KR20210064672A - 지구 관측 영상 전송 우선순위 결정 방법 및 장치 - Google Patents

지구 관측 영상 전송 우선순위 결정 방법 및 장치 Download PDF

Info

Publication number
KR20210064672A
KR20210064672A KR1020190153148A KR20190153148A KR20210064672A KR 20210064672 A KR20210064672 A KR 20210064672A KR 1020190153148 A KR1020190153148 A KR 1020190153148A KR 20190153148 A KR20190153148 A KR 20190153148A KR 20210064672 A KR20210064672 A KR 20210064672A
Authority
KR
South Korea
Prior art keywords
earth observation
observation image
class
image
neural network
Prior art date
Application number
KR1020190153148A
Other languages
English (en)
Other versions
KR102440457B1 (ko
Inventor
김진형
조동현
Original Assignee
한국항공우주연구원
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 한국항공우주연구원 filed Critical 한국항공우주연구원
Priority to KR1020190153148A priority Critical patent/KR102440457B1/ko
Publication of KR20210064672A publication Critical patent/KR20210064672A/ko
Application granted granted Critical
Publication of KR102440457B1 publication Critical patent/KR102440457B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명은 지구 관측 영상 전송 우선순위 결정 방법 및 장치에 관한 것으로, 본 발명에 따른 방법은 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하는 단계, 계산된 균일도가 미리 정해진 기준 이하인 지구 관측 영상의 RGB 패치를 제1 신경망에 입력하여 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하는 단계, 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 제2 신경망에 입력하여 운량을 추정하는 단계, 그리고 제1 신경망에서 분류된 클래스와 제2 신경망에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정하는 단계를 포함한다. 본 발명에 의하면 인공위성이 궤도상에서 촬영한 영상의 유효성 판단 및 한정된 데이터 링크를 경제적으로 사용할 수 있는 효과를 가진다.

Description

지구 관측 영상 전송 우선순위 결정 방법 및 장치{Earth Observation Image Transmission Priority Determination Method and Apparatus}
본 발명은 지구 관측 광학 탑재체가 포함된 인공위성이 궤도 상에서 촬영한 영상을 지상으로 전송하는 우선 순위를 결정하는 방법 및 장치에 관한 것이다.
과거에는 지구관측을 위하여 위성 개발 기업이 한정된 고객에 대한 각각의 요구조건에 맞춰 고해상도 다중대역 광학탑재체를 탑재한 중대형 위성을 개발하였다. 그러나 최근 지구관측 위성 개발의 패러다임은 급격하게 변하고 있다. 저비용 초소형위성의 군집운용을 이용한 초소형위성 스타트업 기업의 수가 급증하고 있다. 이들은 상대적으로 제작비용이 저렴하고 발사 단가가 낮은 초소형위성의 다수 운용으로 관심지역에 대한 관측 주기를 현저하게 단축하였으며, 다수 위성을 동시간대에 촬영하여 광대역 동시 촬영을 수행할 수도 있게 되었다.
초소형위성은 개발 단가와 성능 사이에서 이율 배반적인 선택을 거쳐 설계된다. 가령, 지구관측을 목적으로 하는 초소형위성의 경우 지상관측 탑재체의 성능을 최우선으로 하여 위성의 민첩성을 포기하여 Nadir Pointing만으로 촬영을 수행할 수 있도록 하며, Line CCD가 아닌 상용제품인 2D CCD와 같은 제품을 착장하여 자세제어 정밀도가 낮아도 한 지역의 영상을 획득할 수 있도록 한다. 또한 지상국과의 교신이 제한적이며 통신계 성능의 한계로 인하여 지상으로 전송할 수 있는 영상의 수가 제한적이다.
한편, NASA의 연구에 따르면 지구 표면의 약 67%는 상시적으로 구름에 차폐되어있다. 구름은 지표지물에 비해 높은 동적 특성을 가지고, 사용자가 관측하고자 하는 지표지물을 차폐한다. 지상응용분야에서는 위성영상을 정합 및 정렬을 방해하는 요인이기 때문에 위성영상 활용 분야에서 이를 검출하고자 하는 시도가 있었다. 또한 한국항공우주연구원의 한 보고에 따르면, KOMPSAT-1 위성으로부터 수집된 26만장의 영상 중 약 6만 5천장의 영상만 운량이 적어 지상에서 활용할 수 있는 수준이었으며, 나머지 75%의 영상은 구름에 의한 차폐로 활용성이 현저히 떨어졌다.
이와 같이 구름에 지구 표면이 차폐된 위성영상 전송은 약 75%의 데이터 링크 버짓(ta Link Budget)의 낭비이며, 나아가서는 별도의 대용량 저장공간이 없는 초소형위성에서 저장공간의 큰 손실이다. 또한 위성영상의 후처리를 생각하면 지상인력의 운용에 있어서도 경제성을 현저히 낮추는 주요 요인이다.
현재 궤도상 위성영상의 전송 우선순위 결정과 관련된 기술은 전무하며, 위성영상을 일단 지상에 내려받아서 운량을 검출하여 차폐율이 일정 수준 이상인 경우 사용자에게 제공하지 않는 방식으로 운용중에 있다.
그리고 기존 운량 검출기법은 가시대역외에 열적외선 대역 촬영 정보를 참조하여 구름을 검출하거나, 숙련된 전문가가 스레시홀딩(Thresholding) 기법을 수동으로 조작하여 검출하였다.
한편 신경망 기술을 이용한 운량 추정 기법은 종래에는 가시대역 외에 적외선 대역 추가로 참조하여 연구한 것은 있으나, 가시대역에서 구름 영역을 추출하는 기술은 없었으며, 종래 기술에서 열적외선 대역을 포함하는 다중 스펙트럼 밴드(multi spectral band) 영상으로부터 화소 단위로 구름 및 그림자를 검출하는 기술은 비교적 높은 정확도를 보여주지만, 초소형위성과 같은 타겟에는 촬영대역이 가시대역으로 제한적이기 때문에 해당 기술을 적용할 수 없는 문제점이 있었다.
따라서 본 발명이 해결하고자 하는 기술적 과제는 위성영상에 포함된 운량을 추정하고, 추정된 운량을 기초로 위성영상을 지상으로 전송하는 우선 순위를 인공위성 측에서 결정하는 방법 및 장치를 제공하는 것이다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 지구 관측 영상 전송 우선순위 결정 방법은 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하는 단계, 계산된 균일도가 미리 정해진 기준 이하인 지구 관측 영상의 RGB 패치를 제1 신경망에 입력하여 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하는 단계, 상기 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 제2 신경망에 입력하여 운량을 추정하는 단계, 그리고 상기 제1 신경망에서 분류된 클래스와 상기 제2 신경망에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정하는 단계를 포함한다.
상기 복수의 클래스는, 상기 영상 내 구름 점유도가 제1 기준값 미만인 제1 클래스, 상기 영상 내 구름 점유도가 상기 제1 기준값 이하이고 제2 기준값 이상인 제2 클래스, 그리고 상기 영상 내 구름 점유도가 상기 제2 기준값 미만인 제3 클래스를 포함할 수 있다.
상기 제2 클래스가 운량 추정 대상으로 정해질 수 있다.
상기 제1 클래스로 분류된 지구 관측 영상을 상기 제2 클래스로 분류된 지구 관측 영상보다 높은 우선 순위를 부여할 수 있다.
상기 제2 클래스로 분류된 지구 관측 영상은 추정된 운량이 적을수록 높은 우선를 부여할 수 있다.
상기 제1 기준값은 영상 내 구름 점유도가 1%이고, 상기 제2 기준값은 영상 내 구름 점유도가 99% 일 수 있다.
상기 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상은 상기 제3 클래스로 분류된 지구 관측 영상보다 낮은 우선 순위를 부여할 수 있다.
상기 균일도는 상기 지구 관측 영상 내의 밝기값의 표준 편차 정보를 이용하여 계산할 수 있다.
상기 지구 관측 영상은 가시대역 영상일 수 있다.
상기 RGB 패치는 상기 지구 관측 영상의 부분 또는 전체를 저해상도로 서브 샘플링하여 만들 수 있다.
상기한 기술적 과제를 해결하기 위한 본 발명에 따른 지구 관측 영상 전송 우선순위 결정 장치는, 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하고, 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상을 필터링하는 균일도 필터부, 계산된 균일도가 미리 정해진 기준 이하인 지구 관측 영상의 RGB 패치를 입력받아 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하는 제1 신경망, 상기 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 입력받아 운량을 추정하는 제2 신경망, 그리고 상기 제1 신경망에서 분류된 클래스와 상기 제2 신경망에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정하는 우선순위 결정부를 포함한다.
컴퓨터에 상기 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 포함할 수 있다.
본 발명에 의하면 인공위성이 궤도상에서 촬영한 영상의 유효성 판단 및 한정된 데이터 링크를 경제적으로 사용할 수 있는 효과를 가진다.
도 1은 지구 관측 영상 전송 우선순위 결정 장치의 구성도이다.
도 2는 지구 관측 영상 전송 우선순위 결정 방법의 흐름도이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 지구 관측 영상 전송 우선순위 결정 장치의 구성도이다.
도 1을 참고하면, 본 발명에 따른 지구 관측 영상 전송 우선순위 결정 장치(100)는 지구 궤도 상을 인공위성 등과 같은 위성체(도시하지 않음)에 탑재될 수 있다. 그리고 위성체의 광학탑재체(도시하지 않음)에 의해 촬영된 지구 관측 영상을 입력받아 영상 전송 우선순위를 결정할 수 있다.
여기서 광학탑재체는 2차원 가시대역 카메라일 수 있으며, 물론 실시예에 따라 다른 다양한 카메라일 수도 있다.
장치(100)는 균일도 필터부(110), 제1 신경망(120), 제2 신경망(130), 우선순위 결정부(140) 및 폴트 저장소(150)를 포함할 수 있다.
균일도 필터부(110)는 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하고, 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상을 필터링할 수 있다. 균일도 필터부(110)는 입력 영상을 단일 채널의 명도 영상으로 변환하여 균일도(Uniformity)를 측정할 수 있다. 여기서 균일도는 지구 관측 영상 내의 밝기값의 표준 편차 정보를 이용하여 계산할 수 있다. 밝기값 균일도가 높은 영상은 영상 내 유의미한 정보가 적으므로 더이상 처리하지 않고 폴트 저장소(150)로 보내어 별도 저장할 수 있다.
균일도 필터부(110)에 입력되는 RGB 패치는 지구 관측 영상의 부분 또는 전체를 저해상도로 서브 샘플링하여 만들 수 있다. 이를 위해 장치(100)는 RGB 패치를 생성하여 균일도 필터부(110)로 입력하는 패치 생성부(도시하지 않음)를 더 포함할 수 있다.
균일도 필터부(110)에서 영상을 필터링하는 균일도 기준은 실시예에 따라 달라질 수 있다.
균일도 필터부(110)는 지구 관측 영상의 균일도가 미리 정해진 기준 이하이면, 해당 지구 관측 영상의 RGB 패치를 제1 신경망(120)으로 전달할 수 있다.
제1 신경망(120)은 균일도 필터부(110)로부터 전달된 지구 관측 영상의 RGB 패치를 입력받아, 미리 학습된 신경망 모델을 이용하여 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하여 출력할 수 있다.
실시예에 따라 복수의 클래스는 영상 내 구름 점유도가 제1 기준값 미만인 제1 클래스, 영상 내 구름 점유도가 제1 기준값 이하이고 제2 기준값 이상인 제2 클래스, 그리고 영상 내 구름 점유도가 제2 기준값 미만인 제3 클래스로 이루어질 수 있다. 제1 기준값과 제2 기준값은 실시예에 따라 적절하게 설정될 수 있다.
예컨대 제1 신경망(120)에서 사용되는 신경망 모델은 3채널 색상 영상을 입력받아 3개의 클래스로 구분해주는 분류기일 수 있다. 가령 제1 신경망(120)은 입력된 지구 관측 영상의 RGB 패치를 구름 없음(A), 구름 존재(B), 구름 포화(C) 등의 3개의 클래스로 분류하도록 학습된 신경망 모델을 이용하여 분류할 수 있다. 여기서 구름 없음(A)은 영상 내 구름이 1% 미만, 구름 존재(B)는 영상 내 구름이 1~99%, 구름 포화(C)는 영상 내 구름이 99% 이상인 경우로 정해질 수 있다. 물론 구름 없음(A), 구름 존재(B), 구름 포화(C) 등으로 나누는 수치 기준은 실시예에 따라 다르게 정해질 수도 있다.
제2 신경망(130)은 제1 신경망(120)에서 분류된 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 입력받아 미리 학습된 신경망 모델을 이용하여 운량을 추정할 수 있다.
제2 신경망(130)에서 이용되는 신경망 모델은 전체 영상 크기 대비 구름 영역의 비율인 운량을 추정하도록 학습될 수 있다. 예컨대 U-net 기반 심층 신경망을 적용하여 영상 내 구름 영역을 검출하고, 영상에서 구름이 차지하는 비율을 운량으로 추정하여 출력하도록 학습된 심층 신경망 모델로 제2 신경망(130)을 구현할 수 있다.
그런데 제2 신경망(130)에서 사용되는 신경망 모델의 경우 운량이 포화되거나 아예 없는 경우에 대해서 운량 추정이 제대로 이루어지지 않는 한계점이 존재할 수 있다. 가령 지면이 눈으로 덮였거나, 구름으로 덮여있는 2가지 영상의 경우, 두 영상 모두 질감도가 낮고, 유사도는 높지만, 운량에 있어 양극단의 값을 가지기 때문에, 신경망이 원하는 방향으로 수렴하지 못하고 발산하게 되는 경향이 있다.
이를 해결하기 위해서 앞서, 제1 신경망(120)에서 구름 없음(A), 구름 존재(B), 구름 포화(C)의 3가지 클래스로 분류하고, 이 중에서 구름 존재(B)에 해당하는 클래스로 분류된 영상에 대해서만, 제2 신경망(130)에서 운량을 추정하도록 할 수 있다.
신경망 모델은 콘볼루션 신경망(Convolution neural network)(CNN)과 같은 기계학습 알고리즘 형태일 수 있다. 콘볼루션 신경망은 AlexNet, VGGNet, GoogLeNet, ResNet, SqueezeNet, U-net 등과 같은 심층 신경망 모델로 구현될 수 있다.
우선순위 결정부(140)는 제1 신경망(110)에서 분류된 클래스와 제2 신경망(120)에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정할 수 있다. 가령 구름 없음(A)으로 분류된 지구 관측 영상을 구름 존재(B)로 분류된 지구 관측 영상보다 높은 우선 순위를 부여할 수 있다. 그리고 구름 존재(B)로 분류된 지구 관측 영상들에 대해서는 제2 신경망(130)에서 추정된 운량이 적을수록 높은 우선 순위를 부여할 수 있다.
도 2는 지구 관측 영상 전송 우선순위 결정 방법의 흐름도이다.
도 1 및 도 2를 참고하면, 먼저 균일도 필터부(110)는 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산할 수 있다(S210).
다음으로 균일도 필터부(110)는 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상을 필터링할 수 있다(S220).
단계(S220)에서 계산된 균일도가 미리 정해진 기준을 초과하면, 균일도 필터부(110)는 해당 지구 관측 영상을 폴트 저장소(150)로 보내어 별도 저장할 수 있다.
한편 균일도 필터부(110)는 지구 관측 영상의 균일도가 미리 정해진 기준 이하이면, 균일도 필터부(110)는 해당 지구 관측 영상의 RGB 패치를 제1 신경망(120)으로 전달할 수 있다(S230).
다음으로 제1 신경망(120)은 균일도 필터부(110)로부터 전달된 지구 관측 영상의 RGB 패치를 입력받아, 미리 학습된 신경망 모델을 이용하여 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하여 출력할 수 있다(S240).
다음으로 제2 신경망(130)은 제1 신경망(120)에서 분류된 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 입력받아 미리 학습된 신경망 모델을 이용하여 운량을 추정하여 출력할 수 있다(S250).
마지막으로 우선순위 결정부(140)는 제1 신경망(110)에서 분류된 클래스와 제2 신경망(120)에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정할 수 있다(S260).
본 발명의 실시예는 다양한 컴퓨터로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터로 읽을 수 있는 매체를 포함한다. 이 매체는 앞서 설명한 방법을 실행시키기 위한 프로그램을 기록한다. 이 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이러한 매체의 예에는 하드디스크, 플로피디스크 및 자기 테이프와 같은 자기 매체, CD 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 자기-광 매체, 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 구성된 하드웨어 장치 등이 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 지구 관측 영상 전송 우선순위 결정 장치
110: 균일도 필터부
120: 제1 신경망
130: 제2 신경망
140: 우선순위 결정부
150: 폴트 저장소

Claims (17)

  1. 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하는 단계,
    계산된 균일도가 미리 정해진 기준 이하인 지구 관측 영상의 RGB 패치를 제1 신경망에 입력하여 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하는 단계,
    상기 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 제2 신경망에 입력하여 운량을 추정하는 단계, 그리고
    상기 제1 신경망에서 분류된 클래스와 상기 제2 신경망에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정하는 단계
    를 포함하는 지구 관측 영상 전송 우선순위 결정 방법.
  2. 제 1 항에서,
    상기 복수의 클래스는,
    상기 영상 내 구름 점유도가 제1 기준값 미만인 제1 클래스,
    상기 영상 내 구름 점유도가 상기 제1 기준값 이하이고 제2 기준값 이상인 제2 클래스, 그리고
    상기 영상 내 구름 점유도가 상기 제2 기준값 미만인 제3 클래스
    를 포함하고,
    상기 제2 클래스가 운량 추정 대상으로 정해지는 지구 관측 영상 전송 우선순위 결정 방법.
  3. 제 2 항에서,
    상기 제1 클래스로 분류된 지구 관측 영상을 상기 제2 클래스로 분류된 지구 관측 영상보다 높은 우선 순위를 부여하고,
    상기 제2 클래스로 분류된 지구 관측 영상은 추정된 운량이 적을수록 높은 우선를 부여하는 지구 관측 영상 전송 우선순위 결정 방법.
  4. 제 2 항에서,
    상기 제1 기준값은 영상 내 구름 점유도가 1%이고, 상기 제2 기준값은 영상 내 구름 점유도가 99% 인 지구 관측 영상 전송 우선순위 결정 방법.
  5. 제 3 항에서,
    상기 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상은 상기 제3 클래스로 분류된 지구 관측 영상보다 낮은 우선 순위를 부여하는 지구 관측 영상 전송 우선순위 결정 방법.
  6. 제 5 항에서,
    상기 균일도는 상기 지구 관측 영상 내의 밝기값의 표준 편차 정보를 이용하여 계산하는 지구 관측 영상 전송 우선순위 결정 방법.
  7. 제 1 항 내지 제 6 항에서,
    상기 지구 관측 영상은 가시대역 영상인 지구 관측 영상 전송 우선순위 결정 방법.
  8. 제 1 항 내지 제 6 항에서,
    상기 RGB 패치는 상기 지구 관측 영상의 부분 또는 전체를 저해상도로 서브 샘플링하여 만드는 지구 관측 영상 전송 우선순위 결정 방법.
  9. 컴퓨터에 상기한 제1항 내지 제8항 중 어느 한 방법을 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  10. 위성체에서 촬영된 지구 관측 영상의 RGB 패치를 입력받아 균일도를 계산하고, 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상을 필터링하는 균일도 필터부,
    계산된 균일도가 미리 정해진 기준 이하인 지구 관측 영상의 RGB 패치를 입력받아 영상 내 구름 점유도에 따라 정해지는 복수의 클래스로 분류하는 제1 신경망,
    상기 복수의 클래스 중에서 운량 추정 대상으로 정해진 클래스로 분류된 지구 관측 영상의 RGB 패치를 입력받아 운량을 추정하는 제2 신경망, 그리고
    상기 제1 신경망에서 분류된 클래스와 상기 제2 신경망에서 추정된 운량에 기초하여 지구 관측 영상의 전송 우선순위를 결정하는 우선순위 결정부
    를 포함하는 지구 관측 영상 전송 우선순위 결정 장치.
  11. 제 10 항에서,
    상기 복수의 클래스는,
    상기 영상 내 구름 점유도가 제1 기준값 미만인 제1 클래스,
    상기 영상 내 구름 점유도가 상기 제1 기준값 이하이고 제2 기준값 이상인 제2 클래스, 그리고
    상기 영상 내 구름 점유도가 상기 제2 기준값 미만인 제3 클래스
    를 포함하고,
    상기 제2 클래스가 운량 추정 대상으로 정해지는 지구 관측 영상 전송 우선순위 결정 장치.
  12. 제 11 항에서,
    상기 제1 클래스로 분류된 지구 관측 영상을 상기 제2 클래스로 분류된 지구 관측 영상보다 높은 우선 순위를 부여하고,
    상기 제2 클래스로 분류된 지구 관측 영상은 추정된 운량이 적을수록 높은 우선를 부여하는 지구 관측 영상 전송 우선순위 결정 장치.
  13. 제 11 항에서,
    상기 제1 기준값은 영상 내 구름 점유도가 1%이고, 상기 제2 기준값은 영상 내 구름 점유도가 99% 인 지구 관측 영상 전송 우선순위 결정 장치.
  14. 제 12 항에서,
    상기 계산된 균일도가 미리 정해진 기준을 초과하는 지구 관측 영상은 상기 제3 클래스로 분류된 지구 관측 영상보다 낮은 우선 순위를 부여하는 지구 관측 영상 전송 우선순위 결정 장치.
  15. 제 14 항에서,
    상기 균일도는 상기 지구 관측 영상 내의 밝기값의 표준 편차 정보를 이용하여 계산하는 지구 관측 영상 전송 우선순위 결정 장치.
  16. 제 10 항 내지 제 15 항에서,
    상기 지구 관측 영상은 가시대역 영상인 지구 관측 영상 전송 우선순위 결정 장치.
  17. 제 10 항 내지 제 15 항에서,
    상기 RGB 패치는 상기 지구 관측 영상의 부분 또는 전체를 저해상도로 서브 샘플링하여 만드는 지구 관측 영상 전송 우선순위 결정 장치.


KR1020190153148A 2019-11-26 2019-11-26 지구 관측 영상 전송 우선순위 결정 방법 및 장치 KR102440457B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190153148A KR102440457B1 (ko) 2019-11-26 2019-11-26 지구 관측 영상 전송 우선순위 결정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190153148A KR102440457B1 (ko) 2019-11-26 2019-11-26 지구 관측 영상 전송 우선순위 결정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20210064672A true KR20210064672A (ko) 2021-06-03
KR102440457B1 KR102440457B1 (ko) 2022-09-05

Family

ID=76396625

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190153148A KR102440457B1 (ko) 2019-11-26 2019-11-26 지구 관측 영상 전송 우선순위 결정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102440457B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113645401A (zh) * 2021-07-21 2021-11-12 甘肃祁连山国家级自然保护区管护中心(大熊猫祁连山国家公园甘肃省管理局张掖分局) 一种基于北斗物联网的野生动物生存环境监测方法
KR102358472B1 (ko) * 2021-08-27 2022-02-08 주식회사 에스아이에이 딥러닝 기반 위성영상의 촬영 스케줄링 방법

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040079120A (ko) * 2003-03-06 2004-09-14 삼성전자주식회사 신경망을 이용한 복합 항법 시스템 및 신경망 적용 방법
KR101381292B1 (ko) * 2012-12-28 2014-04-04 한국해양과학기술원 인공위성 시스템의 제어 방법 및 장치.
KR20160040954A (ko) * 2014-10-06 2016-04-15 에스케이텔레콤 주식회사 긴급 재난신고를 판단하는 방법 및 장치
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101709860B1 (ko) * 2015-09-01 2017-02-23 강릉원주대학교산학협력단 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템
KR101855652B1 (ko) * 2018-02-13 2018-06-25 대한민국 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법
KR101922645B1 (ko) * 2017-06-09 2018-11-27 한국항공우주연구원 구름 영역 검출 방법 및 구름 영역 검출 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040079120A (ko) * 2003-03-06 2004-09-14 삼성전자주식회사 신경망을 이용한 복합 항법 시스템 및 신경망 적용 방법
KR101381292B1 (ko) * 2012-12-28 2014-04-04 한국해양과학기술원 인공위성 시스템의 제어 방법 및 장치.
KR20160040954A (ko) * 2014-10-06 2016-04-15 에스케이텔레콤 주식회사 긴급 재난신고를 판단하는 방법 및 장치
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101709860B1 (ko) * 2015-09-01 2017-02-23 강릉원주대학교산학협력단 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템
KR101922645B1 (ko) * 2017-06-09 2018-11-27 한국항공우주연구원 구름 영역 검출 방법 및 구름 영역 검출 장치
KR101855652B1 (ko) * 2018-02-13 2018-06-25 대한민국 기계학습을 이용한 위성기반 전운량 산출 시스템 및 그 방법

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113645401A (zh) * 2021-07-21 2021-11-12 甘肃祁连山国家级自然保护区管护中心(大熊猫祁连山国家公园甘肃省管理局张掖分局) 一种基于北斗物联网的野生动物生存环境监测方法
KR102358472B1 (ko) * 2021-08-27 2022-02-08 주식회사 에스아이에이 딥러닝 기반 위성영상의 촬영 스케줄링 방법
US11620819B2 (en) 2021-08-27 2023-04-04 Si Analytics Co., Ltd Method for scheduling of shooting satellite images based on deep learning

Also Published As

Publication number Publication date
KR102440457B1 (ko) 2022-09-05

Similar Documents

Publication Publication Date Title
Kopsiaftis et al. Vehicle detection and traffic density monitoring from very high resolution satellite video data
CN111080526B (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
KR101361644B1 (ko) 영상 처리 장치 및 영상 내의 안개 제거 방법
Dev et al. Nighttime sky/cloud image segmentation
KR20140140163A (ko) 사용자 제어가 가능한 거듭제곱근 연산자를 이용한 안개영상 개선 장치
Skakun et al. Reconstruction of missing data in time-series of optical satellite images using self-organizing Kohonen maps
CN107529098A (zh) 实时视频摘要
KR102440457B1 (ko) 지구 관측 영상 전송 우선순위 결정 방법 및 장치
EP2395748A2 (en) Apparatus and method creating ghost-free high dynamic range image using filtering
JP6233869B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
CN106603941A (zh) 计算复杂度自适应的hdr图像转换方法及其系统
WO2013184358A1 (en) System and method for rapid cluster analysis of hyperspectral images
Moseley et al. Extreme low-light environment-driven image denoising over permanently shadowed lunar regions with a physical noise model
EP3859657A1 (en) Image processing device, image processing method, and program
Huo et al. Fast fusion-based dehazing with histogram modification and improved atmospheric illumination prior
Zhang et al. Image dehazing based on dark channel prior and brightness enhancement for agricultural remote sensing images from consumer-grade cameras
US20150235072A1 (en) Hyperspectral image processing
Liang et al. Real-time hardware accelerator for single image haze removal using dark channel prior and guided filter
CN110992393B (zh) 一种基于视觉的目标运动跟踪方法
Chen et al. Predicting interpretability loss in thermal IR imagery due to compression
CN112106346A (zh) 图像处理方法、设备、无人机、系统和存储介质
Suganya et al. Gradient flow-based deep residual networks for enhancing visibility of scenery images degraded by foggy weather conditions
CN112446835A (zh) 图像恢复方法、图像恢复网络训练方法、装置和存储介质
CN114359425A (zh) 正射图像生成方法及装置、正射指数图生成方法及装置
CN113221835B (zh) 面审视频的场景分类方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant