[논문]소형객체 변화탐지를 위한 화소기반 변화탐지기법의 성능 비교분석

서정훈; 박원규; 김태정

doi:10.7780/kjrs.2021.37.2.1

소형객체 변화탐지를 위한 화소기반 변화탐지기법의 성능 비교분석
Comparison of Pixel-based Change Detection Methods for Detecting Changes on Small Objects 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.2, 2021년, pp.177 - 198

서정훈 (인하대학교 스마트시티공학전공) , 박원규 (쎄트렉아이 방산사업부문) , 김태정 (인하대학교 공간정보공학과)

초록
AI-Helper

변화탐지 연구는 주로 토지이용/피복의 변화, 재난/재해 피해지역과 같은 토지의 변화, 수역, 식생과 같은 특정 넓게 분포하는 객체의 변화에 대한 연구가 진행되어 왔다. 한편, 위성영상의 공간/시간 해상도가 지속적으로 향상됨에 따라 위성영상으로부터 선박, 차량과 같은 면적이 작은 객체의 변화탐지의 가능성이 높아지고 있다. 이러한 가능성을 확인하기 위하여 본 논문에서는 위성영상으로부터 소형객체 변화탐지를 수행하기 위해 기존 화소기반 변화탐지기법의 성능을 분석하였다. 10일 이내의 짧은 시기에서 촬영된 Kompsat 3A 위성영상 및 Google Earth 영상을 이용하여 대표적인 화소기반 변화탐지기법인 차분, 주성분 분석, MAD 및 IR-MAD을 적용하였다. 영상에서 관측 가능한 소형 객체 주변으로 변화/비변화 참조자료를 정의하고 각 기법을 적용하여 얻어진 변화탐지 결과영상과 참조자료를 비교하여 성능을 분석하였다. 성능분석 결과 실험에 사용한 모든 영상에서 MAD, IR-MAD 기법이 상대적으로 우수한 성능을 제공하였다. LULC, 식생변화 등 대규모 지역의 변화탐지에 우수한 성능을 보인 MAD, IR-MAD 기법이 소형객체의 변화탐지에도 적용될 수 있음을 확인할 수 있었다. 아울러 변화탐지 대상인 소형객체에 높은 반사율 특성을 가지는 분광밴드를 변화탐지를 위한 분석에 포함하는 것이 소형객체 변화탐지율을 높일 수 있었다.

Abstract ▼ AI-Helper

Existing change detection researches have been focused on changes of land use and land cover (LULC), damaged areas, or large vegetated and water regions. On the other hands, increased temporal and spatial resolution of satellite images are strongly suggesting the feasibility of change detection of small objects such as vehicles and ships. In order to check the feasibility, this paper analyzes the performance of existing pixel-based change detection methods over small objects. We applied pixel differencing, PCA (principal component analysis) analysis, MAD (Multivariate Alteration Detection), and IR-MAD (Iteratively Reweighted-MAD) to Kompsat-3A and Google Map images taken within 10 days. We extracted ground references for changed and non-changed small objects from the images and used them for performance analysis of change detection results. Our analysis showed that MAD and IR-MAD, that are known to perform best over LULC and large areal changes, offered best performance over small object changes among the methods tested. It also showed that the spectral band with high reflectivity of the object of interest needs to be included for change analysis.

주제어

표/그림 (21)

표 Table 1. Study Data informations
표 Table 2. Small object ground truth informations
그림 Fig. 1. Study area Data (From the Left: Before image, After image, Ground Truth), (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk.
그림 Fig. 2. Study area Data (From the Left: Before image, After image, Ground Truth), (a) Shanghai1, (b) Shanghai2, (c) Tianjin.
그림 Fig. 3. WorkFlow.
그림 Fig. 4. Difference result fore each Kompsat 3A Image band (From the Left: Blue, Green, Red, NIR), (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk.
그림 Fig. 5. Small object difference result fore each band, (a) Before image, (b) After image, (c) Blue, (d) Green, (e) Red, (f) NIR.
그림 Fig. 6. Difference result fore each Google Earth Image band (From the Left: Blue, Green, Red), (a) Shanghai1, (b) Shanghai2, (c) Tianjin.
그림 Fig. 7. Difference method ROC for each band, (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk, (f) Shanghai1, (g) Shanghai2, (h) Tianjin.
그림 Fig. 8. Small object change magnitude Result for each PCA (From the left: PC1, PC2, PC3, PC4), (a) D-PCA result, (b) O-PCA result.
표 Table 3. AUC values for each difference bands
표 Table 4. AUC of PC1 values for each PCA methods
그림 Fig. 9. PCA methods result (From the left: O-PCA, D-PCA), (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk, (f) Shanghai1, (g) Shanghai2, (h) Tianjin.
그림 Fig. 10. PC1 ROC for each PCA, (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk, (f) Shanghai1, (g) Shanghai2, (h) Tianjin.
그림 Fig. 11. MAD, IR-MAD result for each band composition, (a) BGR MAD, (b) BGR IR-MAD, (c) BGRN MAD, (d) BGRN IRMAD, (e) GRN MAD, (f) GRN IR-MAD.
그림 Fig. 12. MAD, IR-MAD result for each Kompsat 3A band composition (From the left: BGR, BGRN, GRN band composition), (a) IR-MAD of seoul area, (b) MAD of seoul area, (c) IR-MAD of Incheon1 area, (d) MAD of Incheon1 area, (e) IR-MAD of Incheon2 area, (f) MAD of Incheon2 area, (g) IR-MAD of Incheon3 area, (h) MAD of Incheon3 area, (i) IR-MAD of Gyeongbuk area, (j) MAD of Gyeongbuk area.
그림 Fig. 12. Continued.
그림 Fig. 12. Continued.
그림 Fig. 13. MAD, IR-MAD result for each Google Earth study area, (a) IR-MAD of shanghai1 area , (b) MAD of shanghai1 area, (c) IR-MAD of shanghai2 area, (d) MAD of shanghai2 area, (e) IR-MAD of Tianjin area, (f) MAD of Tianjin area.
그림 Fig. 14. ROC of MAD, IR-MAD for each band composition, (a) Seoul, (b) Incheon1, (c) Incheon2, (d) Incheon3, (e) Gyeongbuk, (f) Shanghai1, (g) Shanghai2, (h) Tianjin.
표 Table 5. AUC value of MAD, IR-MAD for each band composition

AI 본문요약
AI-Helper

문제 정의

본 연구의 목적은 고해상도 위성영상을 이용하여 소형객체의 변화탐지 가능성을 점검하는 것이다. 본 연구에서는 기존에 제안된 화소기반 변화탐지기법을 사용하여 소형객체의 변화지역을 탐지하고 기존 화소기반 변화탐지 기법의 성능 분석을 수행하고자 한다. 화소기반 변화탐지 기법은 영상의 화소값을 이용하여 훈련자료 없이 변화탐지를 수행하는 무감독 방식으로서, 변화 전후 영상의 화소값을 차분하는 방식, 비율(ratio) 기법, 특정 지수(Index)를 계산 방법, 영상을 변환하여 변화 탐지로 주성분 분석(PCA, Principal component analysis), MAD(Multivariate Alteration Detection),IR-MAD(Iteratively Reweighted-Multivariate Alteration Detection) 등이 있다.
본 연구의 목적은 고해상도 위성영상을 이용하여 소형객체의 변화탐지 가능성을 점검하는 것이다. 본 연구에서는 기존에 제안된 화소기반 변화탐지기법을 사용하여 소형객체의 변화지역을 탐지하고 기존 화소기반 변화탐지 기법의 성능 분석을 수행하고자 한다.

제안 방법

각 데이터 셋의 성능 분석을 위해 소형객체 변화 지역과 비변화 지역을 추출하여 참조자료(Ground Truth) 를 제작하였다. 소형객체에 대한 자세한 정보는 Table 2 와 같으며 배, 차량, 버스, 트럭, 대형 차량, 컨테이너 등 소형객체 지역을 참조자료로 사용하였다.
소형객체의 변화를 탐지하기 위해 기존의 화소 기반 변화탐지 기법을 적용 후 각 기법의 성능을 AUC 값을 이용하여 비교하였다. 단일 밴드의 차분 결과로 근적외 선밴드(NIR), 적색밴드, 녹색밴드, 청색밴드 순으로 좋은 성능을 보여주었다.
Google Earth 영상인 연구지역 상하이1, 상하이2, 톈진의 경우 비변화객체는 변화객체 지역을 제외한 지역으로 설정하였다. 연구 지역 마다 소형객체의 개수를 다르게 하여 다양한 환경에서 변화탐지기법의 성능을 관측하였다. 사용된 소형 객체는 Fig.
각 기법의 결과로 계산된 변화량 영상에 대하여 임계값을 적용해 변화/비변화 이진영상을 생성하였다. 참조자료를 이용해 소형객체에 대한 변화탐지 성능곡선 ROC과 성능지표 AUC를 계산하여 결과영상의 변화탐지 성능을 비교하였다. 이러한 연구의 흐름을 Fig.

대상 데이터

5 m이며 Panchromatic 영상과 융합된 청색(Blue), 녹색(Green), 적색(Red), 근적 외선(Near Infrared) 4개의 밴드를 사용하였다. Google Earth 영상의 경우 공간해상도 정보는 제공하지 않기 때문에 KML(Keyhole Markup Language)를 이용하여 고도(altitude)를 1000 m로 설정하여 일정한 공간해상도를 갖는 영상을 사용하였다. Google Earth 영상은 청색, 녹색, 적색 3개의 밴드로 이루어져 있으며 각 밴드는 Spectral 특성을 반영하지 않고 색상 정보만을 제공한다.
분석 객체의 수량을 증량하기 위해 버스와 트럭과 크기가 비슷한 컨테이너와 같은 객체를 추출하였다. Google Earth 영상인 연구지역 상하이1, 상하이2, 톈진의 경우 비변화객체는 변화객체 지역을 제외한 지역으로 설정하였다. 연구 지역 마다 소형객체의 개수를 다르게 하여 다양한 환경에서 변화탐지기법의 성능을 관측하였다.
Kompsat 3A 위성영상은 5개의 연구지역, Google Earth 영상은 3개의 연구지역을 선정하였으며 각 연구 지역은 소형 차량, 선박, 트럭, 컨테이너와 같은 소형객 체의 변화가 존재하는 지역으로 선정하였다. 소형객체 특성상 면적이 작고 이동성이 뛰어나서 높은 공간/시간 해상도를 요구하기 때문에 가능한 짧은 시기로 선정하기 위해 시기차이가 10일 이내의 고해상도 영상으로 구성하였다.
따라서 다양한 분광 특성을 반영하기 위해 다수의 Spectral band의 정보를 사용하였다. Kompsat 3A 위성영상의 공간 해상도는 약 0.5 m이며 Panchromatic 영상과 융합된 청색(Blue), 녹색(Green), 적색(Red), 근적 외선(Near Infrared) 4개의 밴드를 사용하였다. Google Earth 영상의 경우 공간해상도 정보는 제공하지 않기 때문에 KML(Keyhole Markup Language)를 이용하여 고도(altitude)를 1000 m로 설정하여 일정한 공간해상도를 갖는 영상을 사용하였다.
영상의 전처리로 기하/ 정사보정과 영상 융합을 수행하였다. 각 영상에서 변화 지역 및 비변화지역 참조자료를 영상에 존재하는 소형 객체를 대상으로 추출하였다. 추출된 소형객체에 대해 각 변화탐지기법을 적용하여 성능을 분석하였으며 ROC(Receiver Operating Characteristic)와 AUC(Area Under Curve)를 이용하여 성능 비교 및 분석하였다.
화소기반 변화탐지 기법은 영상의 화소값을 이용하여 훈련자료 없이 변화탐지를 수행하는 무감독 방식으로서, 변화 전후 영상의 화소값을 차분하는 방식, 비율(ratio) 기법, 특정 지수(Index)를 계산 방법, 영상을 변환하여 변화 탐지로 주성분 분석(PCA, Principal component analysis), MAD(Multivariate Alteration Detection),IR-MAD(Iteratively Reweighted-Multivariate Alteration Detection) 등이 있다. 본 연구에서는 차분방식, 주성분 분석, MAD, IR-MAD 를 적용하였으며 소형객체의 변화특성을 감안하여 변화 전후 영상 간의 시간차이가 적은 Kompsat-3A 영상과 Google 영상을 사용하였다. 영상의 전처리로 기하/ 정사보정과 영상 융합을 수행하였다.
Kompsat 3A 위성영상은 5개의 연구지역, Google Earth 영상은 3개의 연구지역을 선정하였으며 각 연구 지역은 소형 차량, 선박, 트럭, 컨테이너와 같은 소형객 체의 변화가 존재하는 지역으로 선정하였다. 소형객체 특성상 면적이 작고 이동성이 뛰어나서 높은 공간/시간 해상도를 요구하기 때문에 가능한 짧은 시기로 선정하기 위해 시기차이가 10일 이내의 고해상도 영상으로 구성하였다. 소형객체를 구성하는 물체는 다양하며 객체마다 서로 다르기 때문에 색상의 정보와 반사율 특성이 다양하다.
각 데이터 셋의 성능 분석을 위해 소형객체 변화 지역과 비변화 지역을 추출하여 참조자료(Ground Truth) 를 제작하였다. 소형객체에 대한 자세한 정보는 Table 2 와 같으며 배, 차량, 버스, 트럭, 대형 차량, 컨테이너 등 소형객체 지역을 참조자료로 사용하였다. 분석 객체의 수량을 증량하기 위해 버스와 트럭과 크기가 비슷한 컨테이너와 같은 객체를 추출하였다.

데이터처리

각 기법에 대한 결과를 성능을 분석하기 위해 성능곡 선인 ROC커브와 AUC값을 사용하였다. 각 기법의 변화량을 표현하고 있는 결과 영상에 임의의 임계값을 적용해 False Alarm rate와 Recall 값을 계산한다.
각 영상에서 변화 지역 및 비변화지역 참조자료를 영상에 존재하는 소형 객체를 대상으로 추출하였다. 추출된 소형객체에 대해 각 변화탐지기법을 적용하여 성능을 분석하였으며 ROC(Receiver Operating Characteristic)와 AUC(Area Under Curve)를 이용하여 성능 비교 및 분석하였다.

이론/모형

본 연구에서는 Kompsat 3A 영상과 Google Earth 영상에 기존 화소기반 변화탐지 기법을 적용하여 소형객 체의 변화탐지 적용 가능성을 분석하였다. 정확한 변화지역 탐지를 위한 전처리과정으로 다중시기의 전후 영상에 대하여 기하/정사 보정을 수행하였다.
정확한 변화지역 탐지를 위한 전처리과정으로 다중시기의 전후 영상에 대하여 기하/정사 보정을 수행하였다. 이후 화소 기반 변화탐지 기법인 차분, 주성분 분석, MAD, IRMAD를 적용하여 변화량을 계산하였다. 각 기법의 결과로 계산된 변화량 영상에 대하여 임계값을 적용해 변화/비변화 이진영상을 생성하였다.

성능/효과

밴드 별 변화탐지 성능을 정량적으로 판단하기 위해 Table 3와 같이 각 밴드 별 AUC의 값으로 비교하였고 근적외선 밴드에 근접할 수록 좋은 성능 결과를 제공해주었다. KOMPSAT 3A의 데이터 셋의 차분 결과는 모든 연구지역에서 근적외선 밴드 차분결과가 가장 우수한 성능을 보여주었다.
밴드의 영향을 보기 위해 밴드 조합에 따른 결과를 추출하였고 NIR 밴드를 포함할 경우 성능이 향상되었음을 확인하였다. MAD, IR-MAD를 사용하여 다중 밴드 정보를 융합할 시 소형객체에 높은 반사율을 갖은 NIR 밴드를 사용하는 것이 변화탐지에 유리함을 알 수 있었다.
이러한 성능 제공은 안정적으로 우수한 성능을 보장하지 못하므로 주성분을 이용한 소형객체 변화탐지는 적합하지 않다. MAD와 IR-MAD의 결과로 다중 밴드 정보 융합으로 성능이 향상됨을 확인할 수 있었으며 대부분의 연구지역에서 좋은 성능을 제공하였다. 밴드의 영향을 보기 위해 밴드 조합에 따른 결과를 추출하였고 NIR 밴드를 포함할 경우 성능이 향상되었음을 확인하였다.
기존 변화탐지 논문에서 주요 관심 대상인 식생, 토지이용 등 일정한 반사율 특성을 갖는 객체와 다르게 소형객체는 색상과 반사율이 객체마다 서로 다르다. 그러나 기존 변화탐지 연구사례와 동일하게 단일 밴드의 결과보다 다중 분광밴드를 사용한 결과가 우수하였으며 높은 반사율을 갖는 밴드를 사용하는 것이 좋은 성능을 제공하였다. 기존의 식생, 습지, 재난 피해지역 및 토지 이용의 변화와 같은 면적이 큰 객체에 대한 변화탐지 연구와 동일하게 소형객체의 특성을 활용하면 변화탐지 가능할 것이다.
주성분 분석은 주성분 순서대로 많은 정보를 담고 있기 때문에 대부분 연구지역에서 주성분1이 좋은 성능을 보여주었으며 D-PCA 방법이 O-PCA보다 약소하게 우수한 성능을 제공하였다. 그러나 주성분 1이외의 주성분에서 좋은 성능을 제공한 경우도 있으며 차분 결과보다 감소된 성능 결과를 보여주었다. 이러한 성능 제공은 안정적으로 우수한 성능을 보장하지 못하므로 주성분을 이용한 소형객체 변화탐지는 적합하지 않다.
소형객체의 변화를 탐지하기 위해 기존의 화소 기반 변화탐지 기법을 적용 후 각 기법의 성능을 AUC 값을 이용하여 비교하였다. 단일 밴드의 차분 결과로 근적외 선밴드(NIR), 적색밴드, 녹색밴드, 청색밴드 순으로 좋은 성능을 보여주었다. 이러한 결과는 소형객체의 반사율과 색상의 특성이 다양하지만 NIR 밴드에서 대부분의 물체가 높은 반사율을 제공하기 때문에 우수한 변화 탐지 결과를 제공한다.
MAD와 IR-MAD의 결과로 다중 밴드 정보 융합으로 성능이 향상됨을 확인할 수 있었으며 대부분의 연구지역에서 좋은 성능을 제공하였다. 밴드의 영향을 보기 위해 밴드 조합에 따른 결과를 추출하였고 NIR 밴드를 포함할 경우 성능이 향상되었음을 확인하였다. MAD, IR-MAD를 사용하여 다중 밴드 정보를 융합할 시 소형객체에 높은 반사율을 갖은 NIR 밴드를 사용하는 것이 변화탐지에 유리함을 알 수 있었다.
변화탐지의 성능을 향상시키기 위해 오탐지를 감소시켜야 한다. 본 연구도 전체 지역에서 소형 객체 외 다른 지역에서 변화가 발생하였다.
단일 밴드의 차분 결과로 근적외 선밴드(NIR), 적색밴드, 녹색밴드, 청색밴드 순으로 좋은 성능을 보여주었다. 이러한 결과는 소형객체의 반사율과 색상의 특성이 다양하지만 NIR 밴드에서 대부분의 물체가 높은 반사율을 제공하기 때문에 우수한 변화 탐지 결과를 제공한다. 이후 차분 기법의 성능 향상을 위해 상대방사보정을 적용할 필요가 있다.
그러나 주성분 1이외의 주성분에서 좋은 성능을 제공한 경우도 있으며 차분 결과보다 감소된 성능 결과를 보여주었다. 이러한 성능 제공은 안정적으로 우수한 성능을 보장하지 못하므로 주성분을 이용한 소형객체 변화탐지는 적합하지 않다. MAD와 IR-MAD의 결과로 다중 밴드 정보 융합으로 성능이 향상됨을 확인할 수 있었으며 대부분의 연구지역에서 좋은 성능을 제공하였다.
이후 차분 기법의 성능 향상을 위해 상대방사보정을 적용할 필요가 있다. 주성분 분석은 주성분 순서대로 많은 정보를 담고 있기 때문에 대부분 연구지역에서 주성분1이 좋은 성능을 보여주었으며 D-PCA 방법이 O-PCA보다 약소하게 우수한 성능을 제공하였다. 그러나 주성분 1이외의 주성분에서 좋은 성능을 제공한 경우도 있으며 차분 결과보다 감소된 성능 결과를 보여주었다.

후속연구

따라서 Feature는 객체를 나타내기 때문에 Feature 변화를 통해 객체 위치와 형태의 변화를 관측할 수 있다. Feature의 변화 정보와 반사율 변화 정보를 융합하여 통해 소형객체 위주의 변화탐지의 연구가 필요하다.
그러나 기존 변화탐지 연구사례와 동일하게 단일 밴드의 결과보다 다중 분광밴드를 사용한 결과가 우수하였으며 높은 반사율을 갖는 밴드를 사용하는 것이 좋은 성능을 제공하였다. 기존의 식생, 습지, 재난 피해지역 및 토지 이용의 변화와 같은 면적이 큰 객체에 대한 변화탐지 연구와 동일하게 소형객체의 특성을 활용하면 변화탐지 가능할 것이다.
이는 오탐지이며 이를 제거하는 방안이 필요하다. 오탐지 감소 방안으로 Feature를 이용할 계획이다. Feature는 객체의 하위 개념으로 점, 선, 면과 같은 객체를 구성하는 요소이다.
이러한 결과는 소형객체의 반사율과 색상의 특성이 다양하지만 NIR 밴드에서 대부분의 물체가 높은 반사율을 제공하기 때문에 우수한 변화 탐지 결과를 제공한다. 이후 차분 기법의 성능 향상을 위해 상대방사보정을 적용할 필요가 있다. 주성분 분석은 주성분 순서대로 많은 정보를 담고 있기 때문에 대부분 연구지역에서 주성분1이 좋은 성능을 보여주었으며 D-PCA 방법이 O-PCA보다 약소하게 우수한 성능을 제공하였다.

참고문헌 (16)

Ballanti, L., K.B. Byrd, I. Woo, and C. Ellings, 2017. Remote sensing for wetland mapping and historical change detection at the Nisqually River Delta, Sustainability, 9(11): 1919-1950.

상세보기
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
Choi, J., H. Park, N. Park, S. Han, and J. Song, 2017. Deforestation Analysis Using Unsupervised Change Detection Based on ITPCA, Korean Journal of Remote Sensing, 33(6-3): 1233-1242 (in Korean with English abstract).

원문보기 상세보기
Du, B., L. Ru, C. Wu, and L. Zhang, 2019. Unsupervised deep slow feature analysis for change detection in multi-temporal remote sensing images, IEEE Transactions on Geoscience and Remote Sensing, 57(12): 9976-9992.

상세보기
Housman, I.W., R.A. Chastain, and M.V. Finco, 2018. An evaluation of forest health insect and disease survey data and satellite-based remote sensing forest change detection methods: Case studies in the United States, Remote Sensing, 10(8): 1184-1204.

상세보기
Oh, K., H. Jung, and N. Jeong, 2015. Pansharpening Method for KOMPSAT-2/3 High-Spatial Resolution Satellite Image, Korean Journal of Remote Sensing, 31(2): 161-170 (in Korean with English abstract).

원문보기 상세보기
Li, Z., W. Shi, H. Zhang, and M. Hao, 2017. Change detection based on Gabor wavelet features for very high resolution remote sensing images, IEEE Geoscience and Remote Sensing Letters, 14(5): 783-787.

상세보기
Leichtle, T., C. Geiss, M. Wurm, T. Lakes, and H. Taubenbock, 2017. Unsupervised change detection in VHR remote sensing imagery-an object-based clustering approach in a dynamic urban environment, International Journal of Applied Earth Observation and Geoinformation, 54: 15-27.

상세보기
Nielsen, A.A., K. Conradsen, and J.J. Simpson, 1998. Multivariate alteration detection (MAD) and MAF postprocessing in multispectral, bitemporal image data: New approaches to change detection studies, Remote Sensing of Environment, 64(1): 1-19.

상세보기
Nielsen, A.A., 2007. The regularized iteratively reweighted MAD method for change detection in multi-and hyperspectral data, IEEE Transactions on Image Processing, 16(2): 463-478.

상세보기
Peng, D., Y. Zhang, and H. Guan, 2019. End-to-end change detection for high resolution satellite images using improved unet++, Remote Sensing, 11(11): 1382-1404.

상세보기
Seydi, S.T. and M. Hasanlou, 2018. Sensitivity analysis of pansharpening in hyperspectral change detection, Applied Geomatics, 10(1): 65-75.

상세보기
Saha, S., F. Bovolo, and L. Bruzzone, 2019. Unsupervised deep change vector analysis for multiple-change detection in VHR images, IEEE Transactions on Geoscience and Remote Sensing, 57(6): 3677-3693.

상세보기
Wan, L., T. Zhang, and H.J. You, 2018. Multi-sensor remote sensing image change detection based on sorted histograms, International Journal of Remote Sensing, 39(11): 3753-3775.

상세보기
Wu, J., B. Li, W. Ni, and W. Yan, 2020. An adaptively weighted multi-feature method for object-based change detection in high spatial resolution remote sensing images, Remote Sensing Letters, 11(4): 333-342.

상세보기
Zhang, P., M. Gong, L. Su, J. Liu, and Z. Li, 2016. Change detection based on deep feature representation and mapping transformation for multi-spatial-resolution remote sensing images, ISPRS Journal of Photogrammetry and Remote Sensing, 116: 24-41.

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