KR101697183B1 - 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 - Google Patents

인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 Download PDF

Info

Publication number
KR101697183B1
KR101697183B1 KR1020150014208A KR20150014208A KR101697183B1 KR 101697183 B1 KR101697183 B1 KR 101697183B1 KR 1020150014208 A KR1020150014208 A KR 1020150014208A KR 20150014208 A KR20150014208 A KR 20150014208A KR 101697183 B1 KR101697183 B1 KR 101697183B1
Authority
KR
South Korea
Prior art keywords
image
random forest
toa
reflectivity
module
Prior art date
Application number
KR1020150014208A
Other languages
English (en)
Other versions
KR20160093341A (ko
Inventor
고병철
김형훈
남재열
Original Assignee
계명대학교 산학협력단
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 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020150014208A priority Critical patent/KR101697183B1/ko
Priority to PCT/KR2015/001400 priority patent/WO2016122042A1/ko
Publication of KR20160093341A publication Critical patent/KR20160093341A/ko
Application granted granted Critical
Publication of KR101697183B1 publication Critical patent/KR101697183B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템은, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 입력 모듈; 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 변환 모듈; 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 특징 추출 모듈; 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 학습 모듈; 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 테스트 모듈; 및 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 검출 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
또한, 상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법은, (1) 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계; (2) 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 단계; (3) 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계; (4) 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계; (5) 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계; 및 (6) 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 따르면, 위성 영상의 다중 스펙트럴 이미지로부터 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index)를 특징벡터로 추출하고, 휴리스틱 임계값이나 자율 학습 방법 대신 TOA 반사도 및 WI를 이용해 복수의 타입의 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있다.

Description

인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법{AUTOMATIC RIVER SEGMENTATION SYSTEM AND METHOD USING COMBINATION OF SATELLITE IMAGES AND RANDOM FOREST CLASSIFIERS}
본 발명은 하천 검출 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 관한 것이다.
깨끗한 강과 호수를 유지하는 것은 안정적이고 안전하게 물을 공급하기 위한 전제 조건이 된다. 기존의 수질 평가는 긴 강의 여러 지점에서 샘플을 현장 수집 및 측정하고, 그 후 다양한 실험실 분석을 하는 방법으로 이루어져왔다. 이러한 방법은 정확하기는 하나 상당한 시간이 소요되고, 지속적인 관찰을 위해 과다한 노력과 비용이 필요하다. 최근에는, 위성 원격 탐사를 이용해 기존의 방법의 제약을 극복하고, 효율성을 향상시키려는 시도가 있다.
위성 원격 탐사는 시간과 공간 규모의 광범위한 수질 정보를 수집한다. 위성을 통해 얻은 영상은, 일반적으로 다중 스펙트럼 이미지로서 해수, 식물, 도시 지역, 산악 지역 등 토지 피복(land cover)에 따라 스펙트럼의 변화가 있다. 따라서 위성 원격 탐사를 통해 수질 정보를 수집하기 위해서는, 하천이나 호수 등을 검출하는 것이 첫 번째 단계가 된다.
종래 하천 검출 방법은 분광 화상에 하나 이상의 휴리스틱 임계값(heuristic thresholds)을 적용하는 방식으로 구현되었다. 이 방법은 간단하면서도 특정 지역에서 우수한 결과를 얻을 수 있다. 그러나 이러한 방법은 위성 영상이 산의 그림자, 도로, 도시 지역 뿐 아니라 강, 호수 등을 포함하는 복잡한 토폴로지 구성을 가질 때에 잘못된 결과를 초래하는 경향이 있다.
또한 최근 Jiang et al.(Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J., and Xiao, T., 2014, An automated methods for extracting rivers and lakes from Landsat imagery. RemoteSensing, 6, pp.5067-5089.)은 기존의 임계값 적용 방식을 개선하여 자동으로 강과 호수를 검출하는 방법을 제안하였다. 그러나 이 방법은 인공 또는 자연적으로 지형이 변화함에 따라 종래와 동일한 문제가 발생하는 한계가 있다.
한편, 분류기 기반 방법(classifier-based method)은 종래의 임계값 적용 방식에 비하여 우수한 하천 검출 결과를 제공하는 경향이 있다. 이러한 형태의 방법에서는, 다중 스펙트럴 이미지에서 하천을 검출하기 위해 지도 학습(supervised learning) 또는 자율 학습(non-supervised learning) 테크닉을 사용한다. 지도 학습(Skakun, S, 2010, A neural network approach to flood mapping using satellite imagery. ComputingandInformatics,29,pp.1013-1024.), 신경망 또는 서포트 벡터 머신(SVM)(Kalkana, K., Bayramb, B., Maktava, D., and Sunara, F., 2013, Comparison of support vector machine and object based classification methods for coastline detection. InternationalArchivesofthePhotogrammetry, RemoteSensingandSpatialInformationSciences, 1117 November2013, Antalya, Turkey, pp.125-127.) 등이 대표적인 검출 방법이다.
이러한 방법은, 임계값 기반의 방법보다 하천 검출 능력이 우수하기는 하지만 두 가지의 단점을 여전히 갖고 있다. 첫째는, 지도 학습 방법은 적절한 훈련 데이터를 선택하는 전문가의 경험이나 기존의 참조 데이터를 필요로 한다는 점이고, 둘째는, 자율 학습 방법은 입자 영역을 실제 하천과 호수로 병합하는 추가적인 후처리 과정이 필요하다는 점이다. 따라서 이와 같은 문제를 해결하고, 우수한 하천 검출 결과를 얻기 위한 시스템 및 방법의 개발이 필요한 실정이다.
한편, 본 발명과 관련된 선행기술로서 공개특허 제10-2014-0062756호(발명의 명칭: 관측위성 영상을 통한 수질 모니터링 방법, 공개일자 2014년 05월 26일) 등이 개시된 바 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 위성 영상의 다중 스펙트럴 이미지로부터 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index)를 특징벡터로 추출하고, 휴리스틱 임계값이나 자율 학습 방법 대신 TOA 반사도 및 WI를 이용해 복수의 타입의 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템은,
하천 검출 시스템으로서,
위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 입력 모듈;
상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 변환 모듈;
상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 특징 추출 모듈;
상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 학습 모듈;
입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 테스트 모듈; 및
상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 검출 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 입력 모듈은,
랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있다.
더욱 바람직하게는, 상기 입력 모듈은,
제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
바람직하게는, 상기 변환 모듈은,
다음 수학식 1에 의해 상기 입력 모듈에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure 112015009930292-pat00001
)로 변환하여 산출하는 TOA 변환부를 포함할 수 있다.
[수학식 1]
Figure 112015009930292-pat00002
여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
더욱 바람직하게는, 상기 TOA 변환부는,
상기 산출된 TOA 반사도(
Figure 112015009930292-pat00003
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure 112015009930292-pat00004
)를 산출할 수 있다.
[수학식 2]
Figure 112015009930292-pat00005
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
바람직하게는, 상기 변환 모듈은,
정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 WI 변환부를 더 포함할 수 있다.
바람직하게는, 상기 특징 추출 모듈은,
하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출할 수 있다.
더욱 바람직하게는, 상기 학습 모듈은,
상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 제1 학습부; 및
상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 제2 학습부를 포함할 수 있다.
바람직하게는, 상기 테스트 모듈은,
모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
바람직하게는, 상기 검출 모듈은,
상기 임계값이 0.6일 수 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법은,
하천 검출 방법으로서,
(1) 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계;
(2) 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 단계;
(3) 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계;
(4) 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계;
(5) 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계; 및
(6) 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 단계 (1)에서는,
랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있다.
더욱 바람직하게는, 상기 단계 (1)에서는,
제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
바람직하게는, 상기 단계 (2)는,
(2-1) 다음 수학식 1에 의해 상기 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure 112015009930292-pat00006
)로 변환하여 산출하는 단계를 포함할 수 있다.
[수학식 1]
Figure 112015009930292-pat00007
여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
더욱 바람직하게는, 상기 단계 (2-1) 이후에는,
(2-2) 상기 단계 (2-1)에서 산출된 TOA 반사도(
Figure 112015009930292-pat00008
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure 112015009930292-pat00009
)를 산출하는 단계를 더 포함할 수 있다.
[수학식 2]
Figure 112015009930292-pat00010
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
바람직하게는, 상기 단계 (2)는,
(2-5) 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 단계를 포함할 수 있다.
바람직하게는, 상기 단계 (3)에서는,
하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출할 수 있다.
더욱 바람직하게는, 상기 단계 (4)는,
(4-1) 상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계; 및
(4-2) 상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계를 포함할 수 있다.
바람직하게는, 상기 단계 (5)에서는,
모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
바람직하게는, 상기 단계 (6)에서는,
상기 임계값이 0.6일 수 있다.
본 발명에서 제안하고 있는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 따르면, 위성 영상의 다중 스펙트럴 이미지로부터 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index)를 특징벡터로 추출하고, 휴리스틱 임계값이나 자율 학습 방법 대신 TOA 반사도 및 WI를 이용해 복수의 타입의 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 도식화하여 도시한 도면.
도 2는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템에서, 변환 모듈의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템에서, 학습 모듈의 세부적인 구성을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 흐름을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S210의 세부적인 흐름을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S220의 세부적인 흐름을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S400의 세부적인 흐름을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 의해 검출된 결과를 예를 들어 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 도식화하여 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법은, 위성 영상의 다중 스펙트럴 이미지를 입력받고, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환한 다음, 변환된 영상에서 특징벡터를 추출하여 복수의 타입의 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출할 수 있다.
도 2는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)은, 입력 모듈(100), 변환 모듈(200), 특징 추출 모듈(300), 학습 모듈(400), 테스트 모듈(500) 및 검출 모듈(600)을 포함하여 구성될 수 있다.
입력 모듈(100)은, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받을 수 있다. 이때, 입력 모듈(100)은, 랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있으며, 특히 제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
여러 위성 센서들 중에서, 랜드샛5와 랜드샛7 위성에 의해 제공되는 Thematic Mapper(TM)와 Enhanced Thematic Mapper Plus(ETM+) 센서는 물 품질 평가에 널리 사용되어왔다. 랜드샛 위성은 보통 30m의 공간 해상도를 가지고, 7개 또는 8개의 밴드를 갖는 다중 스펙트럴(multi-spectral) 이미지를 제공하며, 16일의 짧은 재방문 간격(revisit interval)을 가진다. 2013년 2월 11일 런칭된 랜드샛8의 OLI 센서는 향상된 현업 센서로서, 다음 표 1과 같은 9개의 스펙트럴 이미지를 제공할 수 있다.
Figure 112015009930292-pat00011
OLI 센서는 데이터를 12비트 양자화하기 때문에, 다른 센서에 비해 우수한 신호 대 잡음비(Signal to noise ratio; SNR)를 제공한다. 따라서 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서는, 랜드샛8(Landsat8) 위성에서 제공하는 OLI 센서 영상을 이용함으로써, 개선된 SNR 성능에 의해 더 나은 토지 피복 특성을 사용할 수 있다.
한편, OLI 센서는 총 9개 밴드의 이미지를 제공할 수 있는데, 제1번 밴드는 바다 색상(ocean colours)을 조사하는 데에 사용되고, 제8번 밴드는 가시 색상(visible colours)을 수집하는 대신 전색성 필름(panchromatic film)으로 사용되며, 제9번 밴드는 다른 밴드에서 권운에 의한 오염(cirrus contamination)을 검출하는 데에 사용된다. 따라서 본 발명에서는, 제2번 내지 제7번 밴드의 영상을 입력받아 사용할 수 있다.
변환 모듈(200)은, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환할 수 있다. 즉, 높은 정확도를 가진 하천 검출을 위하여, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서는, TOA 반사도 및 WI를 매개 변수로 사용할 수 있다.
원래, 각각의 스펙트럼 밴드의 원시 디지털 번호(raw digital number; DN)는 16 비트의 부호 없는(unsigned) 정수 포맷(integer format)이고, 메타 데이터 파일(USGS 2014)에 의해 제공되는 라디오메트릭 리스케일링 계수(radiometric rescaling coefficients)를 이용해 TOA 반사도로 재 스케일링 될 수 있다. TOA 반사율은 원시 DN과 비교할 때, 서로 다른 태양 천정각(solar zenith angles)에서 코사인 효과를 제거할 수 있고, 외기권 태양 방사(exoatmospheric solar irradiance)의 상이한 값을 보상할 수 있으며, 데이터 수집 날짜에 따른 지구와 태양 사이의 거리 변화를 보정할 수 있다.
이하에서는, 도 3을 참조하여 변환 모듈(200)의 세부적인 구성에 대하여 상세히 설명하도록 한다.
도 3은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서, 변환 모듈(200)의 세부적인 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 변환 모듈(200)은, TOA 변환부(210) 및 WI 변환부(220)를 포함하여 구성될 수 있다.
TOA 변환부(210)는, 다음 수학식 1에 의해 입력 모듈(100)에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure 112015009930292-pat00012
)로 변환하여 산출할 수 있다.
Figure 112015009930292-pat00013
여기서, 첨자 λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Q cal 은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
또한, TOA 변환부(210)는, 산출된 TOA 반사도(
Figure 112015009930292-pat00014
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure 112015009930292-pat00015
)를 산출할 수 있다.
Figure 112015009930292-pat00016
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
특히, 본 발명의 TOA 변환부(210)는, OLI 센서 영상 중 제2번 내지 제7번 밴드의 영상을 구성하는 각 픽셀 값으로부터 수정된 TOA 반사도를 산출하여, TOA 반사도 영상으로 변환할 수 있다.
WI 변환부(220)는, 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출할 수 있다. 이와 같은 WI들은 다음 수학식 3 내지 6에 의해 각각 산출될 수 있다.
Figure 112015009930292-pat00017
Figure 112015009930292-pat00018
Figure 112015009930292-pat00019
Figure 112015009930292-pat00020
수학식 3 내지 6에서 확인할 수 있는 바와 같이, WI들은 TOA 변환부(210)에서 산출된 제2번 내지 제7번 밴드의 수정된 TOA 반사도에 의해 도출될 수 있다. 보다 구체적으로, 랜드샛8의 OLI 센서의 파장에서 제2번 밴드(blue), 제3번 밴드(green), 제5번 밴드(Near-IR), 제6번 밴드(SWIR-1), 및 제7번 밴드(SWIR-2)로부터 산출된 TOA 반사도를 이용하여, WI들이 도출될 수 있다.
한편, 제3번 밴드(green)는 다른 밴드에 비하여 산이나 언덕의 그림자에서 하천을 더 잘 구분할 수 있으므로,
Figure 112015009930292-pat00021
관계를 이용하여 그림자 픽셀을 먼저 제거할 수 있다.
특징 추출 모듈(300)은, 변환된 영상에서 하천 영역에 대한 특징벡터를 추출할 수 있다. 보다 구체적으로는, 특징 추출 모듈(300)은, 하천 영역에 대한 TOA 반사도 신호와 TOA 반사도 신호로부터 산출되는 WI 신호를 특징벡터로 추출할 수 있다. 즉, 변환 모듈(200)에서 변환된 TOA 반사도 영상과 WI 영상에서 각각 특징벡터를 추출하여, 이하에서 상세히 설명할 랜덤포레스트의 입력 정보로 사용할 수 있다.
학습 모듈(400)은, 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습할 수 있다. 특히, 학습 모듈(400)은 2개의 랜덤포레스트 분류기를 사용할 수 있는데, TOA 반사도 및 WI에서 추출된 특징벡터를 각각의 랜덤포레스트 분류기의 입력으로 하여 학습을 수행할 수 있다. 이와 같은 랜덤포레스트 분류기는, SVM 이나 다른 신경망 분류기 등보다 우수한 연산 성능을 가진 뿐 아니라, 높은 차원의 문제에 대하여 효과적일 수 있다.
이하에서는, 도 4를 참조하여 학습 모듈(400)의 세부적인 구성에 대하여 상세히 설명하도록 한다.
도 4는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서, 학습 모듈(400)의 세부적인 구성을 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 학습 모듈(400)은, 제1 학습부(410) 및 제2 학습부(420)를 포함하여 구성될 수 있다.
제1 학습부(410)는, 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습할 수 있다. 즉, 6개의 밴드로부터 산출된 TOA 반사도 값을 이용하여, 제1 랜덤포레스트 분류기를 학습할 수 있다.
랜덤포레스트 분류기의 학습 데이터는 사용자에 의해 구성될 수 있는데, 학습 데이터는 양의 데이터로서 강과 호수, 음의 데이터로서 도시와 산을 포함할 수 있다. 그 다음, 제1 학습부(410)를 통해 제1 랜덤포레스트 분류기를 훈련하여, 양의 데이터 및 음의 데이터로부터 6 종류의 TOA 반사도 값이 추출될 수 있다.
제2 학습부(420)는, 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 즉, TOA 반사도로부터 산출된 4 종류의 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 제1 랜덤포레스트 분류기를 훈련할 때와 동일한 양의 데이터 및 음의 데이터로부터, 제2 학습부(420)에 의해 4 종류의 WI가 추출될 수 있다.
제1 학습부(410) 및 제2 학습부(420)를 통해, 양의 데이터 및 음의 데이터를 이용해 한 세트의 랜덤 포레스트를 훈련하고 나면, 모든 픽셀에 대해 2 종류의 특징 벡터가 추출될 수 있다. 이 벡터들은 학습된 RF에 대응하는 입력으로 사용될 수 있다.
테스트 모듈(500)은, 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득할 수 있다. 즉, 테스트 모듈(500)은 학습 모듈(400)에 의해 추출된 결과와 테스트 영상으로부터 추출된 특징 벡터를, 학습된 제1 랜덤포레스트 분류기 및 제2 랜덤포레스트 분류기에 적용하여, 결과 값을 산출할 수 있다.
한편, 테스트 모듈(500)은, 모든 트리(trees)의 확률 분포를 앙상블 평균하여, TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다. 즉, TOA 반사도 및 WI에 따른 특징벡터를 이용한 하천 검출 확률(P TOA 및 P WI )은, 다음 수학식 7과 같이 모든 트리 L=(l1, l2, …, lT)의 각 확률 분포를 앙상블 평균하여 산출될 수 있다.
Figure 112015009930292-pat00022
특정 픽셀이 하천(water body class)일 최종 확률은 두 랜덤포레스트로부터 산출된 확률을 평균하여 다음 수학식 8과 같이 계산될 수 있다.
Figure 112015009930292-pat00023
검출 모듈(600)은, 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출할 수 있다. 특히, 임계값은 0.6으로 할 수 있다. 즉, 최종 확률 P(water)가 최소 임계값인 0.6을 초과하면, 그 픽셀은 하천 픽셀로 검출할 수 있다.
모든 픽셀에 대하여 하천인지 배경인지를 분류한 다음, 노이즈에 의해 검출된 작은 영역을 제거하는 영역 레이블링(region labelling)이 수행될 수 있다.
도 5는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 흐름을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법은, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계(S100), 입력받은 영상을 TOA 반사도 및 WI 영상으로 변환하는 단계(S200), 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계(S300), 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계(S400), 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계(S500) 및 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계(S600)를 포함하여 구현될 수 있다.
단계 S100에서는, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받을 수 있으며, 단계 S100은 입력 모듈(100)에 의해 처리될 수 있다. 또한, 단계 S100에서는, 랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있으며, 특히 제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
단계 S200에서는, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환할 수 있으며, 단계 S200은 변환 모듈(200)에 의해 처리될 수 있다.
도 6은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S200은, TOA 반사도를 산출하는 단계(S210) 및 WI를 산출하는 단계(S220)를 포함하여 구현될 수 있다.
단계 S210에서는, TOA 반사도를 산출할 수 있으며, 변환 모듈(200)의 TOA 변환부(210)에 의해 산출될 수 있다. 단계 S210의 세부적인 흐름에 대해서는 추후 도 7을 참조하여 상세히 설명하도록 한다.
단계 S220에서는, 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출할 수 있다. 단계 S220은 변환 모듈(200)의 WI 변환부(220)에 의해 처리될 수 있다. 단계 S220의 세부적인 흐름에 대해서는 추후 도 8을 참조하여 상세히 설명하도록 한다.
도 7은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S210의 세부적인 흐름을 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S210은, 입력받은 영상의 각 픽셀 값을 TOA 반사도로 변환하여 산출하는 단계(S211) 및 산출된 TOA 반사도를 이용해 태양 각도를 반영하여 수정된 TOA 반사도를 산출하는 단계(S212)를 포함하여 구현될 수 있다.
단계 S211에서는, 전술한 수학식 1에 의해 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure 112015009930292-pat00024
)로 변환하여 산출할 수 있다.
단계 S212에서는, 단계 S210에서 산출된 TOA 반사도(
Figure 112015009930292-pat00025
)를 이용해 전술한 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure 112015009930292-pat00026
)를 산출할 수 있다.
도 8은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S220의 세부적인 흐름을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S220은, NDWI를 산출하는 단계(S221), MNDWI를 산출하는 단계(S222), AWEInsh를 산출하는 단계(S223) 및 AWEIsh를 산출하는 단계(S224)를 포함하여 구현될 수 있다.
단계 S221에서는, NDWI가 산출될 수 있으며, 전술한 수학식 3에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S222에서는, MNDWI가 산출될 수 있으며, 전술한 수학식 4에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S223에서는, AWEInsh가 산출될 수 있으며, 전술한 수학식 5에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S224에서는, AWEIsh가 산출될 수 있으며, 전술한 수학식 6에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S300에서는, 변환된 영상에서 하천 영역에 대한 특징벡터를 추출할 수 있다. 단계 S300은 특징 추출 모듈(300)에 의해 처리될 수 있으며, 단계 S300에서는, 하천 영역에 대한 TOA 반사도 신호와 TOA 반사도 신호로부터 산출되는 WI 신호를 특징벡터로 추출할 수 있다.
단계 S400에서는, 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습할 수 있으며, 단계 S400은 학습 모듈(400)에 의해 처리될 수 있다. 이하에서는, 도 9를 참조하여 단계 S400의 세부적인 흐름에 대해서 상세히 설명하도록 한다.
도 9는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S400의 세부적인 흐름을 도시한 도면이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S400은, TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계(S410) 및 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계(S420)를 포함하여 구현될 수 있다.
단계 S410에서는, 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습할 수 있다. 단계 S410은 학습 모듈(400)의 제1 학습부(410)에 의해 처리될 수 있다.
단계 S420에서는, 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 단계 S420은 학습 모듈(400)의 제2 학습부(420)에 의해 처리될 수 있다.
단계 S500에서는, 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득할 수 있다. 단계 S500은 테스트 모듈(500)에 의해 처리될 수 있다. 또한, 단계 S500에서는, 모든 트리(trees)의 확률 분포를 앙상블 평균하여, TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
단계 S600에서는, 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출할 수 있다. 이때, 임계값이 0.6일 수 있다.
실험예
본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법을 검증하기 위하여, 서로 상이한 특성을 가진 지역을 선정하여 실험을 수행하였다. 첫 번째 지역(Area 1)은 안동시의 낙동강 상류(the upper Nakdonggang River of Andong city), 두 번째 지역(Area 2)은 대구시의 낙동강 중류(the middle Nakdonggang River of Daegu city), 세 번째 지역(Area 3)은 김해시의 낙동강 하류(the lower Nakdonggang River of Kimhae city)이다.
도 10은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법에 따라 검출된 결과를 예를 들어 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법을 이용하면, 지역적 특성에 관계없이 Area 1(a), Area 2(B) 및 Area 3(c)의 모든 영역에 대하여, 하천 영역을 정확하게 검출할 수 있다.
또한, OLI 센서의 하천 검출 성능을 검증하기 위해, TM, ETM+ 및 OLI의 서로 다른 세 종류의 랜드샛 센서를 이용하여 실험을 수행하였다. 다음 표 2에서 확인할 수 있는 바와 같이, OLI 센서는 TM이나 ETM+에 비하여 Area 1 내지 Area 3에서 평균적으로 보다 우수한 성능을 낸다는 것을 확인할 수 있다.
Figure 112015009930292-pat00027
한편, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법의 성능을 검증하기 위해, 임계값 방법 중 하나인 Otsu Threshold 방법(Otsu Threshold)과 SVM 분류기(SVM)를 이용하는 방법에 대해, 랜드샛8 OLI 센서의 동일한 이미지를 이용해 실험을 수행하고 그 결과를 표 3에 표시하였다.
Figure 112015009930292-pat00028
표 3에서와 같이, Otsu Threshold 방법 또는 SVM 방법에 비하여, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법의 하천 검출 성능이 보다 우수한 것을 확인할 수 있다.
한편, 본 발명은 다양한 통신 단말기로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터에서 판독 가능한 매체를 포함할 수 있다. 예를 들어, 컴퓨터에서 판독 가능한 매체는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD_ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
이와 같은 컴퓨터에서 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이때, 컴퓨터에서 판독 가능한 매체에 기록되는 프로그램 명령은 본 발명을 구현하기 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예를 들어, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
10: 본 발명의 일실시예에 따른 자동 하천 검출 시스템
100: 입력 모듈 200: 변환 모듈
210: TOA 변환부 220: WI 변환부
300: 특징 추출 모듈 400: 학습 모듈
410: 제1 학습부 420: 제2 학습부
500: 테스트 모듈 600: 검출 모듈

Claims (20)

  1. 하천 검출 시스템으로서,
    위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 입력 모듈(100);
    상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 변환 모듈(200);
    상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 특징 추출 모듈(300);
    상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 학습 모듈(400);
    입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 테스트 모듈(500); 및
    상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 검출 모듈(600)을 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  2. 제1항에 있어서, 상기 입력 모듈(100)은,
    랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  3. 제2항에 있어서, 상기 입력 모듈(100)은,
    제2번 내지 제7번 밴드의 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  4. 제1항에 있어서, 상기 변환 모듈(200)은,
    다음 수학식 1에 의해 상기 입력 모듈(100)에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
    Figure 112015009930292-pat00029
    )로 변환하여 산출하는 TOA 변환부(210)를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
    [수학식 1]
    Figure 112015009930292-pat00030

    여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
  5. 제4항에 있어서, 상기 TOA 변환부(210)는,
    상기 산출된 TOA 반사도(
    Figure 112015009930292-pat00031
    )를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
    Figure 112015009930292-pat00032
    )를 산출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
    [수학식 2]
    Figure 112015009930292-pat00033

    여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
  6. 제1항에 있어서, 상기 변환 모듈(200)은,
    정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 WI 변환부(220)를 더 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  7. 제1항에 있어서, 상기 특징 추출 모듈(300)은,
    하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  8. 제7항에 있어서, 상기 학습 모듈(400)은,
    상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 제1 학습부(410); 및
    상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 제2 학습부(420)를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  9. 제1항에 있어서, 상기 테스트 모듈(500)은,
    모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  10. 제1항에 있어서, 상기 검출 모듈(600)은,
    상기 임계값이 0.6인 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  11. 하천 검출 방법으로서,
    (1) 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계;
    (2) 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 단계;
    (3) 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계;
    (4) 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계;
    (5) 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계; 및
    (6) 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  12. 제11항에 있어서, 상기 단계 (1)에서는,
    랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  13. 제12항에 있어서, 상기 단계 (1)에서는,
    제2번 내지 제7번 밴드의 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  14. 제11항에 있어서, 상기 단계 (2)는,
    (2-1) 다음 수학식 1에 의해 상기 입력받은 영상의 각 픽셀 값을 TOA 반사도(
    Figure 112015009930292-pat00034
    )로 변환하여 산출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
    [수학식 1]
    Figure 112015009930292-pat00035

    여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
  15. 제14항에 있어서, 상기 단계 (2-1) 이후에는,
    (2-2) 상기 단계 (2-1)에서 산출된 TOA 반사도(
    Figure 112015009930292-pat00036
    )를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
    Figure 112015009930292-pat00037
    )를 산출하는 단계를 더 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
    [수학식 2]
    Figure 112015009930292-pat00038

    여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
  16. 제11항에 있어서, 상기 단계 (2)는,
    (2-5) 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  17. 제11항에 있어서, 상기 단계 (3)에서는,
    하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  18. 제17항에 있어서, 상기 단계 (4)는,
    (4-1) 상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계; 및
    (4-2) 상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  19. 제11항에 있어서, 상기 단계 (5)에서는,
    모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  20. 제11항에 있어서, 상기 단계 (6)에서는,
    상기 임계값이 0.6인 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
KR1020150014208A 2015-01-29 2015-01-29 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 KR101697183B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150014208A KR101697183B1 (ko) 2015-01-29 2015-01-29 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
PCT/KR2015/001400 WO2016122042A1 (ko) 2015-01-29 2015-02-12 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150014208A KR101697183B1 (ko) 2015-01-29 2015-01-29 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20160093341A KR20160093341A (ko) 2016-08-08
KR101697183B1 true KR101697183B1 (ko) 2017-01-17

Family

ID=56543640

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150014208A KR101697183B1 (ko) 2015-01-29 2015-01-29 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR101697183B1 (ko)
WO (1) WO2016122042A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200111046A (ko) 2019-03-18 2020-09-28 동아대학교 산학협력단 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치
KR20220093914A (ko) 2020-12-28 2022-07-05 (주) 지오씨엔아이 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527397A (zh) * 2017-08-24 2017-12-29 国网黑龙江省电力有限公司信息通信公司 移动式机房自动巡检系统及方法
KR101976959B1 (ko) * 2017-12-20 2019-05-09 세종대학교산학협력단 영상 기반의 홍수 탐지 방법
KR102079381B1 (ko) * 2018-02-07 2020-04-07 계명대학교 산학협력단 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법 및 이를 이용한 분류기
KR102039048B1 (ko) * 2018-04-03 2019-11-26 국방과학연구소 모의 위성 영상을 생성하는 장치 및 방법
KR102169041B1 (ko) * 2018-07-27 2020-10-23 박준혁 색상 라벨링을 이용한 영상 이미지의 물 포함 영역 상태 판별 장치 및 방법
KR102261870B1 (ko) * 2018-07-27 2021-06-07 진선영 영상 처리에 기초한 수위 산출 장치 및 방법
KR102127405B1 (ko) * 2018-11-28 2020-06-26 홍익대학교 산학협력단 인공위성 영상을 이용한 하천의 유량추정방법 및 장치
KR102526630B1 (ko) * 2019-05-07 2023-04-26 박해경 랜덤 포레스트 알고리즘에 기반하는 인공위성 이미지와 지형 데이터를 이용한 심한 가뭄 지역 예측 방법
CN110956101B (zh) * 2019-11-19 2020-08-07 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
KR102440457B1 (ko) * 2019-11-26 2022-09-05 한국항공우주연구원 지구 관측 영상 전송 우선순위 결정 방법 및 장치
CN110887798B (zh) * 2019-11-27 2020-11-17 中国科学院西安光学精密机械研究所 基于极端随机树的非线性全光谱水体浊度定量分析方法
CN111815664B (zh) * 2020-07-08 2023-10-17 云南电网有限责任公司电力科学研究院 一种火点检测方法和系统
CN114295749B (zh) * 2021-12-30 2022-10-25 南京大学 一种水体有机污染智能化溯源方法及系统
CN114022789A (zh) * 2022-01-10 2022-02-08 成都国星宇航科技有限公司 水体信息提取方法、装置、电子设备及存储介质
CN115578644B (zh) * 2022-08-08 2023-04-18 江苏省水利科学研究院 基于多特征机器学习的平原水网水葫芦提取方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020035553A1 (en) 2000-07-20 2002-03-21 Kim Seung Bum Intelligent interpolation methods for automatic generation of an accurate digital elevation model

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2010278785A1 (en) * 2009-07-31 2012-03-22 Global Surface Intelligence Ltd. Greenhouse gas grid and tracking system
US8774470B1 (en) * 2012-04-03 2014-07-08 Google Inc. Processing a satellite image of a region to determine a terrain boundary included therein

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020035553A1 (en) 2000-07-20 2002-03-21 Kim Seung Bum Intelligent interpolation methods for automatic generation of an accurate digital elevation model

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200111046A (ko) 2019-03-18 2020-09-28 동아대학교 산학협력단 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치
KR20220093914A (ko) 2020-12-28 2022-07-05 (주) 지오씨엔아이 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법

Also Published As

Publication number Publication date
WO2016122042A1 (ko) 2016-08-04
KR20160093341A (ko) 2016-08-08
WO2016122042A9 (ko) 2016-10-13

Similar Documents

Publication Publication Date Title
KR101697183B1 (ko) 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
Ji et al. Simultaneous cloud detection and removal from bitemporal remote sensing images using cascade convolutional neural networks
Estoque et al. Classification and change detection of built-up lands from Landsat-7 ETM+ and Landsat-8 OLI/TIRS imageries: A comparative assessment of various spectral indices
Maryantika et al. Exploring changes of land use and mangrove distribution in the economic area of Sidoarjo District, East Java using multi-temporal Landsat images
Hou et al. Marine floating raft aquaculture extraction of hyperspectral remote sensing images based decision tree algorithm
Wu et al. Mapping invasive plant with UAV-derived 3D mesh model in mountain area—A case study in Shenzhen Coast, China
Xie et al. New hyperspectral difference water index for the extraction of urban water bodies by the use of airborne hyperspectral images
EP3559899B1 (en) Image processing device, method and storage medium for removing clouds from an image
Saeed et al. Coastline extraction using satellite imagery and image processing techniques
Zhao et al. UAV-based individual shrub aboveground biomass estimation calibrated against terrestrial LiDAR in a shrub-encroached grassland
CN107247927B (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
Moniruzzaman et al. Imaging and classification techniques for seagrass mapping and monitoring: A comprehensive survey
Jarchow et al. Using full and partial unmixing algorithms to estimate the inundation extent of small, isolated stock ponds in an arid landscape
Avelar et al. Analysis of land use and land cover change in a coastal area of Rio de Janeiro using high-resolution remotely sensed data
He et al. Object-based distinction between building shadow and water in high-resolution imagery using fuzzy-rule classification and artificial bee colony optimization
Thati et al. A systematic extraction of glacial lakes for satellite imagery using deep learning based technique
Baydogan et al. Urban footprint detection from night light, optical and SAR imageries: A comparison study
Aytekin et al. Automatic and unsupervised building extraction in complex urban environments from multi spectral satellite imagery
Liu et al. Water extraction on the hyperspectral images of gaofen-5 satellite using spectral indices
Siok et al. A simulation approach to the spectral quality of multispectral images enhancement
Nagaraj et al. Extraction of Surface Water Bodies using Optical Remote Sensing Images: A Review
CN113469104A (zh) 基于深度学习的雷达遥感影像地表水体变化检测方法和设备
Lekhak et al. Extraction of water bodies from Sentinel-2 images in the foothills of Nepal Himalaya
Sahithi et al. Comparison of support vector machine, artificial neural networks and spectral angle mapper classifiers on fused hyperspectral data for improved LULC classification
Grimm et al. Identification of lake trout Salvelinus namaycush spawning habitat in northern Lake Huron using high-resolution satellite imagery

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20200108

Year of fee payment: 4