KR20190079350A - 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 - Google Patents

지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 Download PDF

Info

Publication number
KR20190079350A
KR20190079350A KR1020170181480A KR20170181480A KR20190079350A KR 20190079350 A KR20190079350 A KR 20190079350A KR 1020170181480 A KR1020170181480 A KR 1020170181480A KR 20170181480 A KR20170181480 A KR 20170181480A KR 20190079350 A KR20190079350 A KR 20190079350A
Authority
KR
South Korea
Prior art keywords
slope
terrain
histogram
calculating
normalization
Prior art date
Application number
KR1020170181480A
Other languages
English (en)
Other versions
KR102018789B1 (ko
Inventor
정형섭
박숭환
김서정
이규석
조아름
최민지
Original Assignee
서울시립대학교 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 서울시립대학교 산학협력단 filed Critical 서울시립대학교 산학협력단
Priority to KR1020170181480A priority Critical patent/KR102018789B1/ko
Publication of KR20190079350A publication Critical patent/KR20190079350A/ko
Application granted granted Critical
Publication of KR102018789B1 publication Critical patent/KR102018789B1/ko

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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 by the use of histogram techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

위성영상에 지형정규화 모델을 적용한 결과를 평가하는 방법은, 태양을 등지는 제1 사면에서의 반사도 데이터 및 태양을 마주보는 제2 사면에서의 반사도 데이터에 대해서 지형정규화 모델 적용 전후의 변화율을 계산하고, 상기 지형정규화 모델 적용 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 적용 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하며, 상기 변화율 및 상기 유사율에 기초하여 상기 지형정규화 모델 적용 전후의 히스토그램 구조 유사성을 평가한 지수를 계산할 수 있다.

Description

지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치{evaluation method of topographic normalization models, Method AND Apparatus for topographic correction of normalized vegetation index map BY USING the SAME}
본 개시는 지형정규화 모델들의 성능을 평가하는 방법 및 이를 이용한 식생지수 맵의 지형효과 보정 방법 및 보정 장치에 관한 것이다.
위성영상시스템은 인간의 활동 및 자연환경과 밀접한 연관성이 있는 식생지역의 변화에 대하여 주기적으로 모니터링 할 수 있다. 특히, 정규식생지수(normalized difference vegetation index)는 위성영상시스템을 통해 촬영된 적색 파장대역 영상과 근적외선 파장대역 영상의 조합으로부터 계산될 수 있다. 정규식생지수는 식생의 특성을 반영하고 있어 위성영상 활용분야에서 널리 활용되고 있다.
정규식생지수 맵이란 대응하는 식생지수를 나타내는 화소값 복수개가 배열되어 형성된 지도이고, 식생지역의 유무 및 특성을 표현하기 위한 대표적인 인덱스 맵이다. 식생의 엽록소가 근적외선 파장대역에서 매우 높은 반사도(reflectance)를 가지고 있는 점을 이용하여 정규식생지수 맵이 제작될 수 있다. 정규식생지수 맵에서 화소값은 -1에서 1까지의 범위에 속하고, 식생의 밀도가 높고 활력이 높을수록 1에 가까운 값이고, 식생이 거의 없는 인공구조물이나 수체 등에서는 -1에 가까운 값을 지니게 된다.
그러나, 대부분의 식생지역은 산악지역에 위치하기 때문에 정규식생지수 맵의 제작을 위한 적색 파장대역 영상과 근적외선 파장대역 영상은 산악지역이 지니는 지역적 특성의 영향을 받는다. 예를 들어, 태양을 마주보는 사면에서는 각 영상이 지니는 반사도가 평지에서보다 더 크게 나타나지만, 태양을 등지는 사면에서는 더 작게 나타난다. 이를 고려하지 않고 영상분류(image classification) 기법 등을 활용하여 식생과 비식생을 분류할 경우, 태양을 등지는 사면의 식생이 비식생으로 분류되는 오분류의 가능성이 있다.
위성영상시스템분야에서 사면의 차이에 따른 영향을 지형효과(topographic effect)라 하고, 지형정규화(topographic normalization) 방법이란 산악지역에 나타나는 지형효과를 정규화하여 사면에 대한 영향을 보정하는 방법을 의미한다.
위성영상시스템에서 지형을 정규화하기 위한 연구들은 지속적으로 이루어져 왔다. 개발된 정규화 기술은 지표면을 완전확산면(Lambertian surface)으로 가정하는 방법, 불완전확산면(non-Lambertian surface)으로 가정하는 방법, 및 경험식에 의하여 보정하는 방법 등이 있다.
그러나, 현재까지 개발된 지형정규화 방법은 완벽하게 지형효과를 보정하지 못하는 한계점이 존재한다. 이는 지형정규화를 위한 지표면에 대한 가정이 실제 지표면의 속성과 일치하지 않기 때문이다. 위성영상 촬영영역에 대한 피복의 특성, 적용 파장 대역, 영상 촬영일의 태양고도각 등의 영향에 따라 지형정규화 방법들의 성능이 달라지기 때문이다.
이에 따라, 위성영상 촬영영역에 적합한 지형정규화 방법을 제시하기 위한 연구들이 수행되어 왔다. 해당 연구에서는 각각의 지형정규화 모델을 적용한 후, 정규화의 척도를 정량화하여 표현하고, 정량화된 수치로부터 위성영상 촬영영역에 제일 적합한 지형정규화 모델을 선별할 수 있다. 한국출원특허 2016-0051923호 "정량적 평가방법을 이용한 지형효과 보정 영상 제작 장치 및 그 방법"은 위성영상 활용분야에서 지형정규화 성능 평가 방법(performance evaluation method)에 관한 것으로, 위성영상 촬영영역에 적합한 지형정규화 방법을 제시하기 위한 연구 성과 중 하나이다.
그러나, 상기 선행기술은 지형정규화 결과를 정량화하여 평가하는데 한계점이 존재하였다. 상기 선행기술은 지형정규화 모델의 성능을 평가하기 위하여 Correlation 분석, Chi-square 분석, Intersection 분석, Bhattacharyya 분석 등을 수행하나, 해당 분석 방법들은 통계학적으로 의미가 있으나, 지형효과가 보정된 위성영상의 성능을 평가하는 데 한계점이 존재한다.
또한, 상기 선행기술에서 지형정규화 모델의 평가 방법은 제시되었으나, 식생지수 맵과 같은 인덱스 맵에서의 지형효과 보정방법에 대해서는 한계점이 존재한다. 따라서 위성영상 활용분야에서 지형정규화 기술을 고려한 지형정규화 모델의 평가 방법이 요구되며, 최적의 모델들을 활용하여 지형효과과 보정된 식생지수 맵을 제작할 수 있는 기술이 필요한 실정이다.
한국등록특허 제10-1288016호(등록일: 2013.07.15.) 한국출원특허 제2016-0051923호(출원일: 2016.04.28.)
본 발명은 지형정규화 모델의 평가방법을 이용한 식생지수 맵의 지형효과 보정 방법 및 그 장치에 관한 것으로, 보다 상세하게는 최상의 지형정규화 결과로부터 지형정규화 모델을 평가하고, 최적의 지형정규화 모델을 활용하여 식생지수 맵을 제작함으로써 식생지수 맵에 나타나는 지형효과를 보정하는 것을 목적으로 한다.
발명의 한 특징에 따른 식생지수 맵의 지형효과 보정방법은, 동일한 좌표체계와 해상도를 가진 위성영상과 수치표고모델을 획득하는 단계, 상기 위성영상의 대기효과를 보정하는 단계, 상기 수치표고모델로부터 경사각도, 방위각도, 및 입사각도를 제작하는 단계, 상기 경사각도, 상기 방위각도, 및 상기 입사각도를 입력받고, 상기 위성영상에 적어도 두 개의 지형정규화 모델을 적용하여 적어도 두 개의 지형정규화 영상을 획득하는 지형정규화 단계, 상기 적어도 두 개의 지형정규화 영상 각각에 대한 각 채널 별 정량 평가를 수행하는 단계, 및 상기 정량적 평과 결과를 기초로, 각 채널 별 최상의 지형정규화 영상을 조합하여 지형효과가 정규화된 위성영상을 획득하고, 획득한 정규화된 위성영상에 기초하여 식생지수 맵을 제작하는 단계를 포함한다.
상기 정량 평가를 수행하는 단계는, 태양을 등지는 제1 사면에서의 반사도 데이터 및 태양을 마주보는 제2 사면에서의 반사도 데이터에 대해서 상기 지형정규화 단계 전후의 변화율을 계산하는 단계, 상기 지형정규화 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하는 단계, 및 상기 변화율 및 상기 유사율에 기초하여 정규화 전후의 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계를 포함할 수 있다.
상기 변화율을 계산하는 단계는, 상기 지형정규화 단계 전 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포와 상기 지형정규화 단계 후 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포 간의 비율에 기초하여 상기 변화율을 계산할 수 있다.
발명의 다른 특징에 따른 식생지수 맵의 지형효과 보정장치는, 지형정규화 모델 적용 전후의 영상에 대해서, 태양을 마주보는 제1 사면과 태양을 등지는 제2 사면의 반사도가 유사해지는 정도를 수치로 나타내어 정량적으로 평가를 수행하는 지형정규화 결과 평가부, 상기 지형정규화 결과 평가부의 평가 결과에 기초하여 설정된 각 채널 별 최상의 지형정규화 모델을 적용한 각 채널 별 영상을 조합하여 최상의 지형효과가 정규화된 위성영상을 획득하는 정규화 영상 조합부, 및 상기 최상의 지형효과가 정규화된 위성영상으로 식생지수 맵을 제작하는 식생지수 맵 제작부를 포함할 수 있다.
상기 식생지수 맵의 지형효과 보정장치는, 동일한 좌표체계와 해상도를 가진 위성영상과 수치표고모델을 획득하고, 상기 위성영상의 대기효과를 보정하며, 상기 수치표고모델로부터 경사각도, 방위각도, 및 입사각도를 제작하고, 상기 경사각도, 상기 방위각도, 및 상기 입사각도를 입력받고, 상기 위성영상에 적어도 두 개의 지형정규화 모델을 적용하여 적어도 두 개의 지형정규화 영상을 획득할 수 있다.
상기 지형정규화 결과 평가부는, 상기 제1 사면에서의 반사도 데이터 및 상기 제2 사면에서의 반사도 데이터에 대해서 상기 지형정규화 모델 적용 전후의 변화율을 계산하고, 상기 지형정규화 모델 적용 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 모델 적용 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하며, 상기 변화율 및 상기 유사율에 기초하여 상기 지형정규화 모델 적용 전후의 히스토그램 구조 유사성을 평가한 지수를 계산할 수 있다.
상기 지형정규화 결과 평가부는, 상기 지형정규화 모델 적용 전 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포와 상기 지형정규화 모델 적용 후 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포 간의 비율에 기초하여 상기 변화율을 계산할 수 있다.
발명의 다른 특징에 따른 위성영상에 지형정규화 모델을 적용한 결과를 평가하는 방법은, 태양을 등지는 제1 사면에서의 반사도 데이터 및 태양을 마주보는 제2 사면에서의 반사도 데이터에 대해서 지형정규화 모델 적용 전후의 변화율을 계산하는 단계, 상기 지형정규화 모델 적용 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 적용 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하는 단계, 및 상기 변화율 및 상기 유사율에 기초하여 상기 지형정규화 모델 적용 전후의 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계를 포함한다.
상기 변화율을 계산하는 단계는, 상기 지형정규화 모델 적용 전 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포와 상기 지형정규화 모델 적용 후 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포 간의 비율에 기초하여 상기 변화율을 계산할 수 있다.
상기 변화율을 계산하는 단계는,
수학식
Figure pat00001
을 이용하여 상기 변화율을 계산할 수 있다. (
Figure pat00002
와
Figure pat00003
는 지형정규화 모델 적용 후 상기 제1 및 제2 사면에서의 반사도 분포에 대한 표준편차,
Figure pat00004
와
Figure pat00005
는 지형정규화 모델 적용 전 상기 제1 및 제2 사면에서의 반사도 분포에 대한 표준편차,
Figure pat00006
는 변화율)
상기 유사율을 계산하는 단계는, 상기 제1 반사도 데이터의 히스토그램 및 상기 제2 반사도 데이터의 히스토그램 간의 제1 상관계수(Correlation coefficient)를 산출하는 단계, 상기 제3 반사도 데이터의 히스토그램 및 상기 제4 반사도 데이터의 히스토그램 간의 제2 상관계수(Correlation coefficient)를 산출하는 단계, 및 상기 제1 상관계수와 상기 제2 상관계수에 기초하여 상기 유사율을 산출하는 단계를 포함할 수 있다.
상기 유사율을 계산하는 단계는,
수학식
Figure pat00007
을 이용하여 상기 유사율을 계산할 수 있다. (
Figure pat00008
및
Figure pat00009
는 상기 제1 및 제2 반사도 데이터 각각의 히스토그램,
Figure pat00010
및
Figure pat00011
는 상기 제3 및 제4 반사도 데이터 각각의 히스토그램,
Figure pat00012
는 제1 상관계수,
Figure pat00013
는 제2 상관계수,
Figure pat00014
은 유사율)
상기 제1 및 제2 상관계수를 산출하는 단계는,
수학식
Figure pat00015
을 이용하여 상기 제1 및 제2 상관계수 중 대응하는 상관계수를 계산할 수 있다. (
Figure pat00016
는 상기 제1 사면에 대한 반사도 데이터의 히스토그램에서 i 번째 칸(i-th bin)의 반사도 값, 및
Figure pat00017
는 상기 제2 사면에 대한 반사도 데이터의 히스토그램에서 i 번째 칸(i-th bin)의 반사도 값,
Figure pat00018
는 상기 제1 사면에 대한 반사도 데이터의 평균,
Figure pat00019
는 상기 제2 사면에 대한 반사도 데이터의 평균)
상기 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계는, 상기 변화율이 제1 가중치로 지수승되는 단계, 및 상기 유사율이 제2 가중치로 지수승되는 단계를 포함하고, 상기 제1 가중치 및 상기 제2 가중치는 상기 변화율 및 상기 유사율 간의 중요도에 따라 설정될 수 있다.
실시 예에 따르면, 위성영상에 나타나는 산악지역에서의 지형에 의한 영향을 보정할 수 있고, 지형정규화 모델의 적용 결과를 정량적으로 평가할 수 있는 효과를 제공할 수 있다.
또한, 최상의 지형정규화 결과를 가정하여 지형정규화 모델의 적용 결과를 정량적으로 평가함으로써 위성영상 활용분야에 활용할 수 있고, 각각의 지형정규화 모델을 정량적으로 평가함으로써 최상의 지형정규화 모델을 선택하여, 최상의 지형정규화 영상을 조합하여 영상분류의 정확도를 향상시킬 수 있는 효과를 제공할 수 있다.
또한, 실시 예에 따르면, 식생지수 맵에 나타나는 지형효과를 보정함으로써 산악지역에서 영상분류를 수행할 때 태양을 등지는 사면에서의 식생지역이 오분류 될 가능성을 감소시킬 수 있다.
아울러, 실시 예는 원천기술로서 국내에서 개발되는 위성영상처리 소프트웨어에 탑재되거나, 영상분류를 위한 핵심기술로서 활용 가능할 수 있다. 원천기술의 상용화를 통해 위성영상의 활용 증대 및 국가 위성산업 확대에 이바지할 수 있다. 예를 들어, 실시 예는 대표적 국내 광학위성인 다목적실용위성 2호, 다목적실용위성 3호 및 다목적실용위성 3A호에 적용 가능한 기술로 국내위성의 활용도를 극대화시킬 수 있다.
도 1은 실시예에 따른 식생지수 맵의 지형효과 보정장치의 구성을 나타낸 블록도이다.
도 2는 실시예에 따른 지형정규화 모델 평가 방법 및 이를 이용한 식생지수 맵의 지형효과 보정 방법을 나타낸 순서도이다.
도 3은 위성영상 및 수치표고모델을 나타낸 도면이다.
도 4는 다양한 지형정규화 모델을 적용한 결과를 나타낸 도면이다.
도 5는 지형정규화 모델들 각각에 대해서, 태양을 등지는 사면과 태양을 마주보는 사면 각각에서의 반사도를 각 파장대역에 따라 히스토그램 형태로 도시한 도면이다.
도 6은 실시 예에 의한 지형정규화 모델의 평가에 기초한 지형정규화 된 모델로부터 제작된 식생지수 맵을 나타낸다.
도 7은 시각적으로 실시 예에 따른 효과를 보다 상세하게 확인하기 위해서, 도 6의 일부 영역을 확대한 도면이다.
도 8A 및 8B를 통해서 실시 예에 따른 지형정규화 모델 평가에 기초한 최상의 지형정규화 모델의 식생지수 맵에서의 지형보정 결과를 확인할 수 있다.
도 9A-9C는 서로 다른 촬영각도로 촬영된 두 위성영상의 식생지수 맵에 대한 유사성을 평가한 그래프를 나타낸다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
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 이들의 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 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하다.
이하, 실시 예에 대한 설명은 지형정규화 모델들의 성능을 평가하는 방법 및 이를 이용하여 식생지수 맵을 제작하여 식생지수 맵에 나타나는 지형효과를 보정하는 방법 및 그 장치에 관한 것이다.
본 발명의 일 실시예에 따른 지형정규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정 장치는 위성영상 획득부, 수치표고모델 획득부, 위성영상 전처리부, 수치표고모델 처리부, 지형정규화 모델 적용부, 지형정규화 결과 평가부, 정규화 영상 조합부 및 식생지수 맵 제작부를 포함한다.
상기 위성영상 획득부는 위성영상을 획득하고, 상기 수치표고모델 획득부는 상기 위성영상 획득부에서 획득한 위성영상과 동일한 기하조건과 해상도를 지니는 수치표고모델을 획득하며, 상기 위성영상 전처리부는 상기 위성영상 획득부에서 획득한 위성영상에 존재하는 대기효과를 보정하고, 상기 수치표고모델 처리부는 상기 수치표고모델 획득부에서 획득한 수치표고모델로부터 경사각도, 방위각도 및 입사각도를 제작하며, 상기 지형정규화 모델 적용부는 상기 위성영상 전처리부에서 대기효과가 보정된 위성영상과 상기 수치표고모델 처리부에서 제작된 경사각도 및 입사각도를 이용하여 지형정규화를 수행한다. 지형정규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정 방법으로, 상기 지형정규화 결과 평가부는 상기 지형정규화 모델 적용부에서 제작된 각각의 지형정규화된 위성영상의 결과를 정량적으로 평가하고, 상기 정규화 영상 조합부는 상기 지형정규화 결과 평가부에서 최상의 결과로 평가된 위성영상 채널을 조합하여 최상의 정규화 영상을 획득하며, 상기 식생지수 맵 제작부는 상기 정규화 영상 조합부에서 획득한 최상의 정규화 영상으로부터 식생지수 맵을 제작한다.
이하, 실시 예에 따른 지형정규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정방법을 "식생지수 맵의 지형효과 보정방법"이라 하고, 지형정규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정장치를 "식생지수 맵의 지형효과 보정장치"라 한다.
도 1은 실시예에 따른 식생지수 맵의 지형효과 보정장치의 구성을 나타낸 블록도이다.
도 2는 실시예에 따른 지형정규화 모델 평가 방법 및 이를 이용한 식생지수 맵의 지형효과 보정 방법을 나타낸 순서도이다.
도 1에 도시된 바와 같이, 식생지수 맵의 지형효과 보정장치(100)는 위성영상 획득부(110), 수치표고모델 획득부(120), 위성영상 전처리부(130), 수치표고모델 처리부(140), 지형정규화 모델 적용부(150), 지형정규화 결과 평가부(160), 정규화 영상 조합부(170) 및 식생지수 맵 제작부(180)를 포함한다.
실시 예에 따르면, 동일한 좌표 체계와 해상도를 지닌 위성영상과 수치표고모델을 획득한다(S210). 구체적인 방법 및 해당 구성은 아래와 같다.
위성영상 획득부(110)는 산악지역을 촬영한 위성영상을 획득한다. 예를 들어, 위성영상 획득부(110)는 산악지역을 촬영한 다중분광 위성영상을 획득한다. 일반적으로, 위성영상 시스템이 제공하는 다중분광 위성영상에는, 청색(blue) 파장대역, 녹색(green) 파장대역, 적색(red) 파장대역, 근적외선(near infrared, NIR) 파장대역 및 단파적외선(short-wave infrared, SWIR) 파장대역 각각에서 획득한 태양복사에너지가 수치화된 값이 대응하는 위치의 화소 값으로 설정된다. 위성영상 시스템으로부터 제공되는 다중분광 위성영상은 위성의 종류에 따라 다를 수 있다. 각 파장대역을 채널이라고 할 수 있다.
위성영상 획득부(110)가 산악지역을 촬영한 다중분광 위성영상을 획득한 경우, 획득된 위성영상에서의 복수의 화소 각각의 밝기 값은 산악지역의 특성에 따라 결정될 수 있다. 예를 들어, 태양을 등지는 사면에 위치한 화소들의 밝기 값들은 상대적으로 낮고, 태양을 마주보는 사면에 위치한 화소들의 밝기 값들은 상대적으로 높다. 밝기 값에 미치는 사면의 영향의 정도는 피복의 특성 및 파장대역에 따라 달라질 수 있다.
수치표고모델 획득부(120)는 위성영상 획득부(110)가 획득한 위성영상에 대응하는 지역에 대한 수치표고모델을 획득한다. 예를 들어, 위성영상 획득부(110)가 획득한 위성영상이 산악지역인 경우, 수치표고모델 획득부(120)는 해당 산악지역에 대한 수치표고모델을 획득한다.
이때, 위성영상 획득부(110)가 획득한 위성영상과 수치표고모델 획득부(120)가 획득한 수치표고모델이 다른 좌표계를 지닐 경우, 동일한 좌표계로 변환을 수행해야 한다. 또한, 획득된 위성영상과 획득된 수치표고모델이 다른 공간해상도를 가질 경우, 두 공간해상도를 일치시키는 리샘플링(resampling)이 수행될 수 있다. 수치표고모델 획득부(120)가 위성영상의 좌표계 및 공간해상도를 기준으로 획득한 수치표고모델에 대해서 좌표계 변환 및 리샘플링을 수행할 수 있다. 반대로 위성영상 획득부(110)가 수치표고모델의 좌표계 및 공간해상도를 기준으로 획득한 위성영상에 대해서 좌표계 변환 및 리샘플링을 수행할 수 있다.
도 3은 위성영상 및 수치표고모델을 나타낸 도면이다.
도 3에서 (a)는 Landsat-8 이 촬영한 산악지역의 위성영상이고, (b)는 위성영상(a)에 대응하는 수치표고모델로, 위성영상(a)와 동일한 크기, 좌표계, 및 공간해상도를 가진다. (c) 및 (d)는 위성영상 (a)에서 우하단 영역(흰선 박스로 표시된 영역)을 확대한 영상으로, (c) 및 (d) 각각을 촬영한 날짜가 다르다.
위성영상 (a, c, d)는 식생지역을 효과적으로 도시하기 위한 false-color 조합법에 의해 생성된 것이다. false-color 조합법에 의해 식생에 민감한 근적외선 파장대역 영상이 적색 컬러로 표현되어, 식생지역이 효과적으로 도시될 수 있다.
위성영상 (a, c, d)에서, 촬영된 산악지역의 사면에 따라 화소들의 밝기 값이 달라지는 것을 확인할 수 있다. 태양을 등지는 사면에서의 밝기 값은 낮은 값을 가지게 되어 해당 화소들이 어둡게 도시되고, 태양을 마주보는 사면에서의 밝기 값은 높은 값을 가지게 되어 해당 화소들이 밝은 붉은색으로 도시되어 있다.
위성영상 (c)와 (d)는 2014년 12월 12일 및 2015년 3월 18일에 촬영된 영상이다. 2014년 12월 12일의 태양천정각과 태양방위각은 37.4도와 141.3도이고, 2015년 3월 18일의 태양천정각과 태양방위각은 29.0도와 102.9도이다. 이에 따라 위성영상 (c)와 (d)에서, 산악지역의 사면이 다르게 형성되어있고, 위성영상에서 화소들의 밝기 값의 분포도 사면에 따라 달라지는 것을 알 수 있다.
위성영상 전처리부(130)는 위성영상 획득부(110)가 획득한 위성영상에 존재하는 대기효과를 보정한다(S220). 예를 들면, 위성영상 전처리부(130)는 획득된 위성영상에 존재하는 대기효과를 보정하여, 위성영상에 표시된 밝기 값을 반사도로 변환한다.
일반적으로, 위성영상은 지표에서 반사된 태양복사에너지를 수치화 하여 생성된다. 이때, 태양복사에너지가 대기를 통과할 때, 대기의 산란, 흡수 및 굴절의 영향을 받게 되어, 대기효과가 반영된 복사에너지가 위성의 센서에 감지된다. 대기효과 보정이란 감지된 복사에너지에서 대기의 영향을 제거하는 보정을 의미한다.
대기보정은 대기모델에 의한 대기보정기법과 영상기반보정기법으로 구분될 수 있다. 대기모델에 의한 대기보정기법은 MODTRAN, 6S 등과 같은 물리적 대기모델을 통하여 투과율, 대기상향복사량, 및 대기하향복사량을 구하여 대기효과를 보정하는 방법이다. 영상기반 보정기법은 위성영상에 나타나는 대기의 영향을 수집하고, 수집 결과에 기초하여 대기에 의한 영향을 보정하는 방법이다.
수치표고모델 처리부(140)는 획득한 수치표고모델로부터 경사각도, 방위각도, 및 입사각도를 제작한다(S230). 경사도는 지형의 경사를 도 단위로 표현한 지도이고, 방위각도는 지형의 경사가 발생되는 방향을 도 단위로 표현한 지도이며, 입사각도는 태양복사에너지가 지표면에 입사하는 각도를 도 단위로 표현한 지도이다.
수치표고모델 처리부(140)는 획득된 수치표고모델에서 대상 화소와 그 대상 화소를 둘러싸고 있는 주변 화소의 고도 차이를 이용하여 경사각과 방위각을 계산할 수 있다. 예를 들어, 수치표고모델 처리부(140)는 대상 화소를 중심으로 3×3 크기의 윈도우를 적용하여 경사각과 방위각을 계산할 수 있다. 수치표고모델 처리부(140)는 경사각과 방위각을 이용하여 태양복사에너지가 지표면에 입사하는 각도(입사각)를 계산한다. 입사각도는 지형정규화 모델 적용에 있어 필수적인 입력자료로 활용될 수 있다.
지형정규화 모델 적용부(150)는 산악지역을 촬영한 위성영상에 나타나는 사면에 의한 영향을 보정한다. 지형정규화 모델 적용부(140)는 산악지역을 촬영한 위성영상, 경사각도, 입사각도 등을 입력자료로 지형정규화 모델을 적용하고, 사면에 의한 영향을 보정하여 지형정규화 영상을 획득한다(S240). 지형정규화 모델을 적용하는 것과 지형보정을 하는 것은 동일한 의미로 이해될 수 있다.
지형정규화 모델은 지표면을 가정하는 방법에 따라 1) 완전확산면으로 가정하여 보정하는 모델, 2) 불완전확산면 가정 하에 지역별, 피복별로 적합한 보정상수를 구하여 보정하는 모델, 및3) 반경험적 보정상수를 구하여 보정하는 모델 등이 존재한다.
여기서, 지표면을 완전확산면으로 가정하여 지형에 의한 영향을 보정하는 기법 중 일반적으로 활용되는 알고리즘으로 Sun-canopy-sensor(SCS) 모델이 있다. SCS모델에서 지형정규화된 영상은 수학식 1을 통하여 얻을 수 있다.
Figure pat00020
이때,
Figure pat00021
는SCS모델을 통해 지형정규화된 영상에서의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내고,
Figure pat00022
는 획득한 위성영상의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00023
는 태양의 천정각을 나타내며,
Figure pat00024
는 경사각을 나타내며,
Figure pat00025
는 지형의 입사각을 나타낸다.
수학식 1을 참조하면, 위성영상에 입사각에 의한 영향을 곱하는 것으로 지형에 의한 영향을 보정할 수 있다. 즉, 태양을 마주보는 산 사면의 경우 입사각이 크게 나타나며, 입사각이 클수록 분모가 1에 가까운 값을 지니기 때문에 지형효과가 보정된 영상과 원래의 위성영상의 차이는 거의 없어지게 된다. 반면, 태양을 등지는 산 사면의 경우 입사각이 작게 나타나며, 입사각이 작을수록 위성영상에 곱해지는 값은 커지기 때문에 시각적으로 어둡게 표현된 지역이 밝게 나타나게 된다.
또한, 지표면을 불완전확산면으로 가정하여 지형에 의한 영향을 보정하는 기법 중 일반적으로 활용되는 모델로 C-correction, Minnaert correction, Minnaert+SCS correction 모델 등이 있다. C-correction 모델에서의 지형효과가 보정된 영상은 수학식 2를 통하여 얻을 수 있다.
Figure pat00026
상기 수학식 2에서,
Figure pat00027
는 C-correction 모델을 통해 지형효과가 정규화된 영상에서의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00028
는 획득한 위성영상의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00029
는 태양의 천정각을 나타내며,
Figure pat00030
는 입사각을 나타내며, C는 입사각과 위성영상의 선형관계식으로부터 획득한 보정 상수를 나타낸다.
수학식 2를 참조하면, 보정상수 C를 통하여 지형정규화를 수행할 때, 과보정 되는 것을 방지할 수 있다.
또한, Minnaert correction 모델에서의 지형정규화된 영상은 수학식 3을 통해서 얻을 수 있다.
Figure pat00031
상기 수학식 3에서,
Figure pat00032
는 Minnaert correction 모델을 통해 지형효과가 정규화된 영상에서의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내고,
Figure pat00033
는 획득한 위성영상의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00034
는 지형의 경사각을 나타내며,
Figure pat00035
는 입사각을 나타내고, k는 Minnaert correction 모델에서의 보정 상수를 나타낸다.
상기 수학식 3을 참조하면, 보정상수 k를 통하여 지형에 의한 영향을 더욱 효과적으로 보정할 수 있다.
또한, Minnaert+SCS correction 모델에서의 지형효과가 보정된 영상은 수학식 4를 통하여 얻을 수 있다.
Figure pat00036
상기 수학식 4에서,
Figure pat00037
는 Minnaert+SCS correction 모델을 통해 지형효과가 정규화된 영상에서의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내고,
Figure pat00038
는 획득한 위성영상의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00039
는 지형의 경사각을 나타내며,
Figure pat00040
는 태양의 천정각을 나타내고,
Figure pat00041
는 입사각을 나타내며, k'는 Minnaert+SCS correction 모델에서의 보정 상수를 나타낸다.
상기 수학식 4를 참조하면, 보정상수 k'를 통하여 지형에 의한 영향을 C-correction 모델, Minnaert 모델보다 더욱 효과적으로 보정할 수 있으며, 특히 식생지역에서의 지형에 의한 영향을 보정하는데 큰 장점이 있다.
또한, 반경험적 보정상수를 구하여 지형에 의한 영향을 보정하는 모델 중 일반적으로 활용되는 모델로 Statistical-empirical correction 모델이 있다. Statistical-empirical correction 모델에서의 지형효과가 보정된 영상은 수학식 5를 통하여 얻을 수 있다.
Figure pat00042
상기 수학식 5에서,
Figure pat00043
는 Statistical-empirical correction 모델을 통해 지형효과가 정규화된 영상에서의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내고,
Figure pat00044
는 획득한 위성영상의 i 번째 행 및 j번째 열 화소에서의 반사도 값을 나타내며,
Figure pat00045
는 입사각을 나타내고, a와 b는 각각 Statistical-empirical correction 모델에서의 보정 상수를 나타낸 것이다. a는 입사각과 위성영상의 선형회귀분석에서의 기울기 값을 나타내고, b는 입사각과 위성영상의 선형회귀분석에서의 y절편 값을 나타내며,
Figure pat00046
는 위성영상의 평균 반사도값을 나타낸다.
상기 수학식 5를 참조하면, 보정상수 a와 b를 통하여 입사각의 변화가 위성영상에 끼치는 영향을 선형회귀분석을 통하여 보정할 수 있는 장점이 존재한다.
실시 예는 지형정규화 모델들 중 적절한 모델을 선택하여 지형정규화 작업을 수행하여, 산악지역의 사면에 의한 영향을 보정할 수 있다.
도 4는 다양한 지형정규화 모델을 적용한 결과를 나타낸 도면이다.
도 4에서, (a)는 획득된 위성영상으로, 도 3에서 위성영상(d)와 동일한 영상이다.
도 4에서, (b)는 SCS 모델을 통하여 지형정규화를 수행한 위성영상이며, (c)는Statistical-empirical correction 모델을 통하여 지형정규화를 수행한 위성영상이고, (d)는C-correction 모델을 통하여 지형정규화를 수행한 위성영상이며, (e)는Minnaert correction 모델을 통하여 지형정규화를 수행한 위성영상이고, (f)는Minnaert+SCS correction 모델을 통하여 지형정규화를 수행한 위성영상이다.
도 4에 도시된 바와 같이, SCS모델을 통하여 지형효과를 보정한 위성영상(a)은 입사각이 작은 태양을 등지는 산 사면이 과보정되어, 시각적으로 색상이 부자연스럽게 표현되는 것을 확인할 수 있다. 반면, Statistical-empirical 모델, C-correction 모델, Minnaert correction 모델, 및Minnaert+SCS correction 모델을 통해 지형효과를 보정한 위성영상 (c), (d), 및(e)은 태양을 등지는 산 사면과 태양을 마주보는 산 사면의 시각적 정보가 유사해 진 것을 확인할 수 있다.
도 5는 지형정규화 모델들 각각에 대해서, 태양을 등지는 사면과 태양을 마주보는 사면 각각에서의 반사도를 각 파장대역에 따라 히스토그램 형태로 도시한 도면이다.
도 5에서, (a)는 보정 전 위성영상(이하, 원본영상이라 함. 도 4의 (a))에 대해서 복수의 파장대역 각각에 대한 태양을 등지는 사면의 반사도(이하, 회색 반사도) 및 태양을 마주보는 사면의 반사도(이하, 흰색 반사도)의 히스토그램 분포가 도시되어 있다. 도 5에서, 회색 반사도의 히스토그램은 회색으로 표시되고, 흰색 반사도의 히스토그랩은 흰색으로 표시되어 있다.
복수의 파장대역은 청색(Blue) 파장대역, 녹색(Green) 파장대역, 적색 (Red) 파장대역, 근적외선(near infrared, NIR) 파장대역, 단파적외선(short-wave infrared, SWIR) 파장대역 1(SWIR-1), 및 단파적외선 파장대역 2(SWIR-2)을 포함한다.
도 5에서, (b), (c), (d), (e), 및(f)에서도 청색(Blue) 파장대역, 녹색(Green) 파장대역, 적색 (Red) 파장대역, 근적외선(near infrared, NIR) 파장대역, 단파적외선(short-wave infrared, SWIR) 파장대역 1(SWIR-1), 및 단파적외선 파장대역 2(SWIR-2) 각각에 대한 회색 반사도 및 흰색 반사도의 히스토그램 분포가 도시되어 있다.
(b)는 SCS 모델을 통하여 지형정규화를 수행한 위성영상(도 4의(b))에 대해서 복수의 파장대역 각각에 대한 회색 반사도 및 흰색 반사도 각각의 히스토그램 분포가 도시되어 있다.
(c)는 Statistical-empirical correction 모델을 통하여 지형정규화를 수행한 위성영상(도 4의(c))에 대해서 복수의 파장대역 각각에 대한 회색 반사도 및 흰색 반사도 각각의 히스토그램 분포가 도시되어 있다.
(d)는 C-correction 모델을 통하여 지형정규화를 수행한 위성영상(도 4의(d))에 대해서 복수의 파장대역 각각에 대한 회색 반사도 및 흰색 반사도 각각의 히스토그램 분포가 도시되어 있다.
(e)는 Minnaert correction 모델을 통하여 지형정규화를 수행한 위성영상(도 4의(e))에 대해서 복수의 파장대역 각각에 대한 회색 반사도 및 흰색 반사도 각각의 히스토그램 분포가 도시되어 있다.
(f)는 Minnaert+SCS correction 모델을 통하여 지형정규화를 수행한 위성영상(도 4의 (f))에 대해서 복수의 파장대역 각각에 대한 회색 반사도 및 흰색 반사도 각각의 히스토그램 분포가 도시되어 있다.
도 5의 (a)에 도시된 바와 같이, 사면의 영향을 보정하기 전의 두 히스토그램 분포를 비교하면, 태양을 등지는 사면의 반사도가 전반적으로 낮게 나타나는 것을 확인할 수 있다.
SCS 모델을 이용하여 지형정규화를 수행하게 되면, 태양을 등지는 사면에서의 회색 반사도가 태양을 마주보는 사면의 회색 반사도의 우측에 분포하는 것을 확인할 수 있다. 이에 따라, 도 4에서 위성영상(b)에 나타난 것과 같은 시각적 왜곡이 유발될 수 있다.
SCS 모델을 제외한 다른 모델들 (c), (d), (e), 및 (f)에서는 회색 반사도의 히스토그램 분포와 흰색 반사도의 히스토그램 분포가 유사해지는 것을 확인할 수 있다.
지형정규화 결과 평가부(160)는 지형정규화 모델의 적용 결과를 정량적으로 평가한다. 예를 들어, 지형정규화 결과 평가부(160)는 태양을 마주보는 사면과 태양을 등지는 사면의 반사도가 유사해지는 정도를 수치로 나타내어 정량적으로 평가를 수행한다(S250). 이 때, 지형정규화 결과 평가부(160)는 지형정규화 모델의 적용 결과를 최상의 지형정규화 결과로 가정한다. 즉, 지형정규화 결과 평가부(160)는 평가 대상인 지형정규화 모델이 완벽하게 적용되어 최상의 지형정규화가 수행되었다고 가정한다.
만약 지형정규화 모델이 완벽하게 적용 되었다면, 1) 두 사면에서의 표준편차는 정규화 전에 비교하여 감소하게 되고, 2) 두 사면에서의 반사도 분포에 대한 유사성은 정규화 전과 비교하여 커지게 된다. 이러한 가정에 따라 지형정규화 결과 평가부(160)는 지형정규화 모델의 적용 결과를 평가하고, 지형정규화 결과를 정량적인 수치로서 제공할 수 있다.
지형정규화 결과 평가부(160)는 위와 같은 가정하에 태양을 마주보는 사면과 태양을 등지는 사면의 반사율의 분포가 유사해지는 정도를 판단하여 정량적인 수치로 제공하고, 이로부터 지형정규화 모델의 적합성을 정량적으로 평가할 수 있다.
지형정규화 결과 평가부(160)는 기존에 개발된 유사성 판단 지수와 비교해 개선된 지형정규화 모델 평가 방법을 제공할 수 있다. 기존에 개발된 유사성 판단 지수로서, Correlation, Chi-square, Intersection, Bhattacharyya 지수 등이 존재하였으나, 이는 단순한 유사성 판단 지수일 뿐, 지형정규화 모델을 평가하는 데 한계점이 존재하였다. 또한 기존에 개발된 지수들은 SCS 모델과 같은 과보정을 유발하는 모델에 대하여 과보정으로 평가할 수 없는 한계점이 존재하였다.
지형정규화 결과 평가부(160)는 지형정규화 결과 평가에서 제시된 가정(최상의 지형정규화 결과)에 따라 지형정규화 전후의 차이를 비율로써 계산하여 평가 지수를 생성한다. 최상의 지형정규화 결과에 가까울수록 평가 지수는 0으로 수렴하고, 과보정이 되는 경우 1이상이 된다.
정규화 결과 평가부(160)는 지형정규화 전후의 히스토그램 구조 유사성을 평가한 지수(Histogram Structural Similarity index, HSSIM)를 수학식 6을 통해 계산할 수 있다.
Figure pat00047
상기 수학식 6에서,
Figure pat00048
은 지형정규화 결과를 정량적인 수치로 제공하기 위한 히스토그램 구조 유사성 평가 지수를 나타내며, x은 태양을 등지는 사면에서의 반사도 값이고, y는 태양을 마주보는 사면에서의 반사도 값이며,
Figure pat00049
는 x 및 y 데이터에 대해서 지형보정 전후의 변화율(variation ratio)을 나타내며,
Figure pat00050
는 지형보정 전후의 히스토그램 구조의 유사율(similarity ratio)을 나타내고, α 는
Figure pat00051
의 가중치이고, β는
Figure pat00052
의 가중치이다. 두 인자
Figure pat00053
및
Figure pat00054
간의 상대적 중요성을 조절하기 위해서 가중치 α 및 β가 적절히 설정될 수 있다. 실시 예에서는 가중치 α 및 β가 1인 것으로 설명할 수 있다. 이하,
Figure pat00055
는 변화율이라 하고,
Figure pat00056
를 유사율이라 한다.
수학식 6을 참조하면, 히스토그램 구조 유사성 판단 지수는 변화율
Figure pat00057
과 유사율
Figure pat00058
의 곱으로 표현된다. 변화율
Figure pat00059
은 수학식 7로부터 얻을 수 있다.
Figure pat00060
상기 수학식 7에서,
Figure pat00061
와
Figure pat00062
는 지형정규화 모델 적용 후 각 사면에서의 반사도 분포에 대한 표준편차를 나타내고,
Figure pat00063
와
Figure pat00064
는 지형정규화 모델 적용 전 각 사면에서의 반사도 분포에 대한 표준편차를 나타낸다. 수학식 7에서, 변화율
Figure pat00065
은 x 및 y 데이터에 있어서 지형정규화 전후의 반사도 분포에 대한 표준편차 간의 비율에 기초하여 결정된다.
지형정규화 모델이 최상의 결과에 가까울수록, 각 사면에서의 반사도 분포의 변화는 감소하게 된다. 따라서
Figure pat00066
와
Figure pat00067
의 곱은 감소하게 된다. 이상적으로 지형정규화가 완벽히 수행될 경우,
Figure pat00068
는 0의 값으로 수렴하게 된다. 만약 SCS 모델에서와 같이 과보정이 발생하게 되면, 지형정규화 수행 후의 반사도에 대한 표준편차는 지형정규화 수행 전에 비하여 커지게 됨으로써 결과적으로
Figure pat00069
는 1보다 커지게 된다.
유사율
Figure pat00070
은 수학식 8로부터 얻을 수 있다.
Figure pat00071
상기 수학식 8에서,
Figure pat00072
및
Figure pat00073
는 원본영상에서의 x 및 y 데이터의 히스토그램 데이터이고,
Figure pat00074
및
Figure pat00075
는 지형보정 후의 영상에서 x 및 y 데이터의 히스토그램 데이터이며,
Figure pat00076
는 원본 영상에서
Figure pat00077
및
Figure pat00078
간의 상관계수(Correlation coefficient)이고,
Figure pat00079
는 지형보정 후의 영상에서
Figure pat00080
및
Figure pat00081
간의 상관계수(Correlation coefficient)이다. 상관계수는 아래 수학식 9를 통해 계산할 수 있다.
Figure pat00082
수학식 9에서,
Figure pat00083
및
Figure pat00084
는
Figure pat00085
및
Figure pat00086
에서의 히스토그램들 중 i 번째 칸(i-th bin)의 반사도 값이고,
Figure pat00087
및
Figure pat00088
는 x 및 y 데이터의 평균을 의미한다.
지형정규화 모델이 최상의 결과에 가까울수록, 각 사면에서의 반사도 값의 유사성이 증가하여
Figure pat00089
이 1에 가까워지고,
Figure pat00090
가 감소한다.
이상적으로 지형정규화가 완벽히 수행될 경우
Figure pat00091
는 0으로 수렴하게 된다. 만약 SCS 모델에서와 같이 과보정이 발생하게 되면, 각 사면에서의 유사성은 오히려 감소하게 되며, 결과적으로
Figure pat00092
는 1보다 커지게 된다.
상기 수학식 6 내지 9를 종합하여 고려하면, 지형정규화 모델이 최상의 성능을 발휘할 경우 변화율
Figure pat00093
과 유사율
Figure pat00094
이 0으로 수렴하여, 히스토그램 구조 유사성 평가 지수
Figure pat00095
도 0으로 수렴한다.
만약, 변화율
Figure pat00096
과 유사율
Figure pat00097
이 과보정에 의해 1이상의 값이 되면, 히스토그램 구조 유사성 평가 지수
Figure pat00098
도 1 이상의 값이 되어, 지형정규화 결과가 과보정 되었음을 확인할 수 있다.
이와 같이, 실시 예에 따르면 지형정규화 모델의 성능을 정량적으로 표현 및 평가할 수 있으며, 이는 기존의 평가방법에 비하여 보다 더욱 지형정규화 모델의 적용 결과를 정확하게 평가할 수 있는 효과를 제공할 수 있다.
한편, 하기 표 1은 본 발명의 일 실시예에 따른 지형정규화 모델의 평가를 통해 도 3의 위성 영상 (c) 및(d)을 정량적으로 평가한 결과의 예를 나타낸 표이다.
Figure pat00099
표 1에서 "Test Image 1"은 도 3의 위성 영상 (c)를 의미하고, Test Image 2"는 도 3의 위성 영상 (d)를 의미한다. Test Image 1 및 Test Image 2 각각에 대해서, 지형정규화 평가 결과가 지형정규화 모델 및 채널 별로 나타나있다.
실시 예는 지형정규화 모델 평가에 따라 지형정규화 모델 각각에 대한 채널 별 지형정규화 성능을 평가한다. 각 채널 별로 각 지형정규화 모델의 적용 결과를 정량적으로 평가한 히스토그램 구조 유사성 평가 지수 값들이 표 1에 기재되어 있다. 여기서, 각 채널 별로 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델을 각 채널에 적합한 최적의 지형정규화 모델로 선정할 수 있다.
구체적으로, Test Image 1 및Test Image 2 에 대해서, Blue 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 C-correction 모델이다. 즉, Blue 채널에서 C-correction 모델이 지형효과를 가장 잘 보정한다.
Test Image 1 및Test Image 2 에 대해서, Green 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 Minnaert+SCS correction 모델이다. 즉, Green 채널에서 Minnaert+SCS correction 모델이 지형효과를 가장 잘 보정한다.
Test Image 1 및Test Image 2 에 대해서, Red 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 C-correction 모델이다. 즉, Red 채널에서 C-correction 모델이 지형효과를 가장 잘 보정한다.
Test Image 1 및Test Image 2 에 대해서, NIR 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 Statistical-empirical correction 모델이다. 즉, NIR 채널에서 Statistical-empirical correction 모델이 지형효과를 가장 잘 보정한다.
Test Image 1 및Test Image 2 에 대해서, SWIR-1 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 C-correction 모델이다. 즉, SWIR-1 채널에서 C-correction 모델이 지형효과를 가장 잘 보정한다.
Test Image 1 및Test Image 2 에 대해서, SWIR-2 채널에서 히스토그램 구조 유사성 평가 지수 값이 가장 낮은 모델은 Minnaert+SCS correction 모델이다. 즉, SWIR-2 채널에서 Minnaert+SCS correction 모델이 지형효과를 가장 잘 보정한다.
표 1에서 알 수 있듯이, 촬영된 영상의 특성 및 채널에 따라 히스토그램 구조 유사성 평가 지수 값이 달라질 수 있다. 다만, 표 1은 Test Image 1 및Test Image 2 에 대한 히스토그램 구조 유사성 평가 지수 값들을 보여줄 뿐, 위성영상이 다른 지역에 대한 것이라면, 히스토그램 구조 유사성 평가 지수 값들도 달라질 수 있다.
즉, 표 1에 기재된 히스토그램 구조 유사성 평가 지수 값들을 기초로, 각 채널 별로 최상의 지형정규화 모델들이 선정되었으나, 이는 Test Image 1 및Test Image 2 에 대한 결과일 뿐, 위성영상이 바뀌면 그 결과 역시 바뀔 수 있다.
따라서, 최상의 성능을 제공하는 모델은 위성영상에 따라 달라질 수 있고, 다른 지역을 촬영한 영상에 대하여 최상의 지형정규화 과정을 수행해야 할 경우, 지형정규화 모델 평가를 통해서, 각 채널 별로 최상의 지형정규화 모델들을 설정해야 한다.
정규화 영상 조합부(170)는 각 채널별 최상의 지형정규화 모델을 적용한 각 채널별 영상을 조합하여 최상의 지형효과가 정규화된 위성영상을 획득한다(S260). 각 채널 별 최상의 지형정규화 모델은 지형정규화 결과 평가부(160)에서의 평가 결과에 기초하여 설정될 수 있다.
촬영지역 및 채널에 따라 적합한 지형정규화 모델이 달라질 수 있으므로, 여러 지형정규화 모델을 적용하고 평가를 수행하여 정량적인 수치를 분석한 후, 최상의 지형정규화 모델을 선택 및 이들이 적용된 영상을 조합하여 최상의 지형효과가 정규화된 위성영상을 획득할 수 있다.
표1의 결과에서, 실시 예에서 활용된 위성영상 도 3의 (c) 및(d)의 경우, 최상의 지형정규화 모델은 Blue 채널에서 C-correction 모델, Green 채널에서 Minnaert+SCS correction 모델, Red 채널에서 C-correction 모델, NIR 채널에서 Statistical-empirical correction 모델, SWIR-1 채널에서 C-correction 모델, SWIR-2 채널에서 Minnaert+SCS correction 모델로 평가되다. 따라서, 각 채널 별로 대응하는 지형정규화 모델을 적용한 결과를 조합하여 최상의 지형정규화된 위성영상을 획득한다.
식생지수 맵 제작부(180)에서는 최상의 지형정규화된 영상으로 식생지수 맵을 제작한다(S260). 최상의 지형정규화된 영상을 활용하여 식생지수 맵을 제작함으로써, 지형효과가 보정된 식생지수 맵을 제작한다. 그러면, 최상의 지형정규화된 영상을 기반으로 제작한 식생지수 맵에서는 지형효과가 보정될 수 있다.
도 6은 실시 예에 의한 지형정규화 모델의 평가에 기초한 지형정규화 된 모델로부터 제작된 식생지수 맵을 나타낸다.
도 6에서, (a), (b), (c)는 2014년 12월 12일에 촬영된 위성영상이고, (a)는 지형효과 보정 전 영상으로부터 제작한 식생지수 맵을 나타내며, (b)는 모든 채널을 Statistical-empirical 모델만 활용하여 지형정규화를 수행한 후, 이로부터 제작한 식생지수 맵을 나타내고, (c)는 최상의 정규화된 영상으로부터 제작한 식생지수 맵을 나타낸다.
도 6에서, (d), (e), (f)는 2015년 3월 18일에 촬영된 위성영상이고, (d)는 지형효과 보정 전 영상으로부터 제작한 식생지수 맵을 나타내며, (e)는 모든 채널을 Statistical-empirical 모델만 활용하여 지형정규화를 수행한 후, 이로부터 제작한 식생지수 맵을 나타내고, (f)는 최상의 정규화된 영상으로부터 제작한 식생지수 맵을 나타낸다.
도 6에서, (a)와 (d)를 참조하면, 지형정규화 수행 전의 영상으로부터 제작된 식생지수 맵에서 사면의 영향을 확인할 수 있다. 일반적으로 태양을 마주보는 사면에서의 식생지수는 높게 나타나는 한면, 태양을 등지는 사면에서의 식생지수는 낮게 나타나는 결과를 보인다.
한편, (b)와 (d)에서는 이러한 사면의 영향이 감소한 것을 확인할 수가 있다. 사면의 영향이 감소한 이유는 Statistical-empirical 모델이 비교적 지형정규화를 잘 수행하였기 때문이다. 그러나 일부 영역에서 여전히 사면의 영향이 존재함을 확인할 수 있다. 이는 Statistical-empirical 모델이 NIR 채널에서는 최상의 성능을 발휘하였으나, Red 채널에서는 완벽하게 지형정규화를 수행하지 못하였기 때문이다.
실시 예에 따른 지형정규화 모델 평가를 기초로 최상의 정규화된 영상으로부터 제작한 식생지수 맵인 (c)와 (f)에서는 사면의 영향이 보다 감소하여 시각적으로 거의 찾기 어려움을 확인할 수 있다.
도 7은 시각적으로 실시 예에 따른 효과를 보다 상세하게 확인하기 위해서, 도 6의 일부 영역을 확대한 도면이다.
도 3에서 박스로 표시된 영역과 동일한 도 6의 일부 영역이 확대되어 도 7에 도시되어 있다.
도 7에 도시된 바와 같이, (a)와(d)에 비해 (b) 및(d)의 식생지수 맵에서 사면의 영향이 더 적고, (b) 및 (d)에 비해 (c) 및 (f)의 식생지수 맵에서 사면의 영향이 더 적다. 실질적으로 (c) 및(f)의 식생지수 맵에서는 사면의 영향을 시각적으로 확인하기 어려우며, 이는 마치 평지에서 제작한 식생지수 맵과 같이 표현되어 있음을 확인할 수 있다.
도 8A 및 8B는 도 7의 위성영상의 프로파일로부터 위성영상의 A-A'의 단면을 따라 반사도 값의 변화를 나타낸 도면이다.
도 8A 및 8B를 통해서 실시 예에 따른 지형정규화 모델 평가에 기초한 최상의 지형정규화 모델의 식생지수 맵에서의 지형보정 결과를 확인할 수 있다.
도 8A는 도 7의 (a), (b), 및(c) 각각의 위성영상 프로파일의 표준편차를 보여준다. 도 8B는 도 7의 (d), (e), 및 (f) 각각의 위성영상 프로파일의 표준편차를 보여준다.
도 8A에 도시된 바와 같이, 위성영상 (c, NVDI from Hybrid image)의 프로파일의 표준편차 σ hybrid 가 가장 낮은 0.016이다. 그 밖에 원본 위성영상(a, NVDI from Original image)의 프로파일의 표준편차 σ original 가 가장 높은 0.032이고, Statistical-empirical 모델로 정규화된 위성영상(b, NVDI from Statistical-empirical image)의 프로파일의 표준편차 σ statistical 가 0.021이다.
또한, 도 8B에서도, 위성영상 (f, NVDI from Hybrid image)의 프로파일의 표준편차 σ hybrid 가 가장 낮은 0.015이다. 그 밖에 원본 위성영상(d, NVDI from Original image)의 프로파일의 표준편차 σ original 가 가장 높은 0.021이고, Statistical-empirical 모델로 정규화된 위성영상(e, NVDI from Statistical-empirical image)의 프로파일의 표준편차 σ statistical 가 0.019이다.
실시 예에 따른 지형정규화 모델 평가 결과에서 각 채널 별 최상의 모델로 정규화된 영상을 조합한 영상에서 표준편차가 가장 낮게 나타났으며, 해당 그래프 또한 변화 폭이 크지 않고 일관성 있게 나타남을 확인할 수 있다.
도 9A-9C는 서로 다른 촬영각도로 촬영된 두 위성영상의 식생지수 맵에 대한 유사성을 평가한 그래프를 나타낸다.
도 9A는 지형정규화를 수행하기 전의 서로 다른 촬영각도로 촬영된 두 위성영상에 대한 산포도를 나타낸다. 이를 참조하면, 지형정규화를 수행하기 전의 결정계수(
Figure pat00100
)는 0.626으로 나타나고 있으나, 산포도를 시각적으로 분석하였을 때 유사함의 정도가 높지 않은 것을 확인할 수 있다.
도 9B는 Statistical-empirical 모델만을 활용하여 지형정규화를 수행한 두 위성영상에 대한 산포도로서, 이를 참조하면, 결정계수(
Figure pat00101
)는 0.711로 지형정규화 전에 비하여 상승한 것을 확인할 수 있다.
도 9C는 최상의 지형정규화 모델을 활용하여 제작된 두 위성영상에 대한 산포도로서, 결정계수(
Figure pat00102
)가 0.759로 가장 높게 나타남을 확인할 수 있다.
더 자세히 설명하자면, 도 9A-9C에 도시된 바와 같이, 최상의 지형정규화 모델을 활용하여 제작된 식생지수 맵은 평지에서 제작한 것과 같이 지형의 영향이 거의 나타나지 않는 효과가 있다. 특히, 서로 다른 촬영각과 방위각을 지님에도 불구하고 결정계수는 높게 나타나며, 이를 통해 실시 예에 따른 지형정규화 모델 평가를 기초로 식생지수 맵을 제작했을 때, 지형효과를 가장 효과적으로 보정할 수 있음을 보여준다.
따라서, 본 발명의 실시예에 따른 지형정규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정방법 및 그 장치는 식생지수 맵에 나타나는 지형효과를 가장 효과적으로 보정할 수 있음을 나타낸다.
본 발명의 실시예에 따른 지형규화 모델의 평가를 통한 식생지수 맵의 지형효과 보정방법 및 그 장치는 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 audfudd을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100: 식생지수 맵의 지형효과 보정 장치
110: 위성영상 획득부
120: 수치표고모델 획득부
130: 위성영상 전처리부
140: 수치표고모델 처리부
150: 지형정규화 모델 적용부
160: 지형정규화 결과 평가부
170: 정규화 영상 조합부
180: 식생지수 맵 제작부

Claims (14)

  1. 위성영상에 지형정규화 모델을 적용한 결과를 평가하는 방법에 있어서,
    태양을 등지는 제1 사면에서의 반사도 데이터 및 태양을 마주보는 제2 사면에서의 반사도 데이터에 대해서 지형정규화 모델 적용 전후의 변화율을 계산하는 단계;
    상기 지형정규화 모델 적용 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 적용 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하는 단계; 및
    상기 변화율 및 상기 유사율에 기초하여 상기 지형정규화 모델 적용 전후의 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계를 포함하는 지형정규화 모델 평가 방법.
  2. 제1항에 있어서,
    상기 변화율을 계산하는 단계는,
    상기 지형정규화 모델 적용 전 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포와 상기 지형정규화 모델 적용 후 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포 간의 비율에 기초하여 상기 변화율을 계산하는 지형정규화 모델 평가 방법.
  3. 제2항에 있어서,
    상기 변화율을 계산하는 단계는,
    수학식
    Figure pat00103
    을 이용하여 상기 변화율을 계산하는,
    (
    Figure pat00104
    와
    Figure pat00105
    는 지형정규화 모델 적용 후 상기 제1 및 제2 사면에서의 반사도 분포에 대한 표준편차,
    Figure pat00106
    와
    Figure pat00107
    는 지형정규화 모델 적용 전 상기 제1 및 제2 사면에서의 반사도 분포에 대한 표준편차,
    Figure pat00108
    는 변화율)
    지형정규화 모델 평가 방법.
  4. 제1항에 있어서,
    상기 유사율을 계산하는 단계는,
    상기 제1 반사도 데이터의 히스토그램 및 상기 제2 반사도 데이터의 히스토그램 간의 제1 상관계수(Correlation coefficient)를 산출하는 단계;
    상기 제3 반사도 데이터의 히스토그램 및 상기 제4 반사도 데이터의 히스토그램 간의 제2 상관계수(Correlation coefficient)를 산출하는 단계; 및
    상기 제1 상관계수와 상기 제2 상관계수에 기초하여 상기 유사율을 산출하는 단계를 포함하는 지형정규화 모델 평가 방법.
  5. 제4항에 있어서,
    상기 유사율을 계산하는 단계는,
    수학식
    Figure pat00109
    을 이용하여 상기 유사율을 계산하는,
    (
    Figure pat00110
    및
    Figure pat00111
    는 상기 제1 및 제2 반사도 데이터 각각의 히스토그램,
    Figure pat00112
    및
    Figure pat00113
    는 상기 제3 및 제4 반사도 데이터 각각의 히스토그램,
    Figure pat00114
    는 제1 상관계수,
    Figure pat00115
    는 제2 상관계수,
    Figure pat00116
    은 유사율)
    지형정규화 모델 평가 방법.
  6. 제4항에 있어서,
    상기 제1 및 제2 상관계수를 산출하는 단계는,
    수학식
    Figure pat00117
    을 이용하여 상기 제1 및 제2 상관계수 중 대응하는 상관계수를 계산하는,
    (
    Figure pat00118
    는 상기 제1 사면에 대한 반사도 데이터의 히스토그램에서 i 번째 칸(i-th bin)의 반사도 값, 및
    Figure pat00119
    는 상기 제2 사면에 대한 반사도 데이터의 히스토그램에서 i 번째 칸(i-th bin)의 반사도 값,
    Figure pat00120
    는 상기 제1 사면에 대한 반사도 데이터의 평균,
    Figure pat00121
    는 상기 제2 사면에 대한 반사도 데이터의 평균)
    지형정규화 모델 평가 방법.
  7. 제1항에 있어서,
    상기 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계는,
    상기 변화율이 제1 가중치로 지수승되는 단계; 및
    상기 유사율이 제2 가중치로 지수승되는 단계를 포함하고,
    상기 제1 가중치 및 상기 제2 가중치는 상기 변화율 및 상기 유사율 간의 중요도에 따라 설정되는 지형정규화 모델 평가 방법.
  8. 동일한 좌표체계와 해상도를 가진 위성영상과 수치표고모델을 획득하는 단계;
    상기 위성영상의 대기효과를 보정하는 단계;
    상기 수치표고모델로부터 경사각도, 방위각도, 및 입사각도를 제작하는 단계
    상기 경사각도, 상기 방위각도, 및 상기 입사각도를 입력받고, 상기 위성영상에 적어도 두 개의 지형정규화 모델을 적용하여 적어도 두 개의 지형정규화 영상을 획득하는 지형정규화 단계;
    상기 적어도 두 개의 지형정규화 영상 각각에 대한 각 채널 별 정량 평가를 수행하는 단계; 및
    상기 정량적 평과 결과를 기초로, 각 채널 별 최상의 지형정규화 영상을 조합하여 지형효과가 정규화된 위성영상을 획득하고, 획득한 정규화된 위성영상에 기초하여 식생지수 맵을 제작하는 식생지수 맵의 지형효과 보정방법.
  9. 제8항에 있어서,
    상기 정량 평가를 수행하는 단계는,
    태양을 등지는 제1 사면에서의 반사도 데이터 및 태양을 마주보는 제2 사면에서의 반사도 데이터에 대해서 상기 지형정규화 단계 전후의 변화율을 계산하는 단계;
    상기 지형정규화 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하는 단계; 및
    상기 변화율 및 상기 유사율에 기초하여 정규화 전후의 히스토그램 구조 유사성을 평가한 지수를 계산하는 단계를 포함하는 식생지수 맵의 지형효과 보정방법.
  10. 제9항에 있어서,
    상기 변화율을 계산하는 단계는,
    상기 지형정규화 단계 전 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포와 상기 지형정규화 단계 후 상기 제1 사면 및 상기 제2 사면 각각에서의 반사도 분포 간의 비율에 기초하여 상기 변화율을 계산하는 식생지수 맵의 지형효과 보정방법.
  11. 제9항에 있어서,
    상기 유사율을 계산하는 단계는,
    상기 제1 반사도 데이터의 히스토그램 및 상기 제2 반사도 데이터의 히스토그램 간의 제1 상관계수(Correlation coefficient)를 산출하는 단계;
    상기 제3 반사도 데이터의 히스토그램 및 상기 제4 반사도 데이터의 히스토그램 간의 제2 상관계수(Correlation coefficient)를 산출하는 단계; 및
    상기 제1 상관계수와 상기 제2 상관계수에 기초하여 상기 유사율을 산출하는 단계를 포함하는 식생지수 맵의 지형효과 보정방법.
  12. 지형정규화 모델 적용 전후의 영상에 대해서, 태양을 마주보는 제1 사면과 태양을 등지는 제2 사면의 반사도가 유사해지는 정도를 수치로 나타내어 정량적으로 평가를 수행하는 지형정규화 결과 평가부;
    상기 지형정규화 결과 평가부의 평가 결과에 기초하여 설정된 각 채널 별 최상의 지형정규화 모델을 적용한 각 채널 별 영상을 조합하여 최상의 지형효과가 정규화된 위성영상을 획득하는 정규화 영상 조합부; 및
    상기 최상의 지형효과가 정규화된 위성영상으로 식생지수 맵을 제작하는 식생지수 맵 제작부를 포함하는 식생지수 맵의 지형효과 보정장치.
  13. 제12항에 있어서,
    상기 지형정규화 결과 평가부는,
    상기 제1 사면에서의 반사도 데이터 및 상기 제2 사면에서의 반사도 데이터에 대해서 상기 지형정규화 모델 적용 전후의 변화율을 계산하고,
    상기 지형정규화 모델 적용 전의 제1 사면의 제1 반사도 데이터 및 상기 제2 사면의 제2 반사도 데이터 각각의 히스토그램의 구조와 상기 지형정규화 모델 적용 후의 제1 사면의 제3 반사도 데이터 및 상기 제2 사면의 제4 반사도 데이터 각각의 히스토그램 구조 간의 유사율을 계산하며,
    상기 변화율 및 상기 유사율에 기초하여 상기 지형정규화 모델 적용 전후의 히스토그램 구조 유사성을 평가한 지수를 계산하는 식생지수 맵의 지형효과 보정장치.
  14. 제12항에 있어서,
    상기 지형정규화 결과 평가부는,
    상기 제1 반사도 데이터의 히스토그램 및 상기 제2 반사도 데이터의 히스토그램 간의 제1 상관계수(Correlation coefficient)를 산출하고,
    상기 제3 반사도 데이터의 히스토그램 및 상기 제4 반사도 데이터의 히스토그램 간의 제2 상관계수(Correlation coefficient)를 산출하며,
    상기 제1 상관계수와 상기 제2 상관계수에 기초하여 상기 유사율을 산출하는 식생지수 맵의 지형효과 보정장치.
KR1020170181480A 2017-12-27 2017-12-27 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 KR102018789B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170181480A KR102018789B1 (ko) 2017-12-27 2017-12-27 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170181480A KR102018789B1 (ko) 2017-12-27 2017-12-27 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치

Publications (2)

Publication Number Publication Date
KR20190079350A true KR20190079350A (ko) 2019-07-05
KR102018789B1 KR102018789B1 (ko) 2019-11-04

Family

ID=67225600

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170181480A KR102018789B1 (ko) 2017-12-27 2017-12-27 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102018789B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025366A (zh) * 2019-12-31 2020-04-17 芜湖哈特机器人产业技术研究院有限公司 基于ins及gnss的网格slam的导航系统及方法
CN111402162A (zh) * 2020-03-13 2020-07-10 北京华云星地通科技有限公司 卫星遥感图像的晴空数据集处理方法
CN112860824A (zh) * 2021-01-15 2021-05-28 中国科学院沈阳应用生态研究所 一种高分辨率dem地形特征提取的尺度适应性评价方法
CN112926418A (zh) * 2021-02-08 2021-06-08 河海大学 一种利用高精度地形信息消除云层干扰的水体优化提取方法
CN112986241A (zh) * 2021-02-22 2021-06-18 西南交通大学 一种抗地形效应与背景影响的新型植被指数的校正方法
CN113723319A (zh) * 2021-09-02 2021-11-30 中国气象科学研究院 一种基于风云卫星数据的水稻种植分布提取方法
CN115690773A (zh) * 2022-12-26 2023-02-03 武汉天际航信息科技股份有限公司 Dem分区及重建方法、计算设备和存储介质
CN115760613A (zh) * 2022-11-15 2023-03-07 江苏省气候中心 一种结合卫星影像和光流法的蓝藻水华短时预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100586034B1 (ko) * 2006-04-11 2006-06-02 새한항업(주) 지형지물 정보데이터를 수치지도에 업데이트하는 방법
US20100098342A1 (en) * 2008-10-16 2010-04-22 Curators Of The University Of Missouri Detecting geographic-area change using high-resolution, remotely sensed imagery
KR101288016B1 (ko) 2011-08-04 2013-07-22 대한민국 지형효과를 적용한 태양복사모델의 구성 방법 및 장치
KR101404430B1 (ko) * 2013-06-11 2014-06-10 서울시립대학교 산학협력단 적외선 영상을 이용한 지표온도감률 추정 방법
KR20140086421A (ko) * 2012-12-28 2014-07-08 한국항공우주연구원 히스토그램 명세화를 이용한 검출기 성능저하 보상 방법
KR20160051923A (ko) 2014-10-29 2016-05-12 사단법인 금융결제원 택시 요금 결제 중계 방법 및 결제 중계 서버
KR20170122935A (ko) * 2016-04-28 2017-11-07 서울시립대학교 산학협력단 정량적 평가방법을 이용한 지형효과 보정 영상 제작 장치 및 그 방법

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100586034B1 (ko) * 2006-04-11 2006-06-02 새한항업(주) 지형지물 정보데이터를 수치지도에 업데이트하는 방법
US20100098342A1 (en) * 2008-10-16 2010-04-22 Curators Of The University Of Missouri Detecting geographic-area change using high-resolution, remotely sensed imagery
KR101288016B1 (ko) 2011-08-04 2013-07-22 대한민국 지형효과를 적용한 태양복사모델의 구성 방법 및 장치
KR20140086421A (ko) * 2012-12-28 2014-07-08 한국항공우주연구원 히스토그램 명세화를 이용한 검출기 성능저하 보상 방법
KR101404430B1 (ko) * 2013-06-11 2014-06-10 서울시립대학교 산학협력단 적외선 영상을 이용한 지표온도감률 추정 방법
KR20160051923A (ko) 2014-10-29 2016-05-12 사단법인 금융결제원 택시 요금 결제 중계 방법 및 결제 중계 서버
KR20170122935A (ko) * 2016-04-28 2017-11-07 서울시립대학교 산학협력단 정량적 평가방법을 이용한 지형효과 보정 영상 제작 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Riano, David, et al. "Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types", IEEE Transactions on geoscience and remote sensing vol.41.5(2003)* *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111025366A (zh) * 2019-12-31 2020-04-17 芜湖哈特机器人产业技术研究院有限公司 基于ins及gnss的网格slam的导航系统及方法
CN111025366B (zh) * 2019-12-31 2022-04-01 芜湖哈特机器人产业技术研究院有限公司 基于ins及gnss的网格slam的导航系统及方法
CN111402162A (zh) * 2020-03-13 2020-07-10 北京华云星地通科技有限公司 卫星遥感图像的晴空数据集处理方法
CN111402162B (zh) * 2020-03-13 2023-11-07 北京华云星地通科技有限公司 卫星遥感图像的晴空数据集处理方法
CN112860824B (zh) * 2021-01-15 2021-12-10 中国科学院沈阳应用生态研究所 一种高分辨率dem地形特征提取的尺度适应性评价方法
CN112860824A (zh) * 2021-01-15 2021-05-28 中国科学院沈阳应用生态研究所 一种高分辨率dem地形特征提取的尺度适应性评价方法
CN112926418A (zh) * 2021-02-08 2021-06-08 河海大学 一种利用高精度地形信息消除云层干扰的水体优化提取方法
CN112986241B (zh) * 2021-02-22 2022-05-20 西南交通大学 一种抗地形效应与背景影响的新型植被指数的校正方法
CN112986241A (zh) * 2021-02-22 2021-06-18 西南交通大学 一种抗地形效应与背景影响的新型植被指数的校正方法
CN113723319A (zh) * 2021-09-02 2021-11-30 中国气象科学研究院 一种基于风云卫星数据的水稻种植分布提取方法
CN115760613A (zh) * 2022-11-15 2023-03-07 江苏省气候中心 一种结合卫星影像和光流法的蓝藻水华短时预测方法
CN115760613B (zh) * 2022-11-15 2024-01-05 江苏省气候中心 一种结合卫星影像和光流法的蓝藻水华短时预测方法
CN115690773A (zh) * 2022-12-26 2023-02-03 武汉天际航信息科技股份有限公司 Dem分区及重建方法、计算设备和存储介质

Also Published As

Publication number Publication date
KR102018789B1 (ko) 2019-11-04

Similar Documents

Publication Publication Date Title
KR20190079350A (ko) 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치
Mondejar et al. Near infrared band of Landsat 8 as water index: a case study around Cordova and Lapu-Lapu City, Cebu, Philippines
Mostafa A review on various shadow detection and compensation techniques in remote sensing images
Sola et al. Multi-criteria evaluation of topographic correction methods
Tokola et al. Use of topographic correction in Landsat TM-based forest interpretation in Nepal
Fahsi et al. Incorporation of digital elevation models with Landsat-TM data to improve land cover classification accuracy
US7184890B2 (en) Cloud shadow detection: VNIR-SWIR
US20140270569A1 (en) Automated geospatial image mosaic generation
CN108596103A (zh) 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法
JP2006285310A (ja) 森林の樹冠の評価方法及びその樹冠評価プログラム
JP2016032289A (ja) 画像合成システム、画像合成方法、画像合成プログラム
CN110765912B (zh) 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法
CN114782298B (zh) 一种具有区域注意力的红外与可见光图像融合方法
JP2019537151A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
Deidda et al. Pre-processing of high resolution satellite images for sea bottom classification.
CN102073995A (zh) 基于纹理金字塔与正则化局部回归的色彩恒常方法
CN102013095A (zh) 基于分布变换的多传感器图像融合方法
Vidhya et al. Effectiveness of contrast limited adaptive histogram equalization technique on multispectral satellite imagery
Fang et al. Image quality assessment on image haze removal
Santosa Evaluation of satellite image correction methods caused by differential terrain illumination
KR101842154B1 (ko) 정량적 평가방법을 이용한 지형효과 보정 영상 제작 장치 및 그 방법
Goodbody et al. Benchmarking acquisition parameters for digital aerial photogrammetric data for forest inventory applications: Impacts of image overlap and resolution
Mishra et al. Review of topographic analysis methods for the western Himalaya using AWiFS and MODIS satellite imagery
Korpela et al. The performance of a local maxima method for detecting individual tree tops in aerial photographs
Jonckheere et al. Image analysis of hemispherical photographs, algorithms and calculations

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