항공 하이퍼스펙트럴 영상의 대기보정 효과 분석 및 토지피복 분류 Atmospheric Correction Effectiveness Analysis and Land Cover Classification Using Airborne Hyperspectral Imagery원문보기
하이퍼스펙트럴 영상을 이용하여 토지피복 분류를 정확히 수행하기 위해서는 전처리 작업으로서 대기보정을 거쳐야 한다. 항공 하이퍼스펙트럴 영상에 대하여 대기보정을 실시하고 대기보정 유 무에 따른 해수, 갯벌, 식생, 아스팔트, 콘크리트 등의 토지피복 항목별 분광반사율 특성을 비교하여 대기보정의 뚜렷한 효과를 확인할 수 있었다. 대기보정 후의 영상에 대하여 최대우도법, 분광각맵퍼법 등의 화소기반 감독분류기법으로 각각 토지피복 분류를 행하고 그 결과를 비교하였다. 분광각맵퍼법의 경우 임계각 $0.4^{\circ}$에서 노이즈를 최소화하면서 해수영역을 가장 양호하게 분류해 낼 수 있었다. 같은 개체라도 다양한 분광특성을 나타내는 하이퍼스펙트럴 영상의 경우 연안지역에서는 종래의 화소기반 분류기법보다는 축척, 분광 정보, 형태, 결 등을 종합적으로 고려하는 객체기반 분류기법이 더 우월할 것으로 사료된다.
하이퍼스펙트럴 영상을 이용하여 토지피복 분류를 정확히 수행하기 위해서는 전처리 작업으로서 대기보정을 거쳐야 한다. 항공 하이퍼스펙트럴 영상에 대하여 대기보정을 실시하고 대기보정 유 무에 따른 해수, 갯벌, 식생, 아스팔트, 콘크리트 등의 토지피복 항목별 분광반사율 특성을 비교하여 대기보정의 뚜렷한 효과를 확인할 수 있었다. 대기보정 후의 영상에 대하여 최대우도법, 분광각맵퍼법 등의 화소기반 감독분류기법으로 각각 토지피복 분류를 행하고 그 결과를 비교하였다. 분광각맵퍼법의 경우 임계각 $0.4^{\circ}$에서 노이즈를 최소화하면서 해수영역을 가장 양호하게 분류해 낼 수 있었다. 같은 개체라도 다양한 분광특성을 나타내는 하이퍼스펙트럴 영상의 경우 연안지역에서는 종래의 화소기반 분류기법보다는 축척, 분광 정보, 형태, 결 등을 종합적으로 고려하는 객체기반 분류기법이 더 우월할 것으로 사료된다.
Atmospheric correction as a preprocessing work should be performed to conduct accurately landcover/landuse classification using hyperspectral imagery. Atmospheric correction on airborne hyperspectral images was conducted and then the effect of atmospheric correction by comparing spectral reflectance...
Atmospheric correction as a preprocessing work should be performed to conduct accurately landcover/landuse classification using hyperspectral imagery. Atmospheric correction on airborne hyperspectral images was conducted and then the effect of atmospheric correction by comparing spectral reflectance characteristics before and after atmospheric correction for a few landuse classes was analyzed. In addition, land cover classification was first conducted respectively by the maximum likelihood method and the spectral angle mapper method after atmospheric correction and then the results were compared. Applying the spectral angle mapper method, the sea water area were able to be classified with the minimum of noise at the threshold angle of 4 arc degree. It is considered that object-based classification method, which take into account of scale, spectral information, shape, texture and so forth comprehensively, is more advantageous than pixel-based classification methods in conducting landcover classification of the coastal area with hyperspectral images in which even the same object represents various spectral characteristics.
Atmospheric correction as a preprocessing work should be performed to conduct accurately landcover/landuse classification using hyperspectral imagery. Atmospheric correction on airborne hyperspectral images was conducted and then the effect of atmospheric correction by comparing spectral reflectance characteristics before and after atmospheric correction for a few landuse classes was analyzed. In addition, land cover classification was first conducted respectively by the maximum likelihood method and the spectral angle mapper method after atmospheric correction and then the results were compared. Applying the spectral angle mapper method, the sea water area were able to be classified with the minimum of noise at the threshold angle of 4 arc degree. It is considered that object-based classification method, which take into account of scale, spectral information, shape, texture and so forth comprehensively, is more advantageous than pixel-based classification methods in conducting landcover classification of the coastal area with hyperspectral images in which even the same object represents various spectral characteristics.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
해안선 변화 모니터링, 연안지역 토지이용 등과 같은 연안지역에 대한 GIS 데이터를 구축하고 업데이트하기 위해서는 높은 품질의 연안공간정보를 필요로 한다. 본 연구에서는 육역과 해역을 포함하는 연안지역을 대상으로 하여 CASI-1500에 의해 취득된 항공 하이퍼스펙트럴 영상을 이용하여 토지피복정보를 정확하게 추출하는데 목적이 있다. 항공 하이퍼스펙트럴 센서 CASI-1500으로부터 취득된 하이퍼스펙트럴 영상에 대하여 전처리 작업으로 대기보정을 수행하고, 주요 토지피복 항목별 대기보정의 효과, 즉 대기보정 전·후의 분광반사율 특성을 비교분석하고자 하였다.
본 연구에서는 항공기에서 CASI-1500센서에 의해 취득된 40여개의 한정된 밴드 수의 하이퍼스펙트럴 영상을 이용하여 토지피복정보를 추출하였으나 향후 수백개 밴드의 하이퍼스펙트럴 영상으로부터 더 상세한 분류를 수행함은 물론, 특히 연안지역에서 정확한 해안선 재질 분석 및 해안선 추출을 위한 목적으로 분류결과를 활용할 수 있을 것이다.
제안 방법
항공 하이퍼스펙트럴 센서 CASI-1500으로부터 취득된 하이퍼스펙트럴 영상에 대하여 전처리 작업으로 대기보정을 수행하고, 주요 토지피복 항목별 대기보정의 효과, 즉 대기보정 전·후의 분광반사율 특성을 비교분석하고자 하였다. 대기보정 영상에 대하여 각각 화소를 기반으로 하는 전통적인 분류방법인 최대우도분류법(maximum likelihood classification), 그리고 연안지역에 대한 하이퍼스펙트럴 영상에 효과적으로 사용될 수 있는 분광각맵퍼분류법(SAM; spectral angle mapper classification) 등으로 토지피복 분류를 수행하고 분류 정확도를 비교하였다. 하지만 이러한 분류 기법은 최근 영상의 고해상도로 향상됨에 따라 같은 개체라 할지라도 다양한 분광특성을 나타내며, 공간적으로 다양한 형태를 보이고 있어 분석에 종종 어려움이 있으므로.
항공 하이퍼스펙트럴 영상에 대하여 대기보정을 실시하고 대기보정 유·무에 따른 해수, 갯벌, 식생, 아스팔트, 콘크리트 등의 토지피복 항목별 분광반사율 특성을 비교하여 대기보정의 뚜렷한 효과를 확인할 수 있었다. 대기보정 후의 영상에 대하여 최대우도법, 분광각맵퍼법 등의 화소기반 감독분류기법으로 각각 토지피복 분류를 행하고 그 결과를 비교하였다. 분광각맵퍼법의 경우 임계각 0.
본 연구에서 오차행렬에 의한 분류결과의 검증은 각각의 분류 항목별로 선정된 인공위성 영상의 총 화소수와 참고자료인 1:5000 수치지도와 영상지도에서 지표피복유형을 대조·확인하여 이루어졌다.
본 연구에서 적용한 감독분류는 화소기반에 의한 분류기법으로서 최대우도법, 분광각맵퍼법(SAM)으로 각각 수행하였으며, 객체기반에 의한 분류기법으로 ENVI EX 소프트웨어의 특징추출(Feature Extraction) 모듈을 이용하여 토지피복 분류를 행하였다.
여기서 참조 스펙트럼은 현장에서 혹은 실험실에서 측정하고 수집한 분광복사계에 의한 값이거나, endmember값이 될 수 있다. 수치지도로부터 추출한 훈련자료를 참조스펙트럼으로 사용하였다. SAM은 n차원에서 훈련데이터(γ)와 하이퍼스펙트럴 영상 픽셀 측정벡터(t) 사이의 각도(α)를 비교하여 가장 작은 각도를 만들어내는 훈련자료 클래스에 이 값을 할당한다.
연안지역에 대한 항공 하이퍼스펙트럴 영상을 이용하여 화소기반 분류기법과 객체기반 분류기법으로 토지피복 분류를 행한 결과, 다음과 같은 결론을 얻을 수 있었다.
영상자료의 처리와 분석의 자료의 각 화소값에 의해 정확도가 크게 달라지므로 자료의 사용 목적에 맞는 보정방법을 선정하여야 한다. 영상 촬영시의 대기환경(태양천정각, 태양고도각, 지구와 태양의 거리)을 고려한 대기모델을 사용하여 보정작업을 수행한다.
영상에 존재하는 모든 공간정보와 분광정보를 이용하여 영상의 객체분할을 수행한 뒤 분할된 객체들을 이용하여 화소기반 분류과 동일한 항목으로 토지피복 분류를 수행하였다.
그래프에서 파장대역 약 940nm에서 빛의 반사율이 0에 가깝게 나타남을 알 수 있는데 이는 수증기 영역에서 빛의 흡수로 인한 분광특성의 연무(haze)가 발생한 것이다. 이러한 수증기 영역에서의 연무현상을 보정해 주기 위해 대기보정을 실시함에 있어서 수증기를 고려해 주는 파장대역을 940nm로 설정하여 대기보정을 실시하였다.
하지만 이러한 분류 기법은 최근 영상의 고해상도로 향상됨에 따라 같은 개체라 할지라도 다양한 분광특성을 나타내며, 공간적으로 다양한 형태를 보이고 있어 분석에 종종 어려움이 있으므로. 이를 보완하기 위한 방법 중 하나로서 객체기반 분류법으로도 토지피복 분류를 수행하고 그 결과를 비교하였다.
항공 하이퍼스펙트럴 센서 CASI-1500으로부터 취득된 하이퍼스펙트럴 영상에 대하여 전처리 작업으로 대기보정을 수행하고, 주요 토지피복 항목별 대기보정의 효과, 즉 대기보정 전·후의 분광반사율 특성을 비교분석하고자 하였다.
대상 데이터
본 연구에서는 ENVI 4.7 소프트웨어의 FLAASH 모듈을 이용하여 대기보정을 행하였는데, 사용된 대기모델은 Mid-Latitude Summer로서 대상지역의 8월 평균 기온인 약 26℃에 가장 근접하는 조건을 가진 모델이다. [그림 3]과 같이 수증기 탐색 채널은 940mn로 영상내에 포함된 수증기량을 탐색하도록 설정하였다.
사용된 영상은 2012년 7월 30일 정오경 촬영고도 약 2km에서 촬영된 방사해상도 14 bit, 공간해상도 1m×1m급 영상이다.
연구대상지역은 충남 태안군 만리포지역 일대(위도 36°2´8˝∼36°1´5˝, 경도 126°1´11˝∼126°2´11˝) 지역으로 도심지와 농경지, 산림, 연안지역이 고루 분포되어 있다.
연구에 사용된 항공 하이퍼스펙트럴 센서는 캐나다ITRES사의 CASI-1500 모델은 380nm∼1,050nm의 분광해상도를 가지고 있으며, 최대 288개의 분광밴드를 취득할 수 있다.
사용된 영상은 2012년 7월 30일 정오경 촬영고도 약 2km에서 촬영된 방사해상도 14 bit, 공간해상도 1m×1m급 영상이다. 영상은 행 1,462, 열 1,976 픽셀로 구성되어 있으며 동시에 48개 밴드의 영상을 취득하였다.
성능/효과
넷째, 객체기반 분류에서는 해수, 갯벌 등 영역이 넓은 객체의 경우 비교적 신뢰할 수 있는 결과를 얻을 수 있는 반면, 영역이 좁은 객체의 경우 상대적으로 화소 기반 분류에 비해 어려움이 있음을 확인할 수 있었다.
[그림 11][그림 12]는 SAM 기법의 대기보정 유·무에 따른 분류결과를 나타낸 것이다. 대기 미보정 분류 결과 갯벌 지역에서 상당부분 암석 영역으로 오분류가 발생하였고 해수영역에서 해수의 경계가 불명확하게 분류가 되었지만 대기보정 후 백사장 영역에서의 오분류가 상당부분 사라졌고 해수의 경계 또한 비교적 명확하게 분류된 결과를 얻을 수 있었다.
둘째, 분광각매퍼법(SAM)의 경우 임계각 0.4°에서 노이즈를 최소화하면서 해수영역을 가장 양호하게 분류해 낼 수 있었다.
또한 분할된 객체가 넓은 영역인 해수, 갯벌, 해안가, 암석 등의 영역은 비교적 분류에 어려움이 없었지만 고해상도 영상으로 인해 그림자 지역의 구분이 명확하지 않고 분할된 객체가 상대적으로 많은 주거지, 도로의 경우 항목의 분류에 어려움이 있었다.
최대우도법의 경우 비교적 정확도가 높은 기법으로 해수나 갯벌, 백사장 등의 넓은 분류영역에서 정확도 높은 분류가 이루어졌음을 알 수 있다. 또한 최단거리법의 결과보다 염전이나 아스팔트, 콘크리트 도로 등의 오분류가 상당부분 사라졌고 해수의 경계가 보다 뚜렷하게 나타났다. 최대우도법의 분류는 대기보정의 유무에 따른 육안으로 파악되는 분류결과의 차이는 없었으며 정확도도 거의 유사한 값을 나타냈다.
셋째, 같은 개체라도 다양한 분광특성을 나타내는 하이퍼스펙트럴 영상의 경우 종래의 화소기반 분류기법에 비해 공간정보, 분광정보, 스케일 등을 종합적으로 고려하는 객체기반 분류기법이 더 우월한 결과를 보일 수 있을 것으로 사료된다.
정확도의 분포를 보면 SAM기법에서 생산자 정확도가 3.61∼98.98%, 사용자 정확도가 5.26∼95.27%, 최대우도법에서 생산자 정확도가 3.4∼99.92%, 사용자 정확도가 3.8∼99.47%로 나타났다.
이 때 오차행렬은 다음과 같은 세 가지 정확도로 나타낼 수 있다. 첫째, 오차행렬의 대각선에 해당하는 전체 검증자료인 화소수를 총 화소수로 나눈 것이 전체정확도(overall accuracy)이고, 둘째는 분류결과가 분석과의 관점에서 특정지역을 어떤 분류기법으로 얼마나 정확히 분류해내는가 하는 관점에서 본 생산자 정확도(producer accuracy)이다. 셋째, 분류결과를 관심대상 지역에 생성된 지표피복 분류영상이 과연 전체적으로 실제 지표 피복과 얼마나 일치하는가를 나타내는 것을 사용자 정확도(user accuracy)라 한다.
첫째, 하이퍼스펙트럴 영상에 대한 대기보정을 통하여 분류항목별 분광특성곡선상 대기보정의 뚜렷한 효과를 확인할 수 있었다.
[표 2]와 [표 3]은 화소기반의 두가지 분류기법의 전체정확도를 픽셀별로 나타낸 것이다. 최대우도법의 분류결과의 전체정확도는 약 86%, SAM 분류결과의 전체정확도는 약 80%로서 전통적으로 사용되었던 최대 우도법에서 약간 높게 나타났다.
또한 최단거리법의 결과보다 염전이나 아스팔트, 콘크리트 도로 등의 오분류가 상당부분 사라졌고 해수의 경계가 보다 뚜렷하게 나타났다. 최대우도법의 분류는 대기보정의 유무에 따른 육안으로 파악되는 분류결과의 차이는 없었으며 정확도도 거의 유사한 값을 나타냈다.
토지피복 항목별로 대기보정 전·후의 파장별 분광특성이 명백히 차이를 나타내는 것으로 보아 대기보정을 통하여 연무가 제거된 영상을 이용하여 토지피복 분류를 수행함으로써 더 높은 정확도를 이끌어 낼 수 있음이 확인되었다.
항공 하이퍼스펙트럴 영상에 대하여 대기보정을 실시하고 대기보정 유·무에 따른 해수, 갯벌, 식생, 아스팔트, 콘크리트 등의 토지피복 항목별 분광반사율 특성을 비교하여 대기보정의 뚜렷한 효과를 확인할 수 있었다.
후속연구
하이퍼스펙트럴 영상은 2013년 11월 발사한 과학기술위성 3호(STSAT-3)에는 우주와 지구관측 근적외선 카메라, 1∼3μm 대역의 적외선영역을 관측할 수 있는 영상분광카메라가 탑재되어 일종의 하이퍼스펙트럴 위성영상을 이용할 수 있어 국내에서 연안해역의 공간정보 수집은 물론, 다양한 과학기술 연구가 촉진될 수 있을 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
하이퍼스펙트럴 센서란 무엇인가?
하이퍼스펙트럴 센서(hyperspectral sensor)는 영상을 구성하는 각 화소에 해당하는 지표물의 연속적이고 완전한 분광정보를 취득하는 장비이다. 우리가 일반적으로 접하는 디지털항공사진은 적색(red), 녹색(green), 청색(blue)에 해당하는 파장영역만을 취득하여 컬러영상으로 가시화하지만, 하이퍼스펙트럴 센서 영상은 연속적이고 좁은 파장역으로 수십에서 수백 개의 분광밴드를 가지고 데이터를 취득한다.
하이퍼스펙트럴 영상의 특징은 무엇인가?
하이퍼스펙트럴 영상은 일반적으로 많은 수의 밴드(통상 40개 이상), 좁은 밴드폭(0.01～0.02㎛), 그리고 연속적인 분광 밴드를 가지고 있으며 분광해상도가 매우 높다. 초기에는 식생에서 잠복한 군인의 군복 구별 등 군사적인 목적이나 지질 판독 등으로 주로 사용되었다.
하이퍼스펙트럴 센서 영상은 어디에 이용되는가?
우리가 일반적으로 접하는 디지털항공사진은 적색(red), 녹색(green), 청색(blue)에 해당하는 파장영역만을 취득하여 컬러영상으로 가시화하지만, 하이퍼스펙트럴 센서 영상은 연속적이고 좁은 파장역으로 수십에서 수백 개의 분광밴드를 가지고 데이터를 취득한다. 지표면으로부터 반사 또는 방출되는 태양복사에너지를 감지하여 미세한 분광특성을 분석하여 토지피복, 식생, 수질, 갯벌 특성 등의 식별에 이용된다.
참고문헌 (16)
S. Haykin, Neural Networks: A Comprehensive Foundation, Englewood Cliffs, NJ: Prentice-Hall, 1999.
Gustavo Camps-Valls and Lorenzo Bruzzone, "Kernel-Based Methods for Hyperspectral Image Classification," IEEE Transactions on Geoscience and Remote Sensing, Vol.43, No.6, 2005.
G. Camps-Valls, L. Gomez-Chova, J. Calpe, E. Soria, J. D. Martin, L. A. Alonso, and J. Moreno, "Robust Support Vector Method for Hyperspectral Data Classification and Knowledge Discovery," IEEE Trans. Geosci. Remote Sens., Vol.42, No.7, pp.1530-1542, Jul. 2004.
F. Melgani and L. Bruzzone, "Classification of Hyperspectral Remote Sensing Images with Support Vector Machines," IEEE Trans. Geosci. Remote Sens., Vol.42, No.8, pp.1778-1790, Aug, 2004.
이진덕, 방건준, 주영돈, 한승희, "하이퍼스펙트럴 영상으로부터 객체기반 영상분류방법에 의한 토지피복도 및 수애선 추출," 한국콘텐츠학회 2014년도 추계종합학술대회 논문집, 2014.
이진덕, 방건준, 주영돈, 한승희, Comparison of Land Cover Classification Methods in Hyperspectral Remote Sensing, ICCC 2014, pp.77-78, 2014.
S. H. Shin, G. H. Koh, D. S. Kim, and M. W. Pyeon, "Band Aggregation of Hyperspectral Images to Detect Vegetation Information for U-City," ICCC 2011, pp.393-394, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.