초분광 영상의 Morphological Attribute Profiles와 추가 밴드를 이용한 감독분류의 정확도 평가 Accuracy Evaluation of Supervised Classification by Using Morphological Attribute Profiles and Additional Band of Hyperspectral Imagery원문보기
초분광 영상(hyperspectral imagery)은 주성분분석이나 최소잡음비율 등을 이용하여 자료의 차원과 잡음을 감소시켜 토지피복분류에 사용되는 것이 일반적이다. 최근에는 분광정보와 공간적 특성을 가진 다양한 입력 자료를 이용한 감독분류에 관한 연구가 활발히 진행되고 있다. 본 연구에서는 초분광 영상을 이용한 토지피복분류를 위해 principle component(PC) 밴드와 normalized difference vegetation index(NDVI) 자료를 감독분류의 입력자료로 활용하였다. NDVI 자료는 초분광 영상에서 추출된 PC 밴드가 포함하고 있지 않는 추가적인 정보를 활용하여 식생지역에 대한 토지피복분류 정확도를 높이고자 사용하였으며, morphological filter를 통해 각 밴드의 extended attribute profiles(EAP)를 제작하여 분류를 위한 입력 자료로 사용하였다. 감독분류기법은 random forest 알고리즘을 이용하였으며, EAP를 기반으로 다양한 입력 자료의 적용에 따른 분류정확도를 비교하고자 하였다. 연구지역으로는 두 대상지를 선정하였으며, 영상 내에서 취득한 참조자료를 이용하여 정량적인 평가를 수행하였다. 본 연구에서 제안한 기법의 분류정확도는 85.72%와 91.14%로 다른 입력 자료들을 이용한 경우와 비교하여 가장 높은 분류정확도를 나타냈다. 향후, 초분광 영상을 이용한 토지피복분류의 정확도를 높이기 위한 분류 알고리즘 개발과 대상지역 특성에 맞는 추가 입력자료 개발에 관한 연구가 필요할 것으로 사료된다.
초분광 영상(hyperspectral imagery)은 주성분분석이나 최소잡음비율 등을 이용하여 자료의 차원과 잡음을 감소시켜 토지피복분류에 사용되는 것이 일반적이다. 최근에는 분광정보와 공간적 특성을 가진 다양한 입력 자료를 이용한 감독분류에 관한 연구가 활발히 진행되고 있다. 본 연구에서는 초분광 영상을 이용한 토지피복분류를 위해 principle component(PC) 밴드와 normalized difference vegetation index(NDVI) 자료를 감독분류의 입력자료로 활용하였다. NDVI 자료는 초분광 영상에서 추출된 PC 밴드가 포함하고 있지 않는 추가적인 정보를 활용하여 식생지역에 대한 토지피복분류 정확도를 높이고자 사용하였으며, morphological filter를 통해 각 밴드의 extended attribute profiles(EAP)를 제작하여 분류를 위한 입력 자료로 사용하였다. 감독분류기법은 random forest 알고리즘을 이용하였으며, EAP를 기반으로 다양한 입력 자료의 적용에 따른 분류정확도를 비교하고자 하였다. 연구지역으로는 두 대상지를 선정하였으며, 영상 내에서 취득한 참조자료를 이용하여 정량적인 평가를 수행하였다. 본 연구에서 제안한 기법의 분류정확도는 85.72%와 91.14%로 다른 입력 자료들을 이용한 경우와 비교하여 가장 높은 분류정확도를 나타냈다. 향후, 초분광 영상을 이용한 토지피복분류의 정확도를 높이기 위한 분류 알고리즘 개발과 대상지역 특성에 맞는 추가 입력자료 개발에 관한 연구가 필요할 것으로 사료된다.
Hyperspectral imagery is used in the land cover classification with the principle component analysis and minimum noise fraction to reduce the data dimensionality and noise. Recently, studies on the supervised classification using various features having spectral information and spatial characteristi...
Hyperspectral imagery is used in the land cover classification with the principle component analysis and minimum noise fraction to reduce the data dimensionality and noise. Recently, studies on the supervised classification using various features having spectral information and spatial characteristic have been carried out. In this study, principle component bands and normalized difference vegetation index(NDVI) was utilized in the supervised classification for the land cover classification. To utilize additional information not included in the principle component bands by the hyperspectral imagery, we tried to increase the classification accuracy by using the NDVI. In addition, the extended attribute profiles(EAP) generated using the morphological filter was used as the input data. The random forest algorithm, which is one of the representative supervised classification, was used. The classification accuracy according to the application of various features based on EAP was compared. Two areas was selected in the experiments, and the quantitative evaluation was performed by using reference data. The classification accuracy of the proposed algorithm showed the highest classification accuracy of 85.72% and 91.14% compared with existing algorithms. Further research will need to develop a supervised classification algorithm and additional input datasets to improve the accuracy of land cover classification using hyperspectral imagery.
Hyperspectral imagery is used in the land cover classification with the principle component analysis and minimum noise fraction to reduce the data dimensionality and noise. Recently, studies on the supervised classification using various features having spectral information and spatial characteristic have been carried out. In this study, principle component bands and normalized difference vegetation index(NDVI) was utilized in the supervised classification for the land cover classification. To utilize additional information not included in the principle component bands by the hyperspectral imagery, we tried to increase the classification accuracy by using the NDVI. In addition, the extended attribute profiles(EAP) generated using the morphological filter was used as the input data. The random forest algorithm, which is one of the representative supervised classification, was used. The classification accuracy according to the application of various features based on EAP was compared. Two areas was selected in the experiments, and the quantitative evaluation was performed by using reference data. The classification accuracy of the proposed algorithm showed the highest classification accuracy of 85.72% and 91.14% compared with existing algorithms. Further research will need to develop a supervised classification algorithm and additional input datasets to improve the accuracy of land cover classification using hyperspectral imagery.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
위와 같은 입력자료를 생성하여 본 연구에서 제안한 방법과 비교 및 평가하여 정확도를 계산하였다. 또한, 세 번째 입력자료에서 다음 PC밴드와 그의 AP를 추가함으로써, PC밴드를 추가한 경우와 의미를 가지고 있는 지수(index)를 추가한 경우의 분류 정확도를 비교하고자 하였다. Figs.
NDVI 자료는 700nm~1200nm인 근적외선 영역에서 분광반사율이 급격히 증가하는 식생의 광학특성을 이 용하여 생성한 식생지수이다. 본 연구에서는 식생과 그 외의 클래스 간의 분류정확도를 높이고, 식생지역을 세 분화하여 분류하기 위해 NDVI 자료를 입력자료로 활 용하고자 하였다. 또한, 실험에 사용된 초분광 영상의 파장대에서 추출할 수 있는 대표적인 지수라고 판단되 었다.
본 연구에서는 초분광 영상을 이용하여 효과적인 토지피복분류를 위해 morphological filter를 활용한 연구를 수행하였다. 전처리로 초분광 영상이 가지고 있는 잡음 등을 제거하기 위해 PCA 기법을 적용하였으며, 감독분류는 RF를 사용하였다.
제안 방법
AISA 영상에서의 훈련자료와 참조자료는 영상 내에서 직접 추출하였으며, 나무, 인조잔디, 아스팔트 등 16개의 클래스로 구분하였다. 훈련자료는 197개, 참조자료는 237개로 화소를 선정하여 감독분류에 사용하였다(Table 3).
GRSS-DFC-2013 영상에서는 영상과 함께 훈련자료와 참조자료를 제공하기 때문에, 이를 정확도 평가에 활용하였다. 클래스는 나무, 나지, 상업지역, 주거지역 등 15개로 분류되어 있으며, 훈련자료는 2832개, 참조자료는 12197개의 화소로 이루어져있다(Table 2).
6은 AISA 영상을 이용하여 생성한 MP의 예이다. MP를 생성하기 위해서 열림연산과 닫힘연산을각각 2회 수행하였다. 또한, MP는 연산의 종류뿐만 아니라 filter의 모양(structuring element) 및 크기, 횟수에 의해 결정될 수 있다.
본 연구에서는 초분광 영상을 이용한 토지피복분류를 위해 PC밴드와 normalized difference vegetation index(NDVI) 자료를 감독분류의 입력자료 개발에 활용하였다. PC밴드와 NDVI 자료를 융합하고morphological filter를 통해 extended attribute profiles(EAP)를 제작하여 입력자료로 사용하였으며, 초분광 영상에서 추출된 PC밴드가 포함하고 있지 않는 추가적인 정보를 활용하기 위하여, 초분광 영상을 이용하여 생성할 수 있는 대표적인 지수인 NDVI 자료의 융합을 통해 식생지역에 대한 토지피복분류 정확도를높이고자 하였다. 또한, 공간적 특성을 가지고 있는 NDVI의 EAP는 다른 클래스들과의 분류에 효과적일 것으로 판단되어 입력자료로 추가하여, 이에 따른 분류정확도를 확인하고 분석하였다.
본 연구에서는 초분광 영상을 이용하여 생성한 PC밴드와 NDVI 자료에 대한 AP를 생성하였다. 각 밴드에는 area, length diagonal of the bounding, moment of inertia, standard deviation 총 4개의 기준의 필터를 적용하였으며, 임계화소수는 각각 4단위로 설정하였다. Filter의 기준과 임계화소수는 다음과 같이 설정하였다.
전처리로 초분광 영상이 가지고 있는 잡음 등을 제거하기 위해 PCA 기법을 적용하였으며, 감독분류는 RF를 사용하였다. 감독분류의 입력자료로 초분광 영상의 PC밴드 고유값의 합이 99% 이상이 되는 자료와, NDVI 자료를 융합하고 각 밴드의 AP를 입력자료로 사용하였으며, 본 연구에서 제안한 방법과의 비교를 위해 원 초분광 영상, PC밴드 고유값의 합이 99% 이상이 되는 자료 및 PC밴드 고유값의 합이 99% 이상이 되는 자료와 그 다음 PC밴드를 융합하고, 각 밴드의 AP를 생성하여 감독분류에 적용하였다. 본 방법론을 통해 제작한 분류결과의 전체정확도는 두 연구지역에서 각각 85.
이를 통해, 식생과 다른 클래스 간의 분류정확도를 높이고 식생 클래스를 세분화할 수 있을 것으로 판단하였다. 또한, PC밴드와 NDVI를 융합한 자료에 morphology filter를 적용하여 생성한 EAP를 감독분류의 입력자료로 사용하였다. 연구의 전체적인 흐름도는 Fig.
PC밴드와 NDVI 자료를 융합하고morphological filter를 통해 extended attribute profiles(EAP)를 제작하여 입력자료로 사용하였으며, 초분광 영상에서 추출된 PC밴드가 포함하고 있지 않는 추가적인 정보를 활용하기 위하여, 초분광 영상을 이용하여 생성할 수 있는 대표적인 지수인 NDVI 자료의 융합을 통해 식생지역에 대한 토지피복분류 정확도를높이고자 하였다. 또한, 공간적 특성을 가지고 있는 NDVI의 EAP는 다른 클래스들과의 분류에 효과적일 것으로 판단되어 입력자료로 추가하여, 이에 따른 분류정확도를 확인하고 분석하였다.
본 연구에서 제안한 분류방법의 정확도 비교 및 평가를 위해 입력자료의 변화에 따른 토지피복분류 정확도를 계산하였다. 본 연구에서 제안한 감독분류의 입력자료는 초분광 영상의 PC밴드 고유값의 합이 99% 이상이 되는 자료와 NDVI 자료에 대한 AP이며, 2013-GRS-DFC 영상에서는 2개, AISA 영상에서는 4개의 PC 밴드들을 추출하였다.
이때, 필터는 다양한 기준(criterion)에 의해 정의할 수 있으며, 임계화소수의 변화에 따라 열림과 닫힘 연산을 통해 AP를 생성할 수 있다.본 연구에서는 초분광 영상을 이용하여 생성한 PC밴드와 NDVI 자료에 대한 AP를 생성하였다. 각 밴드에는 area, length diagonal of the bounding, moment of inertia, standard deviation 총 4개의 기준의 필터를 적용하였으며, 임계화소수는 각각 4단위로 설정하였다.
본 연구에서는 토지피복분류를 위해 RF 기법을 적용하였고, 결정트리는 100으로 설정하여 100개의 예측값을 조합하여 클래스를 결정하였다.
위와 같은 입력자료를 생성하여 본 연구에서 제안한 방법과 비교 및 평가하여 정확도를 계산하였다. 또한, 세 번째 입력자료에서 다음 PC밴드와 그의 AP를 추가함으로써, PC밴드를 추가한 경우와 의미를 가지고 있는 지수(index)를 추가한 경우의 분류 정확도를 비교하고자 하였다.
그러나, PC밴드가 초분광 영상 내에 존재하는 객체들의 특성을 모두 설명할 수 없기 때문에, 추가적인 밴드정보를 활용하는 것이 분류정확도를 높일 수 있을 것이라고 판단하였다. 이를 위하여, 실험 자료에서 대표적으로 추출할 수 있는 NDVI 자료를 추가 밴드로 활용하고자 하였다. 이를 통해, 식생과 다른 클래스 간의 분류정확도를 높이고 식생 클래스를 세분화할 수 있을 것으로 판단하였다.
대상 데이터
5m, 분광해상도는 380nm∼1050nm 구간에서 144개의 밴드로 이루어져 있다. AISA 센서를 이용하여 취득한 영상은 2m의 공간해상도로 촬영되었고, 분광해상도는 400nm 에서 1000nm구간에 대한 127밴드로 이루어져 있다. 본 연구에서 사용한 초분광 영상의 세부적인 제원은 Table 1과 같다.
이연구지역은 상업지역과 주거지역이 포함되어 있고, 다양한 토지피복이 존재하여 다양한 클래스의 분류를 실험하기에 적합하였다. AISA 센서를 통해 취득한 초분광 영상은 2015년 10월 17일 촬영되었으며, 충청북도 청주시에 위치하고 있는 충북대학교 교내를 대상으로 하였다. 충북대학교 교내는 여러 수고의 식생과 다양한 재질의 불투수면이 있어 토지피복분류를 위한 실험지역으로 적합하다고 판단하였다.
GRSS-DFC-2013 영상은 2012년 6월 23일 미국 휴스턴대학교 및 주변 도심지를 대상으로 촬영되었다. 이연구지역은 상업지역과 주거지역이 포함되어 있고, 다양한 토지피복이 존재하여 다양한 클래스의 분류를 실험하기에 적합하였다.
각 밴드에 위의 조건으로 AP를 생성한 결과, 1밴드 당 32개의 AP가 제작되었고, 원 밴드를 포함하여 33개로 이루어져 있는 EAP를 생성하였다. Fig.
본 연구에서 제안한 분류방법의 정확도 비교 및 평가를 위해 입력자료의 변화에 따른 토지피복분류 정확도를 계산하였다. 본 연구에서 제안한 감독분류의 입력자료는 초분광 영상의 PC밴드 고유값의 합이 99% 이상이 되는 자료와 NDVI 자료에 대한 AP이며, 2013-GRS-DFC 영상에서는 2개, AISA 영상에서는 4개의 PC 밴드들을 추출하였다. 또한, 제안한 방법과의 비교 및 평가를 위해 다음과 같은 입력자료를 제작하였다.
본 연구에서 제안한 분류기법을 적용하기 위해 2013-2013 IEEE GRSS data fusion contest(2013-GRSSDFC) 에서 제공한 초분광 영상과, 국내 환경에 적용 가능성을 확인하기 위해 국내를 대상으로 AISA 센서를 이용하여 취득한 초분광 영상을 사용하였다. 2013-GRSS- DFC 영상의 공간해상도는 2.
AISA 영상에서의 훈련자료와 참조자료는 영상 내에서 직접 추출하였으며, 나무, 인조잔디, 아스팔트 등 16개의 클래스로 구분하였다. 훈련자료는 197개, 참조자료는 237개로 화소를 선정하여 감독분류에 사용하였다(Table 3).
데이터처리
본 연구에서 제안한 기법으로 생성한 감독분류 결과의 정량적 분석을 위해 참조자료와의 오차행렬(confusion matrix)을 계산하여 전체정확도와 카파계수 (kappa coefficient)를 계산하였다(Table 5).
이론/모형
본 연구에서는 제안한 토지피복분류를 위한 감독분류로 random forest(RF)기법을 사용하였다(Rodriguez-Galiano et al., 2012). RF는 영상자료의 분류 또는 회귀분석을 위해 사용되는 결합적 기계학습(ensemble machine learning) 알고리즘 중의 하나이며, 수많은 의사결정나무(decision tree)로부터 결정된 예측 값들을 조합하여 클래스들을 분류한다.
본 연구에서는 초분광 영상을 이용한 토지피복분류를 위해 PC밴드와 normalized difference vegetation index(NDVI) 자료를 감독분류의 입력자료 개발에 활용하였다. PC밴드와 NDVI 자료를 융합하고morphological filter를 통해 extended attribute profiles(EAP)를 제작하여 입력자료로 사용하였으며, 초분광 영상에서 추출된 PC밴드가 포함하고 있지 않는 추가적인 정보를 활용하기 위하여, 초분광 영상을 이용하여 생성할 수 있는 대표적인 지수인 NDVI 자료의 융합을 통해 식생지역에 대한 토지피복분류 정확도를높이고자 하였다.
특히,높은 차원으로 구성된 초분광 영상을 몇 개의 차원으로 축소시키면서, 원 자료에 있는 대부분의 정보들을 나타낼 수 있어 초분광 영상의 노이즈를 효과적으로 제거할 수 있으며, 자료처리에도 용이한 장점을 가지고 있다.본 연구에서는 초분광 영상의 차원을 축소하고, 밴드내에 존재하는 잡음을 제거하기 위해 PCA 기법을 적용하였으며, PC밴드의 고유값의 합이 99% 이상이 되는 밴드들을 선정하였다. 그 결과 2013-GRS-DFC 영상에서는 PC1 및 PC2, AISA 영상에서는 PC1, PC2,PC3, PC4로 각각 2개와 4개의 밴드가 추출되었다.
초분광 영상을 이용하여 토지피복분류를 수행하기 위해서는 밴드 내의 필요하지 않은 정보 및 잡음을 제거하는 것이 중요하다. 이에 본 연구에서는 차원 축소기법 중 하나인 PCA를 통해 PC밴드를 추출하였다. 그러나, PC밴드가 초분광 영상 내에 존재하는 객체들의 특성을 모두 설명할 수 없기 때문에, 추가적인 밴드정보를 활용하는 것이 분류정확도를 높일 수 있을 것이라고 판단하였다.
본 연구에서는 초분광 영상을 이용하여 효과적인 토지피복분류를 위해 morphological filter를 활용한 연구를 수행하였다. 전처리로 초분광 영상이 가지고 있는 잡음 등을 제거하기 위해 PCA 기법을 적용하였으며, 감독분류는 RF를 사용하였다. 감독분류의 입력자료로 초분광 영상의 PC밴드 고유값의 합이 99% 이상이 되는 자료와, NDVI 자료를 융합하고 각 밴드의 AP를 입력자료로 사용하였으며, 본 연구에서 제안한 방법과의 비교를 위해 원 초분광 영상, PC밴드 고유값의 합이 99% 이상이 되는 자료 및 PC밴드 고유값의 합이 99% 이상이 되는 자료와 그 다음 PC밴드를 융합하고, 각 밴드의 AP를 생성하여 감독분류에 적용하였다.
성능/효과
본 연구에서는 초분광 영상의 차원을 축소하고, 밴드내에 존재하는 잡음을 제거하기 위해 PCA 기법을 적용하였으며, PC밴드의 고유값의 합이 99% 이상이 되는 밴드들을 선정하였다. 그 결과 2013-GRS-DFC 영상에서는 PC1 및 PC2, AISA 영상에서는 PC1, PC2,PC3, PC4로 각각 2개와 4개의 밴드가 추출되었다.Fig.
9026의 카파계수를 보였다. 두 결과 모두 0.8 이상의 카파계수로 계산되어 신뢰할 수 있는 결과로 판단되며, 다른 입력자료를 적용한 분류결과보다 높은 전체정확도를 나타내었다.
이는 감독분류에 적용한 AP가 기존 영상이 가지고 있는 분광적, 공간적 특성을 훼손시키지 않고 새로운 엣지들을 추출하기 때문으로 추정된다. 또한, 원 초분광 영상과 PC밴드를 활용하여 분류를 수행한 결과와 각 밴드의 EAP를 융합하여 분류를 수행한 결과를 비교하였을 때, 일반적으로 화소단위의감독분류에서 발생할 수 있는 salt and pepper 효과의 감소를 시각적으로 확인할 수 있었으며, 화소단위의 영상을 형태학적으로 다루는 morphological filter의 특성으로 Salt and pepper 효과가 감소한 것으로 판단된다.
감독분류의 입력자료로 초분광 영상의 PC밴드 고유값의 합이 99% 이상이 되는 자료와, NDVI 자료를 융합하고 각 밴드의 AP를 입력자료로 사용하였으며, 본 연구에서 제안한 방법과의 비교를 위해 원 초분광 영상, PC밴드 고유값의 합이 99% 이상이 되는 자료 및 PC밴드 고유값의 합이 99% 이상이 되는 자료와 그 다음 PC밴드를 융합하고, 각 밴드의 AP를 생성하여 감독분류에 적용하였다. 본 방법론을 통해 제작한 분류결과의 전체정확도는 두 연구지역에서 각각 85.72%, 91.14%로 가장 높은 분류 정확도를 지니는 것을 확인하였다. 향후, 초분광 영상을 이용한 토지피복분류의 정확도를 높이기 위한 분류 알고리즘 개발과 대상지역 특성에 맞는 추가 입력자료 개발에 관한 연구가 필요할 것으로 사료된다.
2013-GRSS-DFC 영상 우측에는 구름으로 인한 그림자가 존재하고 있으며, 그림자 내에는 상업지역, 식생, 도로, 주차장 등이 존재하고 있다. 본 연구에서 제안한 기법과 비교를 위한 입력자료를 사용하여 생성한 감독분류결과를 비교한 결과, NDVI를 추가함으로써 그림자 내의 식생지역에 대한 분류정확도가 높아졌음을 확인할 수 있었다.
본 연구에서 제안한 기법으로 생성한 토지피복지도의 분류 결과 2013-GRSS-DFC 영상은 85.72%의 전체정확도와 0.8451의 카파계수를 나타냈으며, AISA 영상은 91.14%의 전체정확도와 0.9026의 카파계수를 보였다. 두 결과 모두 0.
본 연구에서 제안한 기법을 적용했을 때, 두 연구지역에서 공통적으로 객체사이의 엣지 부분이 명확해진것을 확인할 수 있었다. 이는 감독분류에 적용한 AP가 기존 영상이 가지고 있는 분광적, 공간적 특성을 훼손시키지 않고 새로운 엣지들을 추출하기 때문으로 추정된다.
이를 위하여, 실험 자료에서 대표적으로 추출할 수 있는 NDVI 자료를 추가 밴드로 활용하고자 하였다. 이를 통해, 식생과 다른 클래스 간의 분류정확도를 높이고 식생 클래스를 세분화할 수 있을 것으로 판단하였다. 또한, PC밴드와 NDVI를 융합한 자료에 morphology filter를 적용하여 생성한 EAP를 감독분류의 입력자료로 사용하였다.
후속연구
이에 본 연구에서는 차원 축소기법 중 하나인 PCA를 통해 PC밴드를 추출하였다. 그러나, PC밴드가 초분광 영상 내에 존재하는 객체들의 특성을 모두 설명할 수 없기 때문에, 추가적인 밴드정보를 활용하는 것이 분류정확도를 높일 수 있을 것이라고 판단하였다. 이를 위하여, 실험 자료에서 대표적으로 추출할 수 있는 NDVI 자료를 추가 밴드로 활용하고자 하였다.
14%로 가장 높은 분류 정확도를 지니는 것을 확인하였다. 향후, 초분광 영상을 이용한 토지피복분류의 정확도를 높이기 위한 분류 알고리즘 개발과 대상지역 특성에 맞는 추가 입력자료 개발에 관한 연구가 필요할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
NDVI 자료를 추가 밴드로 활용했을 때 기대되는 효과는 무엇인가?
이를 위하여, 실험 자료에서 대표적으로 추출할 수 있는 NDVI 자료를 추가 밴드로 활용하고자 하였다. 이를 통해, 식생과 다른 클래스 간의 분류정확도를 높이고 식생 클래스를 세분화할 수 있을 것으로 판단하였다. 또한, PC밴드와 NDVI를 융합한 자료에 morphology filter를 적용하여 생성한 EAP를 감독분류의 입력자료로 사용하였다.
PCA 기법이란 무엇인가?
PCA 기법은 원격탐사 영상을 원 영상에 있는 대부분의 정보를 나타내는 서로 상관관계가 없는 변수들의 집합으로 변환하는 기법이다(Good et al., 2012).
초분광 영상의 장점은 무엇인가?
초분광 영상(hyperspectral imagery)은 대상 객체의 분광 반사곡선을 연속적인 좁은 분광파장대 영역으로 상세하게 취득할 수 있다는 점에서 장점을 지니며, 변화탐지, 토지피복분류, 표적탐지, 환경 모니터링 등 다양한 분야에 활용되고 있다(Kim and Yang, 2015). 특히, 최근에는 토지피복지도의 효율적인 갱신을 위해 초분광 영상을 이용한 감독분류에 대한 연구가 활발히 진행되고 있다.
참고문헌 (19)
Bao, R., Xia, J., Mura, M. D., Du, P. and Chanussot, J., 2016, Combining morphological attribute profiles via and ensemble method for hyperspectral image classification, IEEE Geoscience and Remote Sensing Letters, Vol. 13, No. 3, pp. 359-363.
Benediktsson. J. A., Palmason, J. A. and Sveinsson, J. R., 2005, Classification of hyperspectral data from urban areas based on extended morphological profiles, IEEE Transactions on Geoscience and Remote Sensing, Vol. 43, No. 3, pp. 480-491.
Breen, E. J. and Jones, R., 1996, Attribure openings, thinnings, and granulometries, Computer Vision and Image Understanding, Vol. 64, No. 3, pp. 377-389.
Cho, H. G. and Lee, K. S., 2014, Comparison between hyperspectral and multispectral images for the classification of coniferous species, Korean Journal of Remote Sensing, Vol. 30, No. 1, pp. 25-36.
Fauvel, M., Benediktsson, J. A., Chanussot, J. and Sveinsson, J. R., 2008, Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles, IEEE Transactions on Geoscience and Remote Sensing, Vol. 46, No. 11, pp. 3804-3814.
Fauvel, M., Tarabalka, Y., Benediktsson, J. A., Chanussot, J. and Tilton, J. C., 2013, Advances in spectral-spatial classification of hyperspectral images, Vol. 101, No. 3, pp. 652-675.
Gislason, P. O., Benediktsson, J. A. and Sveinsson, J. R., 2006, Random forest for land cover classification, Pattern Recognition in Remote Sensing, Vol. 27, No. 4, pp. 294-300.
Ham, J., Chen, Y., Crawford, M. M., 2005, Investigation of the Random Forest Framework for Classification of Hyperspectral Data, IEEE Transactions of Geoscience and Remote Sensing, Vol. 43, No. 3, pp. 492-501.
Jang, S. J., Chae, O. S., Lee, H. N. and Kim, J. K., 2006, A study on the EO-1 Hyperion's optimized band selection method for land cover/land use map, Korean Journal of Geomatics, Vol. 24, No. 3, pp. 289-297.
Licciardi, G., Marpu, P. R., Chanussot, J. and Benediktsson, J. A., 2011, Linear versus nonlinear PCA for the classification of hyperspectral data based on the extended morphological profiles, IEEE Geoscience and Remote Sensing, Vol. 9, No. 3, pp. 447-451.
Li, J., Huang, X., Bioucas-Dias, J. M., Zhang, L., Benediktsson, J. A. and Plaza, A., 2015, Multiple feature learning for hyperspectral image classification, IEEE Transactions on Geoscience and Remote Sensing, Vol. 53, No. 3, pp. 1592-1606.
Mura, M. D., Benediktsson, J. A., Waske, B. and Bruzzone, L., 2010, Morphological attribute profiles for the analysis of very high resolution images, IEEE Transactions on Geoscience and Remote Sensing, Vol. 48, No. 10, pp. 3747-3762.
Mura, M. D., Villa, A., Benediktsson, J. A. and Chanussot, J., 2011, Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis, IEEE Geoscience and Remote Sensing, Vol. 8, No. 3, pp. 542-546.
Plaza, A., Martinez, P., Perez, R. and Plaza, J., 2004, A new approach to mixed pixel classification of hyperspectral imagery based on extended morphological profiles, Pattern Recognition, Vol. 37, No. 6, pp. 1097-1116.
Rodarmel, C. and Shan, J., 2002, Principle Component Analysis for Hyperspectral Image Classification, Surveying and Land Information Science, Vol. 62, No. 2, pp. 115-122
Rodriguez-Galiano, V. F., Chica-Olmo, M., Abarca-Hernandez, F., Atkinson, P. M. and Jeganathan, C., 2012, Random forest classification of mediterranean land cover using multi-seasonal imagery and multiseasonal texture, Remote Sensing of Environment, Vol. 121, pp. 93-107.
Shin, J. I., Cho, H. G., Kim, S. H., Choi, I. H. and Jung, K. K., 2015, Water column correction of airborne hyperspectral image for benthic cover type classification of coastal area, Journal of Korea Spatial Information Society, Vol. 23, No. 2, pp. 31-38.
Tarabalka, Y., Chanussot, J. and Benediktsson, J. A., 2010, Segmentation and classification of hyperspectral images using watershed transformed, Pattern Recognition, Vol. 43, No. 7, pp. 2367-2379.
Zhang, Q., Qin, R., Huang, X., Fang, Y. and Liu, L., 2015, Classification of ultra-high resolution orthophotos combined with DSM using a dual morphological top hat profiles, Remote Sensing, Vol. 7, No. 12, pp. 16422-16440.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.