[논문]자동 임계값 추출 알고리즘과 KOMPSAT-3A를 활용한 무감독 변화탐지의 정확도 평가

이승민; 정종철

doi:10.7780/kjrs.2020.36.5.2.11

자동 임계값 추출 알고리즘과 KOMPSAT-3A를 활용한 무감독 변화탐지의 정확도 평가
Accuracy Assessment of Unsupervised Change Detection Using Automated Threshold Selection Algorithms and KOMPSAT-3A 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.5 pt.2, 2020년, pp.975 - 988

이승민 (남서울대학교 공간정보공학과) , 정종철 (남서울대학교 공간정보공학과)

초록
AI-Helper

변화탐지는 서로 다른 시점에 촬영된 영상에서 일어난 변화를 관측하는 기술로 위성영상을 활용한 원격탐사 분야에서 중요한 기술이다. 변화탐지 기법 중 하나인 무감독 변화탐지 기법은 단시간 내에 변화지역을 추출할 수 있는 장점을 지니지만, 임계값을 통해 변화된 지역을 이진영상으로 나타내기 때문에 토지피복변화를 파악하기 어렵다는 단점이 있다. 본 연구는 이러한 무감독 변화탐지의 단점을 보완하기 위해 공간정보를 기반으로 생성된 격자 포인트를 이용하여 위성영상의 토지피복변화 및 정확도 평가를 수행하였다. 변화탐지 알고리즘은 Spectral Angle Mapper(SAM)를 사용하였으며, 김제자유무역지역 일대를 촬영한 KOMPSAT-3A(K3A) 위성영상을 대상으로 진행하였다. 변화탐지결과는 자동 임계값 추출 알고리즘들 중 Otsu, Kittler, Kapur, Tsai 방법을 사용하여 이진영상으로 나타냈다. 또한, 변화탐지에 사용된 두 시점의 위성영상은 계절에 의한 식생 변화가 존재하기 때문에 확률밀도함수를 통한 Differenced Normalized Difference Vegetation Index(dNDVI)의 임계값으로 계절적 영향을 받는 지역을 제거하였다. 연구 결과, 자동 임계값 추출 알고리즘 중 Otsu와 Kapur의 정확도가 58.16%로 나타났고, dNDVI를 통해 계절적 영향을 제거하였을 때 85.47%로 정확도가 개선된 결과를 보였다. 본 연구결과를 기반으로 생성된 알고리즘은 무감독 변화탐지를 수행할 때 정확도 평가와 토지피복변화를 정량적으로 파악하여 기존의 단점을 보완할 수 있다고 판단된다.

Abstract ▼ AI-Helper

Change detection is the process of identifying changes by observing the multi-temporal images at different times, and it is an important technique in remote sensing using satellite images. Among the change detection methods, the unsupervised change detection technique has the advantage of extracting rapidly the change area as a binary image. However, it is difficult to understand the changing pattern of land cover in binary images. This study used grid points generated from seamless digital map to evaluate the satellite image change detection results. The land cover change results were extracted using multi-temporal KOMPSAT-3A (K3A) data taken by Gimje Free Trade Zone and change detection algorithm used Spectral Angle Mapper (SAM). Change detection results were presented as binary images using the methods Otsu, Kittler, Kapur, and Tsai among the automated threshold selection algorithms. To consider the seasonal change of vegetation in the change detection process, we used the threshold of Differenced Normalized Difference Vegetation Index (dNDVI) through the probability density function. The experimental results showed the accuracy of the Otsu and Kapur was the highest at 58.16%, and the accuracy improved to 85.47% when the seasonal effects were removed through dNDVI. The algorithm generated based on this research is considered to be an effective method for accuracy assessment and identifying changes pattern when applied to unsupervised change detection.

주제어

표/그림 (14)

그림 Fig. 1. Study area and RGB composite image of K3A - Gimje Free Trade Zone, South Korea. (a) Study area (b) K3A Jul 30th, 2015 (c) K3A Nov 9th, 2017.
그림 Fig. 2. Flowchart showing overall methodology for accuracy assessment of unsupervised change detection with automated threshold selection algorithms.
표 Table 1. Data source of K3A images and spatial information
그림 Fig. 3. Seamless digital map in study site. The seamless digital map includes road, buildings, agriculture and forest area. (a) 2015 seamless digital map (b) 2018 seamless digital map.
그림 Fig. 4. Plot of Spectral Angle Mapper(SAM) with multi-spectral bands (Kodama et al., 2010).
표 Table 2. Automated threshold selection algorithms for this study
표 Table 3. Change detection matrix between 2015-2018 in grid points
그림 Fig. 5. 10 m grid points based on four class of seamless digital map. (a) grid points in 2015 (b) grid points in 2018 (c) difference in each grid points.
그림 Fig. 6. Difference images obtained by the proposed methods. The image used in the change detection is K3A July 30th 2015 and K3A Nov 9th, 2017.
그림 Fig. 7. Change detection results for SAM with four different automated threshold selection algorithms. Change area in the white, and non-change area in black.
표 Table 4. Classification accuracy assessment results obtained for the SAM methods, through the comparison against spatial based grid points (C is Changed and NC is Non-changed points)
그림 Fig. 8. The probability density function of dNDVI in agriculture area for vegetable changing threshold. Threshold is the boundary interval on which the number of pixel increases.
그림 Fig. 9. Change detection results for dNDVI with four different automated threshold selection algorithms. White area is eliminated in areas where vegetation has changed due to seasonal effects.
표 Table 5. Classification accuracy assessment results obtained for the SAM applying dNDVI methods, through the comparison against spatial based grid points (C is Changed and NC is Non-changed points)

AI 본문요약
AI-Helper

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

문제 정의

둘째, 본 연구의 대상지는 농업지역이 대부분인 지역이기 때문에 두 시기의 위성영상간 계절 차이가 있을 경우 식생만의 변화가 발생할 수 있다. 따라서 토지이용의 변화가 나타난 지역만을 담기 위해 농업지역에서의 dNDVI 확률밀도함수를 통해 계절적 영향을 제거하고자 하였다. 계절적 차이를 제거한 결과는 Otsu와 Kapur, Kittler 임계값 알고리즘에서 약 27%의 정확도 개선이 이루어졌다.
본 연구는 향후 국토관측위성과 같은 차세대 중형위성에서 새롭게 수집되는 영상에 대해 무감독 변화탐지와 자동 임계값 알고리즘에 의해 신속한 변화탐지를 가능하게 한다. 또한, 기존에 구축된 공간정보를 통해 토지피복별로 정량적인 변화탐지 및 검증을 할 수 있다는 것에 의의가 있다.
변화탐지 알고리즘은 Differenced Normalized Difference Vegetation Index(dNDVI)기법이 접목된 SAM 기법을 사용했다. 본 연구에서는 계절적 영향이 발생할 수 있는 두 시기의 위성영상을 활용하기 때문에 발생할 수 있는 오탐지를 최소화하고자 하였다. 계절이 다른 위성영상간의 변화탐지는 식생, 논, 밭 등에서 식생의 변화가 발생하기 때문에 변화지역으로 탐지가 될 수 있다(Park et al.
본 연구에서는변화탐지정확도를향상시키기위해계절적 영향에 의한 식생 변화지역을 제거하고자 하였다. Fig.
이와 관련하여 Jeong (2019)은 기 구축된 공간정보인 연속수치지형도와 토지피복지도를 기반으로 두 시점의 영상에서 나타난 변화된 지역을 추출하여 실제로 변화한 지역과 비교해 우수한 결과를 나타냈고, 변화탐지 결과와 공간정보를 접합시키는 방향을 제시한 바 있다. 이에 본 연구에서는 영상 간 변화된 지역을 추출하였을 때 국가에서 제공하는 공간정보 기반 격자포인트를 활용하여 효율적인 변화탐지 정확도 평가 방안을 제시하였다. 정확도 평가 과정은 변화된 지역에 대해 공간속성을 부여함으로써 무감독 변화탐지의 결과로 나타나는 이진영상에서도 공간속성의 변화를 정량적으로 제시하였다.

제안 방법

(a)–(d)) 계절적 변화로 인한 식생 변화지역을 제거하기 위해 dNDVI가 -0.38 이하인 영역을 제외하고 이진영상에서 미변화지역으로 분류 하였다(Fig.
첫 번째 전처리 과정에서는 두 시기의 기하보정이된 1G K3A 전정 영상 (Panchromatic image)과 다중분광영상(multi-spectral image)에 pan-sharpening 기법을 적용하여 공간해상력을 높였다. 두 번째 과정은 참조자료를 생성하기 위해 기 구축된 공간정보를 수집하였고, 세 번째 과정으로 영상간의 변화탐지를 수행하여 자동 임계값 알고리즘 적용하였다. 마지막 과정은 기 구축된 공간정보와 변화 탐지결과간의 정확도 평가를 수행하였다.
연구 대상지의 토지피복은 주로 논으로 이루어져 있으며, 수확 시기를 기준으로 NDVI의 급격한 변화가 발생한다. 따라서 연속수치지형도에서 농업지역에 해당하는 영역만 추출하여 dNDVI의 확률밀도함수를 작성하였다. 본 연구에서 preNDVI에 사용되는 K3A 영상은 2015년 7월 30일에 촬영된 영상으로 식생 지수가 높은 시기이고, postNDVI에 사용되는 K3A 영상은 2017년 11월 9일에 촬영된 영상으로 수확기로 인해 식생 지수가 낮은 시기이다.
변화탐지 알고리즘은 SAM을 기반으로 수행하였으며, 4가지 자동 임계값 추출 알고리즘에 따라 이진영상으로 변화영역을 나타냈다. 또한, 농업지역에서 계절적 영향으로 인한 식생 변화지역은 확률밀도함수 기반의 dNDVI 임계값을 이용하여 제거하였다. 최종적으로 나타난 변화지역은 격자 포인트와의 오차행렬로 평가하였으며, 이를 통해 도출된 결론은 다음과 같다.
두 번째 과정은 참조자료를 생성하기 위해 기 구축된 공간정보를 수집하였고, 세 번째 과정으로 영상간의 변화탐지를 수행하여 자동 임계값 알고리즘 적용하였다. 마지막 과정은 기 구축된 공간정보와 변화 탐지결과간의 정확도 평가를 수행하였다.
본 연구에서는 무감독 변화탐지의 정확도 평가를 수행하기 위해 기 구축된 공간정보를 기반으로 하는 격자 포인트를 사용하였다. 변화탐지 알고리즘은 SAM을 기반으로 수행하였으며, 4가지 자동 임계값 추출 알고리즘에 따라 이진영상으로 변화영역을 나타냈다. 또한, 농업지역에서 계절적 영향으로 인한 식생 변화지역은 확률밀도함수 기반의 dNDVI 임계값을 이용하여 제거하였다.
본 연구는 변화탐지의 정확도 평가를 위해 연속수치지형도 기반의 격자 포인트를 제작하였다(Fig. 5). Fig.
71%만큼 증가하였다. 본 연구에서는 2015년 7월 30일 영상과 2017년 11월 9일 영상을 사용하여 SAM과 dNDVI 알고리즘에 따라 변화탐지를 수행하였다(Fig. 6). Fig.
본 연구에서는 4가지 자동 임계값 추출 알고리즘을 사용하여 변화탐지 결과를 이진화하였으며, 각 알고리즘은 Table 2와 같이 계산된다. Otsu 기법은 임계값 t를 기준으로 모든 화소들을 두 가지 속성으로 분류했을 때 두 속성간의 intra-class variance(#(t))를 최소화하거나 inter-class variance(#(t))를 최대화하는 t를 찾는 방법이다.
따라서 dNDVI가 음수일 경우 preNDVI가 더 높기 때문에 계절 영향에 의해 식생이 감소한 지역으로 판단할 수 있다. 본 연구에서는 계절 영향에 의해 식생이 감소한 임계값으로 확률밀도함수에서 밀도가 급증하기 시작하는 변곡점의 dNDVI값을 선정하였다.
본 연구에서는 기 구축된 공간정보를 이용하여 참조 자료를 생성하기 위해 연속수치지형도를 수집하였다. 연속수치지형도는 과거 도엽 단위로 제작된 수치지형도의 활용성을 높이기 위해 제작된 전국단위의 통합 수치지형도이다(Jeong, 2019).
본 연구에서는 무감독 변화탐지의 정확도 평가를 수행하기 위해 기 구축된 공간정보를 기반으로 하는 격자 포인트를 사용하였다. 변화탐지 알고리즘은 SAM을 기반으로 수행하였으며, 4가지 자동 임계값 추출 알고리즘에 따라 이진영상으로 변화영역을 나타냈다.
본 연구에서는 아리랑 3A호(KOMPSAT-3A: K3A)의 위성영상을 바탕으로 변화탐지를 수행하였다. Fig.
첫째, 본 연구에서는 무감독 변화탐지의 결과로 생성된 결과를 검증하기 위해 기 구축된 공간정보를 기반으로 생성된 격자 포인트를 활용하였다. 이를 통해 영상간 변화탐지 결과에서 토지피복의 변화인지, 단순 식생 변화인지 확인했으며, 이를 격자 포인트의 수와 비율을 통해 정량적으로 표현하였다.
이에 본 연구에서는 영상 간 변화된 지역을 추출하였을 때 국가에서 제공하는 공간정보 기반 격자포인트를 활용하여 효율적인 변화탐지 정확도 평가 방안을 제시하였다. 정확도 평가 과정은 변화된 지역에 대해 공간속성을 부여함으로써 무감독 변화탐지의 결과로 나타나는 이진영상에서도 공간속성의 변화를 정량적으로 제시하였다.
첫째, 본 연구에서는 무감독 변화탐지의 결과로 생성된 결과를 검증하기 위해 기 구축된 공간정보를 기반으로 생성된 격자 포인트를 활용하였다. 이를 통해 영상간 변화탐지 결과에서 토지피복의 변화인지, 단순 식생 변화인지 확인했으며, 이를 격자 포인트의 수와 비율을 통해 정량적으로 표현하였다.
또한, 농업지역에서 계절적 영향으로 인한 식생 변화지역은 확률밀도함수 기반의 dNDVI 임계값을 이용하여 제거하였다. 최종적으로 나타난 변화지역은 격자 포인트와의 오차행렬로 평가하였으며, 이를 통해 도출된 결론은 다음과 같다.

대상 데이터

격자 포인트는 연속수치지형도의 속성을 참조하였으며, 2015년과 2018년 사이에 토지피복에서 발생한 변화를 확인할 수 있는 속성정보를 담고 있다. 격자 크기는 반복적인 실험을 통해 각 토지피복별로 1,000개 포인트 이상을 추출할 수 있는 10 m로 설정하였으며, 총 63,612개 포인트가 생성되었다. 변화탐지 알고리즘은 Differenced Normalized Difference Vegetation Index(dNDVI)기법이 접목된 SAM 기법을 사용했다.
, 2009). 따라서 본 연구에서는 위성영상의 촬영 시기와 가장 유사한 정확성을 확보하기 위해 2015년과 2018년 데이터를 사용하였다(Fig. 3(a), Fig.
연속수치지형도는 과거 도엽 단위로 제작된 수치지형도의 활용성을 높이기 위해 제작된 전국단위의 통합 수치지형도이다(Jeong, 2019). 본 연구는 연속수치지형도에서 제공하는 레이어 중 면형 레이어로 제공되는 건물, 도로, 농업지역, 수역을 사용하였다.
따라서 연속수치지형도에서 농업지역에 해당하는 영역만 추출하여 dNDVI의 확률밀도함수를 작성하였다. 본 연구에서 preNDVI에 사용되는 K3A 영상은 2015년 7월 30일에 촬영된 영상으로 식생 지수가 높은 시기이고, postNDVI에 사용되는 K3A 영상은 2017년 11월 9일에 촬영된 영상으로 수확기로 인해 식생 지수가 낮은 시기이다. 따라서 dNDVI가 음수일 경우 preNDVI가 더 높기 때문에 계절 영향에 의해 식생이 감소한 지역으로 판단할 수 있다.
본 연구에서는 전라 북도 김제시 자유무역지역 일대를 연구 대상지로 선정하였다(Fig. 1). 김제자유무역지역은 2009년 1월 김제시에서 유치한 특별 산업단지로, 2010년 착공을 시작으로 현재까지 재개발이 계속해서 이루어지고 있어 변화탐지를 수행하기에 적절할 것으로 판단된다(MOTIE, 2009).

이론/모형

격자 크기는 반복적인 실험을 통해 각 토지피복별로 1,000개 포인트 이상을 추출할 수 있는 10 m로 설정하였으며, 총 63,612개 포인트가 생성되었다. 변화탐지 알고리즘은 Differenced Normalized Difference Vegetation Index(dNDVI)기법이 접목된 SAM 기법을 사용했다. 본 연구에서는 계절적 영향이 발생할 수 있는 두 시기의 위성영상을 활용하기 때문에 발생할 수 있는 오탐지를 최소화하고자 하였다.
본 연구는 변화 여부의 기준이 되는 임계치를 설정하기 위해 자동 임계값 추출 알고리즘을 사용하였다. 자동 임계값 추출 알고리즘은 영상의 종류나 용도에 따라 다르게 설계될 수 있지만, 그 중에서도 Otsu기법과 Kittler and Illingworth기법은 보편적으로 우수한 성능을 나타낼 수 있는 것으로 나타난다(Wang et al.
이러한 변화탐지 지역은 토지이용 측면에서 변화가 발생한 것은 아니기 때문에 제거해야 할 필요성이 있다. 본 연구에서는 계절적 영향에 의해 발생한 식생의 변화를 제거하기 위해 dNDVI를 기반으로 하는 확률밀도함수를 사용하였다. NDVI는 식생과 비 식생을 구분하는 대표적인 정규 지수이며(Tucker, 1979) 이를 변화탐지 과정에서 사용하기 위해 식(1)과 같이 두 시기 NDVI의 차영상인 dNDVI를 활용하였다(Jin et al.
3(b)). 본 연구에서는 무감독 변화탐지 결과에 공간정보를 참조하기 위해 격자 포인트(Grid point)를 사용하였다. 격자 포인트는 연속수치지형도의 속성을 참조하였으며, 2015년과 2018년 사이에 토지피복에서 발생한 변화를 확인할 수 있는 속성정보를 담고 있다.
2와 같이 4단계로 구성되어 있으며, 연구에 사용된 데이터들의 제원은 Table 1과 같다. 첫 번째 전처리 과정에서는 두 시기의 기하보정이된 1G K3A 전정 영상 (Panchromatic image)과 다중분광영상(multi-spectral image)에 pan-sharpening 기법을 적용하여 공간해상력을 높였다. 두 번째 과정은 참조자료를 생성하기 위해 기 구축된 공간정보를 수집하였고, 세 번째 과정으로 영상간의 변화탐지를 수행하여 자동 임계값 알고리즘 적용하였다.

성능/효과

47%로 상승하였다. Kittler 기법은 기존 55.46%의 정확도에서 계절적 영향을 제거하였을 때 82.84%까지 정확도가 개선된 결과를 확인할 수 있었다.
SAM 기반의 변화탐지 과정에서 다른 3가지 기법과 비교하여 Tsai 모델은 상대적으로 낮은 임계값이 도출되어 변화탐지된 영역이 현저하게 적었다(Fig. 7(d)).
따라서 토지이용의 변화가 나타난 지역만을 담기 위해 농업지역에서의 dNDVI 확률밀도함수를 통해 계절적 영향을 제거하고자 하였다. 계절적 차이를 제거한 결과는 Otsu와 Kapur, Kittler 임계값 알고리즘에서 약 27%의 정확도 개선이 이루어졌다. 또한, 자동 임계값 추출 알고리즘은 변화탐지결과가 적절하지 않은 Tsai를 제외하였을 때, Otsu와 Kapur가 85.
이는 Tsai 알고리즘이 모든 화소를 기반으로 하여 다수의 임계값을 도출하는 알고리즘이지만, 최저 임계값에 가장 가까운 단일 임계값을 선택하여 이진영상으로 제작하였기 때문인 것으로 판단된다. 또한, SAM 기반의 변화탐지결과에서 가장 높은 정확도를 나타낸 임계값 추출 알고리즘은 Tsai 기법으로 격자 포인트와 비교하였을 때 정확도가 93.07%로 나타났다. 하지만 전체 격자 포인트 중 변화된 포인트는 Otsu와 Kapur가 약 40%(20,756개), Kittler가 약 44%(22,474개)인데 반해 Tsai는 1%(478개)채 되지 않기 때문에 적절하지 못한 임계값이 산정되었다고 판단된다.
계절적 차이를 제거한 결과는 Otsu와 Kapur, Kittler 임계값 알고리즘에서 약 27%의 정확도 개선이 이루어졌다. 또한, 자동 임계값 추출 알고리즘은 변화탐지결과가 적절하지 않은 Tsai를 제외하였을 때, Otsu와 Kapur가 85.47%로 가장 높은 정확도를 보였다.

후속연구

둘째, 본 연구의 대상지는 농업지역이 대부분인 지역이기 때문에 두 시기의 위성영상간 계절 차이가 있을 경우 식생만의 변화가 발생할 수 있다. 따라서 토지이용의 변화가 나타난 지역만을 담기 위해 농업지역에서의 dNDVI 확률밀도함수를 통해 계절적 영향을 제거하고자 하였다.
하지만 본 연구에서 제시한 알고리즘은 도시개발지역에 대해 실험하였기 때문에 연구 지역이 달라질 경우 상이한 결과가 나타날 수 있다는 한계점이 있다. 따라서 향후 연구를 통해 다양한 형태의 실험 지역에 적용하여 알고리즘의 효율성을 검증할 필요가 있다.
또한, 기존에 구축된 공간정보를 통해 토지피복별로 정량적인 변화탐지 및 검증을 할 수 있다는 것에 의의가 있다. 하지만 본 연구에서 제시한 알고리즘은 도시개발지역에 대해 실험하였기 때문에 연구 지역이 달라질 경우 상이한 결과가 나타날 수 있다는 한계점이 있다. 따라서 향후 연구를 통해 다양한 형태의 실험 지역에 적용하여 알고리즘의 효율성을 검증할 필요가 있다.

참고문헌 (33)

Boardman, J. W., 1993. Spectral angle mapping: a rapid measure of spectral similarity, AVIRIS, Delivery by Ingenta, 1993.
Bovolo, F., S. Marchesi, and L. Bruzzone, 2012. A framework for automatic and unsupervised detection of multiple changes in multitemporal images, IEEE Transactions on Geoscience and Remote Sensing, 50(6): 2196-2212.

상세보기
Choi, J., H. Park, D. Kim, and S. Choi, 2018. Unsupervised Change Detection of KOMPSAT-3 Satellite Imagery Based on Cross-sharpened Images by Guided Filter, Korean Journal of Remote Sensing, 34(5): 777-786 (in Korean with English abstract).
Choi, J., 2015. Unsupervised Change Detection for Very High-spatial Resolution Satellite Imagery by Using Object-based IR-MAD Algorithm, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(4): 297-304 (in Korean with English abstract).

원문보기 상세보기
Jeong, J.C., 2019. Evaluation of Grid-Based ROI Extraction Method Using a Seamless Digital Map, Journal of Cadastre & Land InformatiX, 49(1): 103-112 (in Korean with English abstract).
Jin, S., L. Yang, P. Danielson, C. Homer, J. Fry, and G. Xian, 2013. A Comprehensive Change Detection Method for Updating the National Land Cover Database to Circa 2011, Remote Sensing of Environment, 132: 159-175.

상세보기
Kang, M. and Y. Lim, 2017. A Study on User Requirements for Satellite Development and Applications for National Land Observation, Journal of Korean Society for Geospatial Information Science, 25(4): 65-72 (in Korean with English abstract).

상세보기
Kapur, J., P. Sahoo, and A. Wong, 1985. A new method for gray-level picture thresholding using the entropy of the histogram, Computer Vision, Graphics, and Image Processing, 29(3): 273-285.

상세보기
KARI and SIIS (Korea aerospace research institute, SI imaging services), 2019. KOMPSAT-3A Product Specifications: Image Data Manual V1.5, http://www.si-imaging.com/resources/?pageid2&uid337&moddocument, Accessed on Sep. 9, 2020.
Kittler, J. and J. Illingworth, 1986. Minimum error thresholding, Pattern Recognition, 19(1): 41-47.

상세보기
Kodama, S. and Y. Yamaguchi, 2010. Mapping of hydrothermally altered rocks using Modified Spectral Angle Mapper (MSAM) method and ASTER SWIR data, International Journal of Geoinformatics, 6(1): 41-53.
Lee, S., 2010. A Target Segmentation Method Based on Multi-Sensor/Multi-Frame, Journal of the Korea Institute of Military Science and Technology, 13(3): 445-452 (in Korean with English abstract).
Lim, S., D. Kim, C. Chung, and T. Han, 2006. Enhanced Preprocessing Algorithm for Image Code Recognition, Proc. of the Korean Information Science Society Conference, Seoul, Oct. 20-Oct. 21, 33(2B), pp. 51-54.
Liu, Q., L. Liu, and Y. Wang, 2017. Unsupervised Change Detection for Multispectral Remote Sensing Images Using Random Walks, Remote Sensing, 9(5): 438.

상세보기
Mohsen, G. and A. Vahid, 2015. Generalized minimumerror thresholding for unsupervised change detection from multilook polarimetric SAR data, Proc. of 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, IT, Jul. 26-31, pp. 1853-1856.
Molina, I., E. Martinez, A. Arquero, G. Pajares, and J. Sanchez, 2012. Evaluation of a Change Detection Methodology by Means of Binary Thresholding Algorithms and Informational Fusion Processes, Sensors, 12(3): 3528-3561.

상세보기
MOTIE (Ministry of Trade, Industry and Energy in Korea), 2009. About us, https://www.motie.go.kr/ftz/gimje/freeTradeArea/businessOverview/businessOverview.jsp, Accessed on Jul. 14, 2020.
Oh, J. and C. Lee, 2015. Urban Change Detection Between Heterogeneous Images Using the Edge Information, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(4): 259-266. (in Korean with English abstract).

원문보기 상세보기
Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66.

상세보기
Park, H., J. Choi, and J. Oh, 2018. Seasonal Effects Removal of Unsupervised Change Detection based Multitemporal Imagery, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 36(2): 51-58 (in Korean with English abstract).
Park, N., K. Chi, K. Lee, and B. Kwon, 2003. Automatic Estimation of Threshold Values for Change Detection of Multi-temporal Remote Sensing Images, Korean Journal of Remote Sensing, 19(6): 465-478 (in Korean with English abstract).
Park, J., S. Oh, K. Park, P. Foucher, J. Jang, M. Lee, and T. Kim, 2017. The Ship Detection Using Airborne and In-situ Measurements Based on Hyperspectral Remote Sensing, Journal of the Korean Earth Science Society, 38(7): 535-545 (in Korean with English abstract).

원문보기 상세보기
Renza, D., E. Martinez, and A. Arquero, 2012. A New Approach to Change Detection in Multispectral Images by Means of ERGAS Index, IEEE Geoscience and Remote Sensing Letters, 10(1): 76-80.
Renza, D., E. Martinez, I. Molina, and D. Ballesteros, 2017. Unsupervised change detection in a particular vegetation land cover type using Spectral Angle Mapper, Advanced in Space Research, 59(8): 2019-2031.

상세보기
Sunwoo, W., D. Kim, S. Kim, and M. Choi, 2017. West seacoast wetland monitoring using KOMPSAT series imageries in high spatial resolution, Journal of Korea Water Resource Association, 50(6): 429-440 (in Korean with English abstract).
Teng, S., Y. Chen, K. Cheng, and H. Lo, 2008. Hypothesis-test-based landcover change detection using multitemporal satellite images - a comparative study, Advances in Space Research, 41(11): 1744-1754.

상세보기
Tucker, C.J., 1979. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation, Remote Sensing of Environment, 8(2): 127-150.

상세보기
Tsai, W., 1985. Moment-preserving thresholding, Computer Vision, Graphics, and Image Processing, 29(3): 377-393.

상세보기
Wang, B., J. Choi, S. Choi, S. Lee, P. Wu, and Y. Gao, 2017. Image Fusion-Based Land Cover Change Detection Using Multi-Temporal High-Resolution Satellite Images, Remote Sensing, 9(8): 804.

상세보기
Wang, B., S. Choi, J. Choi, S. Yang, Y. Byun, and K. Park, 2013. Comparison of Change Detection Accuracy based on VHR images Corresponding to the Fusion Estimation Indexes, Journal of Korean Society for Geospatial Information System, 21(2): 63-69 (in Korean with English abstract).
Wang, Lin., F. Zhang, Y. Jing, X. Jiang, S. Yang, and X. Han, 2014. Multi-Temporal Detection of Rice Phenological Stages Using Canopy Spectrum, Rice Science, 21(2): 108-115.

상세보기
Yang, S., J. Choi, and K. Yu, 2009. Development of the Digital Map Updating System using CAD Object Extracted from As-Built Drawings, Journal of the Korean Society for Geospatial Information Science, 17(3): 13-21 (in Korean with English abstract).
Zhao, J., J. Yang, Z. Lu, P. Li, W. Liu, and L. Yang, 2017. Unsupervised Method of Change Detection in Multi-Temporal PolSAR Data Using a Test Statistic and an Improved K&I Algorithm, Applied Sciences, 7(12): 1297.

상세보기

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