[논문]Iterative Error Analysis 기반 분광혼합분석에 의한 초분광 영상의 표적물질 탐지 기법

김광은

doi:10.7780/kjrs.2017.33.5.1.8

초록
AI-Helper

본 연구에서는 탐지하고자 하는 표적신호를 초기 엔드멤버로 하여 Iterative Error Analysis를 통해 배경물질들의 반사 스펙트럼을 순차적으로 엔드멤버로 추출하고, 추출된 엔드멤버들을 이용하여 분광 혼합분석함으로써 표적물질의 분포를 탐지하는 새로운 초분광 표적탐지 기법을 제안한다. 제안된 기법에서는 표적물질에 대한 점유율의 변화가 주어진 문턱값보다 작아질 때 엔드멤버 추출을 위한 반복을 멈추게 된다. 이 기법은 Orthogonal Subspace Projection과 같은 모델 기반 표적 탐지기법들과 달리 사전에 엔드멤버들을 확보해야 할 필요가 없으며, Matched Filter와 같은 확률론적 표적 탐지 기법들과 달리 배경 전체를 하나의 신호로 특징화하지 않기 때문에 표적의 희소성 여부에 의한 영향을 받지 않는다는 장점을 가지고 있다. 실제 항공 초분광 영상자료 및 다양한 인공 표적물질들이 삽입된 모의 초분광 영상자료를 이용한 실험 결과, 제안된 방법이 희소 및 비 희소 표적의 탐지에 매우 효과적임이 확인되었다. 제안된 방법은 표적 물체 탐지뿐만 아니라 광물, 오염물질 등 자원 및 환경 분야에서 다양한 피복 물질을 탐지하는데 효과적으로 사용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

In this paper, a new spectral unmixing based target detection algorithm is proposed which adopted Iterative Error Analysis as a tool for extraction of background endmembers by using the target spectrum to be detected as initial endmember. In the presented method, the number of background endmembers ...

In this paper, a new spectral unmixing based target detection algorithm is proposed which adopted Iterative Error Analysis as a tool for extraction of background endmembers by using the target spectrum to be detected as initial endmember. In the presented method, the number of background endmembers is automatically decided during the IEA by stopping the iteration when the maximum change in abundance of the target is less than a given threshold value. The proposed algorithm does not have the dependence on the selection of image endmembers in the model-based approaches such as Orthogonal Subspace Projection and the target influence on the background statistics in the stochastic approaches such as Matched Filter. The experimental result with hyperspectral image data where various real and simulated targets are implanted shows that the proposed method is very effective for the detection of both rare and non-rare targets. It is expected that the proposed method can be effectively used for mineral detection and mapping as well as target object detection.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 영상 엔드멤버 추출 알고리즘인 IEA 알고리즘을 기반으로 하는 새로운 표적물질 탐지 기법을 제안하고자 한다. 제안된 IEA 기반의 표적물질 탐지기법은 분광혼합분석을 위한 초기값으로 영상전체 화소의 평균 스펙트럼이 아닌 사용자가 확보한 표적물질의 스펙트럼을 사용한다.
본 연구에서는 영상에서 엔드멤버를 추출하는 기법 중의 하나인 IEA 알고리즘을 변형하여 새로운 표적탐지 기법을 제안하고 이의 적용성을 살펴보았다. 본 기법은 탐지하고자 하는 표적의 스펙트럼을 초기 엔드멤버로 하여 반복적인 분광혼합분석을 통해 배경물질들을 엔드멤버들로 추출하고, 최종적으로 추출된 엔드멤버들과 표적물질 스펙트럼을 이용하여 혼합분석함으로써 표적물질의 분포도를 생산한다.

가설 설정

인공 삽입된 모의 광물 표적은 인공잔디나 천연잔디 표적에 비해 상대적으로 희소 표적으로서 표적누출의 영향이 크지 않아 기존의 표적필터들에서도 비교적 양호하게 탐지되고 있음을 알 수 있다. ROC curve는 표적 물질이 단 1%라도 포함된 화소들은 모두 표적 화소로 가정하여 작성되었다.

