에 어느 정도 모두 포함되어 있기 때문에 GIHSA기법과 같이 가중치를 부여하였어도 큰 변화가 없는 것으로 판단되며, GS1기법의 경우 Intetnsity값을 구할 때 GIHSA기법과 마찬가지로 단순히 다분광밴드의 평균을 이용하여 구하게 되지만, 다분광영상내의 픽셀들의 분산정보와 Intensity값과의 공분산 정보를 고려하는 융합계수를 사용하기 때문에 향상된 결과를 나타내는 것으로 판단된다.
- 515로 가장 미흡한 결과를 나타냈다. GS1기법은 SAM, Spectral ERGAS, Q4에서 각각 7.279, 4.322, 0.699로 가장 향상된 결과를 나타냈으며, Spatial ERGAS가 14.085로 향상된 결과를 나타냈다. AIHS기법 역시 SAM과 Spectral ERGAS가 각각 12.
- 586 수치 값을 나타내어 분광정보 보존 정도 향상한 결과를 나타냈다. GS1기법의 경우, GIHS에 비해 좋은 결과를 나타냈으나, GIHSA기법 결과와 비교하면 SAM과 Spectral ERGAS에서 각각 9.472와 1.978로 미흡했다. 그러나, Q4와 Spatial ERGAS의 결과가 각각 0.
- WorldView-2에서는 앞의 두 영상과는 다르게 전체적으로 수행된 영상융합기법 모두 색상왜곡이 보이지 않았으나, 확대영상을 보았을 때, GIHS기법과 GIHSA기법에서 약간의 붉은 빛의 색상왜곡이 발생한 것을 확인하였다. 그러나, GS1기법의 경우, 색상왜곡이 거의 보이지 않으며, 공간적 세밀함이 다른 기법과 유사하게 나타냈다.
- 결과적으로 GIHS기법은 KOMPSAT-2, QuickBird 및 WorldView-2영상에서 모두 미흡한 결과를 나타냈으며, GIHSA기법은 KOMPSAT-2영상에 공간정보 보존과 분광정보 보존의 정도가 향상된 결과를 보였다. 또한, GS1기법의 경우, QuickBird 및 WorldView-2영상에서 공간정보 보존과 분광정보 보존의 정도가 향상된 결과를 보였다.
- 153으로 향상된 결과를 나타냈으나, GS1기법에 비해서는 미흡한 결과를 나타냈다. 결과적으로, QuickBird와 마찬가지로 GS1기법이 가장 좋은 결과 값을 나타냈다(Table 4).
- 215로 향상된 결과를 나타냈으나, GS1기법에 비해서는 미흡한 결과를 나타냈다. 결과적으로, QuickBird의 경우, GS1기법이 가장 향상된 결과를 나타냈다(Table 3).
- 956으로 낮은 수치를 나타냈다. 결과적으로,KOMPSAT-2의 경우 다분광영상과 흑백영상의 선형 회귀분석을 이용하여 가중치를 부여하는 GIHSA기법이 가장 향상된 결과를 나타내었다(Table 2).
- 그 이유는, 앞서 제시한 것과 같이 KOMPSAT-2의 스펙트럼 응답은 흑백밴드가 Blue밴드를 거의 포함하지 못하고 있으며 Green밴드를 절반이상이 포함하지 못하고 있기 때문에, GIHS기법과 GS1기법 같이 단순히 다분광영상내의 밴드들을 평균한 값 보다는 각 밴드를 고려하여 가중치를 주는 GIHSA기법과 AIHS기법이 향상 결과를 나타낸 것이고, 그 중에서 다분광영상과 흑백영상의 선형 회귀분석을 이용하여 가중치를 부여한 GIHSA가 가장 향상된 결과 값을 나타낸 것으로 판단된다.
- 978로 미흡했다. 그러나, Q4와 Spatial ERGAS의 결과가 각각 0.679와 7.758로 보다 향상한 것으로 나타냈다. AIHS기법은 GS1기법에 비해서 SAM과 Spectral ERGAS에서 각각 7.
- 또한, GIHSA기법 결과는 GIHS기법보다 향상되지 않으며, 이는 흑백밴드가 NIR1밴드를 거의 포함하지 못하고 있고, 흑백밴드에 비해 Blue, Green, Red밴드가 포함하고 있는 대역폭이 적기 때문에 각각의 밴드에 선형회귀 방법을 이용해 가중치를 주는 방법이 효과가 적은 것으로 판단된다. 따라서, GIHS기법과 마찬가지로 단순 평균을 이용하며 다분광영상내의 픽셀들의 분산정보와 Intensity값과의 공분산 정보를 고려하는 융합계수를 사용한 GS1기법이 향상된 결과 값을 나타난 것으로 판단된다.
