KR20190115758A - 모의 위성 영상을 생성하는 장치 및 방법 - Google Patents

모의 위성 영상을 생성하는 장치 및 방법

Info

Publication number
KR20190115758A
KR20190115758A KR1020180038834A KR20180038834A KR20190115758A KR 20190115758 A KR20190115758 A KR 20190115758A KR 1020180038834 A KR1020180038834 A KR 1020180038834A KR 20180038834 A KR20180038834 A KR 20180038834A KR 20190115758 A KR20190115758 A KR 20190115758A
Authority
KR
South Korea
Prior art keywords
image
regression model
simulated
band
pixel
Prior art date
Application number
KR1020180038834A
Other languages
English (en)
Other versions
KR102039048B1 (ko
Inventor
박현춘
박완용
서대교
김용현
어양담
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020180038834A priority Critical patent/KR102039048B1/ko
Publication of KR20190115758A publication Critical patent/KR20190115758A/ko
Application granted granted Critical
Publication of KR102039048B1 publication Critical patent/KR102039048B1/ko

Links

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
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

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)
  • Image Analysis (AREA)

Abstract

본 발명은 비선형 회귀 모델을 이용하여 기준 위성 영상으로부터 모의 영상을 생성하기 위한 장치 및 방법에 대한 것으로, 기준 영상과 대상 영상의 근적외선 밴드 영상들로부터 스캐터그램(scattergram)을 생성하고, 생성된 스캐터그램으로부터 불변선 및 불변선에 근거한 HVW(Half Vertical Width)를 산출하며, 산출된 HVW에 근거하여 상기 기준 영상의 각 픽셀들 중 기준점들의 위치를 검출하는 기준점 획득부와, 상기 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출하는 특성변수값 추출부와, 상기 추출된 특성변수값들 중 지정되는 회귀모델 변수에 따른 적어도 하나와, 상기 기준점에 근거하여, 비선형 관계를 모델링할 수 있는 기 설정된 회귀모델에 대한 학습을 수행하는 회귀모델 학습부, 및 적어도 하나의 상기 회귀모델 변수를 지정하여 지정된 변수에 따라 상기 회귀모델의 학습이 이루어지도록 상기 회귀모델 학습부를 제어하며, 상기 학습된 회귀모델에 상기 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성변수를 입력 정보로 입력하고, 상기 입력 정보에 따라 회귀모델이 출력하는 영상을 모의 영상으로 저장하는 제어부를 포함하는 것을 특징으로 한다.

Description

모의 위성 영상을 생성하는 장치 및 방법{APPARATUS AND METHOD FOR GENERATING OF SIMULATED SATELLITE IMAGES}
본 발명은 비선형 회귀 모델을 이용하여 기준 위성 영상으로부터 모의 영상을 생성하기 위한 장치 및 방법에 대한 것이다.
동일지역을 촬영한 위성영상을 이용하여 변화탐지(change detection), 시계열분석(Time Series Analysis)을 하기 위해서는 정기적 혹은 비정기적으로 영상이 촬영되어야 한다. 그런데 Landsat과 같은 광학위성영상은 기상조건에 의해 필요한 시기의 영상을 촬영하지 못하는 경우가 많으며, 또한 촬영이 되었더라도 기상조건의 차이가 존재하게 된다.
따라서 이를 절대 혹은 상대 방사보정을 수행하는 과정을 거쳐서 균일한 조건의 영상으로 제작하고 있으나, 계절이 상이한 경우 생태학적 환경조건의 차이를 반영할 필요가 있다는 문제가 있다. 이에 따라 이러한 문제를 해결하기 위한 대안으로 모의 영상(simulated image)을 생성하는 방법이 현재 개발중인 실정이다.
한편, 이러한 모의 영상을 생성하는 방법의 일환으로, 지구 복사량의 합계에 기초하여 모의 영상을 생성하는 방법이 등장하였다. 이러한 방법은 지구 대기 중 구름에 의한 복사량, 에어로졸의 광 소산에 의한 복사량과 대기분자산란에 의한 복사량, 및 지표에 의한 복사량의 합에 기초하여 모의 영상을 생성하는 방법으로서, 주로 기상위성이나 환경위성영상과 같은 수백미터 이상의 저공간해상도 영상에는 적합할 수 있으나, 지표상에 존재하는 다양한 지형지물의 빛에너지 반사특성을 정밀하게 모의하는 데는 한계가 있다는 문제가 있다.
한편 모의 영상을 생성하는 다른 방법으로, 다양한 대기 조건을 분석하여 대기 조건을 역보정하는 방법이 등장하였다. 이 방법은 지표의 다양한 반사특성, 대기의 수증기 및 에어로졸과 같은 미세먼지로 인한 산란, 흡수, 굴정 등에 대해 보정을 수행하여 광학 영상에 대한 모의 영상이 기상 조건을 반영하도록 역보정을 수행하는 방법으로, 대기 조건에 의한 영향은 보정으로 배제할 수 있으나, 계절이 다른 경우 그에 따른 영향은 반영하지 못한다는 문제가 있다.
한편, 이와 같이 모의 영상은 대기 조건과 계절에 따른 생태학적 환경 조건을 모두 만족할 수 있어야 한다. 그러나 상기 대기 조건과 생태학적 환경 조건은 서로 비선형적인 관계에 있으며, 현재 등장한 방법들은 이러한 비선형적인 관계를 가지는 조건들을 모두 만족할 수 있는 모의 영상을 생성하기 어렵다는 문제가 있다.
본 발명은 전술한 문제를 해결하기 위한 것으로, 서로 비선형관계에 있는 조건들이 모두 반영될 수 있는 위성 영상의 모의 영상을 생성하는 장치 및 방법에 대한 것이다.
상술한 목적을 달성하기 위한 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치는, 기준 영상과 대상 영상의 근적외선 밴드 영상들로부터 스캐터그램(scattergram)을 생성하고, 생성된 스캐터그램으로부터 불변선 및 불변선에 근거한 HVW(Half Vertical Width)를 산출하며, 산출된 HVW에 근거하여 상기 기준 영상의 각 픽셀들 중 기준점들의 위치를 검출하는 기준점 획득부와, 상기 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출하는 특성변수값 추출부와, 상기 추출된 특성변수값들 중 지정되는 회귀모델 변수에 따른 적어도 하나와, 상기 기준점에 근거하여, 비선형 관계를 모델링할 수 있는 기 설정된 회귀모델에 대한 학습을 수행하는 회귀모델 학습부, 및 적어도 하나의 상기 회귀모델 변수를 지정하여 지정된 변수에 따라 상기 회귀모델의 학습이 이루어지도록 상기 회귀모델 학습부를 제어하며, 상기 학습된 회귀모델에 상기 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성변수를 입력 정보로 입력하고, 상기 입력 정보에 따라 회귀모델이 출력하는 영상을 모의 영상으로 저장하는 제어부를 포함하는 것을 특징으로 한다.
일 실시 예에 있어서, 상기 기 설정된 회귀모델은, 랜덤 포레스트(Random Forest) 회귀모델임을 특징으로 한다.
일 실시 예에 있어서, 상기 특성변수값은, 상기 대상 영상 스펙트럼 특성의 서로 다른 밴드 각각의 픽셀값과, 서로 다른 복수의 밴드에 대해 각각 산출되며 대상 영상의 픽셀값과 인접한 픽셀들의 픽셀값들 사이에서 산출되는 적어도 하나의 통계값 및, 상기 대상 영상에 대응하는 지역의 디지털 지형 정보로부터 추출되는 상기 대상 영상 각 픽셀에 대응하는 적어도 하나의 지형 정보를 포함하는 것을 특징으로 한다.
일 실시 예에 있어서, 상기 모의 영상이 유효한지 여부를 검증할 수 있는 검증부를 더 포함하며, 상기 검증부는, 상기 모의 영상과 상기 기준 영상의 복수의 밴드별 픽셀 값과, 하기 수학식 3에 의해 산출되는 RMSE(Root Mean Squared Error)값 또는 하기 수학식 4에 의해 산출되는 R2값에 근거하여 산출되는 값에 따라 상기 모의 영상이 유효한지 여부를 검증하는 것을 특징으로 한다.
[수학식 3]
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 은 픽셀수임.
[수학식 4]
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 는 특정 밴드의 기준 영상 픽셀값의 평균임.
일 실시 예에 있어서, 상기 복수의 밴드별 픽셀값은, 적색(Red) 대역, 녹색(Green) 대역, 및 청색(Blue) 대역의 상기 모의 영상 각 픽셀들의 픽셀값 및 상기 기준 영상 각 픽셀들의 픽셀값 임을 특징으로 한다.
상술한 목적을 달성하기 위한 본 발명의 실시 예에 따른 모의 영상 생성 방법은, 기준 영상과 대상 영상의 근적외선 밴드 영상들로부터 스캐터그램(scattergram)을 생성하는 단계와, 생성된 스캐터그램으로부터 불변선 및 불변선에 근거한 HVW(Half Vertical Width)를 산출하며, 산출된 HVW에 근거하여 상기 기준 영상의 각 픽셀들 중 기준점들의 위치를 검출하는 단계와, 상기 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출하는 단계와, 상기 추출된 특성변수값들 중 지정되는 회귀모델 변수에 따른 적어도 하나와, 상기 기준점에 근거하여, 비선형 관계를 모델링할 수 있는 기 설정된 회귀모델에 대한 학습을 수행하는 단계 및, 상기 학습된 회귀모델에 상기 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성변수를 입력 정보로 입력하여 모의 영상을 생성하는 단계를 포함하는 것을 특징으로 한다.
일 실시 예에 있어서, 상기 기 설정된 회귀모델은, 랜덤 포레스트(Random Forest) 회귀모델임을 특징으로 한다.
일 실시 예에 있어서, 상기 특성변수값은, 상기 대상 영상 스펙트럼 특성의 서로 다른 밴드 각각의 픽셀값과, 서로 다른 복수의 밴드에 대해 각각 산출되며 대상 영상의 픽셀값과 인접한 픽셀들의 픽셀값들 사이에서 산출되는 적어도 하나의 통계값 및, 상기 대상 영상에 대응하는 지역의 디지털 지형 정보로부터 추출되는 상기 대상 영상 각 픽셀에 대응하는 적어도 하나의 지형 정보를 포함하는 것을 특징으로 한다.
일 실시 예에 있어서, 상기 모의 영상이 유효한지 여부를 검증하는 단계를 더 포함하고, 상기 모의 영상이 유효한지 여부를 검증하는 단계는, 상기 모의 영상과 상기 기준 영상의 복수의 밴드별 픽셀 값과, 하기 수학식 3에 의해 산출되는 RMSE(Root Mean Squared Error)값 또는 하기 수학식 4에 의해 산출되는 R2값에 근거하여 산출되는 값에 따라 상기 모의 영상이 유효한지 여부를 검증하는 것을 특징으로 한다.
[수학식 3]
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 은 픽셀수임.
[수학식 4]
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 는 특정 밴드의 기준 영상 픽셀값의 평균임.
일 실시 예에 있어서, 상기 복수의 밴드별 픽셀 값은, 적색(Red) 대역, 녹색(Green) 대역, 및 청색(Blue) 대역의 상기 모의 영상 각 픽셀들의 픽셀값 및 상기 기준 영상 각 픽셀들의 픽셀값 임을 특징으로 한다.
본 발명에 따른 모의 위성 영상 생성 장치 및 방법의 효과에 대해 설명하면 다음과 같다.
본 발명의 실시 예들 중 적어도 하나에 의하면, 본 발명은 대상 영상에 대해 기상 상태, 대기 상태 및 계절적 조건들과 같이 서로 비선형관계에 있는 조건들이 동시에 반영된 모의 영상을 생성함으로써, 대상 영상과 균일한 조건에 있는 모의 영상을 생성할 수 있도록 한다는 효과가 있다.
도 1은 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치의 구성을 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에 입력되는 기준 영상 및 대상 영상의 예를 도시한 예시도이다.
도 3은 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에서 기준점을 검출하기 위한 스캐터그램의 예 및 검출된 기준점들의 예를 도시한 예시도이다.
도 4는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에서 생성된 모의 영상의 예를 도시한 예시도이다.
도 5는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에서, 비선형 회귀모델에 따라 모의 영상을 생성하는 동작 과정을 도시한 흐름도이다.
도 6은 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에서 생성된 모의 영상을 검증하는 동작 과정을 도시한 흐름도이다.
본 명세서에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "구성된다." 또는 "포함한다." 등의 용어는 명세서상에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 명세서에 개시된 기술을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 기술의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
먼저 도 1은 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치의 구성을 설명하기 위한 블록도이다.
도 1을 참조하여 살펴보면, 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)는 제어부(110)와 상기 제어부(110)에 연결되는 영상 입력부(120), 특성변수값 추출부(140), 회귀모델 학습부(150) 및, 메모리(160), 입력부(170), 그리고 출력부(180)를 포함하여 구성될 수 있다. 또한 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)는 생성된 모의 영상을 검증할 수 있는 검증부(190)를 더 포함하여 구성될 수 있다.
먼저 영상 입력부(120)는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)에 입력되는 입력 영상들을 입력받을 수 있다. 여기서 상기 입력 영상들은 기준 영상 및 대상 영상을 포함할 수 있으며, 상기 기준 영상과 대상 영상은 동일한 장소를 서로 다른 계절에 촬영한 위성 영상들일 수 있다. 따라서 상기 기준 영상과 대상 영상 간에는 계절적 변화가 있을 수 있다.
한편 상기 위성 영상은 랜드샛(Landsat) 위성으로부터 촬영된 영상일 수 있다. 그리고 상기 위성 영상은 근적외선 밴드의 영상을 포함할 수 있다. 즉, 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)는, 상기 랜드샛 위성으로부터 수신된 근적외선 밴드의 영상을 각각 포함하는 기준 영상 및 대상 영상을, 상기 영상 입력부(120)를 통해 입력 영상들로 입력받을 수 있다.
도 2는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)에 입력되는 상기 기준 영상 및 대상 영상의 예를 도시한 예시도이다.
먼저 도 2의 (a)는 상기 영상 입력부(120)에 입력되는 대상 영상의 예를 보이고 있는 것이다. 그리고 도 2의 (b)는 상기 영상 입력부(120)에 입력되는 기준 영상의 예를 보이고 있는 것이다. 도 2의 (a)와 (b)에서 보이고 있는 바와 같이 상기 기준 영상과 대상 영상은 서로 동일한 지역을 서로 다른 계절에 촬영한 영상일 수 있다.
한편 기준점 획득부(130)는 제어부(110)의 제어에 따라 상기 기준 영상으로부터 기준점을 획득할 수 있다. 이를 위해 기준점 획득부(130)는 상기 기준 영상 및 대상 영상에 대한 근적외선 밴드의 영상들을 입력받을 수 있으며, 입력된 근적외선 영상들간의 스캐터그램(Scattergram)을 생성할 수 있다.
한편 스캐터그램이 생성되면, 기준점 획득부(130)는 생성된 스캐터그램으로부터 물(water)의 클러스터 중심 지점 및 지표(land)의 클러스터 중심 지점을 검출할 수 있다. 그리고 검출된 물 및 지표의 클러스터 중심 지점들에 근거하여 불변선(no change line)을 획득할 수 있다.
그리고 기준점 획득부(130)는 상기 스캐터그램으로부터 검출된 물 및 지표의 클러스터 중심으로부터, 근적외선 밴드 영상의 초기 정규화를 위한 제1 계수(a)를 산출할 수 있다. 여기서 상기 제1 계수(a)는 기준 영상의 근적외선 밴드 영상으로부터 검출된 지표 및 물의 국부 최대값들 및 대상 영상의 근적외선 밴드 영상으로부터 검출된 지표 및 물의 국부 최대값들에 근거하여 산출될 수 있다.
한편, 불변선이 획득되면, 기준점 획득부(130)는 기준 영상과 대상 영상을 비교한 결과로부터 변화가 발생되지 않은 영역, 즉 불변 영역을 검출할 수 있다. 그리고 기준점 획득부(130)는 하기 수학식 1과 같이, 상기 제1 계수(a)와 상기 검출된 불변 영역의 반 수직폭(Half Perpendicular Width, HPW)으로부터, 상기 스캐터그램에서의 불변 영역에 대한 반 수직폭(Half Vertical Width, HVW)을 구할 수 있다. 여기서 상기 HPW는, 구해진 HVW가 상기 불변선과의 상관도가 90% 이상이며, 상기 검출된 불변 영역의 과반수(50% 이상)를 만족하도록 설정될 수 있다.
그리고 기준점 획득부(130)는 상기 수학식 1에 의해 HVW가 산출되면, 하기 수학식 2에 근거하여 기준 영상으로부터 기준점에 대응하는 픽셀들을 검출할 수 있다.
도 3은 상기 기준점 획득부(130)에 의해 생성된 스캐터그램의 예 및 검출된 기준점들의 예를 도시한 것이다.
먼저 도 3의 (a)는 생성된 스캐터그램의 예를 보이고 있는 것으로, 스캐터그램에서 지표의 클러스터 중심(300)과 물의 클러스터 중심(302)이 검출된 예를 보이고 있으며, 상기 지표의 클러스터 중심(300)과 물의 클러스터 중심(302)에 근거하여 형성된 불변선(no change line, 310)의 예를 보이고 있다. 그리고 상기 불변선과 상관도 90%, 즉 상기 불변선과의 상관계수 0.9를 만족하면서, 기준 영상과 대상 영상으로부터 검출된 불변 영역의 50% 이상을 포함하도록 형성되는 HVW(320)가 형성된 예를 보이고 있다.
한편 상기 도 3의 (a)에서 보이고 있는 바와 같이 HVW가 산출되는 경우, 기준점 획득부(130)는 상기 수학식 2에 근거하여 기준점을 검출할 수 있다. 즉, 기준점 획득부(130)는 기준 영상의 근적외선 밴드 영상에서, 근적외선 밴드의 픽셀값이 상기 수학식 2를 만족하는 픽셀들의 위치를 검출할 수 있다. 그리고 검출된 픽셀들을 기준점으로 판별할 수 있다. 도 3의 (b)는 이처럼 기준 영상에서 기준점으로 검출된 각 픽셀들을 표시한 것으로, 기준점에 대응하는 픽셀들은 검은색으로, 그렇지 않은 픽셀들을 흰색으로 나타낸 것이다.
한편 특성변수값 추출부(140)는 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출할 수 있다. 예를 들어 특성변수값들은, 상기 대상 영상의 각 픽셀에 대한 서로 다른 밴드의 픽셀값들, 평균 픽셀값 및 분산값, 그리고 이미지 텍스쳐의 수직 또는 수평 방향의 상관관계, 엔트로피 등을 포함하는 통계값들, 상기 기준 영상 및 대상 영상에 대응하는 지역의 디지털 맵(예 : ASTER GDEM(ASTER Global Digital Elevation Map)), 또는 그레이 레벨 공존 행렬(GLCM : Gray Level Co-occurrence Matrix) 등을 통해 획득될 수 있다.
그리고 회귀모델 학습부(150)는 상기 추출된 특성변수값들 중 적어도 하나 및, 상기 기준점 획득부(130)에서 검출된 기준점들에 근거하여 기 설정된 비선형 회귀모델에 대한 학습을 수행할 수 있다. 여기서 상기 기 설정된 비선형 회귀모델은, 랜덤 포레스트(Random Forest) 회귀 모델일 수 있다. 랜덤 포레스트 회귀모델은 다수의 독립적인 의사결정 나무들의 평균으로 결과가 획득되는 앙상블(Ensemble) 접근 방법으로, 비선형 관계를 가지는 다양한 입력 데이터들에 따른 결과를 모델링할 수 있고, 안정성이 높고 데이터 내의 잡음의 영향이 크지 않으며, 과적합의 오류를 줄일 수 있는 장점이 존재하기 때문이다. 이러한 특성에 기반하여 획득한 정보를 통해 원격탐사 데이터의 맵핑 및 예측에 활용할 수 있다.
이하의 설명에서는, 상기 회귀모델 학습부(150)에서 학습이 이루어지는 비선형 회귀모델을 랜덤 포레스트 회귀모델인 것을 예로 들어 설명하기로 한다. 그러나 본 발명이 이에 한정되는 것이 아님은 물론이며, 상기 랜덤 포레스트 회귀모델과 유사하게 비선형 관계에 있는 입력 데이터들에 의한 결과를 모델링할 수 있는 다른 회귀모델이 있는 경우, 얼마든지 다른 회귀모델을 이용할 수도 있음은 물론이다.
한편 제어부(110)는 연결된 각 구성요소를 제어하며, 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)의 전반적인 동작을 제어할 수 있다.
제어부(110)는 상기 회귀모델이 학습을 수행하기 위해 필요한 변수들을 지정할 수 있다. 예를 들어 상술한 바와 같이 랜덤 포레스트 회귀모델을 이용하는 경우, 제어부(110)는 특성변수값 추출부(140)에서 추출된 특성변수들 중 사용될 변수들의 수를 나타내는 회귀모델 변수 ntry 및, 랜덤 포레스트 회귀모델에서 생성될 의사결정 나무의 수를 나타내는 회귀모델 변수 ntree를 회귀모델 학습부(150)에 설정할 수 있다.
여기서 상기 회귀모델 변수들은 미리 지정된 값들이거나 또는 사용자에 의해 임의로 설정될 수 있다. 또는 제어부(110)는 최적의 회귀모델 변수를 결정하기 위한 별도의 알고리즘 또는 소프트웨어를 이용하여 최적의 회귀모델 변수를 결정하고, 결정된 변수를 설정할 수도 있다.
한편 제어부(110)는 상기 회귀모델 학습부(150)를 통해 학습된 회귀모델에 근거하여 모의 영상을 생성할 수 있다. 모의 영상의 생성을 위해 제어부(110)는 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성 변수들을, 상기 학습된 회귀모델의 입력 정보로서 입력할 수 있다. 그리고 학습된 회귀모델에서 출력되는 영상을 모의 영상으로 메모리(160)에 저장할 수 있다. 도 4는 이처럼 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치에서 생성된 모의 영상의 예를 도시한 예시도이다.
그리고 메모리(160)는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)의 다양한 기능을 지원하는 데이터를 저장한다. 메모리(160)는 모의 위성 영상 생성 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 모의 위성 영상 생성 장치(100)의 동작을 위한 데이터들, 및 명령어들을 저장할 수 있다.
일 예로 메모리(160)는 상기 기준점 획득부(130)가 상기 기준점을 획득하기 위해 이용할 수 있는 애플리케이션 또는 프로그램을 저장할 수 있다. 즉, 상기 메모리(160)는 상기 스캐터그램의 생성 및 HVW를 산출하기 위한 프로그램 등을 포함할 수 있으며, 이 경우 메모리(160)에 저장된 프로그램을 통해 산출되는 HVW에 근거하여, 상기 기준점 획득부(130)가 기준 영상으로부터 기준점을 획득할 수 있다. 또한 메모리(160)는 상기 대상 영상으로부터 특성변수값들을 추출하기 위한 다양한 데이터들을 저장할 수 있으며, 상기 회귀모델의 학습을 위해 설정될 수 있는 다양한 회귀모델 변수들(예 : ntry, ntree)에 대한 데이터가 저장될 수 있다. 또는 메모리(160)는 최적의 상기 회귀모델 변수를 결정하기 위한 프로그램을 저장할 수도 있다.
그리고 입력부(170)는 사용자로부터 정보를 입력받기 위한 것으로서, 기계식 입력수단 및 터치식 입력수단을 포함할 수 있으며, 출력부(180)는 적어도 하나의 표시 수단을 구비하여, 상기 기준 영상이나 대상 영상 또는 상기 모의 영상을 사용자가 확인할 수 있도록 표시할 수 있다.
한편 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)는 생성된 모의 영상을 검증하기 위한 검증부(190)를 더 포함할 수 있다. 검증부(190)는 서로 다른 밴드별로, 모의 영상과 기준 영상의 각 픽셀별 픽셀값과 픽셀수 및, 기 설정된 수학식에 근거하여 산출되는 RMSE(Root Mean Squard Error) 또는 R2 값에 따라, 현재 생성된 모의 영상이 유효한지 여부를 검증할 수 있다.
이상의 설명에서는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)의 구성에 대해서 자세히 설명하였다.
이하에서는 복수의 흐름도를 참조하여 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)에서 모의 영상이 생성되는 동작 과정을 자세히 살펴보기로 한다.
먼저 도 5는 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)에서, 비선형 회귀모델에 따라 모의 영상을 생성하는 동작 과정을 도시한 흐름도이다.
도 5를 참조하여 살펴보면, 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)의 제어부(110)는 먼저 입력된 기준 영상 및 대상 영상으로부터 스캐터그램을 생성할 수 있다(S500).
그리고 제어부(110)는 생성된 스캐터그램으로부터 물의 클러스터 중심 지점 및 지표의 클러스터 중심 지점을 검출할 수 있다. 그리고 검출된 클러스터 지점들에 근거하여 불변선(no change line)을 획득 및, 획득된 불변선에 근거하여 HVW(Half Vertical Width)를 산출할 수 있다. 그리고 산출된 HVW에 근거하여, 기준 영상의 각 픽셀들 중 기준점에 해당하는 픽셀들의 위치를 검출할 수 있다(S502).
그리고 제어부(110)는 대상 영상으로부터 기 설정된 특성변수값들을 획득할 수 있다(S504). 상기 특성 변수값들은 상기 대상 영상의 각 픽셀들 또는 복수의 인접한 픽셀들로부터 획득될 수 있다. 하기 표 1은 상기 대상 영상으로부터 획득되는 특성변수들의 예를 보이고 있는 것이다.
여기서 Band 1 내지 Band 7은 대상 이미지(Landsat 5 TM)의 스펙트럼 특성의 서로 다른 대역(Band)을 의미할 수 있다. Band 1 내지 Band 3을 예로 살펴보면, Band 1은 스펙트럼 특성의 청색(Blue) 특성을, Band 2는 스펙트럼 특성의 녹색(Green) 특성을, Band 3은 스펙트럼 특성의 적색(Red) 특성을 나타낼 수 있다. 즉, Band 1 의 특성변수값은 대상 이미지의 각 픽셀의 Blue 픽셀값을, Band 2 의 특성변수값은 대상 이미지의 각 픽셀의 Green 픽셀값을, 그리고 Band 3 의 특성변수값은 대상 이미지의 각 픽셀의 Red 픽셀값을 의미할 수 있다.
한편 그레이 레벨 공존 행렬(GLCM)의 데이터(Band 1 내지 Band 3)는 픽셀과 인접한 다른 픽셀 사이의 통계적 값(픽셀값)을 사용하여 획득되는 값으로, 텍스처 특성으로서의 픽셀들의 공간적 특성을 나타내며, 이미지 분포의 규칙성 및 균일성을 나타내는 ASM(Angular Second Moment), 이미지 텍스처 구조의 깊이와 부드러움을 반영하는 Contrast, 수평 또는 수직 방향으로 이미지 텍스처의 유사성을 반영하는 상관관계(correlation), 텍스처 분포의 복잡성을 반영하는 엔트로피(entropy)로부터 획득될 수 있다.
또한 Band 1 내지 Band 3 각각에서 인접한 픽셀들간의 평균(Mean) 및 분산(Vqriance)이 대상 영상 각 픽셀들의 Band 1 내지 Band 3 각각의 픽셀값들로부터 획득될 수 있으며, 대상 영상에 대응하는 지역의 디지털 지형 정보(ASTRO Global Digital Elevation Map, ASTRO GDEM)로부터 대상 영상 각 픽셀의 고도 정보(elevation), 경사 정보(slope), 및 면 정보(aspect)가 획득될 수 있다.
한편 상기 S504 단계에서 특성변수값들이 획득되면, 제어부(110)는 회귀모델 학습을 위한 변수를 설정할 수 있다(S506). 여기서 상기 회귀모델은 비선형 관계를 모델링할 수 있는 회귀모델일 수 있으며, 예를 들어 랜덤 포레스트 회귀모델일 수 있다. 그리고 상기 회귀모델이 랜덤 포레스트 회귀모델인 경우, 제어부(110)는 상기 랜덤 포레스트 회귀모델에 입력될 특성변수값들의 수를 나타내는 회귀모델 변수 ntry와 , 상기 랜덤 포레스트 회귀모델에서 의사결정 나무의 수를 나타내는 회귀모델 변수 ntree를 설정할 수 있다.
한편 상기 회귀모델 변수들은, 기 설정된 최적화된 변수들 중에서 사용자에 의해 임의로 지정되거나 또는 임의로 사용자가 입력하는 값에 따라 결정될 수 있다. 또는 최적화된 변수를 결정하기 위한 별도의 프로그램을 통해 최적의 값들이 결정될 수도 있다. 이러한 경우 상기 S506 단계는 상기 최적의 변수값을 결정하기 위한 프로그램이 수행되는 과정을 더 포함할 수도 있다.
한편 상기 S506 단계에서 회귀모델 변수들이 설정되면, 제어부(110)는 설정된 회귀모델 변수에 따라, 상기 S504 단계에서 획득된 적어도 하나의 특성변수값을 선택할 수 있다. 그리고 제어부(110)는 선택된 특성변수값들과 상기 S502 단계에서 획득된 기준점에 근거하여 회귀모델에 대한 학습을 수행할 수 있다.
한편 제어부(110)는 회귀모델에 대한 학습이 완료된 것으로 판단되면, 상기 학습된 회귀모델에 근거하여 모의 영상을 생성할 수 있다(S508). 여기서 상기 회귀모델의 학습 완료 여부의 판단은 기 설정된 조건이 만족되었는지 여부에 따라 결정될 수 있다. 예를 들어 제어부(110)는 기 설정된 시간이 경과하는 경우 상기 회귀모델의 학습이 완료된 것으로 판단할 수 있다.
한편 회귀모델의 학습이 완료되면, 제어부(110)는 대상 영상의 전체 픽셀 각각의 위치에 대응하는 적어도 하나의 특성변수값을, 상기 학습된 회귀모델의 입력정보로서 입력할 수 있다. 여기서 상기 특성변수값은 상기 S504 단계에서, 상기 대상 영상의 각 픽셀에 대해 획득된 것일 수 있다. 그리고 상기 입력된 입력정보에 대응하여 상기 학습된 회귀모델로부터 출력되는 영상을, 모의 영상으로서 메모리(160)에 저장할 수 있다.
한편 상술한 설명에 따르면, 본 발명은 상기 생성된 모의 영상에 대하여, 상기 모의 영상이 유효한지 여부를 검증할 수 있음을 언급한 바 있다.
도 6은 본 발명의 실시 예에 따른 모의 위성 영상 생성 장치(100)에서, 생성된 모의 영상을 검증하는 동작 과정을 도시한 흐름도이다.
도 6을 참조하여 살펴보면, 제어부(110)는 생성된 모의 영상을 기준 영상에 근거하여 검증할 수 있다(S600). 이를 위해 제어부(110)는 복수의 밴드 각각에 따른 모의 영상의 픽셀값 및 기준 영상의 픽셀값에 따라 상기 검증을 수행할 수 있다.
먼저 제어부(110)는 하기 수학식 3과 같이 복수의 밴드별 모의 영상의 픽셀값과 기준 영상의 픽셀값에 의해 산출되는 RMSE(Root Mean Squard Error) 값을 산출할 수 있다.
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 은 픽셀수임.
또는 제어부(110)는 하기 수학식 4와 같이 복수의 밴드별 모의 영상의 픽셀값과 기준 영상의 픽셀값, 그리고 기준 영의 평균 픽셀값에 의해 산출되는 R2 값을 산출할 수 있다.
여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 는 특정 밴드의 기준 영상 픽셀값의 평균임.
그리고 상기 RMSE 값 또는 R2 값이 산출되면 제어부(110)는 산출된 값들 중 적어도 하나에 근거하여 현재 생성된 모의 영상이 유효한지 여부를 판단할 수 있다(S602). 예를 들어 제어부(110)는 산출된 RMSE 값 또는 R2 값이 기 설정된 수준 이상인 경우 상기 모의 영상이 유효하다고 판단할 수 있다. 반면 제어부(110)는 산출된 RMSE 값 또는 R2 값이 기 설정된 수준 미만인 경우 상기 모의 영상이 유효하지 않은 것으로 판단할 수 있다.
그러면 제어부(110)는 회귀 모델의 학습이 부족한 것으로 판단할 수 있다. 따라서 제어부(110)는 회귀모델에 대한 재학습을 수행할 수 있으며, 재학습된 회귀모델에 근거하여 다시 모의 영상을 생성할 수 있다(S706). 그리고 모의 영상이 재생성되면, 다시 S600 단계로 진행하여 생성된 모의 영상을 기준 영상에 근거하여 검증할 수 있다.
한편 상기 S600 단계에서, 제어부(110)는 시각적인 해석을 위해, R(Red), G(Freen), B(Blue) 3개 대역의 모의 영상과 기준 영상의 밴드별 픽셀값들에 근거하여 상기 검증을 수행할 수도 있음은 물론이다. 하기 표 2는 이처럼 R(Red), G(Freen), B(Blue) 3개 대역에 대해 상기 검증이 수행된 결과를 도시한 예를 보이고 있는 것이다.
여기서 RF refression은 랜덤 포레스트(Random Forest) 회귀모델을, Band 1은 청색(Blue)에 대응하는 대역을, Band 2는 녹색(Green)에 대응하는 대역을, 여기서 Band 3은 적색(Red)에 대응하는 대역을 의미함.
한편 상술한 본 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 여러 가지 변형이 본 발명의 범위에서 벗어나지 않고 실시할 수 있다. 예를 들어 상술한 설명에 따르면, 회귀모델의 학습이 완료되었다고 판단되는 경우에 모의 영상이 생성되는 경우를 설명하였으나, 상기 제어부(110)는 회귀모델의 학습이 완료되었는지 여부를 상기 회귀모델을 통해 생성된 모의 영상을 검증한 결과에 따라 판단할 수도 있음은 물론이다. 즉, 제어부(110)는 생성된 모의 영상에 대한 검증을 수행한 결과, 모의 영상이 유효한 것으로 검증되는 경우 상기 회귀모델의 학습이 완료된 것으로 판단할 수 있다. 그러나 상기 모의 영상이 유효하지 않은 경우라면 상기 회귀모델의 학습이 완료되지 않은 것으로 판단하고, 회귀모델의 학습을 더 수행할 수도 있다.
이와 같이, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석 되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 모의 위성 영상 생성 장치 110 : 제어부
120 : 영상 입력부 130 : 기준점 획득부
140 : 특성변수값 추출부 150 : 회귀모델 학습부
160 : 메모리 170 : 입력부
180 : 출력부 190 : 검증부

Claims (10)

  1. 기준 영상과 대상 영상의 근적외선 밴드 영상들로부터 스캐터그램(scattergram)을 생성하고, 생성된 스캐터그램으로부터 불변선 및 불변선에 근거한 HVW(Half Vertical Width)를 산출하며, 산출된 HVW에 근거하여 상기 기준 영상의 각 픽셀들 중 기준점들의 위치를 검출하는 기준점 획득부;
    상기 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출하는 특성변수값 추출부;
    상기 추출된 특성변수값들 중 지정되는 회귀모델 변수에 따른 적어도 하나와, 상기 기준점에 근거하여, 비선형 관계를 모델링할 수 있는 기 설정된 회귀모델에 대한 학습을 수행하는 회귀모델 학습부; 및
    적어도 하나의 상기 회귀모델 변수를 지정하여 지정된 변수에 따라 상기 회귀모델의 학습이 이루어지도록 상기 회귀모델 학습부를 제어하며, 상기 학습된 회귀모델에 상기 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성변수를 입력 정보로 입력하고, 상기 입력 정보에 따라 회귀모델이 출력하는 영상을 모의 영상으로 저장하는 제어부를 포함하는 것을 특징으로 하는 모의 위성 영상 생성 장치.
  2. 제1항에 있어서, 상기 기 설정된 회귀모델은,
    랜덤 포레스트(Random Forest) 회귀모델임을 특징으로 하는 모의 위성 영상 생성 장치.
  3. 제1항에 있어서, 상기 특성변수값은,
    상기 대상 영상 스펙트럼 특성의 서로 다른 밴드 각각의 픽셀값과, 서로 다른 복수의 밴드에 대해 각각 산출되며 대상 영상의 픽셀값과 인접한 픽셀들의 픽셀값들 사이에서 산출되는 적어도 하나의 통계값 및, 상기 대상 영상에 대응하는 지역의 디지털 지형 정보로부터 추출되는 상기 대상 영상 각 픽셀에 대응하는 적어도 하나의 지형 정보를 포함하는 것을 특징으로 하는 모의 위성 영상 생성 장치.
  4. 제1항에 있어서,
    상기 모의 영상이 유효한지 여부를 검증할 수 있는 검증부를 더 포함하며,
    상기 검증부는,
    상기 모의 영상과 상기 기준 영상의 복수의 밴드별 픽셀 값과, 하기 수학식 3에 의해 산출되는 RMSE(Root Mean Squared Error)값 또는 하기 수학식 4에 의해 산출되는 R2값에 근거하여 산출되는 값에 따라 상기 모의 영상이 유효한지 여부를 검증하는 것을 특징으로 하는 모의 위성 영상 생성 장치.
    [수학식 3]

    여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 은 픽셀수임.
    [수학식 4]

    여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 는 특정 밴드의 기준 영상 픽셀값의 평균임.
  5. 제4항에 있어서, 상기 복수의 밴드별 픽셀값은,
    적색(Red) 대역, 녹색(Green) 대역, 및 청색(Blue) 대역의 상기 모의 영상 각 픽셀들의 픽셀값 및 상기 기준 영상 각 픽셀들의 픽셀값 임을 특징으로 하는 모의 위성 영상 생성 장치.
  6. 기준 영상과 대상 영상의 근적외선 밴드 영상들로부터 스캐터그램(scattergram)을 생성하는 단계;
    생성된 스캐터그램으로부터 불변선 및 불변선에 근거한 HVW(Half Vertical Width)를 산출하며, 산출된 HVW에 근거하여 상기 기준 영상의 각 픽셀들 중 기준점들의 위치를 검출하는 단계;
    상기 대상 영상으로부터 기 설정된 적어도 하나의 특성변수값을 추출하는 단계;
    상기 추출된 특성변수값들 중 지정되는 회귀모델 변수에 따른 적어도 하나와, 상기 기준점에 근거하여, 비선형 관계를 모델링할 수 있는 기 설정된 회귀모델에 대한 학습을 수행하는 단계; 및,
    상기 학습된 회귀모델에 상기 대상 영상의 전체 픽셀들 각각의 위치에 대응하는 적어도 하나의 특성변수를 입력 정보로 입력하여 모의 영상을 생성하는 단계를 포함하는 것을 특징으로 하는 모의 위성 영상 생성 방법.
  7. 제6항에 있어서, 상기 기 설정된 회귀모델은,
    랜덤 포레스트(Random Forest) 회귀모델임을 특징으로 하는 모의 위성 영상 생성 방법.
  8. 제6항에 있어서, 상기 특성변수값은,
    상기 대상 영상 스펙트럼 특성의 서로 다른 밴드 각각의 픽셀값과, 서로 다른 복수의 밴드에 대해 각각 산출되며 대상 영상의 픽셀값과 인접한 픽셀들의 픽셀값들 사이에서 산출되는 적어도 하나의 통계값 및, 상기 대상 영상에 대응하는 지역의 디지털 지형 정보로부터 추출되는 상기 대상 영상 각 픽셀에 대응하는 적어도 하나의 지형 정보를 포함하는 것을 특징으로 하는 모의 위성 영상 생성 방법.
  9. 제6항에 있어서,
    상기 모의 영상이 유효한지 여부를 검증하는 단계를 더 포함하고,
    상기 모의 영상이 유효한지 여부를 검증하는 단계는,
    상기 모의 영상과 상기 기준 영상의 복수의 밴드별 픽셀 값과, 하기 수학식 3에 의해 산출되는 RMSE(Root Mean Squared Error)값 또는 하기 수학식 4에 의해 산출되는 R2값에 근거하여 산출되는 값에 따라 상기 모의 영상이 유효한지 여부를 검증하는 것을 특징으로 하는 모의 위성 영상 생성 방법.
    [수학식 3]

    여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 은 픽셀수임.
    [수학식 4]

    여기서, 는 특정 밴드의 모의 영상 픽셀값이고, 는 특정 밴드의 기준 영상 픽셀값, 그리고 는 특정 밴드의 기준 영상 픽셀값의 평균임.
  10. 제9항에 있어서, 상기 복수의 밴드별 픽셀 값은,
    적색(Red) 대역, 녹색(Green) 대역, 및 청색(Blue) 대역의 상기 모의 영상 각 픽셀들의 픽셀값 및 상기 기준 영상 각 픽셀들의 픽셀값 임을 특징으로 하는 모의 위성 영상 생성 방법.
KR1020180038834A 2018-04-03 2018-04-03 모의 위성 영상을 생성하는 장치 및 방법 KR102039048B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180038834A KR102039048B1 (ko) 2018-04-03 2018-04-03 모의 위성 영상을 생성하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180038834A KR102039048B1 (ko) 2018-04-03 2018-04-03 모의 위성 영상을 생성하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190115758A true KR20190115758A (ko) 2019-10-14
KR102039048B1 KR102039048B1 (ko) 2019-11-26

Family

ID=68171922

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180038834A KR102039048B1 (ko) 2018-04-03 2018-04-03 모의 위성 영상을 생성하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102039048B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060075A (zh) * 2019-12-10 2020-04-24 中国人民解放军军事科学院国防科技创新研究院 一种基于无人机的局部区域地形正射影像快速构建方法和系统
CN114817854A (zh) * 2022-03-28 2022-07-29 山西大学 一种面向连续值变量基于线性回归的快速多点模拟方法
CN115759291A (zh) * 2022-11-21 2023-03-07 武汉大学 一种基于集成学习的空间非线性回归方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110092027A (ko) * 2010-02-08 2011-08-17 삼성전자주식회사 모델 학습 기반의 실시간 영상 모델링 장치 및 그 방법
US20130129230A1 (en) * 2011-11-18 2013-05-23 Microsoft Corporation Computing Pose and/or Shape of Modifiable Entities
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101693705B1 (ko) * 2015-08-31 2017-01-18 건국대학교 산학협력단 다중 회귀식에 의한 중해상도 모의 위성 영상 제작 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110092027A (ko) * 2010-02-08 2011-08-17 삼성전자주식회사 모델 학습 기반의 실시간 영상 모델링 장치 및 그 방법
US20130129230A1 (en) * 2011-11-18 2013-05-23 Microsoft Corporation Computing Pose and/or Shape of Modifiable Entities
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101693705B1 (ko) * 2015-08-31 2017-01-18 건국대학교 산학협력단 다중 회귀식에 의한 중해상도 모의 위성 영상 제작 방법 및 시스템

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Yang, et al. "Relative radiometric normalization performance for change detection from multi-date satellite images." Photogrammetric engineering (2000)* *
김수영, et al. "원격탐사영상과 Regression Tree 알고리즘을 이용한 불투수도의 추정." 대한토목학회 학술대회 (2006)* *
이수봉, et al. "대기보정된 Landsat TM 영상으로부터 모의영상 제작." 한국측량학회지, 33.1 (2015)* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111060075A (zh) * 2019-12-10 2020-04-24 中国人民解放军军事科学院国防科技创新研究院 一种基于无人机的局部区域地形正射影像快速构建方法和系统
CN114817854A (zh) * 2022-03-28 2022-07-29 山西大学 一种面向连续值变量基于线性回归的快速多点模拟方法
CN114817854B (zh) * 2022-03-28 2024-04-12 山西大学 一种面向连续值变量基于线性回归的快速多点模拟方法
CN115759291A (zh) * 2022-11-21 2023-03-07 武汉大学 一种基于集成学习的空间非线性回归方法及系统

Also Published As

Publication number Publication date
KR102039048B1 (ko) 2019-11-26

Similar Documents

Publication Publication Date Title
CN109477710B (zh) 基于点的结构化光系统的反射率图估计
Hancock et al. Characterising forest gap fraction with terrestrial lidar and photography: An examination of relative limitations
Leblanc et al. Hemispherical photography simulations with an architectural model to assess retrieval of leaf area index
KR102039048B1 (ko) 모의 위성 영상을 생성하는 장치 및 방법
CN106548146A (zh) 基于时空分析的地表覆盖变化算法和系统
Nyaruhuma et al. Verification of 2D building outlines using oblique airborne images
Lichti Spectral filtering and classification of terrestrial laser scanner point clouds
Moriondo et al. Use of digital images to disclose canopy architecture in olive tree
CN106157292A (zh) 基于两时相遥感图像的国土资源变化监测
Oommen et al. Documenting earthquake-induced liquefaction using satellite remote sensing image transformations
US10657422B2 (en) Methods and systems for hyper-spectral systems
Polinova et al. Reconstructing pre-fire vegetation condition in the wildland urban interface (WUI) using artificial neural network
Pawar et al. Detecting clear sky images
CN109726649A (zh) 遥感影像云检测方法、系统及电子设备
CN113724381B (zh) 一种基于高分遥感影像的动态三维场景快速重建方法
Roussel et al. Comparison of two atmospheric correction methods for the classification of spaceborne urban hyperspectral data depending on the spatial resolution
CN112557325A (zh) 一种果树果品品质近地面遥感监测装置和方法
Ilangakoon et al. Estimating leaf area index by bayesian linear regression using terrestrial Lidar, LAI-2200 plant canopy analyzer, and landsat tm spectral indices
Luus et al. Adaptive threshold-based shadow masking for across-date settlement classification of panchromatic QuickBird images
Zhang et al. Linking Image-based Metrics to 3D Model-based Metrics for Assessment of Visual Landscape Quality
Kozoderov et al. Cognitive technologies for processing optical images of high spatial and spectral resolution
Kuny et al. Discriminating between the SAR signatures of debris and high vegetation
CN105551019A (zh) 基于任意自然景物图像的在轨传递函数估计方法
Alexandridis et al. LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations
CN110930447A (zh) 基于Android的无人值守雪深测量方法

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