제안 방법

IEA는 엔드멤버를 생성하는 것이 최종 목표이고, 초분광 영상의 특징상 잡음 수준이 높으므로 새로운 엔드멤버를 생성할 때 오차가 가장 큰 하나의 화소가 아닌 특정한 분광각 이내에 군집하며 오차가 큰 여러 개 화소의 평균값을 엔드멤버로 생성한다. 그러나 본 기법에서는 중간과정에서 추출되는 엔드멤버들은 단지 표적물질의 점유율 계산을 위한 분광혼합분석에만 사용되는 중간생산물이므로, 계산의 효율성 측면에서 가장 큰 오차를 보이는 하나의 화소를 곧 바로 엔드멤버로 추가하는 방식을 채택하였다.
본 연구에서는 영상에서 엔드멤버를 추출하는 기법 중의 하나인 IEA 알고리즘을 변형하여 새로운 표적탐지 기법을 제안하고 이의 적용성을 살펴보았다. 본 기법은 탐지하고자 하는 표적의 스펙트럼을 초기 엔드멤버로 하여 반복적인 분광혼합분석을 통해 배경물질들을 엔드멤버들로 추출하고, 최종적으로 추출된 엔드멤버들과 표적물질 스펙트럼을 이용하여 혼합분석함으로써 표적물질의 분포도를 생산한다. 이 기법은 Orthogonal Subspace Projection과 같은 모델 기반 표적 탐지기법들과 달리 사전에 엔드멤버들을 확보하지 않아도 되며, Matched Filter와 같은 확률론적 표적 탐지 필터들과 달리 배경을 하나의 신호로 특징화하지 않기 때문에 표적의 희소성 여부에 의한 영향도 받지 않는다.
본 연구에서는 영상 엔드멤버 추출 알고리즘인 IEA 알고리즘을 기반으로 하는 새로운 표적물질 탐지 기법을 제안하고자 한다. 제안된 IEA 기반의 표적물질 탐지기법은 분광혼합분석을 위한 초기값으로 영상전체 화소의 평균 스펙트럼이 아닌 사용자가 확보한 표적물질의 스펙트럼을 사용한다. 또한, 기존의 IEA 알고리즘에서는 사용자가 정한 개수의 엔드멤버가 생성될 때까지 반복하여 추가적으로 엔드멤버를 생성하나, 본 표적탐지기법에서는 표적물질 점유율(abundance)값의 변화가 주어진 문턱값보다 작아질 때까지 반복하여 추가적인 엔드멤버를 생성한다.
탐지하고자 하는 표적 물질의 반사 스펙트럼들이 입력되면 이들을 초기 엔드멤버로 사용하여 분광혼합분석을 수행하고 가장 큰 혼합분석 오차를 보이는 화소를 새로운 엔드멤버로 추가한다. 기존 엔드멤버들과 추가된 엔드멤버를 이용하여 다시 분광혼합분석을 수행하고 목표물질에 대한 점유율 변화값의 최대값 A_{Change_max}을 계산하여 이 값이 사용자가 입력한 점유율 변화 문턱값 C보다 크면 가장 큰 오차를 보인 화소의 스펙트럼을 새로운 엔드멤버로 추가한다.

대상 데이터

Fig. 3은 본 연구에서 사용된 실제 초분광 영상 자료로서 Chang et al.(2013)에 의해 배포된 항공 초분광 영상자료이다. 이 자료는 전라남도 영암지역의 수확을 끝마친 논에 다양한 인공표적들을 설치하고 핀란드 Specim사의 AISA 초분광 영상센서를 이용하여 획득되었다.
이 자료는 전라남도 영암지역의 수확을 끝마친 논에 다양한 인공표적들을 설치하고 핀란드 Specim사의 AISA 초분광 영상센서를 이용하여 획득되었다. 당초 400 nm~2500 nm의 파장대역에서 총 367개 밴드의 영상 자료가 획득되었으나 배포된 자료는 Eagle 센서 자료로서 400 nm~970 nm 파장대역에서 128개의 밴드를 가지는 영상 자료이며 공간해상도는 1 m이다. Fig.
(2013)에 의해 배포된 항공 초분광 영상자료이다. 이 자료는 전라남도 영암지역의 수확을 끝마친 논에 다양한 인공표적들을 설치하고 핀란드 Specim사의 AISA 초분광 영상센서를 이용하여 획득되었다. 당초 400 nm~2500 nm의 파장대역에서 총 367개 밴드의 영상 자료가 획득되었으나 배포된 자료는 Eagle 센서 자료로서 400 nm~970 nm 파장대역에서 128개의 밴드를 가지는 영상 자료이며 공간해상도는 1 m이다.
3의 항공 초분광 영상 자료에 일부 광물들의 반사 스펙트럼을 인공적으로 혼합한 모의 표적 화소들이 포함된 초분광 영상 자료를 제작하였다. 인공 모의 표적 물질은 Hematite 및 Alunite라는 광물로서 USGS 분광 라이브러리로부터 분광반사 스펙트럼을 추출하여 AISA Eagle 센서의 파장 대역에 일치하도록 편집하였으며, SNR 20dB 수준의 무작위 인공잡음을 추가하였다(Fig. 6).

