KR101809656B1 - 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법 - Google Patents

위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법 Download PDF

Info

Publication number
KR101809656B1
KR101809656B1 KR1020160129242A KR20160129242A KR101809656B1 KR 101809656 B1 KR101809656 B1 KR 101809656B1 KR 1020160129242 A KR1020160129242 A KR 1020160129242A KR 20160129242 A KR20160129242 A KR 20160129242A KR 101809656 B1 KR101809656 B1 KR 101809656B1
Authority
KR
South Korea
Prior art keywords
satellite image
image
facility
satellite
farm
Prior art date
Application number
KR1020160129242A
Other languages
English (en)
Inventor
김형훈
김도령
정윤재
신동호
김형섭
Original Assignee
(주)지오씨엔아이
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 (주)지오씨엔아이 filed Critical (주)지오씨엔아이
Priority to KR1020160129242A priority Critical patent/KR101809656B1/ko
Application granted granted Critical
Publication of KR101809656B1 publication Critical patent/KR101809656B1/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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에 관한 것으로, 보다 구체적으로는 외부로부터 위성영상을 입력받는 위성영상 입력 단계(S100), 상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선을 강조한 영상을 획득하고, 경계선이 강조된 상기 위성영상의 화소를 보정하는 보정 단계(S200), 상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내의 물 정보와 육지 정보를 분류하는 분류 단계(S300), 외부로부터 학습자료를 입력받는 학습 단계(S400) 및 상기 학습 단계(S400)로부터 입력받은 상기 학습자료를 이용하여, 상기 위성영상에 포함되어 있는 양식장 시설물의 특징을 추출하고, 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물의 종류별로 탐지 및 분류하는 분석 단계(S500)로 이루어지는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법에 관한 것이다.

Description

위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법 {System and method for detecting aquaculture farm facility based satellite image}
본 발명은 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에 관한 것으로, 더욱 상세하게는 위성영상(아리랑위성 3호의 KOMPSAT-3) 내 양식장 시설물을 검출하고, 양식장 시설물 종류별로 자동 분류하여 GIS(Geographic Information System)로 활용할 수 있는 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에 관한 것이다.
또한, 본 발명의 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법은 학습을 통해, 위성영상 내의 양식장 시설물을 종류별로 추출 분류하고, 추출된 정보를 용이하게 관리할 수 있어, 위성영상 기반 양식장 시설물 검출 분야의 발전형에 관한 것이다.
우리나라는 3면이 바다와 접해있는 반도 형태의 국가로서, 과거부터 해양 수산물에 대한 양식이 이루어져 왔다.
최근 국내에서는 양식장 시설물을 체계적으로 관리하기 위해, 매년 양식장 위치 및 생산량에 대한 현황정보를 조사하고 있으며, 조사된 자료를 토대로 양식장 생산물에 대한 가격책정을 수행하여 어족 자원을 안정화하고, 어민 생활권을 보장하고 있다.
이러한 양식장 시설물 및 양식장 생산물의 조사는 매년 조사 인력이 양식장 시설물을 운용하는 조사대상 지역 어촌계에 직접 방문하여 현장 조사를 수행하고 있으며, 현장 조사 결과를 바탕으로 획득된 정보를 참고하여, 항공사진을 기반으로 벡터라이징을 수행하고 있다.
그렇지만, 이는 다수의 인력 투입을 통한 조사대상 지역 어촌계 직접 방문이라는 시간적, 인적 한계를 가지며, 항공사진 촬영 상의 고비용 문제와 촬영시기의 선정 한계로 인한 문제가 발생한다.
즉, 현장 조사의 경우, 많은 인력이 투입되어 조사를 수행하지만 조사 인력의 부족으로 인해 정밀한 현장 조사가 이루어지지 않을 뿐 아니라, 항공사진 기반의 벡터라이징의 경우, 고해상의 영상 정보를 활용하기 때문에 양식시설 구획이 정밀하게 수행되지만 영상 촬영 비용이 비싸고 촬영 허가가 번거로워 생육주기가 서로 다른 양식장 자원 전체에 대해 각 자원별 성숙기 영상을 획득하는데 어려움이 있다.
뿐만 아니라, 국내에 다수 유입되고 있는 해외 양식자원의 운용 모니터링과 관련하여, 기존 조사방법으로는 국외 양식자원정보를 획득하는데 어려움이 있다.
특히, 중국 양식업의 경우, 대단위 면적의 양식장 운용을 통해 획득되는 양식 자원을 국내에 수출하며, 이러한 양식자원들이 국내로 유입될시 국내 양식자원의 가격폭락으로 인해 어민생계가 위협받게 된다.
상술한 문제 해결을 위해서는 국내뿐만 아니라 국외 양식장에 대한 감시 및 모니터링이 이루어져야 하며 기존 국내 관련 기술들은 단일 양식자원에 대한 관리 체계 확보에 그치고 있다. 국내에서 운영되고 있는 양식시설은 생육하는 양식자원의 종류에 따라 부류식(해조류), 연승식(해조류, 패류), 가두리식(어류, 패류) 등 다양한 시설형태가 존재하며, 이러한 시설형태를 모두 고려한 모니터링 체계는 미비한 실정이다.
이와 관련해서, 국내등록특허 제10-1050067호("중해상도 인공위성 영상자료로부터 김양식장 시설을 탐지하는 방법", 이하 선행문헌 1)는 Landsat 인공위성과 같은 중해상도 인공위성 영상자료로부터 김양식장 시설을 용이하게 탐지할 수 있는 방법을 개시하고 있다.
국내등록특허 제10-1050067호 (중해상도 인공위성 영상자료로부터 김양식장 시설을 탐지하는 방법)
본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명은 위성영상(아리랑위성 3호의 KOMPSAT-3) 내 양식장 시설물을 검출하고, 양식장 시설물 종류별로 자동 분류하여 GIS(Geographic Information System)로 활용할 수 있는 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법을 제공함에 있다.
그러나 본 발명의 목적은 상기에 언급된 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은, 외부로부터 입력받은 위성영상을 이용하여, 상기 위성영상 내 경계선이 강조되도록 상기 위성영상을 보정하고, 경계선이 강조된 상기 위성영상의 화소를 보정하는 위성영상 보정부(100), 상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내 물 정보와 육지 정보를 분류하는 위성영상 분류부(200) 및 상기 위성영상 분류부(200)에서 분류한 상기 위성영상 내 물 정보만을 이용하며, 외부로부터 입력받은 학습자료를 이용하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 양식장 시설물의 종류별로 분류하는 위성영상 분석부(300)를 포함하여 구성되는 것을 특징으로 한다.
더 나아가, 상기 위성영상 보정부(100)는 입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass filter) 기법을 적용하여, 경계선이 강조된 위성영상을 생성하는 제 1 보정부(110) 및 상기 위성영상 밴드별로 화소값 보정을 통해, 상기 제 1 보정부(110)에서 생성한 상기 위성영상의 Pseudo color를 보정하는 제 2 보정부(120)를 포함하여 구성되는 것을 특징으로 한다.
더 나아가, 상기 위성영상 분류부(200)는 상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(수분지수, Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여 합집합 부분을 육지 정보 또는 물체 정보로 설정하여 마스크(Mask)를 생성하고, 이를 상기 위성영상에 적용하는 것을 특징으로 한다.
더 나아가, 상기 위성영상 분석부(300)는 상기 위성영상 분류부(200)에서 생성한 마스크가 적용되지 않은 부분에 대해서만 양식장 시설물의 특징을 추출하는 것을 특징으로 한다.
더 나아가, 상기 위성영상 분석부(300)는 외부로부터 입력받은 상기 학습자료인 양식장 시설물 별로 고유 속성값을 학습하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하는 것을 특징으로 한다.
더 나아가, 상기 위성영상 분석부(300)는 추출한 양식장 시설물의 특징을 기반으로, 양식장 시설물의 종류별로 분류하여, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고 기저장되어 있는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물을 탐지하는 것을 특징으로 한다.
더 나아가, 상기 위성영상 분석부(300)는 탐지한 상기 위성영상 내 양식장 시설물 정보들을 GIS(Geographic Information System)에 활용 가능한 파일 형태로 저장하는 것을 특징으로 한다.
더 나아가, 상기 위성영상 기반 양식장 시설물 탐지 시스템은 상기 위성영상 보정부(100), 위성영상 분류부(200) 또는 상기 위성영상 분석부(300)에서 이용되고 있는 상기 위성영상이 실시간으로 출력되는 디스플레이 수단(400)를 더 포함하여 구성되며, 외부에 위치하고 있는 관리자는 상기 디스플레이 수단(400)의 조작을 통해 상기 위성영상의 출력되고 있는 화면을 이동시키거나, 확대 및 축소를 수행하는 것을 특징으로 한다.
더 나아가, 상기 디스플레이 수단(400)은 관리자로부터 입력되는 GPS 좌표를 기반으로 상기 위성영상의 출력되고 있는 화면을 이동시키거나, 관리자로부터 선택되는 화면의 위치를 기반으로 상기 위성영상의 출력되고 있는 화면을 이동시키는 것을 특징으로 한다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은, 외부로부터 위성영상을 입력받는 위성영상 입력 단계(S100), 상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선을 강조한 영상을 획득하고, 경계선이 강조된 상기 위성영상의 화소를 보정하는 보정 단계(S200), 상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내의 물 정보와 육지 정보를 분류하는 분류 단계(S300), 외부로부터 학습자료를 입력받는 학습 단계(S400) 및 상기 학습 단계(S400)로부터 입력받은 상기 학습자료를 이용하여, 상기 위성영상에 포함되어 있는 양식장 시설물의 특징을 추출하고, 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물의 종류별로 탐지 및 분류하는 분석 단계(S500)로 이루어지는 것을 특징으로 한다.
더 나아가, 상기 위성영상 기반 양식장 시설물 탐지 방법은 상기 위성영상 입력 단계(S100), 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)의 각 단계에서 이용되고 있는 상기 위성영상이 실시간으로 출력되는 출력 단계(S600)를 더 포함하여 이루어지며, 외부에 위치하고 있는 관리자의 조작에 따라, 상기 출력 단계(S600)에서 출력되는 상기 위성영상의 화면 위치를 이동시키거나, 확대 및 축소가 이루어지는 것을 특징으로 한다.
더 나아가, 상기 보정 단계(S200)는 상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass Filter) 기법을 적용하여, 경계선이 강조된 위성영상을 획득하는 제 1 보정 단계(S210)로 이루어지는 것을 특징으로 한다.
더 나아가, 상기 보정 단계(S200)는 상기 제 1 보정 단계(S210)를 수행하고 난 후, 상기 위성영상을 이루고 있는 밴드별로 화소값 보정을 통해, 경계선이 강조된 위성영상의 Pseudo color를 보정하는 제 2 보정 단계(S220)로 이루어지는 것을 특징으로 한다.
더 나아가, 상기 분류 단계(S300)는 상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여, 합집합 부분을 육지 정보 또는 물체 정보로 설정하여 마스크(Mask)를 생성하고, 이를 상기 위성영상에 적용하는 것을 특징으로 한다.
더 나아가, 상기 분석 단계(S500)는 상기 분류 단계(S300)에서 생성한 마스크가 적용되지 않은 부분에 대해서만, 양식장 시설물의 특징을 추출하되, 상기 학습 단계(S400)로부터 입력받은 상기 학습자료인 양식장 시설물 별로 고유 속성값을 학습하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 추출한 양식장 시설물의 특징을 기반으로, 양식장 시설물의 종류별로 분류하여, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고 기저장되어 있는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물의 종류별로 탐지하는 것을 특징으로 한다.
더 나아가, 상기 분석 단계(S500)는 탐지한 상기 위성영상 내 양식장 시설물의 정보들을 GIS(Geographic Information System)에 활용 가능한 파일 형태로 저장하는 것을 특징으로 한다.
이상에서 설명한 바와 같이, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법을 사용하면, 외부로부터 입력받는 위성영상, 특히, 고해상의 광학영상인 아리랑위성 3호가 제공하는 KOMSPAT-3 위성영상을 이용하여, 위성영상 내 양식장 시설물을 효과적으로 탐지할 수 있다.
특히, 위성영상 처리 및 일반영상 처리 분야의 기술을 복합적으로 활용하여 양식장 시설물을 자동으로 추출할 수 있도록 하는 분류 과정을 통해, 분류를 기반으로 양식장 시설물의 정보를 생성할 수 있어 종래의 양식장 시설물에 대한 엣지(edge) 만을 검출하는 부분과는 차이가 있으며, 위성영상 내 양식장 시설물을 검출하고, 양식장 시설물의 종류별로 자동 분류하여 이를 GIS에 활용 가능하도록 데이터베이스화할 수 있는 장점이 있다.
더 나아가, 분류 과정을 통한 양식장 시설물의 검출은, 단순히 양식장 시설물 별 형태에 대한 엣지를 검출하는 종래의 방법에 비해, 양식장 시설물의 종류가 용이하게 이루어질 수 있으며, 이를 통해 양식장 시설물의 관리를 수월하게 진행할 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템을 간략하게 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법으로 입력되는 위성영상의 실시예이다.
도 3은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 물 정보 및 육지 정보 분류를 위해 육지 부분에 생성된 마스크를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 입력받는 학습자료 및 이를 통해서 추출한 특징을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 생성한 양식장 시설물 추출 분류기를 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 생성한 양식장 시설물의 추출 분류 결과를 나타낸 예시도이다.
도 7은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 양식장 시설물의 특징을 기반으로 이루어지는 라벨링 및 코너 포인트 연결을 나타낸 예시도이다.
도 8은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 생성된 코너 포인트를 기반으로 외곽 정보를 생성하는 과정을 나타낸 예시도이다.
도 9는 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 GIS에 활용 가능하도록 생성한 결과 정보를 나타낸 예시도이다.
도 10은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법에서 디스플레이되는 화면을 나타낸 예시도이다.
도 11 및 도 12는 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법을 나타낸 순서도이다.
도 13은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법의 의 전체 흐름도를 도시한 것이다.
이하 첨부한 도면들을 참조하여 본 발명의 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
이에 앞서서, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법은 다양한 전자적으로 정보를 처리하는 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 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. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
도 1 및 도 13은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템을 나타낸 도면이다. 도 1 및 도 13을 참조로 하여 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템을 상세히 설명한다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은 도 1 및 도 13에 도시된 바와 같이, 위성영상 보정부(100), 위성영상 분류부(200) 및 위성영상 분석부(300)를 포함하여 구성될 수 있다.
각 구성에 대해서 상세히 알아보자면,
상기 위성영상 보정부(100)는 외부로부터 입력받은 위성영상을 이용하여, 상기 위성영상 내 경계선이 강조되도록 상기 위성영상을 보정할 수 있으며, 경계선이 강조된 위성영상의 화소를 보정할 수 있다.
이 때, 외부로부터 입력받은 위성영상은, 도 2에 도시된 바와 같이, 고해상의 광학영상인 아리랑위성 3호가 제공하는 KOMPSAT-3 위성영상인 것이 바람직하다.
KOMPSAT-3 위성영상은 국내에서 현재 운용 및 영상 제공 중인 서브미터(Sub-meter)급 지구관측 위성으로 0.7m의 공간 해상도를 가진다. 지구 선회 주기는 하루에 약 15바퀴이며 공공안전, 재난재해, 국토 자원관리, 환경감시 등의 임무를 수행한다. 이러한 KOMPSAT-3 위성영상은 일반적인 광학 위성영상과 같이, 높은 해상도를 가지기 때문에, 위성영상 자체의 용량이 매우 크다.
이로 인해, 위성영상을 처리할 수 있는 상용 소프트웨어를 사용하는 것이 일반적이며, 각 상용 소프트웨어들은 영상처리의 편의를 위해 각 소프트웨어별 고유 확장자를 사용하게 된다.
그렇지만, 이러한 상용 소프트웨어를 사용하지 않고 위성영상 자체를 활용할 수 있도록 하기 위해서는, 영상/이미지 전용으로 보편화된 TiFF, PNG, JPEG 등의 확장자를 사용하며, 일반적으로 영상 내 손실이 가장 적은 TiFF를 사용하고 있다.
단, 고해상의 광학영상인 위성영상을 일반적인 TiFF 확장자로 사용하는 부분에는 문제점이 있어, 영상자료의 용량이 4GB 이상일 경우, TiFF 형태의 영상이 생성될 수 있어며, 이를 보완하기 위해서는 BigTiFF 확장자를 사용해야 하나, 해당 영상은 기존 Open CV 알고리즘들이 지원하지 않는 부분이 있어 문제점이 있다.
그렇기 때문에, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은 BigTiFF 확장자의 위성영상을 입력받아 이 후 과정을 수행할 수 있도록, 상기 위성영상 보정부(100), 위성영상 분류부(200) 및 위성영상 분석부(300)를 구성하는 것이 바람직하다.
이를 통해서, 상기 위성영상 보정부(100)는 BigTiFF 확장자의 위성영상을 입력받아, LOD(Level Of Detail) 기반으로 입력받은 위성영상을 분할하고 분할된 영상들을 기반으로 확대, 축소, 이동 등의 영상 핸들링 기능이 가능하게 된다.
좀 더 상세하게는, 상기 위성영상 보정부(100)는 도 1에 도시된 바와 같이, 제 1 보정부(110) 및 제 2 보정부(120)를 포함하여 구성될 수 있다.
상기 제 1 보정부(110)는 입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass Filter) 기법을 적용하여, 경계선이 강조된 위성영상을 생성할 수 있으며, 상기 HPF 기법은 영상 내에 Pixel 정보를 주파수 정보로 변환하여 필터링을 통해 고주파 대역은 통과시키고 저주파 대역은 걸러 내어 영상 내 시설물이 강조되게 된다.
즉, 상기 HPF 기법은 영상 내 고주파 영역을 강조하며 저주파 영역은 차단하는 Edge Detection의 일반적인 기법으로서, 상기 제 1 보정부(110)에서는 상기 HPF 기법을 통해서, 입력받은 상기 위성영상 내의 경계선이 강조된 위성영상을 생성할 수 있어, 상기 위성영상 내 양식장 시설물이 강조된 영상을 확보할 수 있다.
또한, 상기 제 2 보정부(120)는 상기 위성영상을 구성하고 있는 밴드별로 화소값 보정을 수행하여, 상기 제 1 보정부(110)에서 생성한 경계선이 강조된 위성영상의 Pseudo color를 보정할 수 있다. 이 때, KOMPSAT-3 위성영상을 구성하는 밴드로는 4개의 Multi Spectral 밴드인 Blue, Green, Red 및 Infrared 밴드와 고해상의 Panchromatic 밴드로 구분된다. 위성영상을 원시영상 형태로 수급할 경우 각 Band별로 영상이 나누어져 있으므로 영상을 하나의 파일로 합성(조합)하는 과정이 필요한데, 이를 영상합성(Layer stack)이라 한다.
영상융합이란 두 영상이 가지는 각각의 장점만을 취득하여 해상도는 전정영상의 수준을 유지하면서 천연색상을 가지도록 두 개의 영상을 하나의 영상으로 융합하는 방법이다.
영상을 융합하는 방법에는 일반적인 Resolution Merge, IHS Resolution Merge, Wavelet Resolution Merge 등이 있으며, 본 발명에서는 Resolution Merge 기법을 이용하여 영상융합을 수행할 수 있다.
정사보정(Ortho Rectification)은 위성영상의 취득 당시 함께 제공받았던 RPC(Rational polynomial coefficient) file, KOMPSAT-3 영상 촬영 지역과 동일한 지역의 수치지형도 및 DEM(또는 기타 지형정보)를 활용하여 실시될 수 있다. 정사보정을 통해 KOMPSAT-3 위성영상의 기준 좌표계인 GRS 1980 TM 좌표계로 정의한다.
즉, 상기 제 2 보정부(120)는 상기 제 1 보정부(110)에서 생성한 경계선이 강조된 위성영상에 대해서, 밴드별로 화소값 보정을 수행하여, 상기 위성영상을 보다 자연색에 가깝게 만들 수 있다.
화소값 보정으로, 화소별 최대 및 최소값을 설정하여, 최대값을 초과하는 화소 또는 최소값 미만인 화소를 설정한 최대값 또는 최소값 범위로 보정할 수 있다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은, 외부로부터 입력받은 BigTiff 확장자의 위성영상에 대해서, 양식장 시설물 분류에 대한 정확도 향상 및 용이성을 확보하기 위하여, 물과 육지 부분을 분류하는 것이 필수이다. 이를 위해 상기 위성영상 분류부(200)를 통해서 상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내 물 정보와 육지 정보를 분류할 수 있다.
즉, 상기 위성영상 분류부(200)는 상기 위성영상 보정부(100)에 의해, 경계선이 강조되고 Pseudo color를 보정한 위성영상 내 물 정보와 육지 정보를 분류하고, 육지 정보(또는 물체 정보)에 대해서 마스크(Mask)를 생성하여 분류할 수 있다.
상세하게는, 상기 위성영상 분류부(200)는 도 3과 같이, 상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(수분지수, Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여 합집합 부분을 육지 정보 또는 물체 정보로 설정하여, 마스크를 생성하고 이를 상기 위성영상에 적용함으로써, 상기 위성영상 내 물 정보와 육지 정보(물체 정보)를 분류할 수 있다.
이 때, 상기 위성영상 분류부(200)는 물(해역)에 있는 양식어장을 관리하는 배 또는 어선들에 대해서도 마스크를 생성하여, 적용시킴으로써 물 정보만을 명확하게 분류할 수 있으며, 이 후, 양식장 시설물을 탐지하는 과정에서는, 마스크가 적용되지 않은 물 정보에 대해서만 탐지 및 분류가 진행되는 것이 바람직하다.
여기서, NDVI란, 가장 일반적으로 사용되는 식생지수로, 가시광선 대역과 근적외선 대역의 두 영상 간 연산을 통해 분석영상을 생성할 수 있다.
수분을 포함하는 구름, 물 등은 가시광역이 근적외역보다 반사값이 높고, 마름 암석, 토양 등은 가시광역과 근적외역에서의 반사특성이 거의 유사하기 때문에 0에 가깝게 나타나고, 식물의 경우, 가시광역이 근적외역보다 반사값이 낮기 때문에 음수를 가지게 되는 특징을 이용하여, 0보다 작은 값을 삭제하여 물 영역만을 추출할 수 있다.
또한, NDWI란, NDVI와 같이 가시광선과 근적외선 대역의 두 영상 간 연산을 통해 물 영역에 대한 강조 영상을 생성할 수 있으며, 일반적으로 근적외선 대역과 단파장 적외선 영역 간의 반사도값을 이용하여, 물 영역이 강조된 영상을 추출할 수 있다. 그렇지만, KOMPSAT-3에는 단파장 적외역 밴드가 존재하지 않기 때문에, NDWI 단독이 아닌 NDWI와 NDVI를 동시에 이용하여, 상술한 바와 같이, 합집합 부분에 대해서 육지 정보 또는 물체 정보로 설정하여, 마스크를 생성하고 적용시키게 된다.
상기 위성영상 분석부(300)는 상기 위성영상 분류부(200)에서 분류한 상기 위성영상 내 물 정보만을 이용하여, 다시 말하자면, 상기 위성영상 분류부(200)에서 생성한 마스크가 적용되지 않은 부분에 대해서만, 외부로부터 입력받은 학습자료를 이용하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 양식장 시설물의 종류별로 분류할 수 있다.
상기 위성영상 분석부(300)는 외부로부터 입력받은 학습자료인 양식장 시설물 별 고유 속성값을 학습하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출할 수 있다.
상세하게는, 상기 위성영상 분석부(300)는 도 4에 같이, 위성영상에 대해 각 밴드별로 양식장 시설물에 대한 화소값의 특징을 추출하고, 이를 통해 양식장 시설물 분류를 수행할 수 있다.
즉, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은, 위성영상 내 양식장 시설물을 자동 분류하기 위해서, 학습된 분류기를 생성하여야 하며, 해당되는 분류기의 학습은 관리자(사용자 등)가 다양한 인수를 추출하여 생성한 특징 정보를 통해 수행되는 것이 바람직하다.
특징 추출은, 학습의 재료가 되는 위성영상을 구성하는 밴드인 Blue, Green, Red 및 Infrared 밴드에 대한 속성 정보, NDVI 지수, NDWI 지수 등 양식장 시설물이 가지는 고유의 픽셀값 정보를 활용하며, 관리자가 직접 구획을 통해 획득한 영상 정보도 사용될 수 있다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은 도 5 및 도 6과 같이, ANN(Artificial Neural Network) 분류기를 생성하여 활용하는 것이 바람직하며, ANN 분류기는 특징 정보들을 입력 계층에 넣고, 은닉 계층에서 실제 분류인자 정보 추출이 가능하도록 수식들이 적용되고, 출력 계층에서 양식장 시설물 별로 최고의 스코어를 가지는 값을 추출하게 된다.
이와 같이, 양식장 시설물을 분류할 수 있도록 하는 양식장 시설물 분류기를 생성하는 것이 바람직하다.
이를 통해서, 상기 위성영상 분석부(300)는 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징 추출을 자동으로 수행할 수 있으며, 추출된 특징을 기반으로, 학습된 분류기가 양식장 시설물 분류를 수행할 수 있다.
상세하게는, 상기 위성영상 분석부(300)는 추출한 양식장 시설물의 특징으로 기반으로, 양식장 시설물의 종류별로 분류하여, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고, 미리 저장되어 잇는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물을 탐지할 수 있다.
상기 위성영상 분석부(300)에서 도 7에 도시된 바와 같이, 라벨링은 분류결과 영상에 대해 첫 픽셀에서부터 마지막 픽셀까지 연산을 수행하며, 픽셀값이 255인 부분에 대해서 추출하여, 반복 연산을 통해 이미 라벨링된 픽셀인지 확인하고, 이미 라벨링된 픽셀이 아닐 경우, 스택(stack)에 현재 x, y 좌표를 저장하게 되며, 현재 픽셀을 기준으로 주변 8개의 픽셀까지 탐지하여, 위성영상 내 모든 양식장 시설물의 정보가 라벨링될 때까지 탐지하는 것이 바람직하다.
상기 위성영상 분석부(300)는 도 8에 도시된 바와 같이, 라벨링된 픽셀 정보들의 유사값을 산출하여, 유사값들끼리 그룹화(grouping)하여, 그룹화된 양식장 시설물에 대해서 상기 코너 포인트 검출 알고리즘을 적용시키는 것이 바람직하다. 이를 통해서, 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물을 탐지할 수 있다.
상기 코너 포인트 검출 알고리즘은 해당 픽셀과 주변 방향의 픽셀 간의 각도 값의 차를 계산하여 차가 발생할 경우, 각각의 코너 포인트로 설정할 수 있으며, 코너 포인트의 연결은 관계된 코너 포인트들에 대한 중심값을 찾고, 그 중심값을 기준으로 시계방향 또는 반시계방향에 위치한 코너 포인트 별 각도값을 추출하여, 이를 리스트로 작성하고, 해당 리스트를 기준으로 코너 포인트를 연결할 수 있다.
이 때, 단순히 각도에 따라 순차적으로 코너 포인트를 연결하기 때문에, 양식장 시설물의 형태에 대해서 오류가 생성될 수 있다.
상기 위성영상 분석부(300)는 이를 극복하기 위하여, 도 8과 같이, Graham's scan 기법을 적용하는 것이 바람직하다.
Graham's scan 기법은 추출한 코너 포인트에 대해 한 방향으로 몰려있을 경우, 그 중 하나의 코너 포인트를 시작으로 해당되는 코너 포인트의 시계방향 또는 반시계방향으로 최대각도 또는 최소각도가 되는 코너 포인트를 연결하는 것을 반복 수행할 수 있다.
또한, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은, 상기 위성영상 분석부(300)를 통해서 탐지한 상기 위성영상 내 양식장 시설물 정보들을 GIS(Geographic Information System)에 활용하기 위해서, 도 9와 같이, GIS에서 가능한 파일 형태로 저장하는 것이 바람직하다.
더불어, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 시스템은, 도 10과 같이, 디스플레이 수단(400)을 포함하여 구성될 수 있다.
상기 디스플레이 수단(400)은 상기 위성영상 보정부(100), 위성영상 분류부(200) 또는 상기 위성영상 분석부(300)에서 이용되고 있는 상기 위성영상이 실시간으로 출력될 수 있으며, 외부에 위치하고 있는 관리자는 상기 디스플레이 수단(400)의 조작을 통해, 출력되고 있는 위성영상의 위치를 이동시키거나, 확대 및 축소가 가능하며, 관리자의 조작에 따라 용이하게 위성영상을 확인할 수 있다.
상세하게는, 상기 디스플레이 수단(400)은 관리자로부터 입력받은 GPS 좌표를 기반으로 출력되고 있는 위성영상의 위치 화면을 이동시키거나,
관리자로부터 선택되는 화면의 위치를 기반으로 출력되고 있는 위성영상의 위치 화면을 이동시킬 수 있어, 직관적으로 원하는 위성영상 위치를 설정하고 이에 해당하는 양식장 시설물의 정보를 전달받을 수 있다.
도 11은 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법을 나타낸 순서도이다. 도 11을 참조로 하여, 본 발명의 일시예에 따른 위성영상 기반 양식장 시설물 탐지 방법을 상세히 설명한다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은 도 11에 도시된 바와 같이, 위성영상 입력 단계(S100), 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)로 이루어질 수 있다.
각 단계에 대해서 상세히 알아보자면,
상기 위성영상 입력 단계(S100)는 외부로부터 위성영상을 입력받을 수 있으며, 이 때, 외부로부터 입력받은 위성영상은, 도 2에 도시된 바와 같이, 고해상의 광학영상인 아리랑위성 3호가 제공하는 KOMPSAT-3 위성영상인 것이 바람직하다.
KOMPSAT-3 위성영상은 국내에서 현재 운용 및 영상 제공 중인 서브미터(Sub-meter)급 지구관측 위성으로 0.7m의 공간 해상도를 가진다. 지구 선회 주기는 하루에 약 15바퀴이며 공공안전, 재난재해, 국토 자원관리, 환경감시 등의 임무를 수행한다. 이러한 KOMPSAT-3 위성영상은 일반적인 광학 위성영상과 같이, 높은 해상도를 가지기 때문에, 위성영상 자체의 용량이 매우 크다.
이로 인해, 위성영상을 처리할 수 있는 상용 소프트웨어를 사용하는 것이 일반적이며, 각 상용 소프트웨어들은 영상처리의 편의를 위해 각 소프트웨어별 고유 확장자를 사용하게 된다.
그렇지만, 이러한 상용 소프트웨어를 사용하지 않고 위성영상 자체를 활용할 수 있도록 하기 위해서는, 영상/이미지 전용으로 보편화된 TiFF, PNG, JPEG 등의 확장자를 사용하며, 일반적으로 영상 내 손실이 가장 적은 TiFF를 사용하고 있다.
단, 고해상의 광학영상인 위성영상을 일반적인 TiFF 확장자로 사용하는 부분에는 문제점이 있어, 영상자료의 용량이 4GB 이상일 경우, TiFF 형태의 영상이 생성될 수 있어며, 이를 보완하기 위해서는 BigTiFF 확장자를 사용해야 하나, 해당 영상은 기존 Open CV 알고리즘들이 지원하지 않는 부분이 있어 문제점이 있다.
그렇기 때문에, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은 BigTiFF 확장자의 위성영상을 입력받아 이 후 과정을 수행할 수 있도록, 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)로 이루어지는 것이 바람직하다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은 BigTiFF 확장자의 위성영상을 입력받아, LOD(Level Of Detail) 기반으로 입력받은 위성영상을 분할하고 분할된 영상들을 기반으로 확대, 축소, 이동 등의 영상 핸들링 기능이 가능하게 된다.
상기 보정 단계(S200)는 상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선을 강조한 영상을 획득하고, 경계선이 강조된 상기 위성영상의 화소를 보정할 수 있다.
상기 보정 단계(S200)는 도 12에 도시된 바와 같이, 제 1 보정 단계(S210) 및 제 2 보정 단계(S220)를 포함하여 구성될 수 있다.
상기 제 1 보정 단계(S210)는 상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass Filter) 기법을 적용하여, 경계선이 강조된 위성영상을 획득할 수 있다.
즉, 상기 제 1 보정 단계(S210)는 상기 위성영상 보정부(100)의 제 1 보정부(110)를 통해서, 경계선이 강조된 위성영상을 생성할 수 있다. 상기 HPF 기법은 영상 내에 Pixel 정보를 주파수 정보로 변환하여 필터링을 통해 고주파 대역은 통과시키고 저주파 대역은 걸러 내어 영상 내 시설물이 강조되게 된다.
즉, 상기 HPF 기법은 영상 내 고주파 영역을 강조하며 저주파 영역은 차단하는 Edge Detection의 일반적인 기법으로서, 상기 제 1 보정부(110)에서는 상기 HPF 기법을 통해서, 입력받은 상기 위성영상 내의 경계선이 강조된 위성영상을 생성할 수 있어, 상기 위성영상 내 양식장 시설물이 강조된 영상을 확보할 수 있다.
상기 제 2 보정 단계(S220)는 상기 제 1 보정 단계(S210)를 수행하고 난 후, 상기 위성영상을 이루고 있는 밴드별로 화소값 보정을 통해, 경계선이 강조된 위성영상의 Pseudo color를 보정할 수 있다.
상세하게는, 상기 제 2 보정 단계(S220)는 상기 위성영상 보정부(100)의 제 2 보정부(120)를 통해서, 상기 제 1 보정부(110)에서 생성한 경계선이 강조된 위성영상의 Pseudo color를 보정할 수 있다. 이 때, KOMPSAT-3 위성영상을 구성하는 밴드로는 4개의 Multi Spectral 밴드인 Blue, Green, Red 및 Infrared 밴드와 고해상의 Panchromatic 밴드로 구분된다. 위성영상을 원시영상 형태로 수급할 경우 각 Band별로 영상이 나누어져 있으므로 영상을 하나의 파일로 합성(조합)하는 과정이 필요한데, 이를 영상합성(Layer stack)이라 한다.
영상융합이란 두 영상이 가지는 각각의 장점만을 취득하여 해상도는 전정영상의 수준을 유지하면서 천연색상을 가지도록 두 개의 영상을 하나의 영상으로 융합하는 방법이다.
영상을 융합하는 방법에는 일반적인 Resolution Merge, IHS Resolution Merge, Wavelet Resolution Merge 등이 있으며, 본 발명에서는 Resolution Merge 기법을 이용하여 영상융합을 수행할 수 있다.
정사보정(Ortho Rectification)은 위성영상의 취득 당시 함께 제공받았던 RPC(Rational polynomial coefficient) file, KOMPSAT-3 영상 촬영 지역과 동일한 지역의 수치지형도 및 DEM(또는 기타 지형정보)를 활용하여 실시될 수 있다. 정사보정을 통해 KOMPSAT-3 위성영상의 기준 좌표계인 GRS 1980 TM 좌표계로 정의한다.
즉, 상기 제 2 보정 단계(S220)는 상기 제 1 보정 단계(S210)에서 생성한 경계선이 강조된 위성영상에 대해서, 밴드별로 화소값 보정을 수행하여, 상기 위성영상을 보다 자연색에 가깝게 만들 수 있다.
화소값 보정으로, 화소별 최대 및 최소값을 설정하여, 최대값을 초과하는 화소 또는 최소값 미만인 화소를 설정한 최대값 또는 최소값 범위로 보정할 수 있다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은, 외부로부터 입력받은 BigTiff 확장자의 위성영상에 대해서, 양식장 시설물 분류에 대한 정확도 향상 및 용이성을 확보하기 위하여, 물과 육지 부분을 분류하는 것이 필수이다. 이를 위해 상기 분류 단계(S300)를 통해서 상기 보정 단계(S200)에서 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내 물 정보와 육지 정보를 분류할 수 있다.
즉, 상기 분류 단계(S300)는 상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내의 물 정보와 육지 정보를 분류할 수 있다.
상기 분류 단계(S300)는 상기 보정 단계(S200)에 의해 경계선이 강조되고 Pseudo color를 보정한 위성영상 내 물 정보와 육지 정보를 분류하고, 육지 정보(또는 물체 정보)에 대해서 마스크(Mask)를 생성하여 분류할 수 있다.
상기 분류 단계(S300)는 상기 위성영상 분류부(200)를 통해서, 상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(수분지수, Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여 합집합 부분을 육지 정보 또는 물체 정보로 설정하여, 마스크를 생성하고 이를 상기 위성영상에 적용함으로써, 상기 위성영상 내 물 정보와 육지 정보(물체 정보)를 분류할 수 있다.
이 때, 상기 분류 단계(S300)는 물(해역)에 있는 양식어장을 관리하는 배 또는 어선들에 대해서도 마스크를 생성하여, 적용시킴으로써 물 정보만을 명확하게 분류할 수 있으며, 이 후, 양식장 시설물을 탐지하는 과정에서는, 마스크가 적용되지 않은 물 정보에 대해서만 탐지 및 분류가 진행되는 것이 바람직하다.
여기서, NDVI란, 가장 일반적으로 사용되는 식생지수로, 가시광선 대역과 근적외선 대역의 두 영상 간 연산을 통해 분석영상을 생성할 수 있다.
수분을 포함하는 구름, 물 등은 가시광역이 근적외역보다 반사값이 높고, 마름 암석, 토양 등은 가시광역과 근적외역에서의 반사특성이 거의 유사하기 때문에 0에 가깝게 나타나고, 식물의 경우, 가시광역이 근적외역보다 반사값이 낮기 때문에 음수를 가지게 되는 특징을 이용하여, 0보다 작은 값을 삭제하여 물 영역만을 추출할 수 있다.
또한, NDWI란, NDVI와 같이 가시광선과 근적외선 대역의 두 영상 간 연산을 통해 물 영역에 대한 강조 영상을 생성할 수 있으며, 일반적으로 근적외선 대역과 단파장 적외선 영역 간의 반사도값을 이용하여, 물 영역이 강조된 영상을 추출할 수 있다. 그렇지만, KOMPSAT-3에는 단파장 적외역 밴드가 존재하지 않기 때문에, NDWI 단독이 아닌 NDWI와 NDVI를 동시에 이용하여, 상술한 바와 같이, 합집합 부분에 대해서 육지 정보 또는 물체 정보로 설정하여, 마스크를 생성하고 적용시키게 된다.
상기 학습 단계(S400)는 외부로부터 학습자료를 입력받게 된다.
상기 학습 단계(S400)를 통해서 입력받은 학습자료에 대해서는, 하기의 분석 단계(S500)에서 상세히 후술하도록 한다.
상기 분석 단계(S500)는 상기 학습 단계(S400)로부터 입력받은 상기 학습자료를 이용하여, 상기 위성영상에 포함되어 있는 양식장 시설물의 특징을 추출하고, 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물의 종류별로 탐지 및 분류를 수행할 수 있다.
이 때, 상기 분석 단계(500)는 상술한 바와 같이, 상기 분류 단계(S300)에서 생성한 마스크가 적용되지 않은 부분에 대해서만, 양식장 시설물의 특징을 추출하는 것이 바람직하다. 다시 말하자면, 상기 분류 단계(S300)에서 생성한 마스크가 적용되지 않은 부분에 대해서만, 외부로부터 입력받은 학습자료를 이용하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 양식장 시설물의 종류별로 분류할 수 있다.
상기 분석 단계(500)는 상기 위성영상 분석부(300)를 통해서, 외부로부터 입력받은 학습자료인 양식장 시설물 별 고유 속성값을 학습하여, 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출할 수 있다.
상기 분석 단계(500)는 위성영상에 대해 각 밴드별로 양식장 시설물에 대한 화소값의 특징을 추출하고, 이를 통해 양식장 시설물 분류를 수행할 수 있으며, 위성영상 내 양식장 시설물을 자동 분류하기 위해서, 학습된 분류기를 생성하여야 하며, 해당되는 분류기의 학습은 관리자(사용자 등)가 다양한 인수를 추출하여 생성한 특징 정보를 통해 수행되는 것이 바람직하다.
특징 추출은, 학습의 재료가 되는 위성영상을 구성하는 밴드인 Blue, Green, Red 및 Infrared 밴드에 대한 속성 정보, NDVI 지수, NDWI 지수 등 양식장 시설물이 가지는 고유의 픽셀값 정보를 활용하며, 관리자가 직접 구획을 통해 획득한 영상 정보도 사용될 수 있다.
본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은 ANN(Artificial Neural Network) 분류기를 생성하여 활용하는 것이 바람직하며, ANN 분류기는 특징 정보들을 입력 계층에 넣고, 은닉 계층에서 실제 분류인자 정보 추출이 가능하도록 수식들이 적용되고, 출력 계층에서 양식장 시설물 별로 최고의 스코어를 가지는 값을 추출하게 된다.
이와 같이, 양식장 시설물을 분류할 수 있도록 하는 양식장 시설물 분류기를 생성하는 것이 바람직하다.
이를 통해서, 상기 분석 단계(500)는 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징 추출을 자동으로 수행할 수 있으며, 추출된 특징을 기반으로, 학습된 분류기가 양식장 시설물 분류를 수행할 수 있다.
상기 분석 단계(S500)는 추출한 양식장 시설물의 특징을 기반으로, 양식장 시설물의 종류별로 분류하고, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고, 미리 저장되어 잇는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물을 탐지할 수 있다.
라벨링은 분류결과 영상에 대해 첫 픽셀에서부터 마지막 픽셀까지 연산을 수행하며, 픽셀값이 255인 부분에 대해서 추출하여, 반복 연산을 통해 이미 라벨링된 픽셀인지 확인하고, 이미 라벨링된 픽셀이 아닐 경우, 스택(stack)에 현재 x, y 좌표를 저장하게 되며, 현재 픽셀을 기준으로 주변 8개의 픽셀까지 탐지하여, 위성영상 내 모든 양식장 시설물의 정보가 라벨링될 때까지 탐지하는 것이 바람직하다.
상기 분석 단계(S500)는 라벨링된 픽셀 정보들의 유사값을 산출하여, 유사값들끼리 그룹화(grouping)하여, 그룹화된 양식장 시설물에 대해서 상기 코너 포인트 검출 알고리즘을 적용시키는 것이 바람직하다. 이를 통해서, 검출된 코너 포인트를 연결하여, 상기 위성영상 내 양식장 시설물을 탐지할 수 있다.
상기 코너 포인트 검출 알고리즘은 해당 픽셀과 주변 방향의 픽셀 간의 각도 값의 차를 계산하여 차가 발생할 경우, 각각의 코너 포인트로 설정할 수 있으며, 코너 포인트의 연결은 관계된 코너 포인트들에 대한 중심값을 찾고, 그 중심값을 기준으로 시계방향 또는 반시계방향에 위치한 코너 포인트 별 각도값을 추출하여, 이를 리스트로 작성하고, 해당 리스트를 기준으로 코너 포인트를 연결할 수 있다.
이 때, 단순히 각도에 따라 순차적으로 코너 포인트를 연결하기 때문에, 양식장 시설물의 형태에 대해서 오류가 생성될 수 있다.
상기 분석 단계(S500)는 이를 극복하기 위하여, Graham's scan 기법을 적용하는 것이 바람직하다. Graham's scan 기법은 추출한 코너 포인트에 대해 한 방향으로 몰려있을 경우, 그 중 하나의 코너 포인트를 시작으로 해당되는 코너 포인트의 시계방향 또는 반시계방향으로 최대각도 또는 최소각도가 되는 코너 포인트를 연결하는 것을 반복 수행할 수 있다.
상기 분석 단계(S500)는 탐지한 상기 위성영상 내 양식장 시설물 정보들을 GIS(Geographic Information System)에 활용하기 위해서, GIS에서 가능한 파일 형태로 저장하는 것이 바람직하다.
더불어, 본 발명의 일 실시예에 따른 위성영상 기반 양식장 시설물 탐지 방법은, 출력 단계(S600)를 더 포함하여 이루어지는 것이 바람직하다.
상기 출력 단계(S600)는 상기 위성영상 입력 단계(S100), 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)의 각 단계에서 이용되고 있는 상기 위성영상이 실시간으로 출력될 수 있다.
즉, 상기 출력 단계(S600)는 상기 디스플레이 수단(400)을 통해서, 상기 위성영상 입력 단계(S100), 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)의 각 단계에서 이용되고 있는 상기 위성영상이 실시간으로 출력될 수 있으며, 외부에 위치하고 있는 관리자는 상기 디스플레이 수단(400)의 조작을 통해, 출력되고 있는 위성영상의 위치를 이동시키거나, 확대 및 축소가 가능하며, 관리자의 조작에 따라 용이하게 위성영상을 확인할 수 있다.
상세하게는, 상기 디스플레이 수단(400)은 관리자로부터 입력받은 GPS 좌표를 기반으로 출력되고 있는 위성영상의 위치 화면을 이동시키거나,
관리자로부터 선택되는 화면의 위치를 기반으로 출력되고 있는 위성영상의 위치 화면을 이동시킬 수 있어, 직관적으로 원하는 위성영상 위치를 설정하고 이에 해당하는 양식장 시설물의 정보를 전달받을 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 위성영상 보정부
110 : 제 1 보정부 120 : 제 2 보정부
200 : 위성영상 분류부
300 : 위성영상 분석부
400 : 디스플레이 수단

Claims (16)

  1. 외부로부터 입력받은 위성영상을 이용하여, 상기 위성영상 내 경계선이 강조되도록 상기 위성영상을 보정하고, 경계선이 강조된 상기 위성영상의 화소를 보정하는 위성영상 보정부(100);
    상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내 물 정보와 육지 정보를 분류하는 위성영상 분류부(200); 및
    상기 위성영상 분류부(200)에서 분류한 상기 위성영상 내 물 정보만을 이용하며, 외부로부터 입력받은 학습자료인 양식장 시설물 별 고유 속성값을 학습하여 상기 위성영상 분류부(200)에서 생성한 마스크가 적용되지 않은 부분에 대해서만 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 기저장되어 있는 ANN(Artificial Neural Network) 분류기를 활용하여 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물을 종류별로 분류하여, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고, 기저장되어 있는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 코너 포인트를 검출하고, 기저장되어 있는 Graham’s scan 기법을 적용시켜 검출된 코너 포인트를 연결하여 종류별로 분류한 양식장 시설물의 형태를 탐지하는 위성영상 분석부(300);
    를 포함하여 구성되는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  2. 제 1항에 있어서,
    상기 위성영상 보정부(100)는
    입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass filter) 기법을 적용하여, 경계선이 강조된 위성영상을 생성하는 제 1 보정부(110); 및
    상기 위성영상 밴드별로 화소값 보정을 통해, 상기 제 1 보정부(110)에서 생성한 상기 위성영상의 Pseudo color를 보정하는 제 2 보정부(120);
    를 포함하여 구성되는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  3. 제 1항에 있어서,
    상기 위성영상 분류부(200)는
    상기 위성영상 보정부(100)에서 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(수분지수, Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여 합집합 부분을 육지 정보 또는 물체 정보로 설정하여 마스크(Mask)를 생성하고, 이를 상기 위성영상에 적용하는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제 1항에 있어서,
    상기 위성영상 분석부(300)는
    탐지한 상기 위성영상 내 양식장 시설물 정보들을 GIS(Geographic Information System)에 활용 가능한 파일 형태로 저장하는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  8. 제 1항 내지 제 3항, 제 7항 중 선택되는 어느 한 항에 있어서,
    상기 위성영상 기반 양식장 시설물 탐지 시스템은
    상기 위성영상 보정부(100), 위성영상 분류부(200) 또는 상기 위성영상 분석부(300)에서 이용되고 있는 상기 위성영상이 실시간으로 출력되는 디스플레이 수단(400);
    을 더 포함하여 구성되며,
    외부에 위치하고 있는 관리자는 상기 디스플레이 수단(400)의 조작을 통해 상기 위성영상의 출력되고 있는 화면을 이동시키거나, 확대 및 축소를 수행하는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  9. 제 8항에 있어서,
    상기 디스플레이 수단(400)은
    관리자로부터 입력되는 GPS 좌표를 기반으로 상기 위성영상의 출력되고 있는 화면을 이동시키거나,
    관리자로부터 선택되는 화면의 위치를 기반으로 상기 위성영상의 출력되고 있는 화면을 이동시키는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 시스템.
  10. 외부로부터 위성영상을 입력받는 위성영상 입력 단계(S100);
    상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선을 강조한 영상을 획득하고, 경계선이 강조된 상기 위성영상의 화소를 보정하는 보정 단계(S200);
    상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 데이터를 분석하여, 상기 위성영상 내의 물 정보와 육지 정보를 분류하는 분류 단계(S300);
    외부로부터 학습자료를 입력받는 학습 단계(S400); 및
    상기 학습 단계(S400)로부터 입력받은 상기 학습자를 이용하여, 상기 위성영상에 포함되어 있는 양식장 시설물의 특징을 추출하고, 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물의 종류별로 탐지 및 분류하는 분석 단계(S500);
    로 이루어지며,
    상기 분류 단계(S300)는
    상기 보정 단계(S200)에 의해 보정된 상기 위성영상의 픽셀 값을 기반으로, NDVI(식생지수, Normalized Difference Vegetation Index)와 NDWI(Normalized Difference Water Index)를 추출하여, 각 지수영상들의 합집합 영상을 생성하여, 합집합 부분을 육지 정보 또는 물체 정보로 설정하여 마스크(Mask)를 생성하고, 이를 상기 위성영상에 적용하고,
    상기 분석 단계(S500)는
    상기 학습 단계(S400)로부터 입력받은 상기 학습자료인 양식장 시설물 별로 고유 속성값을 학습하여, 상기 분류 단계(S300)에서 생성한 마스크가 적용되지 않은 부분에 대해서만 상기 위성영상 내 물 정보에 포함되어 있는 양식장 시설물의 특징을 추출하고, 기저장되어 있는 ANN(Artificial Neural Network) 분류기를 활용하여 추출한 양식장 시설물의 특징을 기반으로 양식장 시설물을 종류별로 분류하여, 분류한 양식장 시설물의 종류별로 라벨링(labeling)을 수행하고, 기저장되어 있는 코너 포인트(corner point) 검출 알고리즘을 적용시켜 코너 포인트를 검출하고, 기저장되어 있는 Graham’s scan 기법을 적용시켜 검출된 코너 포인트를 연결하여 종류별로 분류한 양식장 시설물의 형태를 탐지하는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법.
  11. 제 10항에 있어서,
    상기 위성영상 기반 양식장 시설물 탐지 방법은
    상기 위성영상 입력 단계(S100), 보정 단계(S200), 분류 단계(S300), 학습 단계(S400) 및 분석 단계(S500)의 각 단계에서 이용되고 있는 상기 위성영상이 실시간으로 출력되는 출력 단계(S600);
    를 더 포함하여 이루어지며,
    외부에 위치하고 있는 관리자의 조작에 따라,
    상기 출력 단계(S600)에서 출력되는 상기 위성영상의 화면 위치를 이동시키거나, 확대 및 축소가 이루어지는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법.
  12. 제 10항에 있어서,
    상기 보정 단계(S200)는
    상기 위성영상 입력 단계(S100)로부터 입력받은 상기 위성영상 내 경계선 강조를 위해 HPF(High-Pass Filter) 기법을 적용하여, 경계선이 강조된 위성영상을 획득하는 제 1 보정 단계(S210);
    로 이루어지는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법.
  13. 제 12항에 있어서,
    상기 보정 단계(S200)는
    상기 제 1 보정 단계(S210)를 수행하고 난 후,
    상기 위성영상을 이루고 있는 밴드별로 화소값 보정을 통해, 경계선이 강조된 위성영상의 Pseudo color를 보정하는 제 2 보정 단계(S220);
    로 이루어지는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법.
  14. 삭제
  15. 삭제
  16. 제 10항에 있어서,
    상기 분석 단계(S500)는
    탐지한 상기 위성영상 내 양식장 시설물의 정보들을 GIS(Geographic Information System)에 활용 가능한 파일 형태로 저장하는 것을 특징으로 하는 위성영상 기반 양식장 시설물 탐지 방법.
KR1020160129242A 2016-10-06 2016-10-06 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법 KR101809656B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160129242A KR101809656B1 (ko) 2016-10-06 2016-10-06 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160129242A KR101809656B1 (ko) 2016-10-06 2016-10-06 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법

Publications (1)

Publication Number Publication Date
KR101809656B1 true KR101809656B1 (ko) 2017-12-18

Family

ID=60922924

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160129242A KR101809656B1 (ko) 2016-10-06 2016-10-06 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법

Country Status (1)

Country Link
KR (1) KR101809656B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102011775B1 (ko) * 2019-02-14 2019-08-19 아주대학교산학협력단 공장 생산안정성 평가 방법, 이를 이용하는 서버 및 시스템
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
KR102648844B1 (ko) * 2023-08-24 2024-03-18 (주) 지오씨엔아이 시계열 위성영상과 gis 데이터를 활용한 습지 구성요소 변화 지역 탐지 방법 및 시스템

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100785350B1 (ko) * 2006-07-19 2007-12-18 한국해양연구원 양식장 모니터링 방법 및 그 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100785350B1 (ko) * 2006-07-19 2007-12-18 한국해양연구원 양식장 모니터링 방법 및 그 시스템

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102011775B1 (ko) * 2019-02-14 2019-08-19 아주대학교산학협력단 공장 생산안정성 평가 방법, 이를 이용하는 서버 및 시스템
KR20210094730A (ko) * 2020-01-22 2021-07-30 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
KR102289550B1 (ko) 2020-01-22 2021-08-12 에스케이 주식회사 항공 영상 데이터와 gis 데이터의 매칭을 위한 이미지 학습을 이용한 ar 정보 제공 방법 및 시스템
KR102648844B1 (ko) * 2023-08-24 2024-03-18 (주) 지오씨엔아이 시계열 위성영상과 gis 데이터를 활용한 습지 구성요소 변화 지역 탐지 방법 및 시스템

Similar Documents

Publication Publication Date Title
Milas et al. Different colours of shadows: Classification of UAV images
EP3022686B1 (en) Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures
Ke et al. A comparison of three methods for automatic tree crown detection and delineation from high spatial resolution imagery
Lu et al. Land use/cover classification in the Brazilian Amazon using satellite images
CN108596108B (zh) 基于三元组语义关系学习的航拍遥感图像变化检测方法
KR100678395B1 (ko) 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법
CN106915462A (zh) 基于多源影像信息的林业病虫害智能识别系统
US20110200249A1 (en) Surface detection in images based on spatial data
US20140119656A1 (en) Scale-invariant superpixel region edges
CN112712535A (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
KR101809656B1 (ko) 위성영상 기반 양식장 시설물 탐지 시스템 및 그 탐지 방법
Congalton Remote sensing: an overview
JP2011103098A (ja) 樹木本数算定方法及び樹木本数算定装置
Aliero et al. The usefulness of unmanned airborne vehicle (UAV) imagery for automated palm oil tree counting
CN109918531A (zh) 一种毒品原植物的搜查方法、装置和计算机可读存储介质
JPWO2019026619A1 (ja) 画像処理装置、画像処理方法、並びにプログラム
Chepkochei Object-oriented image classification of individual trees using Erdas Imagine objective: case study of Wanjohi area, Lake Naivasha Basin, Kenya
Prerna et al. Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey
Mustafa et al. Object based technique for delineating and mapping 15 tree species using VHR WorldView-2 imagery
Fol et al. Evaluating state-of-the-art 3D scanning methods for stem-level biodiversity inventories in forests
KR101680029B1 (ko) 양식장 시설물 탐지를 위한 위성영상 처리 장치 및 그 방법
Amitrano et al. RGB SAR products: Methods and applications
US20230005261A1 (en) Object detection over water using normalized difference vegetation index system and method
CN113516059B (zh) 固体废弃物的识别方法、装置、电子设备及存储介质

Legal Events

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