KR20230114457A - Method and apparatus for analyzing river confluence shaer layer using rgb images - Google Patents

Method and apparatus for analyzing river confluence shaer layer using rgb images Download PDF

Info

Publication number
KR20230114457A
KR20230114457A KR1020220010628A KR20220010628A KR20230114457A KR 20230114457 A KR20230114457 A KR 20230114457A KR 1020220010628 A KR1020220010628 A KR 1020220010628A KR 20220010628 A KR20220010628 A KR 20220010628A KR 20230114457 A KR20230114457 A KR 20230114457A
Authority
KR
South Korea
Prior art keywords
river
confluence
shear layer
image
rgb image
Prior art date
Application number
KR1020220010628A
Other languages
Korean (ko)
Other versions
KR102665566B1 (en
Inventor
박용성
노효섭
서일원
Original Assignee
서울대학교산학협력단
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 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020220010628A priority Critical patent/KR102665566B1/en
Priority claimed from KR1020220010628A external-priority patent/KR102665566B1/en
Publication of KR20230114457A publication Critical patent/KR20230114457A/en
Application granted granted Critical
Publication of KR102665566B1 publication Critical patent/KR102665566B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/251—Colorimeters; Construction thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/0093—Geometric image transformation in the plane of the image for image warping, i.e. transforming by individually repositioning each pixel
    • G06T3/18—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1765—Method using an image detector and processing of image signal
    • G01N2021/177—Detector of the video camera type
    • G01N2021/1776—Colour camera

Abstract

본 발명의 일 실시예에 따라 하천의 RGB영상에서 합류부 전단층을 해석하는 장치에 있어서, 하천의 RGB영상에서 합류부 전단층을 해석하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 하천의 RGB영상에서 합류부 전단층을 해석하는 프로세서를 포함하되, 프로세서는 본류와 적어도 하나 이상의 지류가 만나는 하천의 합류부가 촬영된 합류부 RGB영상을 전처리하여, 전처리 영상을 생성하고, 가우시안 혼합모형을 통해 전처리 영상에 포함된 합류부로부터 하천의 본류 및 지류를 분리하고, 자기조직화지도(self-organizing map; som)를 통해 각각의 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여, 하천 곡선 정보를 생성하고, 하천의 픽셀을 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시키고, 곡선 좌표계로부터 합류부 전단층의 기하학적 특성을 추출하는 장치이다.According to an embodiment of the present invention, in the device for analyzing the shear layer of the confluence in the RGB image of the river, the program for analyzing the shear layer of the confluence in the RGB image of the river is stored in the memory and the program stored in the memory is executed to Including a processor that analyzes the shear layer of the confluence in the RGB image, wherein the processor pre-processes the confluence RGB image of the confluence of the river where the main stream and at least one tributary meet, generates a pre-processed image, and through a Gaussian mixture model The main stream and tributary of the river are separated from the confluence included in the preprocessing image, and the shape of the main stream and tributary of each river is projected as a one-dimensional curve through a self-organizing map (som), and the river curve information It is a device that generates and transforms the river pixels into a curve coordinate system through the river curve information and the image pixel coordinate system, and extracts the geometrical characteristics of the shear layer at the junction from the curve coordinate system.

Description

RGB 영상을 이용한 하천의 합류부 전단층 해석 장치 및 방법{METHOD AND APPARATUS FOR ANALYZING RIVER CONFLUENCE SHAER LAYER USING RGB IMAGES}Apparatus and method for analyzing the shear layer of the confluence of a river using RGB images {METHOD AND APPARATUS FOR ANALYZING RIVER CONFLUENCE SHAER LAYER USING RGB IMAGES}

본 발명은 인공위성이나 무인항공체(드론)를 이용하여 하천을 촬영한 RGB 영상으로부터 인공지능을 이용하여 하천 합류부 전단층을 해석하는 장치 및 방법에 관한 것이다.The present invention relates to a device and method for analyzing the shear layer of a river junction using artificial intelligence from an RGB image of a river photographed using a satellite or an unmanned aerial vehicle (drone).

자연하천망은 다양한 지류가 본류로 합류하는 부분으로 연결되어 있으며, 자연하천의 합류부에서는 매우 복잡한 지형적 특성과 수리지형학적 특성이 전단층을 따라 나타나게 된다. 특히, 합류부 주변에서는 급격한 지형 변화가 나타나거나 오염물질의 혼합이 복잡하게 발생할 수 있기에 하천 개발 및 운영 측면에서 합류부에서의 흐름에 대한 특성을 규명하는 것이 매우 중요한 사항으로 대두된다. The natural river network is connected to the part where various tributaries join the main stream, and at the confluence of natural rivers, very complex topographical and hydrogeographical characteristics appear along the shear layer. In particular, since rapid topographical changes or complex mixing of pollutants can occur around confluences, characterization of flow at confluences has emerged as a very important matter in terms of river development and operation.

종래에는 하천의 합류부를 분석하는 방법으로는 초음파 유속계 등을 이용해 유속과 하상고를 계측하는 방법, 용존성 물질을 주입한 후 접촉식 농도 계측기로 물질의 농도를 계측해 혼합 양상을 분석하는 방법 등을 이용하고 있다. 상술한 두 접촉식 계측방법들은 하천에 계측기가 설치되거나 물살이 통과하는 영역에 한해 합류부의 흐름에 대한 기작을 분석할 수 있다. 그렇기에 하천 전단층의 길이와 폭과 같은 넓은 구간에 걸친 기하학적 특성을 얻을 수 없다는 한계가 있다. 또한, 접촉식 계측을 위해서는 하천 안으로 계측자가 직접 들어가야 하기 때문에 높은 위험성을 안고 있다. Conventionally, as a method of analyzing the confluence of a river, a method of measuring the flow velocity and height of the river bed using an ultrasonic flow meter, etc., a method of injecting dissolved substances and then measuring the concentration of the substance with a contact concentration meter to analyze the mixing pattern, etc. is using The two contact measurement methods described above can analyze the flow mechanism of the confluence only in the area where the meter is installed in the river or where the current passes. Therefore, there is a limitation in that geometrical characteristics over a wide range such as the length and width of the river shear layer cannot be obtained. In addition, contact measurement has a high risk because the measurer must directly enter the river.

한편, 최근 인공위성이나 무인항공체(드론)에 대한 지속적인 기술 개발 및 보급에 의해, 위성과 드론 영상을 통해 하천 수리 분석에 활발하게 이용되고 있다. 특히, 위성과 드론을 이용해 취득된 고해상도의 RGB 영상을 이용하면 하천 정보를 원하는 장소에서 광범위하게 저비용으로 취득할 수 있다. On the other hand, recently, due to the continuous technology development and dissemination of satellites or unmanned aerial vehicles (drones), satellite and drone images are actively used for river hydraulic analysis. In particular, by using high-resolution RGB images acquired using satellites and drones, river information can be obtained in a wide range and at low cost.

대한민국 등록특허공보 제10-2193108호(2020.12.18.공고)에서 (a) 추적자실험을 수행함과 동시에 무인항공체를 이용하여 하천의 RGB 영상자료를 취득하는 단계(S10)와; (b) 영상좌표 추적 모듈(11)이 상기 RGB 영상자료의 첫번째 프레임에 대한 지상기준점의 영상좌표를 기준으로 이후 프레임에 대한 지상기준점의 영상좌표를 추출하는 단계(S20)와; (c) 좌표변환 모듈(12)이 상기 단계(b)에서 추출된 각 프레임에서의 지상기준점의 영상좌표와 해당 지상기준점 의 UTM 좌표로 일정개수의 좌표쌍을 구축하고 RGB 영상자료의 모든 영상좌표의 화소강도를 UTM 좌표계상의 화소 강도에 투영하는 단계(S30), 및 (d) 인공신경망 구축 모듈(13)이 농도측정기기에 의해 측정된 추적자물질의 농도값과 RGB 영상의 화소 강도를 이용하여 인공신경망을 구축하고, 구축된 인공신경망을 통해 RGB 영상자료의 각 프레임에서 농도측정기기가 설치 되지 않은 지점의 화소 강도를 추적자물질의 농도값으로 변환하는 단계를 포함한 구성이 개시되어 있다. 그러나 기술을 구현하기 위해서는 추적자실험을 수행함과 동시에 실험 장면을 촬영하여야 하고, 알고리즘 자체로 합류부에서 발생하는 전단층의 기하학적 특성을 추출하기에는 한계가 있다.In Korean Patent Registration No. 10-2193108 (2020.12.18. notice), (a) conducting a tracker experiment and acquiring RGB image data of a river using an unmanned aerial vehicle (S10); (b) extracting, by the image coordinate tracking module 11, image coordinates of ground reference points for subsequent frames based on image coordinates of ground reference points for the first frame of the RGB image data (S20); (c) The coordinate conversion module 12 constructs a certain number of coordinate pairs with the image coordinates of the ground reference point in each frame extracted in step (b) and the UTM coordinates of the corresponding ground reference point, and all image coordinates of the RGB image data Projecting the pixel intensity of to the pixel intensity on the UTM coordinate system (S30), and (d) the artificial neural network construction module 13 using the concentration value of the tracer material measured by the concentration measuring device and the pixel intensity of the RGB image A configuration including the step of constructing an artificial neural network and converting the pixel intensity at a point where a concentration measuring device is not installed in each frame of RGB image data into a concentration value of a tracer material through the constructed artificial neural network is disclosed. However, in order to implement the technology, the tracer experiment must be performed and the experimental scene must be photographed at the same time, and the algorithm itself has limitations in extracting the geometrical characteristics of the shear layer generated at the confluence.

본 발명은 상기와 같은 문제점을 해결하기 위해 고안된 것으로, 본 발명의 목적은 위성 또는 드론을 이용해 촬영된 RGB 영상을 이용해 탁도가 서로 다른 두 자연하천의 합류부에서 전단층을 기준으로 본류와 지류를 구분하게 된다. 또한, 본 발명은 기계학습 기법을 이용해 전단층과 두 하천을 구분해내어 전단층 특성을 추출하고, 종래의 하천 조사 기술로 관측이 어려웠던 전단층의 공간적 특성을 추출 가능하게 하는 것을 목적으로 한다.The present invention was conceived to solve the above problems, and an object of the present invention is to determine the main stream and tributary based on the shear layer at the confluence of two natural rivers with different turbidity using RGB images taken using satellites or drones. to distinguish In addition, an object of the present invention is to extract the characteristics of the shear layer by distinguishing the shear layer and the two streams using a machine learning technique, and to enable the extraction of the spatial characteristics of the shear layer, which were difficult to observe with conventional river survey techniques.

대한민국 등록특허공보 제10-2193108호(발명의 명칭: 무인항공체로부터 취득된 RGB영상을 이용한 2차원 하천혼합거동 계측 방법)Republic of Korea Patent Registration No. 10-2193108 (Title of Invention: 2D River Mixing Behavior Measurement Method Using RGB Image Acquired from Unmanned Aerial Vehicle)

본 발명은 상기한 문제점을 해결하기 위해, 하천의 합류부가 촬영된 RGB영상으로부터 합류부 전단층의 기하학적 특징을 도출하는 합류부 전단층 해석 장치 및 방법을 제공하는 것을 목적으로 한다.In order to solve the above problems, an object of the present invention is to provide an apparatus and method for analyzing the shear layer of the confluence part for deriving the geometrical characteristics of the shear layer of the confluence part from the RGB image of the confluence part of the river.

구체적으로 본 발명에서 제시하는 RGB 영상 기반 합류부 전단층 해석법은 위성이나 드론으로 하천의 합류부를 촬영한 고해상도의 RGB 사진을 이용해 하천에 직접 들어가서 계측하는 기존 방법에 비해 효율적이고 안전하게 하천 합류부의 수리 특성의 분석을 가능하게 하는 효과가 있다.Specifically, the RGB image-based junction shear layer analysis method presented in the present invention is more efficient and safer than the existing method of directly entering the river and measuring the hydraulic properties of the river junction using high-resolution RGB photos taken by satellites or drones. has the effect of enabling the analysis of

상기와 같은 기술적 과제를 달성하기 위한 본 발명의 일 실시예에 따른, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법에 있어서, (a) 본류와 적어도 하나 이상의 지류가 만나는 하천의 합류부가 촬영된 합류부 RGB영상을 전처리하여, 전처리 영상을 생성하는 단계; (b) 가우시안 혼합모형을 통해 전처리 영상에 포함된 합류부로부터 하천의 본류 및 지류를 분리하는 단계; (c) 자기조직화지도(self-organizing map; som)를 통해 각각의 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여, 하천 곡선 정보를 생성하는 단계; (d) 하천의 픽셀을 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시키는 단계; 및 (e) 곡선 좌표계로부터 합류부 전단층의 기하학적 특성을 추출하는 단계;로 구성될 수 있다.According to an embodiment of the present invention for achieving the above technical problem, in the method for analyzing the shear layer of the confluence in the RGB image of the river, (a) the confluence of the river where the main stream and at least one tributary meet is photographed generating a pre-processed image by pre-processing the confluent RGB image; (b) separating the main stream and tributary of the river from the junction included in the preprocessed image through a Gaussian mixture model; (c) generating river curve information by projecting the shape of the main stream and tributary stream of each river into a one-dimensional curve through a self-organizing map (som); (d) converting a pixel of a river into a curve coordinate system through river curve information and an image pixel coordinate system; and (e) extracting the geometrical characteristics of the shear layer of the confluence from the curved coordinate system.

또한,(a) 단계는 (a1) 합류부 RGB영상에 포함된 합류부에서 하천의 픽셀을 분리하는 단계; (a2) 기설정된 축척을 통해 하천의 픽셀의 좌표계 상의 길이와 실제 하천의 길이를 통합하는 단계; 및 (a3) 합류부 RGB영상에서 분리된 하천의 영역을 제외한 나머지 영역을 삭제한 전처리 영상을 생성하는 단계;를 포함할 수 있다.In addition, step (a) may include (a1) separating pixels of the river at the confluence included in the confluence RGB image; (a2) integrating the length of the river pixel coordinate system with the actual river length through a predetermined scale; and (a3) generating a pre-processed image by deleting regions other than the region of the river separated from the confluence RGB image.

또한, (b) 단계는 가우시안 혼합모형을 통해 전처리 영상으로부터 하천을 표현하는 픽셀을 구분하되, 전처리 영상 내에 포함된 픽셀의 RGB화소 강도 값을 K개의 가우스 분포가 포함된 확률밀도함수로 가정 후 각각의 픽셀을 군집화 하여 하천의 본류와 지류의 영역을 구분할 수 있다.In addition, step (b) distinguishes pixels representing rivers from the preprocessed image through a Gaussian mixture model, but assumes that the RGB pixel intensity value of the pixel included in the preprocessed image is a probability density function containing K Gaussian distributions, respectively By clustering the pixels of , it is possible to distinguish the main stream and tributary areas of the river.

또한, (c) 단계는 전처리 영상으로부터 (b) 단계에서 추출된 각각의 하천의 이미지에 포함된 픽셀들의 위치를 자기조직화지도로 학습시켜, 1차원 격자를 갖는 하천 곡선 정보를 생성할 수 있고, 자기조직화지도의 격자의 개수는 격자의 수

Figure pat00001
를 2개에서 늘려가며, [수학식]:
Figure pat00002
가 최소한의 값을 갖도록 격자의 수를 찾아 산출할 수 있다.In addition, in step (c), river curve information having a one-dimensional grid can be generated by learning the positions of pixels included in each river image extracted in step (b) from the preprocessed image as a self-organizing map, The number of lattices in a self-organizing map is the number of lattices.
Figure pat00001
Increasing from 2, [Equation]:
Figure pat00002
It can be calculated by finding the number of grids so that has the minimum value.

또한, 1 차원 격자를 완만하게 형성하기 위해 자기조직화지도에 포함되는 격자에 비스플라인(B-spline)내삽 기법을 적용하고, 내삽 격자는 1 차원 격자가 최대한 완만한 값을 갖는 최소한의 개수는 자기조직화지도의 격자의 개수로부터 늘려가되 [수학식]:

Figure pat00003
가 최소화 되는 격자의 수를 산출할 수 있다.In addition, in order to form a one-dimensional lattice smoothly, a B-spline interpolation technique is applied to the lattice included in the self-organization map. Increase from the number of grids of the organization map [Equation]:
Figure pat00003
The number of lattices at which is minimized can be calculated.

또한, 곡선 좌표계는 하천의 흐름방향 좌표

Figure pat00004
및 폭방향 좌표
Figure pat00005
로 구성되고, (e) 단계는 합류부 전단층의 영역은
Figure pat00006
좌표를 기준으로 하천의 상류에서 하류 방향으로 모든 픽셀 간의 거리를 산정하되, 모든 픽셀은 서로 접촉 중인 픽셀을 모두 포함하고, 합류부 전단층의 픽셀 중 본류를 기준으로 하천의 상류에서 가장 가까운 픽셀을 시작영역인
Figure pat00007
로, 하천의 하류에서 가장 가까운 픽셀을 종료영역인
Figure pat00008
로 정의할 수 있다.In addition, the curved coordinate system is the flow direction coordinate of the river
Figure pat00004
and width coordinates
Figure pat00005
It consists of, and in step (e), the area of the shear layer of the confluence is
Figure pat00006
Calculate the distance between all pixels from the upstream to the downstream direction based on the coordinates, all pixels include all pixels in contact with each other, and among the pixels in the front layer of the confluence, the pixel closest to the upstream of the river based on the main stream is calculated. starting area
Figure pat00007
, the nearest pixel at the downstream of the river is the end area
Figure pat00008
can be defined as

또한, 기하학적 특징으로 합류부 전단층의 각 하천이 이루는 합류각

Figure pat00009
는 자기조직화지도의 격자 구간 중 본류 및 지류에서 각각의
Figure pat00010
와 가장 인접한 2개의 자기조직화지도의 격자 구간이 이루는 사잇각으로 정의할 수 있다.In addition, as a geometric feature, the confluence angle formed by each river in the shear layer of the confluence
Figure pat00009
is each of the main stream and tributary of the grid section of the self-organizing map
Figure pat00010
It can be defined as the angle between lattice sections of the two most adjacent self-organized maps.

또한, 기하학적 특징으로 합류부 전단층의 길이인

Figure pat00011
는
Figure pat00012
와
Figure pat00013
의
Figure pat00014
좌표 상 거리를 통해 산출할 수 있다.In addition, as a geometrical feature, the length of the shear layer of the confluence
Figure pat00011
Is
Figure pat00012
and
Figure pat00013
of
Figure pat00014
It can be calculated through the distance on the coordinates.

또한, 기하학적 특징으로 하천의 하폭은 하천이 합류되기 직전의 본류의 하폭

Figure pat00015
와 지류의 하폭
Figure pat00016
가 곡선 좌표계 상에서 합류부 전단층이 시작되는 영역의 폭을 통해 산출되고, 하천이 합류된 이후 하폭
Figure pat00017
는 합류부 전단층이 끝나는 지점의 하폭을 통해 산출할 수 있다.In addition, as a geometric feature, the river width is the river width of the main stream immediately before the river merges.
Figure pat00015
and the lower width of the tributary
Figure pat00016
is calculated through the width of the area where the shear layer of the confluence begins on the curved coordinate system, and the width of the river after the confluence
Figure pat00017
can be calculated through the lower width at the point where the shear layer of the confluence ends.

또한, 기하학적 특징으로 합류부 전단층의 최대 두께

Figure pat00018
는 지류에서의 곡선 좌표계에서 합류부 전단층의 각각의 구간에서 최대 하폭을 통해 산출할 수 있다.In addition, as a geometric feature, the maximum thickness of the shear layer of the confluence
Figure pat00018
can be calculated through the maximum drop width in each section of the shear layer of the confluence in the curved coordinate system in the tributary.

또한, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치에 있어서, 하천의 RGB영상에서 합류부 전단층을 해석하는 프로그램이 저장된 메모리 및 메모리에 저장된 프로그램을 실행하여 하천의 RGB영상에서 합류부 전단층을 해석하는 프로세서를 포함하되, 프로세서는 본류와 적어도 하나 이상의 지류가 만나는 하천의 합류부가 촬영된 합류부 RGB영상을 전처리하여, 전처리 영상을 생성하고, 가우시안 혼합모형을 통해 전처리 영상에 포함된 합류부로부터 하천의 본류 및 지류를 분리하고, 자기조직화지도(self-organizing map; som)를 통해 각각의 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여, 하천 곡선 정보를 생성하고, 하천의 픽셀을 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시키고, 곡선 좌표계로부터 합류부 전단층의 기하학적 특성을 추출하는 장치일 수 있다.In addition, in the device for analyzing the shear layer of the confluence in the RGB image of the river, a memory in which a program for analyzing the shear layer of the confluence is stored in the RGB image of the river and the program stored in the memory are executed to analyze the shear layer of the confluence in the RGB image of the river. Including a processor that analyzes the tomography, the processor pre-processes the confluence RGB image of the confluence of the river where the main stream and at least one tributary meet, generates a pre-processed image, and uses a Gaussian mixture model Confluence included in the pre-processed image Separate the main stream and tributary of the river from the part, project the shape of the main stream and tributary of each river into a one-dimensional curve through a self-organizing map (som), generate river curve information, It may be a device that converts pixels into a curve coordinate system through river curve information and image pixel coordinate system, and extracts the geometrical characteristics of the shear layer at the junction from the curve coordinate system.

또한, 전처리 영상을 생성하는 과정은 합류부 RGB영상에 포함된 합류부에서 하천의 픽셀을 분리하고, 기설정된 축척을 통해 하천의 픽셀의 좌표계 상의 길이와 실제 하천의 길이를 통합하고, 합류부 RGB영상에서 분리된 하천의 영역을 제외한 나머지 영역을 삭제한 전처리 영상을 생성하는 장치일 수 있다.In addition, the process of generating the preprocessed image separates the pixels of the river at the confluence included in the confluence RGB image, integrates the length of the coordinate system of the river pixel with the length of the actual river through a preset scale, and merges the RGB of the confluence. It may be a device that generates a pre-processed image by deleting the region other than the region of the river separated from the image.

또한, 하천의 본류 및 지류를 분리하는 과정은 가우시안 혼합모형을 통해 전처리 영상으로부터 하천을 표현하는 픽셀을 구분하되, 전처리 영상 내에 포함된 픽셀의 RGB화소 강도 값을 K개의 가우스 분포가 포함된 확률밀도함수로 가정 후 각각의 픽셀을 군집화 하여 하천의 본류와 지류의 영역을 구분하는 장치일 수 있다.In addition, in the process of separating the main stream and tributary stream of the river, pixels representing the river are distinguished from the preprocessed image through a Gaussian mixture model, and the RGB pixel intensity value of the pixel included in the preprocessed image is calculated as a probability density containing K Gaussian distributions It may be a device that classifies the main stream and tributary areas of a river by clustering each pixel after assuming a function.

또한, 하천 곡선 정보를 생성하는 과정은 전처리 영상으로부터 하천의 본류 및 지류를 분리하는 과정에서 추출된 각각의 하천의 이미지에 포함된 픽셀들의 위치를 자기조직화지도로 학습시켜, 1차원 격자를 갖는 하천 곡선 정보를 생성하고, 자기조직화지도의 격자의 개수는 격자의 수

Figure pat00019
를 2개에서 늘려가며, [수학식]:
Figure pat00020
가 최소한의 값을 갖도록 격자의 수를 찾아 산출할 수 있는 장치일 수 있다.In addition, the process of generating river curve information learns the location of pixels included in each river image extracted in the process of separating the main stream and tributary of the river from the preprocessed image as a self-organizing map, The curve information is generated, and the number of lattices of the self-organizing map is the number of lattices.
Figure pat00019
Increasing from 2, [Equation]:
Figure pat00020
It may be a device capable of finding and calculating the number of lattices so that has a minimum value.

또한, 1 차원 격자를 완만하게 형성하기 위해 자기조직화지도에 포함되는 격자에 비스플라인(B-spline)내삽 기법을 적용하고, 내삽 격자는 1 차원 격자가 최대한 완만한 값을 갖는 최소한의 개수는 자기조직화지도의 격자의 개수로부터 늘려가되 [수학식]:

Figure pat00021
가 최소화 되는 격자의 수를 산출하는 장치일 수 있다.In addition, in order to form a one-dimensional lattice smoothly, a B-spline interpolation technique is applied to the lattice included in the self-organization map. Increase from the number of grids of the organization map [Equation]:
Figure pat00021
It may be a device that calculates the number of lattices for which is minimized.

또한, 곡선 좌표계는 하천의 흐름방향 좌표

Figure pat00022
및 폭방향 좌표
Figure pat00023
로 구성되고, 합류부 전단층의 기하학적 특성을 추출하는 과정은 합류부 전단층의 영역은
Figure pat00024
좌표를 기준으로 하천의 상류에서 하류 방향으로 모든 픽셀 간의 거리를 산정하되, 모든 픽셀은 서로 접촉 중인 픽셀을 모두 포함하고, 합류부 전단층의 픽셀 중 본류를 기준으로 하천의 상류에서 가장 가까운 픽셀을 시작영역인
Figure pat00025
로, 하천의 하류에서 가장 가까운 픽셀을 종료영역인
Figure pat00026
로 정의하는 장치일 수 있다.In addition, the curved coordinate system is the flow direction coordinate of the river
Figure pat00022
and width coordinates
Figure pat00023
, and the process of extracting the geometrical characteristics of the shear layer at the confluence is
Figure pat00024
Calculate the distance between all pixels from the upstream to the downstream direction based on the coordinates, all pixels include all pixels in contact with each other, and among the pixels in the front layer of the confluence, the pixel closest to the upstream of the river based on the main stream is calculated. starting area
Figure pat00025
, the nearest pixel at the downstream of the river is the end area
Figure pat00026
It may be a device defined by

또한, 기하학적 특징으로 합류부 전단층의 각 하천이 이루는 합류각

Figure pat00027
는 자기조직화지도의 격자 구간 중 본류 및 지류에서 각각의
Figure pat00028
와 가장 인접한 2개의 자기조직화지도의 격자 구간이 이루는 사잇각으로 정의하는 장치일 수 있다.In addition, as a geometric feature, the confluence angle formed by each river in the shear layer of the confluence
Figure pat00027
is each of the main stream and tributary of the grid section of the self-organizing map
Figure pat00028
It may be a device defined as an intervening angle formed by lattice sections of two self-organized maps most adjacent to .

또한, 기하학적 특징으로 합류부 전단층의 길이인

Figure pat00029
는
Figure pat00030
와
Figure pat00031
의
Figure pat00032
좌표 상 거리를 통해 산출하는 장치일 수 있다.In addition, as a geometrical feature, the length of the shear layer of the confluence
Figure pat00029
Is
Figure pat00030
and
Figure pat00031
of
Figure pat00032
It may be a device that calculates through distances on coordinates.

또한, 기하학적 특징으로 하천의 하폭은 하천이 합류되기 직전의 본류의 하폭

Figure pat00033
와 지류의 하폭
Figure pat00034
가 곡선 좌표계 상에서 합류부 전단층이 시작되는 영역의 폭을 통해 산출되고, 하천이 합류된 이후 하폭
Figure pat00035
는 합류부 전단층이 끝나는 지점의 하폭을 통해 산출하는 장치일 수 있다.In addition, as a geometric feature, the river width is the river width of the main stream immediately before the river merges.
Figure pat00033
and the lower width of the tributary
Figure pat00034
is calculated through the width of the area where the shear layer of the confluence begins on the curved coordinate system, and the width of the river after the confluence
Figure pat00035
may be a device that calculates through the lower width of the point where the shear layer of the confluence ends.

또한, 기하학적 특징으로 합류부 전단층의 최대 두께

Figure pat00036
는 지류에서의 곡선 좌표계에서 합류부 전단층의 각각의 구간에서 최대 하폭을 통해 산출하는 장치일 수 있다.In addition, as a geometric feature, the maximum thickness of the shear layer of the confluence
Figure pat00036
May be a device that calculates through the maximum width in each section of the shear layer of the confluence in the curved coordinate system in the tributary.

또한, 제 1 항에 의한 하천의 RGB영상에서 합류부 전단층을 해석하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체일 수 있다.In addition, it may be a computer-readable storage medium on which a program for performing the method of analyzing the shear layer of the confluence in the RGB image of the river according to claim 1 is recorded.

본 발명의 일 실시예에 따른, 하천의 합류부가 촬영된 RGB영상으로부터 합류부 전단층의 기하학적 특징을 도출할 수 있다.According to an embodiment of the present invention, the geometric characteristics of the shear layer of the confluence may be derived from the RGB image of the confluence of the river.

구체적으로 본 발명에서 제시하는 RGB 영상 기반 합류부 전단층 해석법은 위성이나 드론으로 하천의 합류부를 촬영한 고해상도의 RGB 사진을 이용해 하천에 직접 들어가서 계측하는 기존 방법에 비해 효율적이고 안전하게 하천 합류부의 수리 특성의 분석을 가능하게 하는 효과가 있다.Specifically, the RGB image-based junction shear layer analysis method presented in the present invention is more efficient and safer than the existing method of directly entering the river and measuring the hydraulic properties of the river junction using high-resolution RGB photos taken by satellites or drones. has the effect of enabling the analysis of

도 1은 본 발명의 일 실시예에 따라, 하천의 RGB영상에서 합류부 전단층을 해석하는 해석 장치의 구성을 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른, 하천의 RGB영상에서 합류부 전단층을 해석하는 과정을 나타낸 동작흐름도이다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따른 합류부 RGB영상의 전처리 과정의 전후를 나타낸 예시 도면이다.
도 4a 내지 도 4c는 전처리 영상에서 가우시안 혼합모형을 적용한 결과를 나타낸 예시 도면이다.
도 5는 본 발명의 일 실시예에 따른, 자기조직화지도의 격자 수에 따른 투영 형상의 예시를 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른, 전처리 영상 내에 두 하천을 자기조직화지도의 격자를 투영한 결과를 나타낸 예시 도면이다.
도 7은 본 발명의 일 실시예에 따른, 전처리 영상 내에 두 하천을 곡선 좌표계에 투영한 결과를 나타낸 예시 도면이다.
도 8은 본 발명의 일 실시예에 따른, 합류부 전단층의 기하학적 인자를 표시한 예시 도면이다.
도 9는 본 발명의 일 실시예에 따른, 합류부 전단층 기하학 인자 산정의 결과값의 예시를 나타낸 표이다.1 is a diagram showing the configuration of an analysis device for analyzing a shear layer of a confluence in an RGB image of a river according to an embodiment of the present invention.
Figure 2 is an operation flow chart showing a process of analyzing the shear layer of the confluence in the RGB image of the river according to an embodiment of the present invention.
3A and 3B are exemplary diagrams showing before and after a pre-processing process of an RGB image of a confluence according to an embodiment of the present invention.
4A to 4C are exemplary diagrams illustrating results of applying a Gaussian mixture model to a preprocessed image.
5 is a diagram showing examples of projection shapes according to the number of lattices of a self-organization map according to an embodiment of the present invention.
6 is an exemplary view showing the result of projecting a grid of a self-organizing map of two rivers into a preprocessed image according to an embodiment of the present invention.
FIG. 7 is an exemplary diagram illustrating a result of projecting two rivers into a curved coordinate system in a preprocessed image according to an embodiment of the present invention.
8 is an exemplary view showing geometric factors of a shear layer of a confluence according to an embodiment of the present invention.
9 is a table showing an example of a result value of calculating the geometric factor of the shear layer of the confluence according to an embodiment of the present invention.

아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.Hereinafter, embodiments of the present invention will be described in detail so that those skilled in the art can easily practice the present invention with reference to the accompanying drawings. However, the present invention may be embodied in many different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Throughout the specification, when a part is said to be "connected" to another part, this includes not only the case where it is "directly connected" but also the case where it is "electrically connected" with another element interposed therebetween. . In addition, when a part "includes" a certain component, this means that it may further include other components, not excluding other components, unless otherwise stated, and one or more other characteristics. However, it should be understood that it does not preclude the possibility of existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

이하의 실시예는 본 발명의 이해를 돕기 위한 상세한 설명이며, 본 발명의 권리 범위를 제한하는 것이 아니다. 따라서 본 발명과 동일한 기능을 수행하는 동일 범위의 발명 역시 본 발명의 권리 범위에 속할 것이다.The following examples are detailed descriptions for better understanding of the present invention, and do not limit the scope of the present invention. Therefore, inventions of the same scope that perform the same functions as the present invention will also fall within the scope of the present invention.

본 명세서 전체에서, '해석 장치(100)'는 하천의 RGB영상에서 합류부 전단층을 해석하기 위한 장치를 의미할 수 있다. 이때, 해석 장치(100)는 일종의 단말의 형태로 구비되거나, 네트워크 서버 장치 중 어느 하나의 형태로 구현될 수 있다. 또한, 해석 장치(100)는 하천의 합류부가 촬영된 RGB영상을 인공지능 기술을 접목하여 각각의 하천이 만나게 되는 합류부의 전단층이 갖는 기하학적 특징을 해석하기 위한 기술일 수 있다.Throughout this specification, the 'analysis device 100' may mean a device for analyzing the shear layer of the confluence in the RGB image of the river. In this case, the analysis device 100 may be provided in the form of a type of terminal or implemented in any one of network server devices. In addition, the analysis device 100 may be a technology for analyzing the geometrical characteristics of the shear layer of the confluence where each river meets by incorporating artificial intelligence technology into the RGB image of the confluence of the river.

도 1은 본 발명의 일 실시예에 따라, 하천의 RGB영상에서 합류부 전단층을 해석하는 해석 장치의 구성을 나타낸 도면이다.1 is a diagram showing the configuration of an analysis device for analyzing a shear layer of a confluence in an RGB image of a river according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 해석 장치(100)는 통신 모듈(110), 메모리(120), 프로세서(130) 및 데이터베이스(140)를 포함한다.Referring to FIG. 1 , an analysis device 100 according to an embodiment of the present invention includes a communication module 110, a memory 120, a processor 130, and a database 140.

통신 모듈(110)은 통신망과 연동하여 해석 장치(100)와 촬영장치 간의 송수신 신호를 패킷 데이터 형태로 제공하는 데 필요한 통신 인터페이스를 제공한다. 나아가, 통신 모듈(110)은 RGB영상을 생성하는 촬영장치로부터 데이터 요청을 수신하고, 이에 대한 응답으로서 데이터를 송신하는 역할을 수행할 수 있다.The communication module 110 provides a communication interface necessary to provide a transmission/reception signal between the analysis device 100 and the photographing device in the form of packet data in conjunction with a communication network. Furthermore, the communication module 110 may serve to receive a data request from a photographing device that generates an RGB image and transmit data as a response thereto.

여기서, 통신 모듈(110)은 다른 네트워크 장치와 유무선 연결을 통해 제어 신호 또는 데이터 신호와 같은 신호를 송수신하기 위해 필요한 하드웨어 및 소프트웨어를 포함하는 장치일 수 있다.Here, the communication module 110 may be a device including hardware and software necessary for transmitting and receiving a signal such as a control signal or a data signal with another network device through a wired or wireless connection.

한편, 통신망은 해석 장치와 촬영장치 간의 데이터의 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.On the other hand, the communication network refers to a communication network that provides an access path so that data can be transmitted and received between the analysis device and the photographing device. Communication networks include, for example, wired networks such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), and ISDNs (Integrated Service Digital Networks), wireless LANs, wireless networks such as CDMA, Bluetooth, and satellite communication. However, the scope of the present invention is not limited thereto.

메모리(120)는 하천의 RGB영상에서 합류부 전단층을 해석하기 위한 프로그램이 기록된다. 또한, 메모리(120)는 프로세서(130)가 처리하는 데이터를 일시적 또는 영구적으로 저장하는 기능을 수행한다. 여기서, 메모리(120)는 자기 저장 매체(magnetic storage media) 또는 플래시 저장 매체(flash storage media)를 포함할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.The memory 120 stores a program for analyzing the shear layer of the confluence in the RGB image of the river. In addition, the memory 120 performs a function of temporarily or permanently storing data processed by the processor 130 . Here, the memory 120 may include magnetic storage media or flash storage media, but the scope of the present invention is not limited thereto.

프로세서(130)는 일종의 중앙처리장치로서 하천의 RGB영상에서 합류부 전단층을 해석하기 위한 전체 과정을 제어한다. 프로세서(130)가 수행하는 각 단계에 대해서는 후술할 도 2의 과정을 참조하도록 한다.The processor 130, as a kind of central processing unit, controls the entire process of analyzing the shear layer of the confluence in the RGB image of the river. For each step performed by the processor 130, refer to the process of FIG. 2 to be described later.

여기서, 프로세서(130)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.Here, the processor 130 may include all types of devices capable of processing data, such as a processor. Here, a 'processor' may refer to a data processing device embedded in hardware having a physically structured circuit to perform functions expressed by codes or instructions included in a program, for example. As an example of such a data processing device built into hardware, a microprocessor, a central processing unit (CPU), a processor core, a multiprocessor, an application-specific integrated (ASIC) circuit), field programmable gate array (FPGA), etc., but the scope of the present invention is not limited thereto.

데이터베이스(140)는 하천의 합류부가 포함된 RGB영상과 합류부 전단층의 기하학적 특징이 저장된다. The database 140 stores RGB images including the confluence of rivers and the geometrical characteristics of the shear layer of the confluence.

비록 도 1에는 도시하지 아니하였으나, RGB영상과 기하학적 특징에 대한 데이터 중 일부는 데이터베이스(140)와 물리적 또는 개념적으로 분리된 데이터베이스(미도시)에 저장될 수 있다.Although not shown in FIG. 1 , some of the RGB image and geometric feature data may be stored in a database (not shown) physically or conceptually separated from the database 140 .

도 2는 본 발명의 일 실시예에 따른, 하천의 RGB영상에서 합류부 전단층을 해석하는 과정을 나타낸 동작흐름도이다.Figure 2 is an operation flow chart showing a process of analyzing the shear layer of the confluence in the RGB image of the river according to an embodiment of the present invention.

기술을 설명하기에 앞서 본 발명의 해석 장치는 위성이나 무인항공체 등과 같은 촬영 장치에 의해 촬영된 하천의 RGB영상으로부터 합류부 전단층의 기하학적 특징을 산출하게 된다. 이때, 명세서에서 기술의 원활한 설명을 위해 낙동강-남강 합류부의 RGB 항공 촬영 사진을 도면으로 이용하여 설명하도록 한다.Prior to explaining the technology, the analysis device of the present invention calculates the geometrical characteristics of the shear layer at the confluence from the RGB image of the river captured by a photographing device such as a satellite or an unmanned aerial vehicle. At this time, for a smooth description of the technology in the specification, an RGB aerial photograph of the junction of the Nakdonggang River and the Namgang River will be used as a drawing.

도 2를 참고하면, 해석 장치(100)는 적어도 둘 이상의 하천이 만나는 합류부가 촬영된 합류부 RGB영상을 전처리하여, 전처리 영상을 생성할 수 있다(S110).Referring to FIG. 2 , the analysis device 100 may generate a pre-processed image by pre-processing an RGB image of a merging portion where at least two or more rivers meet.

이때, 해석 장치에 의해 합류부 RGB영상을 전처리하는 과정은 이하의 3가지 단계를 거칠 수 있다.At this time, the process of pre-processing the confluence RGB image by the analysis device may go through the following three steps.

1. 해석 장치(100)는 합류부 RGB영상에 포함된 합류부에서 하천의 픽셀을 분리할 수 있다.1. The analysis device 100 may separate the pixels of the river at the confluence included in the confluence RGB image.

2. 해석 장치(100)는 기설정된 축척을 통해 상기 하천의 픽셀의 좌표계 상의 길이와 실제 상기 하천의 길이를 통합할 수 있다.2. The analysis device 100 may integrate the length of the pixel coordinate system of the river and the actual length of the river through a preset scale.

3. 해석 장치(100)는 합류부 RGB영상에서 분리된 하천의 영역을 제외한 나머지 영역을 삭제한 전처리 영상을 생성할 수 있다.3. The analysis device 100 may generate a pre-processed image by deleting the region other than the region of the river separated from the confluence RGB image.

도 3a 및 도 3b를 예로 들어 상기의 3단계 과정을 설명하면, 해석 장치(100)는 도 3a에 도시된 합류부 RGB영상에서 픽셀 길이를 실제 길이로 변환하기 위해 축척바의 길이와 픽셀의 길이를 매치하게 된다. 또한, 원활한 분석을 위해 사각형과 직선 프레임을 이용하여 분석이 필요한 부분을 남기고 나머지 영역을 삭제하게 된다. 이러한 전처리 과정은 해석 장치(100)를 이용하는 사용자가 직접 대상 지역을 지정하거나, 해석 장치가 자동으로 지정할 수도 있고, 전처리 과정을 거처 도 3a에 도시된 합류부 RGB영상은 도 3b에 도시된 형태를 갖게 된다.Referring to FIGS. 3A and 3B as an example, the analysis device 100 uses the length of the scale bar and the pixel length to convert the pixel length to the actual length in the confluence RGB image shown in FIG. 3A. will match In addition, for smooth analysis, the remaining area is deleted while leaving the part that needs to be analyzed using rectangular and linear frames. In this pre-processing process, the user using the analysis device 100 may directly designate the target area or the analysis device may automatically designate the target area, and the confluence RGB image shown in FIG. 3A through the pre-processing process takes the form shown in FIG. 3B. will have

다음으로 해석 장치는 가우시안 혼합모형을 통해 상기 전처리 영상에 포함된 합류부로부터 하천의 본류 및 지류를 분리할 수 있다(S120).Next, the analysis device may separate the main stream and tributary of the river from the confluence included in the preprocessed image through the Gaussian mixture model (S120).

단계(S120)에서 해석 장치는 도 3b와 같이 전처리 영상에서 가우시안 혼합모형을 이용하여, 원본 영상과 유사도가 높은 RGB화소 강도를 가진 구역의 이미지 내에 분포된 모든 픽셀들을 구분하게 된다.In step S120, the analysis device uses the Gaussian mixture model in the preprocessed image as shown in FIG. 3B to classify all pixels distributed in the image of a region having RGB pixel intensities similar to those of the original image.

구체적으로, 해석 장치는 가우시안 혼합모형을 통해 전처리 영상으로부터 하천을 표현하는 픽셀을 구분할 수 있다. 이때, 해석 장치는 전처리 영상 내에 포함된 픽셀의 RGB화소 강도 값을 K개의 가우스 분포가 포함된 확률밀도함수로 가정 후 각각의 픽셀을 군집화하여 하천의 본류와 지류의 영역을 구분할 수 있다.Specifically, the analysis device may distinguish pixels representing a river from a preprocessed image through a Gaussian mixture model. At this time, the analysis device assumes that the RGB pixel intensity values of the pixels included in the preprocessed image are a probability density function including K Gaussian distributions, and then clusters each pixel to distinguish the main stream and tributary regions of the river.

이때, 해석 장치는 RGB화소 강도 값에 대한 확률분포는 [수학식1]에 기초하여 산출할 수 있다.In this case, the analysis device may calculate a probability distribution of RGB pixel intensity values based on [Equation 1].

[수학식1]:

Figure pat00037
[Equation 1]:
Figure pat00037

K: 총 가우스 분포의 개수K: total number of Gaussian distributions

Figure pat00038
: k번째 가우스 분포의 기여도
Figure pat00038
: Contribution of the kth Gaussian distribution

Figure pat00039
:
Figure pat00040
와
Figure pat00041
를 각각 평균과 공분산 행렬로 가지는 다변량 가우스 분포
Figure pat00039
:
Figure pat00040
and
Figure pat00041
Multivariate Gaussian distribution with as mean and covariance matrices, respectively

또한, 해석 장치는 군집화된 픽셀을 병합하기 위해 연속 픽셀 병합 기법을 적용할 수 있다. 이때, 해석 장치는 하천의 픽셀과 기 설정된 유사도를 갖는 육역 픽셀을 삭제하고, 수체 픽셀만을 병합하여 하천의 본류와 지류를 구분할 수 있다.Also, the analysis device may apply a contiguous pixel merging technique to merge clustered pixels. At this time, the analysis device may delete land area pixels having a preset similarity with the river pixels and merge only the water body pixels to distinguish the main stream and tributary of the river.

예를 들어, 도 4a 및 도 4b는 전처리 영상에서 가우시안 혼합모형을 적용한 후 연속 픽셀 병합 기법이 적용될 픽셀을 자주색과 노란색 동그라미로 표시한 도면의 예시가 될 수 있다. 이때, 도 4a 및 도 4b는 가우시안 혼합모형의 군집 수를 10개로 지정한 결과이며, 회색조 영상 처리가 수행되면 해석 장치를 이용하는 사용자는 본류와 지류의 픽셀을 구분하기 위해 본류와 지류에 해당되는 픽셀을 선택하게 된다. For example, FIGS. 4A and 4B may be examples of diagrams in which purple and yellow circles indicate pixels to which a continuous pixel merging technique is applied after applying a Gaussian mixture model in a preprocessed image. At this time, FIGS. 4A and 4B are the results of designating the number of clusters of the Gaussian mixture model as 10, and when grayscale image processing is performed, the user using the analysis device selects pixels corresponding to the main stream and the tributary to distinguish the pixels of the main stream and the branch. you get to choose

군집화 과정에서 서로 다른 군집으로 구분된 본류 및 지류의 픽셀에서 군집화되지 못하고 누락된 픽셀이 발생할 수 있다. 따라서, 선택적 실시예로 사용자가 특정 픽셀을 입력하게 되면 선택된 특정 픽셀과 인접한 픽셀 중 동일한 군집으로 연결된 모든 픽셀이 함께 선택되도록 해석 장치가 설계하는 것으로 해결할 수 있다. 이때, 도 4a에서 자주색과 노란색으로 표시된 작은 원들은 각각 본류와 지류의 픽셀로서 병합되도록 입력된 부분을 뜻하게 된다.In the process of clustering, missing pixels may occur without being clustered in the pixels of main streams and branches divided into different clusters. Therefore, as an optional embodiment, when a user inputs a specific pixel, it can be solved by designing the analysis device so that all pixels connected to the same cluster among pixels adjacent to the selected specific pixel are selected together. At this time, the small circles marked with purple and yellow in FIG. 4a mean the input portions to be merged as pixels of the main stream and the branch, respectively.

다음으로, 해석 장치는 자기조직화지도(self-organizing map; som)를 통해 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여, 하천 곡선 정보를 생성할 수 있다(S130).Next, the analysis device may generate river curve information by projecting the shape of the main stream and tributaries of the river as a one-dimensional curve through a self-organizing map (som) (S130).

이때, 자기조직화지도란 입력 벡터를 훈련 집합에서 일치되도록 가중치를 조정하는 인공 신경망에 기초한 자율학습의 한 방법이다.In this case, the self-organization map is a method of self-learning based on an artificial neural network that adjusts weights so that input vectors match in a training set.

단계(S130)에서 해석 장치는 전처리 영상으로부터 단계(S120)에서 추출된 각각의 하천의 이미지에 포함된 픽셀들의 위치를 자기조직화지도로 학습시켜, 1차원 격자를 갖는 하천 곡선 정보를 생성할 수 있다.In step S130, the analysis device learns the positions of pixels included in each river image extracted in step S120 from the preprocessed image as a self-organizing map to generate river curve information having a one-dimensional grid. .

또한, 해석 장치는 픽셀들의 위치를 1차원 격자를 투영하는 과정에서 곡선의 격자 개수를 최적화하기 위해 격자의 개수를 2개부터 단계적으로 증가시킬 수 있다. In addition, the analysis device may increase the number of lattices from two in stages in order to optimize the number of lattices of a curve in the process of projecting the positions of pixels onto a 1D lattice.

이때, 해석 장치는 격자의 개수가 적어도 2이상을 갖되, 최소한의 개수를 갖는 격자의 개수를 [수학식2]을 통해 산출할 수 있다.In this case, the analysis device may calculate the number of grids having at least two but the minimum number through [Equation 2].

[수학식2]:

Figure pat00042
[Equation 2]:
Figure pat00042

Figure pat00043
: 하천의 흐름방향 좌표
Figure pat00043
: Coordinates of the flow direction of the river

Figure pat00044
: 하천의 폭방향 좌표
Figure pat00044
: Coordinates in the width direction of the river

또한, 해석 장치는 1 차원 격자를 완만하게 형성하기 위해 자기조직화지도에 포함되는 격자에 비스플라인(B-spline)내삽 기법을 적용할 수 있다. In addition, the analysis device may apply a B-spline interpolation technique to the lattice included in the self-organization map in order to gently form a one-dimensional lattice.

이때, 비스플라인 내삽 기법이란 베지어(bezier)-스플라인(spline) 곡선으로 스플라인의 곡률을 조절하기 위한 기법 중 하나이다. In this case, the non-spline interpolation technique is one of techniques for adjusting the curvature of a spline with a Bezier-spline curve.

이를 통해, 비스플라인 내삽 기법과 [수학식2]를 통해 해석 장치는 내삽 격자가 1 차원 격자에서 최대한 완만한 값을 갖는 최소한의 개수를 산출할 수 있게 된다.Through this, through the non-spline interpolation technique and [Equation 2], the analysis device can calculate the minimum number of interpolation lattices that have the most gentle values in a 1-dimensional lattice.

예를 들어, 해석 장치는 단계(S120)의 과정을 거쳐 도 4b에 도시된 예시와 같이 본류(a; main channel)와 지류(b; tributary)의 형상을 추출할 수 있다. For example, the analysis device may extract the shapes of a main channel (a) and a tributary (b) as shown in FIG. 4B through the process of step S120.

이때, 하천의 본류와 지류의 형상이 추출되면 자기조직화지도를 통해 하천의 형상을 1차원 격자로 투영하게 된다.At this time, when the shape of the main stream and tributaries of the river is extracted, the shape of the river is projected into a one-dimensional grid through a self-organizing map.

추가 실시예로 자기조직화지도가 하천의 형상을 1차원 격자로 투영하기 위해서 [수학식6]이 이용될 수 있다. As a further embodiment, [Equation 6] may be used to project the shape of a river into a one-dimensional grid of a self-organizing map.

[수학식6]:

Figure pat00045
[Equation 6]:
Figure pat00045

t: 학습 단계t: learning step

Figure pat00046
: 학습률
Figure pat00046
: learning rate

Figure pat00047
: 이웃함수
Figure pat00047
: neighbor function

Figure pat00048
: 무작위로 선택된 자료
Figure pat00048
: Randomly selected material

이때,

Figure pat00049
는 승자 노드와 이웃한 노드와 이웃한 노드의 위치가 조정되는 정도를 조절하기 위한 커널에 해당될 수 있다. 또한, 승자 노드와 나머지 노드의 거리
Figure pat00050
, 이웃 함수의 유효 반경을
Figure pat00051
라고 가정하면, 아래의 [수학식7]을 통해 이웃함수
Figure pat00052
를 산출할 수 있다.At this time,
Figure pat00049
may correspond to a kernel for adjusting the degree to which the positions of the winner node and its neighboring nodes are adjusted. Also, the distance between the winner node and the remaining nodes
Figure pat00050
, the effective radius of the neighbor function
Figure pat00051
Assuming that, the neighbor function through [Equation 7] below
Figure pat00052
can be calculated.

[수학식7]:

Figure pat00053
[Equation 7]:
Figure pat00053

이때, 학습률

Figure pat00054
와 이웃함수
Figure pat00055
의 유효 반경
Figure pat00056
는 학습이 진행됨에 따라 지수함수적으로 감소할 수 있다. 따라서, 자기조직화지도의 학습이 진행될수록 협력 단계의 승자 노드와 함께 조정되는 그리드의 개수가 점점 감소할 수 있다. 그에 따라, 자기조직화지도는 두 단계의 학습 과정을 사용자 정의 횟수만큼 반복하게 된다. At this time, the learning rate
Figure pat00054
and neighbor function
Figure pat00055
effective radius of
Figure pat00056
may decrease exponentially as learning progresses. Therefore, as learning of the self-organizing map progresses, the number of grids coordinated with the winning node in the cooperation phase may gradually decrease. Accordingly, the self-organizing map repeats the two-step learning process a user-defined number of times.

상기의 격자 개수에 따른 하천의 투영 형상을 나타낸 예시가 도 5에 해당 될 수 있다. An example of the projected shape of a river according to the number of grids may correspond to FIG. 5 .

도 5를 참고하면, 자기조직화지도의 격자수가 (a)와 같이 너무 적으면 하천의 형상을 제대로 투영할 수 없고, (c) 혹은 (d)와 같이 너무 많으면 페아노 곡선 형태로 픽셀 공간이 채워지는 현상이 발생할 수 있다. 따라서, 일차적으로 앞서 설명한 [수학식2]를 목적함수로서 격자의 숫자를 3개부터 늘려가되, 그 숫자를 최소화하는 격자의 개수를 찾게 된다(예를 들면 도 5의 (b)가 해당될 수 있다.). Referring to FIG. 5, if the number of grids in the self-organization map is too small, as in (a), the shape of the river cannot be properly projected, and if it is too large, as in (c) or (d), the pixel space is filled in the form of a Peano curve. phenomenon may occur. Therefore, primarily, the number of lattices is increased from 3 as an objective function using [Equation 2] described above, but the number of lattices that minimizes the number is found (for example, FIG. 5 (b) corresponds to can).

앞서 설명한 바와 같이, 해석 장치(100)는 자기조직화지도의 격자가 결정되면 비스플라인 내삽 기법을 통해 격자를 완만하게 변형할 수 있다. 도 6을 참조하면 1차원 격자 형상을 본류에는 파란색과 자주색으로 표현하고, 지류에는 초록색과 노란색으로 표현하고 있다. 이는 비스플라인 내삽 기법을 통해 결정된 1차원 격자 형상을 각각의 하천에 적용한 예시에 해당될 수 있다.As described above, when the lattice of the self-organization map is determined, the analysis device 100 may gently transform the lattice through a non-spline interpolation technique. Referring to FIG. 6, the one-dimensional lattice shape is expressed in blue and purple in the main stream and green and yellow in the tributary. This may correspond to an example in which a one-dimensional grid shape determined through non-spline interpolation is applied to each stream.

다음으로, 해석 장치(100)는 하천 이미지의 픽셀을 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시킬 수 있다(S140).Next, the analysis device 100 may change the pixels of the river image into a curved coordinate system through the river curve information and the image pixel coordinate system (S140).

구체적으로 곡선 좌표계는 하천의 흐름방향 좌표

Figure pat00057
및 폭방향 좌표
Figure pat00058
로 구성될 수 있다. 따라서, 해석 장치(100)는 아래의 [수학식3] 및 [수학식4]를 적용하여 곡선 좌표계를 산출할 수 있다.Specifically, the curved coordinate system is the flow direction coordinate of the river.
Figure pat00057
and width coordinates
Figure pat00058
may consist of Therefore, the analysis device 100 may calculate the curved coordinate system by applying [Equation 3] and [Equation 4] below.

[수학식3]:

Figure pat00059
[Equation 3]:
Figure pat00059

[수학식4]:

Figure pat00060
[Equation 4]:
Figure pat00060

Figure pat00061
: i번째 격자와 i+1번째 격자가 이루는 구간의 방향 코사인벡터
Figure pat00061
: Direction cosine vector of the interval formed by the ith grid and the i+1th grid

Figure pat00062
:
Figure pat00063
의 노름
Figure pat00062
:
Figure pat00063
gambling of

Figure pat00064
: i번째 격자의 벡터
Figure pat00064
: vector of the ith lattice

Figure pat00065
:
Figure pat00066
와
Figure pat00067
가 이루는 사잇각
Figure pat00065
:
Figure pat00066
and
Figure pat00067
angle formed by

이때, 이미지 픽셀 좌표계에서 구간별 투영 대상이 되는 픽셀은

Figure pat00068
평면과
Figure pat00069
평면 사이에 위치한 픽셀을 이용하게 된다.At this time, in the image pixel coordinate system, the pixel to be projected for each section is
Figure pat00068
plane and
Figure pat00069
The pixels located between the planes are used.

단계(S140)를 통해 하천의 본류와 지류의 격자가 각각 투영되면, [수학식3]과 [수학식4]를 이용하여 하천에 포함된 픽셀을 영상의 좌표계에서 1차원 격자에 따른 곡선 좌표계로 변경할 수 있게 된다. When the lattices of the main stream and tributaries of the river are projected through step S140, the pixels included in the river are transferred from the coordinate system of the image to the curved coordinate system according to the one-dimensional grid using [Equation 3] and [Equation 4]. be able to change

예를 들어, 도 7은 합류부 RGB영상 내에서 합류하는 두 하천을 자기조직화지도의 격자에 따른 곡선 좌표계 및 내삽하는 격자에 따른 곡선 좌표계로 각각 투영한 결과를 나타낸 것이다.For example, FIG. 7 shows the results of projecting two rivers converging in the confluence RGB image into a curved coordinate system according to a grid of a self-organizing map and a curved coordinate system according to an interpolation grid, respectively.

마지막으로 해석 장치(100)는 곡선 좌표계로부터 합류부 전단층의 기하학적 특성을 추출할 수 있다(S150).Finally, the analysis device 100 may extract the geometric characteristics of the shear layer of the confluence from the curved coordinate system (S150).

단계(S150)에서 해석 장치(100)가 산출하게 되는 합류부 전단층의 기하학적 특성으로 하천간의 합류각, 전단층의 길이, 합류부 전단층의 하폭 및 최대 두께 등이 포함될 수 있다.The geometrical characteristics of the shear layer of the confluence, which are calculated by the analyzer 100 in step S150, may include the angle of confluence between rivers, the length of the shear layer, the lower width and maximum thickness of the shear layer of the confluence, and the like.

단계(S150)에서, 해석 장치(100)는 기하학적 특성을 추출하기 위해 합류부 전단층의 영역을

Figure pat00070
좌표를 기준으로 하천의 상류에서 하류 방향으로의 모든 픽셀 간의 거리를 산정할 수 있다. 여기서, 모든 픽셀은 서로 접촉 중인 픽셀을 모두 포함할 수 있다. In step S150, the analysis device 100 determines the area of the shear layer of the confluence to extract the geometrical characteristics.
Figure pat00070
Based on the coordinates, the distance between all pixels in the direction from upstream to downstream of the river can be calculated. Here, all pixels may include all pixels in contact with each other.

또한, 해석 장치(100)는 기하학적 특성을 추출하기 위해 사전에 합류부 전단층의 픽셀 중 본류를 기준으로 하천의 상류에서 가장 가까운 픽셀을 시작영역인

Figure pat00071
로, 상기 하천의 하류에서 가장 가까운 픽셀을 종료영역인
Figure pat00072
로 정의할 수 있다.In addition, the analysis device 100 selects the pixel closest to the upstream of the river based on the main stream among the pixels of the shear layer of the confluence in advance to extract the geometric characteristics, which is the starting area.
Figure pat00071
As, the end area is the pixel closest to the downstream of the river.
Figure pat00072
can be defined as

첫 번째 기하학적 특징으로 합류부 전단층의 각 하천이 이루는 합류각

Figure pat00073
는 자기조직화지도의 격자 구간 중 본류 및 지류에서 각각의
Figure pat00074
와 가장 인접한 2개의 자기조직화지도의 격자 구간이 이루는 사잇각으로 정의한 것일 수 있다.The first geometrical feature is the confluence angle formed by each stream in the shear layer of the confluence.
Figure pat00073
is each of the main stream and tributary of the grid section of the self-organizing map
Figure pat00074
It may be defined as an angle between lattice sections of two self-organized maps most adjacent to .

두 번째 기하학적 특징으로 합류부 전단층의 길이인

Figure pat00075
는 상기
Figure pat00076
와
Figure pat00077
의
Figure pat00078
좌표 상 거리를 통해 산출될 수 있다.The second geometric feature is the length of the shear layer at the confluence.
Figure pat00075
said
Figure pat00076
and
Figure pat00077
of
Figure pat00078
It can be calculated through the distance on the coordinates.

세 번째 기하학적 특징으로 하천의 하폭은 곡선 좌표계인

Figure pat00079
에 대한 임의의 흐름방향 좌표
Figure pat00080
가 주어지면, [수학식5]를 통해 산출될 수 있다. As the third geometric feature, the river width is a curved coordinate system.
Figure pat00079
Arbitrary flow direction coordinates for
Figure pat00080
Given, it can be calculated through [Equation 5].

[수학식5]:

Figure pat00081
[Equation 5]:
Figure pat00081

이때, 하천이 합류되기 직전의 상기 본류의 하폭

Figure pat00082
와 지류의 하폭
Figure pat00083
는 곡선 좌표계 상에서 합류부 전단층이 시작되는 영역의 폭을 통해 산출될 수 있다. 또한, 하천이 합류된 이후 하폭
Figure pat00084
는 합류부 전단층이 끝나는 지점의 하폭을 통해 산출될 수 있다.At this time, the lower width of the main stream immediately before the river joins
Figure pat00082
and the lower width of the tributary
Figure pat00083
can be calculated through the width of the region where the shear layer of the confluence begins on the curved coordinate system. In addition, after the river is joined, the lower
Figure pat00084
can be calculated through the lower width of the point where the shear layer of the confluence ends.

세 번째 기하학적 특징으로 합류부 전단층의 최대 두께

Figure pat00085
는 지류에서의 곡선 좌표계에서 합류부 전단층의 각각의 구간에서 최대 하폭을 통해 산출될 수 있다.The third geometrical feature is the maximum thickness of the shear layer at the confluence.
Figure pat00085
can be calculated through the maximum drop width in each section of the shear layer of the confluence in the curved coordinate system in the tributary.

예를 들어, 도 8의 예시 도면을 참고하면 합류부 전단층의 경계면을 파란색으로 표시하고, 합류부 전단층의 기하학적 인자를 표시한 것이다. 이때, 단계(S150)을 거치는 경우 도 9에 표에 기재된 바와 같은 합류부 전단층의 기하학적 인자를 추출할 수 있게 된다.For example, referring to the exemplary drawing of FIG. 8, the boundary surface of the shear layer of the confluence is displayed in blue, and the geometric factor of the shear layer of the confluence is displayed. At this time, when going through step S150, it is possible to extract the geometric factors of the shear layer of the confluence as shown in the table in FIG.

본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.An embodiment of the present invention may be implemented in the form of a recording medium including instructions executable by a computer, such as program modules executed by a computer. Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media. Also, computer readable media may include computer storage media. Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.

본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.Although the methods and systems of the present invention have been described with reference to specific embodiments, some or all of their components or operations may be implemented using a computer system having a general-purpose hardware architecture.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes, and those skilled in the art can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, the embodiments described above should be understood as illustrative in all respects and not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as distributed may be implemented in a combined form.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the detailed description above, and all changes or modifications derived from the meaning and scope of the claims and equivalent concepts should be construed as being included in the scope of the present invention. do.

100: 해석 장치
110: 통신 모듈
120: 메모리
130: 프로세서
140: 데이터베이스100: analysis device
110: communication module
120: memory
130: processor
140: database

Claims (21)

하천의 RGB영상에서 합류부 전단층을 해석하는 장치에 있어서,
상기 하천의 RGB영상에서 합류부 전단층을 해석하는 프로그램이 저장된 메모리 및
상기 메모리에 저장된 프로그램을 실행하여 상기 하천의 RGB영상에서 합류부 전단층을 해석하는 프로세서를 포함하되,
상기 프로세서는 본류와 적어도 하나 이상의 지류가 만나는 하천의 합류부가 촬영된 합류부 RGB영상을 전처리하여 전처리 영상을 생성하고, 가우시안 혼합모형을 통해 상기 전처리 영상에 포함된 합류부로부터 상기 하천의 본류 및 지류를 분리하고, 자기조직화지도(self-organizing map; som)를 통해 각각의 상기 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여 하천 곡선 정보를 생성하고, 상기 하천의 픽셀을 상기 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시키고, 상기 곡선 좌표계로부터 상기 합류부 전단층의 기하학적 특성을 추출하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.In the apparatus for analyzing the shear layer of the confluence in the RGB image of the river,
A memory storing a program for analyzing the shear layer of the confluence in the RGB image of the river, and
A processor for executing a program stored in the memory to analyze the shear layer of the confluence in the RGB image of the river,
The processor pre-processes the RGB image of the confluence of the river where the main stream and at least one tributary meet, and generates a pre-processed image, and the main stream and tributary of the river from the confluence included in the pre-processed image through a Gaussian mixture model and projecting the shape of the main stream and tributary of each of the rivers into a one-dimensional curve through a self-organizing map (som) to generate river curve information, and the pixel of the river is the river curve information And a device for analyzing the shear layer of the confluence in the RGB image of the river, which is converted into a curved coordinate system through the image pixel coordinate system and extracts the geometrical characteristics of the shear layer of the confluence from the curved coordinate system. 제 1 항에 있어서,
상기 전처리 영상을 생성하는 과정은 상기 합류부 RGB영상에 포함된 상기 합류부에서 상기 하천의 픽셀을 분리하고, 기설정된 축척을 통해 상기 하천의 픽셀의 좌표계 상의 길이와 실제 상기 하천의 길이를 통합하고, 상기 합류부 RGB영상에서 분리된 상기 하천의 영역을 제외한 나머지 영역을 삭제한 상기 전처리 영상을 생성하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 1,
The process of generating the preprocessed image separates the pixels of the river from the confluence included in the confluence RGB image, integrates the length of the pixel of the river on the coordinate system and the actual length of the river through a preset scale, , Device for analyzing the shear layer of the confluence in the RGB image of the river, generating the preprocessed image by deleting the remaining area except for the area of the river separated from the confluence RGB image. 제 2 항에 있어서,
상기 하천의 본류 및 지류를 분리하는 과정은 상기 가우시안 혼합모형을 통해 상기 전처리 영상으로부터 상기 하천을 표현하는 픽셀을 구분하되, 상기 전처리 영상 내에 포함된 픽셀의 RGB화소 강도 값을 K개의 가우스 분포가 포함된 확률밀도함수로 가정 후 각각의 상기 픽셀을 군집화 하여 상기 하천의 본류와 지류의 영역을 구분하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 2,
The process of separating the main stream and tributary stream of the river distinguishes pixels representing the river from the preprocessed image through the Gaussian mixture model, K Gaussian distributions are included in the RGB pixel intensity values of the pixels included in the preprocessed image Apparatus for analyzing the shear layer of the confluence in the RGB image of the river, which is to classify the area of the main stream and the tributary of the river by clustering each of the pixels after assuming a probability density function. 제 1 항에 있어서,
하천 곡선 정보를 생성하는 과정은 상기 전처리 영상으로부터 상기 하천의 본류 및 지류를 분리하는 과정에서 추출된 각각의 상기 하천의 이미지에 포함된 픽셀들의 위치를 상기 자기조직화지도로 학습시켜, 1차원 격자를 갖는 상기 하천 곡선 정보를 생성하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 1,
In the process of generating river curve information, the location of pixels included in each image of the river extracted in the process of separating the main stream and tributary stream of the river from the preprocessed image is learned as the self-organizing map to form a one-dimensional grid. A device for analyzing the shear layer of the confluence in the RGB image of the river, which generates the river curve information having. 제 4 항에 있어서,
상기 1 차원 격자를 완만하게 형성하기 위해 상기 자기조직화지도에 포함되는 격자에 비스플라인(B-spline)내삽 기법을 적용하고, 상기 내삽 격자는 상기 1 차원 격자가 최대한 완만한 값을 갖는 최소한의 개수를 산출하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 4,
In order to smoothly form the one-dimensional lattice, a B-spline interpolation technique is applied to the lattice included in the self-organization map, and the interpolation lattice is the minimum number for which the one-dimensional lattice has a maximum smooth value A device for analyzing the shear layer of the confluence in the RGB image of the river, which calculates. 제 1 항에 있어서,
상기 곡선 좌표계는 상기 하천의 흐름방향 좌표
Figure pat00086
및 폭방향 좌표
Figure pat00087
로 구성되고,
상기 합류부 전단층의 기하학적 특성을 추출하는 과정은 상기 합류부 전단층의 영역은 상기
Figure pat00088
좌표를 기준으로 상기 하천의 상류에서 하류 방향으로 모든 픽셀 간의 거리를 산정하되, 상기 모든 픽셀은 서로 접촉 중인 픽셀을 모두 포함하고,
상기 합류부 전단층의 픽셀 중 본류를 기준으로 상기 하천의 상류에서 가장 가까운 픽셀을 시작영역인
Figure pat00089
로, 상기 하천의 하류에서 가장 가까운 픽셀을 종료영역인
Figure pat00090
로 정의하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 1,
The curved coordinate system is the flow direction coordinate of the river
Figure pat00086
and width coordinates
Figure pat00087
consists of,
In the process of extracting the geometrical characteristics of the shear layer of the confluence, the area of the shear layer of the confluence is
Figure pat00088
Calculate the distance between all pixels from the upstream to the downstream direction of the river based on the coordinates, all the pixels include all pixels in contact with each other,
The pixel closest to the upstream of the river on the basis of the main stream among the pixels of the front layer of the confluence is the starting area.
Figure pat00089
As, the end area is the pixel closest to the downstream of the river.
Figure pat00090
A device for analyzing the shear layer of the confluence in the RGB image of the river, which is defined as 제 6 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 각 상기 하천이 이루는 합류각
Figure pat00091
는 상기 자기조직화지도의 격자 구간 중 상기 본류 및 지류에서 각각의 상기
Figure pat00092
와 가장 인접한 2개의 상기 자기조직화지도의 격자 구간이 이루는 사잇각으로 정의한 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치. According to claim 6,
The confluence angle formed by each of the rivers of the shear layer of the confluence as the geometrical feature
Figure pat00091
In each of the main streams and tributaries among the lattice sections of the self-organization map
Figure pat00092
A device for analyzing the shear layer of the confluence in the RGB image of the river, which is defined as the angle between the grid sections of the two most adjacent self-organized maps. 제 6 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 길이인
Figure pat00093
는 상기
Figure pat00094
와
Figure pat00095
의
Figure pat00096
좌표 상 거리를 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 6,
As the geometrical feature, the length of the shear layer of the confluence is
Figure pat00093
said
Figure pat00094
and
Figure pat00095
of
Figure pat00096
A device that analyzes the shear layer of the confluence in the RGB image of the river, which is calculated through the distance on the coordinates. 제 6 항에 있어서,
상기 기하학적 특징으로 상기 하천의 하폭은 상기 하천이 합류되기 직전의 상기 본류의 하폭
Figure pat00097
와 지류의 하폭
Figure pat00098
가 상기 곡선 좌표계 상에서 상기 합류부 전단층이 시작되는 영역의 폭을 통해 산출되고,
상기 하천이 합류된 이후 하폭
Figure pat00099
는 상기 합류부 전단층이 끝나는 지점의 하폭을 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 6,
As the geometric feature, the lower width of the river is the lower width of the main stream immediately before the river joins.
Figure pat00097
and the lower width of the tributary
Figure pat00098
Is calculated through the width of the area where the shear layer of the confluence begins on the curved coordinate system,
Lower width after the river joins
Figure pat00099
Apparatus for analyzing the shear layer of the confluence in the RGB image of the river, which is calculated through the lower width of the point where the shear layer of the confluence ends. 제 6 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 최대 두께
Figure pat00100
는 상기 지류에서의 상기 곡선 좌표계에서 상기 합류부 전단층의 각각의 구간에서 최대 하폭을 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 장치.According to claim 6,
The maximum thickness of the shear layer of the confluence with the geometrical feature
Figure pat00100
Apparatus for analyzing the shear layer of the confluence in the RGB image of the river, which is calculated through the maximum width in each section of the shear layer of the confluence in the curved coordinate system in the tributary. 제 1 항에 의한 하천의 RGB영상에서 합류부 전단층을 해석하는 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독가능 저장매체.A computer-readable storage medium on which a program for performing the method of analyzing the shear layer of the confluence in the RGB image of the river according to claim 1 is recorded. 하천의 RGB영상에서 합류부 전단층을 해석하는 방법에 있어서,
(a) 본류와 적어도 하나 이상의 지류가 만나는 하천의 합류부가 촬영된 합류부 RGB영상을 전처리하여, 전처리 영상을 생성하는 단계;
(b) 가우시안 혼합모형을 통해 상기 전처리 영상에 포함된 상기 합류부로부터 상기 하천의 본류 및 지류를 분리하는 단계;
(c) 자기조직화지도(self-organizing map; som)를 통해 각각의 상기 하천의 본류 및 지류의 형상을 1차원 곡선으로 투영하여, 하천 곡선 정보를 생성하는 단계;
(d) 상기 하천의 픽셀을 상기 하천 곡선 정보와 이미지 픽셀 좌표계를 통해 곡선 좌표계로 변화시키는 단계; 및
(e) 상기 곡선 좌표계로부터 상기 합류부 전단층의 기하학적 특성을 추출하는 단계;로 구성되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.In the method of analyzing the shear layer of the confluence in the RGB image of the river,
(a) generating a pre-processed image by preprocessing an RGB image of the confluence of the river where the main stream and at least one tributary meet;
(b) separating the main stream and tributary of the river from the confluence included in the preprocessed image through a Gaussian mixture model;
(c) generating river curve information by projecting the shape of the main stream and tributary stream of each river as a one-dimensional curve through a self-organizing map (som);
(d) converting the pixels of the river into a curve coordinate system through the river curve information and the image pixel coordinate system; and
(e) extracting the geometrical characteristics of the shear layer of the confluence from the curved coordinate system; a method for analyzing the shear layer of the confluence in the RGB image of the river. 제 12 항에 있어서,
상기 (a) 단계는.
(a1) 상기 합류부 RGB영상에 포함된 상기 합류부에서 상기 하천의 픽셀을 분리하는 단계;
(a2) 기설정된 축척을 통해 상기 하천의 픽셀의 좌표계 상의 길이와 실제 상기 하천의 길이를 통합하는 단계; 및
(a3) 상기 합류부 RGB영상에서 분리된 상기 하천의 영역을 제외한 나머지 영역을 삭제한 상기 전처리 영상을 생성하는 단계;를 포함하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.According to claim 12,
The step (a) is.
(a1) separating the pixels of the river from the merging part included in the merging part RGB image;
(a2) integrating the length of the pixel of the river on the coordinate system with the actual length of the river through a predetermined scale; and
(a3) generating the pre-processed image by deleting the region other than the region of the river separated from the RGB image of the confluence; 제 13 항에 있어서,
상기 (b) 단계는
상기 가우시안 혼합모형을 통해 상기 전처리 영상으로부터 상기 하천을 표현하는 픽셀을 구분하되, 상기 전처리 영상 내에 포함된 픽셀의 RGB화소 강도 값을 K개의 가우스 분포가 포함된 확률밀도함수로 가정 후 각각의 상기 픽셀을 군집화 하여 상기 하천의 본류와 지류의 영역을 구분하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.According to claim 13,
The step (b) is
Separate the pixels representing the river from the preprocessed image through the Gaussian mixture model, and assume that the RGB pixel intensity value of the pixel included in the preprocessed image is a probability density function including K Gaussian distributions, and each of the pixels A method of analyzing the shear layer of the confluence in the RGB image of the river, which is to cluster the main stream and the tributary area of the river. 제 12 항에 있어서,
상기 (c) 단계는
상기 전처리 영상으로부터 상기 (b) 단계에서 추출된 각각의 상기 하천의 이미지에 포함된 픽셀들의 위치를 상기 자기조직화지도로 학습시켜, 1차원 격자를 갖는 상기 하천 곡선 정보를 생성하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.According to claim 12,
The step (c) is
Learning the location of the pixels included in each image of the river extracted in step (b) from the preprocessed image as the self-organization map to generate the river curve information having a one-dimensional grid, of the river A method for interpreting the shear layer of the junction in RGB images. 제 15 항에 있어서,
상기 1 차원 격자를 완만하게 형성하기 위해 상기 자기조직화지도에 포함되는 격자에 비스플라인(B-spline)내삽 기법을 적용하고, 상기 내삽 격자는 상기 1 차원 격자가 최대한 완만한 값을 갖는 최소한의 개수를 산출하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.According to claim 15,
In order to smoothly form the one-dimensional lattice, a B-spline interpolation technique is applied to the lattice included in the self-organization map, and the interpolation lattice is the minimum number for which the one-dimensional lattice has a maximum smooth value A method of interpreting the shear layer of the confluence in the RGB image of the river, which is to calculate. 제 12 항에 있어서,
상기 곡선 좌표계는 상기 하천의 흐름방향 좌표
Figure pat00101
및 폭방향 좌표
Figure pat00102
로 구성되고,
상기 (e) 단계는
상기 합류부 전단층의 영역은 상기
Figure pat00103
좌표를 기준으로 상기 하천의 상류에서 하류 방향으로 모든 픽셀 간의 거리를 산정하되, 상기 모든 픽셀은 서로 접촉 중인 픽셀을 모두 포함하고,
상기 합류부 전단층의 픽셀 중 본류를 기준으로 상기 하천의 상류에서 가장 가까운 픽셀을 시작영역인
Figure pat00104
로, 상기 하천의 하류에서 가장 가까운 픽셀을 종료영역인
Figure pat00105
로 정의하는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.According to claim 12,
The curved coordinate system is the flow direction coordinate of the river
Figure pat00101
and width coordinates
Figure pat00102
consists of,
The step (e) is
The region of the shear layer of the confluence is
Figure pat00103
Calculate the distance between all pixels from the upstream to the downstream direction of the river based on the coordinates, all the pixels include all pixels in contact with each other,
The pixel closest to the upstream of the river on the basis of the main stream among the pixels of the front layer of the confluence is the starting area.
Figure pat00104
As, the end area is the pixel closest to the downstream of the river.
Figure pat00105
A method of interpreting the shear layer of the confluence in the RGB image of the river, which is defined as. 제 17 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 각 상기 하천이 이루는 합류각
Figure pat00106
는 상기 자기조직화지도의 격자 구간 중 상기 본류 및 지류에서 각각의 상기
Figure pat00107
와 가장 인접한 2개의 상기 자기조직화지도의 격자 구간이 이루는 사잇각으로 정의한 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법. 18. The method of claim 17,
The confluence angle formed by each of the rivers of the shear layer of the confluence as the geometrical feature
Figure pat00106
In each of the main streams and tributaries among the lattice sections of the self-organization map
Figure pat00107
A method for analyzing the shear layer of the confluence in the RGB image of the river, which is defined as the angle between the lattice sections of the two self-organized maps most adjacent to . 제 17 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 길이인
Figure pat00108
는 상기
Figure pat00109
와
Figure pat00110
의
Figure pat00111
좌표 상 거리를 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.18. The method of claim 17,
As the geometrical feature, the length of the shear layer of the confluence is
Figure pat00108
said
Figure pat00109
and
Figure pat00110
of
Figure pat00111
A method of interpreting the shear layer of the confluence in the RGB image of the river, which is calculated through the distance on the coordinates. 제 17 항에 있어서,
상기 기하학적 특징으로 상기 하천의 하폭은 상기 하천이 합류되기 직전의 상기 본류의 하폭
Figure pat00112
와 지류의 하폭
Figure pat00113
가 상기 곡선 좌표계 상에서 상기 합류부 전단층이 시작되는 영역의 폭을 통해 산출되고,
상기 하천이 합류된 이후 하폭
Figure pat00114
는 상기 합류부 전단층이 끝나는 지점의 하폭을 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.18. The method of claim 17,
As the geometric feature, the lower width of the river is the lower width of the main stream immediately before the river joins.
Figure pat00112
and the lower width of the tributary
Figure pat00113
Is calculated through the width of the area where the shear layer of the confluence begins on the curved coordinate system,
Lower width after the river joins
Figure pat00114
Is calculated through the lower width of the point where the shear layer of the confluence ends, a method of interpreting the shear layer of the confluence in the RGB image of the river. 제 17 항에 있어서,
상기 기하학적 특징으로 상기 합류부 전단층의 최대 두께
Figure pat00115
는 상기 지류에서의 상기 곡선 좌표계에서 상기 합류부 전단층의 각각의 구간에서 최대 하폭을 통해 산출되는 것인, 하천의 RGB영상에서 합류부 전단층을 해석하는 방법.18. The method of claim 17,
The maximum thickness of the shear layer of the confluence with the geometrical feature
Figure pat00115
How to interpret the shear layer of the confluence in the RGB image of the river, which is calculated through the maximum width in each section of the shear layer of the confluence in the curved coordinate system in the tributary.
KR1020220010628A 2022-01-25 Method and apparatus for analyzing river confluence shaer layer using rgb images KR102665566B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220010628A KR102665566B1 (en) 2022-01-25 Method and apparatus for analyzing river confluence shaer layer using rgb images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220010628A KR102665566B1 (en) 2022-01-25 Method and apparatus for analyzing river confluence shaer layer using rgb images

Publications (2)

Publication Number Publication Date
KR20230114457A true KR20230114457A (en) 2023-08-01
KR102665566B1 KR102665566B1 (en) 2024-05-17

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912445A (en) * 2023-09-07 2023-10-20 湖南省水务规划设计院有限公司 Urban and rural water supply three-dimensional dynamic visualization method

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102193108B1 (en) 2019-10-10 2020-12-18 서울대학교산학협력단 Observation method for two-dimensional river mixing using RGB image acquired by the unmanned aerial vehicle

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102193108B1 (en) 2019-10-10 2020-12-18 서울대학교산학협력단 Observation method for two-dimensional river mixing using RGB image acquired by the unmanned aerial vehicle

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912445A (en) * 2023-09-07 2023-10-20 湖南省水务规划设计院有限公司 Urban and rural water supply three-dimensional dynamic visualization method
CN116912445B (en) * 2023-09-07 2023-12-05 湖南省水务规划设计院有限公司 Urban and rural water supply three-dimensional dynamic visualization method

Similar Documents

Publication Publication Date Title
CN111986099B (en) Tillage monitoring method and system based on convolutional neural network with residual error correction fused
US11030804B2 (en) System and method of virtual plant field modelling
US11830246B2 (en) Systems and methods for extracting and vectorizing features of satellite imagery
Nagao et al. Region extraction and shape analysis in aerial photographs
CN111079685B (en) 3D target detection method
Zhou et al. On detecting road regions in a single UAV image
Ban et al. Object-based fusion of multitemporal multiangle ENVISAT ASAR and HJ-1B multispectral data for urban land-cover mapping
JP6111745B2 (en) Vehicle detection method and apparatus
CN109712111A (en) A kind of cutaneum carcinoma category identification method, system, computer equipment and storage medium
KR102320985B1 (en) Learning method and learning device for improving segmentation performance to be used for detecting road user events using double embedding configuration in multi-camera system and testing method and testing device using the same
CN112084869A (en) Compact quadrilateral representation-based building target detection method
Bunting et al. Characterisation and mapping of forest communities by clustering individual tree crowns
CN111090768A (en) Similar image retrieval system and method based on deep convolutional neural network
CN105138987A (en) Vehicle detection method based on aggregation channel characteristic and motion estimation
CN114187310A (en) Large-scale point cloud segmentation method based on octree and PointNet ++ network
Minakshi et al. High-accuracy detection of malaria mosquito habitats using drone-based multispectral imagery and Artificial Intelligence (AI) algorithms in an agro-village peri-urban pastureland intervention site (Akonyibedo) in Unyama SubCounty, Gulu District, Northern Uganda
Le Saux et al. Railway detection: From filtering to segmentation networks
Jing et al. Island road centerline extraction based on a multiscale united feature
Sun et al. Study on the water body extraction using GF-1 data based on adaboost integrated learning algorithm
Li et al. Feature extraction for hyperspectral images using local contain profile
Zhang et al. Change detection between digital surface models from airborne laser scanning and dense image matching using convolutional neural networks
KR102665566B1 (en) Method and apparatus for analyzing river confluence shaer layer using rgb images
KR20230114457A (en) Method and apparatus for analyzing river confluence shaer layer using rgb images
CN116012709B (en) High-resolution remote sensing image building extraction method and system
Bulatov et al. Vectorization of road data extracted from aerial and uav imagery

Legal Events

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