KR101766154B1 - DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템 - Google Patents

DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템 Download PDF

Info

Publication number
KR101766154B1
KR101766154B1 KR1020160099879A KR20160099879A KR101766154B1 KR 101766154 B1 KR101766154 B1 KR 101766154B1 KR 1020160099879 A KR1020160099879 A KR 1020160099879A KR 20160099879 A KR20160099879 A KR 20160099879A KR 101766154 B1 KR101766154 B1 KR 101766154B1
Authority
KR
South Korea
Prior art keywords
data
dem data
dem
orthophotographic
extracting
Prior art date
Application number
KR1020160099879A
Other languages
English (en)
Inventor
신병석
이은석
Original Assignee
인하대학교 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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020160099879A priority Critical patent/KR101766154B1/ko
Priority to PCT/KR2017/005616 priority patent/WO2018026094A1/ko
Application granted granted Critical
Publication of KR101766154B1 publication Critical patent/KR101766154B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Image Generation (AREA)
  • Image Analysis (AREA)

Abstract

일 실시예에 따른 정사사진 텍스쳐의 자동생성 방법은, DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계; 및 상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 단계를 포함할 수 있다.

Description

DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템{METHOD AND SYSTEM FOR GENERATE ORTHO-PHOTO TEXTURE USING DEM DATA}
아래의 설명은 DEM 데이터와 위성사진을 이용하여 학습을 시킨 후, 임의의 DEM 데이터를 입력할 경우, 자동으로 적합한 위성사진을 생성하는 기술에 관한 것이다.
일반적으로 항공사진의 축척은 카메라의 초점거리와 비행기의 지상으로부터의 고도와의 비율로서 정의된다. 사진상의 거의 모든 점에서 경사와 높이의 변화로 인하여 카메라의 초점과의 거리가 다르게 되므로 모든 점들의 축척이 같지가 않다.
따라서, 항공사진은 영상 전체에 대하여 일정한 축척을 가지고 있지 않기 때문에 기복변위 제거 과정을 거치지 않는다면 특정 지물에 대하여 거리나 각도를 측정하는 것 또는 정확한 위치를 추출하는 것에 사용되는 것이 불가능하다. 이렇게 항공사진 상에 나타나는 편위를 제거함으로써, 사진 상에 나타나는 상이 일반지도에서 보는 것처럼 모든 점에서 축척이 일정하도록 만든 사진을 정사사진(ortho-photo)이라 한다.
정사사진을 제작하는 과정에 있어서, 항공사진을 스캐닝한 후 컴퓨터에 의한 처리과정을 거쳐 제작한 것을 정사영상이라 하며, 정사사진을 곧바로 컴퓨터에서 사용이 가능하므로 GIS/LIS/UIS의 기본 데이터로서 활용가능성이 매우 높다.
일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 특정한 DEM dataset및 geo-reference된 정사사진 이미지 데이터에서 특징들을 추출한 후 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑(texture mapping)이 가능한 정사사진 텍스쳐를 생성하는 방법을 제안한다.
일 실시예에 따르면, 정사사진 텍스쳐의 자동생성 방법은, DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계; 및 상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 단계를 포함할 수 있다.
일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는, 상기 DEM 데이터로부터 높이, 법선 벡터(normal vector), 지형의 생김새를 추출하는 단계를 포함할 수 있다.
또 다른 일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는, 상기 DEM 데이터로 지형을 생성하였을 때 해당하는 텍셀의 정점을 공유하는 면들의 법선 벡터 합을 통하여 법선 벡터를 획득하고, 상기 법선 벡터로부터 지형의 경사각과 경사 방향을 판단이 가능할 수 있다.
또 다른 일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는, 상기 DEM 데이터로부터 지형의 굴곡을 라플라시안 연산자로 추정함에 있어서, 특정 텍셀에서 계산된 값이 음수일 경우, 계곡이고, 양수일 경우 언덕이나 산봉우리이고, 0이면 평지나 능선으로 추정하는 단계를 포함할 수 있다.
또 다른 일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는, 상기 DEM 데이터로부터 지형의 굴곡을 LoG(Laplacian of Gaussian)을 이용하여 검출함에 있어서, LoG의 커널(kenel)의 크기에 해당하는 영역을 의미하는 타일에 나타나는 굴곡 패턴을 특징으로 추출하고, 상기 특징의 LoG 값이 음수이면 계곡, 양수이면 언덕이나 산봉우리, 0에 가까우면 평탄한 지역으로 추정하는 단계를 포함할 수 있다.
또 다른 일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는, 상기 정사사진 데이터로부터 RGB color 모델로된 입력영상을 HSL color 모델로 변환함으로써 각 텍셀의 컬러를 색, 채도, 명도 모델로 변환하여 음영과 색상을 분리하는 단계를 포함할 수 있다.
또 다른 일측에 따르면, 상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 단계는, 베이지안 분류기를 이용하여 상기 DEM 데이터로부터 추출한 특징들로부터 상기 정사사진 데이터의 각 텍셀의 색상을 추정하는 단계를 포함할 수 있다.
일 실시예에 따르면, 상기 정사사진 텍스쳐의 자동생성 시스템은, DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 학습부; 및 상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 생성부를 포함할 수 있다.
일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 원격 탐사기법에 의해 height map은 구할 수 있지만 위성 사진을 촬영할 수 없는 경우 혹은 컴퓨터 게임/영화 등에 사용하는 가상의 지형에도 현실감 있는 영상을 매핑할 수 있다.
일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 해상도가 다른 DEM데이터를 사용하는 경우에도 확대/축소로 인한 앨리어싱이 발생하지 않으며, 음영까지 처리할 수 있어서 실제 사진과 유사한 영상을 만들어 낸다. 더 나아가, 클라우드 환경에서 막대한 용량을 차지하는 지형 데이터와 영상 데이터를 효율적으로 관리할 수 있다.
도 1은 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 2는 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템의 정사사진 텍스쳐의 자동생성 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템에서 베이지안 분류기를 이용한 지형색상의 패턴을 분류하는 방법을 설명하기 위한 예이다.
이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.
도 1은 일 실시예에 따른 네트워크 환경의 예를 도시한 도면이다.
도 1의 네트워크 환경은 사용자 단말(110), 서버(100) 및 네트워크(120)를 포함하는 예를 나타내고 있다. 이러한 도 1은 발명의 설명을 위한 일례로 단말의 수나 서버의 수가 도 1과 같이 한정되는 것은 아니다.
사용자 단말(110)은 컴퓨터 장치로 구현되는 고정형 단말이거나 이동형 단말일 수 있다. 사용자 단말(110)의 예를 들면, 스마트폰(smart phone), 휴대폰, 네비게이션, 컴퓨터, 노트북, 디지털방송용 단말, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 태블릿 PC 등이 있다. 일례로 사용자 단말(110)은 무선 또는 유선 통신 방식을 이용하여 네트워크(120)를 통해 다른 단말들 및/또는 서버(100)와 통신할 수 있다.
