[논문]특징점 매칭 개선 및 강인추정을 통한 이종해상도 위성영상 자동영상정합

반승환; 김태정

doi:10.7780/kjrs.2022.38.6.1.21

특징점 매칭 개선 및 강인추정을 통한 이종해상도 위성영상 자동영상정합
Automated Image Matching for Satellite Images with Different GSDs through Improved Feature Matching and Robust Estimation 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1257 - 1271

반승환 (인하대학교 스마트시티공학전공) , 김태정 (인하대학교 공간정보공학과)

초록
AI-Helper

최근 많은 수의 지구관측용 광학위성이 개발되어 위성영상에 대한 수요가 증가하고 있다. 따라서, 위성영상의 활발한 활용을 위해서 신속한 전처리 과정이 요구된다. 위성영상 정합은 두 영상을 하나의 특정한 좌표계로 변환하여 등록하는 기술로서 원격탐사 분야에서 영상정합 기술은 서로 다른 대역의 영상을 정렬하거나, 두 위성영상 간의 상대적인 위치 오차를 수정하는데 사용된다. 본 논문에서는 서로 다른 Ground Sample Distance (GSD)를 가지는 위성영상 간의 자동 영상정합 방법을 제안하였다. 제안방법은 개선된 특징점 매칭방법과 강인한 변환모델 추정기법을 기반으로 하며, 다음과 같이 5가지 처리과정으로 구성된다: 중첩 영역 계산, 개선된 특징점 탐지, 특징점 매칭, 강인한 변환모델 추정, 영상 리샘플링. 특징점 탐지를 위해서 중첩영역을 추출하여 두 영상의 GSD가 유사하도록 영상 리샘플링을 수행하였다. 특징점 매칭 단계에서는, Oriented FAST and Rotated BRIEF (ORB) 알고리즘을 사용하여 영상정합 성능을 향상시켰다. 영상정합 실험은 KOMPSAT-3A와 RapidEye영상을 실험대상으로 수행되었으며 제안방법의 성능검증은 정성적, 정량적 두 가지 방법으로 수행되었다. 영상정합의 재투영오차는 RapidEye GSD를 기준으로 1.277 (8.3 m)에서 1.608 (10.452 m)의 픽셀 정확도를 보였다. 즉, 결론적으로, 제안방법을 통해 이종해상도 위성영상의 영상정합 가능성을 확인하였다.

Abstract ▼ AI-Helper

Recently, many Earth observation optical satellites have been developed, as their demands were increasing. Therefore, a rapid preprocessing of satellites became one of the most important problem for an active utilization of satellite images. Satellite image matching is a technique in which two images are transformed and represented in one specific coordinate system. This technique is used for aligning different bands or correcting of relative positions error between two satellite images. In this paper, we propose an automatic image matching method among satellite images with different ground sampling distances (GSDs). Our method is based on improved feature matching and robust estimation of transformation between satellite images. The proposed method consists of five processes: calculation of overlapping area, improved feature detection, feature matching, robust estimation of transformation, and image resampling. For feature detection, we extract overlapping areas and resample them to equalize their GSDs. For feature matching, we used Oriented FAST and rotated BRIEF (ORB) to improve matching performance. We performed image registration experiments with images KOMPSAT-3A and RapidEye. The performance verification of the proposed method was checked in qualitative and quantitative methods. The reprojection errors of image matching were in the range of 1.277 to 1.608 pixels accuracy with respect to the GSD of RapidEye images. Finally, we confirmed the possibility of satellite image matching with heterogeneous GSDs through the proposed method.

