KR20210092866A - Method for utilizing of hyperspectral image using optimal band index - Google Patents

Method for utilizing of hyperspectral image using optimal band index Download PDF

Info

Publication number
KR20210092866A
KR20210092866A KR1020200006104A KR20200006104A KR20210092866A KR 20210092866 A KR20210092866 A KR 20210092866A KR 1020200006104 A KR1020200006104 A KR 1020200006104A KR 20200006104 A KR20200006104 A KR 20200006104A KR 20210092866 A KR20210092866 A KR 20210092866A
Authority
KR
South Korea
Prior art keywords
hyperspectral
band index
wavelengths
value
module
Prior art date
Application number
KR1020200006104A
Other languages
Korean (ko)
Other versions
KR102295630B1 (en
Inventor
김동수
유호준
Original Assignee
단국대학교 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 단국대학교 산학협력단 filed Critical 단국대학교 산학협력단
Priority to KR1020200006104A priority Critical patent/KR102295630B1/en
Publication of KR20210092866A publication Critical patent/KR20210092866A/en
Application granted granted Critical
Publication of KR102295630B1 publication Critical patent/KR102295630B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B15/00—Special procedures for taking photographs; Apparatus therefor
    • G03B15/006—Apparatus mounted on flying objects
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B30/00—Camera modules comprising integrated lens units and imaging units, specially adapted for being embedded in other devices, e.g. mobile phones or vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • B64C2201/12—
    • 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

Abstract

The present invention provides a method for utilizing a hyperspectral image using an optimal band index to estimate a real object at high accuracy. According to the present invention, the method comprises the following steps: (a) inputting hyperspectral observation values(Y) of each of a plurality of predetermined points to a hyperspectral observation value input module (310); (b) inputting a photographed image having hyperspectral information to a photographed image input module (210) and checking a hyperspectral photographing value (I(x), which is a pixel value for a plurality of wavelengths (x) at each of the plurality of predetermined points ); (c) selecting, by a band index calculation module (320), a pair of any two wavelengths (λ_1, λ_2) from a plurality of wavelengths (x) included in the hyperspectral imaging value and checking a hyperspectral imaging value (I(λ_1), I(λ_2)) for each of the pair of wavelengths; (d) calculating, by a band index calculation module (320), a band index (X) by dividing a difference between the two identified hyperspectral imaging values (I(λ_1), I(λ_2)) of the two identified hyperspectral imaging values I(λ_1) by the sum of the two identified hyperspectral imaging values (I(λ_1), I(λ_2)); and (e) assuming, by a regression analysis module (330), that the hyperspectral observation value (Y) and the calculated band index (X) have a linear relationship, and using the hyperspectral observation value (Y)at the plurality of points and the calculated band index (X) to calculate a and b of a regression equation (Y = aX + b), thereby generating the regression equation (Y = aX + b).

Description

밴드지수를 이용한 초분광영상 활용 방법{Method for utilizing of hyperspectral image using optimal band index}Method for utilizing of hyperspectral image using optimal band index}

본 발명은 밴드지수(band index)를 이용한 초분광영상 활용 방법에 관한 것으로, 구체적으로, 관측값과 초분광영상을 이용하여 실재 물체를 가장 잘 대변하는 밴드지수를 확인함으로써, 관측값이 없는 지점에서도 초분광영상만을 이용하여 높은 정확도로 물체를 식별할 수 있는 방법에 관한 것이다. The present invention relates to a hyperspectral image utilization method using a band index, and specifically, by using an observation value and a hyperspectral image to check a band index that best represents a real object, a point where there is no observed value also relates to a method that can identify objects with high accuracy using only hyperspectral images.

카메라에 포함되는 일반적인 이미지 센서(image sensor)는 가시광영역의 정보만을 감지하는데 반하여, 초분광 센서(hyperspectral sensor)를 사용할 경우 자외선영역, 적외선영역을 더 포함하여 수백배에 이르는 많은 정보를 확보할 수 있다. A general image sensor included in a camera detects only information in the visible region, whereas when a hyperspectral sensor is used, it is possible to secure hundreds of times more information including ultraviolet and infrared regions. there is.

수많은 정보를 포함한 초분광정보를 이용할 경우, 해당 영상만으로도 촬영한 지점의 물체, 수심, 환경 등을 정밀하게 식별할 수 있다. 이를 위해, 실재의 파장별 밴드가 무엇을 의미하는지를 매칭시킨 데이터베이스가 필요하다. 예를 들어, 2010년에 발사된 천리안 해양관측 위성(Goestationary Ocean Color Imager, GOGI)에 의해여, 8개 밴드(412, 490, 512, 555, 660, 680, 765, 875nm)의 값을 알 경우, 각각의 값이 어떠한 해색(海色)을 의미하는지 여부에 대한 데이터베이스는 이미 확보되어 있는 상태이다. 이를 이용하여, 해양의 초분광영상을 촬영함으로써 지점별 초분광정보가 확인되면, 데이터베이스로부터 해당 파장에서의 값과 이에 매칭된 해색을 확인함으로써, 직접 해색을 관측하지 않아도, 초분광영상만으로 해색을 추정하게 된다.In the case of using hyperspectral information including a lot of information, it is possible to precisely identify the object, water depth, environment, etc. of the photographed point only with the corresponding image. To this end, a database that matches what the actual band for each wavelength means is required. For example, if the values of 8 bands (412, 490, 512, 555, 660, 680, 765, 875 nm) are known by the Goestationary Ocean Color Imager (GOGI) launched in 2010 , a database on whether each value means what kind of sea color is already secured. Using this, when hyperspectral information for each point is confirmed by taking hyperspectral images of the ocean, the value at the corresponding wavelength and the sea color matching it are checked from the database, so that the sea color can be determined only with the hyperspectral image without directly observing the sea color. will be estimated

또한, 모든 지점에서의 파장별 관측값을 확인하고 데이터베이스화할 수 없기에, 회귀식이 사용된다. 즉, 다수의 데이터를 이용하여 회귀식을 구축하여 두면, 데이터베이스화되어 있지 않은 위치에서도, 회귀식을 이용하여, 초분광영상에서 확인되는 파장별 밴드를 이용하여 실재의 값을 추정할 수 있다. In addition, since it is not possible to verify and database the observation values for each wavelength at all points, a regression equation is used. That is, if a regression equation is constructed using a large number of data, the actual value can be estimated using the band for each wavelength identified in the hyperspectral image by using the regression equation even at a location that is not in a database.

하지만, 이러한 방식으로 특정 파장의 촬영값(즉, 파장별 밴드)을 이용하여 정보를 추정하는 방식은 일정 수준의 오차가 있는 것으로 알려져 있다. 이러한 오차의 원인으로서, 초분광정보 촬영 단계에서 발생하는 오차(예를 들어, 반사광의 영향으로 촬영값이 실재 위치의 값을 대변하지 못하는 상황), 영상 수정 단계에서 발생하는 오차(예를 들어, 기하 보정의 오류, 영상 정합의 오류 등), 데이터베이스의 오류(예를 들어, 촬영값은 정확하였지만 식별 정보가 잘못된 경우), 기타 외부요인 등이 제시된다. However, it is known that a method of estimating information using a photographing value of a specific wavelength (ie, a band for each wavelength) in this way has a certain level of error. As the causes of such errors, errors occurring in the hyperspectral information capturing step (for example, a situation in which the captured value does not represent the actual location value due to the influence of reflected light), and errors occurring in the image correction step (e.g., Errors in geometric correction, errors in image registration, etc.), errors in the database (eg, when the photographing value is correct but identification information is incorrect), and other external factors are suggested.

더욱이, 정확도가 낮은 값을 이용하여 구축한 회귀식을 통해 값을 추정할 경우, 이러한 오차는 점차 커지게 된다.Moreover, when a value is estimated through a regression equation constructed using a low-accuracy value, this error gradually increases.

이에, 오차를 줄여서 정확도를 높일 수 있는 새로운 방식의 식별 방법에 대한 요구가 증가하는 추세이다. Accordingly, there is an increasing demand for a new identification method capable of increasing accuracy by reducing errors.

관련된 특허 문헌을 검토한다. Review the relevant patent literature.

한국등록특허 제10-1463351호는 초분광영상에서 밴드비를 활용하여 특이영역을 검출하고, 초분광영상에서 검출된 영역을 제외함으로써 정보 연산의 속도를 상승시키는 기술을 개시한다. 후술하는 본 발명과 밴드비를 사용한다는 점만 공통될 뿐, 전체적인 발명의 목적, 구성 및 효과가 상이하다. Korean Patent Registration No. 10-1463351 discloses a technique for increasing the speed of information calculation by detecting a singular region using a band ratio in a hyperspectral image and excluding the detected region in a hyperspectral image. Only the point of using the band ratio and the present invention to be described below is common, but the overall purpose, configuration, and effect of the invention are different.

한국등록특허 제10-1806488호는 초분광영상 센서를 드론에 탑재하여 암체를 식별하는 기술을 개시한다. 한국등록특허 제10-1744662호는 초분광영상을 이용하여 식물을 분류하는 기술을 개시한다. 이를 위해, 다양한 암체 내지 식물에 대한 초분광영상 표준자료가 미리 확보되어 있어야 하며, 촬영된 영상을 이와 비교함으로써, 피촬영 오브젝트를 식별한다. 하지만, 드론의 흔들림으로 인한 정확도 저하 문제, 영상 정합의 효율성을 상승시키는 문제 등 촬영 단계에서 확인되는 원천적인 문제를 해결하지 못한다. Korean Patent Registration No. 10-1806488 discloses a technology for identifying a dark body by mounting a hyperspectral image sensor on a drone. Korean Patent No. 10-1744662 discloses a technology for classifying plants using hyperspectral images. To this end, hyperspectral image standard data for various dark bodies or plants must be secured in advance, and the photographed object is identified by comparing the photographed image thereto. However, it does not solve the fundamental problems identified during the shooting stage, such as a problem of decreasing accuracy due to the shaking of the drone, and a problem of increasing the efficiency of image matching.

미국특허 제7,181,055호는 초분광영상을 정합하는 알고리즘을 제시한다. 여기에서는, 반사도 이미지를 활용하여 정합 정확도를 상승시킨다. US Patent No. 7,181,055 proposes an algorithm for registering hyperspectral images. Here, a reflectance image is used to increase the registration accuracy.

한국등록특허 제10-1463351호Korean Patent Registration No. 10-1463351 한국등록특허 제10-1806488호Korean Patent No. 10-1806488 한국등록특허 제10-1744662호Korean Patent No. 10-1744662 미국특허 제7,181,055호US Patent No. 7,181,055

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것이다. The present invention has been devised to solve the above problems.

구체적으로, 정확한 초분광정보를 획득하여 특정 파장이 갖고 있는 촬영값이 정확함에도, 해당 촬영값에 대한 데이터베이스가 정확한 식별 정보를 반영하지 못하는 상황을 방지하기 위한, 신규한 초분광정보 식별 방법을 제안하고자 한다. Specifically, we propose a novel hyperspectral information identification method to obtain accurate hyperspectral information and prevent a situation in which the database for the corresponding photographing value does not reflect accurate identification information even when the photographing value of a specific wavelength is accurate. want to

특히, 특정 파장의 촬영값을 사용하는 것이 아니라, 2개의 파장의 쌍의 촬영값인 밴드지수를 이용하는 신규한 초분광영상 활용 방법을 제안하고자 한다.In particular, it is intended to propose a novel hyperspectral image utilization method using a band index, which is a photographing value of a pair of two wavelengths, rather than using a photographing value of a specific wavelength.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, (a) 초분광 관측값 입력모듈(310)에 미리 결정된 다수의 지점 각각의 초분광 관측값(Y)이 입력되는 단계; (b) 촬영영상 입력모듈(210)에 초분광정보를 갖는 촬영영상이 입력되고, 상기 미리 결정된 다수의 지점 각각에서 다수의 파장(x)에 대한 화소값인 초분광 촬영값(I(x))이 확인되는 단계; (c) 밴드지수 연산모듈(320)이, 상기 초분광 촬영값에 포함된 다수의 파장(x) 중 임의의 2개의 파장의 쌍(λ1, λ2)을 선택하고, 각각에 대한 초분광 촬영값(I(λ1), I(λ2))을 확인하는 단계; (d) 상기 밴드지수 연산모듈(320)이, 상기 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 차를 상기 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 합으로 나누어 밴드지수(band index)(X)를 연산하는 단계; 및 (e) 회귀분석모듈(330)이, 상기 초분광 관측값(Y)과 상기 연산된 밴드지수(X)가 선형관계에 있음을 가정하고, 상기 다수의 지점에서의 상기 초분광 관측값(Y)과 상기 연산된 밴드지수(X)를 이용하여, 회귀식(Y=aX+b)의 a와 b를 연산함으로써, 회귀식(Y=aX+b)을 생성하는 단계를 포함하는, 밴드지수를 이용한 초분광영상 활용 방법을 제공한다.In one embodiment of the present invention for solving the above problems, (a) the hyperspectral observation value input module 310, each of a plurality of predetermined points hyperspectral observation value (Y) is input; (b) a photographed image having hyperspectral information is input to the photographed image input module 210, and a hyperspectral photographing value (I(x), which is a pixel value for a plurality of wavelengths (x) at each of the plurality of predetermined points ) is confirmed; (c) the band index calculation module 320 selects a pair of any two wavelengths (λ 1 , λ 2 ) among a plurality of wavelengths (x) included in the hyperspectral photographing value, and hyperspectral for each checking the photographing values (I(λ 1 ), I(λ 2 )); (d) the band index calculation module 320 calculates the difference between the two identified hyperspectral imaging values (I(λ 1 ), I(λ 2 )) of the identified two hyperspectral imaging values (I ( λ 1 ), dividing by the sum of I (λ 2 )) calculating a band index (band index) (X); and (e) the regression analysis module 330 assumes that the hyperspectral observation value (Y) and the calculated band index (X) have a linear relationship, and the hyperspectral observation value ( Using Y) and the calculated band index (X), by calculating a and b of the regression equation (Y = aX + b), the band comprising the step of generating a regression equation (Y = aX + b) A method of using hyperspectral images using an index is provided.

또한, 상기 (e) 단계 이후, (f) 상기 회귀분석모듈(330)이, 상기 초분광 촬영값에 포함된 상기 다수의 파장 중 상기 (c) 단계에서의 2개의 파장의 쌍을 제외한 다른 임의의 파장을 선택하여, 이에 대한 초분광 촬영값을 확인하고, 상기 (d) 내지 (e) 단계를 반복함으로써, 다수의 2개의 파장의 쌍마다 각각 회귀식을 생성하는 단계; (g) 회귀식 결정모듈(340)이, 상기 생성된 다수의 회귀식 중 상관계수(correlation)가 가장 높은 회귀식을 선택하는 단계; 및 (h) 상기 회귀식 결정모듈(340)이, 상기 (g) 단계에서 선택된 회귀식에 사용된 밴드지수(X)에 적용된 2개의 파장을, 최적 밴드지수 파장의 쌍으로 결정하는 단계를 포함하는 것이 바람직하다.In addition, after step (e), (f) the regression analysis module 330 selects any other than the pair of two wavelengths in step (c) among the plurality of wavelengths included in the hyperspectral imaging value. generating a regression equation for each of a plurality of pairs of two wavelengths by selecting a wavelength of , checking a hyperspectral imaging value thereof, and repeating steps (d) to (e); (g) selecting, by the regression equation determination module 340, a regression equation having the highest correlation coefficient among the generated plurality of regression equations; and (h) determining, by the regression expression determination module 340, two wavelengths applied to the band index (X) used in the regression expression selected in step (g) as a pair of optimal band index wavelengths. It is preferable to do

또한, 상기 (h) 단계 이후, (i) 관측값 추정모듈(350)이, 상기 다수의 지점 이외의 지점의 초분광 촬영값에서, 상기 (h) 단계에서 결정된 최적 밴드지수 파장의 쌍에 해당하는 2개의 초분광 촬영값을 확인하고, 촬영 값의 차를 촬영 값의 합으로 나누어 해당 지점의 밴드지수를 연산하는 단계; 및 (j) 상기 관측값 추정모듈(350)이, 상기 (g) 단계에서 선택된 회귀식에 상기 연산된 밴드지수를 입력하여 해당 지점의 관측값을 추정하는 단계를 더 포함하는 것이 바람직하다.In addition, after step (h), (i) the observation value estimation module 350 corresponds to the pair of optimal band index wavelengths determined in step (h) in hyperspectral imaging values of points other than the plurality of points. calculating the band index of the corresponding point by checking the two hyperspectral imaging values and dividing the difference between the imaging values by the sum of the imaging values; and (j) estimating, by the observation value estimation module 350, the observed value of the corresponding point by inputting the calculated band index into the regression equation selected in the step (g).

또한, 상기 (g) 단계는, 상기 회귀식 결정모듈(340)이, 상기 생성된 다수의 회귀식에 대한 상관계수를 연산하여, 2개의 파장의 쌍에서 각각의 파장을 X축 및 Y축으로 하는 상관계수 맵을 생성하는 단계를 포함하고, 상기 (h) 단계는, 상기 회귀식 결정모듈(340)이, 상기 (g) 단계에서 생성된 상관계수 맵을 이용하여 상관계수가 가장 높은 지점을 결정하고, 해당 지점을 구성하는 각각의 파장을 상기 최적 밴드지수 파장의 쌍으로 결정하는 단계를 포함하는 것이 바람직하다.In addition, in the step (g), the regression equation determination module 340 calculates the correlation coefficients for the generated plurality of regression equations, and converts each wavelength in the pair of two wavelengths to the X-axis and the Y-axis. and generating a correlation coefficient map to: (h), wherein the regression equation determination module 340 selects a point having the highest correlation coefficient using the correlation coefficient map generated in the step (g). It is preferable to include the step of determining and determining each wavelength constituting the corresponding point as a pair of the optimal band index wavelength.

또한, 상기 (a) 단계는, (a1) 비행경로 설정모듈(220)이, 수집영역을 이용하여 무인비행체의 비행경로를 설정하는 단계; 및 (a2) 무인비행체가, 상기 설정된 비행경로를 따라 비행하면서, 초분광 센서를 이용하여, 라인 스캐닝을 통해, 기 설정된 영상 단위마다 상기 초분광정보를 획득하는 단계를 포함하는 것이 바람직하다.In addition, the step (a) may include: (a1) setting, by the flight path setting module 220, the flight path of the unmanned aerial vehicle using the collection area; and (a2) obtaining the hyperspectral information for each preset image unit through line scanning using a hyperspectral sensor while the unmanned aerial vehicle is flying along the set flight path.

상기와 같은 과제를 해결하기 위한 본 발명의 다른 실시예는, 컴퓨터 판독 가능한 기록 매체에 저장되어, 전술한 방법을 실행시키는 프로그램과, 그 코드가 기록된 컴퓨터 판독 가능한 기록 매체를 제공한다.Another embodiment of the present invention for solving the above problems is stored in a computer-readable recording medium, and provides a program for executing the above-described method, and a computer-readable recording medium in which the code is recorded.

본 발명에 따른 방법에 의해, 밴드지수를 활용함으로써, 초분광정보에서의 촬영값을 통하여, 실재 물체를 높은 정확도로 추정할 수 있다. By the method according to the present invention, by utilizing the band index, it is possible to estimate a real object with high accuracy through the captured value in the hyperspectral information.

종래에는 실재 물체의 파장의 값과 가장 가까운 것으로 식별되는 값을 갖는 오직 1개의 파장만을 사용하기에, 해당 매칭이 부정확하거나 측정값에 오류가 있는 경우 실재 물체와 다른 물체를 추정하는 오류가 발생할 수 있다는 단점이 있었다. Conventionally, only one wavelength having a value identified as closest to the wavelength of the real object is used, so if the matching is inaccurate or there is an error in the measured value, an error in estimating an object different from the real object may occur. There was a downside.

본 발명은, 상관성이 큰 두 개의 파장을 활용하되, 상관성이 클 경우 양의 상관성도 있지만 음의 상관성도 존재함을 고려하여 두 개의 밴드를 활용하고, 매칭 과정을 통해 실재 물체의 값을 추정하기에, 더욱 정확도를 높일 수 있는 것이다. The present invention utilizes two wavelengths with high correlation, but when the correlation is large, considers that there is a positive correlation but also a negative correlation, and utilizes two bands to estimate the value of a real object through a matching process. , which can further increase the accuracy.

이러한 방법은, 컴퓨터 프로그램화되어, 다수의 지점의 관측값과 촬영된 초분광영상이 입력되면, 자동으로 회귀식이 결정될 수 있어서, 높은 정확도를 유지하면서도 신속한 회귀식 연산 및 이를 기반으로 한 대상 물체의 식별이 가능하다는 장점을 갖는다. This method is computer-programmed, and when observation values of a plurality of points and captured hyperspectral images are input, a regression equation can be automatically determined. It has the advantage of being able to identify.

도 1은 본 발명에 따른 방법을 수행하기 위한 시스템을 도시한다.
도 2는 본 발명에 따른 방법을 설명하기 위한 순서도이다.
도 3은 본 발명에 따른 방법의 밴드지수를 설명하기 위한 도면이다.
도 4는 본 발명에 따른 방법에서 밴드지수와 관측값을 이용하여 회귀분석이 수행되는 과정을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 방법에 의하여 설정된 상관관계 맵을 도시한다.
도 6은 본 발명에 따른 방법에 의하여 상관관계 맵을 이용하여 회귀식을 선택하는 방법을 설명한다.
도 7은 본 발명에 따른 방법이 구현된 프로그램의 화면을 도시한다.1 shows a system for carrying out a method according to the invention;
2 is a flowchart illustrating a method according to the present invention.
3 is a view for explaining the band index of the method according to the present invention.
4 is a diagram for explaining a process in which regression analysis is performed using a band index and an observation value in the method according to the present invention.
5 shows a correlation map established by the method according to the present invention.
6 illustrates a method for selecting a regression equation using a correlation map by the method according to the present invention.
7 shows a screen of a program in which the method according to the present invention is implemented.

이하, 도면을 참조하여 본 발명을 보다 상세히 설명한다. Hereinafter, the present invention will be described in more detail with reference to the drawings.

시스템의 설명Description of the system

본 발명에 따른 방법이 수행되는 시스템은, 영상처리부(200)와 영상 분석부(300)로 구분될 수 있다. 영상처리부(200)는 드론과 같은 무인비행체(미도시)에서 촬영한 촬영영상을 처리하는 기능을 수행하며, 영상분석부(300)는 여기에서 전처리된 영상을 이용하여 밴드지수를 활용해 회귀분석을 수행하며, 관측값을 추정하는 기능을 수행한다.A system in which the method according to the present invention is performed may be divided into an image processing unit 200 and an image analysis unit 300 . The image processing unit 200 performs a function of processing a photographed image taken by an unmanned aerial vehicle (not shown) such as a drone, and the image analysis unit 300 uses the pre-processed image here to perform a regression analysis using the band index. , and performs the function of estimating observations.

영상처리부(200)는 통신모듈(210), 비행경로 설정모듈(220), 촬영영상 입력모듈(230), 정규화 수행모듈(240), 기하보정 수행모듈(250), 영상정합 수행모듈(260) 및 초분광영상 출력모듈(270)을 포함한다. The image processing unit 200 includes a communication module 210 , a flight path setting module 220 , a captured image input module 230 , a normalization performing module 240 , a geometric correction performing module 250 , an image matching performing module 260 ) and a hyperspectral image output module 270 .

통신모듈(210)은 무인비행체(미도시) 와 유선 또는 무선으로 통신하여, 촬영영상 입력모듈(230)이 초분광센서(미도시)에서 획득되는 초분광정보를 수신하도록 한다. 수신하는 정보에는, 위치 정보가 포함될 수도 있다. The communication module 210 communicates with the unmanned aerial vehicle (not shown) by wire or wirelessly so that the captured image input module 230 receives the hyperspectral information obtained from the hyperspectral sensor (not shown). The received information may include location information.

비행경로 설정모듈(220)은 초분광정보를 수집하고자 하는 수집영역을 기초로 하여, 그 영상을 확보하기 위한 무인비행체(미도시)의 비행경로를 설정하는 기능을 수행한다. The flight path setting module 220 performs a function of setting a flight path of an unmanned aerial vehicle (not shown) to secure the image based on a collection area for which hyperspectral information is to be collected.

정규화 수행모듈(240)은, 확보된 초분광정보의 정규화 기능을 수행한다. 모든 기하학적 변환에서, 회전, 크기, 평행성 보존 등은 원점(0, 0)을 기준으로 발생하기에, 각 영상에 존재하는 XY 좌표의 각 순서쌍의 정규화가 필요하다. The normalization performing module 240 performs a normalization function of the secured hyperspectral information. In all geometric transformations, rotation, magnitude, parallelism preservation, etc. occur with respect to the origin (0, 0), so normalization of each ordered pair of XY coordinates present in each image is necessary.

기하보정 수행모듈(250)은, 확보된 초분광정보에서 지면의 굴곡 등 기하학적 조건에 의한 왜곡을 보상하기 위한 기하보정을 수행한다.The geometric correction performing module 250 performs geometric correction for compensating for distortion caused by geometric conditions such as curvature of the ground in the secured hyperspectral information.

영상정합 수행모듈(260)은, 확보된 다수의 초분광정보를 정합하는 기능을 수행한다. 이를 위하여, 적분영상 연산모듈(261) 및 대응점 확인모듈(262)이 구비된다.The image matching performing module 260 performs a function of matching a plurality of secured hyperspectral information. To this end, an integral image operation module 261 and a corresponding point confirmation module 262 are provided.

초분광영상 출력모듈(270)은, 정규화되고, 기하보정되고, 영상정합된 최종 결과물로서 획득된 초분광영상을 출력하는 기능을 수행한다.The hyperspectral image output module 270 performs a function of outputting the normalized, geometrically corrected, and image-matched hyperspectral image as a final result.

한편, 이와 같은 영상 처리 방식은 일례에 불과하며, 종래에 알려진 어떠한 처리 방식으로 초분광영상이 처리되어도 무방하다.Meanwhile, such an image processing method is only an example, and the hyperspectral image may be processed by any conventionally known processing method.

영상분석부(300)는, 초분광 관측값 입력모듈(310), 밴드지수 연산모듈(320), 회귀분석모듈(330), 회귀식 결정모듈(340) 및 관측값 추정모듈(350)을 포함한다. The image analysis unit 300 includes a hyperspectral observation value input module 310 , a band index calculation module 320 , a regression analysis module 330 , a regression expression determination module 340 , and an observation value estimation module 350 . do.

초분광 관측값 입력모듈(310)은, 미리 결정된 다수의 지점에 대한 실재 초분광 관측값을 입력하는 기능을 수행한다. 즉, 초분광영상에서 확보되는 촬영값과 상관관계를 확인하기 위한 실재의 관측값이 입력되는 것이다. The hyperspectral observation value input module 310 performs a function of inputting actual hyperspectral observation values for a plurality of predetermined points. That is, the actual observation value for confirming the correlation with the photographed value secured in the hyperspectral image is input.

밴드지수 연산모듈(320)은, 영상처리부(200)로부터의 초분광영상에서 확보되는 촬영값(예를 들어, 화소값)을 통해 밴드지수를 연산한다. The band index calculation module 320 calculates the band index through the captured values (eg, pixel values) secured from the hyperspectral image from the image processing unit 200 .

회귀분석모듈(330)은, 관측값과 밴드지수의 회귀분석을 수행하여 회귀식을 연산한다. The regression analysis module 330 calculates a regression equation by performing regression analysis of the observed values and the band index.

회귀식 결정모듈(340)은, 다수의 회귀식이 상관관계를 연산하여, 가장 상관성이 높은 회귀식을 결정하고, 이를 통해 최적의 밴드지수를 결정하는 기능을 수행한다. The regression equation determination module 340 calculates the correlation of a plurality of regression equations, determines the regression equation with the highest correlation, and determines the optimal band index through this.

관측값 추정모듈(350)은, 회귀식 결정모듈(340)에서 결정된 회귀식을 이용하여, 특정 초분광영상이 입력된 경우(즉, 임의의 밴드지수가 입력된 경우), 이를 기반으로 관측값을 추정하고, 이를 토대로 실재 물체를 식별하는 기능을 수행한다.The observation value estimation module 350 uses the regression equation determined by the regression equation determination module 340 to input a specific hyperspectral image (that is, when an arbitrary band index is input), based on the observation value It estimates and performs the function of identifying a real object based on this.

각 모듈의 구체적인 기능 수행 방법은 후술한다.A method of performing a specific function of each module will be described later.

방법의 설명description of the method

도 2 및 도 4 내지 도 7을 참조하여, 본 발명에 따른 초분광영상 활용 방법을 설명한다. A method of utilizing a hyperspectral image according to the present invention will be described with reference to FIGS. 2 and 4 to 7 .

먼저, 초분광영상이 확보되어 있어야 한다. 예를 들어, 영상처리부(200)의 비행 경로 설정모듈(220)이 수집영역을 이용하여 무인비행체(미도시)의 비행경로를 설정한 후, 무인비행체(미도시)가, 설정된 비행경로를 따라 비행하면서, 초분광 센서를 이용하여, 라인 스캐닝을 통해, 기 설정된 영상 단위마다 획득한 초분광영상일 수 있다. 이러한 초분광영상에는 초분광정보가 포함되어 있다.First, a hyperspectral image must be secured. For example, after the flight path setting module 220 of the image processing unit 200 sets the flight path of the unmanned aerial vehicle (not shown) using the collection area, the unmanned aerial vehicle (not shown) follows the set flight path. It may be a hyperspectral image obtained for each preset image unit through line scanning using a hyperspectral sensor while flying. These hyperspectral images contain hyperspectral information.

또한, 미리 결정된 다수의 지점마다 각각의 초분광 관측값(Y)이 확인되어 있어야 한다(S210). 즉, 초분광 관측값 입력모듈(310)에 미리 결정된 다수의 지점 각각의 초분광 관측값(Y)이 입력된 것이다. 여기서, 회귀분석의 정확도를 위하여, 관측값(Y)이 확인되는 지점은 다수일수록 바람직하다.In addition, each hyperspectral observation value (Y) should be confirmed for each of a plurality of predetermined points (S210). That is, the hyperspectral observation value Y of each of a plurality of predetermined points is input to the hyperspectral observation value input module 310 . Here, for the accuracy of the regression analysis, it is preferable that the number of points at which the observed value Y is confirmed is greater.

다음, 촬영영상 입력모듈(210)에는 초분광정보를 갖는 촬영영상이 입력되고, 관측값이 입력되었던 미리 결정된 다수의 지점 각각에서 다수의 파장(x)에 대한 화소값인 초분광 촬영값(I(x))이 확인된다(S220). Next, a photographed image having hyperspectral information is input to the photographed image input module 210, and a hyperspectral photographing value (I) that is a pixel value for a plurality of wavelengths (x) at each of a plurality of predetermined points where observation values were input (x)) is confirmed (S220).

다음, 밴드지수 연산모듈(320)이, 초분광 촬영값에 포함된 다수의 파장(x) 중 임의의 2개의 파장의 쌍(λ1, λ2)을 선택하고, 각각에 대한 초분광 촬영값(I(λ1), I(λ2))을 확인한다(S230). 이 때에, 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 차를 상기 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 합으로 나누어 밴드지수(band index)(X)를 연산한다(S240)(도 3 참조). 이를 수식으로 표현하면, 아래의 수학식 1과 같다. Next, the band index calculation module 320 selects a pair (λ 1 , λ 2 ) of any two wavelengths among a plurality of wavelengths (x) included in the hyperspectral imaging value, and a hyperspectral imaging value for each (I(λ 1 ), I(λ 2 )) is checked (S230). At this time, the difference between the two identified hyperspectral imaging values (I(λ 1 ), I(λ 2 )) is calculated as the difference between the two identified hyperspectral imaging values (I(λ 1 ), I(λ 2 )). Divide by the sum to calculate a band index (X) (S240) (refer to FIG. 3). If this is expressed as an equation, it is as Equation 1 below.

Figure pat00001
Figure pat00001

달리 표현하면, 어느 하나의 지점마다 밴드지수가 연산되어 초분광 관측값(Y)과 밴드지수(X)가 확인되는데, 다수의 지점마다 각각 개별적으로 수행되는 것이다.In other words, the band index is calculated for each point, and the hyperspectral observation value (Y) and the band index (X) are confirmed, which is performed individually for each of a plurality of points.

다음, 회귀분석모듈(330)이, 초분광 관측값(Y)과 연산된 밴드지수(X)가 선형관계에 있음을 가정하고, 다수의 지점 각각에서 S210 단계에서 확인된 초분광 관측값(Y)과 S240 단계에서 연산된 밴드지수(X)를 이용함으로써, 회귀식(Y=aX+b)의 a와 b를 연산하여, 회귀식(Y=aX+b)을 생성한다(S250). 여기서 a를 연산하는 구체적인 수식은 아래의 수학식 2와 같으며, a의 값이 연산되면 b의 값은 당연히 연산된다. n은 관측값의 개수이며, X는 밴드지수이고, Y는 관측값이다. 상부 바는 평균값을 의미한다(이는 이하의 모든 수식에서 동일하다).Next, the regression analysis module 330 assumes that the hyperspectral observation value (Y) and the calculated band index (X) have a linear relationship, and the hyperspectral observation value (Y) confirmed in step S210 at each of a plurality of points ) and the band index (X) calculated in step S240, a and b of the regression equation (Y = aX + b) are calculated to generate a regression equation (Y = aX + b) (S250). Here, a specific formula for calculating a is the same as Equation 2 below, and when the value of a is calculated, the value of b is naturally calculated. n is the number of observations, X is the band index, and Y is the observation. The upper bar means the average value (this is the same for all equations below).

Figure pat00002
Figure pat00002

도 4는 그 예시를 도시한다. 여기에는, 5개의 지점(P1, P2, P3, P4, P5)에서의 밴드지수(X)와 관측값(Y)을 이용하여 연산된 회귀식이 우측 하단에 도시된다.4 shows an example thereof. Here, the regression equation calculated using the band index (X) and the observed value (Y) at five points (P1, P2, P3, P4, P5) is shown in the lower right corner.

한편, 이러한 과정은 S230 단계에서 선택된 2개의 파장을 변경하면서 각각의 쌍에 대하여 이루어질 수 있다. 미리 결정된 지점이 동일하고, 각 지점에서의 관측값(Y)이 동일하더라도, 2개의 파장을 다르게 선택하면, 최종 연산되는 회귀식은 다르게 된다. Meanwhile, this process may be performed for each pair while changing the two wavelengths selected in step S230. Even if the predetermined points are the same and the observed values Y at each point are the same, if two wavelengths are selected differently, the final calculated regression equation is different.

구체적으로, 회귀분석모듈(330)이, 먼저 선택된 2개의 파장의 쌍을 제외한 다른 임의의 파장을 선택하여, 이에 대한 초분광 촬영값을 확인하고, S240 내지 S250 단계를 반복하여, 다수의 회귀식을 생성한다(S260).Specifically, the regression analysis module 330 selects an arbitrary wavelength other than the first selected pair of two wavelengths, checks the hyperspectral imaging value for this, and repeats steps S240 to S250, a plurality of regression equations to generate (S260).

다음, 회귀식 결정모듈(340)이, 생성된 다수의 회귀식의 상관계수를 각각 연산하고, 그 중에서 상관계수가 가장 높은 회귀식을 선택한다(S270). 이 때에 선택된 회귀식에 사용된 밴드지수(X)에 적용된 2개의 파장을, 최적 밴드지수 파장의 쌍으로 결정된다. Next, the regression equation determination module 340 calculates the correlation coefficients of the generated multiple regression equations, and selects a regression equation having the highest correlation coefficient among them ( S270 ). At this time, two wavelengths applied to the band index (X) used in the selected regression equation are determined as a pair of optimal band index wavelengths.

예를 들어, 초분광정보에 포함된 파장의 개수가 N개라면, 2개의 파장의 쌍의 개수는 그 조합(combination)에 의하여 NC2개이므로, 해당 개수만큼 회귀식과 상관계수가 연산되어, 최적의 회귀식과 밴드지수와 그 파장이 연산될 것이다.For example, if the number of wavelengths included in the hyperspectral information is N, the number of pairs of two wavelengths is N C 2 by the combination, so the regression equation and the correlation coefficient are calculated by the corresponding number, The optimal regression equation and band index and its wavelength will be calculated.

한편, 이러한 방식은 상관계수 맵을 이용하여 이루어질 수 있다. 상관계수 맵의 예시가 도 5에 도시된다. 여기에는, 회귀식 결정모듈(340)이, 생성된 다수의 회귀식에 대한 상관계수를 연산하되, 2개의 파장의 쌍에서 어느 하나의 파장을 X축으로 하고 다른 하나의 파장을 Y축으로 하여 생성한 상관계수 맵이 도시된다.On the other hand, this method may be achieved using a correlation coefficient map. An example of a correlation coefficient map is shown in FIG. 5 . Here, the regression expression determination module 340 calculates the correlation coefficients for the generated plurality of regression equations, but in a pair of two wavelengths, one wavelength is the X-axis and the other wavelength is the Y-axis. The generated correlation coefficient map is shown.

다음, 회귀식 결정모듈(340)은 상관계수 맵을 이용하여 상관계수가 가장 높은 지점을 결정하고, 해당 지점을 구성하는 각각의 파장을 상기 최적 밴드지수 파장의 쌍으로 결정하게 된다.Next, the regression formula determination module 340 determines a point having the highest correlation coefficient using the correlation coefficient map, and determines each wavelength constituting the corresponding point as a pair of the optimal band index wavelengths.

도 6에는 이러한 방식을 자동화하는 개념이 도시된다. 분광특성인 파장마다의 촬영값을 추출하고, 이를 통해 각각의 밴드지수를 산정하고, 관측값을 이용하여 회귀분석하면, 상관계수 맵이 생성되며, 각 파장의 쌍마다 상관계수를 연산함으로써, 최적 밴드지수 파장과 최적 회귀식이 결정된다.6 shows the concept of automating this scheme. By extracting the imaging value for each wavelength, which is a spectral characteristic, and calculating each band index through this, and regression analysis using the observed values, a correlation coefficient map is generated, and by calculating the correlation coefficient for each pair of wavelengths, the optimal The band index wavelength and optimal regression equation are determined.

도 7은 이를 구현한 프로그램의 출력 화면을 도시한다. 우측의 상관계수 맵이 도시되며, 그 아래에는 각 파장에 대한 상관계수 및 회귀식이 자동으로 연산됨을 확인할 수 있다. 7 shows an output screen of a program implementing this. The correlation coefficient map on the right is shown, and it can be seen that the correlation coefficient and regression equation for each wavelength are automatically calculated below it.

이와 같은 과정을 통하여, 최적의 회귀식과 최적의 밴드지수가 결정되면, 관측값이 없는 위치에서도 초분광영상에 포함된 초분광정보의 파장과 촬영값만으로도 관측값을 추정할 수 있다. Through this process, when the optimal regression equation and the optimal band index are determined, it is possible to estimate the observed value only from the wavelength and the captured value of the hyperspectral information included in the hyperspectral image even at a position where there is no observed value.

예를 들어, 관측값 추정모듈(350)이, 초분광영상에 포함된 촬영값 중에서 최적 밴드지수 파장의 쌍에 해당하는 2개의 초분광 촬영값을 확인하여 밴드지수를 연산하면, 이를 최적의 회귀식에 입력하여 해당 지점의 관측값을 높은 정확도로 추정할 수 있는 것이다. For example, when the observation value estimation module 350 calculates the band index by checking the two hyperspectral imaging values corresponding to the pair of optimal band index wavelengths among the photographing values included in the hyperspectral image, the optimal regression By entering into the equation, the observation value of the corresponding point can be estimated with high accuracy.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다.In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art may make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

200: 영상처리부
210: 통신모듈
220: 비행경로 설정모듈
230: 촬영영상 입력모듈
240: 정규화 수행모듈
250: 기하보정 수행모듈
260: 영상정합 수행모듈
261: 적분영상 연산모듈
262: 대응점 확인모듈
270: 초분광영상 출력모듈
300: 영상분석부
310: 초분광 관측값 입력모듈
320: 밴드지수 연산모듈
330: 회귀분석모듈
340: 회귀식 결정모듈
350: 관측값 추정모듈200: image processing unit
210: communication module
220: flight path setting module
230: captured image input module
240: regularization performing module
250: geometric correction performing module
260: image registration performing module
261: integral image operation module
262: correspondence point confirmation module
270: hyperspectral image output module
300: image analysis unit
310: hyperspectral observation value input module
320: band index calculation module
330: regression analysis module
340: regression expression determination module
350: observation value estimation module

Claims (7)

(a) 초분광 관측값 입력모듈(310)에 미리 결정된 다수의 지점 각각의 초분광 관측값(Y)이 입력되는 단계;
(b) 촬영영상 입력모듈(210)에 초분광정보를 갖는 촬영영상이 입력되고, 상기 미리 결정된 다수의 지점 각각에서 다수의 파장(x)에 대한 화소값인 초분광 촬영값(I(x))이 확인되는 단계;
(c) 밴드지수 연산모듈(320)이, 상기 초분광 촬영값에 포함된 다수의 파장(x) 중 임의의 2개의 파장의 쌍(λ1, λ2)을 선택하고, 각각에 대한 초분광 촬영값(I(λ1), I(λ2))을 확인하는 단계;
(d) 상기 밴드지수 연산모듈(320)이, 상기 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 차를 상기 확인된 2개의 초분광 촬영값(I(λ1), I(λ2))의 합으로 나누어 밴드지수(band index)(X)를 연산하는 단계; 및
(e) 회귀분석모듈(330)이, 상기 초분광 관측값(Y)과 상기 연산된 밴드지수(X)가 선형관계에 있음을 가정하고, 상기 다수의 지점에서의 상기 초분광 관측값(Y)과 상기 연산된 밴드지수(X)를 이용하여, 회귀식(Y=aX+b)의 a와 b를 연산함으로써, 회귀식(Y=aX+b)을 생성하는 단계를 포함하는,
밴드지수를 이용한 초분광영상 활용 방법.
(a) inputting hyperspectral observation values (Y) of each of a plurality of predetermined points to the hyperspectral observation value input module 310;
(b) a photographed image having hyperspectral information is input to the photographed image input module 210, and a hyperspectral photographing value (I(x), which is a pixel value for a plurality of wavelengths (x) at each of the plurality of predetermined points ) is confirmed;
(c) the band index calculation module 320 selects a pair of any two wavelengths (λ 1 , λ 2 ) among a plurality of wavelengths (x) included in the hyperspectral photographing value, and hyperspectral for each checking the photographing values (I(λ 1 ), I(λ 2 ));
(d) the band index calculation module 320 calculates the difference between the two identified hyperspectral imaging values (I(λ 1 ), I(λ 2 )) of the identified two hyperspectral imaging values (I( λ 1 ), dividing by the sum of I (λ 2 )) calculating a band index (band index) (X); and
(e) the regression analysis module 330 assumes that the hyperspectral observation value (Y) and the calculated band index (X) have a linear relationship, and the hyperspectral observation value (Y) at the plurality of points ) and the calculated band index (X), by calculating a and b of the regression equation (Y = aX + b), comprising the step of generating a regression equation (Y = aX + b),
A method of using hyperspectral images using band index.
 제 1 항에 있어서,
상기 (e) 단계 이후,
(f) 상기 회귀분석모듈(330)이, 상기 초분광 촬영값에 포함된 상기 다수의 파장 중 상기 (c) 단계에서의 2개의 파장의 쌍을 제외한 다른 임의의 파장을 선택하여, 이에 대한 초분광 촬영값을 확인하고, 상기 (d) 내지 (e) 단계를 반복함으로써, 다수의 2개의 파장의 쌍마다 각각 회귀식을 생성하는 단계;
(g) 회귀식 결정모듈(340)이, 상기 생성된 다수의 회귀식 중 상관계수(correlation)가 가장 높은 회귀식을 선택하는 단계; 및
(h) 상기 회귀식 결정모듈(340)이, 상기 (g) 단계에서 선택된 회귀식에 사용된 밴드지수(X)에 적용된 2개의 파장을, 최적 밴드지수 파장의 쌍으로 결정하는 단계를 더 포함하는,
밴드지수를 이용한 초분광영상 활용 방법.
The method of claim 1,
After step (e),
(f) the regression analysis module 330 selects an arbitrary wavelength other than the pair of two wavelengths in step (c) from among the plurality of wavelengths included in the hyperspectral imaging value, generating a regression equation for each of a plurality of pairs of two wavelengths by verifying a spectroscopic image and repeating steps (d) to (e);
(g) selecting, by the regression equation determination module 340, a regression equation having the highest correlation coefficient among the generated plurality of regression equations; and
(h) the regression formula determination module 340, further comprising the step of determining the two wavelengths applied to the band index (X) used in the regression equation selected in step (g) as a pair of optimal band index wavelengths doing,
A method of using hyperspectral images using band index.
 제 2 항에 있어서,
상기 (h) 단계 이후,
(i) 관측값 추정모듈(350)이, 상기 다수의 지점 이외의 지점의 초분광 촬영값에서, 상기 (h) 단계에서 결정된 최적 밴드지수 파장의 쌍에 해당하는 2개의 초분광 촬영값을 확인하고, 촬영 값의 차를 촬영 값의 합으로 나누어 해당 지점의 밴드지수를 연산하는 단계; 및
(j) 상기 관측값 추정모듈(350)이, 상기 (g) 단계에서 선택된 회귀식에 상기 연산된 밴드지수를 입력하여 해당 지점의 관측값을 추정하는 단계를 더 포함하는,
밴드지수를 이용한 초분광영상 활용 방법.
3. The method of claim 2,
After step (h),
(i) the observation value estimation module 350 confirms two hyperspectral imaging values corresponding to the optimal band index wavelength pair determined in step (h) from the hyperspectral imaging values of points other than the plurality of points and calculating the band index of the corresponding point by dividing the difference between the photographing values by the sum of the photographing values; and
(j) the observation value estimation module 350, inputting the calculated band index into the regression equation selected in the step (g), further comprising the step of estimating the observed value of the point,
A method of using hyperspectral images using band index.
 제 3 항에 있어서,
상기 (g) 단계는,
상기 회귀식 결정모듈(340)이, 상기 생성된 다수의 회귀식에 대한 상관계수를 연산하여, 2개의 파장의 쌍에서 각각의 파장을 X축 및 Y축으로 하는 상관계수 맵을 생성하는 단계를 포함하고,
상기 (h) 단계는,
상기 회귀식 결정모듈(340)이, 상기 (g) 단계에서 생성된 상관계수 맵을 이용하여 상관계수가 가장 높은 지점을 결정하고, 해당 지점을 구성하는 각각의 파장을 상기 최적 밴드지수 파장의 쌍으로 결정하는 단계를 포함하는,
초분광영상의 최적 밴드지수 결정 방법
4. The method of claim 3,
The step (g) is,
generating, by the regression equation determination module 340, correlation coefficients for the generated plurality of regression equations, and generating a correlation coefficient map in which each wavelength is an X-axis and a Y-axis in a pair of two wavelengths; including,
The step (h) is,
The regression expression determination module 340 determines a point having the highest correlation coefficient using the correlation coefficient map generated in step (g), and sets each wavelength constituting the point to the pair of optimal band index wavelengths. comprising the step of determining
How to determine the optimal band index for hyperspectral images
 제 1 항에 있어서,
상기 (a) 단계는,
(a1) 비행경로 설정모듈(220)이, 수집영역을 이용하여 무인비행체의 비행경로를 설정하는 단계; 및
(a2) 무인비행체가, 상기 설정된 비행경로를 따라 비행하면서, 초분광 센서를 이용하여, 라인 스캐닝을 통해, 기 설정된 영상 단위마다 상기 초분광정보를 획득하는 단계를 포함하는,
초분광영상의 최적 밴드지수 결정 방법.
The method of claim 1,
The step (a) is,
(a1) the flight path setting module 220, setting the flight path of the unmanned aerial vehicle using the collection area; and
(a2) the unmanned aerial vehicle flying along the set flight path, using a hyperspectral sensor, through line scanning, comprising the step of acquiring the hyperspectral information for each preset image unit,
A method for determining the optimal band index of hyperspectral images.
 컴퓨터 판독 가능한 기록 매체에 저장되어
제 1 항 내지 제 5 항 중 어느 한 항에 따른 방법을 실행시키는 프로그램.
stored on a computer-readable recording medium.
A program for executing a method according to any one of claims 1 to 5.
 제 1 항 내지 제 5 항 중 어느 한 항에 따른 방법을 실행하기 위한 프로그램 코드가 기록된 컴퓨터 판독 가능한 기록 매체. A computer-readable recording medium in which a program code for executing the method according to any one of claims 1 to 5 is recorded.
KR1020200006104A 2020-01-16 2020-01-16 Method for utilizing of hyperspectral image using optimal band index KR102295630B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200006104A KR102295630B1 (en) 2020-01-16 2020-01-16 Method for utilizing of hyperspectral image using optimal band index

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200006104A KR102295630B1 (en) 2020-01-16 2020-01-16 Method for utilizing of hyperspectral image using optimal band index

Publications (2)

Publication Number Publication Date
KR20210092866A true KR20210092866A (en) 2021-07-27
KR102295630B1 KR102295630B1 (en) 2021-08-30

Family

ID=77125613

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200006104A KR102295630B1 (en) 2020-01-16 2020-01-16 Method for utilizing of hyperspectral image using optimal band index

Country Status (1)

Country Link
KR (1) KR102295630B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102355001B1 (en) * 2021-08-24 2022-01-24 서울대학교 산학협력단 Estimation of spatial distribution of suspended sediment concentration from hyperspectral images using machine learning regression models and probabilistic clustering method in rivers

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7181055B2 (en) 2003-08-15 2007-02-20 Holger Lange Systems and methods for registering reflectance and fluorescence hyperspectral imagery
KR101463351B1 (en) 2013-09-02 2014-11-19 주식회사 포스코 Shock absorbing unit for winding drum and mandrel coil box using the same
KR101744662B1 (en) 2016-11-30 2017-06-09 주식회사 지오스토리 System for classifying halophytes using hyper-spectral imaging
KR101756960B1 (en) * 2016-05-31 2017-07-13 (주)아세아항측 Monitoring method of heavy metals in soil using the aerial hyperspectral images
KR101806488B1 (en) 2017-02-20 2017-12-07 한국지질자원연구원 Detection methods of ore body containing chrome using drone equipped hyperspectral images sensor

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7181055B2 (en) 2003-08-15 2007-02-20 Holger Lange Systems and methods for registering reflectance and fluorescence hyperspectral imagery
KR101463351B1 (en) 2013-09-02 2014-11-19 주식회사 포스코 Shock absorbing unit for winding drum and mandrel coil box using the same
KR101756960B1 (en) * 2016-05-31 2017-07-13 (주)아세아항측 Monitoring method of heavy metals in soil using the aerial hyperspectral images
KR101744662B1 (en) 2016-11-30 2017-06-09 주식회사 지오스토리 System for classifying halophytes using hyper-spectral imaging
KR101806488B1 (en) 2017-02-20 2017-12-07 한국지질자원연구원 Detection methods of ore body containing chrome using drone equipped hyperspectral images sensor

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
김태우 외 2인, '수질 매개변수 추정에 있어서 항공 초분광영상의 가용성 고찰', Korean Journal of Remote Sensing, Vol.30, No.1, 2014.* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102355001B1 (en) * 2021-08-24 2022-01-24 서울대학교 산학협력단 Estimation of spatial distribution of suspended sediment concentration from hyperspectral images using machine learning regression models and probabilistic clustering method in rivers

Also Published As

Publication number Publication date
KR102295630B1 (en) 2021-08-30

Similar Documents

Publication Publication Date Title
JP4772839B2 (en) Image identification method and imaging apparatus
US20150138322A1 (en) Image processing device and its control method, imaging apparatus, and storage medium
EP1885135A2 (en) Color filter and image processing
TWI393980B (en) The method of calculating the depth of field and its method and the method of calculating the blurred state of the image
US8144974B2 (en) Image processing apparatus, method, and program
KR102313438B1 (en) Method for estimation of river bed change rate using hyperspectral image
KR102256583B1 (en) System for Measuring Position of Subject
JP7379299B2 (en) Position and orientation estimation device, position and orientation estimation method, and program
KR102481896B1 (en) System and method for establishing structural exterior map using image stitching
KR102313437B1 (en) Method for estimation of bathymetry using hyperspectral image
EP4066162A1 (en) System and method for correspondence map determination
CN110490196A (en) Subject detection method and apparatus, electronic equipment, computer readable storage medium
KR102142616B1 (en) Method for utilizing of hyperspectral image using optimal band ratio
JP2009115498A (en) System for hyper-spectrum image analysis, its method, and its program
KR102295630B1 (en) Method for utilizing of hyperspectral image using optimal band index
JP6201507B2 (en) Image processing apparatus, image processing method, and image processing program
KR102164522B1 (en) Method for estimation of depth of water using hyperspectral image
JP4626418B2 (en) Object detection device and object detection method
KR102295631B1 (en) Method for utilizing of hyperspectral image using optimal spectral characteristic index
JP6943340B2 (en) Object detectors, object detection systems, object detection methods, and programs
JP7451465B2 (en) Learning method, program and image processing device
JP2018081378A (en) Image processing apparatus, imaging device, image processing method, and image processing program
CN107741220B (en) Image processing method and device and electronic equipment
Otoya et al. Real-time non-invasive leaf area measurement method using depth images
KR102404771B1 (en) Automated wild animal detection method and device by drone-mounted thermal camera shoot image

Legal Events

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