[논문]Hue 채널 영상의 다중 클래스 결합을 이용한 객체 기반 영상 분류

예철수

doi:10.7780/kjrs.2021.37.6.3.9

초록
AI-Helper

고해상도 위성영상 분류에서 다양한 색상을 가지는 건물들과 같이 동일한 클래스에 속하지만 색상 정보가 상이한 화소들이 클래스를 구성하는 경우에는 클래스를 대표하는 색상 정보를 결정하기가 어렵다. 본 논문에서는 클래스의 대표적인 색상 정보를 결정하는 문제를 해결하기 위해 HSV(Hue Saturation Value)의 색상 채널을 분할하고 객체 기반의 분류를 수행하는 방법을 제안한다. 이를 위해 RGB 컬러 공간의 입력 영상을 HSV 컬러 공간의 성분으로 변환한 후에 색상(Hue) 성분을 일정 간격의 서브채널로 분할한다. 각 색상 서브채널에 대해 최소거리기반의 영상 분류를 수행하고 분류 결과를 영상 분할 결과와 결합한다. 제안한 방법을 아리랑3A 위성영상에 적용한 결과 overall accuracy는 84.97%, kappa coefficient는 77.56%로 나타났고 상용 소프트웨어 대비 분류 정확도가 10% 이상 개선된 결과를 보였다.

Abstract ▼ AI-Helper

In high-resolution satellite image classification, when the color values of pixels belonging to one class are different, such as buildings with various colors, it is difficult to determine the color information representing the class. In this paper, to solve the problem of determining the representa...

In high-resolution satellite image classification, when the color values of pixels belonging to one class are different, such as buildings with various colors, it is difficult to determine the color information representing the class. In this paper, to solve the problem of determining the representative color information of a class, we propose a method to divide the color channel of HSV (Hue Saturation Value) and perform object-based classification. To this end, after transforming the input image of the RGB color space into the components of the HSV color space, the Hue component is divided into subchannels at regular intervals. The minimum distance-based image classification is performed for each hue subchannel, and the classification result is combined with the image segmentation result. As a result of applying the proposed method to KOMPSAT-3A imagery, the overall accuracy was 84.97% and the kappa coefficient was 77.56%, and the classification accuracy was improved by more than 10% compared to a commercial software.

Keyword

표/그림 (20)

그림 Fig. 1. Image segmentation of KOMPSAT-3A image for object-based image classification.
그림 Fig. 2. Examples of RGB color histogram difference between similar spectral regions in KOMPSAT-3A imagery.
그림 Fig. 3. Overall procedure of the proposed classification method.
그림 Fig. 4. Hue channel division. The pixels belonging to each hue channel have similar colors in the RGB color space.
그림 Fig. 5. Transformation of class labels in sub-channel images and class label merging.
그림 Fig. 6. Image classification and class label transformation for hue subchannel image.
그림 Fig. 7. Watershed image segmentation. The markers serve as seed points of the regions in the watershed transformation.
그림 Fig. 8. The experimental KOMPSAT-3A image over Gwangju Metropolitan City in Korea (2018.9.25.).
그림 Fig. 10. KOMPSAT-3A image and hue sub-channel images with similar colors.
그림 Fig. 9. Enlarged regions of Fig. 8. (a) buildings with various colors on the same roofs (b) building roofs and roads with similar colors (c) and (d) building roofs and bare ground with bright intensities.
그림 Fig. 11. Examples of class label transformation (a) a hue subchannel image (b) the classified image with one basic class label and several subclass labels (c) the classified image with one basic class label after class label merging (d)~(f) the enlarged images of (a)~(c) over the yellow rectangle area in Fig. 11(a).
그림 Fig. 12. Result of image segmentation by the watershed algorithm (a) a part of red band image (b) the segmented regions.
그림 Fig. 13. Transformation of classified pixels into object regions (a) a hue subchannel classification result (b) object-based representation (c) and (d) the enlarged regions of the yellow rectangle area in (a) and (b).
그림 Fig. 14. Result of image classification using RGBN-based classification method.
그림 Fig. 15. Result of image classification using ENVI Feature Extraction method.
그림 Fig. 16. Result of image classification using the proposed classification method.
그림 Fig. 17. Enlarged images of the classified images (a) the original image (b) RGBN-based classification method (c) ENVI Feature Extraction method (d) the proposed classification method.
표 Table 1. Accuracy assessment of the RGBN-based classification method
표 Table 2. Accuracy assessment of the ENVI Feature Extraction method
표 Table 3. Accuracy assessment of the proposed classification method

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 고해상도 영상의 분류를 위해 색상 채널 영상 분류 및 다중 클래스 결합을 이용한 객체 기반의 분류 방법을 제안하였다. 제안하는 객체 기반의 분류 방법은 영상 분류를 전체 영상 화소를 대상으로 수행하지 않고 색상별로 분할된 서브채널 영상의 화소 중심으로 먼저 분류한 후에 모든 색상 서브채널의 분류 결과와 영상 분할 결과를 결합한다.

제안 방법

RGB 컬러 공간에서 다수의 서브클래스를 정의하고 분류하는 방식과 달리 본 논문에서는 Fig. 3과 같이 RGB 컬러 모델을 HSV 컬러 모델로 변환한 후에 HSV 컬러 모델의 색상(Hue) 성분을 유사한 색상의 화소들로 구성되는 서브채널들로 분할하고 각 서브채널에 대한 분류를 수행한 후에 그 결과를 결합하는 새로운 분류 방식을 제안한다.
본 논문에서는 고해상도 영상의 분류를 위해 색상 채널 영상 분류 및 다중 클래스 결합을 이용한 객체 기반의 분류 방법을 제안하였다. 제안하는 객체 기반의 분류 방법은 영상 분류를 전체 영상 화소를 대상으로 수행하지 않고 색상별로 분할된 서브채널 영상의 화소 중심으로 먼저 분류한 후에 모든 색상 서브채널의 분류 결과와 영상 분할 결과를 결합한다. 다양한 색상의 건물들을 포함하는 도시 지역에 대한 분류 실험을 통해 RGBN 기반의 방법 대비 overall accuracy는 18.
이러한 영역들은 추가적으로 그림자 클래스를 정의한 후에 그림자 클래스로 분류하거나 크기가 작은 영역은 형태학적 연산을 이용한 후처리를 통해 주변의 클래스로 보간할 수 있다. 본 연구에서는 미분류 상태로만 구분하고 각 분류 방법의 정량적인 분류 성능을 평가할 때에는 이들 화소가 속하는 영역은 배제하고 성능을 평가하였다.

대상 데이터

객체 기반의 분류를 위해 본 연구에서는 다양한 색상의 지표 속성을 가지는 도시 지역을 촬영한 아리랑3A 위성영상을 실험 영상으로 사용하였다(Fig. 8).
본 실험에서는 건물, 식생, 도로, 나지로 구성되는 총 4종류의 클래스를 정의한다. 실험 영상은 Fig.
10은 아리랑3A 위성영상을 9개의 색상 서브채널 영상으로 분할한 결과를 보여준다. 실험에 사용된 영상은 다양한 색상 범위에 걸쳐서 객체들이 존재하는 영상으로 본 실험에서는 각 색상별로 객체들이 충분히 구분될 수 있도록 총 9개의 색상 서브채널 영상으로 분할하였다. 영상에 포함된 클래스들의 색상 분포가 비교적 단순한 경우에는 색상 서브채널의 개수를 더 작은 수로 분할할 수 있다.

데이터처리

제안한 객체 기반 분류 기법의 성능 비교를 위해 두 가지 객체 기반 분류 기법과의 결과를 비교하였다. 첫 번째 비교 대상 분류 방식은 객체를 생성하는 영상 분할은 앞서 소개한 방법과 동일한 반면에 영상 분류 시 색상 채널 분할 없이 원영상 R/G/B/NIR 밴드를 한 번에 모두 이용하여 최소거리 기반의 분류를 수행하는 방식(RGBN 기반의 분류 기법)이다.
분류 결과에 대한 정량적인 성능 평가를 위해 무작위 추출법(random sampling)으로 분류 성능을 평가하는 기준점을 추출하고 각 기준점이 속하는 클래스를 결정한 후에 각 분류 방법으로 얻어진 분류 결과 영상의 분류 정확도를 평가하였다. Table 1은 RGBN 기반의 분류 결과 영상에 대한 정확도 평가 결과를 보여준다.

이론/모형

객체 기반 영상 분류에 사용되는 영상 객체는 일반적으로 영상 분할을 수행한 후에 획득된 영역으로 정의된다. 영상 분할은 유사한 밝기 값 을 가지는 화소들을 하나의 영역으로 정의하는 과정으로 본 연구에서는 대표적인 영역 기반의 영상 분할 기 법인 워터쉐드(watershed) 알고리즘을 이용한다.
객체 내부 보간은 앞서 소개한 방식과 같이 가장 우세한 클래스 라벨로 객체 영역 내부를 보간한다. 두 번째 비교 대상 분류 기법 으로 대표적인 객체 기반의 분류 소프트웨어 중 하나인 ENVI Feature Extraction 알고리즘 방법을 이용하였다. 객체 세그먼트 생성 파라미터인 에지 기반 알고리즘의 Scale Level은 35, Merging 알고리즘으로 Full Lambda Schedule을 선정하고 Merge Level은 80으로 설정하였다.
분류에 사용되는 속성은 4개 밴드 모두를 사용하고 Auto Selection을 적용하였다. 분류기는 kNN 방식을 적용하였고 각 클래스별로 대표적인 샘플 영역을 20~30개 선정하였다.

성능/효과

31%로 앞의 두 방법 대비 정확도가 매우 크게 향상되었다. Overall accuracy 와 kappa coefficient는 각각 84.97%, 77.56%로 RGBN 기반의 방법 대비 overall accuracy는 18.3%, kappa coefficient 는 21.35%의 정확도 향상이 이루어졌으며,ENVI Feature Extraction 방법 대비 overall accuracy는 11.24%, kappa coefficient는 14.1%의 정확도 향상이 이루어졌다. 세 가지 분류 방법의 분류 결과에서 도로의 사용자 정확도가 상대적은 낮은 이유는 영상에서 도로의 분광 특성과 유사한 건물들이 포함되어 있어 건물 화소들 가운데 일부 가 도로 화소들로 분류되었기 때문이다.
제안하는 객체 기반의 분류 방법은 영상 분류를 전체 영상 화소를 대상으로 수행하지 않고 색상별로 분할된 서브채널 영상의 화소 중심으로 먼저 분류한 후에 모든 색상 서브채널의 분류 결과와 영상 분할 결과를 결합한다. 다양한 색상의 건물들을 포함하는 도시 지역에 대한 분류 실험을 통해 RGBN 기반의 방법 대비 overall accuracy는 18.3%, kappa coefficient 는 21.35%의 정확도 향상이 이루어졌으며,ENVI Feature Extraction 방법 대비 overall accuracy는 11.24%, kappa coefficient는 14.1%의 정확도 향상 결과를 얻었다. 특히 다양한 색상을 가지는 건물의 생산자 정확도가 크게 향상된 결과를 얻었다.
1%의 정확도 향상 결과를 얻었다. 특히 다양한 색상을 가지는 건물의 생산자 정확도가 크게 향상된 결과를 얻었다. 제안한 방법은 클래스에 속하는 화소들이 다양한 색상을 가지는 경우에도 객체의 색상, 질감 등을 모두 이용하는 기존의 객체 기반 분류 방법 대비 분류 성능이 우수함을 확인하였다.
특히 다양한 색상을 가지는 건물의 생산자 정확도가 크게 향상된 결과를 얻었다. 제안한 방법은 클래스에 속하는 화소들이 다양한 색상을 가지는 경우에도 객체의 색상, 질감 등을 모두 이용하는 기존의 객체 기반 분류 방법 대비 분류 성능이 우수함을 확인하였다. 서브 미터의 공간해상도를 가지는 고해상도 영상의 경우 영상 안에 다양한 색상의 객체가 다수 존재하는 경우에는 기존의 객체 기반 분류 방식은 분류 성능에 한계를 가지게 된다.
72%로 정확도가 향상되었다. Overall accuracy와 kappa coefficient는 각각 73.73%, 63.46%로 RGBN 기반의 분류 방법에 비해 향상된 분류 정확도를 보였다.

후속연구

제안한 방법은 클래스에 속하는 화소들이 다양한 색상을 가지는 경우에도 객체의 색상, 질감 등을 모두 이용하는 기존의 객체 기반 분류 방법 대비 분류 성능이 우수함을 확인하였다. 서브 미터의 공간해상도를 가지는 고해상도 영상의 경우 영상 안에 다양한 색상의 객체가 다수 존재하는 경우에는 기존의 객체 기반 분류 방식은 분류 성능에 한계를 가지게 된다. 본 논문은 이러한 다양한 색상을 가지는 고해상도 위성영상의 객체 분류를 위해 색상 채널 분할의 새로운 접근 방식을 제안한데 의의가 있다.

참고문헌 (15)

Blaschke, T., 2010. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65: 2-16.

상세보기
Blaschke, T., G.J. Hay, M. Kelly, S. Lang, P. Hofmann, E. Addink, R. Queiroz Feitosa, F. van der Meer, H. van der Werff, F. van Coillie, and D. Tiede, 2014. Geographic object-based image analysistowards a new paradigm, ISPRS Journal of Photogrammetry and Remote Sensing, 87: 180-191.

상세보기
Choi, S.K., S.K. Lee, Y.B. Kang, S.K. Seong, D.Y. Choi, and G.H. Kim, 2020. Applicability of image classification using deep learning in small area: case of agricultural lands using UAV image, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 38(1): 23-33 (in Korean with English abstract).

원문보기 상세보기
Kucharczyk, M., G.J. Hay, S. Ghaffarian, and C.H. Hugenholtz, 2020. Geographic object-based image analysis: a primer and future directions, Remote Sensing, 12(12): 2012.

상세보기
Lee, D.G., J.H. You, and H.J. Lee, 2018. Comparison of geospatial feature extraction process on object based classification method using KOMPSAT-3A satellite image, Journal of the Korean Society for Geospatial Information Science, 26(3): 13-21 (in Korean with English abstract).

상세보기
Lee, S. and J. Kim, 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).

원문보기 상세보기
Lee, S.H. and M.J. Lee, 2020. A study on deep learning optimization by land cover classification item using satellite imagery, Korean Journal of Remote Sensing, 36(6-2): 1591-1604 (in Korean with English abstract).

원문보기 상세보기
Magpantay, A.T., R.T. Adao, J.L. Bombasi, A.C. Lagman, E.V. Malasaga, and C.S. Ye, 2019. Analysis on the effect of spectral index images on improvement of classification accuracy of Landsat-8 OLI image, Korean Journal of Remote Sensing, 35(4): 561-571 (in Korean with English abstract).

원문보기 상세보기
Na, H.S. and J.S. Lee, 2014. Analysis of land cover characteristics with object-based classification method - focusing on the DMZ in Inje-gun, Gangwon-do, Journal of the Korean Association of Geographic Information Studies, 17(2): 121-135 (in Korean with English abstract).

원문보기 상세보기
Rhee, S.Y., W.S. Jeon, and H. Choi, 2018. Analysis of deep learning applicability for KOMPSAT-3A satellite image classification, Journal of the Korean Society for Geospatial Information Science, 26(4): 69-76 (in Korean with English abstract).
Seong, S.K., S.I. Na, and J.W. Choi, 2020. Assessment of the FC-DenseNet for crop cultivation area extraction by using RapidEye satellite imagery, Korean Journal of Remote Sensing, 36(5-1): 823-833 (in Korean with English abstract).

원문보기 상세보기
Shin, J.S., T.H. Lee, P.M. Jung, and H.S. Kwon, 2015. A study on land cover map of UAV imagery using an object-based classification method, Journal of the Korean Society for Geospatial Information Science, 23(4): 25-33 (in Korean with English abstract).

원문보기 상세보기
Song, J.Y., J.C. Jeong, and P.S.H. Lee, 2018. Development of a classification method for forest vegetation on the stand level, using KOMPSAT-3A imagery and land coverage map, Korean Journal of Environment and Ecology, 32(6): 686-697 (in Korean with English abstract).

원문보기 상세보기
Ye, C.S., 2020. Evaluating the contribution of spectral features to image classification using class separability, Korean Journal of Remote Sensing, 36(1): 55-65 (in Korean with English abstract).

원문보기 상세보기
Ye, C.S., 2021. Improvement of object-based image classification using hue channel class merging, 2021 Fall Online Conference of the Korean Society for Remote Sensing, KOR, Oct. 20-22.

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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

[국내논문] Hue 채널 영상의 다중 클래스 결합을 이용한 객체 기반 영상 분류
Object-based Image Classification by Integrating Multiple Classes in Hue Channel Images 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

표/그림 (20)

표/그림 (20)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

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

[국내논문] Hue 채널 영상의 다중 클래스 결합을 이용한 객체 기반 영상 분류 Object-based Image Classification by Integrating Multiple Classes in Hue Channel Images 원문보기

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

Abstract ▼ AI-Helper

Keyword

표/그림 (20) 모든 표/그림 보기

표/그림 (20) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

예철수 (20)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] Hue 채널 영상의 다중 클래스 결합을 이용한 객체 기반 영상 분류
Object-based Image Classification by Integrating Multiple Classes in Hue Channel Images 원문보기

초록
AI-Helper

표/그림 (20)

표/그림 (20)

AI 본문요약
AI-Helper

활용도 Top5 논문