KR100654368B1 - 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법 - Google Patents

정지궤도 해양관측 카메라의 해색정보 최적화 검출방법 Download PDF

Info

Publication number
KR100654368B1
KR100654368B1 KR1020050129466A KR20050129466A KR100654368B1 KR 100654368 B1 KR100654368 B1 KR 100654368B1 KR 1020050129466 A KR1020050129466 A KR 1020050129466A KR 20050129466 A KR20050129466 A KR 20050129466A KR 100654368 B1 KR100654368 B1 KR 100654368B1
Authority
KR
South Korea
Prior art keywords
color information
function
detection
geostationary
filter
Prior art date
Application number
KR1020050129466A
Other languages
English (en)
Inventor
명환춘
강금실
강성덕
김정아
연정흠
윤형식
Original Assignee
한국항공우주연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020050129466A priority Critical patent/KR100654368B1/ko
Application granted granted Critical
Publication of KR100654368B1 publication Critical patent/KR100654368B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Spectrometry And Color Measurement (AREA)

Abstract

본 발명의 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법은, 검출하고자 하는 해색정보에 가장 적합할 것으로 판단되는 조건의 가정과 그에 따른 확률밀도함수의 분석을 통해 해색정보를 최적으로 검출할 수 있는, 해색정보 최적화 검출방법에 관한 것이다.
본 발명은, ① 정지궤도 해양관측 카메라를 통해 검출하고자 하는 해색정보의 특성을 예상하여 최적화 검출에 적합할 것으로 판단되는 필터를 가정하는 제1단계와, ② 제1단계에서 가정한 필터에 따라 구하고자 하는 PDF함수(확률밀도함수, probability density function)의 차원을 결정하고, 상기 해색정보의 특성조건과 관련된 PDF함수를 구성하는 제2단계와, ③ 제2단계에서 구성한 특성조건의 PDF함수를 적용하여, 통계가설의 모형(Criterion)에 따른 최적의 한계(threshold) 궤적을 결정하고, 이 통계가설의 모형(Criterion)을 이용하여 검출확률(Detection Probability)을 도출하는 제3단계와, ④ 제3단계에서 도출한 검출확률(Detection Probability)에 대한 검출가능영역함수(D함수)의 분석을 통해 상기 해색정보의 최적화 검출을 산출하는 제4단계를 통해 진행되는 특징이 있다.
따라서 본 발명은 해색정보를 최적화하여 검출할 수 있고, 별도의 요구사항 없이 특정한 해색정보의 검출에 따른 정지궤도위성의 실시간적인 대처를 가능하게 하며, 해색정보와 관련된 하드웨어 시스템의 구성에도 적합한 해결책을 제공하는 효과가 있다.
정지궤도, 위성, 해색정보검출, 최적화, 해양관측

Description

정지궤도 해양관측 카메라의 해색정보 최적화 검출방법{Ideal inspection system of geostationary satellite ocean monitoring payload}
도 1 ; 본 발명의 일실시예에 따른 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법에 대한 흐름도(flow chart).
본 발명은 정지궤도 위성에 탑재되는 해양관측 센서(카메라)의 해색정보 실시간 검출에 관한 것으로, 구체적으로는 검출하고자 하는 해색정보에 가장 적합할 것으로 판단되는 조건의 가정과 그에 따른 확률밀도함수의 분석을 통해 해색정보를 최적으로 검출할 수 있는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법을 제시한 것이다.
해양관측센서(이하, '정지궤도 해양관측 카메라'로 칭함)는 많이 개발되어 이용되고 있으나, 정지궤도 위성에 탑재되는 해양관측센서는 현재까지 개발된 시스템이 전무한 실정이다.
정지궤도 해양관측 카메라는 저궤도 위성에 탑재되는 해양관측센서와 달리 지구전체(Global scale)를 관측하는 것이 불가능하며, 고정된 목표영역을 지속적으로 모니터링하기 위한 관측용으로 적합하다.
본 발명을 통해 제시하고자 하는 해양관측 카메라의 해색정보 최적화 검출방법은 우주환경에서 임무기간(Mission Life Time) 동안 관측을 수행하는 중에, 특정 해색 정보 검출을 실시간으로 최적화하여 수행하기 위한 방법과 해결책을 의미한다.
다양한 크기의 영상정보를 검출하는 방법으로서 인간의 눈의 기능 중에는 데이터 통합(data-integration)에 대한 방법과 위치를 조절하는 기능 등이 있다. 이 중에서 눈의 위치를 조절하여 다양한 크기의 영상정보를 검출하는 기능을 모방한 방법을 살펴보면 다음과 같다.
이전에 제안된 방법은 카메라로부터 입력된 이미지를 현형하여 실제로 카메라와 측정 지역간의 거리가 변하는 효과를 이용하고자 하는 것이다. 이 때, 변형된 이미지라는 것은 실제 이미지의 축소된 형태로서 1/2, 1/8 이미지를 사용하게 된다.
사용된 알고리즘은 크게 두 가지 경로로 나누어진다.
첫째는 작은 크기의 해색정보를 검출하고자 하는 방법으로서, 사용된 알고리즘들은 2차원 이미지에 적용되는 라플라시안(Laplacian), 수축(Contraction), 확장(Expansion) 등이 사용되었다. 라플라시안(Laplacian)과 한계설정(Thresholding)을 이용하여 결함과 배경을 분리한 후, 다시 수축(Contraction)과 확장(Expansion) 등 으로 노이즈 성분을 제거한다. 그리고, 끝으로 결정화(Labeling)를 통하여 해색정보의 위치와 크기를 정한 후, 해색 정보의 확률적 분포를 이용하여 최종적인 해색 정보의 유무가 결정되게 된다.
둘째로는 넓은 영역에 결처 나타나는 낮은 반사율의 해색정보를 검출하는 방법으로서 1/8로 축소된 이미지를 여러 블록으로 나누어 해색정보의 확률적 분포를 검사하는 것이다.
이러한 방법은 다양한 크기의 해색정보를 검출하고자 두 가지의 알고리즘을 동일한 영상에 대하여 적용하였다는 점에서 매우 특이한 반면에 다음과 같이 여러 가지의 문제점들을 내포하고 있다.
첫째, 2차원 카메라를 사용함에도 불구하고, 처리 속도의 문제가 발생한다는 점이다. 각각의 알고리즘을 실제 이미지에 적용하기 위해서는 우선적으로 이미지의 크기를 축소하는데 시간이 필요하게 되고, 더욱이 1/8 이미지를 얻기 위해서는 두 번의 이미지 변환을 수행해야 하는 문제가 생기게 된다.
그리고, 또한 변형된 이미지에 적용하는 라플라시안(Laplacian), 수축(Contraction), 확장(Expansion) 등의 방법도 하드웨어적으로 처리함에도 불구하고 실시간에 비하여 상당히 긴 시간이 처리 시간으로 요구된다. 이러한 문제점들은 시스템의 실시간적인 대응이라는 면에서 단점으로 지적될 수 있다.
또 다른 문제점으로는 두 가지 알고리즘의 적용을 위하여 축소된 이미지의 크기를 얼마로 정해야 하는가이다. 다시 말해서, 작은 크기의 해색 정보와 넓은 크기의 해색 정보 사이이 경계가 매우 모호하다는 의미로서, 이와 같은 사실은 이러 한 방법에 의해서 검출되지 않을 수 있는 해색정보의 존재를 무시할 수 없음을 나타낸다.
본 출원인은 이전의 방법이 내포하고 있는 문제점들을 해결하고자, 보다 간단한 방법을 이용하여 실시간적인 문제를 해결하면서, 확률적인 방법을 이용한 알고리즘의 성능평가와 발견할 수 있는 해색정보의 특징적인 범위를 제시하고자 한다.
따라서 이를 위한 본 발명은, 검출하고자 하는 해색정보에 가장 적합한 것으로 판단되는 가정과 그에 따른 확률밀도함수의 분석을 통해 해색정보를 최적으로 검출할 수 있는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법에 대한 기술을 제공함을 목적으로 한다.
본 발명의 바람직한 기술구성을 첨부한 도면에 의거하여 상술하면 다음과 같다.
해색정보의 검출은, 해색의 변화를 원격탐사의 기본으로 하는 것으로 "Ocean Color Remote Sensing"이라고도 불리며, 일례로 적조 현상, 특수조건의 오염 상태 등에 대한 해색정보를 감지해 내는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 정지궤도 해양관측 카메라의 해색정보 최 적화 검출방법에 대한 흐름도(flow chart)이다.
본 실시예에서는 먼저 도시한 바와 같이, 정지궤도 해양관측 카메라를 통해 검출하고자 하는 해색정보의 특성을 예상하여 최적화 검출에 적합할 것으로 판단되는 필터를 가정하는 제1단계(S110)를 진행하며, 이는 해색정보(S)를 필터링(filtering, h)하는 것과 관련된다.
이러한 제1단계(S110)의 진행에 있어서, 본 실시예에서는 적용되는 상황을 설명하기 위해, 간단한 형태의 해색정보와 써밍필터(summing filter)와 같은 저역 필터를 가정하였다. 하지만 본 발명은 보다 더 일반적인 다른 형태의 해색정보와 필터(filter)에 대해서도 적용이 가능하다.
따라서 아래에 도시한 바와 같이, 본 제1단계(S110)에서 가정한 써밍필터(그래프 a)를, 예상한 해색정보(그래프 b)에 적용하여 해석하면, 해색정보의 크기와 필터의 크기에 따라 처리된 결과 그래프(c) 및 결과 그래프(d)를 얻게 된다.
Figure 112005076108719-pat00001
여기서 n은 필터크기(filter size)를, d+1은 해색정보의 크기를 각각 나타낸다.
다음으로 제2단계(S120)에서는, 제1단계(S110)에서 가정한 필터에 따라 구하고자 하는 PDF함수(확률밀도함수, probability density function)의 차원을 결정하고, 상기 해색정보의 특성조건과 관련된 PDF함수를 구성하게 된다. 여기서의 특성조건이란 해색정보 최적검출과 관련된 특성으로, 결함(노이즈, noise)이나 배경 등에 대한 PDF함수를 구성하는 것 등이 해당된다.
즉 해색정보가 노이즈에 의하여 왜곡된 상태를 확률적으로 다루기 위하여 PDF함수를 사용하며, 검출 이론(detection theory)의 조건부 확률을 계산하기 위하여 해색정보(p1)와 배경(p0)에 대한 각각의 PDF함수를 결정하게 된다.
여기서, PDF함수에 대한 차원의 결정은, 검출하고자 하는 해색정보에 대해 알고 있는 정도나 사용하고자 하는 시스템의 성능 등과 매우 깊은 관계에 있다. 즉 차원을 증가한다는 것은, 검출하고자 하는 해색정보에 대하여 더 많은 사전정보를 사용하는 것을 의미하는 데, 이 해색정보에 대해 기본적으로 많은 자료를 가지고 있는 상태에서 검출을 시작한다면 차원을 증가시키는 것이 좋으며, 차원의 증가에 따라서 필터(filter)의 성능을 더욱 더 정확히 예측하는 것이 가능하여, 더 적은 수의 필터(filter)를 사용하고도 최적검출조건의 산출이 가능하게 된다.
본 실시예에서는 간단한 해색정보에 대한 것을 중심으로 설명하고 있으며, 따라서 1차원으로 차원을 결정하여 진행하는 과정을 설명한다.
1차원인 경우, 배경의 확률적인 PDF함수는 다음과 같다.
Figure 112005076108719-pat00002
σ는 노이즈의 표준편차를 나타낸다.
또한, 해색정보의 확률적인 PDF함수는
Figure 112005076108719-pat00003
위 식에서 나타난 바와 같이 해색정보의 확률적인 특성은 사용하는 필터(filter)의 크기(n)와 해색정보의 광도(x), 노이즈의 분산(σ) 등에 따라서 다양하게 나타날 수 있음을 알 수 있다.
다음으로 제3단계(S130)에서는, 제2단계(S120)에서 구성한 특성조건의 PDF함수를 적용하여, 통계가설의 모형(Criterion)에 따른 최적의 한계(threshold) 궤적을 결정하고, 이 통계가설의 모형(Criterion)을 이용하여 검출확률(Detection Probability)을 도출하게 되며, 보다 효과적이고 정확한 해색정보 검출을 위해 실패확률(Error Probability)까지도 도출하는 것이 좋다.
이때, 고려해야할 것은 어떻게 최적의 한계(threshold) 궤적을 발견하느냐는 문제인데, 이는 가정된 Q0에대하여 최소의 Q1이 되도록 결정하게 된다. 즉 정해진 Q0를 유지하면서 오인식확률(false dismissal probability) Q1(P(0ㅣ1))=Qd 를 최소로 하는 한계(threshold)를 결정하게 되는 것이다.
또한 본 제3단계(S130)에서는 통계가설의 모형(Criterion)으로 네이만-피어슨 모형(Neyman-Pearson Criterion)에서 제시한 방법을 사용해 보며, 다른 모형(Criterion)을 적용할 경우에는 그 때마다 적당한 한계(threshold)를 결정하기 위한 방법이 필요하게 된다.
본 실시예에서는 네이만-피어슨(Neyman-Pearson)의 방법을 사용하여 최적의 한계(threshold)를 나타내는 궤적을 구하고자 한다. 네이만-피어슨(Neyman-Pearson)이 제시한 방법은 한계(threshold)의 궤적은 결함의 PDF함수와 배경의 PDF 함수의 비가 일정한 선상에서 결정된다는 것으로, 아래의 식과 같이 결함과 배경의 PDF함수 비가 일정한 값보다 크게 되면, 결함으로 인식하게 된다.
Figure 112005076108719-pat00004
먼저, 이러한 통계가설의 모형(Criterion)에 따라 배경이 해색정보로 잘못 인식될 오인식확률(False Alarm Probability) Q0(=P(1ㅣ0))은
Figure 112005076108719-pat00005
이며, 여기서 th는 한계(threshold)값을 나타내고
Figure 112005076108719-pat00006
을 의미한다.
한편, 해색정보가 해색정보로 인식될 검출확률(detection probability) Qd(=P(1ㅣ1))은
Figure 112005076108719-pat00007
이 된다.
이러한 제3단계(S130)를 완료한 후에는, 검출가능영역함수(D함수)에 대한 분석을 통해 정지궤도 해양관측 카메라의 해색정보 최적화 검출을 산출하는 제4단계(S140)를 진행하게 된다.
즉 검출확률로 정의한 d에서의 검출가능영역함수(D함수)와 이에 따른 DZ(Dead Zone) 함수를 이용하여 해색정보의 최적화 검출을 위한 필터(filter)의 개수와 이 필터(filter)에 대한 대역폭을 각각 정하게 된다.
d에서의 검출가능영역함수(D함수)를 정리하면,
1) d+1> n
Figure 112005076108719-pat00008
2) n ≥ d+1
Figure 112005076108719-pat00009
따라서, 검출가능영역함수(D함수)는 필터(filter)의 성능을 비교할 수 있는 방법으로써 사용될 수 있는 특징들을 내포하고 있다. 다시 말해서, 주어진 필터(filter)의 크기에 따라서 검출할 수 있는 영역을 비교할 수 있으며, 이러한 방법을 통해서 필터(filter)의 성능을 결정할 수 있다. 이러한 검출가능영역함수(D함수)를 그래프로 도시하여 분석하면, 그 구성은 다음과 같다.
Figure 112005076108719-pat00010
위 그림에서 데드존(Dead Zone)은 어떠한 해색정보(defect)에 대해서도 주어진 확률적 특성을 만족시킬 수 없는 블라인드영역(blind region)을 의미하며, 다음의 식으로 결정되어진다.
Figure 112005076108719-pat00011
따라서, 위의 결과를 분석하면, 해색정보 최적화 검출을 위한 최적의 필터(filter) 개수는 DZ(Dead Zone)함수에서 불연속구간의 수(dead number)로서 결정할 수 있다. 그리고 각각의 필터(filter)의 크기는 동일한 DZ함수 최대명함도(dead intensity)를 가지는 필터(filter)들 중에서 검출할 수 있는 최소의 해색정보 명함도를 가지는 해색정보의 크기(최소의 dead size)를 가지는 필터(filter) 크기를 결정함으로써 해결할 수 있다.
이러한 방법으로 정한 필터(filter)들을 이용하여 구한 전체 블라인드영역 (blind region)은 근사화된 최소 영역이 되어, 본 발명에서 의도하는 바와 같이 최적화된 해색정보가 검출된다.
이상에서 기술한 바와 같이, 본 발명에 의하면 해색정보를 최적화하여 검출할 수 있고, 별도의 요구사항 없이 특정한 해색정보의 검출에 따른 정지궤도위성의 실시간적인 대처를 가능하게 하며, 해색정보와 관련된 하드웨어 시스템의 구성에도 적합한 해결책을 제공하는 효과가 있다.

Claims (5)

  1. 정지궤도 해양관측 카메라의 해색정보 검출에 있어서,
    상기 정지궤도 해양관측 카메라를 통해 검출하고자 하는 해색정보의 특성을 예상하여 최적화 검출에 적합할 것으로 판단되는 필터를 가정하는 제1단계(S110)와;
    상기 제1단계(S110)에서 가정한 필터에 따라 구하고자 하는 PDF함수(확률밀도함수, probability density function)의 차원을 결정하고, 상기 해색정보의 특성조건과 관련된 PDF함수를 구성하는 제2단계(S120)와;
    상기 제2단계(S120)에서 구성한 특성조건의 PDF함수를 적용하여, 통계가설의 모형(Criterion)에 따른 최적의 한계(threshold) 궤적을 결정하고, 이 통계가설의 모형(Criterion)을 이용하여 검출확률(Detection Probability)을 도출하는 제3단계(S130)와;
    상기 제3단계(S130)에서 도출한 검출확률(Detection Probability)에 대한 검출가능영역함수(D함수)의 분석을 통해 상기 해색정보의 최적화 검출을 산출하는 제4단계(S140)를, 포함하는 것을 특징으로 하는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법.
  2. 제1항에 있어서, 상기 제1단계(S110)는,
    써밍필터(summing filter)를 가정하는 것을 특징으로 하는, 정지궤도 해양관 측 카메라의 해색정보 최적화 검출방법.
  3. 제1항에 있어서, 상기 제2단계(S120)는,
    상기 해색정보에 대한 배경 및 결함에 대한 것을 그 특성조건으로 하여 PDF함수를 구성하는 것을 특징으로 하는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법.
  4. 제1항에 있어서, 상기 제3단계(S130)는,
    네이만-피어슨 모형(Neyman-Pearson Criterion)을 상기 통계가설의 모형(Criterion)으로 하는 것을 특징으로 하는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법.
  5. 제1항에 있어서, 상기 제4단계(S140)는,
    상기 해색정보 최적화 검출을 위한 최적의 필터(filter) 개수는 DZ(Dead Zone)함수에서 불연속구간의 수(dead number)로서 결정하고, 상기 필터(filter)의 크기는 동일한 DZ함수 최대명함도(dead intensity)를 가지는 필터(filter)들 중에서 검출할 수 있는 최소의 해색정보 명함도를 가지는 해색정보의 크기(최소의 dead size)를 가지는 필터(filter) 크기를 결정하는 것을 특징으로 하는, 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법.
KR1020050129466A 2005-12-26 2005-12-26 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법 KR100654368B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020050129466A KR100654368B1 (ko) 2005-12-26 2005-12-26 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050129466A KR100654368B1 (ko) 2005-12-26 2005-12-26 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법

Publications (1)

Publication Number Publication Date
KR100654368B1 true KR100654368B1 (ko) 2006-12-05

Family

ID=37732240

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050129466A KR100654368B1 (ko) 2005-12-26 2005-12-26 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법

Country Status (1)

Country Link
KR (1) KR100654368B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100923128B1 (ko) 2007-12-04 2009-10-23 한국항공우주연구원 확률적 노출시간 조정에 의한 위성 광학 망원경의 센서보정방법
KR101717167B1 (ko) 2016-05-24 2017-03-16 한국해양과학기술원 해양 프론트 기반의 해양 정보 분석 장치 및 방법
KR20180096096A (ko) 2017-02-20 2018-08-29 한국해양과학기술원 해색 영상을 이용한 해안선 모니터링 장치 및 방법
US20230154081A1 (en) * 2019-07-04 2023-05-18 Zhejiang University Method for reconstructing geostationary ocean color satellite data based on data interpolating empirical orthogonal functions

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020030956A (ko) * 2000-10-19 2002-04-26 김성헌 자가 송신이 가능한 부이
KR20020032133A (ko) * 2000-10-25 2002-05-03 이종훈 수평수질 및 위치정보의 동시처리 방법 및 그 시스템
KR20050107010A (ko) * 2004-05-07 2005-11-11 부산대학교 산학협력단 디지털 영상처리 기법을 이용한 식물성 플랑크톤 개체수측정방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020030956A (ko) * 2000-10-19 2002-04-26 김성헌 자가 송신이 가능한 부이
KR20020032133A (ko) * 2000-10-25 2002-05-03 이종훈 수평수질 및 위치정보의 동시처리 방법 및 그 시스템
KR20050107010A (ko) * 2004-05-07 2005-11-11 부산대학교 산학협력단 디지털 영상처리 기법을 이용한 식물성 플랑크톤 개체수측정방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100923128B1 (ko) 2007-12-04 2009-10-23 한국항공우주연구원 확률적 노출시간 조정에 의한 위성 광학 망원경의 센서보정방법
KR101717167B1 (ko) 2016-05-24 2017-03-16 한국해양과학기술원 해양 프론트 기반의 해양 정보 분석 장치 및 방법
KR20180096096A (ko) 2017-02-20 2018-08-29 한국해양과학기술원 해색 영상을 이용한 해안선 모니터링 장치 및 방법
US20230154081A1 (en) * 2019-07-04 2023-05-18 Zhejiang University Method for reconstructing geostationary ocean color satellite data based on data interpolating empirical orthogonal functions
US11790580B2 (en) * 2019-07-04 2023-10-17 Zhejiang University Method for reconstructing geostationary ocean color satellite data based on data interpolating empirical orthogonal functions

Similar Documents

Publication Publication Date Title
KR102345873B1 (ko) 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템
CN108806334A (zh) 一种基于图像的智能船舶身份识别方法
EP1462994B1 (en) Method and system for identifying objects in an image
CN111222526B (zh) 一种渔船实时捕捞行为识别方法、装置、设备及存储介质
US20160005182A1 (en) Method, system and software module for foreground extraction
KR20090086898A (ko) 비디오 카메라를 사용한 연기 검출
CN103020906B (zh) 一种星敏感器白天测星图像的预处理方法
KR100654368B1 (ko) 정지궤도 해양관측 카메라의 해색정보 최적화 검출방법
US20220128358A1 (en) Smart Sensor Based System and Method for Automatic Measurement of Water Level and Water Flow Velocity and Prediction
CN110782436A (zh) 一种基于计算机视觉的传送带物料状态检测方法
Kuru et al. Intelligent airborne monitoring of irregularly shaped man-made marine objects using statistical Machine Learning techniques
KR101986025B1 (ko) 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법
CN107274410B (zh) 自适应的人造目标恒虚警率检测方法
CN109557109B (zh) 冷冻肉品包装状态的检测方法及装置
CN115331162A (zh) 一种跨尺度红外行人检测方法、系统、介质、设备及终端
Heyn et al. A system for automated vision-based sea-ice concentration detection and floe-size distribution indication from an icebreaker
CN112927459B (zh) 一种基于无人机视觉的九宫格火势预测方法及应用
KR102040562B1 (ko) 영상정보를 활용한 시정거리 추정 방법
CN115063427B (zh) 用于新型船舶的污染物排放监控图像处理方法
US20240320848A1 (en) Pollution level estimation system, pollution level estimation method, and pollution level estimation program
JPH0721388A (ja) 画像認識装置
Kuru et al. Intelligent airborne monitoring of irregularly shaped man-made objects in the maritime ecosystem using statistical Machine Learning techniques
EP3647994B1 (en) Automated generation of training images
KR102578809B1 (ko) 자율 주행 수상 드론을 이용한 해양 부유물 데이터 제공 장치 및 그 방법
Smith et al. The statistical characterization of the sea for the segmentation of maritime images

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee