KR100516119B1 - 고정밀 위성 영상의 자동 분석 방법 - Google Patents

Abstract

본 발명은 도심지역의 건물 등의 객체들의 변화를 탐지하는 고정밀 위성 영상의 자동 분석 방법에 관한 것이다. 본 발명의 주요구성은 (a) 위성 영상을 전처리하여 경계선 맵을 구성하는 단계, (b) 수치지도상에서 탐색될 개체를 포함한 레이어를 래스터화하고 래스터화한 객체들을 레이블링하며 레이블링된 수치지도에서 탐색 대상 각체 외곽을 필터링함으로써 방향정보를 찾아내고 방향 정보를 이용하여 객체별 정형을 구성하는 단계, (c) 구성된 정형을 사용하여 위성 영상의 경계선 맵에서 최적의 매칭점을 검색하는 단계, (d) 상기 (b) 단계에서 레이블링된 수치지도의 중심과 상기 (c) 단계에서 검색된 매칭점의 변위를 계산하는 단계, (e) 계산된 변위를 사용하여 수치지도의 객체를 이동시켜 중첩하는 단계, 및 (f) 상기 수치지도와 위성영상의 매칭을 통해 얻은 중첩된 영상에서 변화된 부분을 찾는 단계를 포함하는 것을 특징으로 한다.

본 발명에 의하면, 고정밀 위성 영상의 자동 분석 방법을 통해서 도심지역의 건물 등의 객체들의 변화를 자동으로 정확하게 탐지할 수 있다.

Description

고정밀 위성 영상의 자동 분석 방법{Automatic Analysing Method for High Precision Satellite Image}

본 발명은 고정밀 위성 영상의 자동 분석 방법에 관한 것으로, 더욱 상세하게는 고정밀 위성영상에서 도심지역 객체변화 탐지를 중첩 방법을 이용하는 고정밀 위성 영상의 자동 분석 방법에 관한 것이다.

오늘날 위성영상의 자동분석은 항공 위성 등에서 취득된 영상을 대상으로 환경 오염, 지하자원 탐사, 교통량 분석, 동식물의 분포변화, 농경지, 도심지의 변화 등 여러 용도로 활용하고 있으며, 현재 국내에서는 무궁화 위성의 발사로 다양하고 많은 종류의 영상을 취득하게 되어 이 분야에 대한 관심도와 높고 활발한 연구가 진행 중이다. 그러나, 도심지역의 고정밀 위성영상의 자동분석은 그림자, 분광정보의 시변성, 영상의 복잡성 등 때문에 현재의 기술로 해결하기 어려운 부분들이 산재해 있다.

고정밀 위성 영상 처리 기술은 고도 500km ∼ 800km 상공의 지구탐사위성에서 수신한 해상도 5m 이하의 위성영상을 처리, 분석, 가공하는 소프트웨어 기술을 일컫는다. 세계적으로 위성영상의 상용화가 확대되어 감에 따라 각 나라들은 앞다투어 원격 탐사 기술을 이용해 고 정밀 위성영상에서 공간 정보를 얻고자 노력하고 있다. 국내에서도 위성영상의 산업적 수요가 다변화되면서 위성영상 처리량이 급증하고 있다. 하지만 도심지역의 고정밀 위성영상은 건물 그림자, 도로상의 차량, 영상 보정에 수반되는 기하학적 오류 등으로 자동적인 해석이 어려우며, 현재의 기술로는 위성영상의 세그멘테이숀 및 세그멘테이숀된 객체의 자동분별은 거의 불가능하다고 할 수 있다.

한편, 위성 영상을 이용하여 도심지역의 객체의 변화를 탐지하기 위해서는 같은 공간을 시간의 차이를 두고 취득한 두 가지의 정보가 필요하다. 이러한 정보에 따른 변화 탐지의 방법론적인 접근은 영상 대 영상, 영상 대 벡터의 방법으로 구분될 수 있다.

영상 대 영상 비교 방법에서는 서로 다른 시점의 영상에 대해 각 영상별 분류 후 비교하여 변화영역을 탐지한다. 위성영상의 해상도가 높을수록 영상에서 얻을 수 있는 정보는 많아진다. 하지만 위성 영상의 자동화에 필요한 영상 분석은 시간에 따른 일조량의 변화로 인한 건물의 그림자, 도로상의 차의 변화 등에 따라 변화탐지에 어려움이 따른다.

영상 대 벡터의 비교 방법은 피. 엠. 마더(P. M. Mather)에 의하여 저술된 "Computer Processing of Remotely Sensed Images, John Wiley $Sons, 1987"과 김준철, 박성모, 이준환, 및 정수에 의하여 게재된 " Designation of a Road in Urban Area Using Hough Transform" KSRS, Proceeding, pp766-771, 2002"에 개시되어 있다. 상기 자료에 개시된 방법은 일종의 CAD 기반의 영상해석 방법으로 벡터화 된 수치지도를 레스터 위성영상을 이용하여 관심 영역에 대해 변화를 탐지한다. 하지만, 상기와 같은 방법에 의하면 래스터 영상과 벡터 영상 사이의 기하학적인 오류로 인하여 직접적인 비교가 어렵다는 문제점이 있다.

또한, 일반적인 종래의 방법에서는 수치지도와 위성영상을 비교하여 변화를 탐색하는 과정에 수치지도상의 지역과 해당 위성영상을 중첩하여 판단한다. 이 과정에서는 수치지도상의 위치가 정확하게 위성영상의 어느 부분에 해당되는지를 판단해야 하며, 판단된 위치에 수치지도를 정확하게 중첩시켜야 한다. 그러나 수치지도상의 위치가 위성영상의 어느 부분에 해당되는지를 찾아내는 과정은 시간이 많이 소요되는 작업일 뿐만 아니라 위성영상을 얻어내는 과정에 수반된 기하학적인 왜곡 보정 과정에서 발생하는 오류 때문에 정확한 중첩이 어렵다는 문제점이 있다.

본 발명이 이루고자 하는 기술적 과제는 수치지도 상의 도심지역 객체들을 고정밀 위성영상에 중첩하여 도심지역의 건물, 도로, 수역, 식생지역 들의 변화 탐색을 용이하게 하는 고정밀 위성 영상의 자동 분석 방법을 제공하는 것이다.

상기 기술적 과제를 이루기 위한 본 발명에 따른 고정밀 위성 영상의 자동 분석 방법은 (a) 위성 영상을 전처리하여 경계선 맵을 구성하는 단계; (b) 수치지도상에서 탐색될 개체를 포함한 레이어를 래스터화하고 래스터화한 객체들을 레이블링하며 레이블링된 수치지도에서 탐색 대상 각체 외곽을 필터링함으로써 방향정보를 찾아내고 방향 정보를 이용하여 객체별 정형을 구성하는 단계; (c) 구성된 정형을 사용하여 위성 영상의 경계선 맵에서 최적의 매칭점을 검색하는 단계; (d) 상기 (b) 단계에서 레이블링된 수치지도의 중심과 상기 (c) 단계에서 검색된 매칭점의 변위를 계산하는 단계; (e) 계산된 변위를 사용하여 수치지도의 객체를 이동시켜 중첩하는 단계; 및 (f) 수치지도와 위성영상의 매칭을 통해 얻은 중첩된 영상에서 변화된 부분을 찾는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 (a) 단계는 위성 영상을 미디안 필터링함으로써 노이즈를 제거하는 단계; 네바셔 필터링에 의하여 방향성있는 에지를 검출하는 단계; 및 소정 개수 미만의 픽셀로 구성된 고립 영역을 제거하는 사이즈 필터링에 의하여 의미없는 에지를 제거하는 단계를 포함하는 것이 바람직하다.

또한, 상기 (c) 단계는 일반화된 허프 변환을 기반으로 하는 것이 바람직하다.

또한, 상기 (c) 단계는 기준 점을 누적하기 위한 공간 를 만들고 0으로 초기화하는 단계; 모든 경계선의 위치에서 경계선의 방향값 값을 계산하고 각각의 방향값이 같은 것들끼리 중심에서 경계선까지의 거리와 각을 저장함으로써 R-테이블을 구성하며 방향별 R-테이블을 사용하여 가능한 중심와 를 과 에 의하여 각각 계산하는 단계; 계산된 의 누적 공간을 에 의하여 증가시키는 단계; 및 누적공간 상의 최빈점을 최적의 매칭 점으로 찾는 단계를 포함하는 것이 바람직하다.

또한, 상기 (b) 단계 또는 (c) 단계는, 기하학적 해슁을 기반으로 수치지도상의 객체와 고정밀 위성 영상의 객체를 매칭시키는 단계를 포함하는 것도 가능하다.

이하 첨부된 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세히 설명하기로 한다.

도 1에는 본 발명의 실시예에 따른 고정밀 위성 영상의 자동 분석 방법의 주요 단계들을 흐름도로써 나타내었다. 도 1을 참조하면, 먼저, 위성영상을 전 처리하여 경계선 맵을 구성한다(단계 100). 도 2에는 도 1의 전처리 과정(100)의 일예를 흐름도로써 나타내었다. 도 2를 참조하면, 위성 영상을 입력(단계 202)하여 미디안(Median) 필터링(단계 204)함으로써 노이즈를 제거한다. 다음으로, 네바셔(Nevatia) 필터링(단계 206)에 의하여 방향성있는 에지를 검출한다. 다음으로는, 소정 개수, 본 실시예에서는 50개 미만의 픽셀로 구성된 고립 영역을 제거하는 사이즈 필터링(단계 208)에 의하여 의미없는 에지를 제거한다. 이로써, 경계선 맵 구축(단계 210)이 이루어진다.

한편, 수치지도상에서 객체의 정형 구성이 이루어진다(단계 102). 도 3에는 도 1의 객체 정형 구성 단계(102)의 일예를 흐름도로써 나타내었다. 도 3을 참조하면, 먼저, 수치지도상의 건물 레이어를 입력(단계 302)하여, 입력된 수치지도의 건물 레이어에서 탐색될 객체를 포함한 레이어를 래스터링(단계 304)하고, 네바셔 필터링(단계 306)한 후, R-테이블을 작성(단계 308)함으로써 래스터화 된 객체들을 레이블화한다. 레이블링 된 수치지도에서 탐색대상 객체 외곽을 필터링을 통하여 방향정보를 찾아내고, 방향정보를 이용하여 객체별 정형을 작성한다.

다시 도 1을 참조하면, 다음으로, 구성된 정형을 이용하여 위성영상의 경계선 맵에서 최적의 매칭 점을 찾는다(단계 104). 이제, 레이블링 된 수치지도중심과 위성영상에서 검색된 매칭 점의 변위를 계산한다(106). 다음으로, 변위를 이용하여 수치지도의 객체를 이동시켜 중첩한다(단계 108). 다음으로, 수치지도와 위성영상의 매칭을 통해 얻은 중첩된 영상에서 변화된 부분을 찾는다(단계 110).

변화된 부분을 찾는 단계(110)는 객체의 변화를 탐지하는 과정에 해당하며, 다음의 세 가지 경우가 나타날 수 있다. 첫 번째로, 일명 “기존 객체”가 있을 수 있으며 이는 수치지도에도 존재하고, 위성영상에도 존재하는 경우이다. 두 번째는 “없어진 객체”가 있을 수 있으며 이는 수치지도에는 존재하나 위성영상에는 존재하지 않는 경우가 된다. 마지막으로는 “신규 객체”가 있을 수 있으며 이는 수치지도에는 존재하지 않고 위성영상에는 존재하는 경우이다. 사용자는 수치지도와 위성영상의 매칭을 통해 얻은 중첩된 영상에서 이들 변화를 탐지 할 수 있다. 상기와 같이 객체를 중첩시키기 위한 변위를 얻어내기 위하여 수치지도상의 객체를 R-테이블 형태의 정형을 만들고 이를 이용하여 매칭을 시도하는 과정은 기하학적 해슁(geomatric hashing) 방법을 사용하여 수치지도상의 객체와 고정밀 위성 영상의 객체를 매칭시키는 과정으로 대체하여도 무방하다.

한편, 도 2를 참조하여 설명한 위성영상의 전처리 과정과 도 3을 참조하여 설명한 수치지도의 래스터링 과정에 대하여 목적과 효과를 부연 설명하고자 한다.

위성 영상은 그림자나 객체 표면의 빛의 반사도 또는 자동차와 같은 유동성 있는 객체의 움직임 등의 영상의 복잡성 때문에 직접적인 알고리듬의 적용이 불가능하다. 따라서, 관심 영역의 경계선정보를 얻기 위해서는 영상의 전처리 과정이 필요하다. 영상의 전처리는 일반화된 허프 변환에 있어서 계산량을 줄이는 효과도 있다. 하지만 불필요한 경계선을 제거하는 과정에서 비교시에 필요한 의미 있는 정보들 또한 사라질 가능성이 있으므로 계산량을 줄이는 것과 정보의 습득은 길항 관계가 있음을 고려하여 전처리가 되어야한다.

위성영상의 잡음 제거 과정을 설명한다. 도심지역의 위성영상에 포함된 주 객체는 건물, 도로, 수역, 식생지역들이다. 본 실험에서는 주 객체의 영역을 정확하게 세그멘테이숀 하는 것은 불가능 하다는 판단하에 주 객체의 경계선 부분을 새로운 정형으로 만들고 비교하는 방법을 설계하였다. 하지만 관심 객체의 표면은 일관된 색이나 영역으로 표현되지 않으며 건물 위의 시설물이나 도로위의 자동차, 강의 물결에 따른 반사도, 나뭇잎 표면의 반사도 등의 무시하지 못할 잡음들이 존재하여 영역의 경계선을 결정하는 데 악영향을 주게 되는 경우가 많다.

이러한 문제를 해결하기 위하여 본 발명에 따른 방법에서는 도 4와 같은 미디언 필터링을 통하여 잡음의 제거를 시도한다. 도 4를 참조하면, 4,4,3,3,4,2,5,2을 둘러 싸는 영역에 대하여 미디안 값을 적용하여 "10"을 "4"로 변경한다. 이로써, 주변의 값에 비하여 상대적으로 큰 차이를 보이는 픽셀을 제거하는 효과가 있다.

또한, 본 발명에서 사용한 일반화된 허프 변환은 노이즈에 강인한 알고리듬인 반면에 계산량이 많기 때문에 전처리를 통해서 관심영역의 경계선만을 찾아 사용함으로써 계산량을 줄인다. 그 결과 앞서 수행된 과정을 거치면 관심영역이 아닌 불필요한 부분들이 제거되어 계산량을 줄이는데 기여한다. 이후의 전처리는 일반화된 허프 변환을 적용하는데 있어 정형으로 사용되는 R-테이블을 구성하기 위한 방향성을 가진 경계선으로의 표현이 필요하다. 하지만 일반적인 경계선의 방향은 0ㅀ∼ 360ㅀ까지의 값을 갖기 때문에 R-테이블 설계시 복잡성이 증대되는 어려움이 있다. 이러한 문제를 줄이려면 어떤 경계선 검출 필터를 선택하느냐가 중요하다. 위성영상에서의 탐지하고자 하는 관심 영역인 도로, 건물군, 수역, 식생 지역등은 그 특성상 위치하는 방향이 결정 되어 있다.

더욱이 본 발명에서 흥미로운 사실은 도심지역에서의 도로는 영상에서 그 방향을 결정짓는다는 것에 주목한다. 즉, 도로를 중심으로 건물군이 줄지어 늘어서 있으며, 강과 하천 식생 지역도 그러한 방향으로 위치하게 된다. 따라서, 탐지하고자 하는 객체의 경계선을 0ㅀ~ 360ㅀ를 모두 표현하는 것은 오히려 복잡성을 증가시키는 결과를 초래한다는 점에 주목하여, 본 발명에 따른 방법에서는 도 5와 같이 일정한 간격을 가지는 소정의 각도들, 예를 들어, 0ㅀ, 30ㅀ, 60ㅀ, 90ㅀ, 120ㅀ, 150ㅀ의 방향성을 표현할 수 있는 네바셔(Nevatia) 필터 매스크를 사용하여 콘볼루션을 취하고 영상의 경계선 맵을 구축한다. 상기 네바셔 필터 매스크를 이용하여 경계선 맵을 구축 과정은 박원규, 곽성희, 및 김태곤에 의하여 게재된 논문인 "Line Rolling Algorithm for Automated Building Extraction from 1-meter Resolution Satellite Images, KSRS, Proceeding, pp31-36, 2000년"과 엠. 에이치. 로버트와 엘. 지. 샤피로에 의하여 저술된 "Computer and Robot Vision, Addison Wesley, pp337-340, 1992"에 개시되어 있으며, 본 명세서에 참조로써 통합된다.

또한, 앞의 과정을 통하여 관심 영역의 대략적인 경계선을 추출한 영상에 도 5의 네바셔 필터 처리를 하게 되면 영상내 객체들의 경계선은 0ㅀ, 30ㅀ, 60ㅀ, 90ㅀ, 120ㅀ, 150ㅀ의 방향으로만 표시된다. 앞 선 전처리를 통해 얻어진 영상은 대략적인 경계선을 얻고자 하는 목적으로 수행되는 것이다. 하지만 이렇게 얻어진 경계선으로 비교를 위한 정형을 만드는 경우에도 계산량은 그다지 적지 않다. 이의 해결을 위하여 본 발명에서는 방향성이 표시된 위성영상에서 50개 이하의 픽셀로 구성된 작은 고립 영역들을 제거하는 사이즈 필터링을 행한다. 작은 고립영역의 제거는 건물 윗부분의 비교적 큰 시설물이나 도로위의 줄지어선 자동차등의 오류가 될만한 소지를 가진 특징물들을 없앰으로서 의미 없는 경계를 제거한다.

또한, 벡터 형태인 수치지도와 위성영상의 비교를 통한 변화탐지를 위해서는 수치지도의 래스터화가 필요하다. 수치지도는 DXF(Drawing Interchange File) 형식으로 되어 있으며, 도구를 이용하여 관심대상 객체를 포함하는 레이어만 획득한 뒤 비트맵으로 변환하여 사용할 수 있다. 건물객체를 탐색하고자 할 경우에는 건물객체 만을 포함하는 레이어, 도로객체를 탐색할 경우에는 도로객체를 포함하는 레이어 만을 비트맵 파일 형태로 변환하게 된다.

수치지도의 관심 객체의 경계선은 탐색할 객체의 정형인 R-테이블 구축 시에 중요한 매개변수가 되므로 위성영상의 전처리와 일관성 있는 방향으로 래스터링 되어야 한다. 아울러, R-테이블의 매개변수로 설계되려면 관심영역 안의 한 점을 임으로 선택하는데, 본 발명의 실시예에서는 객체별로 영상의 센터를 임의의 점으로 잡는다. 래스터링은 관심 객체의 경계선을 네바셔 필터를 사용하여 위성영상과 같이 6 개의 방향을 가진 경계선 맵으로 구축한 뒤, R-테이블을 만든다.

일반화된 허프 변환을 이용한 매칭 과정을 설명한다. 일반화된 허프 변환에서 허프 변환이란 기하학적인 대상을 매개변수를 통하여 정형화하고, 이를 영상내의 객체들과 비교하여 대상을 찾는데 사용되는 강인한 추정방법이다. 도심지역의 위성영상내에 존재하는 객체들은 도로나 건물이라는 범주에 속해도 한가지 특징으로 표현하기에는 어려움이따른다. 하지만 R-테이블을 구축하여 일반화된 허프 변환을 이용하면 각각의 객체에 대하여 특정 점과 에지들의 관계를 매게 변수화하여 규정지을 수 있다. 일반화된 허프 변환을 이용하기 위해서는 비교의 기준이 되는 모델을 정의해야 한다. 이것이 표 1과 같은 R-테이블의 작성이다.

Figure Boundary에서 기준점까지 측정된 각	라 할 때,의 집합
...	...

도 5에는 임의의 도형에 대해 R-테이블을 작성하는 과정을 설명하기 위한 도면을 나타내었다. 도 5를 참조하면, 이미 알고 있는 물체의 기준 점 를 선택하고, 경계 점까지의 길이 을 측정한다. 경계 점에서는 그 점의 경사방향 를 계산하고, 경사방향의 함수로 기준점까지의 길이 과 양의 x-방향으로 부터의 각도 를 저장한다. 또한, 임의의 도형의 외곽선을 따라 경사방향을 구하면 동일한 경사방향이 여러군데에서 발생할 수 있으므로 표 1에서와 같이 하나의 경사방향 에 대해 여러개의 들이 존재하게 된다. R-테이블 상의 기준점 에서 경계선과 점 사이의 관계는 수학식 1과 같다. 탐색 대상에 대하여 표 1과 같은 R-테이블을 구성한 후에 영상에서 일반화된 허프 변환 알고리즘을 이용한 동일 대상의 기준점 탐색방법은 다음과 같다.

일반화된 허프 변환을 이용한 탐색 알고리듬을 설명한다. 먼저, 기준 점을 누적하기 위한 공간 를 만들고 0으로 초기화한다. 다음으로, 모든 경계선의 위치에서 다음 계산을 수행한다.

즉, 값을 계산한다. 각각의 값에 대하여 R-테이블에서 을 찾아 가능한 중심와 를 계산한다.

다음으로, 계산된 의 누적 공간을 증가시킨다.

이제, 누적공간 상의 최빈점을 최적의 매칭 점으로 찾는다.

다음으로, R-테이블 구성 및 매칭 과정을 설명한다. 래스터링된 수치지도의 각각의 객체는 일반화된 허프 변환을 위한 R-테이블로 정형화 된다. 즉, 탐색대상 객체 및 객체군의 모든 외곽선을 점유하는 화소들은 R-테이블을 구성하는데 기여하게 된다. 이와 동시에 위성영상은 전처리를 하고 난 뒤, 6개의 방향성을 표현하는 맵으로 구축되어 R-테이블의 매개변수가 된 수치지도의 객체에 해당하는 부분이 위성 영상의 어느 위치에 있는 것인지를 비교하기 위한 준비가 이루어진다.

도 7a에는 전처리된 위성 영상의 객체의 일예를 나타내었으며, 도 7b에는 래스터화된 수치지도상의 객체의 일예를 나타내었다. 도 7a와 도 7b는 경계선의 방향과 중심에 의한 함수로 정의된 수치지도의 객체가 위성 영상에서 매칭 점을 찾는 과정을 설명하기 위한 것으로, R-테이블을 구축하는 과정에서 설명한 바와 같이, 수치지도는 래스터링과 필터링을 거쳐서 객체의 경계선이 놓인 방향에 따라 값이 다르게 표시된다. 도 7b에는 이 과정을 나타낸 것이다. 그 다음에는 경계선의 방향값 가 같은 것들끼리 중심에서 경계선 까지의 거리와 각을 저장하여 R-테이블을 만든다. 방향별로 R-테이블이 만들어지면 위성영상으로의 매칭을 시도한다. 위성영상 역시 전처리에서 네바셔 필터링을 거쳤기 때문에 6 개의 방향의 경계선으로 표현되어 있다. 매칭 과정에서는 방향값 가 같은 곳에서 R-테이블에 저장된 매개 변수 값과 수학식 1을 이용하여 가능한 중심점을 찾아 누적공간을 증가시킨다. 이렇게 중심점을 찾아보면, 전처리된 위성영상이 가진 왜곡 때문에 도 7a에 나타낸 바와 같이 한 곳으로 결정되지 않는다. 하지만 왜곡이 있었다 하더라도 수치지도상의 특정 객체에 해당하는 위성영상의 객체의 외곽선의 일부만 일치하더라도 일관성이 많기 때문에 가장 많이 누적된 곳을 중심점으로 찾으면 강인한 추정을 수행할 수가 있다.

상기와 같은 본 발명에 따른 고정밀 위성 영상의 자동 분석 방법을 간단히 요약하면 수치지도상의 객체들을 매개변수화하고, 전 처리된 고정밀 위성영상에서 일반화된 허프 변환 방법을 이용하여 탐색하며, 탐색된 부분에 중첩시킨다. 중첩된 영상은 객체들의 변화 여부를 빠르게 찾는데 도움을 줄 수 있다.

즉, 본 발명은 고정밀 위성영상에서 도심지역 객체변화 탐지를 위한 중첩 방법을 핵심으로 하며 도심지역의 건물 등의 객체들의 변화를 탐지하는 강인한 반자동 변화 탐지가 가능한 고정밀 위성 영상 자동 분석 방법을 제안한다. 본 발명에 따른 방법은 반자동 변화탐지를 벡터 대 래스터 방법으로 벡터 영상인 디지털 수치지도에서 도로나 건물등과 같은 객체를 고정밀 위성영상에서 탐색하고, 그 결과를 이용하여 래스터영상에 중첩한다. 중첩된 두 영상은 인간의 시각에 의해 쉽게 변화 여부를 탐지하도록 도와줄 수 있다.

본 발명에 따른 방법에서 두 영상을 비교할 시에는 다른 추정방법보다 상대적으로 강인한 일반화된 허프(Hough) 변환을 이용하였다. 일반화된 허프 변환은 벡터 지도상의 객체를 매개변수를 이용하여 정형(template)으로 만들며 이들 객체를 전 처리된 래스터영상에서 탐색하여 최적의 정합 된 위치를 지적해 준다. 래스터 영상의 전처리는 위성영상의 뚜렷한 경계선들을 제공하며, 매개변수화 된 정형들과 비교된다.

제안한 방법을 확인하기 위하여 서울 강남지역의 IKONOS 영상과 1000분의 1 수치지도를 이용하여 실험하였다. 실험 결과 제안한 방법은 대략적인 건물의 위치 탐지하는데 양호한 결과를 보였으며, 지도제작 및 위성영상 데이터베이스에서 관심영역 탐색 등에 활용할 수 있으리라 기대된다.

본 발명에 따른 방법은 이하에서 설명되는 바와 같이 전반적인 변화탐지 과정과 수치지도의 래스터화 과정이 특징적이다. 또한, 실험의 수행 과정 및 결과에 대해서 보다 상세히 기술하기로 한다.

본 발명에 따른 객체변화 탐지방법의 과정을 설명한다.

본 발명에 따른 방법에서는 수치지도와 위성영상의 축척과 해상도는 동일하며, 방위가 일치하고 단지 변위는 서로다른 기준점을 가정하여 다르다고 가정한다. 또한 위성영상은 기하보정이 완료된 후로 가정하며, 수치지도와 위성영상 간의 왜곡은 전역적인 변위에 기인한다고 가정한다.

또한, 본 발명에 따른 방법에서 객체란 수치지도 상에 표현된 단일 건물 또는 아파트 단지와 같은 건물군, 도로 또는 도로망, 강 또는 하천 등의 수역, 공원 등의 녹지지역을 포함할 수 있다.

본 발명에 따른 방법을 구성하는 주요 단계들을 도 1에 나타내었다. 도 1을 참조하면, 본 발명에 따른 방법은 객체탐색을 포함한다. 본 발명에 따른 방법에서 탐색대상 객체의 정형은 일반화된 허프 변환에서는 R-테이블의 형태로 표현되며 이후에 보다 상세히 설명된다.

상기와 같은 방법을 사용하여 실제 위성 영상에 대하여 실험을 수행하였다. 실험 과정과 결과를 설명한다. 도 8a에는 실험에 사용한 해상도 1 픽셀/1 m ㅧ 1 m, 512 ㅧ512의 IKONOS 영상을 나타내었다. 상술한 위성영상의 전처리 과정을 거친 영상은 도 8b와 같다. 도 8b를 참조하면, 자동차와 같은 비교적 작은 사이즈의 노이즈들은 제거되었고, 건물의 영역으로 판단되는 부분은 방향성을 가진 경계선들로 표현되어 있어서 일반화된 허프 변환의 R-테이블 설계가 용이 하도록 표현되었다. 수치지도는 래스터링과 필터링을 통해서 도 8c와 도 8e와 같이 경계선과 중심들이 결정되었고, R-테이블의 매개변수가 되었다. 도 8e는 건물 영역의 수치지도의 래스터링을 한 영상이며, 도 8c는 도로 영역을 래스터링하고 매개변수화 한 것이다. 도 8d는 도로 영역을 중첩한 결과의 일예를 나타내었으며, 도 8f에는 본 발명의 실시예에 따른 방법에 의하여 중첩한 결과의 일예를 나타내었다.

상기와 같이 본 발명에 따르면 고 정밀 위성영상에서 영상 대 벡터의 방법을 이용하여 반자동의 객체 변화 탐지방법을 제공한다. 본 발명에 따른 방법은 일종의 CAD 기반 영상 해석 방법으로 수치지도의 객체를 위성영상에 중첩시킴으로서 사람이 변화를 탐지하는데 도움을 준다. 수치지도나 위성영상의 기하학적인 보정 에러가 있는 경우, 광범위한 고정밀 위성영상에서 수치지도와 중첩시켜 변화를 탐지 하는 작업은 시간이 걸리는 작업이다.

상기와 같은 본 발명에 따른 방법은 일반화된 허프 변환을 이용하여 노이즈에 강인하게 도심지역의 객체를 안정적으로 탐지할 수 있다. 상기와 같은 반자동 변화탐지 방법은 벡터 영상인 수치지도의 객체를 고정밀 위성영상에서 찾아야 할 객체로 이용하여 찾고, 그 결과를 위성영상에 중첩한다. 두 영상의 비교에는 일반화된 허프 변환의 R-테이블을 이용하여 벡터 지도상의 객체를 파라미터화한다. 한편, 위성영상의 경계선 영상은 매우 복잡하여 분석하기가 쉽지 않으므로 전처리 과정을 거쳐 경계선 맵을 구성하여 활용한다.

본 발명에 따른 방법의 효과를 확인하기 위하여 강남지역의 IKONOS 영상과 1000분의 1 수치지도를 이용하여 실험하였다. 실험 결과 대략적인 건물과 도로 객체의 위치 탐지는 양호한 결과를 얻었다. 본 발명에 따른 방법은 이러한 건물 및 도로의 변화탐지 목적뿐 아니라 위성영상 데이터베이스에서 수치지도 상의 임의의 객체 및 객체군을 찾아내는데도 적용가능하다.

상기와 같은 본 발명에 따른 고정밀 위성 영상의 자동 분석 방법은 컴퓨터 프로그램으로 작성될 수 있다. 상기 컴퓨터 프로그램은 마이크로 컴퓨터에 의하여 읽혀지고 실행됨으로써 본 발명에 따른 문자를 기준으로 한 다이어링 방법을 수행한다. 또한, 상기 컴퓨터 프로그램은 ROM, EPROM, EEPROM, 및 플래시 메모리와 같은 반도체 메모리내에 저장될 수 있고, 인터넷 및 기타 통신 선로를 통하여 다운로드될 수 도 있다.

이상의 실시예는 본원 발명에 대한 이해를 돕기 위한 설명적인 것이며 첨부된 청구항들에 의하여 정의되는 본원 발명의 범위내에서 다양한 변형 및 수정이 가능하다. 따라서, 본 발명에 따른 고정밀 위성 영상의 자동 분석 방법의 권리 범위는 상기 실시예에 한정되지 아니한다.

상술한 바와 같이 본 발명에 따른 고정밀 위성 영상의 자동 분석 방법에 의하면 디지털 수치지도 상의 도심지역 객체들을 고정밀 위성영상에 중첩하여 도심지역의 건물, 도로, 수역, 식생지역 들의 변화 탐색을 쉽게 할 수 있다. 특히 도심지역의 건물 등의 객체들의 변화를 자동으로 정확하게 탐지할 수 있다.

도 1은 본 발명의 실시예에 따른 고정밀 위성 영상의 자동 분석 방법의 주요 단계들을 나타낸 흐름도.

도 2는 도 1의 전처리 과정(100)의 일예를 나타낸 흐름도.

도 3은 도 1의 객체 정형 구성 단계(102)의 일예를 나타낸 흐름도.

도 4는 미디안 필터링 과정을 설명하기 위한 도면.

도 5는 네바셔 필터링 과정을 설명하기 위한 도면.

도 6은 임의의 도형에 대해 R-테이블을 작성하는 과정을 설명하기 위한 도면.

도 7a는 전처리된 위성 영상의 객체의 실시예를 나타낸 도면.

도 7b은 래스터화된 수치지도상의 객체의 실시예를 나타낸 도면.

도 8a는 본 발명의 실험에 사용한 해상도 1 픽셀/1 m ㅧ 1 m, 512 ㅧ512의 IKONOS 영상의 실시예.

도 8b는 전처리후의 위성 영상의 실시예.

도 8c는 도로 영역에 대하여 래스터링을 한 수치지도의 실시예.

도 8d는 도로 영역을 중첩할 결과의 실시예.

도 8e는 건물 영역 래스터링을 한 수치지도의 실시예.

도 8f는 본 발명의 실시예에 따른 방법에 의하여 중첩한 결과의 실시예.

Claims (5)

1. 위성 영상 자동분석 방법에 있어서,

   (a) 위성 영상을 전처리하여 경계선 맵을 구성하는 단계;

   (b) 수치지도상에서 탐색될 개체를 포함한 레이어를 래스터화하고 래스터화한 객체들을 레이블링하며 레이블링된 수치지도에서 탐색 대상 각체 외곽을 필터링함으로써 방향정보를 찾아내고 방향 정보를 이용하여 객체별 정형을 구성하는 단계;

   (c) 구성된 정형을 사용하여 위성 영상의 경계선 맵에서 최적의 매칭점을 검색하는 단계;

   (d) 상기 (b) 단계에서 레이블링된 수치지도의 중심과 상기 (c) 단계에서 검색된 매칭점의 변위를 계산하는 단계;

   (e) 계산된 변위를 사용하여 수치지도의 객체를 이동시켜 중첩하는 단계; 및

   (f) 수치지도와 위성영상의 매칭을 통해 얻은 중첩된 영상에서 변화된 부분을 찾는 단계를 포함하는 것을 특징으로 하는 고정밀 위성 영상의 자동 분석 방법.
2. 제1항에 있어서, 상기 (a) 단계는 위성 영상을 미디안 필터링함으로써 노이즈를 제거하는 단계;

   네바셔 필터링에 의하여 방향성있는 에지를 검출하는 단계; 및

   소정 개수 미만의 픽셀로 구성된 고립 영역을 제거하는 사이즈 필터링에 의하여 의미없는 에지를 제거하는 단계;를 포함하는 것을 특징으로 하는 고정밀 위성 영상의 자동 분석 방법.
3. 제 1 항에 있어서, 상기 (b) 단계 또는 (c) 단계는 일반화된 허프 변환을 기반으로 하는 것을 특징으로 하는 고정밀 위성 영상의 자동 분석 방법.
4. 제 1 항에 있어서, 상기 (b) 단계 또는 (c) 단계는 기하학적 해슁을 기반으로 수치지도상의 객체와 고정밀 위성 영상의 객체를 매칭시키는 단계를 포함하는 것을 특징으로 하는 고정밀 위성 영상의 자동 분석 방법.
5. 제 4 항에 있어서, 상기 (c) 단계는 기준 점을 누적하기 위한 공간 를 만들고 0으로 초기화하는 단계;

   모든 경계선의 위치에서 경계선의 방향값 값을 계산하고 각각의 방향값이 같은 것들끼리 중심에서 경계선까지의 거리와 각을 저장함으로써 R-테이블을 구성하며 방향별 R-테이블을 사용하여 가능한 중심와 를 과 에 의하여 각각 계산하는 단계;

   계산된 의 누적 공간을 에 의하여 증가시키는 단계; 및

   누적공간 상의 최빈점을 최적의 매칭 점으로 찾는 단계를 포함하는 것을 특징으로 하는 고정밀 위성 영상의 자동 분석 방법.