[논문]저고도 원격탐사 영상 분석을 통한 수륙경계선 추출

정다운; 이종석; 백지연; 조영헌

doi:10.7780/kjrs.2020.36.2.2.9

저고도 원격탐사 영상 분석을 통한 수륙경계선 추출
Extraction of Waterline Using Low Altitude Remote Sensing 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.2 pt.2, 2020년, pp.337 - 349

정다운 (부산대학교 지구환경시스템학부) , 이종석 (부산대학교 지구환경시스템학부) , 백지연 (부산대학교 지구환경시스템학부) , 조영헌 (부산대학교 지구환경시스템학부)

초록
AI-Helper

본 연구에서는 저고도 원격탐사 기구인 Helikite를 이용하여 연안지역의 영상을 획득하였다. 그리고 획득된 영상에서 4 종류의 영역 분할 알고리즘을 이용하여 육지와 수괴의 영역을 분할해 낸 후 경계 검출법을 이용해 수륙경계선을 추출하였다. 실측데이터의 부재로 정량적인 비교는 불가능했으나, 수괴와 육지의 구분이 비교적 명확한 적외선(Infrared band) 영역의 영상을 기준으로 각 알고리즘들에 의해 추출된 수륙경계선을 비교하였다. 그 결과, 영상에서 수괴와 육지의 구분이 모호한 부분에서 각각의 알고리즘의 결과가 크게 차이가 나는 것을 발견할 수 있었다. 이는 각 알고리즘이 영역을 구분하는데 사용되는 영상의 수치값(Digital number)의 임계치를 선정하는 과정에서 생긴 차이라고 판단된다. 이와 같이 다양한 알고리즘을 통한 수륙경계선의 추출은 향후 연속 모니터링이 가능한 자동 관측시스템과 함께 활용하여 고정지역에서 얻은 수년의 장기간의 데이터를 통해 연안 지역 형태의 급격한 변화를 설명하는데 도움을 줄 것으로 기대된다.

Abstract ▼ AI-Helper

In this study, Helikite, Low Altitude Remote Sensing (LARS) platform, was used to acquire coastal images. In the obtained image, the land and water masses were divided using four types of region clustering algorithms, and then waterline was extracted using edge detection. Quantitative comparisons were not possible due to the lack of in-situ waterline data. But, based on the image of the infrared band where water masses and land are relatively clear, the waterlines extracted by each algorithm were compared. As a result, it was found that each algorithm differed significantly in the part where the distinction between water masses and land was ambiguous. This is considered to be a difference in the process of selecting the threshold value of the digital number that each algorithm uses to distinguish the regions. The extraction of waterlines through various algorithms is expected to be used in conjunction with a Low Altitude Remote Sensing system that can be continuously monitored in the future to explain the rapid changes in coastal shape through several years of long-term data from fixed areas.

주제어

표/그림 (12)

그림 Fig. 1. (a) Study area. The captured images are rearranged on the satellite map through georeferencing. (b) Georeferenced image.
그림 Fig. 2. (a) The Helikite. It can freely adjust the altitude using the winch. (b) Observation equipment with sensors, IMU, and GPS. Observation equipment consist of (c) optical and (d) infrared camera.
그림 Fig. 3. Visible image (a) and infrared image. (b) observed through each sensor mounted in Helikite.
그림 Fig. 4. (a) The result of segmentation using K-mean clustering algorithm. When K=4, land and water masses were most clearly distinguished. (b) K-mean clustering histogram.
그림 Fig. 5. (a) Areas representing land (red dotted line) and water mass (blue dotted line) in the image. (c) Separation of land and water masses using NN algorithm. The performance of the neural network showed low error value (b) and iteration count (d) when the number of neurons was 70.
그림 Fig. 6. (a) Separation of land and mass using Otsu’s method. (b) At the threshold value of 153 gray level.
그림 Fig. 7. Separation of land and mass using ACWE.
그림 Fig. 8. Waterline extraction using 4 algorithms on infrared images.
그림 Fig. 9. The waterline extracted by morphological image processing (solid white line) is compared with the waterline in the infrared image (red solid line).
그림 Fig. 10. Synthesize the extracted waterline using each algorithm into the original image.
그림 Fig. 11. (b) Difference between waterline extracted from the infrared image and visible light image of each algorithm. Based on the yellow dotted line in (a), analysis was performed at 50 m intervals.
그림 Fig. 12. The histogram of the image used for analysis and the histogram of the part where the distance between each algorithm was large (black dotted line, orange bar).

AI 본문요약
AI-Helper

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

문제 정의

, 2015), 해당 연구에 사용된 알고리즘의 정확도에 관한 연구는 부족한 실정이다. 따라서 본 연구에서는 Helikite를 이용하여 획득한 영상을 4가지 알고리즘을 이용하여 수륙경계선을 추출한 후, 각 결과들을 취합하여 각각의 알고리즘의 특징을 비교, 분석하고자 한다.
그러나 이러한 적외선 대역 카메라의 경우, 렌즈의 화각이 좁아(가시광선 영역의 약 1/4) 광범위한 영역을 동시에 획득하는데 제한이 있다. 따라서 상대적으로 더 넓은 범위의 관측이 가능한 가시광선 대역 카메라를 이용하여 정확한 수륙경계선을 추출하고자 하였으며, 이를 기준으로 육안으로 식별에 제한이 있는 가시광선 영상 내의 수륙경계선을 4가지의 영상 분석 알고리즘을 이용하여 추출하여 이를 비교하고자 하였다.
본 연구에서 획득된 영상의 경우 조석 작용으로 인하여 수륙경계선의 구분이 뚜렷하지 않기 때문에 단순 영역 분할 알고리즘만으로는 정확한 수륙 경계선의 구분이 힘들 것으로 판단되었다(Ryu and Won, 2002). 따라서 인공지능망(Neural-Network, NN) 알고리즘을 이용하여 정밀한 수륙경계선을 추출하고자 하였다. 인공지능망 알고리즘(이하 NN)은 사용자가 직접 설정해준 입력(input) 데이터를 통하여 반복 학습 후, 이를 통해 자동적으로 결과 데이터를 추출해내는 알고리즘이다.
일반적으로 수륙경계선 변화 관측 시 다양한 원격탐사체를 이용하지만, 위성영상의 경우 구름에 의한 결측 자료가 생기고 시간과 공간해상도가 낮으며, 항공기의 경우 기상조건에 제한적이며 비용이 비싸고 운용이 까다롭다는 단점이 있어 연안범위의 장기간 모니터링을 진행하기엔 제한점이 있다. 따라서, 본 연구에서는 이를 극복하기 위해 저고도 원격탐사 기구인 Helikite (Hellium+Kite)를 이용하여 관측하였다. Helikite는 헬륨을 채운 풍선과 기체 하부에 달려 있는 연이 복합적으로 구성되어 있는 원격탐사 기구이며, 풍선과 지상을 연결하는 테더(Tether)를 통하여 일정고도에서 장시간 동안 비행할 수 있다.
본 연구에서는 가시광선 영역의 영상에서 수륙경계선을 추출하고자 하였다. 전라남도 신안군 도초면에서 저고도 원격탐사체인 Helikite를 이용하여 가시광선 영상과 적외선 영상을 획득하였으며, 4가지의 알고리즘 K-mean, NN, Otsu’s, ACWE)을 이용하여 육지와 수괴를 구분하고 최종적으로 형태학적 영상 처리를 통하여 수륙경계선을 추출하였다.

가설 설정

2. 각 데이터들을 가장 가까운 중심포인트에 할당한다.
3. 모든 데이터들이 군집화 되면, 군집화 된 영역의 K 중심점을 재계산한다.
4. 중심점의 위치가 일정하게 유지될 때까지 반복한다.

제안 방법

명확한 차이를 보인 Fig. 11(a)의 크기는 250 m(노란색 실선)이며 각 50 m 간격으로 나뉘어 직선 거리를 비교하였다. 그 결과, K-mean과 NN의 거리 차이는 1 ~ 20 m 이하를 보였으며 AWAC과 Otsu’s는 20 ~ 120 m의거리 차이를 보여 두 그룹 사이의 거리 차이가 있음을 보여주었다.
결과 부분에서 도출된 영상 간의 차이를 정량적으로 분석하기위해 각 영상의 좌표 참조(Georeferencing)를 실시한 후 Fig. 9의 노란색 점선 영역에 대해 50 m간격으로 적외선 영상과 가시광선 영상에서 도출된 수륙경계선 간의 거리를 조사하였다. 비교에 사용된 영상의 좌표 참조는 특징적인 지상기준점이 없었기 때문에 Fig.
그리고 가시광선 영상에서의 빨강(Red, R), 초록(Green, G), 파랑(Blue, B) 영역의 밴드 값을 입력 값으로 지정하고 대표 영역을 출력 값으로 입력한뒤 뉴런의 수를 변경해가며 결과를 도출하였다(Fig.5
본 연구에서는 가시광선 영상에 4가지의 알고리즘(K-mean, NN, Otsu’s, ACWE)을 적용하여 수괴와 육지영역을 구분하였다. 그리고 구분된 영역을 형태학적 영상 처리를 이용하여 경계선만을 추출하여 수륙경계선으로 지정하고 원본 영상에서 추출해 낸 가시광선 영상의 수륙경계선과 기준으로 설정한 적외선 영상의 수륙경계선을 겹쳐 정확도를 비교하였다(Fig. 9).
뉴런의 수가 많으면 결과 값은 좋아지나 계산 시간이 기하급수적으로 증가하며, 뉴런 수가 적으면 계산 시간이 짧으나 결과 정확성이 저하된다. 따라서 본 연구에서는 우선적으로 영상 내에서 수괴와 육지를 대표하는 각각의 영역을 선택하여 추출하였다(Fig. 5(a)).
따라서 본 연구에서는 저고도 원격탐사체인 Helikite 이용하여 도초도 갯벌을 촬영하였다. 촬영된 영상은 지상기준점(Ground Control Point, GCP)을 이용한 지오레퍼런싱(Georeferencing)을 통해 영상의 픽셀 당 좌표정보가 입력되었으며 촬영된 영상의 크기는 약 1200 × 700 m이며 공간 해상도는 픽셀 당 1 m로 산출되었다(Fig.
전라남도 신안군 도초면에서 저고도 원격탐사체인 Helikite를 이용하여 가시광선 영상과 적외선 영상을 획득하였으며, 4가지의 알고리즘 K-mean, NN, Otsu’s, ACWE)을 이용하여 육지와 수괴를 구분하고 최종적으로 형태학적 영상 처리를 통하여 수륙경계선을 추출하였다. 또한 비교를 위한 실측 자료의 부재로 밴드 반사도 차이에 의해 육지와 수괴의 구별이 뚜렷한 적외선 영상을 이용하여 수륙경계선의 기준을 설정하고 이를 가시광선 영상의 결과와 비교하였다. 가시광선 영상에서 추출된 수륙경계선을 적외선 영상의 수륙경계선과 비교하면, K-mean과 NN 알고리즘에서 추출된 수륙경계선이 Otsu’s나 ACWE로 추출된 수륙경계선보다 적외선 영상의 결과와 비교하였을 때 상대적으로 유사한 것을 확인하였다.
본 연구에서는 가시광선 영상에 4가지의 알고리즘(K-mean, NN, Otsu’s, ACWE)을 적용하여 수괴와 육지영역을 구분하였다.
본 연구에서는 육지와 수괴를 구분한 영상에서 수륙경계선만을 추출하기 위하여 형태학적 영상 처리를 사용하였다(Fig. 9). 이러한 형태학적 영상 처리는 영상의 기본적인 특징(밝기, 명암 등)은 유지하되 형태에 변화를 주는 것으로, 영상의 경계, 블록, 골격 등 형태를 표현하거나 서술하는데 필요한 영상 요소를 추출하는데 사용된다.
본 연구에서는 저고도 원격탐사기구인 Helikite에 광학카메라를 탑재하여 관측을 진행하였다. Helikite (Fig.
9의 노란색 점선 영역에 대해 50 m간격으로 적외선 영상과 가시광선 영상에서 도출된 수륙경계선 간의 거리를 조사하였다. 비교에 사용된 영상의 좌표 참조는 특징적인 지상기준점이 없었기 때문에 Fig. 1에서 도출된 좌표 값을 비교하여 좌표 참조를 수행하였다. 명확한 차이를 보인 Fig.
전라남도 신안군 도초면에서 저고도 원격탐사체인 Helikite를 이용하여 가시광선 영상과 적외선 영상을 획득하였으며, 4가지의 알고리즘 K-mean, NN, Otsu’s, ACWE)을 이용하여 육지와 수괴를 구분하고 최종적으로 형태학적 영상 처리를 통하여 수륙경계선을 추출하였다.

대상 데이터

5(a)). 대표 영역은 원본 영상을 기준으로 각 수괴와 육지에 가장 가까운 곳으로 선정하였다. 그리고 가시광선 영상에서의 빨강(Red, R), 초록(Green, G), 파랑(Blue, B) 영역의 밴드 값을 입력 값으로 지정하고 대표 영역을 출력 값으로 입력한뒤 뉴런의 수를 변경해가며 결과를 도출하였다(Fig.
이러한 알고리즘은 지속적으로 샘플데이터를 수집 및 정제하고 반복적인 학습을 통해 최적의 결과를 도출해낸다(Milenova, 1997). 본 연구에서는 MATLAB 프로그램에서 제공하는 3계층 네트워크를 사용하였다. 이 네트워크는 Input layer, hidden layer, output layer로 이루어져 있으며 Hidden layer내부에 존재하는 뉴런의 수에 따라 네트워크의 성능 및 계산 시간이 달라지게 된다.
연구 지역은 대한민국의 서해안의 전라남도 신안군도초면에 있는 도초도이다(Fig. 1(a)).
촬영된 영상은 지상기준점(Ground Control Point, GCP)을 이용한 지오레퍼런싱(Georeferencing)을 통해 영상의 픽셀 당 좌표정보가 입력되었으며 촬영된 영상의 크기는 약 1200 × 700 m이며 공간 해상도는 픽셀 당 1 m로 산출되었다(Fig.

성능/효과

태양광선에서 적외선의 경우, 대부분 물에 흡수되어 거의 반사를 일으키지 않기 때문에 Fig. 3(a)의 우측 상단 갯벌수로와 같이 가시광선 영상에서 육지와 수괴의 구분이 불분명한 부분이 적외선 영상에서는 매우 뚜렷하게 구분되었다(Park et al., 2012; Yu et al., 2019) 또한 본 연구에서 제시한 4 가지의 알고리즘을 적외선 영상에 적용하였을 때, 모두 유사한 수륙경계선 추출 결과를 나타내었다(Fig. 8). 그러나 이러한 적외선 대역 카메라의 경우, 렌즈의 화각이 좁아(가시광선 영역의 약 1/4) 광범위한 영역을 동시에 획득하는데 제한이 있다.
(b) 주황색 막대)을 나타낸 것이며, 부분 히스토그램이 전체 영상 히스토그램에서 150 ~ 160 회색조 강도 값에 모여 있는 것으로 나타났다.
4(a)는 본 연구에서 사용된 가시광선 영상에 K-mean을 사용한 것으로 Fig. 4(b)의 히스토그램을 참고하여 반복수행결과가 K=4 일 때 수륙경계선이 적외선 영상의 결과와 가장 유사하게 추출되는 것을 확인하였다. 이는 Fig.
The results differed significantly in the yellow circled dotted area and The results of K-mean and NN (right images) showed more similar results to the reference waterline than Otsu’s method ACWE (left images).
가시광선 영상에서 추출된 수륙경계선을 적외선 영상의 수륙경계선과 비교하면, K-mean과 NN 알고리즘에서 추출된 수륙경계선이 Otsu’s나 ACWE로 추출된 수륙경계선보다 적외선 영상의 결과와 비교하였을 때 상대적으로 유사한 것을 확인하였다.
가시광선 우측의 수륙경계선 또한 Fig. 10과 유사하게 K-mean, NN알고리즘과 Otsu’s, ACWE의 결과가 차이가 나는 것을 볼 수 있었으며, K-mean과 NN 알고리즘의 결과가 수륙경계선을 상대적으로 정확하게 나타내는 것을 확인하였다.
5(b), 5(d)). 그 결과 뉴런 개수가 100 이상이 되는 경우 계산 시간이 급격하게 증가하였다. 따라서 100 개 이하에서의 결과 중에서 알고리즘 반복 횟수와 에러 값을 기준으로 하였을 때, 뉴런의 개수가 70 일 때 가장 최적화된 결과를 보여주었다.
그 결과, K-mean과 NN의 거리 차이는 1 ~ 20 m 이하를 보였으며 AWAC과 Otsu’s는 20 ~ 120 m의거리 차이를 보여 두 그룹 사이의 거리 차이가 있음을 보여주었다.
그 결과, 각 알고리즘 중 K-mean과 NN 알고리즘을 추출해 낸 수륙경계선이 Otsu’s 와 ACWE 알고리즘으로 추출해 낸 결과보다 적외선 영상의 수륙경계선과 유사한 형태를 보였으며, Fig. 10의 노란색 점선으로 된 원의 영역에서 크게 차이가 나는 것을 확인하였다.
이 네트워크는 Input layer, hidden layer, output layer로 이루어져 있으며 Hidden layer내부에 존재하는 뉴런의 수에 따라 네트워크의 성능 및 계산 시간이 달라지게 된다. 뉴런의 수가 많으면 결과 값은 좋아지나 계산 시간이 기하급수적으로 증가하며, 뉴런 수가 적으면 계산 시간이 짧으나 결과 정확성이 저하된다. 따라서 본 연구에서는 우선적으로 영상 내에서 수괴와 육지를 대표하는 각각의 영역을 선택하여 추출하였다(Fig.
그 결과 뉴런 개수가 100 이상이 되는 경우 계산 시간이 급격하게 증가하였다. 따라서 100 개 이하에서의 결과 중에서 알고리즘 반복 횟수와 에러 값을 기준으로 하였을 때, 뉴런의 개수가 70 일 때 가장 최적화된 결과를 보여주었다. 최종적으로 원본 영상을 넣어 최종적인 결과 값(Fig.
이 지역은 조수간만의 차가 크고, 매우 넓은 갯벌이 발달되어 있으며 수심이 얕은 것이 특징이다. 따라서 서해의 해양학적 특성을 잘 나타내고 조석에 의해 시시각각 변하는 수륙경계선을 관측하기에 적합한 지역으로 판단하였다. 특히 갯벌과 같은 조간대 지형의 경우 시시각각 변하는 수심의 변화가 생물 종 다양성, 해양생물 서식지와 같은 해양생태계에 주요한 영향을 주기 때문에 이러한 지형의 경우에 수륙경계선의 관측이 매우 중요하다.
예를 들어 육지의 구분 값이 1, 수괴의 구분 값이 0일 경우 Neural Network는 0, 1로 명확히 구분하는 것이 아닌 각 영역에 속해 있을 가능성을 0 – 1사이의 값으로 나타내기 때문이다. 따라서 육안으로 구분이 힘든 본 연구의 수륙경계선과 같은 경우는 분할 영역이 많은 값의 알고리즘을 사용하는 것이 더 좋은 결과를 나타낼 것이라고 판단된다. 추가적으로 비교 지표로 사용할 수 있는 실측 수심 자료나, 수륙경계선 자료가 있다면 더 정량적인 분석이 가능할 것으로 보인다.
6은 ACWE 알고리즘의 반복 수행 횟수를 변화시키며 수륙경계선을 추출한 영상이며 반복 수행 수가 4000 이상 일 때, 본 연구에서 기준으로 설정한 수륙경계선과 가장 유사하게 나타내는 것을 확인하였다. 이 이상의 반복횟수에선 4000 회의 알고리즘 반복에 의한 결과와 유사하게 나타나는 것을 확인하였다(Fig. 7).

후속연구

또한, 향후에 이러한 알고리즘과 고정지역에서의 수 년에 걸친 장기적인 영상 자료와 해상 좌표, 조석 주기와 같은 데이터를 이용한다면 수륙경계선을 이용하여 장기적인 기간의 영구적인 해수면 변동 관측이나, 조석을 이용한 연안에서의 수심 관측 등 다양한 분야에서 이용될 수 있을 것으로 보인다.
따라서 육안으로 구분이 힘든 본 연구의 수륙경계선과 같은 경우는 분할 영역이 많은 값의 알고리즘을 사용하는 것이 더 좋은 결과를 나타낼 것이라고 판단된다. 추가적으로 비교 지표로 사용할 수 있는 실측 수심 자료나, 수륙경계선 자료가 있다면 더 정량적인 분석이 가능할 것으로 보인다.
이는 영역을 구분하는 개수에 있어서 상대적으로 적은 영역을 이용하여 분할하는 Otsu’s method나 ACWE의 경우 가시광선 영상에서 영상 밴드의 강도 값이 육지와 수괴가 차이가 크게 나지 않는 지역을 구분하는데 어려움이 따른 것으로 판단하였다. 추후에 실측 자료의 추가적인 확보와 분석된 각각의 알고리즘 정보를 이용하여 단점들을 보완하여 좀더 정확한 수륙경계선을 추출할 수 있을 것으로 기대된다.

참고문헌 (24)

Kim, B. J., Y. K. Lee, and J. K. Choi, 2015. Investigating applicability of unmanned aerial vehicle to the tidal flat zone, Korean Journal of Remote Sensing, 31(5): 461-471 (in Korean with English abstract).

원문보기 상세보기
Chan, T. F. and L. A. Vese, 2001. Active contours without edges, IEEE Transactions on Image Processing, 10(2): 266-277.

상세보기
Choi, J. K., J. H. Ahn, Y. B. Son, D. J. Hwang, and J. H. Ryu, 2020. Application of GOCI to the Estimates of Primary Productivity in the coastal waters of the East Sea, Korean Journal of Remote Sensing, 36(2-2): 237-247 (in Korean with English abstract).
Doneus, M., M. Wieser, G. Verhoeven, W. Karel, M. Fera, and N. Pfeifer, 2016. Automated archiving of archaeological aerial images, Remote Sensing, 8(3): 209.

상세보기
Foody, G. M., A. M. Muslim, and P. M. Atkinson, 2005. Super-resolution mapping of the waterline from remotely sensed data, International Journal of Remote Sensing, 26(24): 5381-5392.

상세보기
Hwang, D. J., B. J. Kim, J. K. Choi, and J. H. Ryu, 2020. Precise topographic change study using multi-platform remote sensing at Gomso bay tidal flat, Korean Journal of Remote Sensing, 36(2-2): 263-275 (in Korean with English abstract).
Jeong, S. H., B. K. Khim, B. O. Kim, and S. R. Lee, 2013. Shoreline-change rates of the barrier islands in Nakdong river estuary using aerial photography and SPOT-5 image, Ocean and Polar Research, 35(1): 1-14 (in Korean with English abstract).

원문보기 상세보기
Jo, Y. H., J. Sha, J. I. Kwon, K. Jun, and J. Park, 2015. Mapping bathymetry based on waterlines observed from low altitude Helikite remote sensing platform, Acta Oceanologica Sinica, 34(9): 110-116 (in Korean with English abstract).

