KR102109917B1 - 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 - Google Patents

초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 Download PDF

Info

Publication number
KR102109917B1
KR102109917B1 KR1020180141535A KR20180141535A KR102109917B1 KR 102109917 B1 KR102109917 B1 KR 102109917B1 KR 1020180141535 A KR1020180141535 A KR 1020180141535A KR 20180141535 A KR20180141535 A KR 20180141535A KR 102109917 B1 KR102109917 B1 KR 102109917B1
Authority
KR
South Korea
Prior art keywords
water
threshold
red
land
classified
Prior art date
Application number
KR1020180141535A
Other languages
English (en)
Inventor
남기범
이혁
박상현
신현주
이재관
강태구
하림
임은성
송승욱
양영석
강성주
한수정
Original Assignee
대한민국(관리부서 : 환경부 국립환경과학원장)
(주)아세아항측
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 대한민국(관리부서 : 환경부 국립환경과학원장), (주)아세아항측 filed Critical 대한민국(관리부서 : 환경부 국립환경과학원장)
Priority to KR1020180141535A priority Critical patent/KR102109917B1/ko
Application granted granted Critical
Publication of KR102109917B1 publication Critical patent/KR102109917B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G06T5/002—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Processing (AREA)

Abstract

본 발명은 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법에 관한 것으로, (a) 초분광 카메라로부터 초분광 영상자료를 입력장치에 의해 입력받고, 전처리모듈에 의한 영상 전처리과정(방사보정, 대기보정, 기하보정)을 거치는 단계와; (b) 의사결정트리 예비분류모듈은 상기 전처리과정을 거친 초분광 영상을 이용하여 물영역과 육상영역으로 예비분류하되 오분류가 포함되는 단계와; (c) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 물영역을 물, 인공구조물, 육상그림자 중 적어도 하나 이상으로 세분화하여 재분류하는 단계와; (d) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 육상영역을 녹조, 토양, 식생 중 적어도 하나 이상으로 세분화하여 재분류하는 단계, 및 (e) 의사결정트리 재분류모듈은 최종적으로 물과 녹조를 합쳐 물영역으로 확정하고 나머지는 육상영역으로 통합하는 단계를 포함하여 이루어짐으로써, 초분광 영상으로부터 물과 육상을 분류하는 의사결정트리(decision tree)를 확장 및 세분화하여 물과 육상이 오분류되는 문제를 보완할 수 있는 효과가 있다.

Description

초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 {Method for automatic inland water boundary extraction using remote sensed hyperspectral images}
본 발명은 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법에 관한 것으로, 더욱 상세하게는 의사결정트리를 세분화하여 물과 육상이 오분류되는 문제를 보완하고 물-육상 경계 추출 처리 시간을 단축하여 적시에 정확도 높은 분석 결과 활용이 가능한, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법에 관한 것이다.
현재 수량 및 수질을 효율적으로 관리하기 위해 항공 및 인공위성 기반 원격탐사 기법이 점차 많이 쓰이는 추세이며, 원격 탐사 영상을 분석하여 정보를 제공하고, 의사결정을 지원한다. 연구 대상인 하천, 호수, 연못, 저수지 등으로 구성된 담수 공간은 계절 및 강수 분포에 따라 그 영역과 체적이 달라지게 된다.
기존 다중분광 원격탐사 영상에서 물과 육상 경계를 구하는 알고리즘은 다음과 같이 크게 세 가지로 구분할 수 있다.
첫째는, 물과 육지 사이 반사율 차이가 가장 큰 1~2개 밴드를 이용하여 임계치(threshold)를 찾아 분류하는 방법인데, 단순하면서도 효율적이긴 하나 영상마다 임계치가 일정하지 않고, 그림자와 수체를 구분하지 못하는 단점이 있다.
둘째는, 원격 탐사 영상에서 두 개 이상의 밴드에 수학식을 적용하여 물과 육상 사이 가장 차이점을 두드러지게 만드는 지표(Water Index)를 얻어내는 방법이다. 정규수분지수(NDWI, Normalized Difference Water Index)는 흔히 쓰이는 지표 중 하나지만 도심지 및 인공 구조물이 물로 오분류되는 단점이 있다.
세째는, 분류 대상의 대표 분광 특성(training data 혹은 end member)을 구하고, 각 분광 특성에 가장 유사한 그룹으로 분류하는 방법인데, ISODATA, SAM 알고리즘, 기계 학습을 통한 인공 신경망 방법 등이 이에 속한다. 복잡하고 처리 시간이 많이 걸리는 단점이 있다.
이러한 기존 다중분광센서는 가시광 및 근적외선 영역 중 5~10여개 빛의 대역에서 정보를 폭넓게 취득하는데 반해, 초분광 센서는 반사광을 수백여 개의 좁은 스펙트럼으로 세밀하게 나눈 고용량 데이터를 취득한다. 육상과 물의 경계지점에 있는 식생 혹은 수체의 반사 스펙트럼의 경우 기존 다중 분광 스펙트럼을 활용한 위성 혹은 항공 기반 영상에서 그 경계가 모호하여 식별하기가 어렵다. 특히 식물과 광학특성이 유사한 짙은 녹조의 경우 수계의 양안이나 지류와 육상 경계지점부터 발생하기 때문에 기존 방법을 사용했을 때 육지로 오분류되는 문제가 있다. 이러한 복잡한 환경에서 보편적으로 적용할 수 있는 분류방법이 없으므로 정확성이 향상된 이미지 분류 알고리즘에 대한 수요는 원격탐사 분야에서 여전히 매우 중요한 분야 중 하나이다. 많이 사용되는 방법 중 하나는 사용자가 원격 탐사 영상에서 물과 육상의 경계 지점을 육안으로 구분하여 디지타이징(Digitizing) 하는 것이다. 그러나 이 방법은 초기대응이 중요한 재해를 분석할 때, 처리과정에서 많은 시간이 소요되어 데이터의 적시적 활용면에서 가치가 하락하게 된다.
원격 탐사 연구 대상에 따라 물 혹은 육지, 육지 중에서도 숲, 농경지, 도심 등 연구관심 영역을 ROI(Region of Interest)라 하며, 기존 대부분 연구에서 원본 영상 중 원하는 영역만을 추출하기 위해 상기 디지타이징이라는 수작업에 상당 부분 의존하고 있고, 원하지 않는 노이즈 문제 혹은 혼합화소 처리에 대한 방법론의 부재로 연구자가 원하는 수준의 자동 처리는 이루어지지 못하고 있는 실정이다.
물-육상 경계를 자동 추출하기 위해 흔히 사용되는 방법 중 하나는 근적외선 대역 반사율이 극히 낮은 물의 분광 특성을 이용하는 것이다. 그러나 그림자도 근적외선 대역에서 극히 낮은 반사율을 가지므로, 물로 오분류되는 경향이 있고, 또한 기존 다중분광 영상 기반 경계 추출 기술들은 초분광 영상에 비해 밴드 내 상호 관련성이 떨어지므로, 효율적으로 영상의 경계를 추출하지 못하는 문제점이 있다. 예를 들어 높은 농도의 녹조 혹은 부유물로 탁도가 매우 높은 수체는 물의 고유 분광 특성과 현저히 차이 나므로 육지로 분류되기 쉽다. 이에 의사 결정 트리(decision tree)를 세분화하여 상기 언급한 한계들을 보완하고, 신속하며 정확도 높은 물-육상 경계 자동 추출 방법이 요구되고 있다.
종래 기술인 대한민국 등록특허공보 제10-1556600호(2015.10.01.공고)는 영상 경계추출 방법에 있어서, 서로 다른 파장 대역을 가지는 복수의 영상들을 포함하는 다차원 영상을 입력받고, 상기 다차원 영상에 대하여 주성분 분석을 수행하여 상기 다차원 영상의 고유영상들과 고유값들을 산출하는 주성분 분석 단계; 상기 고유영상들 중에서 상기 고유값이 큰 순서대로 일정 개수의 고유영상을 중요 고유영상으로 선택하는 고유영상 선택 단계; 상기 중요 고유영상에 대하여, 지역적으로 화소들의 영상신호의 평균과 분산에 따라 필터 계수가 조정되는 노이즈제거 필터를 이용하여, 지역적 적응 필터링을 수행하여 노이즈가 제거된 중요 고유영상을 획득하는 노이즈 제거 필터링 단계; 상기 노이즈가 제거된 중요 고유영상에 포함된 각 화소별로, 복수의 방향에 따른 경계측정값을 산출하는 경계측정값 산출 단계; 및 상기 산출된 경계측정값을 이용하여 상기 다차원 영상의 경계영상을 생성하는 경계영상 생성 단계가 개시되어 있다. 그러나 상기 종래 기술도 상술한 문제점들을 가지고 있다.
나아가, 추후 본 발명의 개량을 통해 얕은 수심을 갖는 수체 혹은 부유 토사 비중이 높은 혼합 화소에서 물과 육상의 구별도 가능하게 할 필요가 있을 것이다.
대한민국 등록특허공보 제10-1556600호(2015.10.01.공고, 발명의 명칭: 다차원 영상 경계추출 장치 및 그 방법)
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 의사결정트리(decision tree)를 세분화하여 물과 육상이 오분류되는 문제를 보완하기 위한 것이다. 구체적으로 그림자와 물, 인공 구조물과 물, 고농도 녹조와 육상의 구별 등 영상 내 존재하는 다양한 세부 환경 요인에 따른 분광곡선의 변화를 파악하고, 요인별 의사결정트리를 확장할 수 있도록 유연하게 설계되는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법을 제공하는 데 있다.
본 발명의 다른 목적은 물-육상 경계의 자동 추출에 사용할 수 있는 초분광 밴드를 탐색함으로써 물-육상 경계의 자동 추출 처리 시간을 단축하여 적시에 정확도 높은 분석 결과 활용이 가능하게 하기 위한 것이다.
본 발명의 또 다른 목적은 기존 이진트리 방법으로 구별할 수 없는 노이즈(noise) 화소를 재분류하여 물-육상 경계 자동 추출의 정확성을 높이기 위한 것이다.
상기와 같은 목적을 달성하기 위하여, 본 발명은 (a) 초분광 카메라로부터 초분광 영상자료를 입력장치에 의해 입력받고, 전처리모듈에 의한 영상 전처리과정(방사보정, 대기보정, 기하보정)을 거치는 단계와; (b) 의사결정트리 예비분류모듈은 상기 전처리과정을 거친 초분광 영상을 이용하여 물영역과 육상영역으로 예비분류하되 오분류가 포함되는 단계와; (c) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 물영역을 물, 인공구조물, 육상그림자 중 적어도 하나 이상으로 세분화하여 재분류하는 단계와; (d) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 육상영역을 녹조, 토양, 식생 중 적어도 하나 이상으로 세분화하여 재분류하는 단계, 및 (e) 의사결정트리 재분류모듈은 최종적으로 물과 녹조를 합쳐 물영역으로 확정하고 나머지는 육상영역으로 통합하는 단계를 포함하여 이루어지는 것을 기본 특징으로 한다.
또한, 본 발명의 상기 단계(b)에서 예비분류는 0.75 ~ 0.80 ㎛ 사이 근적외선 밴드 중 하나의 밴드를 선택하여 반사율과 화소 분포 통계 그래프(히스토그램)를 구하고, 반사율-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 반사율 구간 사이에서 최소 화소수의 반사율값을 물-육상 경계를 구분하는 임계치로 하여 그 임계치보다 작은 반사율은 물영역으로 그 임계치보다 큰 반사율은 육상영역으로 분류하는 것을 특징으로 하되, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명의 상기 단계(d)에서는 예비분류된 육상영역을 식생과 비식생으로 분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치2 보다 큰 적녹비는 육상 비식생영역으로 임계치2 보다 작은 적녹비는 식생영역으로 재분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명은 상기 재분류된 식생영역을 식생과 식생으로 오분류된 녹조로 분류하되, 초분광 영상의 밴드 0.65㎛의 반사율이 밴드 0.63㎛의 반사율보다 크면 물의 녹조영역으로 작으면 육상 식생영역으로 재분류한다.
또한, 본 발명은 상기 재분류된 녹조영역을 녹조와 노이즈 화소로 분류하되, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)에서의 상기 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 노이즈 화소로 분류한다.
또한, 본 발명의 상기 단계(c)에서는 예비분류된 물영역을 물과 육상피복으로 재분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치2 보다 큰 적녹비는 육상피복영역으로 임계치2 보다 작은 적녹비는 물영역으로 재분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명은 상기 재분류된 물영역을 물과 물로 오분류된 육상그림자로 분류하는데, NDWI값과 화소분포 그래프(히스토그램)를 통해 추출된 물영역만을 이용하여 다시 NDWI값과 화소분포 그래프(히스토그램)를 구하고, 다시 구한 NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 NDWI 구간 사이에서 최소 화소수의 NDWI값을 임계치로 하여 그 임계치보다 큰 NDWI값은 물영역으로 그 임계치보다 작은 NDWI값은 육상그림자로 분류하되, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명의 상기 단계(b)에서 초분광 영상을 이용하여 밴드 0.45㎛의 반사율이 0.55㎛의 반사율 보다 작으면 물로 크면 인공 구조물로 분류한다.
또한, 본 발명은 인공 구조물을 제외한 상기 물영역을 물과 물로 오분류된 육상으로 분류하는데, NDWI값과 화소 분포 통계 그래프(히스토그램)를 구하고, NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 NDWI값 구간 사이에서 최소 화소수의 NDWI값(통상 0 임)을 물-육상 경계를 구분하는 임계치로 하여 그 임계치보다 큰 NDWI값은 물영역으로 그 임계치보다 작은 NDWI값은 육상영역으로 예비분류하되, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명의 상기 단계(d)에서는 예비분류된 육상영역을 식생과 비식생으로 분류하되, 분광곡선의 Red Edge 구간 (0.68~0.73 ㎛)에서 반사율 변화 기울기가 3보다 크면 식생영역으로 3보다 작으면 비식생영역으로 재분류한다.
또한, 본 발명은 상기 재분류된 녹조영역을 녹조와 육상 화소로 분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 육상 화소로 분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 이다.
또한, 본 발명은 상기 예비분류된 물영역을 물과 물로 오분류된 인공 구조물로 분류하되, 분광곡선에서 밴드 0.45㎛의 반사율(ρ0 . 45)이 10%를 초과하거나 근적외선 반사율(ρNIR)이 10%를 초과하면 인공 구조물로 재분류하고, 밴드 0.45㎛의 반사율(ρ0.45)이 10% 미만이고 근적외선 반사율(ρNIR)이 10% 미만이면 물로 재분류한다.
이상에서 살펴본, 본 발명인 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법은 의사결정트리(decision tree)를 세분화하여 물과 육상이 오분류되는 문제를 보완할 수 있는데, 즉 초분광 영상은 기존 다중분광 영상에서 제공하지 못하는 세밀한 분광 정보를 제공하므로 의사결정트리를 확장하여 1차 분류된 영상의 재분류를 가능하게 해주는 효과가 있다.
본 발명은 또한 물-육상 경계의 자동 추출에 사용할 수 있는 초분광 밴드를 탐색함으로써 물-육상 경계의 자동 추출 처리 시간을 단축하여 적시에 정확도 높은 분석 결과 활용이 가능하게 하고, 기존 이진트리 방법으로 구별할 수 없는 노이즈(noise) 화소를 재분류하여 물-육상 경계 자동 추출의 정확성을 높일 수 있는 효과가 있다.
본 발명은 또한 물과 육상의 경계뿐 아니라, ROI 영역 경계의 신속한 자동 추출로 원격 탐사 영상 처리 시간을 대폭 줄여줄 것으로 기대된다.
도 1 은 본 발명에 따른 물-육상 경계 자동 추출 방법에서 사용되는 초분광 영상과 물, 식생, 토양 각각의 분광특성 곡선의 일실시예를 나타낸 도면.
도 2 는 본 발명에 따른 물-육상 경계 자동 추출 방법에서 물-육상 경계 구분 임계치 탐색과 물-육상 경계 구분의 일실시예를 나타낸 도면.
도 3 은 본 발명에 따른 물-육상 경계 자동 추출 방법에서 물-육상 경계 구분 임계치 탐색과 물-육상 경계 구분의 다른 실시예를 나타낸 도면.
도 4 는 근적외선 임계치 적용시와 NDWI 적용시 오분류되는 사례를 보여주는 도면.
도 5 는 본 발명에 따른 물-육상 경계 자동 추출 방법의 흐름도를 나타낸 도면.
도 6 은 육상으로 오분류된 물영역을 재분류하는 방법을 설명하기 위한 도면.
도 7 은 물로 오분류된 육상지역을 재분류하는 방법을 설명하기 위한 도면.
도 8 은 본 발명의 일실시예로 근적외선 밴드의 임계치로부터 확장한 물-육상 경계 자동 추출 방법의 흐름도와 분류결과를 나타낸 도면.
도 9 는 본 발명의 다른 실시예로 NDWI를 확장한 물-육상 경계 자동 추출 방법의 흐름도와 분류결과를 나타낸 도면.
도 10 은 본 발명에 따른 물-육상 경계 자동 추출 방법과 관련된 시스템의 일실시예를 나타낸 구성도.
상기와 같이 구성된 본 발명의 바람직한 실시예를 첨부된 도면을 참조하면서 상세히 설명하면 다음과 같다. 첨부된 도면들 및 이를 참조한 설명은 본 발명에 관하여 당해 기술 분야에서 통상의 지식을 가진 자들이 쉽게 이해할 수 있도록 하기 위해 예시된 것이며, 본 발명의 사상 및 범위를 한정하려는 의도로 제시된 것은 아님에 유의하여야 할 것이다.
도 10에서, 본 발명의 물-육상 경계 자동 추출 툴(Tool)(10)은 컴퓨터, 예컨대, 서버컴퓨터나 데스크톱PC, 노트북PC, 태블릿 또는 스마트폰 등을 포함하는 IT기기에 설치되는 소프트웨어, 즉, 응용프로그램(Application)이다. 상기 물-육상 경계 자동 추출 툴(Tool)(10)은 의사결정트리(decision tree)를 세분화하여 물과 육상이 오분류되는 문제를 보완하기 위한 것이다.
상기 물-육상 경계 자동 추출 툴(10)은 전처리 모듈(11), 의사결정트리 예비분류모듈(12), 의사결정트리 재분류모듈(13) 및 오류 검사모듈(14) 등을 포함한다. 또한, 물-육상 경계 자동 추출 툴(10)의 정보처리를 위한 각종 데이터는 입력장치(30)에 의해 입력되거나 저장장치(40)에 입출력 및 저장된다. 저장장치(40)는 IT기기 내에 내장되거나 또는 외장될 수 있다.
도 1a는 본 발명에 따른 물-육상 경계 자동 추출 방법에서 사용되는 초분광 영상의 일실시예로, 녹조 띠를 육안으로 확인할 수 있을 정도로 농도가 높다.
도 1b 내지 1d는 먼저 자연적으로 나타나는 물과 육상 경계의 세가지 대표 클래스(물, 식생, 토양)를 선정하여 각각 물(102), 식생(103), 토양(104) 대한 고유의 분광특성(파장-반사율)을 표시한 것이다. 물의 경우 대개 0.73 ~0.88 ㎛ 사이 근적외선 대역에서 반사율이 2% 미만의 낮은 반사율을 보인다(102a). 식생의 경우 0.68~0.73 ㎛ 구간(Red Edge)에서 급격한 상승을 이루며, 근적외선 대역(0.73 ~0.88 ㎛)에서 30%가 넘는 반사율을(103a), 그리고 토양의 경우 파장의 증가와 함께 반사율도 선형적으로 상승하고, 건조토양의 경우에는 근적외선 영역(0.73 ~0.88 ㎛)에서 30% 이상의 반사율(104a)을 보인다. 참고로, 본 발명에서의 분광곡선 그래프는 초분광 영상에서 각 화소에 대한 것이다.
도 1e에 도시된 바와 같이, 상기 세가지 클래스의 그래프(105, 105a: 식생, 105b: 토양, 105c: 물)를 함께 나타내면 특정 영역, 즉 0.75 ~ 0.80 ㎛ 근적외선 영역(그래프가 상대적으로 굴곡없이 편평한 부분)에서 클래스 간 반사율 차이가 가장 크며, 이 영역의 밴드 중 하나를 이용하여 분류에 필요한 정보를 얻을 수 있다. 따라서, 본 발명에서 임계치를 사용한 물과 육상 경계의 추출은 근적외선 영역의 밴드를 사용한다.
한편, 본 발명에서는 근적외선(NIR) 임계치(threshold)를 이용하는데, 물의 경우 매우 강하게 근적외선을 흡수하므로 이 영역대에서 매우 낮은 반사율을 보이며, 반면 인접 식생 혹은 토양에서는 근적외선 영역에서 높은 반사율 특성을 보인다. 다중분광 영상에서는 1~3개 정도의 근적외선 밴드만을 제공하나 초분광 영상에서는 30~100여개 근적외선 밴드를 얻을 수 있으므로, 최적 밴드 선정에 유리하다. 즉, 본 발명에서 이용하는 초분광 영상은 초분광 카메라(20)에 의해 촬영된 영상으로 분광 밴드가 많고 연속적이고 파장폭이 좁은 특징을 갖고 있으며, 영상을 구성하는 각 화소에 해당하는 촬영 대상물의 완전한 분광특성곡선을 얻을 수 있다.
도 2a는 본 발명에 따른 물-육상 경계 자동 추출 방법에서 0.75 ~ 0.80 ㎛ 사이(도 1e 참조: 근적외선 영역에서 클래스 간 반사율 차이가 가장 큰 밴드 영역) 근적외선 밴드 중 임의의 하나의 밴드를 선택하여 반사율과 화소 분포 통계 그래프(히스토그램)를 구한 일실시예이다. 분포 곡선 상 상대적으로 높은 빈도수를 보이는 반사율 구간 사이에서 가장 최소 화소수의 반사율값을 물-육상 경계를 구분하는 임계치로 삼되 임계치에서 분포 곡선의 접선 기울기는 0 이어야 한다.
상기 선택된 임의의 하나의 근적외선 밴드의 반사율을 x축에, 해당 반사율을 보이는 화소들의 개수를 y축에 놓고 나타내면(201) 특정 반사율(ρ) 608(6.08%)을 기준으로 좌측에 임의 클래스 1, 우측에 임의 클래스 2의 정규 분포와 유사한 곡선을 볼 수 있다. 도 2b에 나타낸 바와 같이, 해당 임계치를 기준으로 이진 트리를 구성하여 물-육상 경계 구분을 실시한다(202). 도 2c에 나타낸 바와 같이, 초분광 영상(203)에 해당 임계치를 적용하면 육상과 수영역을 분류할 수 있다(204). 임계치를 이용한 물-육상 분리는 단순하면서도 정확한 편이다. 그러나 육상 그림자 또한 근적외선 대역에서 반사율이 매우 낮으므로 물로 분류되는 문제가 있다(204).
또한, 본 발명에서는 정규수분지수(NDWI)를 이용하는데, 정규수분지수(NDWI, Normalized Difference Water Index)는 주로 근적외선 밴드와 녹색 밴드를 이용한다. 즉, 클래스 간 가장 차이가 많이 나는 근적외선 밴드(0.775 ㎛)와 가장 차이가 적게 나는 녹색 밴드(0.56 ㎛)를 선택하여, 그 두 밴드의 반사율 차를 두 밴드의 반사율 합으로 나눈 것이다. 초분광 영상에 적용한 NDWI 수학식은 다음과 같다.
Figure 112018114156922-pat00001
도 3a에서는 본 발명에 따른 물-육상 경계 자동 추출 방법에서 NDWI값 분포 곡선(히스토그램)을 구하면 0에 가까운 값 근처에서 분포 패턴이 나뉘는데(302) 이를 기준으로 물과 육상의 경계를 구하는 다른 실시예를 보여준다. 즉, 물-육상 경계를 구분하는 임계치를 0으로 하되, 임계치는 최소 화소수의 NDWI값이고 임계치에서 분포 곡선의 접선 기울기는 0 이어야 한다.
여기서 도면부호 302의 그래프는 상기 NDWI값을 x축에, 해당 NDWI값을 보이는 화소들의 개수를 y축에 놓고 나타낸 것이다.
NDWI 적용 결과 그 영상은 물은 밝게(+ 값), 육지의 경우는 어둡게(- 값) 표현된다(301). NDWI 산출에 근적외선 밴드 뿐만 아니라 녹색 밴드를 추가하여 정규화하였으므로, 근적외선 임계치 적용 시 나타나는 그림자의 오분류 문제(303,204)가 어느 정도 상쇄된다(304)(도 3b).
그러나, 상기 NDWI와 같은 물 지표 이용 분류 방법은 도 4a에서 나타낸 바와 같이 영상에 존재하는 녹색 혹은 청·녹색 계열의 인공 구조물을 물로 오분류(401) 하는 단점을 가지고 있다.
또한, 녹조는 고등식물과 마찬가지로, 클로로필 색소에 의한 선별적인 빛의 반사 및 흡수가 이루어진다. 따라서 식생과 고농도 녹조를 포함하는 수체의 반사율이 매우 유사하므로, 상기 두 방법(근적외선 임계치 이용방법, NDWI 이용방법) 모두 물을 육지로 오분류 하는 단점이 있다(402b, 402c). 도면부호 402a는 상기 두 방법에 의한 분류 전의 초분광 영상이다(도 4b).
더불어 본 발명은 상기 오분류의 문제들을 해결하기 위하여 근적외선 임계치 기준, 혹은 NDWI 영상으로부터 초분광영상이 가지는 분광해상도의 장점을 이용하여 의사결정트리 알고리즘을 확장 및 세분화하여 정확성을 높이고자 한다.
이에 도 5에 나타낸 바와 같이, 본 발명의 일련의 과정을 구체적으로 살펴보면 다음과 같다.
우선, 영상데이터 입력단계로 초분광 영상을 촬영 당시의 위치와 자세정보, 초분광 카메라(20)의 세팅값, 초분광 영상자료들을 입력하는 단계를 포함한다(S10).
다음으로, 영상 전처리단계(S20)로 상기 세팅값들은 통상의 초분광 카메라(20)에 장착된 GPS/INS 장비에 의해 취득이 가능하며 취득된 영상을 이용하여 각각 방사보정, 대기보정, 기하보정의 절차를 거치게 된다. 첫째, 방사보정은 취득된 영상안의 픽셀들의 수치(DN, Digital Number)를 방사량과 같은 적절한 물리적 단위로 전환하는 일련의 과정을 말하며, 지표면에서 방사되는 에너지를 지표면과 감지기 간의 기하학적인 관계 등에 의하여 방사치의 왜곡을 보정하는 단계이다. 둘째, 대기보정은 초분광 영상으로부터 각 지표물의 정확한 분광반사 특성을 밝히기 위해서는 대기에 의한 영향을 제거하여 순수한 표면반사율로 변환하는 단계이며, 셋째, 기하보정은 초분광 영상의 기하학적 오차를 보정하는 단계로, 원격탐사 시스템과 지구의 상대적인 운동, 항공기와 위성체의 위치 및 자세의 불규칙한 변화 등으로 인해 영상에 나타나는 오차를 제거하여 기하학적 일체성을 갖도록 보정하는 과정을 거치게 된다.
그 다음으로, 의사결정트리 구축단계(S30)로 초분광 영상에서 의사결정트리 알고리즘(근적외선 임계치 이용방법 또는 정규수분지수(NDWI) 이용방법)을 적용하여 예비적으로 분류를 수행하면 물과 육상 분류(예비 분류)가 가능하지만, 다소간의 오분류를 포함할 수 있다. 이에 2차적으로 의사결정트리를 세분화하여 적용하면 예비 분류된 물로부터 다시 물, 인공구조물(건물지붕, 아스팔트 등), 육상그림자로 분류가 된다. 예비 분류된 육상은 녹조나 토사의 농도가 높은 수체를 포함할 수 있으므로 2차 의사결정트리를 수행하여 녹조, 토양, 식생 각각의 영역을 생성한다. 이와 같이 단계적으로 의사결정트리 알고리즘을 세분화하여 하위영역을 확장할 수 있다.
의사결정트리 알고리즘을 좀 더 구체적으로 설명하자면, 초분광 전체 영상으로부터 육상과 수체영역을 가장 잘 구분할 수 있는 단일밴드를 선택하여 영상을 만들고, 그 영상 전체 값에 대한 통계 히스토그램(반사율-화소수)을 도식화한 후 반사율이 집중적으로 분포되어 있어 상대적으로 높은 빈도수를 보이는 반사율(물에서의 최대 화소수와 육상에서의 최대 화소수) 사이에서의 최소 화소수의 반사율값 지점을 찾아 임계치로 사용한다. 최대 화소수는 영상의 전체 화소 중 점유하는 영역의 물과 육상 각각에서의 최대 빈도값들을 나타내며 GIS프로그램을 구동할 수 있는 컴퓨터에서 산출이 가능하다. 한편 수체영역은 바다, 하천, 호수 등 수체 고유의 특징 혹은 탁도, 수온 등 계절적 변수를 가지므로, 개별 영역의 히스토그램과 분광곡선을 확인하는 과정이 중요하다.
육상으로 오분류된 수체영역의 재분류
도 6은 육상으로 오분류(도 4b참조)된 수체영역을 재분류하는 방법을 설명하기 위한 예시로, 고등식물과 마찬가지로 녹조도 클로로필을 다량 포함하므로 분광곡선(도 6a 좌측 그래프, 특히 고농도 녹조)에서 0.56㎛(601) 근처 파장대에서 반사율 피크(Green peak)를 이루며 0.70㎛(601)를 전후로 급격한 반사율의 변화가 있다. 따라서 육상의 범주에 있는 녹조의 경우 기존 분류 방법을 적용하면 분광곡선이 식생(도 6a 우측 그래프)에 가깝기 때문에 육상으로 분류가 된다.
그러나, 녹조의 분광곡선에서는 0.65㎛(601) 근처에서 포함된 녹조 농도(특히, 고농도 녹조. 반면 저농도 녹조는 대개 물로 분류됨)에 따라 소규모 피크를 보이는데, 이는 고등식물(601a)의 잎에서는 찾아볼 수 없다. 고등 식물의 경우 0.63~0.65㎛ 사이 분광 영역에서 파장 증가와 함께 반사율이 감소하나, 녹조함유 수체의 경우 0.65㎛ 근처 반사율이 0.63㎛ 근처 반사율보다 크며 0.65㎛ 이상에서 다시 감소한다(602). 도 6b는 식생, 녹조 및 토양의 분광곡선을 비교한 것으로 상술한 바와 같이 분광곡선 상 정점의 변화를 통해 식생과 녹조로 오염된 수체를 구분할 수 있다.
한편, 토양의 경우 식생이나 녹조와는 달리 0.68㎛ 근처 밴드 반사율이 0.56㎛밴드 반사율보다 크다(602). 따라서 0.56㎛(녹색)와 0.68㎛(적색) 근처(녹조, 식생에서 반사율 최저) 밴드의 반사율을 이용하여 예비 분류에 의해 육상으로 분류된 영역을 다시 녹조 포함 수체, 식생 및 토양으로 세분화하고 재분류(의사결정트리의 확장)하는 것이 가능하다.
나아가, NDWI < 0이고, 적녹비가 임계치2 보다 큰 경우 육상 비식생으로 분류할 수 있다. 여기서 적녹비를 구하는 수학식은 다음과 같다.
Figure 112018114156922-pat00002
영상에 대한 적녹비 분포 그래프에서 적녹비를 x축에, 해당 적녹비를 보이는 화소들의 개수를 y축에 놓고 나타내면 도 6c의 히스토그램(603)과 같이 2개의 임계치를 얻는데, 토양의 경우 적색광 반사율이 높으므로 적녹비가 높으며, 물의 경우 강하게 적색광을 흡수하므로 적녹비가 낮다.
여기서 분포 곡선 상 상대적으로 높은 빈도수를 보이는 적녹비 구간 사이에서 최소 화소수의 적녹비값을 임계치1과 임계치2로 삼되 임계치에서 분포 곡선의 접선 기울기는 0 이어야 하고 임계치 근처에서 분포 패턴이 나뉜다.
단일 근적외선 밴드와 마찬가지로 적녹비도 물과 육상을 분류하는데 사용할 수 있으나, 정확도가 떨어지는 편이다. 따라서 근적외선 임계치로 예비분류 후, 오분류 수정에 사용함이 바람직하다.
수체로 오분류된 육상 지역의 재분류
한편, 청색 혹은 녹색 계열의 인공 구조물(건물지붕 등)은 재질 및 색상에 따라 높은 NDWI를 보이며 물로 오분류되는 경우가 발생한다. 분광곡선에서 인공구조물의 경우 청색에 해당하는 0.45㎛(701) 근처의 반사율이 높은 특성을 이용하여 오분류된 물 영역을 육상으로 재분류할 수 있다(도 7a). 즉, 파장대 0.45㎛의 반사율(ρ0.45)이 10%를 초과하거나 근적외선 반사율(ρNIR)이 10%를 초과하면 육상으로 재분류하고, 파장대 0.45㎛의 반사율(ρ0 . 45)이 10% 미만이고 근적외선 반사율(ρNIR)이 10% 미만이면 물로 재분류한다.
상태가 양호한 아스팔트 포장의 경우, 전체적으로 반사율이 낮기 때문에 검게 보이며(702), 근적외선 임계치를 사용했을 때 물로 오분류될 수 있다. 그러나 반사율이 낮은 것을 제외하면 전반적인 그래프 모양은 토양의 분광 곡선과 유사하므로(602, 702)(도 7b) 상술한 적녹비를 사용하여 적녹비가 임계치2 보다 큰 경우아스팔트로 재분류 할 수 있다(603).
또한, 그림자의 경우 전반적으로 반사율이 낮고, 분광 곡선의 모양은 그림자 없을 때 식생 그래프를 바닥으로 납작하게 누른 모양이다(703)(도 7c). 그림자는 표면 유형에 따라 분광 곡선이 달라지므로 대표적인 분광 곡선은 존재하지 않는다. 그러나 육상 그림자의 경우 저농도 수체와 비교하였을 때 NDWI 값이 매우 낮은 성질을 이용하여 육상으로 분류가 가능하다(704).
도 7d는 NDWI값을 x축에, 해당 NDWI값을 보이는 화소들의 개수를 y축에 놓고 나타낸 것으로, 일반적인 NDWI 방법으로는 그림자를 분류할 수 없으므로 상기 302에서 물 영역만 추출하여 다시 히스토그램을 도식화해 최소 화소수의 NDWI값(-0.35)을 임계치로 삼되 임계치에서 분포 곡선의 접선 기울기는 0 이어야 하고 임계치 근처에서 분포 패턴이 나뉜다.
본 발명에 따른 초분광 영상을 이용한 물-육상 경계 자동 추출 방법, 특히 녹조 모니터링은 실질적으로 GIS 공간분석용 소프트웨어가 탑재된 컴퓨터를 통하여 구현될 수 있다. 이와 같이 초분광 영상에서 적녹비 및 근적외선 밴드, NDWI 등의 지표와 의사결정트리 알고리즘을 이용하여 해당하는 영역만을 추출하여 유효값으로 산출하는 과정을 통해 최종적으로 식생, 그림자, 혼합 픽셀, 조류, 아스팔트, 수체 등 세부적으로 확장하여 순수한 영역별로 추출하는 것이 가능하다.
결국, 도 8a 및 도 9a에 나타낸 바와 같이, 본 발명인 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법의 실시예는 근적외선 밴드의 임계치로부터 확장한 물-육상 경계 자동 추출 방법과 NDWI를 확장한 물-육상 경계 자동 추출 방법 두 가지로 세분화하여 좀더 구체화할 수 있다.
근적외선 밴드의 임계치로부터 확장한 물-육상 경계 자동 추출 방법은 우선 초분광 카메라(20)로부터 초분광 영상자료를 입력장치에 의해 입력받고, 전처리모듈(11)에 의한 영상 전처리과정을 거친다.
다음으로, 의사결정트리를 구축하게 되는데 의사결정트리 예비분류모듈(12)은 전처리과정을 거친 초분광 영상을 이용하여 물과 육상으로 분류한다(S310). 여기서, 0.75 ~ 0.80 ㎛ 사이 근적외선 밴드 중 하나의 밴드를 선택하여 반사율과 화소 분포 통계 그래프(히스토그램)를 구하고, 반사율-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 반사율 구간 사이에서 최소 화소수의 반사율값을 물-육상 경계를 구분하는 임계치로 하여 임계치보다 작은 반사율은 물영역으로 임계치보다 큰 반사율은 육상영역으로 예비분류한다(도 2a 참조). 임계치 기준으로 분포 패턴이 나뉘어지고 임계치에서 분포 곡선의 접선 기울기는 0 이다.
의사결정트리 재분류모듈(13)은 상기 예비분류된 육상영역을 식생과 비식생으로 분류한다(S320). 여기서 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치2 보다 큰 적녹비는 육상 비식생영역으로 임계치2 보다 작은 적녹비는 식생영역으로 재분류한다(도 6c 참조). 여기서도 임계치1,2 기준으로 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 이다.
또한, 의사결정트리 재분류모듈(13)은 상기 재분류된 식생영역을 식생과 식생으로 오분류된 녹조로 분류한다(S330). 초분광 영상의 밴드 0.65㎛의 반사율이 밴드 0.63㎛의 반사율보다 크면 물의 녹조영역으로 작으면 육상 식생영역으로 재분류한다(도 6b 참조).
또한, 의사결정트리 재분류모듈(13)은 상기 재분류된 녹조영역을 녹조와 노이즈 화소로 분류한다(S340). 여기서 상술한 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)에서의 상기 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 노이즈 화소로 최종분류한다(도 6c 참조).
한편, 의사결정트리 재분류모듈(13)은 상기 예비분류된 물영역을 물과 물로 오분류된 아스팔트와 같은 어두운 육상피복으로 분류한다(S350). 여기서 상술한 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)에서의 상기 임계치2 보다 작은 적녹비는 물영역으로 임계치2 보다 큰 적녹비는 육상피복영역으로 재분류한다.
또한, 의사결정트리 재분류모듈(13)은 상기 재분류된 물영역을 물과 물로 오분류된 육상그림자로 분류한다(S360). 여기서 NDWI값과 화소분포 그래프(히스토그램)를 통해 추출된 물영역만을 이용하여 다시 NDWI값과 화소분포 그래프(히스토그램)를 구하고, 다시 구한 NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 NDWI 구간 사이에서 최소 화소수의 NDWI값(-0.35)을 임계치로 하여 임계치보다 큰 NDWI값은 물영역으로 임계치보다 작은 NDWI값은 육상그림자로 최종분류한다(도 7d 참조). 임계치 기준으로 분포 패턴이 나뉘어지고 임계치에서 분포 곡선의 접선 기울기는 0 이다.
도 8b에서 도면부호 814는 물영역 및 육상영역 분류 단계 적용 전 대기보정 영상이고, 도면부호 815는 의사결정트리 알고리즘을 적용하여 세분화한 최종적인 분류 결과를 나타낸 실시예이다. 분류 영역 중 물과 고농도 녹조 영역을 합쳐 최종 물영역으로 확정되고, 나머지 화소들은 육상으로 통합된다. 참고로, 상기 물영역과 육상영역의 기본 단위는 화소이다.
NDWI를 확장한 물-육상 경계 자동 추출 방법도 우선 초분광 카메라(20)로부터 초분광 영상자료를 입력장치에 의해 입력받고, 전처리모듈(11)에 의한 영상 전처리과정을 거친다.
다음으로, 의사결정트리를 구축하게 되는데 의사결정트리 예비분류모듈(12)은 전처리과정을 거친 초분광 영상을 이용하여 NDWI 적용 전에 물영역에서 청색(0.45㎛) 반사율이 녹색(0.55㎛) 반사율 보다 높은 경우가 거의 나타나지 않는 점을 이용하여 물로 오분류되기 쉬운 인공 구조물을 제외한다. 즉, 밴드 0.45㎛의 반사율이 0.55㎛의 반사율 보다 작으면 물영역으로 크면 인공 구조물로 분류한다(S311).
또한, 의사결정트리 예비분류모듈(12)은 인공 구조물을 제외한 상기 물영역을 물과 물로 오분류된 육상으로 분류한다(S321). 여기서, NDWI값과 화소 분포 통계 그래프(히스토그램)를 구하고, NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 반사율 구간 사이에서 최소 화소수의 NDWI값을 물-육상 경계를 구분하는 임계치로 하여 임계치보다 큰 NDWI값은 물영역으로 임계치보다 작은 NDWI값은 육상영역으로 예비분류한다(도 3a 참조). 임계치 기준으로 분포 패턴이 나뉘어지고 임계치에서 분포 곡선의 접선 기울기는 0 이다. 통상 상기 최소 화소수의 NDWI값은 0 이라고 볼 수 있다.
의사결정트리 재분류모듈(13)은 상기 예비분류된 육상영역을 식생과 비식생으로 분류한다(S331). 식생영역은 분광곡선에서 Red Edge 구간 (0.68~0.73 ㎛)(도 1c 참조)에서 반사율 변화 기울기가 매우 급한 특성을 이용하여 반사율 변화 기울기가 3보다 크면 식생영역 3보다 작으면 비식생영역으로 재분류한다.
또한, 의사결정트리 재분류모듈(13)은 상기 재분류된 식생영역을 식생과 식생으로 오분류된 녹조로 분류한다(S341). 초분광 영상의 밴드 0.65㎛의 반사율이 밴드 0.63㎛의 반사율보다 크면 물의 녹조영역으로 작으면 육상 식생영역으로 재분류한다(도 6b 참조).
또한, 의사결정트리 재분류모듈(13)은 상기 재분류된 녹조영역으로부터 녹조로 편입된 잔여 육상 화소를 제거하기 위해 녹조와 육상 화소로 분류한다(S351). 여기서 상술한 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)에서의 상기 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 육상 화소로 최종분류한다(도 6c 참조).
한편, 의사결정트리 재분류모듈(13)은 상기 예비분류된 물영역을 물과 물로 오분류된 인공 구조물로 분류한다(S361). 분광곡선에서 인공구조물의 경우 청색 혹은 근적외선 밴드 반사율이 물에 비해 현저히 높은 특성을 이용하여 오분류된 물영역을 육상으로 재분류할 수 있다. 즉, 밴드 0.45㎛의 반사율(ρ0 . 45)이 10%를 초과하거나 근적외선 반사율(ρNIR)이 10%를 초과하면 인공 구조물로 재분류하고, 밴드 0.45㎛의 반사율(ρ0.45)이 10% 미만이고 근적외선 반사율(ρNIR)이 10% 미만이면 물로 재분류한다.
도 9b에서 도면부호 914는 물영역 및 육상영역 분류 단계를 적용시킬 대기보정 영상이고, 도면부호 915는 의사결정트리 알고리즘을 적용하여 세분화한 최종적인 분류 결과를 나타낸 실시예이다. 도 8b과 마찬가지로 최종분류 영역 중 물과 고농도 녹조 영역을 합쳐 최종 물영역을 확정하고, 나머지 화소들은 육상영역으로 최종 통합한다. 참고로, 상기 물영역과 육상영역의 기본 단위는 화소이다.
마지막으로, 오류 검사단계(S40)로 오류 검사모듈(14)이 물-육상 경계 자동 추출 결과에 대한 오류 여부를 검사하고 오류가 확인되면 분류절차를 반복 실시하고, 오류가 확인되지 않으면 종료한다.
한편, 상기 이러한 일련의 과정은 이를 컴퓨터로 수행하기 위해 프로그램 언어를 통해 직접 알고리즘을 코딩한 프로그램에 의해 이루어질 수 있을 것이다.
10: 물-육상 경계 자동 추출 툴 11: 전처리 모듈
12: 의사결정트리 예비분류모듈 13: 의사결정트리 재분류모듈
14: 오류 검사모듈 20: 초분광 카메라
30: 입력장치 40: 저장장치

Claims (15)

  1. (a) 초분광 카메라로부터 초분광 영상자료를 입력장치에 의해 입력받고, 전처리모듈에 의한 영상 전처리과정(방사보정, 대기보정, 기하보정)을 거치는 단계와;
    (b) 의사결정트리 예비분류모듈은 상기 전처리과정을 거친 초분광 영상을 이용하여 물영역과 육상영역으로 예비분류하되 오분류가 포함되는 단계와;
    (c) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 물영역을 물, 인공구조물, 육상그림자 중 적어도 하나 이상으로 세분화하여 재분류하는 단계와;
    (d) 의사결정트리 재분류모듈은 상기 예비분류되고 오분류가 포함된 육상영역을 녹조, 토양, 식생 중 적어도 하나 이상으로 세분화하여 재분류하는 단계, 및
    (e) 의사결정트리 재분류모듈은 최종적으로 물과 녹조를 합쳐 물영역으로 확정하고 나머지는 육상영역으로 통합하는 단계를 포함하여 이루어지되,
    상기 단계(b)에서 예비분류는 0.75 ~ 0.80 ㎛ 사이 근적외선 밴드 중 하나의 밴드를 선택하여 반사율과 화소 분포 통계 그래프(히스토그램)를 구하고, 반사율-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 반사율 구간 사이에서 최소 화소수의 반사율값을 물-육상 경계를 구분하는 임계치로 하여 그 임계치보다 작은 반사율은 물영역으로 그 임계치보다 큰 반사율은 육상영역으로 분류하는 것을 특징으로 하며, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 단계(d)에서는 예비분류된 육상영역을 식생과 비식생으로 분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치2 보다 큰 적녹비는 육상 비식생영역으로 임계치2 보다 작은 적녹비는 식생영역으로 재분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  4. 제 3 항에 있어서,
    상기 재분류된 식생영역을 식생과 식생으로 오분류된 녹조로 분류하되, 초분광 영상의 밴드 0.65㎛의 반사율이 밴드 0.63㎛의 반사율보다 크면 물의 녹조영역으로 작으면 육상 식생영역으로 재분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  5. 제 4 항에 있어서,
    상기 재분류된 녹조영역을 녹조와 노이즈 화소로 분류하되, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)에서의 상기 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 노이즈 화소로 분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  6. 제 1 항에 있어서,
    상기 단계(c)에서는 예비분류된 물영역을 물과 육상피복으로 분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치2 보다 큰 적녹비는 육상피복영역으로 임계치2 보다 작은 적녹비는 물영역으로 재분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  7. 제 3 항 또는 제 6 항에 있어서,
    상기 적녹비는 다음의 수학식,
    Figure 112018114156922-pat00003
    (여기서, ρ56 은 분광곡선에서 0.56㎛ 밴드의 반사율, ρ68 은 0.68㎛ 밴드의 반사율)으로 생성되는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  8. 제 6 항에 있어서,
    상기 재분류된 물영역을 물과 물로 오분류된 육상그림자로 분류하는데, NDWI값과 화소분포 그래프(히스토그램)를 통해 추출된 물영역만을 이용하여 다시 NDWI값과 화소분포 그래프(히스토그램)를 구하고, 다시 구한 NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 NDWI 구간 사이에서 최소 화소수의 NDWI값을 임계치로 하여 그 임계치보다 큰 NDWI값은 물영역으로 그 임계치보다 작은 NDWI값은 육상그림자로 분류하되, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  9. 제 1 항에 있어서,
    상기 단계(b)에서 초분광 영상을 이용하여 밴드 0.45㎛의 반사율이 0.55㎛의 반사율 보다 작으면 물로 크면 인공 구조물로 분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  10. 제 9 항에 있어서,
    인공 구조물을 제외한 상기 물영역을 물과 물로 오분류된 육상으로 분류하는데, NDWI값과 화소 분포 통계 그래프(히스토그램)를 구하고, NDWI값-화소분포 곡선 상의 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 NDWI값 구간 사이에서 최소 화소수의 NDWI값(통상 0 임)을 물-육상 경계를 구분하는 임계치로 하여 그 임계치보다 큰 NDWI값은 물영역으로 그 임계치보다 작은 NDWI값은 육상영역으로 예비분류하되, 그 임계치 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 그 임계치에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  11. 제 8 항 또는 제 10 항에 있어서,
    상기 NDWI는 다음의 수학식,
    Figure 112018114156922-pat00004
    (여기서, ρ775 와 ρ56은 각각 분광곡선에서 근적외선 밴드(0.775 ㎛)와 녹색 밴드(0.56 ㎛)의 반사율)으로 생성되는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  12. 제 10 항에 있어서,
    상기 단계(d)에서는 예비분류된 육상영역을 식생과 비식생으로 분류하되, 분광곡선의 Red Edge 구간 (0.68~0.73 ㎛)에서 반사율 변화 기울기가 3보다 크면 식생영역으로 3보다 작으면 비식생영역으로 재분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  13. 제 12 항에 있어서,
    상기 재분류된 식생영역을 식생과 식생으로 오분류된 녹조로 분류하되, 초분광 영상의 밴드 0.65㎛의 반사율이 밴드 0.63㎛의 반사율보다 크면 물의 녹조영역으로 작으면 육상 식생영역으로 재분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  14. 제 13 항에 있어서,
    상기 재분류된 녹조영역을 녹조와 육상 화소로 분류하는데, 초분광 영상에 대한 적녹비와 화소 분포 그래프(히스토그램)를 구하고, 적녹비-화소분포 곡선 상의 인접하는 두 개의 분포 패턴 각각에서 최대 빈도수를 보이는 두 개의 적녹비 구간 사이에서 최소 화소수의 적녹비값은 두 개인데 적녹비가 낮은 값이 임계치1, 적녹비가 높은 값이 임계치2로 하여 임계치1 보다 작은 적녹비는 물의 녹조영역으로 임계치1 보다 큰 적녹비는 육상 화소로 분류하되, 임계치1,2 기준으로 화소분포 곡선의 분포 패턴이 나뉘어지고 임계치1,2에서 분포 곡선의 접선 기울기는 0 인, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
  15. 제 10 항에 있어서,
    상기 예비분류된 물영역을 물과 물로 오분류된 인공 구조물로 분류하되, 분광곡선에서 밴드 0.45㎛의 반사율(ρ0 . 45)이 10%를 초과하거나 근적외선 반사율(ρNIR)이 10%를 초과하면 인공 구조물로 재분류하고, 밴드 0.45㎛의 반사율(ρ0 . 45)이 10% 미만이고 근적외선 반사율(ρNIR)이 10% 미만이면 물로 재분류하는 것을 특징으로 하는, 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법.
KR1020180141535A 2018-11-16 2018-11-16 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법 KR102109917B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180141535A KR102109917B1 (ko) 2018-11-16 2018-11-16 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180141535A KR102109917B1 (ko) 2018-11-16 2018-11-16 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법

Publications (1)

Publication Number Publication Date
KR102109917B1 true KR102109917B1 (ko) 2020-05-12

Family

ID=70679318

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180141535A KR102109917B1 (ko) 2018-11-16 2018-11-16 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법

Country Status (1)

Country Link
KR (1) KR102109917B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862134A (zh) * 2020-07-13 2020-10-30 中国科学院南京地理与湖泊研究所 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN113469127A (zh) * 2021-07-23 2021-10-01 平安国际智慧城市科技股份有限公司 河流敏感性等级划分方法、装置、设备及存储介质
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN114742855A (zh) * 2022-04-11 2022-07-12 电子科技大学 一种融合阈值分割与图像叠加技术的半自动图像标签方法
CN114943696A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海洋环境变化监测方法、装置及介质
CN117237430A (zh) * 2023-11-10 2023-12-15 中国地质大学（武汉） 一种高精度多时序水深反演方法、计算设备及存储介质
CN117392433A (zh) * 2023-09-15 2024-01-12 宁波大学 联合sar和光学影像的不同淡水资源类型精细识别方法
CN117871423A (zh) * 2024-03-13 2024-04-12 水利部交通运输部国家能源局南京水利科学研究院 一种小流域输沙率遥感估算方法及系统
CN117871423B (zh) * 2024-03-13 2024-05-24 水利部交通运输部国家能源局南京水利科学研究院 一种小流域输沙率遥感估算方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101556600B1 (ko) 2014-11-27 2015-10-01 연세대학교 산학협력단 다차원 영상 경계추출 장치 및 그 방법
KR101619836B1 (ko) * 2016-02-05 2016-05-11 (주)아세아항측 드론을 이용한 초분광 원격모니터링 시스템
KR101672291B1 (ko) * 2016-03-31 2016-11-08 주식회사 지오스토리 항공 초분광영상을 활용한 갯녹음 탐지 기법
KR101863123B1 (ko) * 2017-02-15 2018-06-01 한국건설기술연구원 자율주행 무인비행체 및 이동형 무인부체를 이용한 하천 녹조지도 작성 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101556600B1 (ko) 2014-11-27 2015-10-01 연세대학교 산학협력단 다차원 영상 경계추출 장치 및 그 방법
KR101619836B1 (ko) * 2016-02-05 2016-05-11 (주)아세아항측 드론을 이용한 초분광 원격모니터링 시스템
KR101672291B1 (ko) * 2016-03-31 2016-11-08 주식회사 지오스토리 항공 초분광영상을 활용한 갯녹음 탐지 기법
KR101863123B1 (ko) * 2017-02-15 2018-06-01 한국건설기술연구원 자율주행 무인비행체 및 이동형 무인부체를 이용한 하천 녹조지도 작성 시스템

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
이혁 외 8명, "고유분광특성을 이용한 녹조 원격 모니터링 연구 II", 국립환경과학원, 2016.* *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862134A (zh) * 2020-07-13 2020-10-30 中国科学院南京地理与湖泊研究所 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN111862134B (zh) * 2020-07-13 2023-11-07 中国科学院南京地理与湖泊研究所 基于Sentinel-1与GEE的近岸水产养殖塘提取方法
CN113469127A (zh) * 2021-07-23 2021-10-01 平安国际智慧城市科技股份有限公司 河流敏感性等级划分方法、装置、设备及存储介质
CN113807208A (zh) * 2021-08-30 2021-12-17 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN113807208B (zh) * 2021-08-30 2024-05-31 中科海慧（天津）科技有限公司 浒苔监测方法、装置、电子设备及存储介质
CN114742855A (zh) * 2022-04-11 2022-07-12 电子科技大学 一种融合阈值分割与图像叠加技术的半自动图像标签方法
CN114943696A (zh) * 2022-05-13 2022-08-26 南方海洋科学与工程广东省实验室(广州) 基于遥感影像的海洋环境变化监测方法、装置及介质
CN117392433A (zh) * 2023-09-15 2024-01-12 宁波大学 联合sar和光学影像的不同淡水资源类型精细识别方法
CN117237430A (zh) * 2023-11-10 2023-12-15 中国地质大学（武汉） 一种高精度多时序水深反演方法、计算设备及存储介质
CN117237430B (zh) * 2023-11-10 2024-03-08 中国地质大学（武汉） 一种高精度多时序水深反演方法、计算设备及存储介质
CN117871423A (zh) * 2024-03-13 2024-04-12 水利部交通运输部国家能源局南京水利科学研究院 一种小流域输沙率遥感估算方法及系统
CN117871423B (zh) * 2024-03-13 2024-05-24 水利部交通运输部国家能源局南京水利科学研究院 一种小流域输沙率遥感估算方法及系统

Similar Documents

Publication Publication Date Title
KR102109917B1 (ko) 초분광 원격 탐사 영상을 이용한 담수역 물-육상 경계 자동 추출 방법
Shendryk et al. Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery
Trier et al. Tree species classification in Norway from airborne hyperspectral and airborne laser scanning data
Zhu Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications
Hamada et al. Detecting Tamarisk species (Tamarix spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery
Soh et al. Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices
Ursani et al. Fusion of textural and spectral information for tree crop and other agricultural cover mapping with very-high resolution satellite images
US11017507B2 (en) Image processing device for detection and correction of cloud cover, image processing method and storage medium
Du et al. Mapping wetland plant communities using unmanned aerial vehicle hyperspectral imagery by comparing object/pixel-based classifications combining multiple machine-learning algorithms
Lu et al. Detection of urban expansion in an urban-rural landscape with multitemporal QuickBird images
S Bhagat Use of remote sensing techniques for robust digital change detection of land: A review
Tusa et al. Fusion of hyperspectral imaging and LiDAR for forest monitoring
CN102013095A (zh) 基于分布变换的多传感器图像融合方法
Liu et al. Crown-level tree species classification from AISA hyperspectral imagery using an innovative pixel-weighting approach
Jacq et al. Sedimentary structure discrimination with hyperspectral imaging in sediment cores
Bochow et al. On the use of airborne imaging spectroscopy data for the automatic detection and delineation of surface water bodies
Lee et al. A graph cut approach to 3D tree delineation, using integrated airborne LiDAR and hyperspectral imagery
Chehata et al. Object-based forest change detection using high resolution satellite images
Verma et al. Development of LR-PCA based fusion approach to detect the changes in mango fruit crop by using landsat 8 OLI images
Zhang et al. A novel multitemporal cloud and cloud shadow detection method using the integrated cloud Z-scores model
Dong Fractal signatures for multiscale processing of hyperspectral image data
Kar et al. Classification of multispectral satellite images
Hájek Object-oriented classification of Ikonos satellite data for the identification of tree species composition
CN116310826B (zh) 一种基于图神经网络的高分遥感影像林地二级分类方法
Hájek Object-oriented classification of remote sensing data for the identification of tree species composition

Legal Events

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