[논문]nDSM 및 도로망 추출 기법을 적용한 도심지 건물 변화탐지

장영재; 오재홍; 이창노

doi:10.7848/ksgpc.2020.38.3.237

[국내논문] nDSM 및 도로망 추출 기법을 적용한 도심지 건물 변화탐지
Urban Building Change Detection Using nDSM and Road Extraction 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.38 no.3, 2020년, pp.237 - 246

장영재 (Dept. of Civil Engineering, Korea Maritime and Ocean University) , 오재홍 (Dept. of Civil Engineering, Korea Maritime and Ocean University) , 이창노 (Dept. of Civil Engineering, Seoul National University of Science and Technology)

초록
AI-Helper

최근 고해상도 영상을 지원하는 위성들이 다양화되면서 도심지에 대한 DSM (Digital Surface Model) 생성 및 업데이트가 가능해지고 있다. 그에 따라 고해상도 DSM을 이용해 건물 단위의 변화탐지가 가능해지면서 DSM을 활용한 건물 변화탐지 기법들이 다양하게 연구되고 있다. 기본적으로 DSM을 활용한 건물 변화탐지를 위해서는 스테레오 위성영상을 이용한 두 시기에 대한 DSM의 생성이 필요하며, 생성된 DSM의 표고값 차이를 이용해 변화를 탐지하는 D-DSM (Differential DSM) 방법이 일반적으로 사용된다. 그러나 D-DSM을 이용하는 기법은 두 DSM 간의 수직오차가 클 경우 건물의 변화를 탐지하기 위한 최소 수직좌표의 임계치를 정밀하게 적용하기에 어려움이 있다. 따라서 본 연구에서는 DTM (Digital Terrain Model)의 높이를 기준표고로 지정하고 구조물의 높이만을 표현하는 nDSM (Normalized DSM)을 기반으로 D-nDSM (Differential nDSM)을 생성하고 모폴로지 필터링을 거쳐 변화탐지를 진행하여 표고 오차에 따른 변화탐지의 오류를 줄이고자 하였다. 또한 도로변 건물의 추출 정밀도 향상을 위해 nDSM에서 도심지의 도로망을 추출하는 방안을 제시해 D-nDSM기법에 적용하였다. 도시 변화지역을 대상으로 두 시기의 스테레오 영상을 이용하여 실험을 진행하였고, D-DSM을 이용한 변화탐지기법과 D-nDSM기법, 도로선형을 추출해 D-nDSM에 적용한 탐지방법 등을 비교하여 결과를 얻었다. 단순 D-DSM을 이용한 기법에서 수직 임계치에 따라 약 30~55%의 정확도를 얻어낼 수 있었다. 또한 D-nDSM 기법의 적용시 59%의 정확도를 얻었으며, 노이즈 필터링의 과정을 거쳐 77.9%의 정확도를 얻었다, 최종적으로 대상지의 도로 선형을 추출해 적용하여 87.2%의 전체 정확도를 얻을 수 있었다.

Abstract ▼ AI-Helper

Recently, as high resolution satellites data have been serviced, frequent DSM (Digital Surface Model) generation over urban areas has been possible. In addition, it is possible to detect changes using a high-resolution DSM at building level such that various methods of building change detection using DSM have been studied. In order to detect building changes using DSM, we need to generate a DSM using a stereo satellite image. The change detection method using D-DSM (Differential DSM) uses the elevation difference between two DSMs of different dates. The D-DSM method has difficulty in applying a precise vertical threshold, because between the two DSMs may have elevation errors. In this study, we focus on the urban structure change detection using D-nDSM (Differential nDSM) based on nDSM (Normalized DSM) that expresses only the height of the structures or buildings without terrain elevation. In addition, we attempted to reduce noise using a morphological filtering. Also, in order to improve the roadside buildings extraction precision, we exploited the urban road network extraction from nDSM. Experiments were conducted for high-resolution stereo satellite images of two periods. The experimental results were compared for D-DSM, D-nDSM, and D-nDSM with road extraction methods. The D-DSM method showed the accuracy of about 30% to 55% depending on the vertical threshold and the D-nDSM approaches achieved 59% and 77.9% without and with the morphological filtering, respectively. Finally, the D-nDSM with the road extraction method showed 87.2% of change detection accuracy.

주제어

표/그림 (24)

그림 Fig. 1. Flow Chart of the study
그림 Fig. 2. nDSM overview
그림 Fig. 3. Morphology ﬁltering
그림 Fig. 4. Road extraction
그림 Fig. 5. 2001 IKONOS (Left), 2005 QuickBird (Right)
그림 Fig. 6. Test area information
그림 Fig. 7. Distribution of GCPs, CPs, TPs
표 Table 1. Speciﬁcation of the tested data
그림 Fig. 8. Generated DSMs and DTMs
표 Table 2. RMSE of GCPs and CPs
표 Table 3. Elevation diﬀerence between 2001 and 2005 DSMs
표 Table 4. Overall change detection accuracy of D-DSM (0.5m)
그림 Fig. 9. D-DSM PPV and TPR rates
그림 Fig. 10. 2001 and 2005 nDSM
표 Table 5. D-DSM OA, PPV and TPR rates
표 Table 6. Overall change detection accuracy of D-nDSM
표 Table 7. Overall change detection accuracy of noise ﬁltered D-nDSM
그림 Fig. 11. Road extraction process
그림 Fig. 12. Extracted road network
그림 Fig. 13. Accuracy according to contraction pixel
표 Table 8. Overall change detection accuracy after road extraction D-nDSM
그림 Fig. 14. Results and ground data
그림 Fig. 15. Overall accuracy and F1-score of each method
표 Table 9. Overall change detection accuracy of Road D-nDSM contraction

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 nDSM (Normalized DSM)을 적용하여 두 시기 DSM의 수직정확도 차이에 의한 변화탐지의 오류를 줄이고자 하였다. 그리고 나아가 nDSM에서 도심지 도로망 정보를 추출해 보다 높은 정확도의 변화탐지를 수행하고자 하였다. 이러한 변화탐지 기법의 가능성을 확인하기 위해 취득된 스테레오 영상을 전처리 과정으로서 센서모델링을 통해 두 시기간 수평좌표를 최대한 정합시켜, 데이터 획득 시기와 센서 차이에 의한 노이즈 효과를 최소화시켰으며, 두시기 nDSM을 차분하고 그에 수반하는 다양한 노이즈를 제거할 수 있는 다양한 방법을 적용하여 D-nDSM (Differential nDSM)생성을 통한 표고 변화 탐지의 정확도를 평가해 보았다.
, 2019)은 두 시기간의 DSM에 완벽한 정합이 뒷받침되지 못한다면 D-DSM에 많은 노이즈가 생성되어 변화 탐지의 결과에 많은 영향을 미치게 된다. 따라서 본 연구에서는 nDSM (Normalized DSM)을 적용하여 두 시기 DSM의 수직정확도 차이에 의한 변화탐지의 오류를 줄이고자 하였다. 그리고 나아가 nDSM에서 도심지 도로망 정보를 추출해 보다 높은 정확도의 변화탐지를 수행하고자 하였다.
본 연구는 Fig. 1의 연구흐름도와 같이 두 시기 스테레오 위성영상에서 추출한 DSM을 활용하여 변화탐지를 진행할 때, 차분법을 사용하는 기법에 관해 정확도를 향상시킬 새로운 과정을 제안하였다. 본 연구기법은 기본적으로 D-DSM기법에 기초하여 진행한다.
본 연구에서는 고해상도 스테레오 위성영상으로 생성된 DSM을 이용하여 다양한 기법을 적용해 도심지에 대한 변화 탐지를 진행하였다. 두 시기의 위성영상들은 서로 간에 혹은 단독으로서 계산된 지상좌표가 상이하다.

가설 설정

nDSM_T2에서 nDSM_T1를 차분하는 과정을 거쳐 각 좌표의 표고 데이터를 가진 D-nDSM을 쉽게 생성한다. 이때 건물을 제외한 다른 지표는 0의 값을 가지게 된다고 가정하고 두 시기에 대해 새롭게 생성된 영역은 +의 값을 가지며 철거된 영역은 (-)의 값을 지니는 것으로 가정한다.

제안 방법

또한 아래 Fig. 6(b)와 같이 정부에서 제공하는 수치지형도를 이용해 본 연구의 ground data로 활용하였다. 대상 영역 501,590픽셀 중총 34,923픽셀이 변화지역으로서 픽셀 기반으로 정확도 평가를 진행하였다.
D-DSM기법의 DSM차분의 수직정확도의 신뢰구간을 얻기 위해 DSM 여러지역에 대해 표고치의 차이를 수집하여 비교하였다. D-DSM의 신뢰구간은 ±0.
D-nDSM의 정확도를 더욱 향상시키기 위해 도심지의 도로망 정보를 추출해 사용하였다. 앞서 nDSM은 DTM을 이용해 인공구조물을 추출하는 기능을 하였다.
본 연구기법은 기본적으로 D-DSM기법에 기초하여 진행한다. DSM 차분에 앞서 두 시기 영상 간에 RPCs (Rational Polynomial Coefficients)조정을 진행하여 차분법에 필요한 수평위치 정합을 수행한다. 전처리 후, 스테 레오 영상 매칭을 통해 생성된 DSM 기반하여 총 4가지의 변화탐지 기법을 적용하고 서로 비교하였다.
DSM과 DTM을 이용해 nDSM을 생성하였다. 아래 Fig.
따라서 GCPs와 tie points에 기반한 센서모델링을 통해 두 시기의 영상을 정합시켰다. DSM을 생성하고 두 시기 표고값의 차이를 이용해 변화를 알아보기 위하여 DSM 차분을 통해 D-DSM을 생성하였다.
① 간단한 차분법에 기반한 D-DSM 기법을 이용해 변화탐지를 진행하며 이때 두시기 DSM의 수직 좌표의 오차를 임계치로 적용한다. ② DSM과 DTM (Digital Terrain Model)을 이용해 nDSM을 생성하며 두 시기 nDSM간의 단순 차분인 D-nDSM의 정확도를 평가한다. ③ 앞서 생성한 D-nDSM에 모폴로지 필터링을 통해 노이즈를 제거한후 정확도를 평가한다.
② DSM과 DTM (Digital Terrain Model)을 이용해 nDSM을 생성하며 두 시기 nDSM간의 단순 차분인 D-nDSM의 정확도를 평가한다. ③ 앞서 생성한 D-nDSM에 모폴로지 필터링을 통해 노이즈를 제거한후 정확도를 평가한다. ④ 마지막으로 nDSM에서 도심지의 도로선형을 추출하는 기법을 적용해 도심지 D-nDSM에서 도로 선형과 노이즈를 제거한 후 정확도를 평가한다.
③ 앞서 생성한 D-nDSM에 모폴로지 필터링을 통해 노이즈를 제거한후 정확도를 평가한다. ④ 마지막으로 nDSM에서 도심지의 도로선형을 추출하는 기법을 적용해 도심지 D-nDSM에서 도로 선형과 노이즈를 제거한 후 정확도를 평가한다.
7과 Table 2와 같이 2005년 QuickBird영상을 중심으로 7개의 미변화 GCPs (Ground Control Points)(삼각형)를 지정해 4장의 영상 사이의 지상좌표를 일치시켰으며 두 시기 사이에 중복이 되지않은 4곳의 TPs (Tie Points)(사각형)을 이용해 2장의 QuickBird 영상 사이의 지상좌표를 일치시켜 2시기 영상의 RPCs를 각각 독립적으로 보정하였다. 그리고 3개의 CPs (Check Points)(원)을 추가로 획득하여 정확도 검증에 활용하였다.
따라서 아래 Table 3과 같이 실험 대상지 전 영역에 대하여 수직 좌표의 오차를 찾아내었다. 대전시 일대의 넓은 공터 등 수직좌표의 정합이 잘 이루어질 수 있는 구역을 10개 임의로 지정하여 두시기 DSM사이의 수직 정합 오차를 산정하였다. 대체로 높은 정합도를 보였으며 전체 평균은 거의 0에 가까운 0.
중심부의 도심 지역을 중심으로 붉은 색의 건물들이 많이 추출 되었으며 가장자리의 산이나 언덕은 옅은 청색이나 황색을 띈다. 두 시기 nDSM 에 대하여 이진화를 진행하여 변화탐지를 진행한다. nDSM이 0이하인 구간은 0으로 나머지 구간은 1로 표시하였다.
두 시기 영상 간의 센서모델링을 통한 지상 좌표 조정 후 Fig. 8과 같이 DSM과 DTM을 생성하였다. DTM은 DSM에서 건물과 교량 등 급격한 표고 변화의 지역이 제거되어 만들어진 것을 확인할 수 있다.
두 시기 영상의 제조사에서 제공하는 RPCs는 오차를 내포 하고 있으므로 두 시기, 서로 다른 위성의 영상좌표 정합을 위해 4장의 영상에 대한 공액점을 기반으로 RPCs를 보정해 주었다. 아래 Fig.
두 시기의 위성영상들은 서로 간에 혹은 단독으로서 계산된 지상좌표가 상이하다. 따라서 GCPs와 tie points에 기반한 센서모델링을 통해 두 시기의 영상을 정합시켰다. DSM을 생성하고 두 시기 표고값의 차이를 이용해 변화를 알아보기 위하여 DSM 차분을 통해 D-DSM을 생성하였다.