성능/효과

그러나 본 연구에서 제안된 IEA기반 표적탐지 기법의 경우 4×4m 크기의 표적은 물론 1×1m 크기의 표적까지 탐지되고 있으며, 특히 부직포와 섞여있는 인공잔디 표적도 탐지되고 있음을 알 수 있다. Fig.
본 기법을 항공기를 이용하여 획득된 실제 초분광 영상자료에 시험 적용한 결과 기존의 표적탐지 필터들보다 뛰어난 표적탐지 성능을 나타냈으며, 모의 광물 표적물질들이 인공적으로 삽입된 모의 초분광 영상자료를 이용한 실험 결과, 제안된 방법이 희소 및 비 희소 표적의 탐지에 매우 효과적임이 확인되었다. 제안된 방법은 표적 물체 탐지뿐만 아니라 광물, 오염물질 등 자원 및 환경 분야에서 초분광 영상자료로부터 탐지 및 분포도 작성이 요구되는 다양한 지표 피복 물질의 탐지에 효과적으로 사용될 수 있을 것으로 기대된다.
본 연구에서 제안된 표적탐지 기법은 배경을 하나의신호로 특징화하지 않기 때문에 기존의 표적탐지 필터들에서 발생하는 표적누출에 의한 영향을 받지 않을 뿐만 아니라, 사전 정보로 표적 물질의 반사스펙트럼만을 필요로 하므로 배경 모델링 기반 표적탐지 기법들과 같이 사전 분석이 필요하지 않다는 장점을 가지고 있다.
8(c)와 (d)에는 Hematite에 대한 탐지 결과와 ROC curve를 나타냈으며, 역시 제안된 기법이 가장 우수한 성능을 보여주고 있다. 인공 삽입된 모의 광물 표적은 인공잔디나 천연잔디 표적에 비해 상대적으로 희소 표적으로서 표적누출의 영향이 크지 않아 기존의 표적필터들에서도 비교적 양호하게 탐지되고 있음을 알 수 있다. ROC curve는 표적 물질이 단 1%라도 포함된 화소들은 모두 표적 화소로 가정하여 작성되었다.
인공 삽입된 모의 광물 표적의 희소성으로 인해 기존의 표적필터들에서도 표적들이 탐지되고 있으나, ROC curve 를 통해서 제안된 기법이 가장 우수한 성능을 보여주고 있음을 알 수 있다. 제안된 표적탐지 기법이 비희소 표적은 물론 희소표적에 대해서도 기존의 표적탐지 필터들에 비해 우수한 탐지 성능을 가지고 있는 것으로 분석된다.
여기에서 사용된 항공 초분광 영상 자료의 인공표적들에 대하여 Matched filter를 비롯한 표적탐지 필터들의 탐지 성능이 높지 않은 것은 표적누출 효과에 의한 것임이 이미 Kim(2015)의 연구결과에서 보고된 바 있다. 제안된 기법은 배경을 하나의 신호로 특징화하지 않고 다양한 물질로 구분하여 혼합분석함으로써 비 희소 표적에 대한 탐지 성능이 기존의 표적탐지 필터들보다 우수한 것으로 판단된다.
인공 삽입된 모의 광물 표적의 희소성으로 인해 기존의 표적필터들에서도 표적들이 탐지되고 있으나, ROC curve 를 통해서 제안된 기법이 가장 우수한 성능을 보여주고 있음을 알 수 있다. 제안된 표적탐지 기법이 비희소 표적은 물론 희소표적에 대해서도 기존의 표적탐지 필터들에 비해 우수한 탐지 성능을 가지고 있는 것으로 분석된다.

