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 2008년 7월 미시시피강 범람에 의한 침수 지역을 탐지하기 위해 홍수기간 중 획득된 영상 두 장을 이용하여 홍수 지도를 생성하였다. TerraSAR-X의 Raw 데이터를 처리하여 얻어진 SLC(Single Look Complex) 영상에 range와 azimuth 방향으로 각각 5룩의 멀티룩을 적용하였다.
- 생성하였다. 필터링 처리를 하지 않은 영상으로부터 생성된 홍수지도를 포함한 총 4장의 홍수지도에서 네 군데의 테스트 사이트를 선정하여 노이즈 저감 정도, 해상도의 변화 등을 비교하여 홍수탐지에 가장 적합한 필터링 기법을 제시하고자 한다.
가설 설정
- 수위가 높을 때인 Fig. 5(a) 영상에서 하얗게 표시된 박스 내부에 완전히 잠기지 않은 둑이 존재한다. Fig.
제안 방법
- 홍수매핑을 위한 레이더 필터 성능을 비교하기 위해 2008 년 미국의 미시시피강 홍수기간중 이 일대를 촬영한 SAR 영상을 이용하였다 연구에 사용한 자료는 TerraSAR-X의 stripmap 모드로 촬영된 영상으로 두 장 모두 ascending이 며 VV편파를 이용하여 촬영되었다 사용한 영상의 시기는 Table 1에서 확인할 수 있듯이 7월 4일과 7월 15일에 촬영된 영상이다. 2008년에 발생한 미시시피강 홍수는 6월 중순부터 시작하여 7월 말까지 지속되었기 때문에 본 연구에 이용한 영 상이 촬영된 시기는 각각 홍수가 최고높이에 도달한 시점과 홍수의 수위가 어느 정도 낮아진 시점이다 따라서 본 연구에서는 땅에서 물로 변한 픽셀을 탐지하지 않고 물에서 땅으로 변한 것으로 추정되는 픽셀을 탐지하였다
- 본 연구에서는 2008년 7월 미시시피강 범람에 의한 침수 지역을 탐지하기 위해 홍수기간 중 획득된 영상 두 장을 이용하여 홍수 지도를 생성하였다. TerraSAR-X의 Raw 데이터를 처리하여 얻어진 SLC(Single Look Complex) 영상에 range와 azimuth 방향으로 각각 5룩의 멀티룩을 적용하였다. 따라서, 멀티룩 영상의 픽셀 크기는 약 10m X 10m이다.
- 각각의 필터링 결과 생성된 홍수 지도의 홍수 탐지 정확도 를 비교하기 위해 시그마넛 영상에 5 X 5 크기의 LEE, Frost, NL-means 필터를 적용하였다. 이후 thresholding 기법을 이 용해 필터링 된 영상을 물과 물이 아닌 픽셀로 분류하였다.
- 3(d)는 NL-means 필터를 적용한 영상을 이용하여 생성한 것이다. 각각의 필터링의 성능을 비교하기 위해 다음과 같이 A, B, C, D 네 곳의 테스트 사이트를 선정하여 노이즈저감 효과, 해상도 변화, 탐지 정확도를 비교하였다.
- 본 연구에서는 임계값 설정 기법을 이용한 홍수탐지에 앞서 영상에 각기 다른 3가지(Lee, Frost, Non-Local means) 필터를 적용하였고 그 결과 만들어진 영상을 이용하여 홍수 지도를 생성하였다. 필터링 처리를 하지 않은 영상으로부터 생성된 홍수지도를 포함한 총 4장의 홍수지도에서 네 군데의 테스트 사이트를 선정하여 노이즈 저감 정도, 해상도의 변화 등을 비교하여 홍수탐지에 가장 적합한 필터링 기법을 제시하고자 한다.
- , 2013). 이러한 현상은 탐지의 정확도 에 영향을 미치므로 정확한 분석을 수행하기 위해 수치표고 모델(Digital Elevation Model)과 궤도 자료를 이용하여 각 픽셀에서의 입사각에 의한 효과를 보정한 시그마넛 영상을 생성하였다. 생성된 시그마넛 영상에 필터링을 적용하기 위해 dB 단위로 변환하여 주었다.