또한 추출된 도로망을 적용하더라도 위성영상 DSM의특성상 건물 가장자리보다 더 크게 나타나는 점을 감안해 D-nDSM에 수축(contraction)을 적용해주었다. 작성된 이진 영상에 대해 일정 영역을 지정해 변화구역으로 탐지된 영역주변을 침식시키는 구조로 진행되며 구조물의 가장자리에서 발생되는 미변화지역 오탐지영역을 최소화 할수 있다.
모폴로지 필터링을 적용한 D-nDSM에서 미변화지역에 대한 오탐지 영역을 줄이기 위해 도로망을 추출하였다. 아래 Fig.
본 연구에서는 대전시 일대의 2001년과 2005년의 위성영상을 이용해 도심지에 대해 다양한 변화탐지 기법을 적용하였다. 아래 Fig.
두 시기 영상의 제조사에서 제공하는 RPCs는 오차를 내포 하고 있으므로 두 시기, 서로 다른 위성의 영상좌표 정합을 위해 4장의 영상에 대한 공액점을 기반으로 RPCs를 보정해 주었다. 아래 Fig. 7과 Table 2와 같이 2005년 QuickBird영상을 중심으로 7개의 미변화 GCPs (Ground Control Points)(삼각형)를 지정해 4장의 영상 사이의 지상좌표를 일치시켰으며 두 시기 사이에 중복이 되지않은 4곳의 TPs (Tie Points)(사각형)을 이용해 2장의 QuickBird 영상 사이의 지상좌표를 일치시켜 2시기 영상의 RPCs를 각각 독립적으로 보정하였다. 그리고 3개의 CPs (Check Points)(원)을 추가로 획득하여 정확도 검증에 활용하였다.
앞서 생성된 두 DSM을 차분하여 D-DSM을 생성하였다. D-DSM은 수직 좌표행렬의 픽셀 데이터만으로 계산되는 기법이기 때문에 많은 노이즈가 발생할 수밖에 없다.
앞서 생성한 D-nDSM을 기반으로 모폴로지 필터링을 진행 하였다. 탐지된 데이터의 가로, 세로의 길이가 건물의 사이즈에 비교해 일정 길이를 넘지 못하는 영역은 제거하였다.
다만 실제 변화 하지 않은 지역을 변화로 탐지한 영역이 20,751픽셀로서 오탐지 비율이 86%이상으로 산정되었다. 이는 DSM에 따라 정확하지 못한 건물들의 모서리 영역에 의한 것으로 사료되며 다음 과정인 모폴로지 필터링 과정을 거쳐 이를 제거해 보았다.
이진화된 nDSM의 정보를 이용하여 팽창과 연결 과정을 적용해 끊어진 도로망을 최대한 이어주었으며 이를 세선화 하여 도로망의 정보를 추출하였다. 이러한 단계를 거쳐 세선화 단계에서 도로 두께만큼 재 팽창시킬 때 nDSM의 해상도가 1픽셀당 2m인 점을 감안하여 7 pixels(약 15m의 폭, 왕복 2차선+인도)의 임계치를 설정하여 도로망을 추출하였다.
그리고 나아가 nDSM에서 도심지 도로망 정보를 추출해 보다 높은 정확도의 변화탐지를 수행하고자 하였다. 이러한 변화탐지 기법의 가능성을 확인하기 위해 취득된 스테레오 영상을 전처리 과정으로서 센서모델링을 통해 두 시기간 수평좌표를 최대한 정합시켜, 데이터 획득 시기와 센서 차이에 의한 노이즈 효과를 최소화시켰으며, 두시기 nDSM을 차분하고 그에 수반하는 다양한 노이즈를 제거할 수 있는 다양한 방법을 적용하여 D-nDSM (Differential nDSM)생성을 통한 표고 변화 탐지의 정확도를 평가해 보았다.
이진화된 nDSM을 이용해 D-nDSM을 생성하였다. 아래 Table 6과 같이 변화를 탐지하였으며 전체 정확도는 59%로 추출되었다.
11과 같은 과정을 거쳐 도로망을 추출한다. 이진화된 nDSM의 정보를 이용하여 팽창과 연결 과정을 적용해 끊어진 도로망을 최대한 이어주었으며 이를 세선화 하여 도로망의 정보를 추출하였다. 이러한 단계를 거쳐 세선화 단계에서 도로 두께만큼 재 팽창시킬 때 nDSM의 해상도가 1픽셀당 2m인 점을 감안하여 7 pixels(약 15m의 폭, 왕복 2차선+인도)의 임계치를 설정하여 도로망을 추출하였다.
DSM 차분에 앞서 두 시기 영상 간에 RPCs (Rational Polynomial Coefficients)조정을 진행하여 차분법에 필요한 수평위치 정합을 수행한다. 전처리 후, 스테 레오 영상 매칭을 통해 생성된 DSM 기반하여 총 4가지의 변화탐지 기법을 적용하고 서로 비교하였다. ① 간단한 차분법에 기반한 D-DSM 기법을 이용해 변화탐지를 진행하며 이때 두시기 DSM의 수직 좌표의 오차를 임계치로 적용한다.
추가적으로 수직 정확도에 여유를 주어 1m와 1.5m에 대해 서도 정확도 평가를 진행해보았다. 수직 임계치에 대해 여러 수치를 사용하였을 때 임계치를 높게 사용할수록 PPV는 높아지고 TPR은 낮아지는 경향을 보였다(Table 5 and Fig.

대상 데이터

6(b)와 같이 정부에서 제공하는 수치지형도를 이용해 본 연구의 ground data로 활용하였다. 대상 영역 501,590픽셀 중총 34,923픽셀이 변화지역으로서 픽셀 기반으로 정확도 평가를 진행하였다.
6(a)와 같이 선정하였다. 대전시 서구 둔산동 일대의 약 1.5x1.5km의 면적을 정확도 평가영역으로 설정하였다. 실험 데이터의 촬영기간인 2001년과 2005년 사이에 개발이 진행되어 건물들이 많이 신축되었으며 다양한 밀집도의 건물들과 함께 공원과 같은 나대지 등 여러 조건의 데이터를 비교할 수 있다.
따라서 적용 가능한 수축 파라미터 중 상황에 따라 적절한 변수의 선택이 필요하다. 본 연구에서는 수축된 데이터의 재현율이 급격히 하락하지 않은 반지름 4픽셀을 파라미터로 사용하였다. Fig.
두 시기 영상은 높은 공간해상도로 각각 34°와 61°의 수렴각(convergence angle)을 지니고 있다. 실험 대상지는 2001년~2005년 밀집된 고층 빌딩과 낮은 상가, 교량 등 다양한 구성의 인공 구조물 변화가 발생한 대전지역으로서 변화탐지의 결과에 대해 다양한 변수가 적절히 구성되어있다.
본 연구에서는 대전시 일대의 2001년과 2005년의 위성영상을 이용해 도심지에 대해 다양한 변화탐지 기법을 적용하였다. 아래 Fig. 5와 같이 along track으로 촬영된 IKONOS 의 스테레오 영상과 QuickBird 스테레오 영상을 사용하였다. 두 시기 영상은 높은 공간해상도로 각각 34°와 61°의 수렴각(convergence angle)을 지니고 있다.

이론/모형

DTM은 DSM에서 건물과 교량 등 급격한 표고 변화의 지역이 제거되어 만들어진 것을 확인할 수 있다. DSM과 DTM의 생성은 SimActive 社의 Correlator3D를 사용해 생성하였으며 각 2m의 해상도로 생성하였다.
1의 연구흐름도와 같이 두 시기 스테레오 위성영상에서 추출한 DSM을 활용하여 변화탐지를 진행할 때, 차분법을 사용하는 기법에 관해 정확도를 향상시킬 새로운 과정을 제안하였다. 본 연구기법은 기본적으로 D-DSM기법에 기초하여 진행한다. DSM 차분에 앞서 두 시기 영상 간에 RPCs (Rational Polynomial Coefficients)조정을 진행하여 차분법에 필요한 수평위치 정합을 수행한다.

성능/효과

하지만 같은 지역에 대해 두 시기의 DSM이 정확히 같은 높이를 가지지 못하기 때문에 두 시기의 DSM의 차이로 Eq. (1)과 같이 계산되는 D-DSM에 정확도 평가를 진행할 때 수직 좌표에 대한 여유를 임계치로 지정해주어 두 시기 DSM 의 수직 좌표 오차를 상쇄시켜 줄 수 있다.
15에서 전체 변화탐지 기법들의 OA와 F1-score 를 비교하였다. D-DSM 기법은 30%의 전체 정확도를 보여주 었으며 수직좌표의 임계치를 높여줄수록 정확도가 크게 향상 되는 모습을 보였다. D-nDSM기법을 사용함으로서 D-DSM 기법보다 더욱 높은 정확도를 얻을 수 있었으며 모폴로지 필터링의 과정을 통해 눈에 띄는 정확도의 향상을 기대할 수 있었다.
D-DSM의 신뢰구간은 ±0.5m로 추출되었으며, 이를 그대로 임계값으로 적용하였을 때 건물변화탐지 정확도는 30.7%로 추출되었다.
D-nDSM기법을 사용함으로서 D-DSM 기법보다 더욱 높은 정확도를 얻을 수 있었으며 모폴로지 필터링의 과정을 통해 눈에 띄는 정확도의 향상을 기대할 수 있었다. D-nDSM기법에 도로망을 적용한 결과 D-DSM(0.5m) 기법과 비교하여 50%p에 가까운 전체 정확도 향상을 보여주었다. 또한 수축을 적용한 결과 전체 정확도는 87.
D-DSM 기법은 30%의 전체 정확도를 보여주 었으며 수직좌표의 임계치를 높여줄수록 정확도가 크게 향상 되는 모습을 보였다. D-nDSM기법을 사용함으로서 D-DSM 기법보다 더욱 높은 정확도를 얻을 수 있었으며 모폴로지 필터링의 과정을 통해 눈에 띄는 정확도의 향상을 기대할 수 있었다. D-nDSM기법에 도로망을 적용한 결과 D-DSM(0.
DSM의 수직좌표 차이에 대해 오차가 발생 하는 D-DSM기법의 오차를 제거할 목적으로 nDSM을 사용하였을 때는 D-DSM기법에 비해 더 나은 59%의 변화탐지 정확도를 얻을 수 있었다. D-nDSM은 D-DSM에 비해 지형이 고려되기 때문에 인공 구조물 외 지역의 미변화지역 오탐지 영역이 현저히 줄어듦을 확인할 수 있었다.
4%로 정확도 향상을 얻을 수 있지만, 수직 임계치 내에서 변화한 건물이나 지형에 대해 변화를 탐지하지 못하는 경우가 발생하였다. DSM의 수직좌표 차이에 대해 오차가 발생 하는 D-DSM기법의 오차를 제거할 목적으로 nDSM을 사용하였을 때는 D-DSM기법에 비해 더 나은 59%의 변화탐지 정확도를 얻을 수 있었다. D-nDSM은 D-DSM에 비해 지형이 고려되기 때문에 인공 구조물 외 지역의 미변화지역 오탐지 영역이 현저히 줄어듦을 확인할 수 있었다.
다음으로 단순 차분기법을 이용하기에 DSM의 노이즈가 강하게 나타나 모폴로지 필터링을 통해 일정영역에 대해 노이즈를 제거한 결과 필터링 전과 비교하여 18.9%p 높은 77.9% 의 탐지 정확도를 얻을 수 있었다. 도심지에 있어 인공구조물 주변부가 대부분 도로인 점을 이용하여 nDSM에서 도로망을 추출하여 필터링에 사용한 결과 약 16%의 오탐지 영역제거가 가능했으며 도로망을 적용하지 않은 기법보다 2.
대전시 일대의 넓은 공터 등 수직좌표의 정합이 잘 이루어질 수 있는 구역을 10개 임의로 지정하여 두시기 DSM사이의 수직 정합 오차를 산정하였다. 대체로 높은 정합도를 보였으며 전체 평균은 거의 0에 가까운 0.03m로 산정되었으며 전 구역에 대한 RMSE는 0.49m로 산정되었다. 따라서 이를 바탕으로 D-DSM의 수직 좌표 임계치로 0.
9% 의 탐지 정확도를 얻을 수 있었다. 도심지에 있어 인공구조물 주변부가 대부분 도로인 점을 이용하여 nDSM에서 도로망을 추출하여 필터링에 사용한 결과 약 16%의 오탐지 영역제거가 가능했으며 도로망을 적용하지 않은 기법보다 2.6%p 향상된 80.5%의 탐지 정확도를 얻을 수 있었다. 또한 미변화 지역에 대한 오탐지 역역을 제거하기 위해 수축을 적용하였으며 최종 적으로 87.
다만 실 변화지역에 대해 미변화로 탐지된 영역이 700픽셀가량 늘어났지만 FP영역에 비해 매우 미비한 수준에 그쳤다. 따라서 전체 정확도는 2.6%p향상된 80.5%의 전체 정확도를 얻을 수 있었다.
5%의 탐지 정확도를 얻을 수 있었다. 또한 미변화 지역에 대한 오탐지 역역을 제거하기 위해 수축을 적용하였으며 최종 적으로 87.2%의 전체정확도를 얻을수 있었다. 이로써 스테레오 위성영상의 DSM과 DTM에 다양한 기법을 적용해 도심지 변화탐지의 정확도를 30.
5m) 기법과 비교하여 50%p에 가까운 전체 정확도 향상을 보여주었다. 또한 수축을 적용한 결과 전체 정확도는 87.2%까지 상승하였으며, 더불어 F1-score또한 전체 정확도와 함께 0.421까지 상승하는 것을 확인할 수 있다.
아래 Table 8은 도로망 추출 후 D-nDSM에 형태학적 필터링을 적용한 결과의 정확도 평가 자료이다. 모폴로지 필터링만 적용한 데이터에 비해 14,656픽셀의 FP영역이 줄어들어약 16%의 오탐지 영역 제거가 가능했다. 다만 실 변화지역에 대해 미변화로 탐지된 영역이 700픽셀가량 늘어났지만 FP영역에 비해 매우 미비한 수준에 그쳤다.
5m에 대해 서도 정확도 평가를 진행해보았다. 수직 임계치에 대해 여러 수치를 사용하였을 때 임계치를 높게 사용할수록 PPV는 높아지고 TPR은 낮아지는 경향을 보였다(Table 5 and Fig. 9). 임계치를 높게 가져감에 따라 미변화지역에 대한 노이즈는 적어지게 되어 정밀도는 점차 증가하게 되며.
2%의 전체정확도를 얻을수 있었다. 이로써 스테레오 위성영상의 DSM과 DTM에 다양한 기법을 적용해 도심지 변화탐지의 정확도를 30.7%에서87.2%까지 상승 시키는 여러 방안을 제시하였다.
아래 Table 6과 같이 변화를 탐지하였으며 전체 정확도는 59%로 추출되었다. 전체 501,590픽셀 중 변화를 변화로 탐지한 구간은 32,140픽셀로 그라운드 데이터 34,923픽셀에 매우 근접한 92%의 재현율을 보였다. 다만 실제 변화 하지 않은 지역을 변화로 탐지한 영역이 20,751픽셀로서 오탐지 비율이 86%이상으로 산정되었다.
5m로 설정하였으며 아래 Table 4와 같은 결과가 산출되었다. 전체 정확도는 30.7%로 많은 노이즈로 인해 낮은 정확도를 보였으며 PPV지표는 약 8.7%로 나타났으며 TPR지표는 약 94.6% 로 계산되었다.
9%p향상된 전체 정확도를 보였다. 특히 미변화지역에 대해 변화로 탐지한 FP (False Positive)영역이 약 20만픽셀에서 약10만 픽셀로 반으로 줄어든 효과를 얻을 수 있었다. 하지만 실제 변화지역에 대해 미변화지역으로 오탐지 FN (False Negative)한 영역이 2,783픽셀 에서 4,587픽셀로 약 60%증가하였다.

후속연구

14(d)에서 볼 수 있듯 실제 변화지역 주변부가 두껍게 뭉쳐서 탐지되었다. 따라서 수축을 적용하여 필터링을 진행하여 오탐지 역역을 줄였으며, 찾고자 하는 변화지역에 대한 정보를 어느 정도 알고 있는 경우라면 모폴로지 필터링과 도로망정보의 추출 강도를 강하게 설정하여 높은 정밀도를 가진 변화탐지 결과물을 얻을 수 있을 것이며, 반대로 정확한 재현율을 얻길 원한다면 낮은 필터링 계수를 적용하여 결과물을 출력해야 할 것이다.
이 과정을 통해 이진영상의 노이즈를 제거할 수 있다. 또한 변화탐지 대상의 크기에 맞추어 적절한 파라미터를 선정하여 관심 지역의 검색 노이즈를 어느 정도 감수할 것인지 선택할 수 있다.
이는 앞서 모폴로지 필터링 과정에서 기준으로 설정한 일정 면적을 넘기지 못하는 데이터가 제거되는 과정에서 다른 영역에 비해 작은 그라운드 데이터 지역이 함께 제거됨으로 발생한 부작용이다. 이는 전체 정확도 향상을 양보하고 조금 더 느슨한 기준을 적용한다면 목적에 맞는 데이터 취득이 가능할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 적용한 4가지 변화탐지 기법은 무엇인가?	전처리 후, 스테 레오 영상 매칭을 통해 생성된 DSM 기반하여 총 4가지의 변화탐지 기법을 적용하고 서로 비교하였다. ① 간단한 차분법에 기반한 D-DSM 기법을 이용해 변화탐지를 진행하며 이때 두시기 DSM의 수직 좌표의 오차를 임계치로 적용한다. ② DSM과 DTM (Digital Terrain Model)을 이용해 nDSM을 생성하며 두 시기 nDSM간의 단순 차분인 D-nDSM의 정확도를 평가한다. ③ 앞서 생성한 D-nDSM에 모폴로지 필터링을 통해 노이즈를 제거한후 정확도를 평가한다. ④ 마지막으로 nDSM에서 도심지의 도로선형을 추출하는 기법을 적용해 도심지 D-nDSM에서 도로 선형과 노이즈를 제거한 후 정확도를 평가한다.
	기존의 D-DSM (Differential DSM)을 이용한 변화탐지 기법의 한계점은 무엇인가?	기존의 D-DSM (Differential DSM)을 이용한 변화탐지 기법(Jang et al., 2019)은 두 시기간의 DSM에 완벽한 정합이 뒷받침되지 못한다면 D-DSM에 많은 노이즈가 생성되어 변화 탐지의 결과에 많은 영향을 미치게 된다. 따라서 본 연구에서는 nDSM (Normalized DSM)을 적용하여 두 시기 DSM의 수직정확도 차이에 의한 변화탐지의 오류를 줄이고자 하였다.
	OA의 특징은 무엇인가?	(4)를 이용해 정확도 평가의 지표로 사용한다. OA (Overall Accuracy)는 전체 픽셀 중 탐지데이터가 변화지역과 미변화지역을 알맞게 찾아낸 픽셀의 비율로서 가장 대표적인 정확도 평가지표이며 전체 정확도를 간단히 나타낸다. PPV (Positive Prediction Value)지표는 찾아낸 변화지역이 실제 변화지역으로 나타난 구간에 대해 나타내주며.

참고문헌 (11)

Boonpook, W., Tan, Y., Liu, H., Zhao, B., and He, L. (2018), UAV-based 3d urban environment monitoring, ISPRS Ann. Photogramm. Remote Sens. Spatial Inf. Sci., Vol. 4, No. 3, pp. 37-43.
Choi, J.W. (2015), Unsupervised change detection for very high-spatial resolution satellite imagery by using objectbased IR-MAD algorithm, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 33, No. 4, pp. 297-304.
Choi, K.A. and Lee, I.P. (2008), Automatic change detection of urban areas using LiDAR data, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 26, No. 4, pp. 341-350. (in Korean with English abstract)
Dini, G.R., Jacobsen, K., Rottensteiner, F., Rajhi, M., and Heipke, C. (2012), 3D Building change detection using high resolution stereo images and a gis database, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 25 Aug-01 Sep, Melbourne, Australia, Vol. 19, No. 7.
Du, S., Zhang, Y., Qin, R., Yang, Z., Zou, Z., Tang, Y., and Fan, C. (2016), Building change detection using old aerial images and new LiDAR data, Remote Sensing, Vol. 8, No. 1030, pp. 1-20.
Han, Y.K., Kim, T.H., Han, S.H., and Song, J.H. (2017). Change detection of urban development over large area using KOMPSAT optical imagery. Korean Journal Of Remote Sensing, Vol. 33 No. 6-3, pp. 1223-1232.(in Korean with English abstract)
Jang, Y.J., Oh, K.Y., Lee, K.J., and Oh, J.H. (2019). A study on urban change detection using D-DSM from stereo satellite data, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 37, No. 5, pp. 389-395.
Kang, G.S., Shin, S.C., and Cho, K.J. (2003), Change detection using the IKONOS satellite images, Journal of the Korean society for Geospatial Information System, Vol. 11, No. 2, pp. 61-66. (in Korean with English abstract)
Lei, L., Perissin, D., and Qin, Y. (2013), Change detection with spaceborne InSAR technique in Hong Kong, 2013 IEEE International Geoscience and Remote Sensing Symposium, 54-26 July, Melbourne, VIC, Australia, pp. 338-341.
Tian, J., Cui, S., and Reinartz, P. (2014), Building change detection based on satellite stereo imagery and digital surface models, IEEE Transactions On Geoscience And Remote Sensing, Vol. 52, No. 1, pp. 406-417.
Zhang, J., Zhang, Z. X., Fan, H., Fang, Z., and Liu, Z. (2000), Change detection in urban area based on stereo image pairs From different duration. International Archives Of Photogrammetry And Remote Sensing, 33(B4/3; PART 4), pp. 1203-1208.

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