개체 추출은 원격탐사 분야의 주된 연구분야 중 하나로, 고해상도 위성영상의 활용도가 높아짐에 따라 보다 세밀하고 특정적인 개체를 추출할 수 있게 되었다. 기존의 화소 기반의 영상 처리 기법들은 고해상도 위성영상의 분광 및 기하학적인 다양성과 복잡성을 제대로 반영하기 어렵기 때문에 근래에는 영상분할 기술을 기반으로 하는 많은 연구가 진행되고 있다. 그런데 단순히 RGB 밴드 영상에 한 가지 영상분할 기법을 적용하는 것으로는 다양한 분광 특성과 형태를 갖는 여러 대상 개체들을 추출하는데 한계가 있다. 지표면의 피복의 종류를 식별하고, 상태를 모니터링 하는데 효과적인 분광지수는 개체 추출 과정에 효율적으로 이용할 수 있다. 본 연구에서는 영상분할 기술을 기반으로 하여 분광지수를 이용한 보다 효과적인 개체 추출 기술을 제안하고자 하였다. 다양한 종류의 개체를 추출하기 위하여 의사결정 트리 분류 기술을 사용하였으며 고해상도 위성인 WorldView-2의 8밴드 다중분광 영상을 이용한 실험을 통해 각 대상 개체를 추출하기에 적합한 분광지수들을 선택하고 이의 효용성을 평가해보고자 하였다. 그 결과, 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 선택적으로 분류할 수 있었고, 식생지수를 비롯한 다양한 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다.
개체 추출은 원격탐사 분야의 주된 연구분야 중 하나로, 고해상도 위성영상의 활용도가 높아짐에 따라 보다 세밀하고 특정적인 개체를 추출할 수 있게 되었다. 기존의 화소 기반의 영상 처리 기법들은 고해상도 위성영상의 분광 및 기하학적인 다양성과 복잡성을 제대로 반영하기 어렵기 때문에 근래에는 영상분할 기술을 기반으로 하는 많은 연구가 진행되고 있다. 그런데 단순히 RGB 밴드 영상에 한 가지 영상분할 기법을 적용하는 것으로는 다양한 분광 특성과 형태를 갖는 여러 대상 개체들을 추출하는데 한계가 있다. 지표면의 피복의 종류를 식별하고, 상태를 모니터링 하는데 효과적인 분광지수는 개체 추출 과정에 효율적으로 이용할 수 있다. 본 연구에서는 영상분할 기술을 기반으로 하여 분광지수를 이용한 보다 효과적인 개체 추출 기술을 제안하고자 하였다. 다양한 종류의 개체를 추출하기 위하여 의사결정 트리 분류 기술을 사용하였으며 고해상도 위성인 WorldView-2의 8밴드 다중분광 영상을 이용한 실험을 통해 각 대상 개체를 추출하기에 적합한 분광지수들을 선택하고 이의 효용성을 평가해보고자 하였다. 그 결과, 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 선택적으로 분류할 수 있었고, 식생지수를 비롯한 다양한 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다.
Feature extraction is one of the main goals in many remote sensing analyses. After high-resolution imagery became more available, it became possible to extract more detailed and specific features. Thus, considerable image segmentation algorithms have been developed, because traditional pixel-based a...
Feature extraction is one of the main goals in many remote sensing analyses. After high-resolution imagery became more available, it became possible to extract more detailed and specific features. Thus, considerable image segmentation algorithms have been developed, because traditional pixel-based analysis proved insufficient for high-resolution imagery due to its inability to handle the internal variability of complex scenes. However, the individual segmentation method, which simply uses color layers, is limited in its ability to extract various target features with different spectral and shape characteristics. Spectral indices can be used to support effective feature extraction by helping to identify abundant surface materials. This study aims to evaluate a feature extraction method based on a segmentation technique with spectral indices. We tested the extraction of diverse target features-such as buildings, vegetation, water, and shadows from eight band WorldView-2 satellite image using decision tree classification and used the result to draw the appropriate spectral indices for each specific feature extraction. From the results, We identified that spectral band ratios can be applied to distinguish feature classes simply and effectively.
Feature extraction is one of the main goals in many remote sensing analyses. After high-resolution imagery became more available, it became possible to extract more detailed and specific features. Thus, considerable image segmentation algorithms have been developed, because traditional pixel-based analysis proved insufficient for high-resolution imagery due to its inability to handle the internal variability of complex scenes. However, the individual segmentation method, which simply uses color layers, is limited in its ability to extract various target features with different spectral and shape characteristics. Spectral indices can be used to support effective feature extraction by helping to identify abundant surface materials. This study aims to evaluate a feature extraction method based on a segmentation technique with spectral indices. We tested the extraction of diverse target features-such as buildings, vegetation, water, and shadows from eight band WorldView-2 satellite image using decision tree classification and used the result to draw the appropriate spectral indices for each specific feature extraction. From the results, We identified that spectral band ratios can be applied to distinguish feature classes simply and effectively.
본 연구에서는 8밴드의 WorldView-2 고해상도 영상으로부터 다양한 개체들을 효과적으로 추출할 수 있는 방법을 제안하고자 실험적인 연구를 수행하였다. 제안한 기법은 다중해상도 영상분할 기술을 이용한 객체기반의 알고리즘이며, 안정적이고 간단하면서도 효율적인 개체의 분류를 위해 분광지수를 이용한 의사결정 트리 분류를 수행하였다.
본 연구에서는 고해상도 다중분광 영상으로부터 객체 기반의 영상 분할을 수행한 후, 다양한 분광지수를 추출하고 이를 통해 다양한 클래스들을 분류해낸 후, 대상 개체들을 추출하고자 하였다. WorldView-2와 같은 8밴드의 고해상도 다중분광 위성영상의 분광 정보를 충분히 활용하기 위하여 여러 밴드들 간의 다양한 조합을 통해 다수의 분광지수들을 생성하여 이를 바탕으로 인공물 및 자연물 개체들을 분리해낼 수 있었다.
제안 방법
NDVI는 식생지역과 그 활력도를 측정하는 가장 대표적인 분광지수이다. NDWI는 수계 영역을 탐지하기 위한 분광지수로 전통적으로는 NIR(Near Infra Red)과 blue 밴드간의 정규화값을 사용하나, 제안한 방법에서는 보다 효과적으로 수계 영역을 분리해낼 수 있다고 알려진 coastal 밴드와 NIR2 밴드간의 조합을 사용하였다(Wolf, 2010; Jawak and Luis, 2013). NDSI는 흙이 주된 분포를 보이는 나지 영역을 추출하는데 효과적인 분광지수로 일반적으로는 SWIR(Short Wave Infra Red)와 NIR 밴드를 이용하나, SWIR 밴드가 없는 WorldView-2 영상의 경우, 대신 green과 yellow 밴드간의 조합을 통해 나지를 유의하게 추출해낼 수 있다고 알려져 있다(Wolf, 2010; Jawak and Luis, 2013).
이러한 분광지수 영상들을 기준으로 하여 계층적으로 의사결정 트리(decision tree)를 설정하고 분류를 수행한다. NDWI로부터 수계와 그림자 영역을, 식생영역과 나지는 각각 NDVI와 NDSI를 이용하여 추출하고, NDMI를 통해 도로와 건물을 분리해내고, 식생, 나자로 분류된 영역들 중 건물영역을 NHFD를 이용하여 추출한다. 분광지수들은 추출하고자 하는 대상의 후보영역을 추출하기 위해 사용되며, 그림자와 수계 같이 서로 유사한 분광 특성을 갖는 개체들에 대해서는 밀도(density), 크기(size), 등의 기하학적 지수(geometry index)들을 사용한다.
본 연구에서는 고해상도 다중분광 영상으로부터 객체 기반의 영상 분할을 수행한 후, 다양한 분광지수를 추출하고 이를 통해 다양한 클래스들을 분류해낸 후, 대상 개체들을 추출하고자 하였다. WorldView-2와 같은 8밴드의 고해상도 다중분광 위성영상의 분광 정보를 충분히 활용하기 위하여 여러 밴드들 간의 다양한 조합을 통해 다수의 분광지수들을 생성하여 이를 바탕으로 인공물 및 자연물 개체들을 분리해낼 수 있었다.
1과 같다. 우선 다중분광 영상의 공간해상도를 높이기 위하여, 고해상도의 흑백영상과 다중분광 영상 간의 영상융합을 통해 0.5m 해상도의 8밴드 영상을 생성한다. 본 연구에서는 WorldView-2 영상으로부터 분광지수를 생성함에 있어 가장 분광 왜곡이 적은 것으로 평가된(Jawak and Luis, 2013), Gram-Schumidt Pan-sharpening 기법을 사용하였다.
실례로 파랑 또는 녹색계열 지붕의 건물들은 식생과 매우 유사한 NDVI값을 나타내며, 노랑, 갈색 및 흰색 계열의 지붕을 갖는 건물들은 NDSI값을 기준으로 한 분류에서 나지로 분류되는 경향이 있다. 이에 식생과 나지로 오분류된 빌딩 개체들을 다시 분리해내는 작업이 필요한데, 이를 위해 NHFD를 사용하여 식생후보군과 나지후보군으로부터 건물 개체들을 추출해내었다. 각 단계에서 분류된 슈퍼픽셀들은 동일 클래스로 분류된 이웃화소들의 비율에 따라 병합하였으며, 각 단계에서 사용된 분광지수 임계치는 실험적으로 결정하였다.
의사결정 트리 분류 기법은 직관적으로 이해가 쉽고, 유연하며, 계산상 효율적이라는 장점이 있다(Friedl and Brodley, 1997). 제안한 기법에서 분류하고자 하는 개체 클래스는 건물, 도로, 식생, 나지, 수계, 그림자이며, 이를 위해 설계한 의사결정 트리는 Fig. 2와 같다.
본 연구에서는 8밴드의 WorldView-2 고해상도 영상으로부터 다양한 개체들을 효과적으로 추출할 수 있는 방법을 제안하고자 실험적인 연구를 수행하였다. 제안한 기법은 다중해상도 영상분할 기술을 이용한 객체기반의 알고리즘이며, 안정적이고 간단하면서도 효율적인 개체의 분류를 위해 분광지수를 이용한 의사결정 트리 분류를 수행하였다. 이러한 과정을 통하여 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 각기 추출하였으며 그 결과, NDVI, NDWI, NDSI, NHFD, NDMI를 포함하는 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다.
대상 데이터
3(b))이다. 대상지1은 다양한 색깔의 건물들과 도로, 나무, 잔디밭, 운동장, 강, 주차장 등이 있는 도심지 영역이며, 대상지2는 바다와 다양한 형태의 건물, 도로, 공원, 공사지, 대형 버스, 등을 포함하는 해안가 영상으로 각 영상의 크기는 1000×1000 화소이다.
가장 대표적인 분광지수인 NDVI 외에도, NDWI, NDSI, NHFD, NDMI, MNDWI(Modified Normalized Diffence Water Index, Xu, 2006), NDBI(Normalized Difference Built-up Index, Zha, 2003), CMR(Clay Minerals Ratio, Drury, 1987), IOR(Iron Oxide Ratio, Segal, 1982) 등이 있다. 본 연구에서는 추출하고자 하는 개체들의 특성을 잘 구분할 수 있는 5개의 분광지수, NDVI, NDWI, NDSI, NHFD, NDMI를 실험적으로 선택하여 활용하였다. NDVI는 식생지역과 그 활력도를 측정하는 가장 대표적인 분광지수이다.
1일이다. 사용한 실험 데이터는 2010년 9월에 촬영된 서울 영상(Fig. 3(a))과, 2010년 1월에 촬영된 브라질 리오 영상(Fig.
제안한 개체 추출 기법의 효용성을 평가하기 위하여 WorldView-2 위성영상을 사용하였다. WorldView-2 영상의 제원은 Table 2와 같으며, 통상적으로 흑백 영상의 공간해상도는 0.
이론/모형
본 연구에서는 WorldView-2 영상으로부터 분광지수를 생성함에 있어 가장 분광 왜곡이 적은 것으로 평가된(Jawak and Luis, 2013), Gram-Schumidt Pan-sharpening 기법을 사용하였다. 그리고 Baatz and Schäpe(2000)의 다중 해상도 영상분할(multiresolution segmentation) 기법을 이용한 과분할(over-segmentation) 과정을 통해 슈퍼픽셀(super-pixel, Ren and Malik, 2003) 영상을 생성한다. 이는 노이즈 효과에 의한 오분류를 줄이고, 화소값뿐 아니라, 텍스처, 이웃화소와의 균질성 등을 고려하여 결정된 객체들을 개체추출의 기본단위로 사용하기 위함이다.
5m 해상도의 8밴드 영상을 생성한다. 본 연구에서는 WorldView-2 영상으로부터 분광지수를 생성함에 있어 가장 분광 왜곡이 적은 것으로 평가된(Jawak and Luis, 2013), Gram-Schumidt Pan-sharpening 기법을 사용하였다. 그리고 Baatz and Schäpe(2000)의 다중 해상도 영상분할(multiresolution segmentation) 기법을 이용한 과분할(over-segmentation) 과정을 통해 슈퍼픽셀(super-pixel, Ren and Malik, 2003) 영상을 생성한다.
NDWI로부터 수계와 그림자 영역을, 식생영역과 나지는 각각 NDVI와 NDSI를 이용하여 추출하고, NDMI를 통해 도로와 건물을 분리해내고, 식생, 나자로 분류된 영역들 중 건물영역을 NHFD를 이용하여 추출한다. 분광지수들은 추출하고자 하는 대상의 후보영역을 추출하기 위해 사용되며, 그림자와 수계 같이 서로 유사한 분광 특성을 갖는 개체들에 대해서는 밀도(density), 크기(size), 등의 기하학적 지수(geometry index)들을 사용한다. 이 때, 사용된 각 분광지수별 임계치는 실험적으로 결정하였으며, 각 클래스별 슈퍼픽셀들의 동일 클래스간 인접조건을 통해 영역병합(region merge)하여 개체들을 완성한다.
슈퍼픽셀 영상으로부터 다음과 같은 다섯 가지 종류의 분광지수를 추출한다. 우선 가장 널리 사용되는 분광지수인 식생지수 NDVI(Normalized Difference Vegetation Index, Price, 1987)와 수계영역의 추출을 위한 NDWI(Normalized Difference Water Index, Gao, 1995), 나지영역 분류를 위한 NDSI(Normalized Difference Soil Index, Wolf, 2010), 그리고 인공물을 인식하는데 효과적인 NHFD(Non-Homogeneous Feature Difference, Wolf, 2010) 및 진흙 영역을 추출하기 위해 고안된 NDMI(Normalized Difference Mud Index, Bernstein et al., 2012)를 간단한 밴드 간 연산을 통해 추출하였다. 이러한 분광지수 영상들을 기준으로 하여 계층적으로 의사결정 트리(decision tree)를 설정하고 분류를 수행한다.
4는 다중해상도 영상분할 기법으로 생성된 두 실험 대상지의 과분할된 슈퍼픽셀 영상이다. 이를 위해 eCognition Developer를 사용하였으며, 실험적으로 축척 계수(scale parameter)는 50, shape와 compactness 계수는 각각 0.3과 0.7로 할당하였다. 균질한 분광 특성을 갖는 강이나 바다와 같은 수계 영역은 도로나 건물 등의 인공지물에 비해 큰 조각으로 분할되었다.
성능/효과
제안한 기법은 다중해상도 영상분할 기술을 이용한 객체기반의 알고리즘이며, 안정적이고 간단하면서도 효율적인 개체의 분류를 위해 분광지수를 이용한 의사결정 트리 분류를 수행하였다. 이러한 과정을 통하여 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 각기 추출하였으며 그 결과, NDVI, NDWI, NDSI, NHFD, NDMI를 포함하는 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다. 이를 보다 정량적으로 검증하기 위해서 향후 기존의 객체 기반의 개체 추출 기법들과의 비교하여 평가할 예정이며, 분류과정에서의 오분류와 영역병합 과정에서의 누락에 의한 오차들을 개선하기 위해 보다 다양한 분광지수들에 대한 실험연구가 필요하다.
후속연구
이를 보다 정량적으로 검증하기 위해서 향후 기존의 객체 기반의 개체 추출 기법들과의 비교하여 평가할 예정이며, 분류과정에서의 오분류와 영역병합 과정에서의 누락에 의한 오차들을 개선하기 위해 보다 다양한 분광지수들에 대한 실험연구가 필요하다. 또한 초기 과분할시 필요한 계수들과 각 분류 단계에서 사용되는 분광지수 임계치들에 따라 결과가 영향을 받으므로, 보다 안정적인 결과를 위해서 각 임계치와 분할에 사용되는 축척계수들을 정량적이고 합리적으로 결정할 수 있는 방법을 고찰해보고자 한다.
이러한 과정을 통하여 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 각기 추출하였으며 그 결과, NDVI, NDWI, NDSI, NHFD, NDMI를 포함하는 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다. 이를 보다 정량적으로 검증하기 위해서 향후 기존의 객체 기반의 개체 추출 기법들과의 비교하여 평가할 예정이며, 분류과정에서의 오분류와 영역병합 과정에서의 누락에 의한 오차들을 개선하기 위해 보다 다양한 분광지수들에 대한 실험연구가 필요하다. 또한 초기 과분할시 필요한 계수들과 각 분류 단계에서 사용되는 분광지수 임계치들에 따라 결과가 영향을 받으므로, 보다 안정적인 결과를 위해서 각 임계치와 분할에 사용되는 축척계수들을 정량적이고 합리적으로 결정할 수 있는 방법을 고찰해보고자 한다.
참고문헌 (24)
Angiuli, E. and Trianni, G. (2014), Urban mapping in Landsat images based on normalized difference spectral vector, IEEE Geoscience and Remote Sensing Letters, Vol. 11, No. 3, pp. 661-665.
Baatz, M. and Schäpe, A. (2000), Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation, Proceeding of the Angewandte Geographicsche Informations-Verarbeitung XII, Wichmann Verlag, Karlsruhe, Germany, pp. 12-23.
Belgiu, M. and Drăguţ, L. (2014), Comparing supervised and unsupervised multiresolution segmentation approaches for extracting buildings from very high resolution imagery, ISPRS Journal of Photogrammety and Remote Sensing, Vol. 96, pp. 67-75.
Dey, V., Zhang, Y., and Zhong, M. (2010), A review on image segmentation techniques with remote sensing perspective, Proceeding of the. ISPRS TC VII Symposium. Vienna, Vol. XXXVII, part 7A, pp. 31-42.
DigitalGlobe. WhitePaper (2010), The benefits of the eight spectral bands of WorldView-II, Co, Digitalglobe, Longmont, http://global.digitalglobe.com/sites/default/files/DG-8SPECTRAL-WP_0.pdf (last date accessed: 15 September 2015)
Drury, S. (1987), Image Interpretation in Geology, Allen and Unwin Inc., London.
Friedl, M.A. and Brodley, C.E. (1997), Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, Vol. 61, No. 3, pp. 399-409.
Gao, BC. (1996), NDWI - a normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment, Vol. 58, No. 3, pp. 257-266.
Jawak, S.D., Raut, D.A., and Luis, A.J. (2015), Iterative spectral index ratio exploration for object-based image analysis of Antarctic coastal oasis using high resolution satellite remote sensing data, Proceeding of the. International Conference on Water Resources, Coastal and Ocean Engineering, Vol. 4, pp. 157-164.
Patel, N. and Mukherjee, R. (2015), Extraction of impervious features from spectral indices using artificial neural network, Arabian Journal of Geosciences, Vol. 8, No. 6, pp. 3729-3741.
Ramirez, A., Dianderas, E., and Kemper, G. (2015), Landscape units estimation in WorldView-2 images by using segmented urban areas, green areas and water bodies for monitoring variation/evolution of cities, Proceeding of the 20th Symposium on Signal Processing, Images and Computer Vision, Bogata, Colombia.
Ren, X. and Malik, J. (2003), Learning a classification model for segmentation, Proceeding of the. Ninth IEEE International Conference on Computer Vision, Nice, France, Vol. 1, pp. 13-16.
Sato, L.Y., Shimabukuro, Y.E., and Kuplich, T.M. (2013), Decision tree classification of land use and land cover of the Tapajos national forest region, Brazilian amazon. Geoinfor Geostat: An Overview, S1-008.
Segal, D. (1982), Theoretical basis for differentiation of ferric-iron bearing minerals, using Landsat MSS data, Proceedings of Symposium for Remote Sensing of Environment, 2nd Thematic Conference on Remote Sensing for Exploratory Geology, Fort Worth, TX, pp. 949-951.
Shahi, K., Shafri, H.Z.M., Taherzadeh, E., Mansor, S., and Muniandy, R. (2015), A novel spectral index to automatically extract road networks from WorldView-2 satellite imagery, The Egyptian Journal of Remote Sensing and Space Sciences, Vol. 18, pp. 27-33.
Wolf, A. (2010), Using WorldView 2 Vis-NIR MSI Imagery to Support Land Mapping and Feature Extraction Using Normalized Difference Index Ratios. Unpublished report, Longmont, CO: DigitalGlobe.
Xu, H. (2006), Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing, Vol. 27, No. 14, pp. 3025-3033.
Zha, Y., Gao, J., and Ni, S. (2003), Use of normalized difference built-up index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, Vol. 24, No. 3, pp. 583-594.
Zhang, L., Wu, B., and Zhou, W. (2005), Land cover classification using decision tree techniques at mesoscale structure in three gorge dam, China. Proceeding of 2005 IEEE International Geoscience & Remote Sensing Symposium, pp. 2486-2488.
Zhang, P., Lv, Z., and Shi, W. (2013), Object-based spatial feature for classification of very high resolution remote sensing images, IEEE Geoscience and Remote Sensing Letters, Vol. 10, No. 6, pp. 1572-1576.
Zhou, X., Jancso, T., Chen, C., and Verone, M.W. (2012), Urban land cover mapping based on object oriented classification using WorldView-2 satellite remote sensing images. Proceeding of the International Scientific Conference on Sustainable Development and Ecological Footprint, Sopron, Hungary.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.