[논문]객체 서브 클래스 분류 융합과 정규식생지수를 이용한 도심지역 객체 분류

예철수

doi:10.7780/kjrs.2023.39.2.8

객체 서브 클래스 분류 융합과 정규식생지수를 이용한 도심지역 객체 분류
Urban Object Classification Using Object Subclass Classification Fusion and Normalized Difference Vegetation Index 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.2, 2023년, pp.223 - 232

초록
AI-Helper

고해상도의 위성 영상을 이용하여 지표를 모니터링하기 위한 방법으로 분석 대상 객체의 색상을 이용하여 영상을 분류하는 방법이 널리 사용된다. 고해상도 위성영상에서는 도심 지역의 경우 건물, 도로 등과 같은 주요 객체들 이외에도 수목 등과 같은 식생 객체들도 빈번하게 나타난다. 도심 지역에 나타나는 식생 객체들의 색상은 건물, 도로, 그림자 등의 객체와 유사한 경우가 많으며, 이는 색상 정보에 기초하여 객체를 분류할 경우에 분류 성능이 저하되는 요인이 된다. 본 연구에서는 건물 등과 같은 다양한 색상을 가지는 객체뿐만 아니라 식생 객체도 정확하게 분류할 수 있는 기법을 제안한다. 제안하는 방법은 식생 객체 검출에 유용한 정규식생지수 영상을 RGB 영상과 함께 사용하고 객체 클래스를 서브 클래스로 세분화하여 분류한다. 서브 클래스 분류 결과를 융합한 후에 영상 분할 결과와 결합하여 최종 분류 결과를 생성한다. 차세대중형위성1호 영상을 이용한 실험에서 정규식생지수를 사용하지 않은 서브채널 분류 기법과 서브클래스 분류 기법의 overall accuracy가 각각 73.18%, 81.79%의 결과를 보인 반면, 정규식생지수와 서브클래스 분류를 함께 적용하여 제안한 방법은 overall accuracy가 87.42%의 우수한 성능을 보였다.

Abstract ▼ AI-Helper

A widely used method for monitoring land cover using high-resolution satellite images is to classify the images based on the colors of the objects of interest. In urban areas, not only major objects such as buildings and roads but also vegetation such as trees frequently appear in high-resolution satellite images. However, the colors of vegetation objects often resemble those of other objects such as buildings, roads, and shadows, making it difficult to accurately classify objects based solely on color information. In this study, we propose a method that can accurately classify not only objects with various colors such as buildings but also vegetation objects. The proposed method uses the normalized difference vegetation index (NDVI) image, which is useful for detecting vegetation objects, along with the RGB image and classifies objects into subclasses. The subclass classification results are fused, and the final classification result is generated by combining them with the image segmentation results. In experiments using Compact Advanced Satellite 500-1 imagery, the proposed method, which applies the NDVI and subclass classification together, showed an overall accuracy of 87.42%, while the overall accuracy of the subchannel classification technique without using the NDVI and the subclass classification technique alone were 73.18% and 81.79%, respectively.

주제어

표/그림 (16)

그림 Fig. 1. An example of color separation of objects appearing in adjacent hue subchannel images of the Compact Advanced Satellite 500-1. (a) The RGB image. (b) Subchannel-1 image. (c) Subchannel-2 image. (d) Subchannel-3 image. In the case of the vegetation within the yellow dotted line, even though it is the same object, the color is distributed in two subchannel images, making it difficult to identify visually.
그림 Fig. 2. Overall flowchart of proposed classification technique using fusion of subclass classification results.
그림 Fig. 3. The process of subclass classification and combination. Sampling is performed for each subclass, and subclass classification is performed. The final classification result is generated by combining each subclass into its parent class.
그림 Fig. 4. A Compact Advanced Satellite 500-1 image used in the experiment (taken on June 2, 2022, Noksan District Industrial Complex in Busan, Korea). (a) The RGB image. (b) The zoomed-in image of area A. (c) The zoomed-in image of area B. (d) The normalized difference vegetation index image.
그림 Fig. 5. Examples of hue subchannel images. (a) Subchannel- 1 image. (b) Subchannel-2 image. (c) Subchannel- 4 image. (d) Subchannel-6 image. While building rooftops show uniform brightness values, other objects such as roads exhibit slightly larger variations in brightness values in some areas of the subchannels compared to buildings.
표 Table 1. Summary of the number of subchannels, basic bands, and application of NDVI for each classification method
그림 Fig. 7. Classification results of the S6_NDVI classification method using 6 subchannels and NDVI image. (a) Before applying image segmentation. (b) After applying image segmentation.
표 Table 2. Summary of defined class types, number of subclasses, and number of extracted samples in the classification methods using 6 subchannels
표 Table 3. Summary of defined class types, number of subclasses, and number of extracted samples in the classification methods without subchannel configuration
표 Fig. 6. Classification results of the S6_NIR classification method using 6 subchannels and NIR band. (a) Before applying image segmentation. (b) After applying image segmentation.
그림 Fig. 8. Classification results of the S0_NIR classification method (without subchannel configuration and using NIR band). (a) Before applying image segmentation. (b) After applying image segmentation.
그림 Fig. 9. Classification results of the S0_NDVI classification method (without subchannel configuration and using NDVI image). (a) Before applying image segmentation. (b) After applying image segmentation.
표 Table 4. Accuracy assessment of the S6_NIR classification method using 6 subchannels and NIR band
표 Table 5. Accuracy assessment of the S6_NDVI classification method using 6 subchannels and NDVI image
표 Table 6. Accuracy assessment of the S0_NIR classification method (without subchannel configuration and using NIR band)
표 Table 7. Accuracy assessment of the S0_NDVI classification method (without subchannel configuration and using NDVI image)