주제어

표/그림 (17)

그림 Fig. 1. Flow chart of heterogeneous image registration.
그림 Fig. 2. Coordinate transform using initial geometric information.
그림 Fig. 3. Example of feature detection.
그림 Fig. 4. 9-Region feature matching.
그림 Fig. 5. Example of inlier filtering using RANSAC.
그림 Fig. 6. Image resampling using Bilinear.
그림 Fig. 7. Study area: (a) Goyang, (b) Seoul, and (c) Anyang.
표 Table 1. Properties of KOMPSAT-3A images used in experiments
표 Table 2. Properties of RapidEye-2 images used in experiments
그림 Fig. 8. Image coverage of datasets.
그림 Fig. 9. Number of inliers according to image reduce ratio.
그림 Fig. 10. Feature matching result according to the feature matcher.
표 Table 3. Feature matching results by feature point algorithm
그림 Fig. 11. Feature matching result according to the matching method.
그림 Fig. 12. Result of feature matching.
표 Table 4. Result of heterogeneous image registration
그림 Fig. 13. Result of image registration.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 서로 다른 공간해상도를 가지는 위성영상 간의 상대기하보정을 위한 자동화된 영상정합 방법을 제안하였다. 제안방법을 실제 KOMPSAT-3A 영상과 RapidEye 영상에 적용하여 영상정합의 성능을 검증하였다.

제안 방법

그러나 입력되는 위성영상의 밝기 값은 정규화 되지 않아 특징점 추출 성능이 저하된다. 따라서, 제안방법에서는 효과적인 특징점 추출을 위해 영상을 8 bit 영상으로 변환 후 밝기 값의 히스토그램을 정규화한 뒤 특징점 추출을 진행하였다. 제안방법에서는 특징점 추출을 위해 ORB 알고리즘을 채택하였다.
본 논문에서 영상정합 결과는 매칭된 대응점을 통해 homography 변환 모델을 추정하였고 최종적으로 정합영상을 생성하였다. 정합모델의 정확도를 위해서는 정상점으로 판단되는 대응점의 정확도와 개수가 중요하다고 판단된다.
본 논문에서는 서로 다른 공간해상도를 가지는 위성영상 간의 자동 영상정합 방법을 제안하고 정합된 영상의 정확도를 분석하였다. 이종 해상도 위성영상의 상대기하보정을 위해서 특징점 매칭 알고리즘을 기반으로 하는 영상정합 방법을 적용하였다.
본 제안방법에서는 두 위성영상의 공간 해상도를 유사하도록 영상의 사이즈를 조정하였다. 사이즈 조정은 낮은 해상도를 가지는 위성영상의 GSD를 기준으로 비교적 고해상도의 영상을 축소하였다.
제안방법을 실제 KOMPSAT-3A 영상과 RapidEye 영상에 적용하여 영상정합의 성능을 검증하였다. 성능검증은 기준영상과 변환된 영상을 중첩하여 정합결과를 육안으로 판독하는 정성적평가와, 검사점을 선정하고 제안방법을 통해 산출된 모델을 검사점에 적용하여 위치 정확도를 산출하는 정량적 평가로 나누어서 수행하였다. 결과적으로, 제안방법을 통해 위성영상 간의 상대적인 위치오차를 효과적으로 보정할 수 있음을 확인하였다.
사이즈 조정은 낮은 해상도를 가지는 위성영상의 GSD를 기준으로 비교적 고해상도의 영상을 축소하였다. 영상 사이즈 조정의 효과를 확인하기 위해 6개의 데이터셋에 대해 축소비율에 따른 모델 대응점 추정 개수를 분석하였다(Fig. 9).
본 논문에서는 서로 다른 공간해상도를 가지는 위성영상 간의 자동 영상정합 방법을 제안하고 정합된 영상의 정확도를 분석하였다. 이종 해상도 위성영상의 상대기하보정을 위해서 특징점 매칭 알고리즘을 기반으로 하는 영상정합 방법을 적용하였다. 이때, 두 위성영상간의 공간해상도가 유사하도록 영상의 사이즈 조정을 통해 원본 해상도 대비 다수의 정상점을 확보할 수 있었다.
제안방법에서는 특징점 매칭에 소요되는 시간을 최소화하기 위해, 영역기반 매칭 방법을 적용하였다. 영역 기반 매칭 방법은 영상을 3 × 3 총 9개의 영역으로 분할하여 같은 영역에 위치한 특징점만 비교연산을 수행하는 방법이다.
본 연구에서는 서로 다른 공간해상도를 가지는 위성영상 간의 상대기하보정을 위한 자동화된 영상정합 방법을 제안하였다. 제안방법을 실제 KOMPSAT-3A 영상과 RapidEye 영상에 적용하여 영상정합의 성능을 검증하였다. 성능검증은 기준영상과 변환된 영상을 중첩하여 정합결과를 육안으로 판독하는 정성적평가와, 검사점을 선정하고 제안방법을 통해 산출된 모델을 검사점에 적용하여 위치 정확도를 산출하는 정량적 평가로 나누어서 수행하였다.