- 각각의 필터링 결과 생성된 홍수 지도의 홍수 탐지 정확도 를 비교하기 위해 시그마넛 영상에 5 X 5 크기의 LEE, Frost, NL-means 필터를 적용하였다. 이후 thresholding 기법을 이 용해 필터링 된 영상을 물과 물이 아닌 픽셀로 분류하였다. 일반적으로 SAR 영상은 레일리 분포를 따르지만 dB 단위로 변 환한 뒤에는 가우시안 분포를 따른다는 특성을 가진다.
- 이 알고리즘은 가 우시안 분포를 따른다고 가정되는 영상에 적용가능하며 피복 을 나눌 때 두 피복이 분류되는 오차를 최소화시켜 준다는 특징을 가진다. 이후 이분화된 두 장의 영상에서 변화를 탐지하여 만들어진 홍수지도를 비교하여 홍수탐지에 가장 효과적인 필터링 기법을 찾는 연구를 진행하였다
- 필터는 인접한 공간일수록 두 지점의 상관성이 높다는 전제를 바탕으로 필터링을 수행한다. 윈도우의 중앙에서 멀어질수록 공간적인 상관성이 떨어지기 때문에 상대적으로 낮은 가중치를 주어 픽셀 값을 계산한다.
대상 데이터
- 홍수매핑을 위한 레이더 필터 성능을 비교하기 위해 2008 년 미국의 미시시피강 홍수기간중 이 일대를 촬영한 SAR 영상을 이용하였다 연구에 사용한 자료는 TerraSAR-X의 stripmap 모드로 촬영된 영상으로 두 장 모두 ascending이 며 VV편파를 이용하여 촬영되었다 사용한 영상의 시기는 Table 1에서 확인할 수 있듯이 7월 4일과 7월 15일에 촬영된 영상이다. 2008년에 발생한 미시시피강 홍수는 6월 중순부터 시작하여 7월 말까지 지속되었기 때문에 본 연구에 이용한 영 상이 촬영된 시기는 각각 홍수가 최고높이에 도달한 시점과 홍수의 수위가 어느 정도 낮아진 시점이다 따라서 본 연구에서는 땅에서 물로 변한 픽셀을 탐지하지 않고 물에서 땅으로 변한 것으로 추정되는 픽셀을 탐지하였다
이론/모형
- 일반적으로 SAR 영상은 레일리 분포를 따르지만 dB 단위로 변 환한 뒤에는 가우시안 분포를 따른다는 특성을 가진다. 또한 두 클래스 분류의 오차를 죄소화하여야 한다는 점을 고려하여 KI thresholding 알고리즘을 이용하였다. 이 알고리즘은 가 우시안 분포를 따른다고 가정되는 영상에 적용가능하며 피복 을 나눌 때 두 피복이 분류되는 오차를 최소화시켜 준다는 특징을 가진다.
성능/효과
- 가장 중요한 특징은 효과적으로 노이즈를 저감하면서 객체의 경계를 더욱 강조하기 때문에 본 연구지와 같은 평야지대뿐 아니라 아주 세밀한 탐지가 강조되는 도심지에서도 좋은 결과를 보일 것으로 기대된다. C 지역에서 각 필터링에 의한 홍수 탐지 결과를 살펴보면 Frost 필터를 적용한 영상의 경우 필터링 되지 않은 영상보다 1682 개 더 많은 홍수 픽셀을 탐지하였고 NL-means 필터를 적용한 영상의 경우 2373개 더 많은 홍수 픽셀을 탐지하였다. 이를 단위 면적으로 환산해보면 NL-means를 적용한 경우 69.
- 하지만 실제로 홍수가 발생하지 않은 지역에서 홍수라고 오탐지 되는 픽셀의 수는 1153개로 크게 감소하였다. Frost 필터를 적용한 영상에서는 필터링을 적용하지 않은 영상에 비해 더 많은 수의 홍수 영역을 탐지하였고 홍수라고 오탐지 되는 픽셀의 수도 1954개로 크게 감소하였다. NL-means 필터를 적용한 영상에서는 Lee, Frost 필터에 비해 더 많은 수인 11718개의 픽셀을 정확히 탐지했으며 홍수라고 오탐지되는 픽셀의 수도 736 픽셀로 가장 크게 감소하였다.
- 56% 증가하였다. Frost 필터를 적용한 영상의 생산자 정확도는 Lee 필터보다 10.71% 증가한 70.23%로 나타났지만 사용자정확도는 4.08% 감소한 84.85%로 나타났다. NL-means 필터를 적용한 영상의 생산자 정확도와 사용자 정확도는 가장 크게 상승하여 각각 74.
- 6(e)). Frost 필터와 NL-means 필터는 두 필터 모두 노이즈에 의한 오 탐지를 개선하는 효과가 있었다(Fig. 6(f), Fig.
- Frost 필터를 적용한 영상에서는 필터링을 적용하지 않은 영상에 비해 더 많은 수의 홍수 영역을 탐지하였고 홍수라고 오탐지 되는 픽셀의 수도 1954개로 크게 감소하였다. NL-means 필터를 적용한 영상에서는 Lee, Frost 필터에 비해 더 많은 수인 11718개의 픽셀을 정확히 탐지했으며 홍수라고 오탐지되는 픽셀의 수도 736 픽셀로 가장 크게 감소하였다.
- 85%로 나타났다. NL-means 필터를 적용한 영상의 생산자 정확도와 사용자 정확도는 가장 크게 상승하여 각각 74.63%, 94.09%로 나타났다. 비침수지역의 생산자 정확도와 사용자 정확도의 경우 제대로 탐지되는 픽셀의 수가 워낙 크기 때문에 비율로 표현한 정확도에서는 큰 차이를 보이지 않았지만 NL-means 필터를 적용했을 때의 값이 가장 크게 나타났다.
- 한 두 픽셀씩 산발적으로 존재했던 shadow 픽셀은 상대적으로 뭉개짐 현상이심 한 Lee 필터나 Frost필터를 수행한 뒤에는 주변 값의 영향으로 어느 정도 값이 커지지만 NL-means 필터를 적용한 영상에서는 shadow 픽셀의 값이 크게 달라지지 않는다. 따라서 NL-means 필터를 적용한 영상에서는 필터링 후에도 shadow 픽셀이 물과 비슷한 낮은 후방산란 값을 가지게 되었고 임계 값 근처의 값을 가진 shadow 픽셀들이 4일 영상과 15일 영상에서 각각 다른 피복으로 분류되면서 홍수로 오탐지된 것이다. 하지만 D 지역과 같이 shadow 효과로 인해 홍수로 오 탐지되는 영역이 전체 영상에서 많은 부분을 차지하지 않기 때문에 홍수 탐지 결과에는 큰 영향을 미치지 못하였다.
- 낮은 분산은 단일피복에 의한 픽셀 값이 비슷하다는 것을 의미하며 해당 피복을 더욱 쉽게 영상으로부터 분리할 수 있다. 반면 물이 아닌 픽셀에 의한 피크에서 계산된 분산 은 Frost 필터를 적용한 영상에서 각각 2.20과 2.22로 가장 작은 분산을 갖는 것을 확인할 수 있다. 이는 Frost 필터가 적용 된 영상에서 뭉개짐 현상이 가장 심하게 나타나는 것과 연관 이 있는 것으로 생각된다.
- 09%로 나타났다. 비침수지역의 생산자 정확도와 사용자 정확도의 경우 제대로 탐지되는 픽셀의 수가 워낙 크기 때문에 비율로 표현한 정확도에서는 큰 차이를 보이지 않았지만 NL-means 필터를 적용했을 때의 값이 가장 크게 나타났다. 카파계수 역시 NL-means 필터를 적용한 결과 가장 1에 가까운 값을 가졌다.
- 카파계수 역시 NL-means 필터를 적용한 결과 가장 1에 가까운 값을 가졌다. 즉, NL-means 필터를 적용한 영상을 이용하여 홍수를 탐지할 경우 홍수를 탐지할 가능성은 가장 높고 오탐지 가능성은 가장 낮은 것이다.
- 4(d)). 즉, NL-means 필터를 적용한 영상이 스펙 클 노이즈를 가장 효과적으로 저감하면서 객체 요소간 경계를 더욱 뚜렷하게 해주므로 홍수 탐지에서 더욱 정확한 결과를 도출할 수 있다.
- 07 높아 가장 믿을 수 있는 분류 결과를 보여주었다. 즉, 홍수를 탐지하기 위해서는 NL-means 필터를 적용하는 것이 가장 좋은 결과를 이끌 낼 수 있었다. 다만 NL- means 필터의 경우 뭉개짐 현상이 적어 shadow 효과에 의해오탐지되는 픽셀의 수가 Lee나 Frost 필터에 비해 많게 나타났다.
- 표이다. 필터가 적용되지 않은 영상을 이용하여 생성한 홍수 지도는 약 90.33%의 전체정확도를 보였다. 필터링을 적용하여 생성한 홍수지도의 전체정확도는 각각 93.
- 33%의 전체정확도를 보였다. 필터링을 적용하여 생성한 홍수지도의 전체정확도는 각각 93.88%, 94.66%, 96.20%로 각각 3.55%, 4.33%, 5.87%씩 정확도가 상승하였다. 필터링을 적용하지 않은 영상에서 홍수가 발생한 지역에 대한 생산자 정확도는 59.
- 87%씩 정확도가 상승하였다. 필터링을 적용하지 않은 영상에서 홍수가 발생한 지역에 대한 생산자 정확도는 59.52%, 사용자 정확도는 62.37% 로 나타났다. Lee 필터를 적용한 영상에서는 생산자 정확도는 59.
- 1km2 에 달하는 홍수 면적을 더 정확히 탐지한 것이다. 홍수 탐지의 정확도만 살펴보면 필터링 되지 않은 영상은 59.52%, Lee 필터를 적용한 경우 59.02%, Frost 필터를 적용한 경우 70.23%, NL-means 필터를 적용한 경우 74.63%로 NL-means 필터를 적용한 경우가 월등히 높은 결과를 보였다. 홍수라고 탐지했지만 실제로는 피침수지일 확률 역시 각각 37.
- 히스토그램 분석 결과 NL-means 필터를 적용한 영상에서 물에 의한 피크의 분산이 가장 낮은 1.02, 1.16으로 나타났고 두 피크 사이의 거리는 11.62, 11.22로 가장 크게 나타났다. 분산이 낮을수록 단일지표가 비슷한 값을 나타낸다는 것을 의미하고 두 피크점 사이의 거리가 멀다는 것은 서로 다른 거칠기를 가지는 피복이 쉽게 구별된다는 것을 의미한다.
후속연구
- 실제로 NL-means 필터를 적용한 영상이 Lee 필터나 Frost 필터를 적용한 영상에 비해 노이즈의 저감정도가 우수했고 해상도의 변화가 거의 없어 육안으로도 홍수지역과 비침수 지역을 쉽게 구별할 수 있다. 가장 중요한 특징은 효과적으로 노이즈를 저감하면서 객체의 경계를 더욱 강조하기 때문에 본 연구지와 같은 평야지대뿐 아니라 아주 세밀한 탐지가 강조되는 도심지에서도 좋은 결과를 보일 것으로 기대된다. C 지역에서 각 필터링에 의한 홍수 탐지 결과를 살펴보면 Frost 필터를 적용한 영상의 경우 필터링 되지 않은 영상보다 1682 개 더 많은 홍수 픽셀을 탐지하였고 NL-means 필터를 적용한 영상의 경우 2373개 더 많은 홍수 픽셀을 탐지하였다.
- 다만 NL- means 필터의 경우 뭉개짐 현상이 적어 shadow 효과에 의해오탐지되는 픽셀의 수가 Lee나 Frost 필터에 비해 많게 나타났다. 후속 연구에서 이를 효과적으로 제거할 수 있다면 현재는 어렵게 여겨지고 있는 도심지에서 홍수 면적 탐지도 의미 있는 결과를 이끌어 낼 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.