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 도심 지역의 객체들이 가지는 다양한 컬러 정보를 색상 서브채널로 분할하지 않고 원영상에서 객체의 클래스와 서브 클래스를 정의하고 식생 객체 검출에 용이한 정규식생지수(normalized difference vegetation index, NDVI)를 입력으로 사용하는 도심 지역 객체 분류 기법을 제안한다. 제안한 방법의 성능 평가를 위해서 NDVI를 사용하지 않는 방법과 서브채널을 사용하는 방법과의 성능 비교를 각각 수행하였다.
본 논문에서는 도심 지역의 고해상도 위성영상에서 다양한 색상을 가지는 건물 객체를 포함하여 도로 및 식생 객체를 분류하는 방법을 제안하였다. 제안한 분류 방법은 식생 객체 검출에 유용한 NDVI 영상을 RGB 영상과 함께 사용하여 객체 클래스를 서브클래스로 세분화하여 분류한다.
본 논문은 다양한 색상을 가지는 도심 지역 객체를 기존의 서브채널 분할 과정 없이 원영상에서 직접 객체 클래스와 서브클래스를 정의하고 추가적으로 NDVI 영상을 사용하여 식생 객체의 분류 정확도를 향상시키는 분류 방법을 제안한 데 의의가 있다. 분류하고자 하는 객체들에 대한 데이터의 사전 확보와 학습이 필요한 딥러닝 기반의 기법에 비해서 제안한 방법은 영상에 존재하는 객체의 종류에 따라 사용자가 객체 클래스 유형과 각 클래스의 서브 클래스 유형을 자유롭게 정의할 수 있는 장점이 있다.

제안 방법

Fig. 2는 본 논문에서 제안하는 분류 방법으로 다양한 색상의 객체가 존재하는 도심 지역의 특성을 고려하여 주요 객체에 대한 클래스 및 서브 클래스를 정의하고 입력 영상으로 RGB 영상 외에 NDVI 영상을 입력으로 사용한다. NDVI는 근적외선(near-infra red, NIR) 밴드와 Red 밴드를 이용하여 식(1)과 같이 계산된다.
서브클래스 분류 결과를 융합하는 방법은 Fig. 3과 같이 각 화소를 서브클래스로 분류하는 과정에서 각 화소에 할당되는 기본클래스와 서브클래스 정보를 별도의 기억 공간에 저장한 후에 서브클래스 분류를 모두 마친 후에 각 화소에 할당된 서브클래스를 기본클래스로 변환하는 방식으로 진행된다. Fig.
HSV의 색상 채널은 0부터 359도 사이의 각도를 기준으로 색상이 표현되며, 본 논문에서는 동일한 객체에 속하는 화소들이 인접한 서브채널로 과도하게 분할되지 않도록 실험 영상의 색상 분포를 고려하여 60도 간격으로 총 6개의 서브채널로 분할하였다. Fig.
Table 1은 실험에서 서브채널 적용 여부와 분류 단계에서 RGB 기본 밴드 이외에 추가로 NIR 영상 또는 NDVI 영상 사용 유무에 따라 총 네 가지 분류 방법에 대한 요약이다. 네 가지 분류 방법 모두 객체 서브클래스 분류 및 융합 방법은 공통적으로 적용하였다. 첫 번째 S6_NIR 분류 방법은 6개 서브채널을 이용하고 RGB를 기본 밴드로 사용하고 NIR 밴드를 네 번째 밴드로 추가한 방법이다.
두 번째 S6_NDVI 방법은 S6_NIR 방법에서 네 번째 밴드로 NDVI 영상을 추가한 방법이고, 세 번째 S0_NIR 방법은 서브채널을 구성하지 않고 RGB 밴드와 NIR 밴드를 이용한 방법이다. 네 번째 방법은 본 연구에서 제안하는 방법으로 서브채널을 구성하지 않고 기본 밴드로 RGB 밴드를 사용하고 네 번째 밴드로 NDVI 영상을 추가한 방법이다.
NIR 밴드와 Red 밴드를 이용하여 계산되는 NDVI는 식생 객체의 검출에 널리 사용되는 지수이며, 본 연구에서는 RGB 영상과 함께 분류 시스템의 입력으로 사용된다. 다양한 색상 정보를 가지는 객체의 분류를 위해서 RGB 영상을 사용하고 식생 객체의 검출을 고려하여 NIR 밴드 정보가 간접적으로 포함되고 식생 검출에 용이한 NDVI 영상 정보를 입력으로 사용한다.
5(d)와 같이 색상 서브채널 순서상 서로 인접한 경우에는 도로 객체와 관련된 화소들이 두 서브채널에 모두 분포되기 때문에 객체 샘플의 추출과 분류에서 성능 저하가 발생할 가능성이 있다. 이러한 성능 저하의 가능성을 고려하여 제안한 방법은 별도의 서브채널을 구성하지 않고 보조자료로 NDVI 영상을 활용하는 분류 방법을 제안하였다.
본 논문에서는 도심 지역의 고해상도 위성영상에서 다양한 색상을 가지는 건물 객체를 포함하여 도로 및 식생 객체를 분류하는 방법을 제안하였다. 제안한 분류 방법은 식생 객체 검출에 유용한 NDVI 영상을 RGB 영상과 함께 사용하여 객체 클래스를 서브클래스로 세분화하여 분류한다. 제안한 분류 방법은 RGB 영상에 대한 서브채널 분할 과정 없이 RGB 영상에서 직접 객체 클래스와 서브클래스를 정의하고 서브클래스 별로 샘플을 추출하는 방식으로 서브채널 분류 방법에 비해 사용자의 샘플 추출의 부담을 줄일 수 있었다.

대상 데이터

본 논문에서 사용된 실험 영상은 Fig. 4와 같이 부산 녹산국가산업단지의 일부 지역을 차세대중형위성1호로 촬영한 영상으로 다양한 색상의 건물들이 존재하고 도로 주변에 다수의 수목이 작은 규모로 분포한다.
전체 6개 서브채널에서 정의한 서브클래스의 수는 31개, 서브클래스를 대표하는 샘플 추출 회수는 39회이다. 샘플 크기가 상대적으로 작은 식생 클래스가 포함된 2번, 3번 서브채널에서 식생 서브 클래스의 샘플을 각각 4개, 5개 추출한 경우와 1번 서브 채널에서 도로 서브클래스의 샘플을 2개 추출한 경우를 제외하고는 서브클래스 별로 1개의 샘플을 추출하였다. ENVI Feature Extraction과 같은 객체 기반의 상용 소프트웨어에서 클래스별 권장하는 샘플의 개수가 20여개 이상인 점을 고려하면 Table 2에 제시한 서브클래스별 추출한 샘플의 개수는 매우 적어서 사용자의 샘플 추출 수작업 부담이 크게 감소하였다.
Table 3은 서브채널을 구성하지 않고 RGB 밴드를 기본 밴드로 이용하고 4번째 밴드로 NIR 밴드 또는 NDVI 영상을 이용한 분류 방법(S0_NIR 및 S0_NDVI)에서 정의된 클래스 유형, 서브클래스 개수, 추출한 샘플의 개수를 보여준다. 서브클래스의 개수는 11개, 서브클래스를 대표하는 샘플 추출 회수는 27회를 적용하였다. Table 2의 6개 서브채널을 이용한 경우의 서브클래스 수와 추출한 샘플 수의 각각 35.

데이터처리

본 논문에서는 도심 지역의 객체들이 가지는 다양한 컬러 정보를 색상 서브채널로 분할하지 않고 원영상에서 객체의 클래스와 서브 클래스를 정의하고 식생 객체 검출에 용이한 정규식생지수(normalized difference vegetation index, NDVI)를 입력으로 사용하는 도심 지역 객체 분류 기법을 제안한다. 제안한 방법의 성능 평가를 위해서 NDVI를 사용하지 않는 방법과 서브채널을 사용하는 방법과의 성능 비교를 각각 수행하였다.

이론/모형

정의된 서브클래스를 이용하여 감독 기반의 분류를 수행하기 앞서 먼저 영상 분할(image segmentation)을 통해 분할된 영역을 샘플로 삼아서 서브클래스 별로 대표성을 갖는 샘플을 추출한다. 각 서브클래스의 샘플로 추출된 영역들의 밝기값을 이용하여 최소 거리 기반 분류(minimum distance-based classification)를 수행한다.

성능/효과

샘플 크기가 상대적으로 작은 식생 클래스가 포함된 2번, 3번 서브채널에서 식생 서브 클래스의 샘플을 각각 4개, 5개 추출한 경우와 1번 서브 채널에서 도로 서브클래스의 샘플을 2개 추출한 경우를 제외하고는 서브클래스 별로 1개의 샘플을 추출하였다. ENVI Feature Extraction과 같은 객체 기반의 상용 소프트웨어에서 클래스별 권장하는 샘플의 개수가 20여개 이상인 점을 고려하면 Table 2에 제시한 서브클래스별 추출한 샘플의 개수는 매우 적어서 사용자의 샘플 추출 수작업 부담이 크게 감소하였다.
47%의 정확도를 보여 S0_NIR 방법보다 분류 정확도가 더욱 향상되었다. S0_NDVI 방법과 S0_NIR 방법은 건물 및 도로 객체 클래스의 생산자 정확도가 모두 비슷한 결과를 보였으며, 식생 객체 클래스의 생산자 정확도의 경우 S0_NIR 방법은 37.78%, S0_NDVI 방법은 크게 향상되어 73.33%가 얻어졌다.
Table 6과Table 7은S0_NIR방법과제안하는S0_NDVI 방법에 대한 정확도 평가 결과를 보여준다. S0_NIR 방법은 overall accuracy가 81.79%, kappa coefficient는 67.15%의 정확도를 보여 앞서 소개한 서브 채널을 이용한 두 방법보다 overall accuracy와 kappa coefficient가 크게 향상되었다. 제안한 S0_NDVI 방법의 경우 overall accuracy가 87.
Table 4와 Table 5는 S6_NIR 방법과 S6_NDVI 방법에 대한 정확도 평가 결과를 보여준다. S6_NIR 방법은 overall accuracy는 73.18%, kappa coefficient는 53.66%인 반면에 S6_NDVI 방법은 이보다 다소 높아 overall accuracy는 76.16%, kappa coefficient는 55.56%의 결과를 보였다. 특히 S6_NDVI 방법은 S6_NIR 방법보다 건물 객체 클래스의 생산자 정확도는 더 높고 도로 객체 클래스의 생산자 정확도는 더 낮은 결과를 보였다.
이 단계에서 숫자로 표기된 서브클래스 라벨 정보는 서브클래스가 속하는 클래스로 치환되며 L(A, 1)는 L(A, A)로 변환된다. 결과적으로 서브클래스 라벨이 할당된 화소는 모두 기본클래스 라벨로 변환된다.
특히 객체 서브클래스 분류 및 융합 방법과 함께 추가적으로 NDVI 영상을 사용한 S0_NDVI 방법의 경우 식생 객체의 생산자 정확도는 보다 향상된 결과를 보였다. 또한 식생과 건물 객체 클래스의 생산자 정확도는 4가지 방법 모두 높은 정확도를 보였으며 도로 객체 클래스의 경우 서브채널을 사용하지 않은 경우와 NDVI 영상을 사용한 경우가 그렇지 않은 경우보다 각각 상대적으로 높은 생산자 정확도를 보였다.
제안한 분류 방법은 RGB 영상에 대한 서브채널 분할 과정 없이 RGB 영상에서 직접 객체 클래스와 서브클래스를 정의하고 서브클래스 별로 샘플을 추출하는 방식으로 서브채널 분류 방법에 비해 사용자의 샘플 추출의 부담을 줄일 수 있었다. 분류에 사용되는 샘플의 개수는 줄어든 반면에 분류 정확도는 보다 향상된 결과를 얻었다.
본 논문은 다양한 색상을 가지는 도심 지역 객체를 기존의 서브채널 분할 과정 없이 원영상에서 직접 객체 클래스와 서브클래스를 정의하고 추가적으로 NDVI 영상을 사용하여 식생 객체의 분류 정확도를 향상시키는 분류 방법을 제안한 데 의의가 있다. 분류하고자 하는 객체들에 대한 데이터의 사전 확보와 학습이 필요한 딥러닝 기반의 기법에 비해서 제안한 방법은 영상에 존재하는 객체의 종류에 따라 사용자가 객체 클래스 유형과 각 클래스의 서브 클래스 유형을 자유롭게 정의할 수 있는 장점이 있다.
서브채널 사용 여부와 NDVI 영상 이용 여부에 따른 4가지 분류 방법의 분류 결과를 비교해 볼 때, 객체 서브 클래스 분류 및 융합 방법을 적용하면 서브채널을 사용하지 않는 방법에 비해서 건물, 도로, 식생의 모든 객체 클래스의 생산자 정확도가 향상된 결과를 보였다. 특히 객체 서브클래스 분류 및 융합 방법과 함께 추가적으로 NDVI 영상을 사용한 S0_NDVI 방법의 경우 식생 객체의 생산자 정확도는 보다 향상된 결과를 보였다.
56%에 비해서도 높은 정확도를 보였다. 서브클래스로 세분화하고 RGB 영상과 함께 NDVI 영상을 사용 하지 않고 NIR 밴드를 사용한 방법의 overall accuracy 81.79%와 kappa coefficient 67.15%에 비해서도 높은 정확도를 보였다. 특히 제안한 방법은 NDVI 영상을 사용하여 식생 객체 클래스의 생산자 정확도를 크게 향상시키는 결과를 확인할 수 있었다.
47%의 정확도를 보였다. 이는 서브채널 방식을 적용하고 입력 영상으로 NIR 밴드를 사용한 방법의 overall accuracy 73.18%와 kappa coefficient 53.66%에 비해 높은 정확도이며, 서브채널 방식을 적용하고 입력 영상으로 NDVI 영상을 이용한 방법의 overall accuracy 76.16%, kappa coefficient 55.56%에 비해서도 높은 정확도를 보였다. 서브클래스로 세분화하고 RGB 영상과 함께 NDVI 영상을 사용 하지 않고 NIR 밴드를 사용한 방법의 overall accuracy 81.
15%의 정확도를 보여 앞서 소개한 서브 채널을 이용한 두 방법보다 overall accuracy와 kappa coefficient가 크게 향상되었다. 제안한 S0_NDVI 방법의 경우 overall accuracy가 87.42%, kappa coefficient는 77.47%의 정확도를 보여 S0_NIR 방법보다 분류 정확도가 더욱 향상되었다. S0_NDVI 방법과 S0_NIR 방법은 건물 및 도로 객체 클래스의 생산자 정확도가 모두 비슷한 결과를 보였으며, 식생 객체 클래스의 생산자 정확도의 경우 S0_NIR 방법은 37.
제안한 방법으로 실험 영상을 분류한 결과 overall accuracy가 87.42%, kappa coefficient는 77.47%의 정확도를 보였다. 이는 서브채널 방식을 적용하고 입력 영상으로 NIR 밴드를 사용한 방법의 overall accuracy 73.
제안한 분류 방법은 식생 객체 검출에 유용한 NDVI 영상을 RGB 영상과 함께 사용하여 객체 클래스를 서브클래스로 세분화하여 분류한다. 제안한 분류 방법은 RGB 영상에 대한 서브채널 분할 과정 없이 RGB 영상에서 직접 객체 클래스와 서브클래스를 정의하고 서브클래스 별로 샘플을 추출하는 방식으로 서브채널 분류 방법에 비해 사용자의 샘플 추출의 부담을 줄일 수 있었다. 분류에 사용되는 샘플의 개수는 줄어든 반면에 분류 정확도는 보다 향상된 결과를 얻었다.
56%의 결과를 보였다. 특히 S6_NDVI 방법은 S6_NIR 방법보다 건물 객체 클래스의 생산자 정확도는 더 높고 도로 객체 클래스의 생산자 정확도는 더 낮은 결과를 보였다. 반면에 식생 객체 클래스의 경우 두 방법 모두 낮은 생산자 정확도를 보였다.
서브채널 사용 여부와 NDVI 영상 이용 여부에 따른 4가지 분류 방법의 분류 결과를 비교해 볼 때, 객체 서브 클래스 분류 및 융합 방법을 적용하면 서브채널을 사용하지 않는 방법에 비해서 건물, 도로, 식생의 모든 객체 클래스의 생산자 정확도가 향상된 결과를 보였다. 특히 객체 서브클래스 분류 및 융합 방법과 함께 추가적으로 NDVI 영상을 사용한 S0_NDVI 방법의 경우 식생 객체의 생산자 정확도는 보다 향상된 결과를 보였다. 또한 식생과 건물 객체 클래스의 생산자 정확도는 4가지 방법 모두 높은 정확도를 보였으며 도로 객체 클래스의 경우 서브채널을 사용하지 않은 경우와 NDVI 영상을 사용한 경우가 그렇지 않은 경우보다 각각 상대적으로 높은 생산자 정확도를 보였다.
15%에 비해서도 높은 정확도를 보였다. 특히 제안한 방법은 NDVI 영상을 사용하여 식생 객체 클래스의 생산자 정확도를 크게 향상시키는 결과를 확인할 수 있었다.

후속연구

향후에는 건물 객체에 비해 사용자 정확도가 상대적으로 낮은 도로 객체의 분류 정확도 향상에 대한 연구와 함께 건물, 도로, 식생 객체 클래스의 유형 이외에 수계, 그림자 등으로 객체 클래스의 범주를 확장한 연구가 필요하다.

참고문헌 (11)

Blaschke, T., 2010. Object based image analysis for remote？sensing. ISPRS Journal of Photogrammetry and？Remote Sensing, 65(1), 2-16. https://doi.org/10.1016/j.isprsjprs.2009.06.004

상세보기
Blaschke, T., Hay, G. J., Kelly, M., Lang, S., Hofmann,？P., Addink, E. et al., 2014. Geographic object-based image analysis towards a new paradigm.？ISPRS Journal of Photogrammetry and Remote？Sensing, 87, 180-191. https://doi.org/10.1016/j.isprsjprs.2013.09.014

상세보기
Chavolla, E., Zaldivar, D., Cuevas, E., and Perez, M. A., 2018. Color spaces advantages and disadvantages in？image color clustering segmentation. In: Hassanien,？A., Oliva, D. (eds.), Advances in soft computing？and machine learning in image processing,？Springer, pp. 3-22. https://doi.org/10.1007/978-3-319-63754-9_1
Kucharczyk, M., Hay, G. J., Ghaffarian, S., and Hugenholtz,？C. H., 2020. Geographic object-based image？analysis: a primer and future directions. Remote？Sensing, 12(12), 2012. https://doi.org/10.3390/rs12122012

상세보기
Magpantay, A. T., Adao, R. T., Bombasi, J. L., Lagman,？A. C., Malasaga, E. V., and Ye, C. S., 2019.？Analysis on the effect of spectral index images on？improvement of classification accuracy of Landsat8 OLI image. Korean Journal of Remote Sensing,？35(4), 561-571. https://doi.org/10.7780/KJRS.2019.35.4.6

원문보기 상세보기
Seong, S. and Choi, J., 2021. Semantic segmentation of？urban buildings using a high-resolution network？(HRNet) with channel and spatial attention gates.？Remote Sensing, 13(16), 3087. https://doi.org/10.3390/rs13163087

상세보기
Wang, H. and Fang, M., 2022. Building extraction from？remote sensing images using deep residual U-Net. European Journal of Remote Sensing, 55(1),？71-85. https://doi.org/10.1080/22797254.2021.2018944

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. https://doi.org/10.7780/KJRS.2020.36.1.5

원문보기 상세보기
Ye, C. S., 2021. Object-based image classification by？integrating multiple classes in hue channel images.？Korean Journal of Remote Sensing, 37(6-3),？2011-2025. https://doi.org/10.7780/KJRS.2021.37.6.3.9

원문보기 상세보기
Ye, C. S., Ahn, Y. M., Baek, T. W., and Kim, K. T., 2022. Semantic building segmentation using the？combination of improved DeepResUNet and？convolutional block attention module. Korean？Journal of Remote Sensing, 38(6-1), 1091-1100.？https://doi.org/10.7780/KJRS.2022.38.6.1.10

원문보기 상세보기
Zha, Y., Gao J. M., and Ni, S., 2003. Use of normalized？difference built-up index in automatically mapping？urban areas from TM imagery. International？Journal of Remote Sensing, 24(3), 583-594.？https://doi.org/10.1080/01431160304987

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