대상 데이터

본 연구에서는 KOMPSAT-3A 위성영상과 RapidEye 위성영상을 대상으로 영상정합 실험을 진행하였다. 사용된 위성영상은 대한민국의 고양, 서울, 안양 일대를 촬영한 영상으로, Fig.
총 12장의 영상으로부터 영상정합을 위해 위성영상 간 중첩영역을 갖도록 영상을 선정하였고, 최종적으로 6개의 이종위성영상 페어를 구성하여 실험을 진행하였다. 사용된 영상의 처리레벨은 KOMPSAT-3A의 경우 L1R영상, RapidEye의 경우 L1B영상으로 두 영상 모두 방사학적 보정과 센서의 왜곡만 보정된 영상이다.
본 연구에서는 KOMPSAT-3A 위성영상과 RapidEye 위성영상을 대상으로 영상정합 실험을 진행하였다. 사용된 위성영상은 대한민국의 고양, 서울, 안양 일대를 촬영한 영상으로, Fig. 7과 같다.
이종 해상도 위성영상간 영상정합 실험은 총 6개의 데이터에서 수행되었다. 사용된 위성영상은 방사보정과 센서보정만 이루어진 KOMPSAT-3A와 RapidEye 위성영상이다. Table 4는 6개의 데이터에 대한 영상정합 결과를 보여주고, Fig.
제안방법에서 적용한 RANSAC 방법은 다음과 같다. 우선 매칭된 특징점들 중에서 모델을 계산하기 위한 최소개수의 특징점을 무작위 샘플로 선택하였다. 이후 선택된 샘플로부터 모델을 계산하고, 계산된 모델을 전체 매칭점들에 적용하여 식(3)과 같이 재투영오차를 계산하였다.
이종 해상도 위성영상간 영상정합 실험은 총 6개의 데이터에서 수행되었다. 사용된 위성영상은 방사보정과 센서보정만 이루어진 KOMPSAT-3A와 RapidEye 위성영상이다.
영상정합 전 위성영상의 초기 위치오차는 큰 값을 보였다. 제안방법에서는 모델을 추정하기 위한 정상치 판단기준을 3 pixel로 설정하였고, 최대 특징점 추출 개수를 30.000개로 설정하였다. 실험결과 모든 데이터에 대하여 변환모델을 추정하기 위한 충분한 정상점이 추출되었다.
두 영상은 GSD 촬영범위, 촬영각도 등 영상의 속성이 서로 달라 영상 정합에 어려움을 갖는다. 총 12장의 영상으로부터 영상정합을 위해 위성영상 간 중첩영역을 갖도록 영상을 선정하였고, 최종적으로 6개의 이종위성영상 페어를 구성하여 실험을 진행하였다. 사용된 영상의 처리레벨은 KOMPSAT-3A의 경우 L1R영상, RapidEye의 경우 L1B영상으로 두 영상 모두 방사학적 보정과 센서의 왜곡만 보정된 영상이다.
10은 그에 따른 특징점 매칭 결과를 보여준다. 최대 특징점 추출 개수를 30,000개로 설정하였고, SIFT의 경우 60,000개로 설정하여 한 번 더 실험을 진행하였다. Table 3의 SIFT (a)와 SURF의 경우 충분한 정상점의 개수가 추출되지 못하였고, SIFT(b)의 경우 ORB와 비교하였을 때 처리시간이 약 4.
만약 재투영오차가 설정된 임계값보다 낮을 경우 정상점으로 판단하였다. 해당과정을 반복하여 최종적으로 정상점의 개수가 가장 많은 경우의 모델을 변환모델로 선택하였고, 만약 정상점의 개수가 동일한 경우는 재투영오차가 더 낮은 모델을 선택하였다. Fig.

데이터처리

위성영상 정합의 경우, 강인한 변환모델을 추정하기 위해서 신속하게 정확한 대응점을 추출하는 것이 핵심이다. 본 연구에서는 위성영상에 적합한 특징점 매칭 알고리즘을 선택하기 위해서 대표적으로 사용되는 SIFT, SURF, ORB 알고리즘을 적용하여 성능을 비교 분석하였다. Table 3은 알고리즘별 특징점 매칭 성능을 보여주고, Fig.

이론/모형

제안방법에서는 특징점 추출을 위해 ORB 알고리즘을 채택하였다. ORB 알고리즘에서의 특징점 추출은 기존 방향에 대한 특징점 탐지에 취약한 FAST알고리즘을 보완한 o-FAST 알고리즘을 사용한다. 제안 방법에서는 최대 특징점 추출 개수를 30,000개로 설정하였고, Fig.
따라서 제안방법에서는 매칭된 특징점들 중 이상점(outlier)을 제거하기 위해 Random Sample Consensus(RANSAC) 알고리즘을 적용하여 강인한 변환모델을 구하고자 하였다. RANSAC 알고리즘은 매칭된 특징점들을 정상치와 이상치로 구분하는데 사용되는 알고리즘이다.
하지만 BRIEF 설명자는 시점, 조명, 블러에 강인하지만, 영상이 회전하는 경우에 매칭 정확도가 현저히 감소한다는 단점이 존재한다. 때문에 ORB 알고리즘에서의 설명자는 각도를 12도로 고정한 상태로 모든 패턴의 BRIEF설명자를 계산하는 방식인 rotational BRIEF (rBRIEF)를 사용하여 영상의 회전에도 강건한 설명자를 계산한다.
설명자는 특징점 주변 픽셀을 일정한 크기의 블록으로 나누어 각 블록영역에 속한 픽셀의 그래디언트 히스토그램을 계산한 것으로 이러한 설명자는 주로 특징점 주변의 밝기,색상, 방향, 크기 등의 정보가 포함되어 서로 다른 특징점이 어떤 연관성이 있는지 구분해준다. 본 연구에서 사용한 ORB 알고리즘에서의 설명자는 기본적으로 BRIEF 형태의 알고리즘을 사용한다. 매칭 알고리즘별로 설명자는 각각 다른 크기의 벡터를 가지고, 벡터를 구성하는 자료형에 따라서도 구분된다.
정합모델의 정확도를 위해서는 정상점으로 판단되는 대응점의 정확도와 개수가 중요하다고 판단된다. 이를 위해 제안방법에서는 영상 사이즈 조정, 영역분할 매칭, RANSAC 등의 알고리즘을 사용하였다. 하지만, 해당 방법은 평면 간의 변환, 즉 2차원의 변환을 해석하는 것으로 실제 기복이 있는 지형을 해석하기에는 한계가 존재한다.
영상 재배열시에 변환이후 해당하는 픽셀의 정보를 어느 픽셀에서 가져올 것인지 정해주어야 한다. 제안방법에서는 Bilinear 보간법을 적용하여 영상의 재배열을 수행하였다. Fig.
따라서, 제안방법에서는 효과적인 특징점 추출을 위해 영상을 8 bit 영상으로 변환 후 밝기 값의 히스토그램을 정규화한 뒤 특징점 추출을 진행하였다. 제안방법에서는 특징점 추출을 위해 ORB 알고리즘을 채택하였다. ORB 알고리즘에서의 특징점 추출은 기존 방향에 대한 특징점 탐지에 취약한 FAST알고리즘을 보완한 o-FAST 알고리즘을 사용한다.
9). 특징점 추출과 매칭은 ORB알고리즘을 사용하였고 최대 특징점 추출 개수를 30,000개로 설정하여 실험을 진행하였다. 본 실험에서 Reduce Ratio는 비교적 고해상도 영상인 KOMPSAT-3A영상 사이즈 축소 시 적용되는 비율이다.

성능/효과

7배 이상 소요되었다. 결과적으로 ORB 알고리즘이 타 알고리즘과 비교하였을 때 우수한 성능을 보이는 것을 확인하였고 ORB 알고리즘을 제안방법의 특징점 매칭 알고리즘으로 선택하였다.
성능검증은 기준영상과 변환된 영상을 중첩하여 정합결과를 육안으로 판독하는 정성적평가와, 검사점을 선정하고 제안방법을 통해 산출된 모델을 검사점에 적용하여 위치 정확도를 산출하는 정량적 평가로 나누어서 수행하였다. 결과적으로, 제안방법을 통해 위성영상 간의 상대적인 위치오차를 효과적으로 보정할 수 있음을 확인하였다.
Ratio 1인 경우에는 사이즈 축소를 하지 않고 원본 영상을 대상으로 실험함을 의미한다. 따라서 GSD가 유사하도록 해주는 Reduce Ratio는 저해상도 GSD를 고해상도 GSD만큼 나눠준 값으로, KOMPSAT-3A과 RapidEye (두 영상 모두 Blue band 영상 사용)의 경우에는 약 0.3385의 값을 갖는다. 실험결과 모든 데이터셋에 대해서, GSD가 유사해질수록 정상점 추정의 개수가 증가하는 것을 확인하였다.
영상의 특징점 추출은 모든 화소에 대해 반복적으로 수행되기 때문에 영상의 크기가 커짐에 따라 처리시간 또한 증가한다는 단점이 존재한다. 따라서 영상정합의 처리속도를 향상시키기 위해 영상 간의 중첩영역을 계산하여 특징점 추출에 수행되는 영역을 최소화하였다. 이 때 영상 중첩영역은 위성영상의 초기 기하정보를 사용하였다.
이때, 두 위성영상간의 공간해상도가 유사하도록 영상의 사이즈 조정을 통해 원본 해상도 대비 다수의 정상점을 확보할 수 있었다. 또한, 영역 분할 매칭 기법을 적용하였고, 이를 통해 brute-force 매칭 대비 처리시간을 약 3배 감소시켰고, 정상점을 추가로 확보할 수 있었다. 정합된 영상의 재투영오차는 2픽셀 이내 값을 보였고, 결과적으로 제안방법을 통해 이종해상도를 가지는 위성영상 간의 상대적인 위치오차를 자동화된 방법으로 보정할 수 있음을 확인하였다.
3385의 값을 갖는다. 실험결과 모든 데이터셋에 대해서, GSD가 유사해질수록 정상점 추정의 개수가 증가하는 것을 확인하였다.
000개로 설정하였다. 실험결과 모든 데이터에 대하여 변환모델을 추정하기 위한 충분한 정상점이 추출되었다. 최종적으로 영상정합을 통해 만들어진 영상의 상대적인 위치 정확도는 RapidEye 해상도를 기준으로 평균 1.
11은 영역분할 매칭기법을 적용한 결과를 보여준다. 실험결과, 영역분할 매칭 기법이 Brute-force 매칭 기법 대비 다수의 오매칭점이 제거된 초기 결과를 보였고, 최종적으로 빠른 처리시간으로 더 많은 정상점을 확보하였다.
이후 도로나 건물같이 경계를 식별할 수 있는 부분을 확대하여 정합성능을 가시적으로 확인하였다. 영상정합이 되지 않은 원본영상은 위치오차로 인해 동일 객체의 부정합이 발생하는 현상이 존재하였고, 제안한 영상정합 방법을 적용한 결과 이러한 현상을 해결할 수 있음을 확인하였다.
또한, 영역 분할 매칭 기법을 적용하였고, 이를 통해 brute-force 매칭 대비 처리시간을 약 3배 감소시켰고, 정상점을 추가로 확보할 수 있었다. 정합된 영상의 재투영오차는 2픽셀 이내 값을 보였고, 결과적으로 제안방법을 통해 이종해상도를 가지는 위성영상 간의 상대적인 위치오차를 자동화된 방법으로 보정할 수 있음을 확인하였다.
실험결과 모든 데이터에 대하여 변환모델을 추정하기 위한 충분한 정상점이 추출되었다. 최종적으로 영상정합을 통해 만들어진 영상의 상대적인 위치 정확도는 RapidEye 해상도를 기준으로 평균 1.506, 최소 1.277, 최대 1.608 픽셀의 위치 오차를 보였다.

후속연구

하지만, 해당 방법은 평면 간의 변환, 즉 2차원의 변환을 해석하는 것으로 실제 기복이 있는 지형을 해석하기에는 한계가 존재한다. 때문에 후속 연구에서는 위성영상의 다양한 촬영 자세에 따라 생기는 오차를 고려한 영상정합 절차가 필요하다.

참고문헌 (15)

Chang, X., S. Du, Y. Li, and S. Fang, 2018. A coarse-to-fine geometric scale-invariant feature transform for large size high resolution satellite image registration, Sensors, 18(5): 1360. https://doi.org/10.3390/s18051360

상세보기
Dubrofsky, E., 2009. Homography estimation, The University of British Columbia, Kelowna, BC, Canada.
Han, D.Y., D.S. Kim, J.B. Lee, J.H. Oh, and Y.I. Kim, 2006. Automatic image-to-image registration of middle-and-low-resolution satellite images using Scale-Invariant-Feature-Transform technique, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 24(5): 409-416 (in Korean with English abstract).
Han, Y., 2013. Automatic image-to-image registration between high-resolution multisensory satellite data in urban areas, Seoul National University, Seoul, Korea (in Korean).
Jeon, Y.M., H.G. Ji, M.S. Seo, M.S. Pyo, and Y.S. Bae, 2019. A study on the FAST, BRIEF, ORB features of image in the field of surface detect inspection, Proc. of the Korean Society of Computer Information Conference, Gumi, Korea, Jan. 17-19, vol. 27, pp. 399-402.
Jeong, J., 2015. Comparison of single-sensor stereo model and dual-sensor stereo model with high-resolution satellite imagery, Korean Journal of Remote Sensing, 31(5): 421-432 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.5.6

원문보기 상세보기
Lee, K.D. and J.S. Yoon, 2019. GCP chip automatic extraction of satellite imagery using interest point in North Koran, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 37(4): 211-218 (in Korean with English abstract). https://doi.org/10.7848/ksgpc.2019.37.4.211

원문보기 상세보기
Lowe, D.G., 2004. Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60(2): 91-110. https://doi.org/10.1023/B:VISI.0000029664.99615.94

상세보기
Park, H.J., J.H. Son, H.S. Jung, K.E. Kweon, K.D. Lee, and T. Kim, 2020. Development of the precision image processing system for CAS-500, Korean Journal of Remote Sensing, 36(5-2): 881-891 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.2.3

원문보기 상세보기
Rublee, E., V. Rabaud, K. Konolige, and G. Bradski, 2011. ORB: An efficient alternative to SIFT or SURF, Proc. of 2011 International Conference on Computer Vision, Barcelona, Spain, Nov. 6-11, vol. 20, pp. 2564-2571. https://doi.org/10.1109/ICCV.2011.6126544
Shin, J.I., W.S. Yoon, H.J. Park, K.Y. Oh, and T.J. Kim, 2018. A method to improve matching success rate between KOMPSAT-3A imagery and aerial ortho-images, Korean Journal of Remote Sensing, 34(6-1): 893-903 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.1.5

원문보기 상세보기
Sohn. J.G., E.M. Kim, Y.S. Song, and J.H. Park, 2004. Accuracy analysis of interest point operator for image matching, Proc. of Korean Society of Civil Engineers, Pyeongchang, Korea, Oct. 21-22, vol. 10, pp. 4403-4406 (in Korean).
Vijayan, V. and K. Pushpalatha, 2019. FLANN based matching with SIFT descriptors for drowsy features extraction, Proc. of International Conference on Image Information Processing, Shimla, India, Nov. 15-17, pp. 600-605. https://doi.org/10.1109/ICIIP47207.2019.8985924
Yeom, J.H., Y.K. Han, and Y.I. Kim, 2013. Analysis of shadow effect on high resolution satellite image matching in urban area, Journal of Korean Society for Geospatial Information Science, 21(2): 93-98 (in Korean with English abstract). https://doi.org/10.7319/kogsis.2013.21.2.093

원문보기 상세보기
Zitova, B. and J. Flusser, 2003. Image registration methods: a survey, Image and Vision Computing, 21(11): 977-1000. https://doi.org/10.1016/S0262-8856(03)00137-9

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