후속연구

본 기법을 항공기를 이용하여 획득된 실제 초분광 영상자료에 시험 적용한 결과 기존의 표적탐지 필터들보다 뛰어난 표적탐지 성능을 나타냈으며, 모의 광물 표적물질들이 인공적으로 삽입된 모의 초분광 영상자료를 이용한 실험 결과, 제안된 방법이 희소 및 비 희소 표적의 탐지에 매우 효과적임이 확인되었다. 제안된 방법은 표적 물체 탐지뿐만 아니라 광물, 오염물질 등 자원 및 환경 분야에서 초분광 영상자료로부터 탐지 및 분포도 작성이 요구되는 다양한 지표 피복 물질의 탐지에 효과적으로 사용될 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Matched filter 등 전통적인 표적 탐지 필터들의 특징은?	,2003). Matched filter 등 전통적인 표적 탐지 필터들은 영상 내에서 표적 화소는 매우 희소하게 존재하며 영상의 대부분이 배경 화소라고 가정하고 배경신호를 통계적으로 특징화(background characterization)하는데 있어 영상 전체의 모든 화소를 사용한다. Matched filter는 국방분야뿐만 아니라 광물 분포 탐지(Bedini, 2011; Son et al.
	표적누출(target leakage)을 극복하기 위해 진행된 연구들의 예는 무엇이 있는가?	초분광 영상에서 Matched Filter를 이용하여 표적물질을 탐지하고자 할 때 표적누출 영향 및 배경 물질의 복잡성에 의한 탐지 성능 저하를 극복하기 위한 많은 연구들이 진행되어 왔다. Akhter et al.(2015)은 사전에 확보한 엔드멤버(endmember)들을 이용하여 배경신호 특징화를 위해 사용되는 화소들을 제한적으로 사용하는 방법을 제안한 바 있고, Func et al.(2000)은 군집화(clustering)를 통해 배경 화소들을 몇 개의 항목으로 구분하여 Matched filter를 적용함으로써 탐지 성능을 향상시켰다고 보고하였다. 또한 배경 특징화를 국부적으로 수행(Matteoli et al., 2011)하는 등 배경 특징화 시 영상전체 화소를 사용하지 않는 다양한 방법들이 제안된 바 있다. Kim(2015)은 Matched filter 등의 표적탐지 필터를 적용하는데 있어 표적 누출에 의한 탐지성능의 변화를 살펴보고 배경신호를 특징화할 때 분광각(spectral angle)을이용하여 표적신호와 유사한 분광 반사특성을 가지고 있는 화소들을 사전에 제외함으로써 표적탐지 필터들의 탐지성능이 크게 향상될 수 있음을 보고한 바 있다.
	Matched filter가 주로 쓰이는 곳은?	Matched filter 등 전통적인 표적 탐지 필터들은 영상 내에서 표적 화소는 매우 희소하게 존재하며 영상의 대부분이 배경 화소라고 가정하고 배경신호를 통계적으로 특징화(background characterization)하는데 있어 영상 전체의 모든 화소를 사용한다. Matched filter는 국방분야뿐만 아니라 광물 분포 탐지(Bedini, 2011; Son et al.,2015)를 비롯한 다양한 다중 및 초분광 영상 활용 분야에서 매우 효과적인 표적물질 탐지 도구로 활용되고있다. 그러나 환경 분야를 비롯한 대부분의 민간 활용분야에서는 영상 내에서 탐지하고자 하는 표적이나 물질이 희소하게 분포하고 있다는 희소 표적(rare target) 가정이 타당하지 않은 경우가 많다.

참고문헌 (16)

Akhter, M. A., R. Heylen, and P. Scheunders, 2015. A Geometric Matched Filter for Hyperspectral Target Detection and Partial Unmixing, IEEE Geoscience Remote Sensing Letters, 12(3): 661-665.

상세보기
Bedini, E., 2011. Mineral Mapping in the Kap Simpson, Central EAST Greenland, Using HyMap and ASTER Remote Sensing Data, Advance in Space Research, 47(1): 60-73.

상세보기
Boardman, J. W., F. A. Kruse, and R. O. Green, 1995. Mapping target signatures via partial unmixing of AVIRIS data, Proc. of Summaries 5th Annual JPL Airborne Geoscience Workshop, Pasadena, CA, Jan. 23-26, vol. 1, pp. 11-14.
Chang, A., Y. Kim, S. Choi, D. Han, J. Choi, Y. Kim, Y. Han, H. Park, B. Wang, and H. Lim, 2013. Construction and Data Analysis of Test-bed by Hyperspectral Airborne Remote Sensing, Korean Journal of Remote Sensing, 29(2): 161-172 (in Korean with English abstract).

원문보기 상세보기
Choi, J., D. Kim, B Lee, Y. Kim, and Y. Yun, 2006. Hyperspectral Image Fusion Algorithm Based on Two-Stage Spectral Unmixing Method, Korean Journal of Remote Sensing, 22(4): 295-304 (in Korean with English abstract).
Funk, C. C., J. Theiler, D. A. Roberts, and C. C. Borel, 2000. Clustering to improve matched filter detection of weak gas plumes in hyperspectral thermal imagery, IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1410-1420.
Harsanyi, J. C. and C. I. Chang, 1994. Hyperspectral image classification and dimensionality reduction: An orthogonal subspace projection, IEEE Transactions on Geoscience and Remote Sensing, 32(4): 779-785.

상세보기
Daniel C. Heinz and C. I. Chang, 2001. Fully Constrained Least Squares Linear Spectral Mixture Analysis Method for Material Quantification in Hyperspectral Imagery, IEEE Transactions on Geoscience and Remote Sensing, 39(3): 529-545.

상세보기
Kim, K., 2015. Study on Improving Hyperspectral Target Detection by Target Signal Exclusion in Matched Filtering, Korean Journal of Remote Sensing, 31(5): 433-440 (in Korean with English abstract).

원문보기 상세보기
Manolakis, D., D. Marden, and G. Shaw, 2003. Detection algorithms for hyperspectral imaging applications, Lincoln Laboratory Journal, 14(1): 79-116.
Matteoli, Y. S., N. Acito, M. Diana, and G. Corsini, 2010. An automatic approach to adaptive local background estimation and suppression in hyperspectral target detection, IEEE Transactions on Geoscience and Remote Sensing, 49(2): 790-800.
Neville, R. A., K. Staennz, T. Szeredi, J. Lefebvre, and P. Hauff, 1999. Automatic endmember extraction from hyperspectral data for mineral exploration, Proc. of 21st Canada Symposium on Remote Sensing, Ottawa, ON, Canada, Jun. 21-24, pp. 21-24.
Shin, J. and K. Lee, 2012. Comparative Analysis of Target Detection Algorithms in Hyperspectral Image, Korean Journal of Remote Sensing, 28(4): 369-392 (in Korean with English abstract).

원문보기 상세보기
Son, Y., K. Kim, and W. Yoon, 2015. A Review of Remote Sensing Techniques and Applications for Geoscience and Mineral Resources, Journal of The Korean Society of Mineral and Energy Resources Engineers, 52(4): 429-457 (in Korean with English abstract).
Song, A., J. Choi, A. Chang, and Y. Kim, 2015. Change Detection Using Spectral Unmixing and IEA(Iterative Error Analysis) for Hyperspectral Images, Korean Journal of Remote Sensing, 31(5): 361-370 (in Korean with English abstract).

원문보기 상세보기
Song, A., Y. Han, Y. Kim, and Y. Kim, 2014. Spectral Mixture Analysis Using Modified IEA Algorithm for Forest Classification, Korean Journal of Remote Sensing, 30(2): 219-226 (in Korean with English abstract).

원문보기 상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

Iterative Error Analysis 기반 분광혼합분석에 의한 초분광 영상의 표적물질 탐지 기법
Hyperspectral Target Detection by Iterative Error Analysis based Spectral Unmixing 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Iterative Error Analysis 기반 분광혼합분석에 의한 초분광 영상의 표적물질 탐지 기법 Hyperspectral Target Detection by Iterative Error Analysis based Spectral Unmixing 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

김광은 (13)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

Iterative Error Analysis 기반 분광혼합분석에 의한 초분광 영상의 표적물질 탐지 기법
Hyperspectral Target Detection by Iterative Error Analysis based Spectral Unmixing 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper