초록 ▼

Ⅳ. 연구개발결과
▣ 그레디언트 행렬 고유치의 기하 평균을 이용한 특징점 검출
동일 대상에 대한 두 영상의 등록을 위해서는 두 영상에 공통적으로 존재하는 특징점을 검출하고 검출된 특징점 간의 대응관계를 찾는 과정이 필수적이다. 본 연구에서는 화소의 밝기 변화를 측정할 수 있는 그레디언트 행렬의 고유치 기하평균에 기반한 새로운특징점 검출기를 제안한다. 제안하는 특징점 검출기는 그레디언트 행렬의 두 고유치의 기하평균 크기에 비례하고 기하 평균 크기가 동일한 경유 두 고유치의 상대적인 차이에 비례하여 가변적으로 변하는 특성을

Ⅳ. 연구개발결과
▣ 그레디언트 행렬 고유치의 기하 평균을 이용한 특징점 검출
동일 대상에 대한 두 영상의 등록을 위해서는 두 영상에 공통적으로 존재하는 특징점을 검출하고 검출된 특징점 간의 대응관계를 찾는 과정이 필수적이다. 본 연구에서는 화소의 밝기 변화를 측정할 수 있는 그레디언트 행렬의 고유치 기하평균에 기반한 새로운특징점 검출기를 제안한다. 제안하는 특징점 검출기는 그레디언트 행렬의 두 고유치의 기하평균 크기에 비례하고 기하 평균 크기가 동일한 경유 두 고유치의 상대적인 차이에 비례하여 가변적으로 변하는 특성을 가진다. 제안한 특징점 검출기의 성능 평가를 위해 다양한 종류의 코너가 존재하는 합성 영상과 항공 영상을 기준 영상으로 사용하여 코너검출의 위치 오차를 분석하였다. 제안한 검출기의 위치 오차는 Gaussian smoothing scale 조건하에서 대표적인 코너 검출기인 Harris detector의 위치 오차보다 작은 결과가 얻어졌다.
▣ 이상치 제거와 삼각망 기반의 지역 변환을 이용한 영상 등록
본 연구에서는 정합된 특징점 가운데 과대 오차를 포함한 정합점을 제거한 후에 삼각망 기반 지역 변환(Triangulation-based Local Transformation, TLT)을 이용한 영상등록 방법을 제안한다. 기하 평균 기반의 코너 검출기를 통해 검출된 코너점에 대해 Pearson’s correlation coefficient를 이용한 코너 정합을 수행하고 임계값 이상의 유사도를 가지는 코너 가운데 좌우 일관성 검사(Left-Right Consistency, LRC) 를 통과한 코너를 1차 정합쌍으로 선정한다. 1차 정합쌍 가운데 RANSAC 기반 글로벌 변환(RANSAC-based Global Transformation, RGT) 오차가 이상치 임계값보다 작은 정합쌍을 최종 정합쌍으로 결정한다. 최종 정합쌍 코너를 이용해서 기준 영상과 관측 영상에서 Delaunay Triangulated Irregular Networks(TINs)을 각각 구성한 후에 서로 대응되는 각 삼각형마다 어파인 변환을 수행하고 각 삼각형 내부의 모든 화소들을 기준 영상 좌표로 변환한다. 제안한 알고리즘을 KOMPSAT-2 영상에 적용하여 RANSAC 기반 글로벌 변환보다 우수한 영상 등록 성능을 보임을 확인하였다.
▣ 분광 특징 영상을 이용한 홍수 피해 지역 검출 및 면적 추출
홍수 재해 전후의 수계 지역 검출을 위해 NDWI 이외에 NIR로 이루어진 분광 특징 영상을 이용하여 수계 지역을 검출하는 기법을 개발하였다. NDWI와 NIR 밴드의 화소로 구성된 특징 벡터와 수계 지역 훈련 집합 클래스와의 Mahalanobis distance를 계산하여 Mahalanobis distance가 임계값보다 작은 특징 벡터 화소를 수계 영역으로 분류하였다. 수계 지역의 경우 users accuracy 평균은 97.03%, producers accuracy 평균은97.02
%가 얻어졌고 overall accuracy 평균은 98.63%, kappa coefficient 평균은 96.05% 가 얻어져서 제안한 수계 검출 방법 성능의 우수함을 확인하였다. 또한 홍수 전후의 영상에 대해 수계 영역의 면적과 수계 영역 면적의 변화 정보를 성공적으로 추출하였다.
▣ Water body texture index를 이용한 SAR 영상의 수계 추출
본 연구에서는 수계 지역과 비수계 지역 사이의 후방 산란 차이를 증가시키고 실제 수계 지역을 넘어서 오분류된 화소를 효과적으로 제거하는 방법을 제안한다. Gray level co-occurrence matrix (GLCM)를 이용해서 엔트로피 영상을 생성한 후에 임계값을 적용해서 수계 지역과 비수계 지역으로 구분되는 이진 영상을 생성한다. 임계값의 영향을 감소시키기 위해서 Water Body Texture Index (WBTI)를 새롭게 고안해서 앞서 생성한 이진 영상에서 수계 지역 화소쌍의 발생 빈도와 수계 지역의 균일성을 동시에 측정한다. 제안한 방법은 Kompsat-5 영상에서 overall accuracy는 99.00%, Kappa coefficient는 90.38%의 분류 정확도를 보였으며 WBTI를 이용한 수계 지역 분류 방법이 임계값의 영향을 적게 받고 보다 넓은 임계값 범위에서 높은 분류 정확도를 가짐을 확인하였다.
▣ 레이더/레이더, 광학/레이더 영상을 이용한 수계 지역 변화 탐지
두 장의 레이더 영상에서 수계 지역 변화를 탐지 하기 위해서 기하평균 기반의 코너검출 방법과 이상치 제거와 삼각망 기반의 지역 변환을 이용한 영상 등록 방법을 적용한다. 광학 영상과 레이더 영상 간의 영상 등록을 위해서는 광학 영상에서 코너 특징점을찾고 이에 대응하는 레이더 영상의 특징점을 찾기 위해서 mutual information 기반의 유사도를 계산한다. 정합된 정합 코너 가운데 과도 오차 코너들은 제외하고 나머지 코너들을 이용하여 삼각망 기반의 로컬 변환을 수행한다. 영상 등록을 수행한 후에 두 시기의 추출된 수계 지역을 결합하여 변화 탐지 지도를 성공적으로 생성하였다.
▣ GLCM를 이용한 entropy image와 NDVI 분석을 통한 인공 지물 영역 분류 인공 지물을 포함한 광학 영상에서 GLCM을 이용하여 엔트로피 영상을 생성한 후에 인공 지물 영역과 그 밖의 영역을 초기 분류한다. 추출된 인공지물 영역에 대한 형태학적 연산 (morphological operation)을 수행하여 추출 성능을 향상시키고, NDVI를 이용하여 인공지물 영역 내부에 존재하는 식생 영역을 추가로 제거하여 인공 지물 분류 성능 향상시킨다. Random sampling 방법으로 획득한 400개 지점에 대해 인공지물 영역 분류의 정확도를 평가한 결과 overall accuracy는 98.25%, Kappa coefficient는 95.72%의 정확도가 얻어졌다.

Abstract ▼

Ⅳ. Research Results
▣ Feature Detection using Geometric Mean of Eigenvalues of Gradient Matrix
It is necessary to detect the feature points existing simultaneously in both images and then find the corresponding relationship between the detected feature points. We propose a new feature detector

Ⅳ. Research Results
▣ Feature Detection using Geometric Mean of Eigenvalues of Gradient Matrix
It is necessary to detect the feature points existing simultaneously in both images and then find the corresponding relationship between the detected feature points. We propose a new feature detector based on geometric mean of two eigenvalues of gradient matrix which is able to measure the change of pixel intensities. The corner response of the proposed detector is proportional to the geometric mean and also the difference of two eigenvalues in the case of same geometric mean. We analyzed the localization error of the feature detection using aerial image and artificial image with various types of corners. The localization error of the proposed detector was smaller than that of the typical corner detector, Harris detector.
▣ Image registration using outlier removal and triangulation-based local transformation
This study presents an image registration using triangulation-based local transformation(TLT) applied to the remaining matched points after elimination of the matched points with gross error. The corners extracted using geometric mean-based corner detector are matched using Pearson’s correlation coefficient and then accepted as initial matched points only when they satisfy the Left-Right Consistency(LRC) check. We finally accept the remaining matched points whose RANdom SAmple Consensus(RANSAC)-based global transformation(RGT) errors are smaller than a predefined outlier threshold. After Delaunay triangulated irregular networks(TINs) are created using the final matched points on reference and sensed images, respectively, affine transformation is applied to every corresponding triangle and then all the inner pixels of the triangles on the sensed image are transformed to the reference image coordinate. The proposed algorithm was tested using KOMPSAT-2 images and the results showed higher image registration accuracy than the RANSAC-based global transformation.
▣ Flood area detection and damaged area extraction using spectral feature images
Water-body detection was carried out using spectral feature images, NDWI and NIR band images. We classified pixels whose Mahalanobis distance of each feature vector from the water-body training set is smaller than a predefined threshold value, into a water-body class. In the case of water-body, users accuracy mean was 97.03%, producers accuracy mean was 97.02%. The overall accuracy mean was 98.63% and kappa coefficient mean was 96.05%. We also successfully obtained the area of water-body and information of changed water-body areas as well.
▣ Water body extraction in SAR image using water body texture index
We propose a method to increase backscatter contrast between water body and non-water body and also to remove efficiently misclassified pixels beyond true water body area. We create an entropy image using a gray level co-occurrence matrix (GLCM) and classify the entropy image into water body and non-water body pixels by thresholding of the entropy image. In order to reduce the effect of threshold value, we also propose Water Body Texture Index (WBTI), which measures simultaneously the occurrence of repeated water body pixel pair and the uniformity of water body in the binary entropy image. The proposed method produced high overall accuracy of 99.00% and Kappa coefficient of 90.38% in water body extraction using Kompsat-5 image. The accuracy analysis indicates that the proposed WBTI method is less affected by the choice of threshold value and successfully maintains high overall accuracy and Kappa coefficient in wide threshold range.
▣ Change detection of water body using SAR/SAR and EO/SAR images
Geometric mean-based corner detection and image registration method using outlier removal and triangulation-based local transformation are applied to two SAR images acquired at difference times in order to create change detection map of water body. In the case of image registration using optical image and SAR image, we detect corners in optical image and then find the corresponding points in SAR image using mutual information-based similarity measure. After outlier removal, we transform the image by triangulation-based local transformation method. We created successfully the change detection map of water body by combining the two extracted water body images.
▣ Classification of man-made object area using GLCM-based entropy image and NDVI analysis
We create entropy image using gray level co-occurrence matrix (GLCM) in optical image containing man-made objects and classify initially the entropy image into man-made object area and other areas. Morphological operation is applied to the initially classified image in order to improve the performance of classification.
We exclude additionally vegetation areas using NDVI from the initially classified image. We evaluated the performance of classification result using 400 points chosen by random sampling method. The overall accuracy was 98.25% and kappa coefficient was 95.72%.

목차 Contents

• 표지 ... 1
• 제출문 ... 2
• 요약문 ... 3
• SUMMARY ... 7
• Contents ... 11
• 목차 ... 12
• 그림목차 ... 13
• 표목차 ... 17
• 제 1 장 서 론 ... 18
• 제 1 절 연구개발의 배경 및 필요성 ... 18
• 제 2 절 연구개발 목표 및 내용 ... 18
• 제 2 장 그레디언트 행렬 고유치의 기하 평균을 이용한 특징점 검출 ... 19
• 제 1 절 개 요 ... 19
• 제 2 절 고유치 기반의 코너 검출 ... 20
• 제 3 절 실험 결과 및 분석 ... 25
• 제 4 절 결 론 ... 32
• 제 3 장 이상치 제거와 삼각망 기반의 지역 변환을 이용한 영상 등록 ... 33
• 제 1 절 개 요 ... 33
• 제 2 절 삼각망 기반 지역 변환을 이용한 영상 등록 ... 34
• 제 3 절 실험 결과 및 분석 ... 37
• 제 4 절 결 론 ... 44
• 제 4 장 분광 특징 영상을 이용한 홍수 피해 지역 검출및 면적 추출 ... 46
• 제 1 절 개요 ... 46
• 제 2 절 분광 특징 영상을 이용한 수계 지역 추출 ... 47
• 제 3 절 실험 결과 및 분석 ... 51
• 제 4 절 결론 ... 61
• 제 5 장 광학 및 레이더 영상을 이용한 홍수 피해 영역추출 ... 63
• 제 1 절 개요 ... 63
• 제 2 절 텍스처 분석을 통한 레이더 영상 수계 검출 ... 64
• 제 3 절 레이더 영상의 수계 지역 변화 탐지 ... 76
• 제 4 절 광학-레이더 영상의 수계 지역 변화 탐지 ... 81
• 제 6 장 분광 특징을 이용한 인공지물 영역 분류 ... 85
• 제 1 절 개요 ... 85
• 제 2 절 Entropy와 NDVI 분석을 통한 인공지물 영역 분류 ... 85
• 제 3 절 실험 결과 및 분석 ... 86
• 제 7 장 결 론 ... 89
• 참고문헌 ... 91
• 끝페이지 ... 94