KR101414045B1

KR101414045B1 - 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법

Info

Publication number: KR101414045B1
Application number: KR1020130072421A
Authority: KR
Inventors: 김덕환; 유재환
Original assignee: 인하대학교 산학협력단
Priority date: 2013-06-24
Filing date: 2013-06-24
Publication date: 2014-07-02

Abstract

분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 방법이 개시된다. 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법은 미리 설정된 차원 축소 개수에 기초하여, 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 단계과, 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 추출된 후보자의 차원 축소된 분광라이브러리 데이터 및 입력된 초분광영상의 차원 축소 데이터에 기초해 표적을 탐지하는 단계를 포함하여 구성된다. 따라서, 적은 차원을 이용하여 높은 탐지율을 획득할 수 있다.

Description

분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법{METHOD FOR DETECTING TARGET USING HYPERSPECTRAL IMAGE USING INPUTTED SPECTRAL LIBRAY DATA}

본 발명은 표적탐지방법에 관한 것으로, 더욱 상세하게는 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법에 관한 것이다.

원격탐사분야에서는 위성을 이용한 물질 분류, 표적 탐지 등을 위해 초분광영상(Hyperspectral Image)과 분광라이브러리 색인을 이용한 많은 연구들이 이루어지고 있다. 초분광영상은 NASA의 AVIRIS위성, 항공기의 CASI 센서 등을 이용하여 공중에서 촬영되는 영상을 의미한다.

초분광영상의 파장 범위는 400 ~ 2500nm이며, 파장의 폭은 약 10nm이기 때문에 초분광영상은 수십에서 수백 개의 밴드를 가지고 있다. 이러한 이유로 초분광영상을 이용하면 물질 분류와 표적 탐지는 물론 위장체까지도 탐지할 수 있다.

분광 라이브러리는 지표에 존재하는 다양한 물질에 대한 분광 반사율 자료를 모아놓은 일종의 데이터베이스로, 지상에서 근거리로 측정되기 때문에 다른 분광 측정기와 비교했을 때 노이즈가 적은 장점이 있다.

또한, 분광 라이브러리는 400 ~ 2500nm 파장 범위에서 약 1 ~ 10nm 파장의 폭을 가지고 있어, 물질 비교 및 특성을 분석하기 위하여 참조 데이터로 사용되고 있다.

그러나, 초분광영상 및 분광라이브러리 모두는 반사율 값으로 구성되어 있으며, 하나의 픽셀(pixel) 당 수백에서 수천 개의 차원으로 구성되어 있다. 따라서, 큰 저장 공간과 긴 처리 시간을 필요로 하고, 색인 구축 시에도 차원의 저주(Curse of dimension)가 발생하는 문제가 있다.

최근에 차원의 저주 문제를 해결하기 위해 PCA(Principle component Analysis)와 ICA(Independent Component Analysis), SAM(Spec-tral Angle Mapper), ED(Euclidean Distance) 등을 이용한 색인 및 분광정합 알고리즘에 관한 연구가 제안 되었다.

그러나, PCA(Principle component Analysis)와 ICA(Independent Component Analysis), SAM(Spec-tral Angle Mapper), ED(Euclidean Distance) 등을 이용한 색인 및 분광정합 알고리즘들은 분광 특징들을 이용하지 못하거나, 단순히 분광곡선의 벡터 또는 각을 계산하여 처리량을 감소시킬 수 있으나, 데이터에 대한 정확도가 떨어지는 문제가 있다.

한편, 색인 구축 시 발생하는 차원의 저주 문제를 해결하기 위해 제안된 피라미드 기법을 이용한 색인 구축 알고리즘과 영역질의 기반의 k-최근접 질의 알고리즘은 질의 처리에서 잘못 추출된 데이터를 필터링하기 위하여 ISMF(Integrated spectral matching filter)를 수행하여야 하며, 이때 모든 밴드를 비교하기 때문에 많은 시간을 필요로 하는 문제가 있다.

[ 1 ] Dimitris Manolakis, David Marden, Gary A. Shaw, "Hyperspectral image Processing for Automatic Target Detection Applications," Lincoln Laboratory Journal, vol.14, pp.79-116, 2003. [ 2 ] Akira hirano, Marguerite Madden, Roy Welch, "Hyperspectral Image Data for Mapping Wetland Vegetation," Wetlands1, vol.23, Issue.2, pp.436-448, 2003. [ 3 ] Jae-Hwan Yu, Deok-Hwan Kim, "Performancecomparison of target detection between Hyperspectral Image and Multispectral Image using Indexing and Query based on Pyramid-technique," In proceedings of KCC2011, vol.38, no.2(C), pp. 21-24, 2011. [ 4 ] Stefan Berchtold, Christian Bohm, Daniel A.Keim, Hans-Peter Kriegel, "A cost model for nearest neighbor search in high-dimensional data space," In Proceedings of PODS, pp.78-86, 1997. [ 5 ] Piotr Indyk, Rajeev Motwani, "Approximate Nearest Neighbors: Towards Removing the cuse of Dimensionality," In Proceedings of the thirtieth annual ACM symposium on Theory of computing, pp.605-613, 1998. [ 6 ] Suresh Subramanian, Nahum Gat, Alan Ratcliff, Michael Eismann, "Real-time Hyperspectral Data Compression Using Principal Components Transformation," In Proceedings of MSS Specialty Group on Passive Sensors, 2000. [ 7 ] Mercier, G. Mouchot, M.C, Hubert-Moy, L., "Independent component analysis as a tool for the dimensionality reduction and the representation of hyperspectral images," In Proceeding International Conference on IGARSS'01, vol.6, pp.2893-2895l, 2001. [ 8 ] Roberta H. Yuhas, Alexander F.H. Goetz, Joe W. Boardman, "Discrimination among SEMI-ARID landscape endmembers using the Spectral Angle Mapper(SAM)," JPL, Summaries of the Third Annual JPL Airborne Geoscience Workshop. Volume1: AVIRIS Workshop, pp.147-149, 1992. [ 9 ] Philip E. Dennison, Kerry Q. Halligan, Dar A. Roberts, "A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectralangle mapper," Remote Sensing of Environment, vol.93, Issue.3, pp.359-367, 2004. [10] Jae-Hwan Yu, Deok-Hwan Kim, "SPVD based Dimension Reduction Algorithm using Vector Angle of Spectral Curve for Material Classification," In proceedings of KCC2012, Proceedings, vol.39, no.1(B), pp.387-389, 2012. [11] Jae-Hwan Yu, Jung-il Shin, Deok-Hwan Kim, "An Indexing and K-NN Query Algorithm based on Pyramid-technique for Target Detection of Hyperspectral Image," Journal of KISS : Databases, vol.39, Issue.3, pp.180-192, 2003. [12] Fuan Tsai, William Philpot, "Derivative Analysis of Hyperspectral Data," Remote Sensing of Environment, vol.66, Issue.1, pp.41-51, Oct. 1998. [13] Brian L. Beckera, David P. Luschb, Jiaguo Qic, "Identifying optimal spectral bands from in situmeasurements of Great Lakes coastal wetlands using second-derivative analysis," Remote Sensing of Environment, vol.97, Issue.2, pp.238-248, Jul. 2005. [14] Stefan Berchtold, Christian Bohm, Daniel A.Keim, Hans-Peter Kriegel, "A cost model for nearest neighbor search in high-dimensional data space," In Proceedings of PODS, pp.78-86, 1997. [15] Piotr Indyk, Rajeev Motwani, "Approximate Nearest Neighbors: Towards Removing the cuse of Dimensionality," In Proceedings of the thirtieth annual ACM symposium on Theory of computing, pp.605-613, 1998. [16] Stefan Berchtold, Christian Bohm, Hans-Pter Kriegel, "The Pyramid-Techique: Towards Breaking the Curse of Dimensionality," In Proceedings of Conference ACM SIGMOD, pp.142-153, 1998. [17] Rui Zhang, Beng Chin Ooi, Kian-lee Tan, "Making the Pyramid Technique Robust to Query Types and Workloads," In Proceedings of 20th International Conference on ICDE'04, pp.313-324, 2004. [18] In Hae Yuk, Seok Hee Lee, Jae Soo Yoo, Ki Hyung Cho, "An Efficient High-Dimensional Index Structure for Large Image Data," Journal of KIISE : DATABASE, vol.27, no.3, pp.511-521, Sep. 2000.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은, 초분광영상의 분광특성을 정확하게 반영할 수 있는 초분광영상을 이용한 표적탐지 방법을 제공하는 데 있다.

상기한 본 발명의 목적을 달성하기 위한 본 발명의 일 실시예에 따른 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 방법은, 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 상기 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 단계와, 상기 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터 및 상기 입력된 초분광영상의 차원 축소 데이터에 기초해 상기 표적을 탐지하는 단계를 포함하여 구성된다.

여기서, 상기 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 상기 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 단계는, 상기 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하는 단계와, 상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들 간의 반사율 값을 비교하여, 밴드들 간의 반사율의 변화량을 판별하는 단계와, 상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계와, 각각의 차원에 대한 상기 양벡터 각과 상기 음벡터 각 사이의 끼인각을 계산하는 단계를 포함할 수 있다.

또한, 상기 미리 설정된 개수의 밴드는, 15개 이상일 수 있다.

또한, 상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계는, 양의 변화량을 갖는 밴드의 개수 및 음의 변화량을 갖는 밴드의 개수를 가중치로 고려할 수 있다.

또한, 상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계는, 상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들간의 파장의 차이를 산출하고, 상기 파장의 차이를 합하여 산출될 수 있다.

또한, 상기 미리 설정된 개수의 밴드들간의 파장의 차이는, n번째 밴드와 n-1 번째 밴드간의 파장의 차이를 의미할 수 있다.

또한, 상기 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터 및 상기 입력된 초분광영상의 차원 축소 데이터에 기초해 상기 표적을 탐지하는 단계는, 상기 분광라이브러리 데이터를 상기 추출된 후보자에 상응하여 차원을 축소하는 단계와, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터와 상기 입력된 초분광영상의 차원 축소 데이터의 모든 차원의 벡터각을 비교하는 단계와, 각각의 차원에 대한 상기 벡터각의 비교값이 미리 설정된 기준각을 만족하는 경우, 같은 밴드로 분류하고, 상기 미리 설정된 기준각을 만족하지 않는 경우, 다른 밴드로 분류하는 단계와, 상기 각각의 차원에 대한 벡터각의 비교값을 합하여 정합율을 계산하고, 상기 정합율이 미리 설정된 기준을 만족하는 경우, 상기 표적을 탐지한 것으로 판단하는 단계를 포함할 수 있다.

여기서, 상기 미리 설정된 기준각은, 5도일 수 있다.

여기서, 상기 미리 설정된 기준은, 0.70이상일 수 있다.

상기한 본 발명의 다른 목적을 달성하기 위한 본 발명의 일 실시예에 따른 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 장치는, 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 상기 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 물질분류부와, 상기 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터 및 상기 입력된 초분광영상의 차원 축소 데이터에 기초해 상기 표적을 탐지하는 표적탐지부를 포함하여 구성된다.

또한, 상기 물질분류부는, 상기 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하는 물질분리모듈과, 상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들 간의 반사율 값을 비교하여, 밴드들 간의 반사율의 변화량을 판별하는 변화량판별모듈과, 상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 벡터각산출모듈과, 각각의 차원에 대한 상기 양벡터 각과 상기 음벡터 각 사이의 끼인각을 계산하는 끼인각계산모듈을 포함할 수 있다.

여기서, 상기 미리 설정된 개수의 밴드는, 15개 이상일 수 있다.

또한, 상기 벡터각산출모듈은, 양의 변화량을 갖는 밴드의 개수 및 음의 변화량을 갖는 밴드의 개수를 가중치로 고려하여 산출할 수 있따.

또한, 상기 벡터각산출모듈은, 상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들간의 파장의 차이를 산출하고, 상기 파장의 차이를 합산하여 상기 양벡터 각 또는 음벡터 각을 산출할 수 있다.

여기서, 상기 미리 설정된 개수의 밴드들간의 파장의 차이는, n번째 밴드와 n-1 번째 밴드간의 파장의 차이를 의미할 수 있다.

또한, 표적탐지부는, 상기 분광라이브러리 데이터를 상기 추출된 후보자에 상응하여 차원을 축소하는 차원축소모듈과, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터와 상기 입력된 초분광영상의 차원 축소 데이터의 모든 차원의 벡터각을 비교하는 비교모듈과, 각각의 차원에 대한 상기 벡터각의 비교값이 미리 설정된 기준각을 만족하는 경우, 같은 밴드로 분류하고, 상기 미리 설정된 기준각을 만족하지 않는 경우, 다른 밴드로 분류하는 밴드분류모듈과, 상기 각각의 차원에 대한 벡터각의 비교값을 합하여 정합율을 계산하고, 상기 정합율이 미리 설정된 기준을 만족하는 경우, 상기 표적을 탐지한 것으로 판단하는 표적탐지모듈을 포함할 수 있다.

여기서, 상기 미리 설정된 기준각은, 5도일 수 있다.

여기서, 상기 미리 설정된 기준은, 0.70이상일 수 있다.

상기와 같은 본 발명에 따른 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법에 따르면, 종래의 표적탐지 알고리즘에 비해 정확한 특징의 추출이 가능하다.

또한, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법은 적은 차원을 이용하여, 종래의 표적탐지 알고리즘에 비하여 높은 탐지율을 획득할 수 있다.

또한, 차원축소 과정에서 미분분광법과 유사한 과정을 거치기 때문에 전처리가 필요 없는 장점이 있다.

따라서, 전처리 과정의 생략과 적은 차원으로 인하여 종래의 알고리즘보다 처리 속도 및 검색시간이 감소되는 장점이 있다.

도 1은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지 방법의 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지방법에서 초분광영상을 G 개의 그룹으로 분리한 그래프 및 차원이 축소된 벡터 각을 나타내는 그래프이다.
도 3은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지방법에서 SPVD 질의 필터를 이용한 벡터 각을 비교하는 그래프이다.
도 4는 EO-1 위성을 이용하여 촬영된 서울의 HSI 및 인천의 HSI를 나타내는 예시도이다.
도 5는 서울 HSI의 차원 축소 밴드 수에 따른 분류 정확도를 나타낸 그래프이다.
도 6은 인천 HSI의 차원 축소 밴드 수에 따은 분류 정확도를 나타낸 그래프이다.
도 7은 서울 HSI를 이용하여 물질을 분류한 영상을 나타내는 예시도이다.
도 8은 인천 HSI를 이용하여 물질을 분류한 영상을 나타내는 예시도이다.
도 9는 인천 HIS의 인하대학교 부분의 측정지역과 실험에 사용된 픽셀을 나타내는 예시도이다.
도 10은 색인 필터별 검색 시간을 나타내는 그래프이다.
도 11은 나지토양에 대한 질의 필터별 탐지율을 나타내는 그래프이다.
도 12는 아스팔트에 대한 질의 필터별 탐지율을 나타내는 그래프이다.
도 13은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지 장치의 구성을 나타내는 블록도이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지 방법의 흐름도, 도 2는 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지방법에서 초분광영상을 G 개의 그룹으로 분리한 그래프 및 차원이 축소된 벡터 각을 나타내는 그래프, 도 3은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지방법에서 SPVD 질의 필터를 이용한 벡터 각을 비교하는 그래프이다.

도 1 내지 도 3을 참조하면, 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 방법으로, 표적탐지방법은 미리 설정된 차원 축소 개수에 기초하여, 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류한다(S100).

다음으로, 표적탐지방법은 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 추출된 후보자의 차원 축소된 분광라이브러리 데이터 및 입력된 초분광영상의 차원 축소 데이터에 기초해 표적을 탐지한다(S200).

구체적으로, 단계 S100은 미리 설정된 차원 축소 개수에 기초하여, 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리할 수 있다(S110). 여기서, 미리 설정된 개수의 밴드는, 15개 이상일 수 있다.

다음으로, 복수개의 그룹에 포함되는 미리 설정된 개수의 밴드들 간의 반사율 값을 비교하여, 밴드들 간의 반사율의 변화량을 판별할 수 있다(S120).

다음으로, 복수개의 그룹의 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출할 수 있다(S130). 여기서, 양의 변화량을 갖는 밴드의 개수 및 음의 변화량을 갖는 밴드의 개수를 가중치로 고려할 수 있다. 또한, 단계 S130은 복수개의 그룹에 포함되는 미리 설정된 개수의 밴드들간의 파장의 차이를 산출하고, 파장의 차이를 합하여 산출될 수 있다. 여기서, 미리 설정된 개수의 밴드들간의 파장의 차이는, n번째 밴드와 n-1 번째 밴드간의 파장의 차이를 의미할 수 있다.

다음으로, 각각의 차원에 대한 양벡터 각과 음벡터 각 사이의 끼인각을 계산할 수 있다(S140).

한편, 단계 S200은 분광라이브러리 데이터를 추출된 후보자에 상응하여 차원을 축소할 수 있다(S210).

다음으로, 추출된 후보자의 차원 축소된 분광라이브러리 데이터와 입력된 초분광영상의 차원 축소 데이터의 모든 차원의 벡터각을 비교할 수 있다(S220).

다음으로, 각각의 차원에 대한 벡터각의 비교값이 미리 설정된 기준각을 만족하는 경우, 같은 밴드로 분류하고, 미리 설정된 기준각을 만족하지 않는 경우, 다른 밴드로 분류할 수 있다(S230). 여기서, 미리 설정된 기준각은 5도일 수 있다.

다음으로, 각각의 차원에 대한 벡터각의 비교값을 합하여 정합율을 계산하고, 정합율이 미리 설정된 기준을 만족하는 경우, 표적을 탐지한 것으로 판단할 수 있다(S240). 여기서, 미리 설정된 기준은, 0.70이상일 수 있다.

이하에서는, 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 표적탐지방법을 수학식 1 내지 수학식 12를 이용하여 구체적으로 설명한다.

SPVD(Spectral Pair Vector Decomposition) 차원축소 알고리즘은 사용자가 원하는 차원 축소 개수에 따라 일정한 밴드 개수를 갖는 G개의 그룹으로 분리할 수 있다(S110).

여기서, 각각의 그룹에 속하는 밴드의 개수는 최소 15개 이상이 포함 되도록 설정해야한다. 이는 한 그룹 당 밴드의 개수가 15미만 일 경우에 적은 밴드 개수로 인하여 특징 벡터를 제대로 추출할 수 없기 때문이다.

상기와 같은 이유로, 본 실험예에서 그룹 당 밴드의 개수를 최소로 하여 15개를 설정하였다.

도 2(a)는 본 발명의 일 실시예에 따른 분광 데이터를 G개의 그룹으로 분리한 초분광영상의 반사율 그래프이며, 이렇게 분리된 그룹들은 각각 판별식을 이용하여 밴드의 변화량을 확인할 수 있다(S120). 판별식은 하기의 수학식 1과 같다.

여기서,

이고, b는 전체 밴드의 개수를 의미한다.

은 n 번째 밴드의 반사율 값을 의미한다. 즉, 다음밴드와 현재 밴드의 반사율 값을 비교하여 다음 밴드까지의 변화량을 양과 음으로 판별할 수 있다.

각각의 그룹별로 모든 밴드를 상기 수학식 1을 이용하여 판별할 수 있다.

이렇게 판별된 값이

인 경우에 양의 벡터를 계산하는 식에 사용되고,

인 경우에 음의 벡터를 계산하는 식에 사용될 수 있다.

이렇게 판별된 그룹들의 모든 밴드들은 판별된 값에 따라 양벡터 각과 음벡터 각을 계산할 수 있으며, 하기의 수학식 2 및 3은 양과 음의 벡터 계산을 위하여 높이를 구하는 식이다.

수학식 2 및 수학식 3에서

은 그룹별로

로 판별된 밴드의 총 개수이고,

은

로 판별된 밴드의 총 개수를 의미한다.

여기서,

와

은 각각 양의 변화량과 음의 변화량을 갖는 밴드의 개수를 의미한다. 이 때,

이며,

이다.

즉, 변화량에 따라

일 경우는,

를 계산하고,

일 경우는

을 각각 계산한다.

이 경우에, 양과 음의 변화량을 갖는 밴드의 개수에 따라 가중치를 부여하기 위해 양과 음의 밴드의 개수를 곱하고, 파장 값과 반사율 값의 자릿수가 균일하도록 100을 곱하여 비율을 백분율로 변경한다. 높이는 각 그룹에서 다음 밴드의 반사율 값과 현재 밴드의 반사율 값의 차의 합으로서 계산될 수 있다.

다음으로, 벡터 각 계산을 위해 밑변을 구해야하며, 밑변은 하기의 수학식 4 및 5를 이용하여 구할 수 있다.

상기 수학식 4에서

은 i번째 밴드의 파장 값을 의미한다. 상술한 수학식 2 및 수학식 3이 밴드의 반사율 값이었다면, 수학식 4 및 수학식 5는 파장 값을 사용한다.

양의 벡터 계산을 위한 밑변

와, 음의 벡터 계산을 위한 밑변

은 각각의 그룹에서 모든 밴드를 다음 밴드의 파장과 현재 밴드의 파장의 차를 계산하고, 이를 합하는 것으로 계산될 수 있다.

이렇게 계산된 밑변과 높이는 하기의 수학식 6 및 수학식 7을 이용하여 양 벡터 각과 음 벡터 각을 계산할 수 있다(S130).

상기 수학식 6 및 수학식 7을 이용하여 계산된 하나의 그룹의 양, 음 벡터 각은 2차원의 데이터가 된다.

즉, G 개의 그룹은 2G개의 차원을 갖게되며, SPVD 알고리즘을 이용하여 차원이 축소된 벡터 각을 나타내는 도 2(b)에서 확인할 수 있다.

한편, SPVD 알고리즘을 이용한 물질 분류는 수학식 8을 이용하여 각 차원의 양 벡터 각과 음 벡터 각의 끼인각을 계산할 수 있다(S140).

여기서,

는 양 벡터 각이며,

은 음 벡터 각이며,

은 양 벡터 각과 음 벡터 각의 끼인각을 의미한다.

이렇게 계산된 d 차원의 끼인각은 K-Means 클러스터링을 이용하여 물질을 분류할 수 있다.

도 3은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지방법에서 SPVD 질의 필터를 이용한 벡터 각을 비교하는 그래프이다.

도 3을 참조하면, 본 발명의 초분광영상을 이용한 표적탐지 방법은 분광 데이터 특성에 맞는 영역 질의 기반의 k-최근접 질의 알고리즘을 사용할 수 있으며, 이는 기존의 피라미드 기법을 이용한 영역 질의 알고리즘은 각 차원의 지정된 범위만 질의 수행이 가능한 단점이 있기 때문에 영역 질의 기반의 k-최근접 질의 알고리즘을 사용한다(S200).

구체적으로, 기존의 영역 질의가 피라미드 단계에서 질의 영역을 결정했다면, 영역 질의 기반의 k-최근접 질의는 B+ - Tree에서 질의 영역을 결정하며, 다음으로 기존과 같은 방법으로 k개의 후보자가 검색이 될 때까지 질의를 수행한다.

즉, k-최근접 질의를 이용하여 추출된 후보자는 SPVD 질의 필터를 이용하여 후보자를 필터링할 수 있다. SPVD 질의 필터는 하기 도 3과 같이 총 3 단계로 구성될 수 있다.

구체적으로, SPVD 질의 필터는 입력된 데이터를 SPVD차원 축소 알고리즘을 이용하여 차원을 축소한다(S210). 이 경우, 추출된 후보자의 차원 축소 데이터는 Leaf Node에 배치되기 때문에 입력된 데이터만 차원축소를 수행한다.

다음으로, 차원축소가 수행된 입력된 데이터와 추출된 후보자의 차원축소 데이터를 모든 차원의 각을 비교하는 것으로 판별이 수행된다(S220). 하기 수학식 9는 이를 나타낸다.

여기서,

는 색인에서 추출된 분광라이브러리 데이터의 차원축소된 d번째 밴드이고,

는 입력된 초분광영상의 d번째 밴드를 의미한다. 즉, 추출된 후보자를 기준으로 차원축소된 분광라이브러리의 d번째 밴드의 각과 입력된 초분광영상의 d번째 밴드 각의 차가 5도 이하라면, 같은 밴드로 분류하여

으로 결정하고, 그렇지 않은 경우 다른 밴드로 분류하고,

으로 분류한다(S230).

이 때, 양 벡터 각과 음 벡터 각은 각각 1개의 차원으로 보고 모두 판별을 수행한다.

다음으로, 하기의 수학식 10을 이용하여 계산된

의 합을 계산하여, 정합율을 계산할 수 있다. 여기서, 정합율의 계산은 하기의 수학식 10과 같다.

여기서, 2g는 SPVD 차원축소 알고리즘을 이용하여 계산된 양 벡터 각과 음 벡터 각의 총 개수를 의미한다. 즉, 상기 수학식 9를 이용하여 판별된

의 합과 총 밴드의 개수를 나누어 정합율을 계산할 수 있다.

여기서, r이 0.70이상인 경우라면, 같은 물질로 보고 최종후보자로 입력하고, 그렇기 않다면, 다른 물질로 분류하고 후보자에서 제외하게 된다(S240).

도 4는 EO-1 위성을 이용하여 촬영된 서울의 HSI 및 인천의 HSI를 나타내는 예시도이다.

도 4를 참조하면, EO-1 위성을 이용하여 촬영된 서울 HSI(도 4(a))와 국내에서 처음으로 항공기에서 CASI-1500 초분광영상 측정기를 이용하여 촬영된 인천 HSI(도 4(b))가 도시되어 있다.

구체적으로, 서울 HSI는 406.4 ~ 2496.39nm의 파장 범위에서 총 228밴드를 가지고 있으며, 해상도는 30m이다. 서울 HSI이다. 인천 HSI는 365.2∼1044.6nm의 파장범위에서 약 7nm씩 총 96밴드를 가지고 있다. 해상도는 7m이며 그림 4(b)는 인천 HSI이다.

여기서, 색인 구축을 위해 사용된 분광라이브러리는 USGS, ASTER의 분광라이브러리와 신규 측정된 분광데이터를 합쳐 총 720개를 사용하였으며, 신규 분광 데이터는 Field-Spec-3를 이용하여 측정되었으며, 파장영역은 350 ~ 2500nm에서 1nm씩 총 2150밴드를 가지고 있다.

실험 환경은 Intel Core I7-2600K, Windows 7 64bit, GeForce GTX560TI가 사용되었으며, 구축 프로그램으로는 물질 분류에는 ENVI와 MATLAB을 이용하였고, 색인 구축은 Visual Sutdio 2010을 사용하였다. 색인은 상술한 SPVD 차원축소 및 SPVD 징의 필터를 사용하여 구축하였으며, 노드의 개수는 총 51개이고, 페이지 크기는 26kb로 구성하였다.

상술한 실험환경에서 차원축소 밴드 수에 따른 분류와 기존의 차원축소 방법의 물질분류 성능을 비교하기 위하여 도 4의 서울, 인천 HIS를 사용하였으며, 물질 분류의 정확도 비교를 위하여 대한민국 환경부에서 제공받은 토지피복대분류 지도를 사용하였다.

도 5는 서울 HIS의 차원 축소 밴드 수에 따른 분류 정확도를 나타낸 그래프이다.

초분광영상은 영상에 따라 혹은 지역에 따라 최적화 차원축소 개수가 다르므로, 물질 분류 실험을 하기 전 인천 HSI와 서울 HSI의 최적화된 차원 수를 알아보기 위하여 육안으로 확실히 구분되는 6개(물, 빌딩, 불모지, 잔디, 침엽수림, 농지)의 물질을 500픽셀씩 총 3000픽셀을 추출하였다. 그 후, k-Means 클러스터링 알고리즘을 이용하여 물질을 분류하였으며, 도 5는 서울 HSI에 대한 실험 결과를 나타낸다.

각각의 차원축소 알고리즘에 대하여 80%가 넘는 시점은 SPVD가 8차원일 때 87.94%였고, PCA는 80차원일 때 90.78%, ICA는 90차원일 때 88.4% 이어서 PCA가 제일 높은 성능을 보여주었다.

그러나, 분류 정확도가 70% 이상이 되는 시점은 PCA가 50차원 일 때 84.1%, ICA가 30차원 일 때 85.61%로 나타나며 SPVD보다 많은 차원수를 갖으나 정확도는 떨어졌다. 따라서, 서울 HSI를 이용한 실험에서는 SPVD는 8차원, PCA는 50차원 ICA는 30차원으로 결정하였다.

도 6은 인천 HIS의 차원 축소 밴드 수에 따은 분류 정확도를 나타낸 그래프이다.

도 6을 참조하면, 인천 HSI를 이용한 물질분류 실험으로, SPVD의 경우 4차원일 때 86.78%의 정확도를 보였고, PCA는 35차원에서 76.22%, ICA는 51차원에서 80%를 보여준다.

즉, SPVD알고리즘이 저차원에서 제일 높은 성능을 보여주는 것을 확인하였다. 실험 결과 인천 HSI를 이용한 실험에서는 SPVD는 4차원, PCA는 35차원, ICA는 51차원으로 각각 차원축소를 하였다.

실험결과 SPVD 차원축소 알고리즘은 밴드를 그룹으로 분류하고 특징을 추출하기 때문에 그룹의 개수가 4개 이상이면서, 그룹 내에 포함된 밴드의 수가 많을수록 정확도가 높아지는 것을 확인하였다.

즉, 차원수가 적을수록 어느 기준점까지 높은 정확도를 보였고, 차원수가 많아질수록 정확도가 서서히 감소되었다. 또한, 그룹당 밴드 포함 개수가 2개 이하가 되었을 경우에는 원래의 신호와 동일한 값을 갖게 되기 때문에 정확도가 다시 상승하는 것을 확인하였다.

따라서 SPVD 차원축소 알고리즘을 이용할 때의 제약조건으로 차원축소 차원의 개수는 한 개의 그룹 당 15개 이상 밴드가 배치되도록 설정해주어야 한다는 것을 확인하였다.

도 7은 서울 HIS를 이용하여 물질을 분류한 영상을 나타내는 예시도, 도 8은 인천 HIS를 이용하여 물질을 분류한 영상을 나타내는 예시도이다.

도 7을 참조하면, SPVD와 PCA, ICA 차원축소 방법과 차원축소를 하지 않은 경우에 대하여 총 4가지 물질(빌딩, 식물, 농지, 물)을 분류하여 실험한 결과영상이다. 여기서, 도 7(a)는 Ground Truth, 도 7(b)는 SPVD, 도 7(c)는 PCA, 도 7(d)는 ICA, 도 7(e) Original을 나타낸다. 또한, 분류 영상에서 붉은색은 빌딩, 녹색은 식물, 연두색은 농지, 파란색은 물을 나타낸다.

실험결과에 따르면, SPVD 차원축소 알고리즘이 평균 86.48%의 정확도로 좋은 성능을 보여주는 것을 확인할 수 있다. 이와 반대로 ICA, PCA, Original은 물의 경우 100%에 근접할 정도로 정확도가 높았으나, 농경지와 숲의 경우 50%이하의 정확도를 보였다.

그러나, SPVD 차원축소 알고리즘은 전체적으로 약 85%의 정확도를 보이면서 제일 높은 정확도를 보였고, 전체적으로 물질을 비슷한 정확도로 분류하였다.

도 8은 인천 HSI를 이용하여 물질을 분류한 영상을 나타내는 예시도로서, 차원축소 알고리즘에 따른 물질 분류 영상을 나타내며, 도 8(a)는 Ground Truth, 도 8(b)는 SPVD, 도 8(c)는 PCA, 도 8(d)는 ICA, 도 8(e)는 Ori-ginal알고리즘에 따른 결과영상을 나타낸다. 또한, 하기의 표 2는 인천 HSI를 이용한 물질 분류의 결과를 나타낸다.

한편, 인천 HSI의 경우 해상도가 동일한 지상검증자료(Ground truth)를 제공하는 곳이 없어, 인천 HSI영역 중 인하대 부분을 추출한 뒤 실측을 통하여 지상검증자료를 제작하였다.

실험결과 SPVD 차원축소 알고리즘은 70.09%, ICA는 34.03%, PCA는 24.36%, Original알고리즘은 18.23%로 정확도를 보여 SPVD가 가장 좋은 성능을 보여주었다.

한편, 인천 HSI의 경우 해상도가 높고, 환경 문제로 인하여 전체적으로 낮은 성능을 보였지만, SPVD 차원축소 알고리즘의 경우 차원축소 과정에서 상대적인 값으로 자연스럽게 보정되면서 다른 차원축소 알고리즘보다 좋은 성능을 보임을 확인할 수 있다.

즉, 물질 분류 실험 결과 SPVD 차원축소 알고리즘이 다른 차원축소 알고리즘보다 낮은 밴드에서 높은 정확도를 보여주었다.

도 9는 인천 HIS의 인하대학교 부분의 측정지역과 실험에 사용된 픽셀을 나타내는 예시도이다.

도 9를 참조하면, 색인 필터의 표적탐지에 대한 정확도를 비교할 수 있다. 색인 필터 비교에는 인천 HSI영상이 사용되었으며, 실험을 위하여 초분광영상에서 확인 가능한 2개의 물질(아스팔트, 나지토양)을 각각 20개를 선점한 후 실제 위치에서 분광 데이터를 수집한 뒤 색인구축에 사용하였다.

또한, 색인 구축에는 40개의 분광 데이터를 추가하여 총 760개의 데이터가 사용되었다. 비교 기술에는 순차검색(Sequential Scan), 필터를 사용하지 않았을 때(No_F), 적분정확필터(ISMF), SAM(Spectral Angle Mapper), ICA가 사용됐다. 이때 SAM은 위상의 각을 ICA는 각각의 차원을 비교하여 70%이상 같을 때 최종 후보자로 추출하도록 하였다.

도 10은 색인 필터별 검색 시간을 나타내는 그래프이며, 필터별 검색 시간 비교를 위하여 k-최근접 질의의 k개 개수를 점차 늘려가며 실험을 진행하였다.

실험은 초분광영상에서 무작위로 60개의 데이터를 출력하고, 각 필터별로 k의 개수를 늘려가며 실험을 진행하였다.

k≤10일 때는, 5개의 알고리즘은 거의 동일한 검색 시간을 보였다. 그러나, 모든 밴드를 비교하는 ISMF와 SAM의 경우 k=10부터 검색시간이 점차 증가하다가, k=25일 때 15초가 넘는 시간이 걸렸다.

이에 비해, 본 발명의 SPVD와 ICA는 차원축소 된 데이터로 인하여 No_F보다 검색속도는 오래 걸렸지만 필터를 사용한 알고리즘 중에서는 가장 빠른 속도를 보였다.

하지만, ICA의 경우 높은 차원으로 인하여 k=25일 때 8.25초 걸리며, SPVD의 4.24초보다 오래 걸렸다. 단순 검색시간 비교 결과 제안한 SPVD 질의 필터는 k=5일 때 2.13초 걸리면서 No_F 다음으로 빠른 속도를 보였다.

도 11은 나지토양에 대한 질의 필터별 탐지율을 나타내는 그래프로서, 표적탐지 실험에는 초분광영상 내에서 나지토양으로 확인되는 픽셀 20개를 추출한 뒤 동일한 위치에서 측정한 분광 데이터가 입력과 색인구축에 사용되었다.

표적탐지는 SPVD 질의 필터가 77.6%로 ISMF의 80%보다 약 2%정도 낮은 정확도를 보였지만, 기존의 분광정합 알고리즘인 SAM과 ED 그리고 물질분류에서 PCA보다 높은 정확도를 보인 ICA 68%보다 높은 정확도를 보이면서 SPVD ISMF보다 낮은 성능을 보이지만 다른 기술보다 정확도가 높았다.

이때 순차 검색의 경우, 정탐지율이 98%로 제일 높은 탐지율을 보였지만, 오탐지율이 86%이기 때문에 표적탐지 기술로는 부적합함을 확인하였다.

여기서, 정탐지율은 하기의 수학식 11과 같다.

또한, 오탐지율은 하기의 수학식 12와 같다.

도 12는 아스팔트에 대한 질의 필터별 탐지율을 나타내는 그래프이다.

도 12를 참조하면, 아스팔트의 경우 ISMF는 84%이고, SPVD가 85.6%로 이전 실험과는 달리 제일 높은 성능을 보였다. 이에 비해 순차검색과 필터를 사용하지 않은 경우에는 50%가 넘는 오탐지율을 보이면서 표적탐지 기술로는 부적합함을 확인하였다. 또한, 질의 필터를 사용한 SAM, ED 및 ICA의 경우 60%보다 낮은 정탐지율을 보이면서 낮은 정확도를 보였다.

하기의 표 3은 나지토양과 아스팔트만으로는 제안한 질의 필터가 신뢰도 있는 기술이라는 판단이 불가능하므로, 초분광영상에서 색인 구축에 사용된 분광라이브러리 중 6개의 물질에 대하여 각각 5픽셀을 추출하고, 추출된 데이터는 질의 처리를 수행한 뒤 입력된 물질이 몇 번째 순위로 추출되는지 확인한 결과를 나타낸다.

실험결과 평균 2.02의 순위가 나왔으며, 농구장과 콘크리트의 경우 모두 1순위로 출력되면서 본 발명의 SPVD 질의 필터가 표적탐지에 좋은 성능을 보여준다는 것을 확인할 수 있다.

도 13은 본 발명의 일 실시예에 따른 초분광영상을 이용한 표적탐지 장치의 구성을 나타내는 블록도이다.

도 13을 참조하면, 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 표적탐지장치(100)는, 물질분류부(110) 및 표적탐지부(120)를 포함한다.

물질분류부(110)는 미리 설정된 차원 축소 개수에 기초하여, 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류할 수 있다.

물질분류부(110)는 물질분리모듈(111), 변화량판별모듈(112), 벡터각산출모듈(113) 및 끼인각계산모듈(114)을 포함할 수 있다.

물질분리모듈(111)은 미리 설정된 차원 축소 개수에 기초하여, 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리할 수 있다. 여기서, 미리 설정된 개수의 밴드는 15개 이상일 수 있다.

변화량판별모듈(112)은 복수개의 그룹에 포함되는 미리 설정된 개수의 밴드들 간의 반사율 값을 비교하여, 밴드들 간의 반사율의 변화량을 판별할 수 있다.

벡터각산출모듈(113)은 복수개의 그룹의 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출할 수 있다.

또한, 벡터각산출모듈(113)은 양의 변화량을 갖는 밴드의 개수 및 음의 변화량을 갖는 밴드의 개수를 가중치로 고려하여 산출할 수 있다.

또한, 벡터각산출모듈(113)은 복수개의 그룹에 포함되는 미리 설정된 개수의 밴드들간의 파장의 차이를 산출하고, 파장의 차이를 합산하여 양벡터 각 또는 음벡터 각을 산출할 수 있다. 여기서, 미리 설정된 개수의 밴드들간의 파장의 차이는 n번째 밴드와 n-1 번째 밴드간의 파장의 차이를 의미할 수 있다.

끼인각계산모듈(114)은 각각의 차원에 대한 양벡터 각과 음벡터 각 사이의 끼인각을 계산할 수 있다.

표적탐지부(120)는 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 추출된 후보자의 차원 축소된 분광라이브러리 데이터 및 입력된 초분광영상의 차원 축소 데이터에 기초해 표적을 탐지할 수 있다.

표적탐지부(120)는 차원축소모듈(121), 비교모듈(122), 밴드분류모듈(123) 및 표적탐지모듈(124)을 포함할 수 있다.

차원축소모듈(121)은 분광라이브러리 데이터를 추출된 후보자에 상응하여 차원을 축소할 수 있다.

비교모듈(122)은 추출된 후보자의 차원 축소된 분광라이브러리 데이터와 입력된 초분광영상의 차원 축소 데이터의 모든 차원의 벡터각을 비교할 수 있다.

밴드분류모듈(123)은 각각의 차원에 대한 벡터각의 비교값이 미리 설정된 기준각을 만족하는 경우, 같은 밴드로 분류하고, 미리 설정된 기준각을 만족하지 않는 경우, 다른 밴드로 분류할 수 있다. 여기서, 미리 설정된 기준각은 5도일 수 있다.

표적탐지모듈(124)은 각각의 차원에 대한 벡터각의 비교값을 합하여 정합율을 계산하고, 정합율이 미리 설정된 기준을 만족하는 경우, 표적을 탐지한 것으로 판단할 수 있다. 여기서, 미리 설정된 기준은 0.70이상일 수 있다.

상기 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 표적탐지장치(100)는 상기 도 1 내지 도 12에서 설명한 분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 표적탐지방법의 내용과 중복되는 내용이므로 구체적인 내용은 생략한다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

100: 표적탐지장치 110: 물질분류부
111: 물질분리모듈 112: 변화량판별모듈
113: 벡터각산출모듈 114: 끼인각계산모듈
120: 표적탐지부 121: 차원축소모듈
122: 비교모듈 123: 밴드분류모듈
124: 표적탐지모듈

Claims

분광라이브러리 데이터와 입력된 초분광영상을 이용하여 표적을 탐지하는 방법으로,
미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 상기 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 단계; 및
상기 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터 및 상기 입력된 초분광영상의 차원 축소 데이터에 기초해 상기 표적을 탐지하는 단계를 포함하는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제1항에 있어서,
상기 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하고, 상기 미리 설정된 개수의 밴드들 간의 반사율의 변화량을 기초로, K-Means 클러스터링을 이용하여 물질을 분류하는 단계는,
상기 미리 설정된 차원 축소 개수에 기초하여, 상기 초분광영상을 미리 설정된 개수의 밴드를 갖는 복수개의 그룹으로 분리하는 단계;
상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들 간의 반사율 값을 비교하여, 밴드들 간의 반사율의 변화량을 판별하는 단계;
상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계; 및
각각의 차원에 대한 상기 양벡터 각과 상기 음벡터 각 사이의 끼인각을 계산하는 단계를 포함하는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제1항에 있어서,
상기 미리 설정된 개수의 밴드는,
15개 이상인, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제2항에 있어서,
상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계는,
양의 변화량을 갖는 밴드의 개수 및 음의 변화량을 갖는 밴드의 개수를 가중치로 고려하는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제2항에 있어서,
상기 복수개의 그룹의 상기 미리 설정된 개수의 밴드들의 판별된 값에 기초하여, 양벡터 각 또는 음벡터 각을 산출하는 단계는,
상기 복수개의 그룹에 포함되는 상기 미리 설정된 개수의 밴드들간의 파장의 차이를 산출하고, 상기 파장의 차이를 합하여 산출되는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제5항에 있어서,
상기 미리 설정된 개수의 밴드들간의 파장의 차이는,
n번째 밴드와 n-1 번째 밴드간의 파장의 차이를 의미하는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제1항에 있어서,
상기 초분광영상의 분광 데이터 특성에 기초한 영역 질의 기반의 k-최근접 질의 알고리즘을 사용하여, k개의 후보자를 추출하고, 상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터 및 상기 입력된 초분광영상의 차원 축소 데이터에 기초해 상기 표적을 탐지하는 단계는,
상기 분광라이브러리 데이터를 상기 추출된 후보자에 상응하여 차원을 축소하는 단계;
상기 추출된 후보자의 차원 축소된 상기 분광라이브러리 데이터와 상기 입력된 초분광영상의 차원 축소 데이터의 모든 차원의 벡터각을 비교하는 단계;
각각의 차원에 대한 상기 벡터각의 비교값이 미리 설정된 기준각을 만족하는 경우, 같은 밴드로 분류하고, 상기 미리 설정된 기준각을 만족하지 않는 경우, 다른 밴드로 분류하는 단계; 및
상기 각각의 차원에 대한 벡터각의 비교값을 합하여 정합율을 계산하고, 상기 정합율이 미리 설정된 기준을 만족하는 경우, 상기 표적을 탐지한 것으로 판단하는 단계를 포함하는, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제7항에 있어서,
상기 미리 설정된 기준각은,
5도인, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.
제7항에 있어서,
상기 미리 설정된 기준은,
0.70이상인, 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법.