통신 방식은 제한되지 않으며, 네트워크(120)가 포함할 수 있는 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(170)는, PAN(personal area network), LAN(local area network), CAN(campus area network), MAN(metropolitan area network), WAN(wide area network), BBN(broadband network), 인터넷 등의 네트워크 중 하나 이상의 임의의 네트워크를 포함할 수 있다. 또한, 네트워크(120)는 버스 네트워크, 스타 네트워크, 링 네트워크, 메쉬 네트워크, 스타-버스 네트워크, 트리 또는 계층적(hierarchical) 네트워크 등을 포함하는 네트워크 토폴로지 중 임의의 하나 이상을 포함할 수 있으나, 이에 제한되지 않는다.
서버(100)는 사용자 단말(110)과 네트워크(120)를 통해 통신하여 명령, 코드, 파일, 컨텐츠, 서비스 등을 제공하는 컴퓨터 장치 또는 복수의 컴퓨터 장치들로 구현될 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 서버(100)에 의하여 동작될 수 있다.
도 2는 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템의 구성을 설명하기 위한 블록도이다.
정사사진 텍스쳐의 자동생성 시스템에 포함된 프로세서(200)는 학습부(210) 및 생성부(220)를 포함할 수 있다. 이때, 프로세서(200) 및 프로세서(200)의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다. 여기서, 프로세서(200)의 구성요소들은 정사사진 텍스쳐의 자동생성 시스템(100)에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서(200)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다.
학습부(210)는 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시킬 수 있다. 학습부(210)는 DEM 데이터로부터 높이, 법선 벡터(normal vector), 지형의 생김새를 추출할 수 있다.
학습부(210)는 DEM 데이터로 지형을 생성하였을 때 해당하는 텍셀의 정점을 공유하는 면들의 합을 통하여 법선 벡터를 획득하고, 법선 벡터로부터 지형의 경사각과 경사 방향을 판단이 가능할 수 있다.
학습부(210)는 DEM 데이터로부터 지형의 굴곡을 라플라시안 연산자로 추정함에 있어서, 특정 텍셀에서 계산된 값이 음수일 경우, 계곡이고, 양수일 경우 언덕이나 산봉우리이고, 0이면 평지나 능선으로 추정할 수 있다.
학습부(210)는 DEM 데이터로부터 지형의 굴곡을 LoG(Laplacian of Gaussian)을 이용하여 검출함에 있어서, LoG의 커널(kenel)의 크기에 해당하는 영역을 의미하는 타일에 나타나는 굴곡 패턴을 특징으로 추출하고, 특징의 LoG 값이 음수이면 계곡, 양수이면 언덕이나 산봉우리, 0에 가까우면 평탄한 지역으로 추정할 수 있다.
학습부(210)는 정사사진 데이터로부터 RGB color 모델로된 입력영상을 HSL color 모델로 변환함으로써 각 텍셀의 컬러를 색, 채도, 명도 모델로 변환하여 음영과 색상을 분리할 수 있다.
생성부(220)는 상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사 데이터를 생성할 수 있다. 생성부(220)는 베이지안 분류기를 이용하여 DEM 데이터로부터 추출한 특징들로부터 정사사진 데이터의 각 텍셀의 색상을 추정할 수 있다.
도 3은 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템의 정사사진 텍스쳐의 자동생성 방법을 설명하기 위한 흐름도이다.
수치 표고 모형(DEM: Digital Elevation Model)은 실세계 지형 정보 중 건물, 수목, 인공 구조물 등을 제외한 지형(bare earth) 부분을 표현하는 수치 모형을 의미할 수 있다. DEM 데이터는 텍셀마다 높이값을 저장하고 있을 수 있다.
정사사진 데이터는 지면에 수집방향으로 촬영한 영상을 DEM 데이터의 좌표값에 맞추어 저장한 데이터로서, 색상값만을 저장하고 있다.
일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 DEM 데이터 및 정사사진 데이터를 기계 학습(Machine Learning)시켜 임의의 DEM 데이터를 입력하였을 때, 임의의 DEM 데이터에 적합한 실감나는 정사사진 데이터를 생성할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 DEM 데이터(310)로부터 높이, 법선 벡터(normal vector), 지형의 생김새 등을 추출할 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 정사사진 데이터(320)로부터 각 텍셀의 컬러를 색(hue), 채도, 명도 모델로 변환하여 밝고 어두운 부분을 식별하도록 하는 음영값과 색상을 별도의 특징으로 추출할 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 추출된 특징들 중 서로 연관된 특징들의 조합들을 베이지안 분류기(340)를 이용하여 학습시킬 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 학습된 데이터들을 이용하여 새로 입력된 임의의 DEM 데이터(350)로부터 각 텍셀들의 패턴에 따른 색상값을 검출하여 새로운 정사사진 데이터(360)를 생성할 수 있다.
더욱 상세하게는, 정사사진 텍스쳐의 자동생성 시스템은 DEM 데이터(310)로부터 특징점을 추출(330)할 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 DEM 데이터(310)로부터 저장된 고도값 외에 3가지 특징들을 추출할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 지형의 법선 벡터를 추출할 수 있다. 법선 벡터로부터 지형의 경사각과 경사방향을 판단할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 법선 벡터를 추출함으로써 특정한 위치에서 지면이 해수면을 기준으로 기울어진 정도, 지면이 광원에 얼만큼 노출되었는지 정도를 도출할 수 있다. DEM 데이터(310)의 한 텍셀의 법선 벡터는 DEM 데이터(310)로 지형을 생성하였을 때 해당 텍셀에 해당하는 정점을 공유하는 면들의 법선 벡터 합으로 구할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 지형의 굴곡을 추출할 수 있다. 특정 지점에 해당하는 지형에 위 또는 아래와 같이 굴곡이 있다면, 언덕이나 계곡이 있음을 의미하고, 특정 지점에 해당하는 지형에서 위 또는 아래와 같은 굴곡이 없다면 평지로 추정할 수 있다.
Ambient occlusion은 특정 위치에 입사되는 광량으로 음영(shade)를 표현하는 방법으로서, 계곡은 주변 지형에 의해 가려지므로 입사광량이 적기 때문에 어둡게, 능선, 평지, 언덕에서는 주변 지형에 의한 가려짐이 거의 없기 때문에 밝게 표현한다.
정사사진 텍스쳐의 자동생성 시스템은 지형의 굴곡을 gradient의 divergence를 구하는 라플라시안 연산자(Laplacian operator)로 추정할 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 특정 텍셀에서 계산된 값이 음수이면 계곡, 양수이면 언덕이나 산봉우리, 0이면 평지나 능선으로 추정할 수 있다.
해상도가 매우 높으면서도 미세한 굴곡이 많은 지역을 표현하는 DEM 데이터를 처리함에 있어서 작은 높이 변화에도 민감한 라플라시안 연사자만으로 지형의 특징을 추출하는데 한계가 있다. 이에 따라 일반적으로 영상 처리과정에서 라플라시안 연산자는 물체의 윤곽선을 추출하는데 사용될 수 있다.
DEM 데이터에서 미세한 굴곡들은 영상 분할에서 윤곽 검출에 방해가되는 노이즈에 해당될 수 있다. 이에 따라 정사사진 텍스쳐의 자동생성 시스템은 노이즈에 강한 윤곽 검출 연산자인 LoG(Laplacian of Gaussian)을 이용할 수 있다. LoG는 가우시안 곡선을 이용하여 거리 기반의 가중치를 부여하기 때문에 라플라시안 연산자에 비하여 지형의 주류를 이루는 큰 굴곡을 검출하는데 유리하다.
정사사진 텍스쳐의 자동생성 시스템은 라플라시안 연산자를 통하여 국소적인 특징을 추출하고, LoG를 통하여 지형의 전반적인 형태를 추정할 수 있다. 이를 통하여 주로 숲이나 바위 언덕과 같이 미세하게 높낮이가 변하는 지역과 일반적인 능선이라 계곡을 효과적으로 분류할 수 있게 된다.
LoG는 아래의 수학식과 같이 표현될 수 있다.
Figure 112016076184311-pat00001
정사사진 텍스쳐의 자동생성 시스템은 커널의 크기에 해당하는 영역을 의미하는 타일에 나타나는 굴곡 패턴을 특징으로 추출하고, 특징의 LoG 값이 음수이면 계곡, 양수이면 언덕이나 산봉우리, 0에 가까우면 평지, 숲, 바위언덕과 같은 평탄한 지역으로 추정할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 정사사진 데이터(320)로부터 특징점을 추출(330)할 수 있다. 정사사진 데이터(320)는 일반적으로 조도(illumination)로 인하여 발생하는 음영이 표현되어 사실적인 영상을 제공할 수 있다. 특히 위성사진이나 항공사진 등은 직접 촬영한 높은 해상도의 사진을 기반으로 만들어졌기 때문에 음영이 뚜렷하다. Psuedo Coloring을 할 경우에도 사실적인 시각화를 위하여 지면의 기울기(gradient) 값을 기반으로 ambient occlusion을 수행하거나 광원과 일반적인 맵을 이용하여 음영을 표현한 데이터를 사용할 수 있다.
이러한 음영처리된 영상을 학습 데이터로 사용할 경우 화소마다 지정해주어야 하는 랜덤 변수의 숫자가 많아진다는 문제점이 있다. 이에 따라 정사사진 텍스쳐의 자동생성 시스템은 정사사진 데이터(320)로부터 음영과 색상(color)을 분리하기 위하여 RGB color 모델로된 입력영상을 HSL color 모델로 변환함으로써 색, 채도, 명도로 나누어 표현할 수 있다. 이렇게 하면, 명도는 음영과 관련된 특징으로, 색과 채도는 색상에 관련된 특징으로 사용할 수 있다. 음영의 분리는 정사사진 데이터에 사용될 색상의 숫자를 효과적으로 줄일 수 있으므로 분류 연산을 단순화할 수 있다.
도 4를 참고하면, 정사사진 텍스쳐의 자동생성 시스템에서 베이지안 분류기를 이용한 지형색상의 패턴을 분류하는 방법을 설명하기 위한 예이다. 도 4는 정사사진 데이터(a)로부터 기본 색상(b) 및 음영(c)을 추출한 것을 나타낸 것이다.
정사사진 텍스쳐의 자동생성 시스템은 베이지안 분류기(340)를 이용하여 지형색상의 패턴을 분류할 수 있다. 베이지안 분류기는 Bayes 정리에 기초하여 특성들 간의 독립성을 가정한 확률 모델로서, 서로 영향을 미치는 속성들을 학습시켜 새로운 패턴을 입력 받았을 경우, 효과적으로 분류해낼 수 있다. 아래의 설명에서는 베이지안 분류기(340)를 이용하여 DEM 데이터(310)로부터 추출한 특성들로부터 정사사진(320) 데이터의 각 텍셀의 색상을 추정하는 방법을 설명하기로 한다.
정사사진 텍스쳐의 자동생성 시스템은 입력된 값들 중에 색상을 표현하는 속성들인 명도나 색상을 분류 기준으로 사용하기 때문에 색상들을 구별할 수 있도록 분류하여 사용할 수 있고, 나머지 값들은 학습된 값을 이용하여 측정한 연속적인 가우시안 분포 곡선을 사용하여 확률을 측정할 수 있다.
정밀 측정기술의 발달로 최근 DEM데이터는 표현범위가 좁더라도 용량이 매우 크기 때문에 일반적으로 여러 개의 영역으로 분리하여 사용하며, 고도의 범위가 영역마다 다르다. DEM 데이터 및 정사사진 데이터로부터 학습된 정보가 넓은 고도 범위를 가지고 있다면 문제가 되지 않지만 그렇지 않은 경우에는 범위 밖의 고도에 대해서 색상값을 학습하지 못했기 때문에 문제가 있다.
이에 따라 정사사진 텍스쳐의 자동생성 시스템은 입력된 임의의 DEM 데이터(350)의 고도값에 대한 히스토그램을 생성하고 DEM 데이터 및 정사사진 데이터로부터 학습된 정보에서 사용하는 범위가 넓을 경우에 학습된 데이터와 동일한 범위가 되도록 조정할 수 있다.
명도는 지형의 음영을 표현하기 위해 추출한 데이터이다. 명도가 최대일 때는 음영이 생기지 않는다. 색과 채도로 표현된 색상은 지역의 base color를 의미한다. 명도는 주로 광원의 입사 방향과 지면의 법선 벡터와의 각도에 따라 결정된다. 지형의 굴곡에 따라 계곡과 같이 주변 물체들로 둘러쌓인 지역은 빛에 대한 노출이 적어 어둡고 평지, 능선, 봉우리는 밝게 표현된다.
이에 따라 정사사진 텍스쳐의 자동생성 시스템은 명도 값에 영향을 주는 특징들인 법선 벡터, LoG값, 라플라시안 값을 이용하여 입력된 임의의 DEM 데이터(350)의 각 텍셀에 대응되는 명도를 획득할 수 있다. 정사사진 텍스쳐의 자동생성 시스템은 입력된 임의의 DEM(350)로부터 법선 벡터, LoG값, 라플라시안 값이 주어졌을 때 해당 색상이 채택될 확률을 베이지안 분류기를 이용하여 계산할 수 있다.
정사사진 텍스쳐의 자동생성 시스템은 학습한 데이터만으로 확률을 측정하기 때문에 posterior 확률을 고려한 MAP보다는 제한된 샘플 데이터 안에서의 확률을 이용한 ML을 이용하는 것이 적합하다.
정사사진 군사기지 등 민감한 시설의 경우 DEM 데이터만 있고 위성사진을 공개하지 않는다. 일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 민감한 시설의 위치를 삭제하고, 지형의 모양에 따라 자연스러운 항공사진을 생성하여 입힐 수 있다.
일 실시예에 따른 정사사진 텍스쳐의 자동생성 시스템은 게임에서 가상의 지형을 생성할 때에도 대략적인 높이만 설정할 경우, 설정된 높이에 맞는 지형사진이 생성될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 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 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (8)

  1. 삭제
  2. 정사사진 텍스쳐의 자동생성 방법에 있어서,
    DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계; 및
    상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 단계
    를 포함하고,
    상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는,
    상기 DEM 데이터로부터 높이, 법선 벡터(normal vector), 지형의 생김새를 추출하는 단계
    를 포함하는 정사사진 텍스쳐의 자동생성 방법.
  3. 제2항에 있어서,
    상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는,
    상기 DEM 데이터로 지형을 생성하였을 때 해당하는 텍셀의 정점을 공유하는 면들의 법선 벡터 합을 통하여 법선 벡터를 획득하고, 상기 법선 벡터로부터 지형의 경사각과 경사 방향을 판단이 가능한
    것을 특징으로 하는 정사사진 텍스쳐의 자동생성 방법.
  4. 제2항에 있어서,
    상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는,
    상기 DEM 데이터로부터 지형의 굴곡을 라플라시안 연산자로 추정함에 있어서, 특정 텍셀에서 계산된 값이 음수일 경우, 계곡이고, 양수일 경우 언덕이나 산봉우리이고, 0이면 평지나 능선으로 추정하는 단계
    를 포함하는 정사사진 텍스쳐의 자동생성 방법.
  5. 제2항에 있어서,
    상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는,
    상기 DEM 데이터로부터 지형의 굴곡을 LoG(Laplacian of Gaussian)을 이용하여 검출함에 있어서, LoG의 커널(kenel)의 크기에 해당하는 영역을 의미하는 타일에 나타나는 굴곡 패턴을 특징으로 추출하고, 상기 특징의 LoG 값이 음수이면 계곡, 양수이면 언덕이나 산봉우리, 0에 가까우면 평탄한 지역으로 추정하는 단계
    를 포함하는 정사사진 텍스쳐의 자동생성 방법.
  6. 제2항에 있어서,
    상기 DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 단계는,
    상기 정사사진 데이터로부터 RGB color 모델로된 입력영상을 HSL color 모델로 변환함으로써 각 텍셀의 컬러를 색, 채도, 명도 모델로 변환하여 음영과 색상을 분리하는 단계
    를 포함하는 정사사진 텍스쳐의 자동생성 방법.
  7. 제2항에 있어서,
    상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 단계는,
    베이지안 분류기를 이용하여 상기 DEM 데이터로부터 추출한 특징들로부터 상기 정사사진 데이터의 각 텍셀의 색상을 추정하는 단계
    를 포함하는 정사사진 텍스쳐의 자동생성 방법.
  8. DEM 데이터 및 정사사진 데이터로부터 특징들을 추출하여 학습시키는 학습부; 및
    상기 DEM 데이터 및 정사사진 데이터를 통하여 학습된 정보를 이용하여 임의의 DEM 데이터에 텍스쳐 매핑이 가능한 새로운 정사사진 데이터를 생성하는 생성부
    를 포함하고,
    상기 학습부는,
    상기 DEM 데이터로부터 높이, 법선 벡터(normal vector), 지형의 생김새를 추출하는 것
    을 포함하는 정사사진 텍스쳐의 자동생성 시스템.
KR1020160099879A 2016-08-05 2016-08-05 DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템 KR101766154B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160099879A KR101766154B1 (ko) 2016-08-05 2016-08-05 DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템
PCT/KR2017/005616 WO2018026094A1 (ko) 2016-08-05 2017-05-30 Dem 데이터를 이용한 ortho-photo 텍스쳐의 자동생성 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160099879A KR101766154B1 (ko) 2016-08-05 2016-08-05 DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템

Publications (1)

Publication Number Publication Date
KR101766154B1 true KR101766154B1 (ko) 2017-08-08

Family

ID=59652936

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160099879A KR101766154B1 (ko) 2016-08-05 2016-08-05 DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템

Country Status (2)

Country Link
KR (1) KR101766154B1 (ko)
WO (1) WO2018026094A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797679A (zh) * 2020-05-19 2020-10-20 中国地质大学（武汉） 一种遥感纹理信息处理方法、装置、终端及存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019613A (zh) * 2017-11-24 2019-07-16 中国人民解放军装备学院 一种流水模拟和双tpi参数法结合的地形特征线提取方法
CN109191557B (zh) * 2018-09-11 2023-05-02 中国科学院国家天文台 立体地形图的影像纹理映射方法及装置
CN113191374B (zh) * 2021-05-19 2023-04-18 甘肃省地震局（中国地震局兰州地震研究所） 基于金字塔注意力网络的PolSAR图像山脊线提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2740436B2 (ja) 1992-11-27 1998-04-15 大日本スクリーン製造株式会社 色調修正装置
KR100549511B1 (ko) 2005-10-04 2006-02-08 (주)아세아항측 수치사진측량기술과 레이져 스캐너를 이용한 ｇｉｓ용사진도면의 제작방법
JP4164674B2 (ja) * 2003-12-03 2008-10-15 セイコーエプソン株式会社 減色処理装置及び減色処理方法
KR100943451B1 (ko) * 2009-08-17 2010-02-22 홍종옥 Ｔｉｆｆ 포맷을 이용한 ｄｅｍ―ｔｉｆｆ정사영상 제작 시스템 및 그 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100544345B1 (ko) * 2005-11-30 2006-01-23 주식회사 한국지오매틱스 항공사진의 정사영상 제작방법
KR101706206B1 (ko) * 2013-05-13 2017-02-15 한국전자통신연구원 지형 표현 방법, 지형 프리미티브 생성 방법 및 이를 이용하는 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2740436B2 (ja) 1992-11-27 1998-04-15 大日本スクリーン製造株式会社 色調修正装置
JP4164674B2 (ja) * 2003-12-03 2008-10-15 セイコーエプソン株式会社 減色処理装置及び減色処理方法
KR100549511B1 (ko) 2005-10-04 2006-02-08 (주)아세아항측 수치사진측량기술과 레이져 스캐너를 이용한 ｇｉｓ용사진도면의 제작방법
KR100943451B1 (ko) * 2009-08-17 2010-02-22 홍종옥 Ｔｉｆｆ 포맷을 이용한 ｄｅｍ―ｔｉｆｆ정사영상 제작 시스템 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LANDSAT TM과 JERS-1 OPS 영상을 이용한 도시지역의 토지이용 변화 검출, 한국지리정보학회지 2권 1호(1999)*

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797679A (zh) * 2020-05-19 2020-10-20 中国地质大学（武汉） 一种遥感纹理信息处理方法、装置、终端及存储介质

Also Published As

Publication number Publication date
WO2018026094A1 (ko) 2018-02-08

Similar Documents

Publication Publication Date Title
JP7113044B2 (ja) 航空画像からの自動物体検出のための方法およびシステム
JP7190842B2 (ja) 情報処理装置、情報処理装置の制御方法及びプログラム
US20200302686A1 (en) System and method for virtual modeling of indoor scenes from imagery
JP5721197B2 (ja) 三次元地物データ生成装置、三次元地物データ生成方法、および、三次元地物データ生成プログラム
US7983474B2 (en) Geospatial modeling system and related method using multiple sources of geographic information
KR101766154B1 (ko) DEM 데이터를 이용한 Ortho-photo 텍스쳐의 자동생성 방법 및 시스템
Kadhim et al. A shadow-overlapping algorithm for estimating building heights from VHR satellite images
US11804025B2 (en) Methods and systems for identifying topographic features
US20230281913A1 (en) Radiance Fields for Three-Dimensional Reconstruction and Novel View Synthesis in Large-Scale Environments
Karsli et al. Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm
CN112183434B (zh) 建筑物变化检测方法和装置
Axelsson et al. Roof type classification using deep convolutional neural networks on low resolution photogrammetric point clouds from aerial imagery
JP2021179839A (ja) 地物の分類システム、分類方法及びそのプログラム
Koc-San et al. A model-based approach for automatic building database updating from high-resolution space imagery
Novacheva Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection
US10861174B2 (en) Selective 3D registration
CN113487741B (zh) 稠密三维地图更新方法及装置
Golparvar et al. AI-Supported framework of semi-automatic monoplotting for monocular oblique visual data analysis
CN113569600A (zh) 物体重识别的方法、装置、电子设备及存储介质
CN117635875B (zh) 一种三维重建方法、装置及终端
CN116152389B (zh) 一种用于纹理贴图的视角选择和纹理对齐方法及相关设备
JP7444268B2 (ja) 測定データ処理装置、測定データ処理方法及びプログラム
Trhan The creation of space vector models of buildings from RPAS photogrammetry data
Afrose Adaptive Methods for Point Cloud and Mesh Processing
Byrnside III Shadow-Based Automatic Building Height Estimation From High Spatial Resolution Satellite Imagery

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant