IEA(Iterative Error Analysis)와 분광혼합분석기법을 이용한 초분광영상의 변화탐지 Change Detection Using Spectral Unmixing and IEA(Iterative Error Analysis) for Hyperspectral Images원문보기
초분광영상을 이용한 변화탐지 기법으로는 Chronochrome(CC), Principal Component Analysis(PCA), 분광혼합분석(spectral unmixing) 등이 있다. 특히, 분광혼합분석을 이용한 변화탐지는 변화객체의 위치 정보뿐만 아니라 변화의 속성까지 분석할 수 있다는 점에서 매우 효과적이나, 분광혼합분석을 활용한 초분광영상의 변화탐지 연구는 여전히 초기단계에 머물러 있다. 본 연구에서는 분광혼합분석을 이용한 효과적인 변화탐지를 위하여 Iterative Error Analysis(IEA)와 Spectral Angle Mapper(SAM) 등을 활용하여 두 영상에서 변화지역을 설명할 수 있는 동일한 endmember를 결정하였으며, 점유비율의 차영상을 통하여 변화지역을 추출하였다. 제안기법의 적용성을 평가하기 위하여 임의의 변화지역을 포함한 Compact Airborne Spectrographic Imager(CASI) 및 Hyperion 모의영상에 대한 변화탐지를 수행하였다. 실험결과, 제안기법이 기존의 CC, PCA, N-FINDR를 이용한 분광혼합분석보다 효과적으로 변화지역을 추출할 수 있는 것으로 나타났다. 본 연구의 제안기법은 사전정보 없이 자동으로 동일한 endmember를 추출할 수 있는 장점을 갖기 때문에 다양한 피복물질로 구성된 영상의 변화탐지에 효과적으로 활용될 것이다.
초분광영상을 이용한 변화탐지 기법으로는 Chronochrome(CC), Principal Component Analysis(PCA), 분광혼합분석(spectral unmixing) 등이 있다. 특히, 분광혼합분석을 이용한 변화탐지는 변화객체의 위치 정보뿐만 아니라 변화의 속성까지 분석할 수 있다는 점에서 매우 효과적이나, 분광혼합분석을 활용한 초분광영상의 변화탐지 연구는 여전히 초기단계에 머물러 있다. 본 연구에서는 분광혼합분석을 이용한 효과적인 변화탐지를 위하여 Iterative Error Analysis(IEA)와 Spectral Angle Mapper(SAM) 등을 활용하여 두 영상에서 변화지역을 설명할 수 있는 동일한 endmember를 결정하였으며, 점유비율의 차영상을 통하여 변화지역을 추출하였다. 제안기법의 적용성을 평가하기 위하여 임의의 변화지역을 포함한 Compact Airborne Spectrographic Imager(CASI) 및 Hyperion 모의영상에 대한 변화탐지를 수행하였다. 실험결과, 제안기법이 기존의 CC, PCA, N-FINDR를 이용한 분광혼합분석보다 효과적으로 변화지역을 추출할 수 있는 것으로 나타났다. 본 연구의 제안기법은 사전정보 없이 자동으로 동일한 endmember를 추출할 수 있는 장점을 갖기 때문에 다양한 피복물질로 구성된 영상의 변화탐지에 효과적으로 활용될 것이다.
Various algorithms such as Chronochrome(CC), Principle Component Analysis(PCA), and spectral unmixing have been studied for hyperspectral change detection. Change detection by spectral unmixing offers useful information on the nature of the change compared to the other change detection methods which...
Various algorithms such as Chronochrome(CC), Principle Component Analysis(PCA), and spectral unmixing have been studied for hyperspectral change detection. Change detection by spectral unmixing offers useful information on the nature of the change compared to the other change detection methods which provide only the locations of changes in the scene. However, hyperspectral change detection by spectral unmixing is still in an early stage. This research proposed a new approach to extract endmembers, which have identical properties in temporally different images, by Iterative Error Analysis (IEA) and Spectral Angle Mapper(SAM). The change map obtained from the difference of abundance efficiently showed the changed pixels. Simulated images generated from Compact Airborne Spectrographic Imager (CASI) and Hyperion were used for change detection, and the experimental results showed that the proposed method performed better than CC, PCA, and spectral unmixing using N-FINDR. The proposed method has the advantage of automatically extracting endmembers without prior information, and it could be applicable for the real images composed of many materials.
Various algorithms such as Chronochrome(CC), Principle Component Analysis(PCA), and spectral unmixing have been studied for hyperspectral change detection. Change detection by spectral unmixing offers useful information on the nature of the change compared to the other change detection methods which provide only the locations of changes in the scene. However, hyperspectral change detection by spectral unmixing is still in an early stage. This research proposed a new approach to extract endmembers, which have identical properties in temporally different images, by Iterative Error Analysis (IEA) and Spectral Angle Mapper(SAM). The change map obtained from the difference of abundance efficiently showed the changed pixels. Simulated images generated from Compact Airborne Spectrographic Imager (CASI) and Hyperion were used for change detection, and the experimental results showed that the proposed method performed better than CC, PCA, and spectral unmixing using N-FINDR. The proposed method has the advantage of automatically extracting endmembers without prior information, and it could be applicable for the real images composed of many materials.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 초분광영상을 이용한 변화탐지를 수행하기 위하여 보다 향상된 분광혼합분석 기반의 변화 탐지 기법을 제안하였다. 우선 시기가 다른 두 영상에서 각각 endmember를 추출하고, 다시기 영상의 변화를 설명할 수 있는 최적의 endmember를 결정하였다.
제안 방법
본 연구에서는 IEA와 SAM을 사용하여 최적의 endmember를 추출하는 기법을 적용하여 각 영상에서 공통된 endmember를 효과적으로 추출하였고, 점유비율의 차영상을 통해 변화지역을 분석하는 실험을 수행하였다. CASI 및 Hyperion에서 생성된 모의영상을 이용하였으며, 제안기법의 성능을 평가하기 위하여 CC, PCA, HySime과 N-FINDR를 활용한 분광혼합분석기법 등을 동일 영상에 적용하여 변화영상과 ROC곡선을 분석하였다. 그 결과 분광혼합분석을 활용한 기법이 다른 기법에 비해 변화탐지에 적합하였으며 HySime과 NFINDR를 활용한 기법에 비해 제안기법의 AUC값이 높게 측정되어 제안기법이 보다 효과적으로 변화지역을 추출하는 것을 확인하였다.
IEA를 사용하여 각 영상에서 4개의 공통물질을 추출 하였다. 추출된 물질은 각각 페인트, 나지1(밝은 성분), 나지2(어두운 성분), 아스팔트 등을 나타낸다.
, 2015). 두 영상에서 공통으로 추출된 물질에 한하여 분광혼합분석을 수행하였으며, 점유비율의 차영상(difference map)을 생성하여 변화지역을 추출하였다.
영상에서 endmember의 개수 및 종류는 동일한 대상지역임에도 영상이 취득된 시기와 대기효과 등의 이유로 상이할 수 있다. 따라서 변화탐지를 수행할 경우 두 영상에서 동일하게 존재하는 물질을 선정하여 분광혼합분석을 수행한다 . 선형 분광혼합분석 (linear spectral mixture analysis)에서 화소값은 endmember의 선형조합으로 이루어지기 때문에 변화화소를 설명하는 endmember의 점유비율 역시 달라진다.
8(a)). 또한 PCA의 변화영상에서는 분광혼합분석을 이용한 기법에 비해 변화가 발생하지 않은 중앙 도로에서 변화지역을 추출하였다(Fig. 8(b)).
05 μm 파장영역에서 48개의 밴드를 갖는다. 또한 실제 환경과 유사한 조건을 만들기 위하여 변화 전후 영상에 신호대잡음비(SNR)가 25dB이 되도록 서로 다른 가우시안 잡음(gaussian white noise)을 추가하였다. 영상 내 임의로 변화지역은 우측 상단 부근에 나타나며 도로와 유사한 분광반사율을 갖는 물질이다.
변화가 발생한 지역을 추출하기 위하여 동일 물질에 대한 점유비율의 차영상을 생성하였다. 이론적으로 변화가 발생하지 않은 지역의 점유비율은 동일하기 때문에 차영상에서 값이 존재하는 화소는 모두 변화지역으로 볼 수 있다.
본 연구에서는 IEA를 사용하여 endmember를 추출하였으며, RMSE, SAM 등을 활용하여 추출하고자 하는 endmember의 개수를 사전에 입력하지 않고 자동으로 최적의 endmember를 결정하는 방법을 다시기 영상에 적용하였다(Song et al., 2015). 이 방법은 초기 물질의 수(p)에 대한 사전 정보를 입력할 필요가 없으며, 자동으로 중복되거나 혼합된 물질을 제거하고 최적의 endmember를 추출할 수 있다.
본 연구에서는 IEA와 SAM을 사용하여 최적의 endmember를 추출하는 기법을 적용하여 각 영상에서 공통된 endmember를 효과적으로 추출하였고, 점유비율의 차영상을 통해 변화지역을 분석하는 실험을 수행하였다. CASI 및 Hyperion에서 생성된 모의영상을 이용하였으며, 제안기법의 성능을 평가하기 위하여 CC, PCA, HySime과 N-FINDR를 활용한 분광혼합분석기법 등을 동일 영상에 적용하여 변화영상과 ROC곡선을 분석하였다.
이 때 RMSE는 분광혼합분석을 수행 한 후 생성된 화소 값들의 오차를 의미하며, 영상 내에 존재하는 순수한 물질을 모두 추출하였을 때 RMSE는 0이 된다. 본 연구에서는 RMSE가 10-3 이하가 되는 시점까지 endmember를 추출하였다. 이 때 영상에 존재하는 순수한 물질의 개수 이상으로 endmember가 추출되었다면 중복되거나 여러 분광특성이 혼합된 형태의 물질이 추출될 가능성이 있다.
PCA의 변화 영상은 변화를 나타내는 2차 성분의 합을 나타낸다(Vongsy, 2007). 본 연구에서는 서로 다른 단위와 범위를 갖는 변화영상과 참조자료에 따른 ROC곡선을 생성하여 임계치 변화에 따른 성능비교를 수행하였다. ROC곡선은 True Positive Rate(TPR)과 False Positive Rate(FPR)이 1에 가까울수록, 아래 면적(the Area Under the ROC Curve, AUC)이 클수록 성능이 좋은 기법으로 평가한다(Molina et al.
그 결과 분광혼합분석을 활용한 기법이 다른 기법에 비해 변화탐지에 적합하였으며 HySime과 NFINDR를 활용한 기법에 비해 제안기법의 AUC값이 높게 측정되어 제안기법이 보다 효과적으로 변화지역을 추출하는 것을 확인하였다. 본 연구의 제안기법은 IEA 와 SAM을 사용하여 비교대상이 되는 endmember를 자동으로 추출할 수 있는 장점을 갖고 있으며, 다양한 피복이 존재하는 실제 영상에 적용하여 특정 성분의 변화 정도를 분석할 수 있는 유용한 정보를 제공한다. 추후 실제 영상에서 보다 정확하게 변화지역을 추출하기 위한 임계치 설정에 관한 연구가 수행되어야 할 것으로 보이며, 다른 시기에 촬영된 실측 초분광영상에 대한 추가 연구가 진행될 예정이다.
모의영상은 참조자료를 통한 정확도 검증이 가능하기 때문에 제안 기법의 성능을 분석하기 용이하다(Alp and Plaza, 2015). 비교평가를 수행한 기법으로는 초분광영상의 변화탐지에 자주 활용되는 CC, PCA, Hysime과 N-FINDR를 활용한 분광혼합분석 기법을 선택하였다.
시기가 다른 두 영상에서 동일 물질의 점유비율 차이를 분석하기 위하여 점유비율의 차영상을 생성한다. 선정된 endmember에 따른 각 영상의 점유비율을 Adate1 =[a11, a12 , …, a1n ], Adate2 = [a21, a22 , …, a2n ]라고 할 때, 점유 비율의 차영상은 일반적으로 동일한 성분의 점유비율의 차로 정의된다(식 (4)).
본 연구에서는 초분광영상을 이용한 변화탐지를 수행하기 위하여 보다 향상된 분광혼합분석 기반의 변화 탐지 기법을 제안하였다. 우선 시기가 다른 두 영상에서 각각 endmember를 추출하고, 다시기 영상의 변화를 설명할 수 있는 최적의 endmember를 결정하였다. 이 중 분광유사도가 높은 물질을 공통물질로 선정하여 분광혼합분석을 수행하였으며, 두 영상에서 계산된 점유비율의 차이를 분석하여 변화지역을 추출하였다.
제안기법의 성능을 평가하기 위하여 기존의 다른 변화탐지 기법과 비교평가를 수행하였다. 이 때 평가의 기준이 되는 참조자료를 활용하기 위하여 변화를 인위적으로 생성한 모의영상(simulated image)을 사용하였으며 , 항공 초분광영상인 CASI와 위성에서 취득된 hyperion 영상을 이용하였다. 모의영상은 참조자료를 통한 정확도 검증이 가능하기 때문에 제안 기법의 성능을 분석하기 용이하다(Alp and Plaza, 2015).
우선 시기가 다른 두 영상에서 각각 endmember를 추출하고, 다시기 영상의 변화를 설명할 수 있는 최적의 endmember를 결정하였다. 이 중 분광유사도가 높은 물질을 공통물질로 선정하여 분광혼합분석을 수행하였으며, 두 영상에서 계산된 점유비율의 차이를 분석하여 변화지역을 추출하였다. 초분광영상의 변화탐지에 활용되는 기존의 기법들과의 성능 비교를 위하여 실제 초분광영상을 기반으로 변화지역을 임의로 생성한 모의영상(simulated image)을 이용하였으며, Receiver Operating Characteristic(ROC) 곡선 기반의 정확도 평가를 수행하였다.
이 중 분광유사도가 높은 물질을 공통물질로 선정하여 분광혼합분석을 수행하였으며, 두 영상에서 계산된 점유비율의 차이를 분석하여 변화지역을 추출하였다. 초분광영상의 변화탐지에 활용되는 기존의 기법들과의 성능 비교를 위하여 실제 초분광영상을 기반으로 변화지역을 임의로 생성한 모의영상(simulated image)을 이용하였으며, Receiver Operating Characteristic(ROC) 곡선 기반의 정확도 평가를 수행하였다.
대상 데이터
IEA를 이용하여 총 4개의 물질이 두 영상의 공통 endmember로 추출되었으며 각각의 영상에 대한 점유 비율은 Fig. 7과 같다. 어둡고 밝은 도로를 나타내는 endmember의 점유비율영상에서 변화지역이 두드러진다.
모의영상1은 100×100×48개의 화소로 구성되며 CASI영상을 이용하여 제작하였다(Fig. 2).
모의영상3은 256개의 밴드로 구성된 Hyperion영상이다. Hyperion은 EO-1위성에 탑재된 Pushbroom방식의 초분광센서로 0.
데이터처리
추출된 물질은 각각 페인트, 나지1(밝은 성분), 나지2(어두운 성분), 아스팔트 등을 나타낸다. 각각의 영상에서 4개의 물질에 대한 분광혼합분석을 수행하였으며, 그 결과 얻어진 점유비율은 Fig. 3과 같다. 점유비율은 0~1사이의 값을 가지며 1에 가까운 값을 가질수록 밝게 나타난다.
제안기법의 성능을 평가하기 위하여 기존의 다른 변화탐지 기법과 비교평가를 수행하였다. 이 때 평가의 기준이 되는 참조자료를 활용하기 위하여 변화를 인위적으로 생성한 모의영상(simulated image)을 사용하였으며 , 항공 초분광영상인 CASI와 위성에서 취득된 hyperion 영상을 이용하였다.
이론/모형
1. Flow chart of optimal endmember extraction using the IEA method (Song et al., 2015).
분광혼합분석을 이용한 효과적인 변화탐지를 수행하기 위해서는 변화의 속성을 설명할 수 있는 적절한 endmember의 추출의 선행되어야 한다. 본 연구에서는 IEA(Iterative Error Analysis)기 법 과 RMSE(Root Mean Square Error), SAM(Spectral Angle Mapper)등을 사용하여 최적의 endmember를 자동으로 추출하는 기법을 활용하여 각각의 영상에서 endmember를 추출하였다(Song et al., 2015). 두 영상에서 공통으로 추출된 물질에 한하여 분광혼합분석을 수행하였으며, 점유비율의 차영상(difference map)을 생성하여 변화지역을 추출하였다.
성능/효과
ROC곡선과 AUC값을 비교하였을 때, IEA를 활용한 변화탐지 기법이 변화지역을 가장 효율적으로 추출할 수 있는 것으로 나타났다. IEA를 사용한 변화탐지 기법의 ROC곡선이 가장 꼭지점과 가장 가깝게 분포하며 AUC값도 N-FINDR에 보다 1에 가장 가까운 값을 나타냈다.
8(b)). ROC곡선과 AUC값을 비교하였을 때, IEA를 활용한 변화탐지 기법이 변화지역을 가장 효율적으로 추출할 수 있는 것으로 나타났다. IEA를 사용한 변화탐지 기법의 ROC곡선이 가장 꼭지점과 가장 가깝게 분포하며 AUC값도 N-FINDR에 보다 1에 가장 가까운 값을 나타냈다.
CC와 PCA의 변화영상에서는 강의 중간 부근의 변화가 제대로 추출되지 않았으나 분광혼합분석 기법을 이용한 변화영상에서는 중간영역까지 추출되었다. ROC곡선과 AUC값을 비교하였을 때, 분광혼합분석을 이용한 기법이 변화탐지에 효과적인 것으로 나타났으며 IEA를 이용한 기법보다 N-FIDNR를 통해 추출된 변화영상의 AUC가 미세하게 높았다. 이는 IEA의 변화영상에 포함된 잡음의 영향으로 판단된다.
CASI 및 Hyperion에서 생성된 모의영상을 이용하였으며, 제안기법의 성능을 평가하기 위하여 CC, PCA, HySime과 N-FINDR를 활용한 분광혼합분석기법 등을 동일 영상에 적용하여 변화영상과 ROC곡선을 분석하였다. 그 결과 분광혼합분석을 활용한 기법이 다른 기법에 비해 변화탐지에 적합하였으며 HySime과 NFINDR를 활용한 기법에 비해 제안기법의 AUC값이 높게 측정되어 제안기법이 보다 효과적으로 변화지역을 추출하는 것을 확인하였다. 본 연구의 제안기법은 IEA 와 SAM을 사용하여 비교대상이 되는 endmember를 자동으로 추출할 수 있는 장점을 갖고 있으며, 다양한 피복이 존재하는 실제 영상에 적용하여 특정 성분의 변화 정도를 분석할 수 있는 유용한 정보를 제공한다.
이는 CC가 전역적인 선형변환을 수행하기 때문에 지역적으로 발생한 변화를 제대로 추출하지 못하기 때문이다. 또한 각각의 변화영상에 따른 ROC곡선과 AUC값을 비교하였을 때, N-FIDNR를 활용한 기법보다 IEA를 활용한 분광혼합분석 기법이 변화지역을 보다 효과적으로 추출하는 것으로 나타났다(Fig. 5).
후속연구
본 연구의 제안기법은 IEA 와 SAM을 사용하여 비교대상이 되는 endmember를 자동으로 추출할 수 있는 장점을 갖고 있으며, 다양한 피복이 존재하는 실제 영상에 적용하여 특정 성분의 변화 정도를 분석할 수 있는 유용한 정보를 제공한다. 추후 실제 영상에서 보다 정확하게 변화지역을 추출하기 위한 임계치 설정에 관한 연구가 수행되어야 할 것으로 보이며, 다른 시기에 촬영된 실측 초분광영상에 대한 추가 연구가 진행될 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
Principal Component Analysis를 이용한 변화탐지는 어떻게 변화탐지를 수행하는가?
Chronochrome(CC), Covariance Equalization(CE), 분광혼합분석(spectral unmixing) 등이있 다 . PCA를 이용한 변화탐지는 선형변환 (linear transform)을 기반으로 변화가 발생한 성분과 변화가 발생하지 않은 성분을 새로운 축으로 생성하여 변화탐지를 수행한다(Vongsy, 2007; Alp and Plaza, 2015). Schaum (1998)은 두 영상의 2차 통계량을 이용하여 영상의 전역 적인 선형성을 분석하여 변화지역을 추출하는 CC를 제안하였으며, Stocker and Schaum(2004)는 CC를 기반으로 두 영상 간 교차공분산(cross covariance)을 고려하지 않음으로써 기하보정단계에서 발생할 수 있는 오차의 영향을 줄일 수 있는 CE를 제안하였다.
초분광영상을 활용하는 분야는 무엇이 있는가?
초분광영상은 넓은 파장영역에서 대상 객체의 분광 반사곡선(spectral reflectance curve)을 보다 상세히 얻을 수 있다는 점에서 변화탐지(change detection), 분류(classification), 표적탐지(target detection), 환경 모니터링(environmental monitoring) 등 다양한 분야에 활용된다(Kim et al., 2005; Kim and Yang, 2015).
초분광영상은 어떠한 장점으로 다양한 분야에 활용되는가?
초분광영상은 넓은 파장영역에서 대상 객체의 분광 반사곡선(spectral reflectance curve)을 보다 상세히 얻을 수 있다는 점에서 변화탐지(change detection), 분류(classification), 표적탐지(target detection), 환경 모니터링(environmental monitoring) 등 다양한 분야에 활용된다(Kim et al., 2005; Kim and Yang, 2015).
참고문헌 (17)
Alp, E. and A. Plaza, 2015. Informative change detection by unmixing for hyperspectral images, IEEE Geoscience Remote Sensing Letters, 12(6): 1252-1256.
Han, D., D. Kim, and Y. Kim, 2006. The removal of noisy bands for hyperion data using extrema, Korean Journal of Remote Sensing, 22(4): 275-284 (In Korean with English abstact).
Hsieh, C.C., P.F. Hsieh, and C.W. Lin, 2006. Subpixel change detection based on abundance and slope features, Geoscience and Remote Sensing Symposium, IGARSS 2006, Denver, CO, 775-778.
Kim, D. and M. Pyen, 2011. Extraction of changed pixels for Hyperion hyperspectral images using range average based buffer zone concept, Journal of the Korean Society of Subveying Geodecy, Photogrammetry and Carteography, 29(5): 487-496 (In Korean with English abstact).
Kim, S. and C. Yang, 2015. Current status of hyperpsectral data processing techniques for monitoring coastal water, Korean Association of Geographic Information Studies, 18(1): 48-63.
Kim, S., K. Lee, J. Ma, and M. Kook, 2005. Current status of hyperspectral remote sensing: principle, data processing techniques, and applications, Korean Journal of Remote Sensing, 21(4): 341-369.
Lee, J. and K. Lee, 2003. Analysis of forest cover information extracted by spectral mixture analysis, Korean Journal of Remote sensing, 19(6): 411-419 (In Korean with English abstact).
Molina, I., E. Martinez, A. Arquero, G. Pajares, and J. Sanchez, 2012. Evaluation of a change detection methodology by means of binary thresholding algorithms and informational fusion processes, Sensors, 12(3): 3528-3561.
Neville, R.A., K. Staennz, T. Szeredi, J. Lefebvre, and P. Hauff, 1999. Automatic endmember extraction from hyperspectral data for mineral exploration, Proc. of 21 st Canada Symposium on Remote Sensing, Ottawa, ON, Canada, pp. 21-24.
Roberts, D.A., M. Gardner, R. Church, S. Ustin, G. Scheer, and R.O. Green, 1998. Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixture Models, Remote Sensing of Environment, 44: 255-269.
Snchez, S., A. Paz, and A. Plaza, 2011. A real time spectral unmixing using iterative error analysis on commodity graphics processing units. Proc. of IEEE International Geoscience and Remote Sensing Symposyium (IGARSS 2011), Vancouver, BC, Canada, 24-29 July 2011, pp. 1767-1770.
Schaum, A. and A. Stocker, 1998. Long-interval chronochrome target detection, Proc. of International Symposium on Spectral Sensing Research, San Diego, CA, USA, 1998.
Schaum, A. and A. Stocker, 2004. Hyperspectral change detection and supervised matched filtering based on covariance equalization, Proceedings SPIE 2004, 5425: 77-90.
Song, A., A. Chang, J. Choi, S. Choi, and Y. Kim, 2015. Automatic extraction of optimal endmembers from airborne hyperspectral imagery using iterative error analysis (IEA) and spectral discrimination measurements, Sensors, 15(2): 2593-2613.
Vikrant, G. and A.P. Pushp, 2014. Survey on various change detection techniques for hyperspectral images, International Journal of Advanced Research in Computer Science and Software Engineering, 4(8): 851-855.
Vongsy, K.M., 2007. Change detection methods for hyperspectral imagery, Master of Science in Engineering, Wright State University, Electrical Engineering.
Wu, C., B. Du, and L. Zhang, 2013. A subspace-based change detection method for hyperspectral images, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(2): 815-830.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.