KR101986025B1 - 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 - Google Patents
기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 Download PDFInfo
- Publication number
- KR101986025B1 KR101986025B1 KR1020170152020A KR20170152020A KR101986025B1 KR 101986025 B1 KR101986025 B1 KR 101986025B1 KR 1020170152020 A KR1020170152020 A KR 1020170152020A KR 20170152020 A KR20170152020 A KR 20170152020A KR 101986025 B1 KR101986025 B1 KR 101986025B1
- Authority
- KR
- South Korea
- Prior art keywords
- value
- reflectivity
- nlsd
- area
- sea area
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims description 28
- 238000010801 machine learning Methods 0.000 title description 9
- 238000002310 reflectometry Methods 0.000 claims abstract description 88
- 238000003066 decision tree Methods 0.000 claims description 6
- 239000013535 sea water Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 241001474374 Blennius Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000270617 Cheloniidae Species 0.000 description 1
- 241001559542 Hippocampus hippocampus Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- -1 sea Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/24—Fluid dynamics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
본 발명의 일 실시예에 따른 해무 영역 탐지 방법은 위성을 통해 촬영된 휘도 영상을 획득하는 단계; 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하는 단계; 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정하는 단계; 각 영역의 평균 반사도 및 결정된 NLSD 값을 기준값들과 비교하여 복수의 영역들로부터 해무 영역을 결정하는 단계를 포함할 수 있다.
Description
본 발명은 영상 처리 분야에 관한 것으로, 보다 상세하게는, 위성 영상으로부터 해무 영역을 탐지하는 해무 영역 탐지 장치 및 해무 영역 탐지 방법에 관한 것이다.
해무는 해상 안개로서 대기 중에 떠있는 작은 물방울에 의해 수평거리 시정이 1km 미만으로 나타나는 대기 현상을 의미한다. 일반적인 구름과 다르게 해무는 운저고도가 인간이 주로 활동하는 해상이나 지상에 접해 있어, 시정을 악화시키며 해양, 육상, 항공 교통에 심각한 피해를 줄 수 있다. 2015년 2월 인천 영종대교에서 짙은 해무로 인해 106중 차량추돌사고가 발생하였으며, 2015년 가거도 해상에 서해해양경비 소속 헬기가 추락하는 사고도 해무가 원인인 것으로 알려졌다.
해무는 바다 위에서 일어나는 현상이기 때문에, 공간적으로 연속적이고 지속적인 관측을 수행하기 어려운 점이 있다. 기상청은 시정계 자료를 이용하여 지상 안개 정보를 제공하고 있다. 그러나, 해무의 경우 섬 지역이나 해안에 가까운 관측소 등 특정 위치의 시정계 자료를 이용해야 하기 때문에 관측이 매우 제한적이다. 선박을 운항하는 지역에서 해무가 발생하면 선박 안전사고가 발생할 확률이 높으므로, 유해물질 등을 운반하는 선박이 많은 항만에서는 안전하고 효율적인 항해 정보 관리를 위해서 항만과 바다 쪽 넓은 영역의 공간 연속적인 해무 정보가 필수적이다.
그러나, 해수 표면에서 정규적인 시정계 관측을 수행하는 것은 거의 불가능하기 때문에, 정지궤도 위성관측을 이용한 객관적 해무 탐지 기술은 해상 관측이 없는 바다에서도 공간적으로 연속된 해무 정보를 정규적으로 제공할 수 있다는 장점이 있다.
일반적으로 위성을 이용한 해무 영역의 정의는 아래에 기재된 크게 두가지의 원격탐사 원리에 기반을 두고 있다.
첫 번째는, 대기 중의 불투명 수적에 대해 단파적외채널과 적외채널 사이의 방출률 차이가 커지는 특성을 이용하여 두 채널의 밝기온도의 차이(Dual Channel Difference: DCD)를 이용하는 방법(Ellrod, 1995)이고, 두 번째는, 대기 중에 안개 입자가 있을 때 산란에 의해 태양광이 반사되어 가시 채널 반사도가 청천일 때 보다 높아지는 특성을 이용한 가시 채널 반사도를 이용하는 방법이다.
종래에는 기상탑재체(Meteorological Imager; MI)는 적외와 근적외 채널들을 보유하고 있어 첫번째 방법이 많이 사용되었으나, 적외 채널의 밝기 온도는 대기나 해상의 온도 등 다양한 요인에 의해서 변화하기 때문에, 고정적인 임계값으로 정확한 안개 탐지가 어려운 문제점이 있을 수 있다.
또한, 국내에서는 육상의 안개인 육무(Land fog) 탐지를 1차적 목적으로 하였는데, 천리안 기상위성 적외채널 영상의 해상도가 4 km로서 최근 우리나라의 해상, 육상 교통에서 중요한 역할을 하는 해상의 대교 위의 세밀한 해무 변동성을 분해하지 못한다는 단점이 있다.
따라서, 본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은 위성 영상에서 해무 영역을 정확하게 탐지하는 것을 목적으로 한다.
또한, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은적외채널보다 상대적으로 공간분해능이 높은 가시채널 위성영상을 이용하는 것이다. 본 발명 기술을 천리안 해양위성영상에 응용할 때 해무의 정보를 높은 해상도(약 500m)로 제공함으로써 해상, 육상 교통의 안전성을 향상시키는 것을 목적으로 한다.
또한, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은 기계 학습 알고리즘을 통하여, 위성원격반사도에서 해무 영역 탐지의 정확성을 향상시키는 것을 목적으로 한다.
본 발명의 다른 목적들은 이하에 서술되는 바람직한 실시예들을 통하여 보다 명확해질 것이다.
본 발명의 일 측면에 따르면, 해무 영역 탐지 방법은 위성을 통해 촬영된 휘도 영상을 획득하는 단계; 상기 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하는 단계; 상기 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정하는 단계; 및 각 영역의 평균 반사도 및 상기 결정된 NLSD 값을 기준값들과 비교하여 상기 복수의 영역들로부터 해무 영역을 결정하는 단계를 포함한다.
해무 영역 결정 알고리즘의 입력변수의 중요도, 입력변수간 관련성, 경계값들은 기계학습의 한 방법인 결정나무(Decision Tree) 알고리즘에 따라 설정될 수 있다. 성능개선을 위해서 학습자료(calibration data)의 샘플을 변화시킬 수 있으며, 변수의 중요도, 관련성, 경계값의 갯수와 값들은 학습자료 따라 변화될 수 있다.
상기 해무 영역을 결정하는 알고리즘의 단계의 한 예는, NLSD 값이 제 1 기준 NLSD 값 이상인 영역은 비해무 영역으로 결정하는 단계를 포함한다.
상기 예시에서 해무 영역을 결정하는 단계는, NLSD 값이 상기 제 1 기준 NLSD 값 미만이고, 평균 반사도가 제 1 기준 반사도 이상, 제 2 기준 반사도 미만인 영역은 해무 영역으로 결정하는 단계를 포함한다.
상기 예시에서 해무 영역을 결정하는 단계는, NLSD 값이 제 2 기준 NLSD 값 미만이고, 평균 반사도가 상기 제 2 기준 반사도 이상, 제 3 기준 반사도 미만인 영역은 해무 영역으로 결정하는 단계를 포함한다.
상기 기준 값들은, 제 1 기준 NLSD 값, 상기 제 1 기준 NLSD 값보다 작은 제 2 기준 NLSD 값, 제 1 기준 반사도, 상기 제 1 기준 반사도보다 큰 제 2 기준 반사도 및 상기 제 2 기준 반사도보다 큰 제 3 기준 반사도를 포함하되, 상기 해무 영역을 결정하는 단계는, NLSD 값이 상기 제 1 기준 NLSD 값 이상인 영역은 비해무 영역으로 결정하고, 평균 반사도가 상기 제 1 기준 반사도 미만인 영역은 청천 영역으로 결정하고, 평균 반사도가 상기 제 3 기준 반사도 이상인 영역은 구름 영역으로 결정하고, NLSD 값이 상기 제 1 기준 NLSD 값 미만 및 제 2 기준 NLSD 값 이상이면서, 평균 반사도가 상기 제 2 기준 반사도 이상 및 상기 제 3 기준 반사도 미만인 영역은 비해무 영역으로 결정한다.
상기 해무 영역 탐지 방법은 1차적으로 해무 영역으로 탐지된 영역에 추가적으로, 위성 영상 분석 알고리즘을 통해 해무 영역의 경계 영역을 추가로분석하여, 해무 영역을 확장하는 단계를 포함한다.
상기 해무 영역 탐지 영역은, 상시 휘도 영상의 해무 영역에서 구름을 제거하는 단계를 더 포함한다.
본 발명의 다른 측면에 따르면, 해무 영역 탐지 장치는 위성을 통해 촬영된 휘도 영상을 획득하는 영상 획득부; 상기 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하고, 상기 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정하는 영상 처리부; 해무 영역을 결정하기 위한 기준값들을 도출하는 학습부; 및 각 영역의 평균 반사도 및 NLSD 값을 상기 기준값들과 비교하여 상기 복수의 영역들로부터 해무 영역을 결정하는 제어부를 포함한다.
본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은 위성 영상에서 해무 영역을 정확하게 탐지할 수 있다.
또한, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은 해무의 정보를 높은 해상도로 제공함으로써 해상, 육상 교통의 안전성을 향상할 수 있다.
또한, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치 및 해무 영역 탐지 방법은 기계 학습 알고리즘을 통하여 해무 영역 탐지의 정확성을 향상시킬 수 있다.
도 1은 일반적인 정지궤도 가시채널 영상를 도시하는 도면이다.
도 2는 구름 영역과 해무 영역의 NLSD 값의 차이를 비교하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법을 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따라 설정된 기준 값들 및 기준 값들에 기초한 해무 영역 탐지 방법을 설명하기 위한 도면이다.
도 5는 위성 영상에서 해무 영역이 탐지된 이후, 구름의 제거 과정 및 경계 강조 과정을 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법에 따라 생성된 영상과 기상유인관측소의 시정계의 관측 결과를 비교하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 해무 영역 탐지 장치의 구성을 도시하는 블록도이다.
도 2는 구름 영역과 해무 영역의 NLSD 값의 차이를 비교하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법을 설명하기 위한 순서도이다.
도 4는 본 발명의 일 실시예에 따라 설정된 기준 값들 및 기준 값들에 기초한 해무 영역 탐지 방법을 설명하기 위한 도면이다.
도 5는 위성 영상에서 해무 영역이 탐지된 이후, 구름의 제거 과정 및 경계 강조 과정을 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법에 따라 생성된 영상과 기상유인관측소의 시정계의 관측 결과를 비교하기 위한 도면이다.
도 8은 본 발명의 일 실시예에 따른 해무 영역 탐지 장치의 구성을 도시하는 블록도이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 이하, 본 발명의 실시예를 첨부한 도면들을 참조하여 상세히 설명하기로 한다.
도 1은 일반적인 정지궤도 가시채널 영상를 도시하는 도면이다.
도 1에 도시된 바와 같이, 위성의 가시채널 RGB 영상에서 구름과 해무는 두 영역 모두 반사도 값이 청천보다 커서 뿌옇게 나타나기 때문에, 숙련을 받은 위성 영상 분석자가 구름 영역과 해무 영역을 주관적으로 분석하는 과정이 필요하다. 그러나, 비전문가의 경우에는 해무 영역과 구름 영역을 구분하기가 용이하지 않으며, 전문가의 경우에도 그 숙련도에 따라 분석 결과가 서로 상이하게 도출될 수 있으므로, 객관적이고 정확한 해무 영역의 탐지가 필요하다.
세계 최초의 정지궤도 해색위성인 천리안 해양위성(GOCI)은 412, 443, 490, 555, 660, 680, 745, 865nm의 가시-근적외 영역의 채널을 보유하고 있으며, 본 발명의 일 실시예에서 사용되는 방법은 위에서 언급한 위성을 이용한 해무 탐지 두번째 방법에 의한 위성 영상의 반사도를 이용한다. GOCI의 공간 분해능은 약 500m이며, 한 시간 간격으로 주간에 8번의 가시채널 영상을 제공한다. 위성을 이용한 객관적 해무 탐지 알고리즘에서 중요한 단계는 위성 탑재체에서 보유한 채널의 광학적 특성을 이용하여 안개 가능 영역을 정의하는 것이다.
가시 채널에서 입자 산란에 의한 반사도의 값은 해무 영역이 중층운/고층운보다 낮으나, 청천 영역보다 높을 것으로 가정된다. 또한, 가시채널 위성 영상에서 해무 영역에 걸쳐 대기가 안정화되어, 공간적 변동성이 크지 않아 매끈한 표면을 보이고 있다. 구름 영역은 상승 기류의 크기도 다르며, 하강 기류와 번갈아 나타나기 때문에, 반사도 값이 공간적으로 큰 변동성을 보이는 특성을 보인다. 따라서, 본 발명의 일 실시예에서는 각 픽셀의 반사도의 값과, 주변 반사도의 공간패턴인자(후술하는 NLSD)를 해무 영역 탐지의 주요 입력 자료로 이용한다.
도 2를 참조하면, 한국의 서해안에 넓게 퍼져있는 해무 영역(b)에서의 NLSD 값이 중국 쪽 압록강 주변의 구름 영역(a)보다 훨씬 작은 값을 보이는 것을 확인할 수 있다.
이하에서는, 도 3 이하를 참조하여 본 발명의 일 실시예에 따른 해무 영역 탐지 방법에 대해 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법을 설명하기 위한 순서도이다.
S310 단계에서, 해무 영역 탐지 장치는 위성에 의해 촬영된 휘도 영상을 획득한다. 휘도 영상은 위성의 가시 채널에서 촬영된 영상을 포함할 수 있다. 해무 영역 탐지 장치는 위성으로부터 직접 휘도 영상을 수신할 수도 있고, 또는 외부 서버에 저장된 휘도 영상을 통신망을 통해 수신할 수도 있다.
S320 단계에서, 해무 영역 탐지 장치는 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출한다.
태양광의 반사에 의한 가시채널 위성 알고리즘에서는 복사 휘도에서 변환된 반사도(Reflectance) 개념을 사용한다. 예를 들어, GOCI의 경우 대부분 가시 채널이기 때문에, GOCI 산출물은 반사도를 사용하며, 반사도(Reflectance)는 들어오는 Incoming solar irradiance(Ed)값을 나가는 복사 휘도(radiance)로 나눠준 값에 대응할 수 있다.
해무 영역 탐지 장치는 S320 단계에서 도출된 반사도로부터 대기 분자 산란 신호의 영향을 제거하여 레일리 보정 반사도로 변환할 수 있다. 후술하는 각 단계에서 사용되는 반사도는 S320 단계에서 도출된 반사도 또는 레일리 보정 반사도를 의미할 수 있다.
S330 단계에서, 해무 영역 탐지 장치는 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정한다. 휘도 영상의 복수의 영역들 각각은 일정한 크기, 예를 들어, 3 픽셀 X 3 픽셀의 크기를 가질 수 있으며, NLSD는 공간에 포함된 픽셀들의 반사도의 표준 편차를 픽셀들의 반사도 평균으로 나누어 계산될 수 있다. NLSD는 각 공간에 포함된 픽셀들의 반사도가 공간적으로 균일한 정도를 나타내는 값으로서, NLSD 값이 클수록 공간에 포함된 픽셀들의 반사도가 불균일하고, NLSD 값이 작을수록 공간에 포함된 픽셀들의 반사도가 균일하다.
S340 단계에서, 해무 영역 탐지 장치는 복수의 영역 각각의 NLSD 값 및 평균 반사도를 기 설정된 기준 값들과 비교한다.
상기 기 설정된 기준 값들은 휘도 영상의 복수의 영역 중 어느 영역이 해무 영역에 해당하는지를 판단하기 위한 값들로서, 본 발명의 일 실시예에서는 기계 학습 알고리즘 중 하나인 결정나무(decision tree) 알고리즘에 따라 결정하였다.
본 발명의 일 실시예에서는 객관적인 해무 영역 탐지를 위한 결정나무를 구성하기 위해서 30개가 넘는 해무 사례를 수집하고, 위성 각 채널의 반사도 자료, 기상 위성의 구름 분석 자료, 기상청 지상유인관측소(시정계)의 시정관측 자료 등을 이용하였다. 또한, 해무뿐 아니라 비해무(중층운, 상층운, 하층운, 청천 바다) 사례의 자료들도 이용하였다. 상기 자료들을 이용하여 해무 영역 탐지 장치를 학습시키고, 학습된 결과를 검증하였다.
상기 기 설정된 기준 값들은 도 4에 도시된 바와 같이 제 1 기준 NLSD 값, 제 1 기준 NLSD 값보다 작은 제 2 기준 NLSD 값, 제 1 기준 반사도, 제 1 기준 반사도보다 큰 제 2 기준 반사도 및 제 2 기준 반사도보다 큰 제 3 기준 반사도를 포함한다. 입력변수들간의 관련성, 각 기준 값들의 갯수나 구체적인 수치는 학습 자료 등에 따라 달라질 수 있다.
다시 도 3을 보면, S350 단계에서, 해무 영역 탐지 장치는 각 영역의 NLSD 값 및 평균 반사도와 기준 값들의 비교 결과에 따라 영역들로부터 해무 영역을 결정한다.
구체적으로, 도 4를 참조하여 설명하면, NLSD 값이 제 1 기준 NLSD 값 이상인 영역은 반사도의 공간 변동성이 매우 큰 것으로 판단하여 비해무 영역으로 결정한다. 또한, NLSD 값이 제 1 기준 NLSD 값 미만이지만, 평균 반사도가 제 1 기준 반사도 미만인 영역은 청천(clear sky) 영역으로 결정하고, NLSD 값이 제 1 기준 NLSD 값 미만이지만, 평균 반사도가 제 3 기준 반사도 이상인 영역은 구름(cloud) 영역으로 결정한다.
NLSD 값이 제 1 기준 NLSD 값 미만이면서, 평균 반사도가 제 1 기준 반사도 이상 및 제 3 기준 반사도 미만인 영역들이 해무 영역으로 판단될 가능성이 높으나, 평균 반사도가 제 2 기준 반사도 이상이면서 제 3 기준 반사도 미만인 영역은 구름 영역일 확률이 높기 때문에, NLSD 값이 제 2 기준 NLSD 값 미만인 경우에만 해무 영역으로 결정한다.
즉, NLSD 값이 제 1 기준 NLSD 값 미만이면서, 평균 반사도가 제 1 기준 반사도 이상이고 제 2 기준 반사도 미만인 영역, 그리고, NLSD 값이 제 2 기준 NLSD 값 미만이면서, 평균 반사도가 제 2 기준 반사도 이상이고 제 3 기준 반사도 미만인 영역이 해무 영역으로 결정된다.
한편, 각 영역의 NLSD 값과 평균 반사도를 기준 값들과 비교하면서 상기 기재된 '미만', '이상'의 용어는 하나의 실시예일뿐이며, 당업자에게 자명한 범위 내에서 '이하', '초과' 등의 용어로 변경될 수도 있다.
한편, 본 명세서에서 해무 영역의 탐지를 위해 기계 학습 알고리즘 중 결정나무 알고리즘을 이용하는 것은 하나의 예시일 뿐이며, 다른 종류의 기계 학습 알고리즘, 예를 들어, 딥러닝 알고리즘 등이 이용될 수도 있다.
다음으로, S360 단계에서, 해무 영역 탐지 장치는 해무 영역으로 결정된 영역의 경계를 강조한다. 구체적으로, 해무 영역 탐지 장치는 영상 강조 알고리즘을 통해 휘도 영상의 해무 영역의 경계(에지)를 검출하고, 검출된 경계의 픽셀 값을 변환시켜 콘트라스트가 높은 영상을 생성할 수 있다. 이미지 처리 분야에서 에지를 강조하는 알고리즘은 다양하게 활용되고 있는 바 구체적인 방법에 대한 설명은 생략한다.
휘도 영상의 에지 강조 이전에 해무 영역 탐지 장치는 휘도 영상의 해무 영역에서 구름을 제거할 수도 있다(도 5 참조). 이를 위해, 해무 영역 탐지 장치는 적외 채널을 보유 기상 위성(예를 들어, Himawari-8)의 밝기온도나 운정 고도 자료를 수집하고, 수집된 자료를 이용하여, 가시채널 기반 해무 영역 탐지 결과를 보완할 수 있다. S370 단계에서, 해무 영역 탐지 장치는 해무 영역이 결정된 후 S360 단계의 영상 후처리 과정을 거친 해무 영상을 모니터, 프린터 등의 출력 장치를 통해 출력한다.
도 6 및 도 7은 본 발명의 일 실시예에 따른 해무 영역 탐지 방법에 따라 생성된 영상과 기상유인관측소의 시정계의 관측 결과를 비교하기 위한 도면이다.
도 6 및 도 7의 상단 이미지들은 본 발명의 일 실시예를 통해서 개발된 위성 가시채널 영상을 이용한 기계 학습 기반 해무 영역 탐지 알고리즘이 수행된 후 도출된 최종적인 결과값을 나타내고 있다. 하단의 위성 RGB 이미지들은 해무, 구름, 미세먼지 등의 다양한 입자에 의한 산란 효과로 뿌옇게 나타날 수 있어, 비전문가가 해무를 분석하는 데 어려움이 있다.
본 발명의 일 실시예서 설명한 방법을 천리안 해양위성에 적용하여, 객관적이고 자동적인 해무 유무 판단이 가능하며, 도시된 상단 이미지들은 2016년 4월 22일 00-07UTC GOCI 가시채널 영상에 shading을 적용한 표출 결과를 도시하고 있다. 하단 이미지들은 기상청 유인관측소인 백령도, 흑산도의 시정값이 1km미만(이상)일 때, 붉은(회색)점으로 표시하고 있다. 오전에는 두 관측소에서 해무가 존재하였으나, 오후에는 걷히는 특성이 위성에서 얻어진 기계학습 기반 결과에서도 일관되게 나타났다.
도 8은 본 발명의 일 실시예에 따른 해무 영역 탐지 장치(800)의 구성을 도시하는 블록도이다.
도 8을 참조하면, 본 발명의 일 실시예에 따른 해무 영역 탐지 장치(800)는 영상 획득부(810), 영상 처리부(830), 학습부(850) 및 제어부(870)를 포함할 수 있다. 영상 획득부(810), 영상 처리부(830), 학습부(850) 및 제어부(870)는 적어도 하나의 프로세서로 구현될 수 있으며, 도시되지 않은 메모리에 저장된 프로그램에 따라 동작할 수 있다.
영상 획득부(810)는 위성을 통해 촬영된 휘도 영상을 획득한다. 또한, 영상 획득부(810)는 적외선 채널을 보유한 위성의 운정 고도 자료를 획득할 수 있다.
영상 처리부(830)는 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하고, 휘도 영상의 복수의 영역들 각각에 대해 NLSD 값 및 평균 반사도를 결정한다.
학습부(850)는 여러 학습 자료를 결정나무 알고리즘으로 학습하여 해무 영역 구분을 위한 복수의 기준 값들을 도출한다.
제어부(870)는 휘도 영상의 각 영역의 평균 반사도 및 NLSD 값을 상기 기준 값들과 비교하여 복수의 해무 영역을 비해무 영역, 구름 영역, 청전 영역, 해무 영역으로 구분한다.
제어부(870)에 의해 해무 영역이 감지되면 영상 처리부(830)는 앞서 전술한 휘도 영상을 후처리하여 후처리된 영상에서 해무 영역이 명확하게 구분되도록 한다.
또한, 해무 영역 탐지 장치(800)는 후처리 완료된 영상을 모니터 등의 출력 장치를 통해 출력할 수 있다.
이상에서 설명한 본 발명에 따른 해무 영역 탐지 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현할 수 있다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
상기한 본 발명의 바람직한 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.
800: 해무 영역 탐지 장치
810: 영상 획득부
830: 영상 처리부
850: 학습부
870: 제어부
810: 영상 획득부
830: 영상 처리부
850: 학습부
870: 제어부
Claims (10)
- 위성을 통해 촬영된 휘도 영상을 획득하는 단계;
상기 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하는 단계;
상기 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정하는 단계; 및
각 영역의 평균 반사도 및 상기 결정된 NLSD 값을 기준값들과 비교하여 상기 복수의 영역들로부터 해무 영역을 결정하는 단계;를 포함하며,
상기 기준 값들은,
제 1 기준 NLSD 값, 상기 제 1 기준 NLSD 값보다 작은 제 2 기준 NLSD 값, 제 1 기준 반사도, 상기 제 1 기준 반사도보다 큰 제 2 기준 반사도 및 상기 제 2 기준 반사도보다 큰 제 3 기준 반사도를 포함하되,
상기 해무 영역을 결정하는 단계는,
NLSD 값이 상기 제 1 기준 NLSD 값 이상인 영역은 비해무 영역으로 결정하고, 평균 반사도가 상기 제 1 기준 반사도 미만인 영역은 청천 영역으로 결정하고, 평균 반사도가 상기 제 3 기준 반사도 이상인 영역은 구름 영역으로 결정하고, NLSD 값이 상기 제 1 기준 NLSD 값 미만 및 제 2 기준 NLSD 값 이상이면서, 평균 반사도가 상기 제 2 기준 반사도 이상 및 상기 제 3 기준 반사도 미만인 영역은 비해무 영역으로 결정하는 단계를 포함하는,
해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 삭제
- 제1항에 있어서,
상기 해무 영역을 결정하는 단계는,
NLSD 값이 상기 제 1 기준 NLSD 값 미만이고, 평균 반사도가 제 1 기준 반사도 이상, 제 2 기준 반사도 미만인 영역은 해무 영역으로 결정하는 단계를 포함하는 것을 특징으로 하는, 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 제3항에 있어서,
상기 해무 영역을 결정하는 단계는,
NLSD 값이 제 2 기준 NLSD 값 미만이고, 평균 반사도가 상기 제 2 기준 반사도 이상, 제 3 기준 반사도 미만인 영역은 해무 영역으로 결정하는 단계를 포함하는 것을 특징으로 하는, 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 삭제
- 제1항에 있어서,
상기 기준값들은,
결정나무(Decision Tree) 알고리즘에 따라 설정되는 것을 특징으로 하는, 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 제1항에 있어서,
상기 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법은,
영상 강조 알고리즘을 통해 상기 휘도 영상의 해무 영역의 경계의 픽셀 값을 변환하는 단계를 더 포함하는 것을 특징으로 하는, 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 제1항에 있어서,
상기 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법은,
상시 휘도 영상의 해무 영역에서 구름을 제거하는 단계를 더 포함하는 것을 특징으로 하는, 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법.
- 제1항의 해무 영역 탐지 장치에 의해 수행되는 해무 영역 탐지 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
- 위성을 통해 촬영된 휘도 영상을 획득하는 영상 획득부;
상기 휘도 영상의 각 픽셀의 휘도 값으로부터 각 픽셀에 대응하는 반사도를 도출하고, 상기 휘도 영상의 복수의 영역들 각각에 대해 NLSD (normalized local standard deviation) 값을 결정하는 영상 처리부;
해무 영역을 결정하기 위한 기준값들을 도출하는 학습부; 및
각 영역의 평균 반사도 및 NLSD 값을 상기 기준값들과 비교하여 상기 복수의 영역들로부터 해무 영역을 결정하는 제어부;를 포함하며,
상기 기준 값들은,
제 1 기준 NLSD 값, 상기 제 1 기준 NLSD 값보다 작은 제 2 기준 NLSD 값, 제 1 기준 반사도, 상기 제 1 기준 반사도보다 큰 제 2 기준 반사도 및 상기 제 2 기준 반사도보다 큰 제 3 기준 반사도를 포함하되,
상기 제어부는,
NLSD 값이 상기 제 1 기준 NLSD 값 이상인 영역은 비해무 영역으로 결정하고, 평균 반사도가 상기 제 1 기준 반사도 미만인 영역은 청천 영역으로 결정하고, 평균 반사도가 상기 제 3 기준 반사도 이상인 영역은 구름 영역으로 결정하고, NLSD 값이 상기 제 1 기준 NLSD 값 미만 및 제 2 기준 NLSD 값 이상이면서, 평균 반사도가 상기 제 2 기준 반사도 이상 및 상기 제 3 기준 반사도 미만인 영역은 비해무 영역으로 결정하는,
해무 영역 탐지 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170152020A KR101986025B1 (ko) | 2017-11-15 | 2017-11-15 | 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170152020A KR101986025B1 (ko) | 2017-11-15 | 2017-11-15 | 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190055373A KR20190055373A (ko) | 2019-05-23 |
| KR101986025B1 true KR101986025B1 (ko) | 2019-06-04 |
Family
ID=66681047
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170152020A KR101986025B1 (ko) | 2017-11-15 | 2017-11-15 | 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101986025B1 (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210067205A (ko) | 2019-11-29 | 2021-06-08 | 한국광기술원 | 해양 기상환경 모니터링 장치 및 방법 |
| KR20220017773A (ko) | 2020-08-05 | 2022-02-14 | (주)시정 | 인공위성 사진을 이용한 해무 또는 안개 검출 시스템 및 방법 |
| KR20230068481A (ko) | 2021-11-10 | 2023-05-18 | 경북대학교 산학협력단 | 호우 발생 가능성을 진단하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102223991B1 (ko) * | 2020-06-29 | 2021-03-08 | 세종대학교산학협력단 | 인공위성 관측센서의 가시 및 근적외 파장대 관측 기반의 해무 탐지 방법 및 장치 |
| KR102315080B1 (ko) * | 2021-06-09 | 2021-10-19 | 호서대학교 산학협력단 | 스마트 해상부이를 이용한 해양을 모니터링하기 위한 장치 및 이를 위한 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
| KR101731234B1 (ko) | 2016-02-04 | 2017-05-02 | 한국해양과학기술원 | 위성 또는 항공기에서 촬영된 영상의 슬롯간 편차 보정 방법 |
| KR101737426B1 (ko) | 2016-02-04 | 2017-05-18 | 한국해양과학기술원 | 최소 잡음 비율 변환기법을 이용한 위성 또는 항공기에서 촬영된 영상의 인위적인 잡음신호 보정 방법 |
| KR101737354B1 (ko) | 2016-04-11 | 2017-05-19 | 한국해양과학기술원 | 광학위성 영상을 이용한 해수표면 해조류 검출 방법 및 시스템 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101618228B1 (ko) * | 2014-07-29 | 2016-05-04 | 대한민국 | 인공위성기반 안개탐지시스템 및 이를 이용하는 안개탐지방법 |
| KR101620068B1 (ko) | 2014-08-12 | 2016-05-11 | 부산대학교 산학협력단 | 가우시안 혼합모델을 이용한 위성 해무 탐지 시스템, 그리고 가우시안 혼합모델에 기초한 ｕｌ 안개탐지 방법 |
| KR101858339B1 (ko) * | 2016-04-18 | 2018-06-28 | 주식회사 월드텍 | 카메라를 이용한 기상관측 장치 및 이를 제어하는 방법 |
-
2017
- 2017-11-15 KR KR1020170152020A patent/KR101986025B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
| KR101731234B1 (ko) | 2016-02-04 | 2017-05-02 | 한국해양과학기술원 | 위성 또는 항공기에서 촬영된 영상의 슬롯간 편차 보정 방법 |
| KR101737426B1 (ko) | 2016-02-04 | 2017-05-18 | 한국해양과학기술원 | 최소 잡음 비율 변환기법을 이용한 위성 또는 항공기에서 촬영된 영상의 인위적인 잡음신호 보정 방법 |
| KR101737354B1 (ko) | 2016-04-11 | 2017-05-19 | 한국해양과학기술원 | 광학위성 영상을 이용한 해수표면 해조류 검출 방법 및 시스템 |
Non-Patent Citations (2)
| Title |
|---|
| 김소형, et al., 히마와리-8 위성자료에 내재된 안개의 광학적 및 조직적 특성에 기반한 야간 안개 탐지기법 개발. 한국기상학회 학술대회 논문집(2016.10.31.)* |
| 이승주, et al., 천리안 자료를 활용한 한반도에서의 안개 탐지 기법 개발. 한국기상학회 학술대회 논문집(2015.10.31.)* |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210067205A (ko) | 2019-11-29 | 2021-06-08 | 한국광기술원 | 해양 기상환경 모니터링 장치 및 방법 |
| KR102437344B1 (ko) | 2019-11-29 | 2022-08-29 | 한국광기술원 | 해양 기상환경 모니터링 장치 및 방법 |
| KR20220017773A (ko) | 2020-08-05 | 2022-02-14 | (주)시정 | 인공위성 사진을 이용한 해무 또는 안개 검출 시스템 및 방법 |
| KR20230068481A (ko) | 2021-11-10 | 2023-05-18 | 경북대학교 산학협력단 | 호우 발생 가능성을 진단하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190055373A (ko) | 2019-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101986025B1 (ko) | 기계학습 기반 위성 해무 탐지 장치 및 해무 탐지 방법 | |
| KR102067242B1 (ko) | 인공위성 sar 영상기반 인공신경망을 이용한 오일 유출 탐지 방법 | |
| US8170282B1 (en) | Technique for ship/wake detection | |
| US9881212B2 (en) | Infrared image based early detection of oil spills in water | |
| Mattyus | Near real-time automatic marine vessel detection on optical satellite images | |
| Mera et al. | Adaptive thresholding algorithm based on SAR images and wind data to segment oil spills along the northwest coast of the Iberian Peninsula | |
| US20050175253A1 (en) | Method for producing cloud free and cloud-shadow free images | |
| US9031285B2 (en) | Detection of floating objects in maritime video using a mobile camera | |
| Kurtz et al. | A sea-ice lead detection algorithm for use with high-resolution airborne visible imagery | |
| CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及系统 | |
| Rodríguez-Guzmán et al. | Using MODIS 250 m imagery to estimate total suspended sediment in a tropical open bay | |
| Xu et al. | DeepMask: an algorithm for cloud and cloud shadow detection in optical satellite remote sensing images using deep residual network | |
| CN113744249B (zh) | 一种海洋生态环境损害调查方法 | |
| Wang et al. | Extracting oil slick features from VIIRS nighttime imagery using a Gaussian filter and morphological constraints | |
| CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
| Weissling et al. | EISCAM—Digital image acquisition and processing for sea ice parameters from ships | |
| Isiacik Colak et al. | Coastline zone extraction using Landsat-8 OLI imagery, case study: Bodrum Peninsula, Turkey | |
| Fazlali et al. | Aerial image dehazing using a deep convolutional autoencoder | |
| Bakhoday-Paskyabi et al. | Automated measurements of whitecaps on the ocean surface from a buoy-mounted camera | |
| Kim et al. | Oil spill detection from RADARSAT-2 SAR image using non-local means filter | |
| CN115346133A (zh) | 一种基于光学卫星影像的舰船检测方法与系统 | |
| CN113505699A (zh) | 一种基于RetinaNet算法的船舶检测方法 | |
| Buck et al. | Ship detection and classification from overhead imagery | |
| Jang et al. | Algorithm to Estimate Oil Spill Area Using Digital Properties of Image | |
| Johansson | Small vessel detection in high quality optical satellite imagery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |