KR102047255B1 - 전천 영상을 이용한 구름량 자동 관측 방법 - Google Patents

전천 영상을 이용한 구름량 자동 관측 방법 Download PDF

Info

Publication number
KR102047255B1
KR102047255B1 KR1020180106609A KR20180106609A KR102047255B1 KR 102047255 B1 KR102047255 B1 KR 102047255B1 KR 1020180106609 A KR1020180106609 A KR 1020180106609A KR 20180106609 A KR20180106609 A KR 20180106609A KR 102047255 B1 KR102047255 B1 KR 102047255B1
Authority
KR
South Korea
Prior art keywords
image
sky
rgb
rgb color
cloud
Prior art date
Application number
KR1020180106609A
Other languages
English (en)
Inventor
윤한경
Original Assignee
한국기술교육대학교 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 한국기술교육대학교 산학협력단 filed Critical 한국기술교육대학교 산학협력단
Priority to KR1020180106609A priority Critical patent/KR102047255B1/ko
Application granted granted Critical
Publication of KR102047255B1 publication Critical patent/KR102047255B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • 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
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 전천 영상을 이용한 구름량 자동 관측 방법을 공개한다. 이 방법은 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;를 포함하는 것을 특징으로 한다. 본 발명에 의할 경우, 구름량 목측의 개인차에 의한 오류 가능성과 자동 관측 영역을 인위적 제한시 측정된 결과치와 목측 결과치의 불일치 문제점과 전문 인력이 관측소마다 투입되어야 하는 원활한 인력 수급의 한계가 극복될 수 있다. 또한, RGB 색 공간에서 구름의 물리적 형태와 태양의 위치에 종속되는 태양광의 경로에 따른 산란의 발생과 구분할 변수가 필수적으로 추가되어야 하는 번거로움과 복잡함을 방지할 수 있다.

Description

전천 영상을 이용한 구름량 자동 관측 방법{An automatic observation method using whole-sky image}
본 발명은 구름량 자동 관측 방법에 관한 것으로서, 특히 컴퓨터 비전 기술 등의 연구 결과들과 관측 전문가의 지식과 경험을 구름 자동 관측에 접목하여 운량, 운고, 및 운형 등의 자동 관측 기술에 대한 알고리즘을 제공하기 위하여, 실제 구름 자동 관측 실험을 통하여 객관성을 확보하고 목측 전문가의 결과와 호환 가능하며 정량화가 보장되는 전천 영상을 이용한 구름량 자동 관측 방법에 관한 것이다.
대기 중의 구름은 태양의 복사 에너지를 반사하여 일조량을 변화시킬 뿐만 아니라, 지표면의 복사 에너지를 반사시켜 기온 변화에 영향을 미치는 중요한 변수이며, 특히 지표면의 일조량은 태양에너지를 활용하는 산업분야에서 매우 중요한 필수 정보이다.
따라서, 기상 정보를 수집함에 있어 구름량 관측은 필수적이고 중요함에도 불구하고 현재까지도 주로 목측(目測)에 의존하고 있으며, 부분적으로 레이저를 이용한 운고계와 전자파를 이용하는 라디오 미터 등의 계측 장비를 이용하여 주기적으로 자동 관측되거나 위성 사진 등을 활용하기도 한다.
그런데, 관측자의 주관에 의존도가 높은 목측은 개인차에 의한 오차가 발생될 여지가 다분하고 운고계는 관측 범위가 제한적인 한계가 있다.
이러한 한계를 극복하기 위해 기상청에서도 구름 자동 관측 시스템을 개발하여 시범 운영 중이며 현장에 투입 적용하기 위한 지속적인 연구가 진행되고 있다.
국내에서 구름량의 목측을 대체할 자동 관측은 어안 렌즈로 획득한 전천 영상의 분석으로부터 시작되었다고 볼 수 있다.
여기에서, 어안 렌즈(fish-eye lens)란 기상학 분야에서 전천(全天)의 구름량(雲量)을 기록하는 데 이용하는 렌즈로서, 전천(全天) 렌즈 또는 스카이 렌즈라고도 한다.
일반적으로, 인간은 시야의 210도 전방을 향한 수평 호를 약간 가지고 있으며, 인간의 시야의 수직 범위는 약 150도로 알려졌다.
인간의 시야각은 120도이고, 눈을 움직일 경우 같은 자리에서 180도까지 볼 수 있으며, 상하 시야각은 135도로 좌우 시야각이 상하 시야각보다 작다.
특히, 깊이 인식에 중요한 두 눈은 입체시(立體視)를 위한 기본적 요소로서, 육안 시야의 114도(수평)를 커버하며, 각 주변의 나머지 주변 40도는 양안시(兩眼視)를 갖지 않는다.
즉, 기상 전문가인 목측 관찰자의 시야각도 상기와 같으며 세계 기상 기구에서 목측 관찰자의 관찰 행위에 관한 제약은 단지 야간에 전천에 적응을 위한 대기 시간만 주어졌을 뿐이므로 기상 전문가의 관찰 영역은 어안 렌즈를 사용하여 얻은 영상과 유사하다.
따라서, 구름량은 관측자의 두뇌에 맺힌 영상으로부터 구름량을 분석하므로 지표에서 어안 렌즈를 통한 영상과 유사한 영상으로부터 구름량을 획득한다.
이는 자동 관측에서도 목측과 호환적이거나, 비교 가능한 관측치를 얻기 위해서 어안 렌즈를 사용하여 얻은 전천 영역을 관측 대상 영역으로 취급하여야 함을 의미한다. 따라서 기존에 적용되는 일반적인 접근 방법인 관심 영역의 설정은 불합리하다.
한편, 기존에 보고된 연구들과 현재 적용하고 있는 접근법은 전천 영상의 각 픽셀에서 RGB(Red, Green, Blue) 값들과 그들의 비를 이용하거나 세 가지 색의 합성 방법에 적용하여 하늘과 구름을 구분하였다.
기존에 보고된 대표적인 연구가 스카이뷰(Skyview)를 이용하여 전천 영상을 획득하였으며, 목측과 비교하여 오차 범위 안에서 약 77 % 정도라고 보고된 바 있다.
스카이뷰의 직사광선 차폐판이 관측 영역의 약 6.7 %를 차지하고 있어, 어안 렌즈의 특성을 고려한다면 관측에 미치는 영향은 이론적으로 그 이상이 될 수 있으므로 관측 오차가 증가되는 요인으로 작용하며, 이는 스카이뷰의 구조적 제약점으로 자동 관측에 오류를 초래하는 또 하나의 주요 요인이다. 따라서 관측 영역은 목측자의 관측 영역과 동일하도록 개선되어야 하며 직사 광선에 무관한 영상 처리 알고리즘이 개발이 필요하다.
또한, 현재까지는 RGB 색 공간에서의 R, G, B 값들과 그들의 비율만으로 구름 영역을 추출 하였으나 이는 태양의 복사 스펙트럼에서 RGB의 각 성분이 일정하다는 전제가 되어야 하나, 최근 학계에 보고된 연구 결과에 의하면 복사 스펙트럼에서 RGB 각 성분(세기)이 시간에 따라 불균질하게 변화한다고 알려졌다.
즉, RGB와 그들의 비는 시간에 관한 함수이므로 기존에 보고된 특정한 상수로 설정된 그들의 비만으로는 정확한 운량을 산출하기에는 한계가 있다.
또한, 구름량의 전통적인 관측 방법인 목측은 지상에서 인간의 눈을 통하여 지각된 두뇌에 투영된 영상을 분석하여 구름에 가린 부분을 정량화하는 것이다.
그런데, 구름량의 목측은 지표의 기후 조건에 직접적으로 영향을 주는 광역의 저층운과 중층운을 여타 관측 방법보다 정밀하게 할 수 있는 장점이 있으나, 개인차에 의한 오류를 범하는 단점과 전문 인력이 관측소마다 투입되어야 하므로, 이들의 원활한 수급에 한계가 있다.
따라서, 구름 관측의 자동화를 위한 연구와 장비 개발은 국내외에서 진행 중인 주요 이슈이다.
국내에서도 90년대 중반부터 구름 관측의 자동화 연구가 지속되어 현재 시범적으로 운영 중이다.
종래의 목측 자동화 연구와 개발은 영상 인식 또는 패턴 인식 기술의 특수한 응용 분야로 접근하여 왔다.
즉, 픽셀당 RGB 및 그 색들의 비율로 하늘과 구름의 영역을 구분하는 것이 주요 접근법이었다.
영상 인식 또는 패턴 인식 기술에서 구체적 기하적 형태가 없는 유체에 적용된 경우는 매우 드물고 정확한 결과를 담보할 수 없으며, 따라서 형태학적 영상 인식의 단점을 보완할 기상 전문가의 지식과 경험의 일부인 객체(구름과 하늘 등)의 속성을 기반한 영상처리기법을 개발하여야 한다.
또한, 기상 전문가에 의존하였던 관측 결과와 자동 관측 결과의 호환성은 필수적인 요소이므로, 세계기상기구(WMO)의 측정 방법과 기준에 부합되고 유효하고 호환성이 담보되는 관측치를 얻을 수 있어야 목측 관찰자의 대체가 가능하다.
구름 관측의 자동 측정 방법은 인간의 측정 환경을 고려하여 동일한 환경에서 영상 획득이 필수적인 요소이다.
또한, 지형의 속성에 따른 구름의 정적 특성과 동적 특성이 고려되어야 한다.
이는, 한국의 지형은 80 % 이상이 산악 지대로 산으로 둘러 싸인 지역들이 대부분이고 산은 구름의 생성과 이동에 영향을 미치기 때문이다.
세계기상기구에서 구름 관측은 야간 관측을 위한 적응 시간 제약이 존재할 뿐, 관측자의 관측 자세는 제한이 없으므로, 관측자는 목의 회전이나 몸의 회전을 통하여 360도 전천 하늘을 관측할 수 있다.
따라서, 자동 관측에서 관측 영역을 인위적으로 제한한 경우, 규칙적인 패턴이 아닌 구름의 임의적 분포로 인해 관측 영역이 달라지면 그 결과도 달라질 수 있기 때문에, 측정된 결과치가 목측 결과치와 항상 일치하기는 힘든 문제점이 있었다.
이에, 본 발명자는 구름량 목측의 개인차에 의한 오류 가능성을 축소하며 자동 관측 영역을 인위적 제한하여 측정된 결과치와 목측 결과치의 불일치 문제점을 해소함으로써 인력 수급 및 운용에 한계를 극복을 목표로, RGB 색 공간에서 태양의 위치에 종속되는 태양광의 경로와 구름의 형태 및 두께 등으로 발생되는 산란의 발생과 구분 가능하며 시간에 따라 RGB의 복사 세기가 변화하는 것을 고려해야만 하는 번거로움과 복잡함을 해소할 수 있는 전천 영상을 이용한 구름량 자동 관측 방법을 발명하기에 이르렀다.
KR 10-1879332 B1
본 발명의 목적은 급변하는 IT 환경과 컴퓨터 비전 기술 등의 연구 결과들을 구름 자동 관측에 접목하여 운량, 운고, 및 운형 등의 자동 관측 기술에 대한 기반 알고리즘을 제공하여 관측 오차를 줄이고, 실제 구름 자동 관측 실험을 통하여 객관성이 보장되는 관측 영역을 제시함으로써 학술적 객관성이 모호한 구름 관측 영역의 임의적 설정 등을 방지하고 국제 규격화를 도모할 수 있는 전천 영상을 이용한 구름량 자동 관측 방법을 제공하는 것이다.
즉, 기존의 일반적인 접근법은 태양의 복사 스펙트럼에서 RGB의 복사 강도가 균일하여야 RGB의 비로써 구름 영역의 정확한 구분이 가능하지만, 최근 학계에 보고된 연구 결과에 의하면 RGB 스펙트럼이 시간에 따라 불균질하게 변화한다.
따라서, RGB와 그들의 비율은 시간에 관한 함수여서, 기존에 보고되어 적용 중인 고정된 그들의 비율로는 정확한 운량을 산출할 수 없으므로, 본 발명에서는 이를 개선하기 위하여 구름과 하늘의 물리적 속성을 고려한 구름량 자동 관측 방법을 제공한다.
상기 목적을 달성하기 위한 본 발명의 전천 영상을 이용한 구름량 자동 관측 방법은 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계; 를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 전천 영상을 이용한 구름량 자동 관측 방법은 (a) 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및 (b) 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;를 포함하고, 상기 (a) 단계는 영상 촬영부가 각각 다른 시간대에 상기 RGB 하늘 영상을 촬영하는 단계; 상기 이미지 변환부가 상기 촬영된 RGB 하늘 영상을 인가받아 이진화 하늘 영상으로 변환하는 단계; 노이즈 제거부가 상기 변환된 이진화 하늘 영상을 인가받아 노이즈를 제거하는 단계; 아티팩트 제거부가 상기 노이즈가 제거된 이진화 하늘 영상을 인가받아 아티팩트를 제거하는 단계; 및 상기 관측 창 생성부가 상기 아티팩트가 제거된 이진화 하늘 영상을 인가받아 상기 관측 창을 생성하는 단계; 를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위한 본 발명의 전천 영상을 이용한 구름량 자동 관측 방법은 (a) 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및 (b) 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;를 포함하고, 상기 (b) 단계는 상기 이미지 병합부가 상기 획득된 이미지를 상기 관측 창에 이미지 병합하는 단계; 상기 이미지 정규화부가 상기 병합된 관측 창 이미지를 인가받아 상기 정규화된 이미지로 변환하는 단계; 상기 RGB 색 분석부가 상기 변환된 정규화 이미지를 인가받아 상기 RGB 색 성분을 분석하는 단계; 상기 CMYK 색 변환부가 상기 RGB 색 성분 분석된 이미지를 인가받아 CMYK 색 공간으로 변환하여 상기 색 성분의 데이터를 추출하는 단계; 상기 특징 맵 생성부가 상기 추출된 색 성분의 데이터를 인가받아 연산 및 변환하여 상기 특징 맵을 생성하는 단계; 그레이 맵 변환부가 상기 생성된 특징 맵을 인가받아 상기 그레이 맵으로 변환하는 단계; 및 이진화 영상 변환부가 상기 변환된 그레이 맵을 인가받아 상기 이진화 영상으로 변환하는 단계; 를 포함하는 것을 특징으로 한다.
기타 실시예의 구체적인 사항은 "발명을 실시하기 위한 구체적인 내용" 및 첨부 "도면"에 포함되어 있다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 각종 실시예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 각 실시예의 구성만으로 한정되는 것이 아니라 서로 다른 다양한 형태로도 구현될 수도 있으며, 단지 본 명세서에서 개시한 각각의 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구범위의 각 청구항의 범주에 의해 정의될 뿐임을 알아야 한다.
본 발명에 의할 경우, 구름량 목측의 개인차에 의한 오류 가능성을 최소화 하고, 목측 결과와 호환 가능한 정량적 관측으로 자동 관측을 활성화하며, 해외 시장을 선도함과 동시에 전문 인력의 어려운 수급과 운용의 문제점을 해소할 수 있다.
또한, 관측 영역을 인위적으로 한정하여 측정된 결과치와 목측 결과치의 불일치 문제점과 태양의 복사 스펙트럼이 시간에 따라 변화함에 따라 기존의 RGB 색 공간에서 RGB의 복사 세기 변화에 따라 발생되는 기존 방법의 불합리성을 해소하기 위하여, 구름의 물리적 형태와 태양의 위치에 종속되는 태양광의 경로에 따른 광학적 질량을 고려한 산란의 발생과 구분할 변수가 필수적으로 추가되어야 하는 번거로움과 복잡함을 방지할 수 있다.
도 1은 본 발명의 일 실시예에 따라 측정된 태양의 복사 스펙트럼으로서, 공기 질량의 증가(0 ~ 10)에 대하여 각 파장에 따른 직접 정규 방사 조도의 그래프이다.
도 2는 본 발명의 일 실시예에 따라 측정된 태양의 복사 스펙트럼으로서, 상이한 시간대에 대하여 각 파장에 따른 방사 강도의 그래프이다.
도 3은 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법을 구현하기 위한 자동 관측 장치의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 전천 영상을 이용한 구름량 자동 관측 방법의 전반적인 동작을 설명하기 위한 순서도이다.
도 5는 도 4에 도시된 전천 영상을 이용한 구름량 자동 관측 방법 중 단계(S100)의 부분 동작을 설명하기 위한 순서도이다.
도 6은 도 5의 전 처리 과정(S100)의 단계(S120 내지 S140)에 따라 수행한 결과 및 단계(S130)에서 주간과 야간에 촬영한 실제 사진의 왼쪽 하단이 전 처리가 된 이미지의 확대 사진이다.
도 7은 도 4에 도시된 전천 영상을 이용한 구름량 자동 관측 방법 중 단계(S200)의 부분 동작을 설명하기 위한 순서도이다.
도 8은 도 7의 구름 영역 판독 과정(S200) 중 단계(S210)에 따라 관측 창에 이미지 병합을 수행한 결과 사진이다.
도 9는 도 7의 구름 영역 판독 과정(S200) 중 단계(S230)에 따라 RGB 컬러 분석을 수행한 결과 사진이다.
도 10은 도 7의 구름 영역 판독 과정(S200) 중 단계(S240)에 따라 CMYK 색 공간 변환을 수행한 결과 사진이다.
도 11은 도 7의 구름 영역 판독 과정(S200) 중 단계(S250)에 따라 생성된 특징 맵의 사진으로서, NOT(R)과 C의 논리합 이미지이다.
도 12는 도 7의 구름 영역 판독 과정(S200) 중 단계(S260)에 따라 시안 맵을 그레이 맵으로 변환을 수행한 결과 사진이다.
도 13은 도 7의 구름 영역 판독 과정(S200) 중 단계(S270)에 따라 그레이 맵을 이진화 영상으로 변환을 수행한 결과 사진이다.
도 14는 도 7의 구름 영역 판독 과정(S200)에 따라 측정된 운량의 예시를 나타낸 결과 사진이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 바람직한 실시예에 대하여 상세히 설명하면 다음과 같다.
본 발명을 상세하게 설명하기 전에, 본 명세서에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 무조건 한정하여 해석되어서는 아니되며, 본 발명의 발명자가 자신의 발명을 가장 최선의 방법으로 설명하기 위해서 각종 용어의 개념을 적절하게 정의하여 사용할 수 있다.
더 나아가 이들 용어나 단어는 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 함을 알아야 한다.
즉, 본 명세서에서 사용된 용어는 본 발명의 바람직한 실시예를 설명하기 위해서 사용되는 것일 뿐이고, 본 발명의 내용을 구체적으로 한정하려는 의도로 사용된 것이 아니다.
이들 용어는 본 발명의 여러 가지 가능성을 고려하여 정의된 용어임을 알아야 한다.
또한, 본 명세서에 있어서, 단수의 표현은 문맥상 명확하게 다른 의미로 지시하지 않는 이상, 복수의 표현을 포함할 수 있다.
또한, 유사하게 복수로 표현되어 있다고 하더라도 단수의 의미를 포함할 수 있음을 알아야 한다.
본 명세서의 전체에 걸쳐서 어떤 구성 요소가 다른 구성 요소를 "포함"한다고 기재하는 경우에는, 특별히 반대되는 의미의 기재가 없는 한 임의의 다른 구성 요소를 제외하는 것이 아니라 임의의 다른 구성 요소를 더 포함할 수도 있다는 것을 의미할 수 있다.
더 나아가서, 어떤 구성 요소가 다른 구성 요소의 "내부에 존재하거나, 연결되어 설치된다"고 기재한 경우에는, 이 구성 요소가 다른 구성 요소와 직접적으로 연결되어 있거나 접촉하여 설치되어 있을 수 있다.
또한, 일정한 거리를 두고 이격되어 설치되어 있을 수도 있으며, 일정한 거리를 두고 이격되어 설치되어 있는 경우에 대해서는 해당 구성 요소를 다른 구성 요소에 고정 내지 연결시키기 위한 제 3의 구성 요소 또는 수단이 존재할 수 있다.
한편, 상기 제 3의 구성 요소 또는 수단에 대한 설명은 생략될 수도 있음을 알아야 한다.
반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결"되어 있다거나, 또는 "직접 접속"되어 있다고 기재되는 경우에는, 제 3의 구성 요소 또는 수단이 존재하지 않는 것으로 이해하여야 한다.
마찬가지로, 각 구성 요소 간의 관계를 설명하는 다른 표현들, 즉 " ~ 사이에"와 "바로 ~ 사이에", 또는 " ~ 에 이웃하는"과 " ~ 에 직접 이웃하는" 등도 마찬가지의 취지를 가지고 있는 것으로 해석되어야 한다.
또한, 본 명세서에 있어서 "일면", "타면", "일측", "타측", "제 1", "제 2" 등의 용어는, 하나의 구성 요소에 대해서 이 하나의 구성 요소가 다른 구성 요소로부터 명확하게 구별될 수 있도록 하기 위해서 사용된다.
하지만, 이와 같은 용어에 의해서 해당 구성 요소의 의미가 제한적으로 사용되는 것은 아님을 알아야 한다.
또한, 본 명세서에서 "상", "하", "좌", "우" 등의 위치와 관련된 용어는, 사용된다면, 해당 구성 요소에 대해서 해당 도면에서의 상대적인 위치를 나타내고 있는 것으로 이해하여야 한다.
또한, 이들의 위치에 대해서 절대적인 위치를 특정하지 않는 이상은, 이들 위치 관련 용어가 절대적인 위치를 언급하고 있는 것으로 이해하여서는 아니된다.
더욱이, 본 발명의 명세서에서는, "…부", "…기", "모듈", "장치" 등의 용어는, 사용된다면, 하나 이상의 기능이나 동작을 처리할 수 있는 단위를 의미한다.
이는 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 결합으로 구현될 수 있음을 알아야 한다.
본 명세서에 첨부된 도면에서 본 발명을 구성하는 각 구성 요소의 크기, 위치, 결합 관계 등은 본 발명의 사상을 충분히 명확하게 전달할 수 있도록 하기 위해서 또는 설명의 편의를 위해서 일부 과장 또는 축소되거나 생략되어 기술되어 있을 수 있고, 따라서 그 비례나 축척은 엄밀하지 않을 수 있다.
또한, 이하에서, 본 발명을 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 구성, 예를 들어, 종래 기술을 포함하는 공지 기술에 대한 상세한 설명은 생략될 수도 있다.
도 1은 본 발명의 일 실시예에 따라 측정된 태양의 복사 스펙트럼으로서, 공기 질량의 증가(0 ~ 10)에 대하여 각 파장에 따른 직접 정규 방사 조도의 그래프이다.
도 2는 본 발명의 일 실시예에 따라 측정된 태양의 복사 스펙트럼으로서, 상이한 시간대에 대하여 각 파장에 따른 방사 강도의 그래프이다.
도 1 및 도 2를 참조하여 본 발명의 일 실시예에 따라 측정된 태양의 복사 스펙트럼을 설명하면 다음과 같다.
지구가 속한 태양계에서 빛의 근원인 태양의 복사 스펙트럼을 보면 약 6000°K의 흑체 복사와 유사하다.
또한, 단위 시간 및 단위 면적당 태양으로부터 받은 복사 에너지의 양인 태양 복사 조도는 가시 파장 (300-800 nm)에서 가장 크며, 청록색 부분에서 최대값을 보인다.
지구와 태양의 평균 거리를 시용하여 지구 대기에서 태양 복사의 평균값은 태양 상수라 부르고, 기단 '0' (air mass '0', AM0)은 공기 질량이 '0'일 경우의 태양 상수이다.
즉, AM0은 지구 대기 밖에서의 태양광의 세기를 의미한다.
태양이 머리 위에 있을 때 AM1이라고 하며, 태양이 수평선보다 41.8° (또는 바로 위에서 48.2°)의 각도에 있을 때 AM1.5가 된다.
본 발명에서 중요한 점은 태양의 복사 스펙트럼이 태양의 광학적 공기 질량에 따라 균일하게 변화되는지 여부이다.
만일, 태양의 복사 스펙트럼이 시간에 따라 균일하게 변화되면, RGB와 각각의 비율만으로도 구름의 정확한 식별이 가능하다.
하지만, 도 1에서 보는 바와 같이 시간에 따라 변화가 균일하지 않다면 RGB 성분 및 그들의 비율만으로 구름을 식별하는 것이 불완전할 수 밖에 없다.
즉, 광학적 공기 질량이 2(AM2)이상부터는 태양의 복사 스펙트럼 곡선이 왜곡됨을 알 수 있으며, 이는 태양광의 경로가 길어져 공기 질량이 증가하는 경우로 RGB 색 공간을 이용한 구름 관측은 오차가 증가할 수 밖에 없다.
또한, 주간이더라도 구름 또는 공기 분자(air particle) 등으로 공기 질량이 상대적으로 증가한 경우 구름 관측의 오차는 증가할 수 밖에 없다.
이는 태양광의 스펙트럼을 지표면에서 측정한 연구 결과인 도 2와도 일치된다.
결론적으로, RGB색 공간에서의 처리는 태양광 스펙트럼이 시간에 따라 불균일하게 변화되므로 구름의 식별이 제한적일 수 밖에 없다.
본 발명에서는 전천 영상으로부터 구름 영역을 판독하는 알고리즘을 제안한다.
본 알고리즘은 범용적으로 획득된 전천 영상에서 관측 영역을 검출하고, 앞에서 기술한 관측 창을 생성하여 하늘 영역만을 필터링한 후, RGB 색 성분의 데이터를 기반으로 CMYK 색 공간으로 데이터를 변환 및 처리하여 구름 영역을 판독한다.
도 3은 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법을 구현하기 위한 자동 관측 장치의 블록도로서, 전 처리부(100) 및 구름 영역 판독부(200)를 구비한다.
전 처리부(100)는 영상 촬영부(110), 이미지 변환부(120), 노이즈 제거부(130), 아티팩트 제거부(140) 및 관측 창 생성부(150)를 구비하고, 구름 영역 판독부(200)는 이미지 병합부(210), 이미지 정규화부(220), RGB 색 분석부(230), CMYK 색 변환부(240), 특징 맵 생성부(250), 그레이 맵 변환부(260) 및 이진화 영상 변환부(270)를 구비한다.
도 4는 본 발명의 일 실시예에 따른 전천 영상을 이용한 구름량 자동 관측 방법의 전반적인 동작을 설명하기 위한 순서도이다.
도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 따른 전천 영상을 이용한 구름량 자동 관측 방법의 개략적인 동작을 설명하면 다음과 같다.
본 발명에 따른 구름량 자동 관측 방법은 크게 두 가지 과정으로 진행되는데, 임의로 하늘을 촬영한 영상으로부터 판독 영역을 추출하는 전 처리 과정(S100)과 RGB 분석을 기반으로 CMYK 색 공간으로 변환하여 시안(Cyan) 성분을 추출하여 보정함으로써 구름 영역을 판독하는 구름 영역 판독 과정(S200)을 포함한다.
즉, 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부(120)가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부(150)가 관측 창을 생성한다.
이미지 병합부가 획득된 이미지를 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환된다.
RGB 색 공간에서 녹색과 청색을 혼합하면 시안색(청록색) 성분을 조성할 수 있다.
인간의 시야는 색감을 인지할 수 있으나, 인지된 색을 분석하는 능력은 없다.
그럼에도 불구하고, 태양의 복사 스펙트럼을 분석해 보면 도 2에서 보는 바와 같이, 청색 파장과 녹색 파장에서의 복사량이 다른 파장의 복사량보다 훨씬 크다는 것을 알 수가 있다.
따라서, 인간의 시각은 파장의 종속성이 매우 큰 레일리 산란에 의해 파란 하늘을 인지하나, 파란 하늘의 색을 분석하는 능력이 없는 반면, 컴퓨터는 녹색 계열의 정보를 유용한 식별자로 활용할 수 있다.
일반적으로 서로 인접 파장을 가지면서도 청색 광보다 파장이 긴 녹색 광 은 산란이 덜 되지만, 도 2에서 보는 바와 같이, 각각 다른 시간대마다 지표면에서 녹색 파장에서의 스펙트럼의 강도는 여전히 청색 파장에서의 스펙트럼의 강도와 거의 동일함을 알 수 있다.
또한, 일출시인 오전 6:33:00 에도 스펙트럼 상에서 청색과 녹색 계열의 강도가 미약하나마 타 색상 성분보다 강하므로 하늘의 식별이 가능하다.
즉, 영상의 판독 영역은 관측 창을 통하여 본 하늘 영역으로 구름을 제외한 순수 하늘 영역은 청색과 녹색 계열의 성분 정보는 CMYK 색 공간에서 시안색 계열의 정보로 변환이 가능하며, 시안색 정보를 이용하여 구름을 제외한 하늘 영역의 추출이 가능하다.
이에 따라, 본 발명은 영상에서 구름을 포함한 하늘 영역을 구분하기 위한 경계 검출 알고리즘을 적용하고 조명을 포함한 건물 등의 인공물은 추출 삭제 단계가 추가되었다.
이는 구름이 관측되는 현장마다 상황이 다르기 때문에 수작업과 병행하여 처리되며, 인공물은 불변이기 때문에 최초에 한번 적용되고, 자연물은 시간에 따라 성장하거나 쇠퇴하므로 자주 비교 관찰하여 수정하도록 한다.
또한, 태양의 복사 스펙트럼 상에서 B와 G의 복사 강도는 거의 동일한 정도로 복사되며, R의 강도는 상대적으로 미약하다.
그럼에도 인간의 눈에 하늘이 파란 이유는 하늘 영역에서는 파장의 4 제곱에 반비례하여 산란되는 레일리 산란으로 인하여 파장이 짧은 청색 계열로 보이지만, 지표면에서의 맑은 하늘에서 태양 스펙트럼에는 B과 G의 복사 강도는 유사하다.
따라서, 하늘 영역은 B와 G를 혼합하면 이차색인 Cyan 계열이 생성되므로 CMYK 색 공간으로 변환 처리하도록 한다.
반면에, 구름은 스펙트럼의 모든 파장에서 동일한 정도의 산란 효과를 발생시키는 미 산란으로 발생한 모든 파장의 빛이 가산 혼합이 되어 흰색으로 보이는 것이다.
또한, RGB 색 공간에서 색을 분리하여 관찰하면 R의 데이터(지도, map)에서 구름 영역의 경계가 가장 확실함을 알 수 있다.
그러므로, 구름 분석 알고리즘은 기본적으로 Cyan 데이터와 R의 데이터를 논리적으로 처리하여 하늘 영역과 구름 영역을 구분한다.
본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법의 전 처리 과정(S100)과 구름 영역 판독 과정(S200)을 나누어 설명하면 다음과 같다.
구름 영역 판독을 위한 전 처리 과정
도 5는 도 4에 도시된 전천 영상을 이용한 구름량 자동 관측 방법 중 단계(S100)의 부분 동작을 설명하기 위한 순서도이다.
도 6은 도 5의 전 처리 과정(S100)의 단계(S120 내지 S140)에 따라 수행한 결과 및 단계(S130)에서 주간과 야간에 촬영한 실제 사진의 왼쪽 하단이 전 처리가 된 이미지의 확대 사진이다.
도 3 내지 도 6을 참조하여 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법 중 전 처리 과정(S100)의 동작을 설명하면 다음과 같다.
구름 관측을 위하여 먼저 획득된 영상으로부터 하늘 영역과 지상 영역을 구분하여야 하는데, 이를 전 처리라고 한다.
전 처리 과정(S100)이 필요한 이유는 일반적으로 획득 영상들이 산, 숲, 나무 등의 자연 차폐물들과 빌딩 및 조명 등의 인공 차폐물들을 포함하고 있기 때문이다.
이 차폐물들은 시변 차폐물과 시 불변 차폐물로 분류되고, 숲과 나무 및 건물의 조명과 건물의 반사 등은 시간에 따라 변화되는 대표적인 시변 차폐물이다.
일반적인 경계 검출 알고리즘을 적용하면 비교적 용이하게 자연물의 경계 검출은 용이하다.
반면에, 야외 조명과 건물의 조명 및 건물 표면의 반사는 경계 검출의 방해 요소가 된다.
본 발명은 순수한 하늘 영역을 도출한 결과를 관측 창(observation window)이라 정의한다.
즉, 순수 하늘 영역 추출을 위한 필터를 생성하여 획득된 전천 영상에 적용하는 단계가 전 처리 과정(S100)이다.
필터를 만드는 과정에서 시 불변인 인공물이 환경에 따라 변화하는 조명들의 영향을 최소화하기 위하여 수작업으로 인공물의 경계를 지정하는 과정이 포함되었으며, 이는 시 불변인 인공물의 경계이므로 한번의 작업으로 지속적인 사용이 가능하다.
도 5의 순서도를 참조하여 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법 중 전 처리 과정(S100)의 동작을 간단하게 정리하면 다음과 같다.
영상 촬영부(110)는 각각 다른 시간대에 임의로 RGB 하늘 영상을 촬영한다(S110).
이미지 변환부(120)는 영상 촬영부(110)로부터 촬영된 시간대별 RGB 하늘 영상을 인가받아 시간대별 이진화 하늘 영상으로 변환한다(S120).
노이즈 제거부(130)는 이미지 변환부(120)로부터 변환된 시간대별 이진화 하늘 영상을 인가받아 노이즈를 제거한다(S130).
아티팩트 제거부(140)는 노이즈 제거부(130)에서 노이즈가 제거된 시간대별 이진화 하늘 영상을 인가받아 부적절한 영상 샘플링의 결과로 생성된 화상의 결함인 아티팩트(artifact)를 제거한다(S140).
관측 창 생성부(150)는 아티팩트 제거부(140)에서 아티팩트가 제거된 시간대별 이진화 하늘 영상을 인가받아 관측 창을 생성한다(S150).
즉, 건물을 포함한 인공 차폐물들을 효율적으로 제거하기 위하여 수작업을 통하여 차폐막을 생성하고, 전천 영상에서 인공 차폐물들의 크기와 위치가 변화되지 않는다면 한번의 차폐막 생성으로 지속적인 사용이 가능하다.
또한, 숲과 나무 등의 자연 차폐물들은 시간에 따라 변화되지만, 단계(S150)에서 생성된 관측 창은 변화되는 자연 차폐물들에 따라 자동적으로 수정 보완된다.
구름 영역 판독 과정
도 7은 도 4에 도시된 전천 영상을 이용한 구름량 자동 관측 방법 중 단계(S200)의 부분 동작을 설명하기 위한 순서도이다.
도 8은 도 7의 구름 영역 판독 과정(S200) 중 단계(S210)에 따라 관측 창에 이미지 병합을 수행한 결과 사진이다.
도 9는 도 7의 구름 영역 판독 과정(S200) 중 단계(S230)에 따라 RGB 컬러 분석을 수행한 결과 사진이다.
도 10은 도 7의 구름 영역 판독 과정(S200) 중 단계(S240)에 따라 CMYK 색 공간 변환을 수행한 결과 사진이다.
도 11은 도 7의 구름 영역 판독 과정(S200) 중 단계(S250)에 따라 생성된 특징 맵의 사진으로서, NOT(R)과 C의 논리합 이미지이다.
도 12는 도 7의 구름 영역 판독 과정(S200) 중 단계(S260)에 따라 시안 맵을 그레이 맵으로 변환을 수행한 결과 사진이다.
도 13은 도 7의 구름 영역 판독 과정(S200) 중 단계(S270)에 따라 그레이 맵을 이진화 영상으로 변환을 수행한 결과 사진이다.
도 14는 도 7의 구름 영역 판독 과정(S200)에 따라 측정된 운량의 예시를 나타낸 결과 사진이다.
도 3 내지 도 14를 참조하여 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법 중 구름 영역 판독 과정(S200)의 동작을 설명하면 다음과 같다.
도 7의 순서도를 참조하여 본 발명에 따른 전천 영상을 이용한 구름량 자동 관측 방법 중 구름 영역 판독 과정(S200)의 동작을 간단하게 정리하면 다음과 같다.
이미지 병합부(210)는 영상 촬영부(110)에서 획득된 이미지를 관측 창에 이미지 병합한다(S210).
이미지 정규화부(220)는 이미지 병합부(210)로부터 병합된 관측 창 이미지를 인가받아 정규화 이미지로 변환한다(S220).
RGB 색 분석부(230)는 이미지 정규화부(220)로부터 변환된 정규화 이미지를 인가받아 RGB 색 성분을 분석한다(S230).
CMYK 색 변환부(240)는 RGB 색 분석부(230)로부터 분석된 RGB 색 성분 이미지를 인가받아 CMYK 색 공간으로 변환하여 각각의 색 성분의 데이터를 추출한다(S240).
특징 맵 생성부(250)는 CMYK 색 변환부(240)로부터 추출된 각각의 색 성분의 데이터를 인가받아 연산 및 변환하여 특징 맵을 생성한다(S250).
그레이 맵 변환부(260)는 특징 맵 생성부(250)로부터 생성된 특징 맵을 인가받아 그레이 맵으로 변환한다(S260).
이진화 영상 변환부(270)는 그레이 맵 변환부(260)로부터 변환된 그레이 맵을 인가받아 이진화 영상으로 변환한다(S270).
본 발명의 구름 영역 판독 과정(S200)의 동작을 좀 더 상세하게 설명하자면, 이미지 병합부(210)는 영상 촬영부(110)에서 획득한 영상에 전 처리 과정(S100)에서 생성된 관측 창 필터를 장착하여 이미지 병합한다.
이미지 정규화부(220)는 이미지 병합부(210)로부터 병합된 관측 창 이미지를 인가받아 정규화 이미지로 변환하여 동일한 영상 촬영부(110)에서 입력된 모든 영상들의 상대적 차이를 균일화시킨다.
이를 통하여, 색 공간에서 특정한 색 성분을 처리하는 연산 과정에서 발생될 수 있는 오버플로우 현상을 방지할 수 있다.
RGB 색 분석부(230)는 이미지 정규화부(220)로부터 변환된 정규화 이미지를 인가받아 도 9에서 보는 바와 같이, 색 공간 변환을 하기 위하여 RGB 색 성분을 분석한다.
CMYK 색 변환부(240)는 RGB 색 분석부(230)로부터 분석된 RGB 색 성분 이미지를 인가받아 도 10에서 보는 바와 같이, CMYK 색 공간으로 변환하여 각각의 색 성분의 데이터를 추출한다.
도 9 및 도 10의 결과를 보면, RGB 색 공간에서 R의 데이터에서 하늘과 구름 간의 영역이 가장 확실하고, CMYK 색 공간에서는 C(시얀)의 데이터가 하늘과 구름의 영역의 구분이 가장 선명하다.
그 이유는 RGB 색 공간에서 색의 혼합은 가산 혼합으로서, 구름 영역의 색이 흰색이므로 RGB 색 성분의 강도가 구름 영역에서 증가할 수 밖에 없기 때문이다.
이처럼 본 발명에 따른 구름 식별 방법은 전천 영상을 색 공간에서 분석된 결과들을 시각화한 후, 재처리하여 구름과 하늘의 영역을 구분하는 논리적 특징량으로 전천 영상을 재현하여 운량을 측정한다.
이는 색을 분석하는 능력이 없는 인간이 직관적으로 색감에 의한 색을 인지하는 과정과 유사하다.
논리적 특징량은 먼저 전천 영상에서 도 9 및 도 10에 보인 바와 같이, 구름의 식별이 가장 선명한 것이 R색 성분의 데이터이며, CMYK 색 공간에서 분석한 데이터를 보면 하늘 영역이 가장 선명한 것은 C색 성분의 데이터임을 알 수 있고, R 데이터와 C 데이터는 서로 쌍대임을 알 수 있다.
RGB 색 공간에서 CMYK 색 공간으로 변환식은 다음과 같다.
Rn= R/255
Gn= G/255
Bn= B/255
K = 1 - max( Rn, Gn, Bn)
C = (1 - Rn - K) / (1 - K)
M = (1 - Gn - K) / ( 1 - K)
Y = (1 - Bn - K) / ( 1 - K)
구름과 하늘 영역을 강화하기 위하여 도 11에 보인 바와 같이, 서로 쌍대인 R과 C의 데이터를 이용하여 NOT(R)과 C의 논리합인 특징량을 도식화하여 특징 맵을 생성한다.
또한, 도 7의 구름 영역 판독 과정(S200)에 따라 운량을 측정 및 변환한 결과, 도 14에 보인 바와 같이, 본래의 전천 이미지(R), 관측 창 이미지(R), 증가된 구름 이미지(R), 32 % 커버된 구름 이미지(R)를 얻을 수 있다.
삭제
삭제
삭제
삭제
이와 같이, 본 발명은 급변하는 IT 환경과 컴퓨터 비전 기술 등의 연구 결과들을 구름 자동 관측에 접목하여 운량, 운고, 및 운형 등의 자동 관측 기술에 대한 알고리즘을 제공하여 관측 오차를 줄이고, 실제 구름 자동 관측 실험을 통하여 객관성이 보장되는 관측 영역을 제시함으로써 학술적 객관성이 모호한 구름 관측 영역의 임의적 설정 등을 방지하고 국제 규격화를 도모할 수 있는 전천 영상을 이용한 구름량 자동 관측 방법을 제공한다.
이를 통하여, 구름량 목측의 개인차에 의한 오류 가능성과 자동 관측 영역을 인위적 제한시 측정된 결과치와 목측 결과치의 불일치 문제점과 전문 인력이 관측소마다 투입되어야 하는 원활한 인력 수급의 한계가 극복될 수 있다.
또한, RGB 색 공간에서 구름의 물리적 형태와 태양의 위치에 종속되는 태양광의 경로에 따른 산란의 발생과 구분할 변수가 필수적으로 추가되어야 하는 번거로움과 복잡함을 방지할 수 있다.
이상, 일부 예를 들어서 본 발명의 바람직한 여러 가지 실시예에 대해서 설명하였지만, 본 "발명을 실시하기 위한 구체적인 내용" 항목에 기재된 여러 가지 다양한 실시예에 관한 설명은 예시적인 것에 불과한 것이며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이상의 설명으로부터 본 발명을 다양하게 변형하여 실시하거나 본 발명과 균등한 실시를 행할 수 있다는 점을 잘 이해하고 있을 것이다.
또한, 본 발명은 다른 다양한 형태로 구현될 수 있기 때문에 본 발명은 상술한 설명에 의해서 한정되는 것이 아니며, 이상의 설명은 본 발명의 개시 내용이 완전해지도록 하기 위한 것으로 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 본 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이며, 본 발명은 청구범위의 각 청구항에 의해서 정의될 뿐임을 알아야 한다.
100: 전 처리부
110 : 영상 촬영부
120 : 이미지 변환부
130 : 노이즈 제거부
140 : 아티팩트 제거부
150 : 관측 창 생성부
200 : 구름 영역 판독부
210 : 이미지 병합부
220 : 이미지 정규화부
230 : RGB 색 분석부
240 : CMYK 색 변환부
250 : 특징 맵 생성부
260 : 그레이 맵 변환부
270 : 이진화 영상 변환부

Claims (5)

  1. 삭제
  2. 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및
    이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;
    를 포함하는 것을 특징으로 하는,
    전천 영상을 이용한 구름량 자동 관측 방법.
  3. (a) 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및
    (b) 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;
    를 포함하고,
    상기 (a) 단계는
    영상 촬영부가 각각 다른 시간대에 상기 RGB 하늘 영상을 촬영하는 단계;
    상기 이미지 변환부가 상기 촬영된 RGB 하늘 영상을 인가받아 이진화 하늘 영상으로 변환하는 단계;
    노이즈 제거부가 상기 변환된 이진화 하늘 영상을 인가받아 노이즈를 제거하는 단계;
    아티팩트 제거부가 상기 노이즈가 제거된 이진화 하늘 영상을 인가받아 아티팩트를 제거하는 단계; 및
    상기 관측 창 생성부가 상기 아티팩트가 제거된 이진화 하늘 영상을 인가받아 상기 관측 창을 생성하는 단계;
    를 포함하는 것을 특징으로 하는,
    전천 영상을 이용한 구름량 자동 관측 방법.
  4. (a) 촬영된 시간대별 RGB 하늘 영상을 이미지 변환부가 이진화 하늘 영상으로 변환하고, 노이즈가 제거된 하늘 영상을 이용하여 관측 창 생성부가 관측 창을 생성하는 단계; 및
    (b) 이미지 병합부가 획득된 이미지를 상기 관측 창에 이미지 병합하고 이미지 정규화부에서 정규화된 이미지를 이용하여 RGB 색 분석부가 RGB 색 성분을 분석하고, CMYK 색 변환부가 상기 분석된 RGB 색 성분을 이용하여 CMYK 색 변환하고, 특징 맵 생성부가 상기 분석된 RGB 색 성분과 상기 CMYK 색 변환된 색 성분의 데이터를 연산하여 특징 맵을 생성한 후, 상기 특징 맵이 그레이 맵 및 이진화 영상으로 변환되는 단계;
    를 포함하고,
    상기 (b) 단계는
    상기 이미지 병합부가 상기 획득된 이미지를 상기 관측 창에 이미지 병합하는 단계;
    상기 이미지 정규화부가 상기 병합된 관측 창 이미지를 인가받아 상기 정규화된 이미지로 변환하는 단계;
    상기 RGB 색 분석부가 상기 변환된 정규화 이미지를 인가받아 상기 RGB 색 성분을 분석하는 단계;
    상기 CMYK 색 변환부가 상기 RGB 색 성분 분석된 이미지를 인가받아 CMYK 색 공간으로 변환하여 상기 색 성분의 데이터를 추출하는 단계;
    상기 특징 맵 생성부가 상기 추출된 색 성분의 데이터를 인가받아 연산 및 변환하여 상기 특징 맵을 생성하는 단계;
    그레이 맵 변환부가 상기 생성된 특징 맵을 인가받아 상기 그레이 맵으로 변환하는 단계; 및
    이진화 영상 변환부가 상기 변환된 그레이 맵을 인가받아 상기 이진화 영상으로 변환하는 단계;
    를 포함하는 것을 특징으로 하는,
    전천 영상을 이용한 구름량 자동 관측 방법.


  5. 삭제
KR1020180106609A 2018-09-06 2018-09-06 전천 영상을 이용한 구름량 자동 관측 방법 KR102047255B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180106609A KR102047255B1 (ko) 2018-09-06 2018-09-06 전천 영상을 이용한 구름량 자동 관측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180106609A KR102047255B1 (ko) 2018-09-06 2018-09-06 전천 영상을 이용한 구름량 자동 관측 방법

Publications (1)

Publication Number Publication Date
KR102047255B1 true KR102047255B1 (ko) 2019-11-21

Family

ID=68692158

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180106609A KR102047255B1 (ko) 2018-09-06 2018-09-06 전천 영상을 이용한 구름량 자동 관측 방법

Country Status (1)

Country Link
KR (1) KR102047255B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111310727A (zh) * 2020-03-13 2020-06-19 浙江大华技术股份有限公司 对象检测方法及装置、存储介质、电子装置
KR20210158677A (ko) * 2020-06-24 2021-12-31 대한민국(기상청 국립기상과학원장) 영상 분류 방법을 이용한 야간 전운량 산출 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5283214B2 (ja) * 2008-05-23 2013-09-04 国立大学法人宮城教育大学 定点観測装置、及び定点観測方法
KR101709860B1 (ko) * 2015-09-01 2017-02-23 강릉원주대학교산학협력단 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템
KR20180055422A (ko) * 2016-11-17 2018-05-25 한국기술교육대학교 산학협력단 전천 사진을 이용한 운량 산출 방법 및 장치
KR101879332B1 (ko) 2011-09-07 2018-07-17 엘지전자 주식회사 전천사진으로부터 운량을 계산하는 방법, 그 계산한 운량을 이용하여 태양광 발전량을 예측하는 방법 및 그 방법을 이용하는 구름 관측 장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5283214B2 (ja) * 2008-05-23 2013-09-04 国立大学法人宮城教育大学 定点観測装置、及び定点観測方法
KR101879332B1 (ko) 2011-09-07 2018-07-17 엘지전자 주식회사 전천사진으로부터 운량을 계산하는 방법, 그 계산한 운량을 이용하여 태양광 발전량을 예측하는 방법 및 그 방법을 이용하는 구름 관측 장치
KR101709860B1 (ko) * 2015-09-01 2017-02-23 강릉원주대학교산학협력단 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템
KR20180055422A (ko) * 2016-11-17 2018-05-25 한국기술교육대학교 산학협력단 전천 사진을 이용한 운량 산출 방법 및 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111199513A (zh) * 2019-12-30 2020-05-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111199513B (zh) * 2019-12-30 2024-03-26 上海联影智能医疗科技有限公司 图像处理方法、计算机设备和存储介质
CN111310727A (zh) * 2020-03-13 2020-06-19 浙江大华技术股份有限公司 对象检测方法及装置、存储介质、电子装置
CN111310727B (zh) * 2020-03-13 2023-12-08 浙江大华技术股份有限公司 对象检测方法及装置、存储介质、电子装置
KR20210158677A (ko) * 2020-06-24 2021-12-31 대한민국(기상청 국립기상과학원장) 영상 분류 방법을 이용한 야간 전운량 산출 방법
KR102428016B1 (ko) 2020-06-24 2022-08-03 대한민국 영상 분류 방법을 이용한 야간 전운량 산출 방법

Similar Documents

Publication Publication Date Title
US11354827B2 (en) Methods and systems for fusion display of thermal infrared and visible image
Wang et al. Underwater image restoration via maximum attenuation identification
CN102175613B (zh) 基于图像亮度特征的ptz视频能见度检测方法
KR102047255B1 (ko) 전천 영상을 이용한 구름량 자동 관측 방법
Simonse et al. Automatic determination of forest inventory parameters using terrestrial laser scanning
KR101709860B1 (ko) 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템
CN103914813B (zh) 彩色雾霾图像去雾与光照补偿的复原方法
CN106296670B (zh) 一种基于Retinex-分水岭-Canny算子的红外图像边缘检测方法
CN110458787A (zh) 一种图像融合方法、装置及计算机存储介质
Pawar et al. Detecting clear sky images
CN114049490A (zh) 一种智能化职业卫生预警方法及系统
Del Pozo et al. Multi-sensor radiometric study to detect pathologies in historical buildings
KR102040562B1 (ko) 영상정보를 활용한 시정거리 추정 방법
Schwalbe et al. Hemispheric image modeling and analysis techniques for solar radiation determination in forest ecosystems
Shirazi et al. Cloud detection for pv power forecast based on colour components of sky images
Yao et al. Fusing complementary images for pavement cracking measurements
Tanaka et al. Measurement of forest canopy structure by a laser plane range-finding method: Improvement of radiative resolution and examples of its application
JP7092616B2 (ja) 物体検出装置、物体検出方法、及び物体検出プログラム
Zhou et al. Mapping vegetation-covered urban surfaces using seeded region growing in visible-NIR air photos
García et al. Evaluation of two procedures for selecting the CIE standard sky type using high dynamic range images
KR102209866B1 (ko) 지상기반 전운량 자동 산출을 위한 왜곡 영상 전처리 방법
KR102373278B1 (ko) 지상기반 전천 영상자료를 이용한 야간 전운량 산출방법
CN113888420A (zh) 一种基于修正模型的水下图像复原方法、设备及存储介质
Schwalbe et al. Profile based sub-pixel-classification of hemispherical images for solar radiation analysis in forest ecosystems
CN105973156A (zh) 一种用于牧草高度检测的实时无损测量方法

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant