KR20220093914A - 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법 - Google Patents

기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법 Download PDF

Info

Publication number
KR20220093914A
KR20220093914A KR1020200185081A KR20200185081A KR20220093914A KR 20220093914 A KR20220093914 A KR 20220093914A KR 1020200185081 A KR1020200185081 A KR 1020200185081A KR 20200185081 A KR20200185081 A KR 20200185081A KR 20220093914 A KR20220093914 A KR 20220093914A
Authority
KR
South Korea
Prior art keywords
image
learning
data
land cover
machine learning
Prior art date
Application number
KR1020200185081A
Other languages
English (en)
Other versions
KR102546096B1 (ko
Inventor
정윤재
박인선
김경섭
한병철
Original Assignee
(주) 지오씨엔아이
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 (주) 지오씨엔아이 filed Critical (주) 지오씨엔아이
Priority to KR1020200185081A priority Critical patent/KR102546096B1/ko
Publication of KR20220093914A publication Critical patent/KR20220093914A/ko
Application granted granted Critical
Publication of KR102546096B1 publication Critical patent/KR102546096B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G06T5/007—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/40—Document-oriented image-based pattern recognition
    • G06V30/42—Document-oriented image-based pattern recognition based on the type of document
    • G06V30/422—Technical drawings; Geographical maps
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명에 의한 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법은, 기계학습을 위한 다수의 영상 데이터를 입력받아, 기설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 학습 데이터 생성부(100), 기설정된 기계학습 기법을 활용하여 상기 학습 데이터 생성부(100)에서 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하는 학습 처리부(200), 객체 추출을 위한 영상 데이터를 입력받아, 상기 학습 처리부(200)에 의해 생성한 상기 학습모델에 적용하여 토지 피복 영상을 생성하는 제1 영상 처리부(300), 상기 제1 영상 처리부(300)에서 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들을 이용하여 이진 영상으로 변환하는 제2 영상 처리부(400) 및 상기 제2 영상 처리부(400)에서 변환한 상기 이진 영상을 분석하여, 포함되어 있는 하천 객체 데이터를 추출하는 제3 영상 처리부(500)를 포함하여 구성되는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템에 관한 것이다.

Description

기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법 {System and method for stream object extraction of images using machine learning}
본 발명은 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에 관한 것으로, 기계학습을 활용하여 영상으로부터 하천의 형태를 정밀하게 묘사할 수 있는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에 관한 것이다.
일반적으로 드론이나 위성 등을 통해서 취득한 영상 데이터에서 하천의 형태를 매핑하기 위해서는, GIS 소프트웨어 또는 CAD 등을 활용한 반복된 수작업인 디지타이징 작업(digitizing)을 수행하였다. 그렇지만, 이러한 작업은 반복된 수작업이 요구되는 만큼 시간과 비용이 많이 소모될 뿐 아니라, 수작업에 의한 오류로 인해 비효율적인 문제점이 있다.
이와 관련해서, 국내등록특허 제10-1697183호("인공위성 영상과 랜덤 포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법")에서는 위성 영상의 다중 스펙트럴 이미지로부터 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index)를 특징벡터로 추출하고, 휴리스틱 임계값이나 자율 학습 방법 대신 TOA 반사도 및 WI를 이용해 복수의 타입의 랜덤 포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류하는 기술을 개시하고 있다.
한국등록특허 제10-1697183호(등록일 2017.01.11.)
따라서 본 발명은 상기한 바와 같은 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 기계학습을 활용하여 영상으로부터 하천의 위치를 정확히 파악하고 그 형태를 묘사할 수 있는 하천 매핑 기술에 적용할 수 있는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에 관한 것이다.
상기한 바와 같은 문제점을 해결하기 위한 본 발명의 일 실시예에 의한 기계학습을 활용한 영상에서의 하천 객체 추출 시스템에 있어서, 기계학습을 위한 다수의 영상 데이터를 입력받아, 기설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 학습 데이터 생성부(100), 기설정된 기계학습 기법을 활용하여 상기 학습 데이터 생성부(100)에서 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하는 학습 처리부(200), 객체 추출을 위한 영상 데이터를 입력받아, 상기 학습 처리부(200)에 의해 생성한 상기 학습모델에 적용하여 토지 피복 영상을 생성하는 제1 영상 처리부(300), 상기 제1 영상 처리부(300)에서 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들을 이용하여 이진 영상으로 변환하는 제2 영상 처리부(400) 및 상기 제2 영상 처리부(400)에서 변환한 상기 이진 영상을 분석하여, 포함되어 있는 하천 객체 데이터를 추출하는 제3 영상 처리부(500)를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 학습 데이터 생성부(100)는 기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받으며, 추출한 상기 토지 피복 항목 별로 각 스펙트럼 밴드별 밝기값을 추출하여 상기 다수의 학습 데이터를 생성하는 것을 특징으로 하는 것이 바람직하다.
더 나아가, 상기 학습 처리부(200)는 SVM(Support Vector Machine) 기법을 활용하여 상기 학습모델을 생성하는 것이 바람직하다.
더 나아가, 상기 제2 영상 처리부(400)는 상기 토지 피복 영상을 분석하여 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 상기 이진 영상으로 변환하는 것이 바람직하다.
더 나아가, 상기 제3 영상 처리부(500)는 상기 제2 영상 처리부(400)에서 변환한 그리드 파일 형태의 이진 영상을 벡터 파일 형태의 이진 영상으로 변환하고, 변환한 이진 영상에서의 하천 객체 데이터를 추출하는 것이 바람직하다.
상기한 바와 같은 문제점을 해결하기 위한 본 발명의 일 실시예에 의한 기계학습을 활용한 영상에서의 하천 객체 추출 방법에 있어서, 연산처리수단에서, 기계학습을 위한 다수의 영상 데이터를 이용하여 다수의 학습 데이터들을 생성하고, 기설정된 기계학습 기법을 활용하여 생성한 다수의 학습 데이터에 대한 학습을 수행하는 학습 처리단계(S100), 연산처리수단에서, 객체 추출을 위한 영상 데이터를 입력받는 데이터 입력단계(S200), 연산처리수단에서, 상기 학습 처리단계(S100)의 학습 결과에 의해 생성된 학습모델에 상기 데이터 입력단계(S200)에 의해 입력된 상기 영상 데이터를 적용하여, 토지 피복 영상을 생성하는 제1 영상 생성단계(S300), 연산처리수단에서, 상기 제1 영상 생성단계(S300)에 의해 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 이진 영상으로 변환 생성하는 제2 영상 생성단계(S400) 및 연산처리수단에서, 상기 제2 영상 생성단계(S400)에 의해 변환 생성한 상기 이진 영상을 분석하여, 하천 객체 데이터를 추출하는 하천 추출단계(S500)를 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 학습 처리단계(S100)는 기계학습을 위한 다수의 영상 데이터를 입력받아, 기설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 학습 데이터 생성단계(S110) 및 SVM(Support Vector Machine) 기법을 활용하여 상기 학습 데이터 생성단계(S110)에 의해 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하는 학습 단계(S120)를 더 포함하여 구성되는 것이 바람직하다.
더 나아가, 상기 학습 데이터 생성단계(S110)는 기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받으며, 추출한 상기 토지 피복 항목 별로 각 스펙트럼 밴드별 밝기값을 추출하여 상기 다수의 학습 데이터를 생성하는 것이 바람직하다.
더 나아가, 상기 하천 추출단계(S500)는 상기 제2 영상 생성단계(S400)에 의해 변환 생성한 그리드 파일 형태의 이진 영상을 벡터 파일 형태의 이진 영상으로 변환하고, 변환한 이진 영상에서의 하천 객체 데이터를 추출하는 것이 바람직하다.
본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법은, 입력되는 영상 데이터에 기계학습 알고리즘을 적용하여 벡터 파일 형태(폴리곤 형태)의 하천 객체를 산출할 수 있는 하천 매핑 기술에 관한 것으로, 종래의 위성영상 기반 하천 매핑 기술에 있어서 수작업 등에 의해 소요되는 시간을 획기적으로 단축시킬 수 있을 뿐 아니라, 그 정확성 역시 향상시킬 수 있는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템을 나타낸 구성 예시도이다.
도 2는 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에서, 영상으로부터 추출한 토지 피복 항목을 이용하여 생성한 학습 데이터를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에서, 생성한 토지 피복 영상을 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에서, 생성한 이진 영상을 나타낸 예시도이다.
도 5는 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에서, 추출한 하천 객체 데이터를 나타낸 예시도이다.
도 6은 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 방법을 나타낸 순서 예시도이다.
이하 첨부한 도면들을 참조하여 본 발명의 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이 때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
더불어, 시스템은 필요한 기능을 수행하기 위하여 조직화되고 규칙적으로 상호 작용하는 장치, 기구 및 수단 등을 포함하는 구성 요소들의 집합을 의미한다.
본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법은, 입력되는 영상 데이터에 기계학습 알고리즘을 적용하여 벡터 파일 형태(폴리곤 형태)의 하천 객체를 산출할 수 있는 하천 매핑 기술에 관한 것으로, 종래의 위성영상 기반 하천 매핑 기술에 있어서 수작업 등에 의해 소요되는 시간을 획기적으로 단축시킬 수 있을 뿐 아니라, 그 정확성 역시 향상시킬 수 있는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법에 관한 것이다.
도 1은 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템을 나타낸 구성 예시도로서, 도 1을 참조로 하여 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템을 자세히 설명한다.
본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 시스템은 도 1에 도시된 바와 같이, 학습 데이터 생성부(100), 학습 처리부(200), 제1 영상 처리부(300), 제2 영상 처리부(400) 및 제3 영상 처리부(500)를 포함하여 구성되며, 각 구성들은 개별 연산처리수단 또는 하나의 통합 연산처리수단에 구비되어 동작을 수행하는 것이 바람직하다.
각 구성에 대해서 자세히 알아보자면,
상기 학습 데이터 생성부(100)는 학습을 위해 입력받은 다수의 영상 데이터로부터 기계학습 알고리즘을 학습시키기 위한 학습 데이터 셋을 획득하는 것이 바람직하다. 즉, 상기 학습 데이터 생성부(100)는 기계학습을 위한 다수의 영상 데이터를 입력받아, 미리 설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 것이 바람직하다.
상세하게는, 상기 토지 피복 항목으로는 영상 데이터 내에서 구분하고자 하는 물, 식생, 나지, 도시 등의 항목으로서 이를 미리 정의한 후, QGIS, ArcGIS 등 GIS 소프트웨어를 활용하여 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하는 것이 바람직하다. 이 때, 학습을 위한 충분한 학습 데이터를 획득하기 위하여, 상기 학습 데이터 생성부(100)에서는, 토지 피복 항목 별 적어도 1000개를 추출한 후, 이를 이용하여 다수의 학습 데이터들을 생성하는 것이 바람직하다.
즉, 상기 학습 데이터 생성부(100)는 도 2의 a)에 도시된 바와 같이, 각각의 영상 데이터로부터 개별 토지 피복 항목에 해당하는 데이터들을 추출하고, 도 2의 b)에 도시된 바와 같이, 각각의 추출한 상기 토지 피복 항목 별로 속성 정보(토지 피복 항목의 구분 ID, 해당하는 스펙트럼 밴드별 밝기 값 등)를 분석하여 다수의 학습 데이터들을 생성하는 것이 바람직하다.
이를 위해서, 상기 학습 데이터 생성부(100)로 기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받는 것이 바람직하며, 일 예를 들자면, 위성영상 데이터, 드론 영상 데이터, 또는 위성영상과 드론 영상 데이터를 융합한 영상 데이터 등을 포함하여 구성되는 것이 바람직하다.
상기 학습 처리부(200)는 미리 설정된 기계학습 알고리즘을 활용하여, 상기 학습 데이터 생성부(100)에서 생성한 다수의 학습 데이터들에 대한 학습을 수행하고, 학습 결과에 의한 학습모델을 생성하는 것이 바람직하다.
이 때, 상기 학습 처리부(200)는 SVM(Support Vector Machine) 기법을 활용하여 상기 학습모델을 생성하는 것이 바람직하다. 상기 SVM 기법은, 패턴 인식, 객체 탐지 등 폭넓은 분야에서 활용되는 기계학습 알고리즘으로서, 다차원의 집단에서 초평면(Hyperplane)을 적용하여 n개의 클러스터(cluster)를 분류하는 작업에 주로 활용된다.
상기 제1 영상 처리부(300)는 객체 추출을 위한 영상 데이터를 입력받아, 상기 학습 처리부(200)에 의해 생성한 상기 학습모델에 적용하여, 토지 피복 영상을 생성하는 것이 바람직하다.
상세하게는, 상기 제1 영상 처리부(300)는 객체 추출을 위한 영상 데이터를 입력받아 입력된 영상 데이터 내에 포함되어 있는 토지 피복 항목을 추출하고, 추출한 상기 토지 피복 항목을 입력 파라미터로 설정하여 상기 학습 처리부(200)에 의해 생성한 상기 학습모델에 적용함으로써, 도 3에 도시된 바와 같이, 상기 토지 피복 영상을 생성하는 것이 바람직하다.
상기 제2 영상 처리부(400)는 상기 제1 영상 처리부(300)에서 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들을 이용하여 이진 영상으로 변환하는 것이 바람직하다.
즉, 상기 제2 영상 처리부(400)는 상기 제1 영상 처리부(300)에서 생성한 상기 토지 피복 영상을 분석하여 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 물과 육지로 구분되는 이진 영상으로 변환 생성하는 것이 바람직하다. 이 때, 변환 생성한 상기 이진 영상은 도 4의 a)에 도시된 바와 같이, 그리프 파일 형태(격자 형태)의 이진 영상인 것이 바람직하다.
상기 제3 영상 처리부(500)는 상기 제2 영상 처리부(400)에서 변환한 상기 이진 영상을 분석하여, 포함되어 있는 하천 객체 데이터를 추출하는 것이 바람직하다.
이 때, 상기 제3 영상 처리부(500)는 상기 하천 객체 데이터를 추출하기 앞서서, 상기 제2 영상 처리부(400)에서 변환한 그리드 파일 형태의 이진 영상을 도 4의 b)에 도시된 바와 같이, 벡터 파일 형태(폴리곤 형태)의 이진 영상으로 변환하는 것이 바람직하다.
이에 따라, 상기 제3 영상 처리부(500)는 변환한 벡터 파일 형태(폴리곤 형태)의 이진 영상으로부터 도 5에 도시된 바와 같은, 상기 하천 객체 데이터를 추출하는 것이 바람직하다.
도 6은 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 방법을 나타낸 순서 예시도로서, 도 6을 참조로 하여 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 방법을 자세히 설명한다.
본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 방법은 도 6에 도시된 바와 같이, 학습 처리단계(S100), 데이터 입력단계(S200), 제1 영상 생성단계(S300), 제2 영상 생성단계(S400) 및 하천 추출단계(S500)를 포함하여 구성되는 것이 바람직하다.
각 단계에 대해서 자세히 알아보자면,
상기 학습 처리단계(S100)는 상기 학습 데이터 생성부(100)와 학습 처리부(200)에서, 기계학습을 위한 다수의 영상 데이터를 이용하여 다수의 학습 데이터들을 생성하고, 미리 설정된 기계학습 기법을 활용하여 생성한 다수의 학습 데이터에 대한 학습을 수행하게 된다.
상세하게는, 상기 학습 처리단계(S100)는 도 6에 도시된 바와 같이, 학습 데이터 생성단계(S110) 및 학습 단계(S120)를 포함하여 구성되는 것이 바람직하다.
상기 학습 데이터 생성단계(S110)는 상기 학습 데이터 생성부(100)에서, 기계학습을 위한 다수의 영상 데이터를 입력받아, 미리 설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하게 된다.
이 때, 상기 토지 피복 항목으로는 영상 데이터 내에서 구분하고자 하는 물, 식생, 나지, 도시 등의 항목으로서 이를 미리 정의한 후, QGIS, ArcGIS 등 GIS 소프트웨어를 활용하여 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하는 것이 바람직하다.
또한, 상기 학습 데이터 생성단계(S110)는 학습을 위한 충분한 학습 데이터를 획득하기 위하여, 토지 피복 항목 별 적어도 1000개를 추출한 후, 이를 이용하여 다수의 학습 데이터들을 생성하는 것이 바람직하다.
즉, 상기 학습 데이터 생성단계(S110)는 도 2의 a)에 도시된 바와 같이, 각각의 영상 데이터로부터 개별 토지 피복 항목에 해당하는 데이터들을 추출하고, 도 2의 b)에 도시된 바와 같이, 각각의 추출한 상기 토지 피복 항목 별로 속성 정보(토지 피복 항목의 구분 ID, 해당하는 스펙트럼 밴드별 밝기 값 등)를 분석하여 다수의 학습 데이터들을 생성하는 것이 바람직하다.
이를 위해, 상기 학습 데이터 생성단계(S110)는 기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받는 것이 바람직하며, 일 예를 들자면, 위성영상 데이터, 드론 영상 데이터, 또는 위성영상과 드론 영상 데이터를 융합한 영상 데이터 등을 포함하여 구성되는 것이 바람직하다.
상기 학습 단계(S120)는 상기 학습 처리부(200)에서, 미리 설정된 기계학습 알고리즘인 SVM(Support Vector Machine) 기법을 활용하여 상기 학습 데이터 생성단계(S110)에 의해 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하게 된다. 상기 SVM 기법은, 패턴 인식, 객체 탐지 등 폭넓은 분야에서 활용되는 기계학습 알고리즘으로서, 다차원의 집단에서 초평면(Hyperplane)을 적용하여 n개의 클러스터(cluster)를 분류하는 작업에 주로 활용된다.
상기 데이터 입력단계(S200)는 상기 제1 영상 처리부(300)에서, 객체 추출을 위한 영상 데이터를 입력받게 된다.
상기 제1 영상 생성단계(S300)는 상기 제1 영상 처리부(300)에서, 상기 학습 처리단계(S100)의 학습 결과에 의해 생성된 학습모델에 상기 데이터 입력단계(S200)에 의해 입력된 상기 영상 데이터를 적용하여, 토지 피복 영상을 생성하게 된다.
상세하게는, 상기 제1 영상 생성단계(S300)는 상기 데이터 입력단계(S200)에 의해 입력된 상기 영상 데이터 내에 포함되어 있는 토지 피복 항목을 추출하고, 추출한 상기 토지 피복 항목을 입력 파라미터로 설정한 후, 상기 학습 처리단계(S100)의 학습 결과에 의해 생성된 학습모델에 적용함으로써, 도 3에 도시된 바와 같이, 상기 토지 피복 영상을 생성하는 것이 바람직하다.
상기 제2 영상 생성단계(S400)는 상기 제2 영상 처리부(400)에서, 상기 제1 영상 생성단계(S300)에 의해 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 물과 육지로만 구분되는 이진 영상으로 변환 생성하게 된다. 이 때, 변환 생성한 상기 이진 영상은 도 4의 a)에 도시된 바와 같이, 그리프 파일 형태(격자 형태)의 이진 영상인 것이 바람직하다.
상기 하천 추출단계(S500)는 상기 제3 영상 처리부(500)에서, 상기 제2 영상 생성단계(S400)에 의해 변환 생성한 상기 이진 영상을 분석하여, 하천 객체 데이터를 추출하게 된다.
이 때, 상기 하천 추출단계(S500)는 상기 하천 객체 데이터를 추출하기 앞서서, 상기 제2 영상 생성단계(S400)에 의해 변환 생성한 그리드 파일 형태의 이진 영상을 도 4의 b)에 도시된 바와 같이, 벡터 파일 형태의 이진 영상으로 변환을 수행하는 것이 바람직하다.
이를 통해서, 상기 하천 추출단계(S500)는 변환한 벡터 파일 형태(폴리곤 형태)의 이진 영상으로부터 도 5에 도시된 바와 같은, 상기 하천 객체 데이터를 추출하게 된다.
즉, 다시 말하자면, 본 발명의 일 실시예에 따른 기계학습을 활용한 영상에서 객체 검출 시스템 및 그 방법은, 영상, 특히, 위성영상으로부터 하천의 위치를 정확히 파악하고 그 형태를 비교적 정확히 묘사할 수 있어, 하천 매핑 기술에 효율적으로 적용할 수 있는 장점이 있다.
한편, 본 발명의 실시예에 따른 기계학습을 활용한 영상에서의 하천 객체 추출 방법은 다양한 전자적으로 정보를 처리하는 연산처리수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 저장 매체에 기록될 수 있다. 저장 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
저장 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 저장 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
100 : 학습 데이터 생성부
200 : 학습 처리부
300 : 제1 영상 처리부
400 : 제2 영상 처리부
500 : 제3 영상 처리부

Claims (9)

  1. 기계학습을 위한 다수의 영상 데이터를 입력받아, 기설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 학습 데이터 생성부(100);
    기설정된 기계학습 기법을 활용하여 상기 학습 데이터 생성부(100)에서 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하는 학습 처리부(200);
    객체 추출을 위한 영상 데이터를 입력받아, 상기 학습 처리부(200)에 의해 생성한 상기 학습모델에 적용하여 토지 피복 영상을 생성하는 제1 영상 처리부(300);
    상기 제1 영상 처리부(300)에서 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들을 이용하여 이진 영상으로 변환하는 제2 영상 처리부(400); 및
    상기 제2 영상 처리부(400)에서 변환한 상기 이진 영상을 분석하여, 포함되어 있는 하천 객체 데이터를 추출하는 제3 영상 처리부(500);
    를 포함하여 구성되는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템.
  2. 제 1항에 있어서,
    상기 학습 데이터 생성부(100)는
    기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받으며, 추출한 상기 토지 피복 항목 별로 각 스펙트럼 밴드별 밝기값을 추출하여 상기 다수의 학습 데이터를 생성하는 것을 특징으로 하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템.
  3. 제 1항에 있어서,
    상기 학습 처리부(200)는
    SVM(Support Vector Machine) 기법을 활용하여 상기 학습모델을 생성하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템.
  4. 제 1항에 있어서,
    상기 제2 영상 처리부(400)는
    상기 토지 피복 영상을 분석하여 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 상기 이진 영상으로 변환하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템.
  5. 제 4항에 있어서,
    상기 제3 영상 처리부(500)는
    상기 제2 영상 처리부(400)에서 변환한 그리드 파일 형태의 이진 영상을 벡터 파일 형태의 이진 영상으로 변환하고, 변환한 이진 영상에서의 하천 객체 데이터를 추출하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 시스템.
  6. 연산처리수단에서, 기계학습을 위한 다수의 영상 데이터를 이용하여 다수의 학습 데이터들을 생성하고, 기설정된 기계학습 기법을 활용하여 생성한 다수의 학습 데이터에 대한 학습을 수행하는 학습 처리단계(S100);
    연산처리수단에서, 객체 추출을 위한 영상 데이터를 입력받는 데이터 입력단계(S200);
    연산처리수단에서, 상기 학습 처리단계(S100)의 학습 결과에 의해 생성된 학습모델에 상기 데이터 입력단계(S200)에 의해 입력된 상기 영상 데이터를 적용하여, 토지 피복 영상을 생성하는 제1 영상 생성단계(S300);
    연산처리수단에서, 상기 제1 영상 생성단계(S300)에 의해 생성한 상기 토지 피복 영상을 분석하여, 상기 토지 피복 영상에서 포함되어 있는 토지 피복 항목들 중 물 항목 이외의 다른 항목을 모두 육지 항목으로 통합하여, 이진 영상으로 변환 생성하는 제2 영상 생성단계(S400); 및
    연산처리수단에서, 상기 제2 영상 생성단계(S400)에 의해 변환 생성한 상기 이진 영상을 분석하여, 하천 객체 데이터를 추출하는 하천 추출단계(S500);
    를 포함하여 구성되는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 방법.
  7. 제 6항에 있어서,
    상기 학습 처리단계(S100)는
    기계학습을 위한 다수의 영상 데이터를 입력받아, 기설정된 토지 피복(Land cover) 항목을 기반으로 상기 영상 데이터들 내 포함되어 있는 상기 토지 피복 항목을 추출하여, 다수의 학습 데이터들을 생성하는 학습 데이터 생성단계(S110); 및
    SVM(Support Vector Machine) 기법을 활용하여 상기 학습 데이터 생성단계(S110)에 의해 생성한 다수의 학습 데이터들에 대한 학습을 수행하여, 학습모델을 생성하는 학습 단계(S120);
    를 더 포함하여 구성되는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 방법.
  8. 제 7항에 있어서,
    상기 학습 데이터 생성단계(S110)는
    기계학습을 위한 다수의 영상 데이터로 다중 스펙트럼(multiple spectrum) 이미지 데이터를 입력받으며, 추출한 상기 토지 피복 항목 별로 각 스펙트럼 밴드별 밝기값을 추출하여 상기 다수의 학습 데이터를 생성하는 것을 특징으로 하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 방법.
  9. 제 6항에 있어서,
    상기 하천 추출단계(S500)는
    상기 제2 영상 생성단계(S400)에 의해 변환 생성한 그리드 파일 형태의 이진 영상을 벡터 파일 형태의 이진 영상으로 변환하고, 변환한 이진 영상에서의 하천 객체 데이터를 추출하는 것을 특징으로 하는 기계학습을 활용한 영상에서의 하천 객체 추출 방법.

KR1020200185081A 2020-12-28 2020-12-28 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법 KR102546096B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200185081A KR102546096B1 (ko) 2020-12-28 2020-12-28 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200185081A KR102546096B1 (ko) 2020-12-28 2020-12-28 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220093914A true KR20220093914A (ko) 2022-07-05
KR102546096B1 KR102546096B1 (ko) 2023-06-22

Family

ID=82402412

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200185081A KR102546096B1 (ko) 2020-12-28 2020-12-28 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102546096B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101991186B1 (ko) * 2017-12-26 2019-06-19 중앙대학교 산학협력단 철근 검출 방법 및 그 장치

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160093341A (ko) * 2015-01-29 2016-08-08 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101697183B1 (ko) 2015-01-29 2017-01-17 계명대학교 산학협력단 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR101991186B1 (ko) * 2017-12-26 2019-06-19 중앙대학교 산학협력단 철근 검출 방법 및 그 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
N. Li et al., ‘An automatic water detection approach based on Dempster-Shafer theory for multi-spectral images,’arXiv:1708.02747v2 [cs.AI] 4 Sep 2017 (2017.09.04.) 1부.* *
Z. Tian et al., ‘A Novel Method of River Detection for High Resolution Remote Sensing Image Based on Corner Feature and SVM,’ J. Wang, G.G. Yen, and M.M. Polycarpou (Eds.): ISNN 2012, Part II, LNCS 7368, pp. 266-273, 2012. (2012.) 1부.* *

Also Published As

Publication number Publication date
KR102546096B1 (ko) 2023-06-22

Similar Documents

Publication Publication Date Title
Becker et al. Classification of aerial photogrammetric 3D point clouds
Dalla Mura et al. Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis
US8879855B2 (en) Image segmentation for large-scale fine-grained recognition
Becker et al. Classification of aerial photogrammetric 3D point clouds
US20120263352A1 (en) Methods and systems for verifying automatic license plate recognition results
US20120093396A1 (en) Digital image analysis utilizing multiple human labels
Nordeng et al. DEBC detection with deep learning
CN110674685B (zh) 一种基于边缘信息增强的人体解析分割模型及方法
JP2011154501A (ja) 学習装置、学習方法、識別装置、識別方法、プログラム、及び情報処理システム
Nguyen et al. Satellite image classification using convolutional learning
Alidoost et al. Knowledge based 3D building model recognition using convolutional neural networks from LiDAR and aerial imageries
Den Hartog et al. Knowledge-based interpretation of utility maps
CN104036296A (zh) 一种图像的表示和处理方法及装置
Han et al. Improving training instance quality in aerial image object detection with a sampling-balance-based multistage network
KR20220122455A (ko) 영상 데이터에 포함된 객체 분할 방법 및 이를 수행하는 장치
Sravanthi et al. Brain tumor detection using image processing
KR102327060B1 (ko) 표적 식별을 위한 관심 영역 추출 방법, 장치, 컴퓨터 판독 가능한 기록매체 및 컴퓨터 프로그램
CN111160368A (zh) 图像中目标检测方法、装置、设备及存储介质
Zhang et al. Learning with free object segments for long-tailed instance segmentation
JP2011154500A (ja) 学習装置、学習方法、識別装置、識別方法、及びプログラム
CN103295026A (zh) 基于空间局部聚合描述向量的图像分类方法
KR102546096B1 (ko) 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법
Jubair et al. A simplified method for handwritten character recognition from document image
Xiao et al. Auto rock detection via sparse-based background modeling for mars rover
Nie et al. Semantic labeling based vehicle detection in aerial imagery

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right