초분광 영상을 활용한 석조문화재 표면오염물 분류 및 정확도 평가 - 경주 굴불사지 석조사면불상을 중심으로 - Accuracy Assessment and Classification of Surface Contaminants of Stone Cultural Heritages Using Hyperspectral Image - Focusing on Stone Buddhas in Four Directions at Gulbulsa Temple Site, Gyeongju -원문보기
초분광 이미지 분석은 석조문화재 손상지도 제작 시 화학적·생물학적 오염의 정량적인 면적산출이 어려운 단점을 보완하기 위해 제안되었다. 이 연구에서는 다양한 표면오염물이 나타나는 경주굴불사지 석조사면불상을 대상으로 초분광 이미지 분석을 수행하였다. 이때 화학적·생물학적 오염은 색상과 형태에 따라 10가지 범주로 구분하였고 범주의 참조 이미지 제작법을 제시하였다. 또한 오염물을 분류하기 위해 SAM알고리듬을 사용하고 관심영역을 사용한 분류방법(Method A)과 영상에서 추출한 분광정보를 라이브러리로 구축하여 분류하는 방법(Method B)을 적용하였다. 분류된 이미지를 참조 이미지와 비교한 결과, 정확도는 분류 방법에 따라 52.07%와 63.61%, Kappa 지수는 0.43과 0.55로 산출되었고, 분류시 오분류 화소는 동일한 계열의 오염에 분포하는 경향을 보인다.
초분광 이미지 분석은 석조문화재 손상지도 제작 시 화학적·생물학적 오염의 정량적인 면적산출이 어려운 단점을 보완하기 위해 제안되었다. 이 연구에서는 다양한 표면오염물이 나타나는 경주굴불사지 석조사면불상을 대상으로 초분광 이미지 분석을 수행하였다. 이때 화학적·생물학적 오염은 색상과 형태에 따라 10가지 범주로 구분하였고 범주의 참조 이미지 제작법을 제시하였다. 또한 오염물을 분류하기 위해 SAM 알고리듬을 사용하고 관심영역을 사용한 분류방법(Method A)과 영상에서 추출한 분광정보를 라이브러리로 구축하여 분류하는 방법(Method B)을 적용하였다. 분류된 이미지를 참조 이미지와 비교한 결과, 정확도는 분류 방법에 따라 52.07%와 63.61%, Kappa 지수는 0.43과 0.55로 산출되었고, 분류시 오분류 화소는 동일한 계열의 오염에 분포하는 경향을 보인다.
Considering the difficulties associated with the creation of deterioration maps for stone cultural heritages, quantitative determination of chemical and biological contaminants in them is still challenging. Hyperspectral image analysis has been proposed to overcome this drawback. In this study, hype...
Considering the difficulties associated with the creation of deterioration maps for stone cultural heritages, quantitative determination of chemical and biological contaminants in them is still challenging. Hyperspectral image analysis has been proposed to overcome this drawback. In this study, hyperspectral imaging was performed on Stone Buddhas Temple in Four Directions at Gulbulsa Temple Site(Treasure 121), and several surface contaminants were observed. Based on the color and shape, these chemical and biological contaminants were classified into ten categories. Additionally, a method for establishing each class as a reference image was suggested. Simultaneously, with the help of Spectral Angle Mapper algorithm, two classification methods were used to classify the surface contaminants. Method A focused on the region of interest, while method B involved the application of the spectral library prepared from the image. Comparison of the classified images with the reference image revealed that the accuracies and kappa coefficients of methods A and B were 52.07% and 63.61%, and 0.43 and 0.55, respectively. Additionally, misclassified pixels were distributed in the same contamination series.
Considering the difficulties associated with the creation of deterioration maps for stone cultural heritages, quantitative determination of chemical and biological contaminants in them is still challenging. Hyperspectral image analysis has been proposed to overcome this drawback. In this study, hyperspectral imaging was performed on Stone Buddhas Temple in Four Directions at Gulbulsa Temple Site(Treasure 121), and several surface contaminants were observed. Based on the color and shape, these chemical and biological contaminants were classified into ten categories. Additionally, a method for establishing each class as a reference image was suggested. Simultaneously, with the help of Spectral Angle Mapper algorithm, two classification methods were used to classify the surface contaminants. Method A focused on the region of interest, while method B involved the application of the spectral library prepared from the image. Comparison of the classified images with the reference image revealed that the accuracies and kappa coefficients of methods A and B were 52.07% and 63.61%, and 0.43 and 0.55, respectively. Additionally, misclassified pixels were distributed in the same contamination series.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
위의 연구 방법을 석조문화재 초분광 영상 분석에 적용하기 위해서는 기초 단계의 연구가 필히 수행되어야 한다. 따라서 이 연구에서는 지상용 초분광 카메라를 통해 석조문화재에 발생하는 표면오염에 대한 분광 특성을 파악하고, 훼손양상 분류를 위해 초분광 특성 정합 알고리듬인 SAM(Spectral Angle Mapping) 기법을 사용하여 평가하는 연구를 수행하였다. 특히 분류 정확도를 검증하기 위한 참조 이미지 구축 방법 및 분류 영상간 비교 방법을 제시하였다.
이 연구에서는 보물 제121호 경주 굴불사지 석조사면 불상 서측면의 삼존불 중 본존불에 나타나는 복합적인 손상에 대한 분석을 실시하였다. 초분광 이미지 분석의 특성상 물리적인 손상은 반영하기 어렵다.
이 연구에서는 석조문화재 표면오염물에 대한 초분광영상 분류와 정확도 평가를 시도하였다. 특히 선행연구에서 제안된 초분광 이미지 분석법을 개선하고자 모니터링에 활용 가능한 참조 이미지 구축 방법과 정확도 평가 기법을 제시하였다.
제안 방법
이러한 분류법은 참조 이미지 구축을 위해 사용된 훈련자료를 참조 자료로 구성하여 사용하기 때문에 높은 정확도로 귀결될가능성이 높다. 그러나 기존에 사용하는 방법(Method A)의 결과와 비교를 위해 분류를 수행하였다. 분류 결과 이미지는 Figure 5D이며, 참조 이미지와 비교 결과는 Table 4와 같다.
초분광 이미지 분석의 특성상 물리적인 손상은 반영하기 어렵다. 따라서 암석, 그림자, 흑색 변색, 황색 변색, 적색 변색, 암자색 조류, 회색지의류, 녹회색 지의류, 녹색 지의류, 암녹색 지의류 등 생물오염과 화학적 풍화로 발생한 변색을 각각의 범주로 지정하고 분석을 실시하였다. 이 연구에서는 피복오염물의 분광 분석을 통한 분류가 목적이므로, 생물오염은 형태와 색상으로만 구분을 시도하였다.
참조 이미지 구축을 위해 무감독 분류법인 K-mean 기법을 활용하였다. 또한 영상 비교를 위해 관심영역(region of interest; ROI) 선정하고 무감독 분류로 획득한 모든 범주의 분광정보를 라이브러리로 구축하였다. 분류된 이미지는 오차행렬도 및 Kappa 지수를 활용하여 참조 이미지와 비교하였다.
이 때 비오염부 및 오염부의 경계면을 분리할 수 있도록 최대한 많은 범주로 분류를 시도하였고 그 결과 141개 범주로 분류 되었다(Figure 2C). 분류 결과는 고해상도 이미지와 분광 특성을 바탕으로 육안 분류를 시도하고, 유사한 특성을 보이는 범주를 군집화 하였다(Figure 2D). 군집화 된 범주별 픽셀수와 점유율은 Table 2와 같으며, 이를 참조 이미지로 활용하여 SAM 기법의 적용 결과와 비교하였다.
분류된 이미지의 비교를 위해 10개의 범주를 참조 이미지와 대응하여 오차행렬을 통한 비교를 실시하였다. 오차행렬은 행과 열로 설정된 숫자의 정사각형 배열로서, 지상에서 검증된 개개의 범주와 비교하여 특정 범주에 할당된 픽셀(혹은 점유율)을 의미한다.
위의 방법을 적용하기 위해 다양한 표면오염물이 관찰 되는 경주 굴불사지 석조사면불상의 서측면 본존불에 대하여 초분광 영상을 취득하고 오염물의 분광 특성을 파악하였다. 이 때 분류 기법을 적용한 이미지와 비교하기 위해 무감독 분류를 바탕으로 참조 이미지를 구축하였다.
위의 방법을 적용하기 위해 다양한 표면오염물이 관찰 되는 경주 굴불사지 석조사면불상의 서측면 본존불에 대하여 초분광 영상을 취득하고 오염물의 분광 특성을 파악하였다. 이 때 분류 기법을 적용한 이미지와 비교하기 위해 무감독 분류를 바탕으로 참조 이미지를 구축하였다. 영상분류는 ROI를 활용한 분류와 분광혼합화소를 고려 하여 제작한 라이브러리를 적용한 분류로 나누어 적용하였고, 이 때 SAM 기법을 사용하였다.
이 연구에서는 SAM 기법을 사용하되 2가지 방법으로 나누어 참조 이미지와 비교를 실시하였다. Method A는 초분광 영상 내 관심영역(ROI)의 분광곡선을 참조 자료로 선정하여 영상을 분류하는 방법이다.
따라서 암석, 그림자, 흑색 변색, 황색 변색, 적색 변색, 암자색 조류, 회색지의류, 녹회색 지의류, 녹색 지의류, 암녹색 지의류 등 생물오염과 화학적 풍화로 발생한 변색을 각각의 범주로 지정하고 분석을 실시하였다. 이 연구에서는 피복오염물의 분광 분석을 통한 분류가 목적이므로, 생물오염은 형태와 색상으로만 구분을 시도하였다. 그 내용은 Table 1과 같다.
오염물 범주의 분광특성과 분광혼합화소의 분광정보를 라이브러리로 구축하기 위해서는 오염물의 경계부에 대한 분광정보를 모두 분리해야 한다. 이를 위해 참조 이미지의 생산에 활용된 141개 범주의 분광정보를 추출하여 라이브러리로 구축하고 분류를 실시하였다. 이러한 분류법은 참조 이미지 구축을 위해 사용된 훈련자료를 참조 자료로 구성하여 사용하기 때문에 높은 정확도로 귀결될가능성이 높다.
따라서 이 연구에서는 지상용 초분광 카메라를 통해 석조문화재에 발생하는 표면오염에 대한 분광 특성을 파악하고, 훼손양상 분류를 위해 초분광 특성 정합 알고리듬인 SAM(Spectral Angle Mapping) 기법을 사용하여 평가하는 연구를 수행하였다. 특히 분류 정확도를 검증하기 위한 참조 이미지 구축 방법 및 분류 영상간 비교 방법을 제시하였다.
이 연구에서는 석조문화재 표면오염물에 대한 초분광영상 분류와 정확도 평가를 시도하였다. 특히 선행연구에서 제안된 초분광 이미지 분석법을 개선하고자 모니터링에 활용 가능한 참조 이미지 구축 방법과 정확도 평가 기법을 제시하였다.
대상 데이터
야외에서 취득한 데이터의 보정을 위해 반사판(White Reference)을 함께 촬영하여 이용하였다. 반사판은 반사율이 99%로 고정된 백색판을 사용하였다.
초분광 이미징 시스템을 통해 석불에 대하여 273 × 593(가로 × 세로)픽셀 영상을 취득하였다. 야외에서 취득한 데이터의 보정을 위해 반사판(White Reference)을 함께 촬영하여 이용하였다. 반사판은 반사율이 99%로 고정된 백색판을 사용하였다.
, 2016). 정확한 훈련샘플 지정을 위해 고해상도 이미지(Figure 5A)와 해당 화소에 대한 분광정보를 확인하여 관심영역을 선정하고(Figure 5B) 이를 참조자료로 활용하였다. 선정된 관심영역과 분류 결과 이미지는 Figure 5C와 같으며, 참조 이미지와 비교 결과는 Table 3과 같다.
초분광 이미징 시스템을 통해 석불에 대하여 273 × 593(가로 × 세로)픽셀 영상을 취득하였다.
카메라는 수평으로 180° 회전이 가능하며, 350-1,000 nm의 파장에서 258개 밴드를 획득할 수 있다.
데이터처리
분류 결과는 고해상도 이미지와 분광 특성을 바탕으로 육안 분류를 시도하고, 유사한 특성을 보이는 범주를 군집화 하였다(Figure 2D). 군집화 된 범주별 픽셀수와 점유율은 Table 2와 같으며, 이를 참조 이미지로 활용하여 SAM 기법의 적용 결과와 비교하였다.
또한 오차행렬의 정확도를 평가하기 위해 이산 다변량 기법 중 하나인 Kappa 분석을 실시하였다. Congalton and Mead(1983)에 의해 원격탐사 분야에 소개된 Kappa 분석은 오차행렬간의 정확도를 통계적으로 측정한 값으로 아래 식을 통해 산출된다.
또한 영상 비교를 위해 관심영역(region of interest; ROI) 선정하고 무감독 분류로 획득한 모든 범주의 분광정보를 라이브러리로 구축하였다. 분류된 이미지는 오차행렬도 및 Kappa 지수를 활용하여 참조 이미지와 비교하였다.
이론/모형
이 때 분류 기법을 적용한 이미지와 비교하기 위해 무감독 분류를 바탕으로 참조 이미지를 구축하였다. 영상분류는 ROI를 활용한 분류와 분광혼합화소를 고려 하여 제작한 라이브러리를 적용한 분류로 나누어 적용하였고, 이 때 SAM 기법을 사용하였다. 분류 결과, 전체정확도는 분류 방법에 따라 52.
이 연구에서는 경주 굴불사지 사면석불 서측면의 본존불(이하 석불)의 초분광 영상을 촬영하였고(Figure 2A), 효율적인 분석을 위해 초분광 자료의 차원을 줄이고 영상내 잡음을 최소화하는 데 유용한 알고리듬인 MNF(Minimum Noise Fraction) 변환기법을 사용했다. MNF 변환은 영상의 고유 차원을 결정하고 잡음을 분리하여 처리시간을 줄이기 위해 사용되는 것으로 두 번의 주성분 분석에 의한 선형 변환이 단계적으로 수행된다(Han et al.
, 2015). 이 연구에서는 석조문화재의 훼손양상을 파악하기 위해 초분광 영상에 대한 분류를 실시하였고 분류에는 SAM 기법을 적용하였다.
, 2003). 이와 같은 밴드 추출 단계를 통해 50개의 밴드를 가진 MNF 이미지를 획득하고(Figure 2B), 그 중 상위 20개의 밴드를 사용하여 무감독 분류법 중 하나인 K-mean 기법을 적용하였다.
초분광 영상의 가공 및 분석에는 Harris Geospatial Solutions사(USA)의 ENVI 소프트웨어를 활용하였다. 참조 이미지 구축을 위해 무감독 분류법인 K-mean 기법을 활용하였다. 또한 영상 비교를 위해 관심영역(region of interest; ROI) 선정하고 무감독 분류로 획득한 모든 범주의 분광정보를 라이브러리로 구축하였다.
초분광 영상의 가공 및 분석에는 Harris Geospatial Solutions사(USA)의 ENVI 소프트웨어를 활용하였다. 참조 이미지 구축을 위해 무감독 분류법인 K-mean 기법을 활용하였다.
성능/효과
Method A의 분류 결과, 전체정확도(Overall Accuracy; OA)는 52.07%로서 각 범주별 정확도는 2.76%∼71.68%로 나타난다.
Method B를 통한 분류 결과, 전체정확도(OA)는 63.61%로 나타났으며 범주별 정확도는 23.40%∼69.95%의 범위로 확인된다.
암석, 그림자, 암자색 조류, 녹색 지의류, 암녹색 지의류는 50% 이상의 정확도를 보이고 있어 Method A와 비교했을 때 정확도가 상대적으로 높아진 것을 알 수 있다. 그러나 전체적인 정확도가 증가한 것에 비해 암석, 그림자, 적색 변색은 오히려 정확도가 감소한 것이 확인된다.
영상분류는 ROI를 활용한 분류와 분광혼합화소를 고려 하여 제작한 라이브러리를 적용한 분류로 나누어 적용하였고, 이 때 SAM 기법을 사용하였다. 분류 결과, 전체정확도는 분류 방법에 따라 52.07%와 63.61%로 나타났으며, Kappa 지수는 0.43과 0.55로 라이브러리를 활용한 분류 결과가 더 유의미한 것으로 확인되었다. 또한 분류 시오분류 화소는 동일한 계열의 오염에 분포하는 경향이 나타난다.
95%의 범위로 확인된다. 암석, 그림자, 암자색 조류, 녹색 지의류, 암녹색 지의류는 50% 이상의 정확도를 보이고 있어 Method A와 비교했을 때 정확도가 상대적으로 높아진 것을 알 수 있다. 그러나 전체적인 정확도가 증가한 것에 비해 암석, 그림자, 적색 변색은 오히려 정확도가 감소한 것이 확인된다.
68%로 나타난다. 암석, 그림자, 적색 변색, 녹색 지의류, 암녹색지의류에서 50% 이상의 정확도가 나타났다. 반면, 황색 변색, 회색 지의류, 녹회색 지의류의 경우 20% 이하의 정확도를 보인다.
오차행렬을 바탕으로 오분류 된 경향을 분석하면, Kappa 지수는 0.43으로 보통의 분류 정확도로 산출되어 신뢰도가 낮은 것으로 나타났다. 녹회색 지의류, 녹색 지의류, 암녹색 지의류는 대부분 같은 생물 범주 내에서 오 분류가 확인되고, 황색 변색과 적색 변색도 암석으로 오분류 되는 경향을 보인다.
오차행렬을 통해 오분류 경향을 분석하면, Kappa 지수는 0.55이며, 흑색⋅적색⋅황색 변색은 대부분 암석과 변색 범주들에 오분류 되는 것이 확인된다.
이 때 비오염부 및 오염부의 경계면을 분리할 수 있도록 최대한 많은 범주로 분류를 시도하였고 그 결과 141개 범주로 분류 되었다(Figure 2C). 분류 결과는 고해상도 이미지와 분광 특성을 바탕으로 육안 분류를 시도하고, 유사한 특성을 보이는 범주를 군집화 하였다(Figure 2D).
이와 같은 결과를 종합하면, ROI를 적용하여 분류한 결과에 비해 분광혼합화소를 고려한 라이브러리 적용 결과가 정확도면에서 획기적인 개선이 이루어지지 않았으며, 분광 혼합화소가 명확하게 구분되지 않는 문제점이 나타났다. 이러한 문제는 SAM 기법의 특성으로 인해 나타난 것으로 해석된다.
후속연구
또한 국내⋅외 연구 사례를 도입하여 3차원 초분광 영상을 구축하고 문화재 진단에 반영하는 연구가 필요하며, 이를 바탕으로 정밀한 모니터링을 위한 기초 데이터를 확보해 나가야 할 것으로 사료된다.
위의 연구 방법을 석조문화재 초분광 영상 분석에 적용하기 위해서는 기초 단계의 연구가 필히 수행되어야 한다. 따라서 이 연구에서는 지상용 초분광 카메라를 통해 석조문화재에 발생하는 표면오염에 대한 분광 특성을 파악하고, 훼손양상 분류를 위해 초분광 특성 정합 알고리듬인 SAM(Spectral Angle Mapping) 기법을 사용하여 평가하는 연구를 수행하였다.
참고문헌 (23)
Aasen, H., Burkart, A., Bolten, A. and Bareth, G., 2015, Generating 3D hyperspectral information with lightweight UAV snapshot cameras for vegetation monitoring: From camera calibration to quality assurance. ISPRS Journal of Photogrammetry and Remote Sensing, 108, 245-259.
Cho, H.G. and Lee, K.S., 2014, Conparision between hyperspectral and multispectral images for the classificarion of coniferous species. Journal of Remote Sensing, 30(1), 25-36. (in Korean with English abstract)
Cho, M.A. and Skidmore, A.K., 2006, A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method. Remote Sensing of Environment, 101(2), 181-193.
Chun, Y.G., Lee, M.S., Kim, Y.R., Lee, M.H., Choi, M.J. and Choi, K.H., 2015, Utilization of hyperspectral image analysis for monitoring of stone cultural heritage. Jounal of Conservation Science, 31(4), 395-402. (in Korean with English abstract)
Congalton, R.G., 1991, A review of assessing the accuracy of classifications of remotely sensed data. Remote Sense of Environment, 37, 35-46.
Congalton, R.G. and Green, K. 2009, Assessing the accuracy of remotely sensed data: Principles and practices 2ndEd. CRC Press, Boca Raton, 105-108.
Congalton, R.G. and Mead, R.A., 1983, A quantitative method to test for consistency and correctness in photointerpretation. Photogrammetric Engineering and Remote Sensing, 49(1), 69-74.
Han, D.Y., Cho, Y.W., Kim, Y.I. and Lee, Y.W., 2003, Feature selection for image classification of hyperion data. Korean Journal of Remote Sensing, 19, 171-179. (in Korean with English abstract)
Humphrey, A. M., 2004, Chlorophyll as a color and functional ingredient. Journal of Food Science, 69(5), 422-425.
Jo, W.H., Lim, Y.h. and Park, K.H., 2019, Deep learning based land cover classification using convolutional neural network: a case study of Korea. Journal of the Korean Geographical Society, 54, 1-16. (in Korean with English abstract)
Jo, Y.H. and Lee, C.H., 2011, Making method of deterioration map and evaluation techniques of surface and threedimensional deterioration rate for stone cultural heritage. Journal of Conservation Science, 27, 251-260. (in Korean with English abstract)
Kruse, F.A., Lefkoff, A.B., Boardman, J.W., Heidebrecht, K.B., Shapiro, A.T., Barloon, P.J. and Goetz, A.F.H., 1993, The spectral image processing system(SIPS)-interactive visualization and analysis of imaging spectrometer data. Remote Sensing of Environment, 44, 145-163.
Lee, C.H., Chun, Y.G., Jo, Y.H. and Suh, M.C., 2012, Evaluation of slope stability and deterioration degree for Bangudae petroglyphs in Ulsan, Korea. Journal of Conservation Science, 28(2), 153-164. (in Korean with English abstract)
Lee, J.D., Bang, K.J. and Kim, H.H., 2018, Land cover classification of coastal area by SAM from airborne hyperspectral images. Journal of the Korean Association of Geographic Information Studies, 21(1), 35-45. (in Korean with English abstract)
Lee, M.S., Kim, K.S., Min, G.H., Son, D.H., Kim, J.E. and Kim S.C., 2019, Recent trends of hyperspectral imaging technology. Electronics and Telecommunications Trends, 34(1), 86-97. (in Korean with English abstract)
Lee, S.H. and Kim, J.S., 2019, Land cover classification using sematic image segmentation with deep learning. Korean Journal of Remote Sensing, 35(2), 279-288. (in Korean with English abstract)
Oliveira, R.A., Tommaselli, A.M., Honkavaara, E., 2019, Generating a hyperspectral digital surface model using a hyperspectral 2D frame camera. ISPRS Journal of Photogrammetry and Remote Sensing, 147, 345-360.
Park, J.H., Lee, C.H. and Choi, G.E., 2017, Characteristics of surface deterioration and materials for stone guardian and stone memorial tablets from Muryeong royal tomb of Baekje kingdom in ancient Korea. Journal of Conservation Science, 33(4), 241-254. (in Korean with English abstract)
Park, J.S., Seo, J.J., Go, J.W. and Cho, G.S., 2016, The study on improving accuracy of land cover classification using spectral library of hyperspectral image. Journal of Cadastre & Land informatix, 46(2), 239-251. (in Korean with English abstract)
Park, S.W., Lee, S.J., Yun, Y.S., Shin, D.Y., Park, S.Y. and Lee, Y.W., 2018, Estimation of chlotophyll-a concentration for inland water using red-edge band of Sentinel-2 and RapidEye. The Geographical Journal of Korea, 52(3), 445-454. (in Korean with English abstract)
Raimondi, V., Cecchi, G., Lognoli, D., Palombi, L., Gronlund, R., Johansson, A., Svanberg, S., Barup, K. and Hallstrom, J., 2009, The fluorescence lidar technique for the remote sensing of photoautotrophic biodeteriogens in the outdoor cultural heritage: A decade of in situ experiments. International Biodeterioration & Biodegradation, 63, 823-835.
Sciuto, C., Allios, D., Bendoula, R., Cocoual, A., Gardel, M.E., Geladi, P., Gobrecht, A., Gorretta, N., Guermeur, N., Jay, S., Linderholm, J. and Thyrel, M., 2019, Characterization of building materials by means of spectral remote sensing: The example of Carcassonne's defensive wall(Aude, France). Journal of Archaeological Science: Reports, 23, 396-405.
Yang, H.J., Lee, C.H., Kim, S.D. and Choi, S.W., 2004, Conservation scheme and deterioration states of the Wanggung-ri five-storied stone pagoda in the Iksan, Korea. Conservation studies, 25, 171-195. (in Korean with English abstract)
※ AI-Helper는 부적절한 답변을 할 수 있습니다.