상세보기
Kumar, D. and S. Takewaka, 2019. Automatic Shoreline Position and Intertidal Foreshore Slope Detection from X-Band Radar Images Using Modified Temporal Waterline Method with Corrected Wave Run-Up, Journal of Marine Science and Engineering, 7(2): 45.

상세보기
Kim, E., K. Kim, S. M. Kim, T. Cui, and J. H. Ryu, 2020a. Deep learning based floating macroalgae classification using Gaofen-1 WFV images, Korean Journal of Remote Sensing, 36(2-2): 293-307 (in Korean with English abstract).
Kim, K., E. Kim, J. M. Choi, J. Shin, W. Kim, K. J. Lee, Y. B. Son, and J. H. Ryu, 2020b. Simulation approach for the tracing the marine pollution using multi-remote sensing data, Korean Journal of Remote Sensing, 36(2-2): 249-261 (in Korean with English abstract).
Kim, K. L. and J. H. Ryu, 2020. Generation of large-scale map of surface sedimentary facies in intertidal zone by using UAV data and object based image analysis (OBIA), Korean Journal of Remote Sensing, 36(2-2): 277-292 (in Korean with English abstract).
Lee, K., J. Choi, and C. H. Joh, 2015. Method to extract coastline changes using unmanned aerial vehicle, Journal of the Korean Geographical Society, 50(5): 473-483 (in Korean with English abstract).
Lee, S. W., N. W. Park, D. H. Jang, H. Y. Yoo, and H. Lim, 2012. Surface sediments classification in tidal flats using multivariate kriging and KOMPSAT-2 imagery, Journal of the Korean Geomorphological Association, 19(3): 37-49 (in Korean with English abstract).
Li, W., X. Zhang, F. Ling, and D. Zheng, 2016. Locally adaptive super-resolution waterline mapping with MODIS imagery, Remote Sensing Letters, 7(12): 1121-1130.

상세보기
Liu, D. and J. Yu, 2009. Otsu method and K-means, Proc. of 9th International Conference on Hybrid Intelligent Systems, Shenyang, China, vol. 1, pp. 344-349.
Lee, Y. K., J. H. Ryu, J. K. Choi, J. G. Soh, J. A. Eom, and J. S. Won, 2011. A study of decadal sedimentation trend changes by waterline comparisons within the Ganghwa tidal flats initiated by human activities, Journal of Coastal Research, 27(5): 857-869.

상세보기
Milenova, B., 1997. Fuzzy and neural approaches in engineering, John Wiley & Sons Inc., New York, NY, USA.
Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66.

상세보기
Ryu, J. H., J. S. Won, and K. D. Min, 2002. Waterline extraction from Landsat TM data in a tidal flat: a case study in Gomso Bay, Korea, Remote Sensing of Environment, 83(3): 442-456.

상세보기
Ryu, J. H. and J. S. Won, 2002. Application of neural networks to waterline extraction in tidal flat from optic satellite images, Proc. of IEEE International Geoscience and Remote Sensing Symposium, Toronto, Canada, Jun. 24-28, vol. 4, pp. 2026-2028.
Shin, J., K. Kim, and J. H. Ryu, 2020. Comparative Study on Hyperspectral and Satellite Image for the Estimation of Chlorophyll a Concentration on Coastal Areas, Korean Journal of Remote Sensing, 36(2-2): 309-323 (in Korean with English abstract).
Yu, X., C. Zhan, M. Wu, X. Niu, X. Zhang, Q. Wang, and B. Cui, 2019. An improved method for mapping tidal waterways based on remotely sensed waterlines: A case study in the Yellow River Delta, China, Marine Georesources & Geotechnology, 1-9.
Yuan, X. C., L. S. Wu, and Q. Peng, 2015. An improved Otsu method using the weighted object variance for defect detection, Applied Surface Science, 349: 472-484.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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