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
- 따라서 본 연구에서는 Chip 영상의 크기를 다양하게 변화시켜 매칭 정확도에 미치는 영향과 처리속도 등을 비교, 분석하여 가장 효율적인 시스템 운영을 위하여 Chip의 크기를 128 픽셀(pixel) × 128 픽셀(pixel) 로 정의하여 구축하였다.
- 본 연구는 아리랑위성 2호 영상자료를 자동으로 후처리하기 위하여 개발된 기존 부가처리시스템(Value-Added Processing System, VAPS)에 대한 성능개선과 더불어 처리결과물에 대한 체계적인 정확도 분석을 통해 개선 시스템에 대한 성능을 객관적으로 평가하는데 목적이 있다.
- 본 연구는 아리랑위성 영상자료 부가처리를 위하여 개발된 VAPS에 대한 성능개선과 이에 따른 명확한 성능 평가를 목적으로 수행되었다. 기존 ver.
제안 방법
- 한반도 전역에 대한 GCP Chip은 아리랑위성 2호 정사모자이크 영상(1m흑백)으로부터 추출하였다. GCP Chip은 가로, 세로 각각 3㎞ 마다 최소 1점 이상이 선점될 수 있도록 하였으며(문정예 등, 2013), Chip 매칭 정확도 향상을 위하여 개발이 진행 중인 지역, 복잡한 도심의 빌딩 숲, 급격한 지형변화가 있는 지역, 구름 및 연무 등이 존재하는 영상 등에서는 Chip을 추출하지 않도록 하였다.
- VAPS 하드웨어 환경에 따른 자료처리 속도 분석은 동일 버전의 VAPS(ver.2.0) SW를 기반으로 GPU 자원을 사용하는 경우(Case1)와 그렇지 않은 경우(Case2)로 구분하여 수행하였다. 그 결과 자료처리 단계별로 Case1이 Case2 보다 최소 2.
- VAPS(ver.2.0)의 경우 하드웨어 측면의 성능개선도 진행되었다. Ver.
- VAPS(ver.2.0)의 자료처리 결과물에 대한 분석은 크게 정사 영상과 정사모자이크 영상에 대한 정확도 평가와 VAPS 버전 및 환경에 따른 자료처리 속도에 대한 평가로 구분되어 수행되었다.
- VAPS를 이용한 자료처리는 Data Ingest를 시작으로 영상융합, 정사보정, 모자이크 순으로 진행하였다. 실험은 VAPS(ver.
- 0의 웹 기반의 (web-based) 사용자 인터페이스(user interface)를 보여주고 있다. 기존 ver.1.0의 각 모듈별 기능을 그림 4와 같이 웹 환경으로 모두 통합함과 동시에 각 공정별 자료처리 진행현황을 실시간으로 확인할 수 있도록 하였다. 또한 사용자가 정의한 우선순위 등에 따라 자료처리가 자동으로 진행될 수 있도록 스케줄링 기능 등이 추가되었다.
- 총 2대의 GPU는 처리서버 4대에 연결하고, 컨트롤 서버는 처리서버와 분리하여 1대를 추가적으로 설치하였다. 또한 SAN 기반의 자료공유 및 전송속도 향상을 위해서 기존 4G를 8G에 맞추어 SAN 스위치(switch) 및 FC(Fiber Channel) 등을 교체하였다.
- 0에서는 정사보정 전·후 모두 가능하게 함으로써 자료처리의 효율화를 도모하였다. 또한 최종 결과물에 대한 품질을 향상시키기 위하여 자료처리 단계를 기존 3단계에서 5단계로 세분화하고 각 공정별로 PCI Geomatica SW와 연계하여 품질 확인(Quality Assessment, QA)을 수행할 수 있도록 하였다 (Lee et. al., 2014). 한편 ver.
- 본 연구에서는 그림 7과 같이 PCI Geomatica Chip Manager를 이용하여 GCP Chip을 생성하였다. 일반적으로 Chip 영상의 크기가 커질수록 매칭 정확도는 향상되나 이 경우 Chip을 생성하고 관리하는데 제약이 따르며 매칭에 소요되는 시간도 길어질 수밖에 없다.
- VAPS를 이용한 자료처리는 Data Ingest를 시작으로 영상융합, 정사보정, 모자이크 순으로 진행하였다. 실험은 VAPS(ver.2.0) SW를 기반으로 GPU를 사용하는 경우(Case1)와 그렇지 않은 경우(Case2)로 구분하여 수행하고 그 결과를 과거 실험결과와 비교하는 방식으로 진행하였다. 우선 Data Ingest를 통하여 Chip 기반으로 GCP를 수집하고 결과를 분석하였다.
- 0) SW를 기반으로 GPU를 사용하는 경우(Case1)와 그렇지 않은 경우(Case2)로 구분하여 수행하고 그 결과를 과거 실험결과와 비교하는 방식으로 진행하였다. 우선 Data Ingest를 통하여 Chip 기반으로 GCP를 수집하고 결과를 분석하였다.
- 한편 경상북도 지역 아리랑위성 2호 표준영상 50장을 이용하여 VAPS 버전(ver.1.0 vs. ver.2.0) 과 하드웨어환경(without GPU vs. with GPU)을 모두 다르게 하여 자료처리속도 비교실험을 수행하였다. 소프트웨어 및 하드웨어 사양이 최신인 ver.
- 그림 11은 1m칼라 융합영상을 이용한 정사 영상 생성 결과를 보여주고 있다. 한편 동일한 방법으로 황해남도 지역의 아리랑위성 3호 영상을 이용한 융합 영상 및 정사 영상 처리 실험도 함께 수행하였다.
대상 데이터
- 우선 과거 문정예 등(2013), Lee et al.(2014)이 ver.2.0을 이용하여 처리한 남한지역 아리랑위성 2호 정사 영상에 대한 위치정확도 분석을 위하여 산지, 평지, 해안가 영상을 각각 10장씩 선별하였다. 정확도 평가를 위한 검사점은 GCP Chip 제작에 사용된 한반도 아리랑위성 2호 정사모자이크영상에서 각 영상별로 20점을 추출하여 사용하였다.
- 실험에 사용된 영상자료는 아리랑위성 2호 표준 영상(1R)이며, 그림 8의 남·북한 test-bed에 대해서는 각각 48장, 49장의 영상자료가 사용되었다. 또한 ver.2.0에서 3호 모듈실험을 위하여 황해남도 지역의 아리랑위성 3호 표준영상(1R)이 사용되었다. 한편 정사보정에 있어 요구되는 DEM의 경우 남한은 축척 1:5,000 수치지형도를 이용하여 제작한 격자간격 5m × 5m의 DEM을 사용하였으며, 북한 지역의 경우 DTED(Digital Terrain Elevation Data) Level 2를 사용하였다.
- 그림 10은 영상융합 모듈과 정사보정 모듈로서 영상융합 시에는 3밴드 또는 4밴드 융합을 선택할 수 있는데, 본 연구에서는 4밴드 융합을 실시하였다. 또한 정사보정은 흑백영상(1m), 칼라영상(4m), 융합영상(1m칼라) 모두에 대하여 수행하였다.
- 실험에 사용된 영상자료는 아리랑위성 2호 표준 영상(1R)이며, 그림 8의 남·북한 test-bed에 대해서는 각각 48장, 49장의 영상자료가 사용되었다.
-
4.1 대상지역 및 자료
자료처리 실험은 한반도 전역을 대상으로 실시하였으나, 하드웨어 특성에 따른 자료처리 시간 비교를 위해서 남한, 북한에서 각각 환경이 비슷한 실험지역(test-bed)을 그림 8과 같이 선정 하였다.
- 0을 이용하여 처리한 남한지역 아리랑위성 2호 정사 영상에 대한 위치정확도 분석을 위하여 산지, 평지, 해안가 영상을 각각 10장씩 선별하였다. 정확도 평가를 위한 검사점은 GCP Chip 제작에 사용된 한반도 아리랑위성 2호 정사모자이크영상에서 각 영상별로 20점을 추출하여 사용하였다. 그림 13은 각 지형별로 검사점을 이용한 정확도 분석 사례를 보여주고 있으며, 그림 14는 각 지형별 정사 영상(1m흑백)에 대한 정확도 분석 결과를 나타내고 있다.
- 한반도 전역에 대한 GCP Chip은 아리랑위성 2호 정사모자이크 영상(1m흑백)으로부터 추출하였다. GCP Chip은 가로, 세로 각각 3㎞ 마다 최소 1점 이상이 선점될 수 있도록 하였으며(문정예 등, 2013), Chip 매칭 정확도 향상을 위하여 개발이 진행 중인 지역, 복잡한 도심의 빌딩 숲, 급격한 지형변화가 있는 지역, 구름 및 연무 등이 존재하는 영상 등에서는 Chip을 추출하지 않도록 하였다.
이론/모형
- 그림 12는 남·북한 test-bed 정사 영상(1m칼라) 을 이용하여 정사모자이크 영상을 생성한 결과이다. 영상 모자이크에 있어 가장 중요한 것은 인접과의 정확한 접합과 색상조정인데, 본 연구에서는 cutline method로 중첩구간(overlap area)에서 gray value 차이가 최소인 것을 기준으로 하는 MINDIFF(Minimum Difference) 방식을 사용하였으며, 색상조정을 위해서는 중첩구간에 대해 최소제곱분석(least square analysis)을 수행하는 overlap 방식을 적용하였다. 그림 12의 좌측영상은 색상조정 옵션을 적용하지 않았을 때의 결과를 보여주고 있다.
성능/효과
- 남·북한 test-bed 정사모자이크 영상에 대한 위치정확도 분석을 위하여 그림 16과 같이 가로, 세로 5㎞ 격자를 기준으로 남한에서 300점, 북한에서 214점의 검사점을 균일하게 선점하였다. 그 결과 남한 test-bed 정사모자이크 영상의 평균 RMSE는 3.189m, 북한은 2.035m로 나타났다. 남·북한 test-bed의 일부 산지와 지형변화가 존재하는 지역에서 과대 오차가 발생하는 것으로 확인되었는데, 이들 과대 오차를 제거할 경우 전체 정확도는 보다 높아질 것으로 예상된다.
- 0) SW를 기반으로 GPU 자원을 사용하는 경우(Case1)와 그렇지 않은 경우(Case2)로 구분하여 수행하였다. 그 결과 자료처리 단계별로 Case1이 Case2 보다 최소 2.5배에서 최대 약 5배까지 처리 속도가 빠른 것으로 나타났다. 자료처리에 있어 가장 많은 시간을 필요로 하는 모자이크의 경우 Case1에서는 남한(48장)이 3시간 13분 11초, 북한(49장)이 2시간 37분 10초가 소요된 반면 Case2에서는 남한이 9시간 6분 13초, 북한이 6시간 37분 39초가 걸렸다.
- 그림 15는 VAPS(ver.2.0)를 이용하여 처리한 황해남도 지역의 아리랑위성 3호 정사 영상(0.7m 융합)을 참조 영상(reference image)과 중첩하여 육안 분석한 결과로서 산지, 평지, 해안가로 구성된 3장의 정사영상 모두 참조 영상과 매우 잘 일치하는 것으로 확인되었다. 이와 같은 결과는 김은선(2013)의 연구에서도 찾아볼 수 있었는데 VAPS(ver.
- 본 연구는 아리랑위성 영상자료 부가처리를 위하여 개발된 VAPS에 대한 성능개선과 이에 따른 명확한 성능 평가를 목적으로 수행되었다. 기존 ver.1.0의 개별 기능을 웹 기반의 사용자 인터페이스로 통합한 ver.2.0은 사용자의 편의를 도모하는 동시에 GCP Chip 등을 이용한 위성영상 모델링에 있어서도 높은 수준의 정확도를 보여주었다. 또한 영상 모자이크에 있어서도 정확하고 빠른 처리를 지원하였는데 GPU 기반의 고속처리가 가능한 ver.
- 남·북한 test-bed의 일부 산지와 지형변화가 존재하는 지역에서 과대 오차가 발생하는 것으로 확인되었는데, 이들 과대 오차를 제거할 경우 전체 정확도는 보다 높아질 것으로 예상된다.
- 72m인 영상의 경우 자동으로 수집한 GCP Chip이 1개에 불과한 것으로 확인되었다. 남한 test-bed 영상은 한 장당 평균 약 20개의 GCP Chip을 북한은 약 40여 개를 수집한 것으로 확인되었는데, 본 연구에서는 그림 9의 북한지역과 같이 GCP Chip을 많이 수집한 경우가 모델링 정확도 측면에서도 안정적인 것으로 나타났다.
- 0은 사용자의 편의를 도모하는 동시에 GCP Chip 등을 이용한 위성영상 모델링에 있어서도 높은 수준의 정확도를 보여주었다. 또한 영상 모자이크에 있어서도 정확하고 빠른 처리를 지원하였는데 GPU 기반의 고속처리가 가능한 ver.2.0은 GPU를 사용하지 않았을 때에 비해서는 최대 약 5배, ver.1.0과 비교해서는 최대 약 10배 정도의 자료처리 속도 향상을 지원하는 것으로 실험을 통하여 확인할 수 있었다. 그러나 보다 객관적인 성능 평가를 위해서는 다양한 형태의 자료처리 실험이 체계적으로 수행되어야 할 것이며, 정사영상 등의 정확도 향상을 위해서는 최신 영상 기반의 GCP Chip DB 갱신이 지속적으로 추진되어야 할 것이다.
- 서로 다른 세 가지 지형의 영상에서 정확도가 가장 높고 안정적인 것은 평지 정사 영상인 것으로 나타났는데, 평균 RMSE는 1.353m로 확인되었다. 한편 산지와 해안가 정사 영상의 평균 RMSE는 1.
- 그림 17은 test-bed 모자이크 영상의 접합 상태 및 색상조정 결과를 육안으로 확인하기 위하여 seam-line과 중첩한 결과를 보여주고 있다. 서로 다른 패스에서 촬영된 영상은 촬영시기가 다르기 때문에 색상 등에 있어서 차이가 날 수 있지만 그림 17의 우측 확대영상에서 보듯이 본 연구에서 생성한 정사모자이크 영상의 경우 인접 간의 접합 정확도가 높고 색상 또한 전반적으로 균일하게 잘 조정된 것으로 나타났다.
- 0은 26시간이 걸린 것으로 나타났다. 즉, 이들 두 시스템 버전 간에는 최대 약 10배 정도의 자료처리 속도 차이가 존재하는 것으로 확인되었다.
후속연구
- 0과 비교해서는 최대 약 10배 정도의 자료처리 속도 향상을 지원하는 것으로 실험을 통하여 확인할 수 있었다. 그러나 보다 객관적인 성능 평가를 위해서는 다양한 형태의 자료처리 실험이 체계적으로 수행되어야 할 것이며, 정사영상 등의 정확도 향상을 위해서는 최신 영상 기반의 GCP Chip DB 갱신이 지속적으로 추진되어야 할 것이다.
- , 2011). 그러나 선행연구의 대부분이 제한적인 지역 및 영상 기반으로 수행되어졌기 때문에 보다 다양한 지역의 영상자료를 이용한 실험이 필요할 것으로 판단된다. 또한 이러한 광역지역에 대한 다량의 영상자료를 처리하기 위해서는 자동화 되고 고속화된 자료처리 기술이 요구되는데 국내의 경우 이에 대한 연구가 상대적으로 미흡한 실정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.