- WorldView-2의 스펙트럼 응답특성은 KOMPSAT-2와 QuickBird와는 달리 R,G,B,NIR밴드 기준으로 밴드간의 중첩되는 것이 거의 없고, KOMPSAT-2와 QuickBird에 비해 흑백밴드가 Blue, Green, Red밴드를 잘 포함하고 있으므로, 전반적으로 색상왜곡은 KOMPSAT-2와 QuickBird에 비해 적은 것으로 판단된다. 또한, GIHSA기법 결과는 GIHS기법보다 향상되지 않으며, 이는 흑백밴드가 NIR1밴드를 거의 포함하지 못하고 있고, 흑백밴드에 비해 Blue, Green, Red밴드가 포함하고 있는 대역폭이 적기 때문에 각각의 밴드에 선형회귀 방법을 이용해 가중치를 주는 방법이 효과가 적은 것으로 판단된다. 따라서, GIHS기법과 마찬가지로 단순 평균을 이용하며 다분광영상내의 픽셀들의 분산정보와 Intensity값과의 공분산 정보를 고려하는 융합계수를 사용한 GS1기법이 향상된 결과 값을 나타난 것으로 판단된다.
- 결과적으로 GIHS기법은 KOMPSAT-2, QuickBird 및 WorldView-2영상에서 모두 미흡한 결과를 나타냈으며, GIHSA기법은 KOMPSAT-2영상에 공간정보 보존과 분광정보 보존의 정도가 향상된 결과를 보였다. 또한, GS1기법의 경우, QuickBird 및 WorldView-2영상에서 공간정보 보존과 분광정보 보존의 정도가 향상된 결과를 보였다.
- 마찬가지로 QuickBird영상의 정량적 평가결과, GIHS기법의 경우, SAM과 Spectral ERGAS에서 각각 19.612와 5.832로 가장 미흡한 결과를 나타내었다. GIHSA기법은 GIHS기법보다 SAM과 Spectral ERGAS에서 각각 17.
- 비교결과 KOMPSAT-2의 경우, GIHSA기법이 다른 기법들에 비해 상대적으로 색상왜곡이 적으며 높은 공간해상도를 나타냈으며, QuickBird에서는 GS1기법이 상대적으로 이상적인 결과 값을 나타내는 것을 확인하였다. WorldView-2의 경우, 전반적으로 모든 기법에서 향상된 결과를 나타냈지만, QuickBird와 마찬가지로 GS1기법에서 이상적인 결과를 나타내는 것을 확인하였다.
- 정량적 평가결과 KOMPSAT-2의 경우, GIHS기법의 SAM, Spectral ERGAS, Q4의 결과 각각 12.986, 2.393, 0.649 수치 값을 나타내어 분광정보 보존에 상대적으로 가장 좋지 못하였으나, Spatial ERGAS에서 7.276으로 공간정보 보존 정도가 높은 것으로 나타냈다. 이는 GIHS 기법의 특징인 뛰어난 공간해상도를 제공하나 분광정보 보존 정도가 미흡한 특징을 실제로 보였다.
- KOMPSAT-2에서는 GIHS기법의 경우, 전체적인 영상에서 바다지역의 색상왜곡은 발생하지 않았으나, 식생지역과 도심지에서 푸른색과 화이트색상의 색상왜곡이 발생했다. 주요 지역을 확대하여 관찰한 결과 흑백영상의 공간적 세밀함이 잘 나타났으나, 확연히 색상왜곡을 확인했다. GIHSA기법의 경우, 색상왜곡 거의 보이지 않았으며, 공간적 세밀함이 잘 나타났다.
- WorldView-2의 경우, 전반적으로 모든 기법에서 향상된 결과를 나타냈지만, QuickBird와 마찬가지로 GS1기법에서 이상적인 결과를 나타내는 것을 확인하였다. 즉, KOMPSAT-2의 스펙트럼 응답은 흑백밴드가 Blue밴드를 거의 포함하지 못하고 있으며 Green밴드를 절반이상이 포함하지 못하고 있어, GIHS기법과 GS1기법 같이 단순히 다분광영상내의 밴드들을 평균한 값 보다는 각 밴드를 고려하여 가중치를 주는 GIHSA기법과 AIHS기법이 향상된 결과를 나타내며 그 중에서 다분광영상과 흑백영상의 선형 회귀분석을 이용하여 가중치를 부여한 GIHSA기법을 적용할 경우 좋은 결과를 나타낼 수 있다. 나머지 QuickBird와 WorldView-2의 영상의 경우, KOMPSAT-2보다는 상대적으로 Blue, Green, Red, NIR가 흑백밴드 포함되어 있으며, 밴드간의 중첩이 적고, 흑백밴드에 비해 Blue, Green, Red밴드가 포함하고 있는 대역폭이 적기 때문에 단순 평균을 이용하며 다분광영상내의 픽셀들의 분산정보와 Intensity값과의 공분산 정보를 고려하는 GS1기법에서 좋은 결과를 나타내는 것이다.
- 583으로 미흡한 결과 값을 나타냈으나, GS1기법과 AIHS기법에서는 향상된 결과를 나타냈다. 특히, 상대적으로 GS1기법의 SAM 결과 값이 AIHS기법보다 미흡한 결과를 나타냈지만, Spectral ERGAS, Q4, Spatial ERGAS에서 각각 3.196, 0.762, 4.152로 가장 향상된 결과를 나타냈다. AIHS기법 역시 SAM 값이 8.
후속연구
- 한편, 본 연구와 마찬가지로 대부분의 연구가 영상 전체에 대해서 정량적 평가를 수행하고 있지만, 지역적 특성과 객체의 특징을 반영할 수 있도록 향후에는 신뢰성 향상을 위해 융합된 영상을 분할하고 분할된 지역에 대해 독립적으로 평가를 할 수 있는 적응적인 평가방법 연구를 진행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.