WO2016122042A1 - 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 - Google Patents

인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 Download PDF

Info

Publication number
WO2016122042A1
WO2016122042A1 PCT/KR2015/001400 KR2015001400W WO2016122042A1 WO 2016122042 A1 WO2016122042 A1 WO 2016122042A1 KR 2015001400 W KR2015001400 W KR 2015001400W WO 2016122042 A1 WO2016122042 A1 WO 2016122042A1
Authority
WO
WIPO (PCT)
Prior art keywords
random forest
image
toa
forest classifier
combination
Prior art date
Application number
PCT/KR2015/001400
Other languages
English (en)
French (fr)
Other versions
WO2016122042A9 (ko
Inventor
고병철
김형운
남재열
Original Assignee
계명대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Publication of WO2016122042A1 publication Critical patent/WO2016122042A1/ko
Publication of WO2016122042A9 publication Critical patent/WO2016122042A9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • 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

Definitions

  • the present invention relates to a river detection system and method, and more particularly to an automatic river detection system and method using a combination of satellite image and random forest classifier.
  • Satellite remote sensing collects a wide range of water quality information, both time and space. Images obtained from satellites are generally multispectral images, and the spectrum changes according to land cover such as seawater, plants, urban areas, and mountainous areas. Therefore, in order to collect water quality information through satellite remote sensing, detecting a river or a lake is the first step.
  • Jiang et al. (Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J., and Xiao, T., 2014, An automated methods for extracting rivers and lakes from Landsat Imagery.RemoteSensing, 6, pp.5067-5089.) proposed a method to automatically detect rivers and lakes by improving the existing threshold application method.
  • this method has a limitation in that the same problem occurs as the terrain changes artificially or naturally.
  • classifier-based methods tend to provide better stream detection results compared to conventional threshold application methods.
  • supervised learning or non-supervised learning techniques are used to detect rivers in multiple spectral images.
  • Supervised learning (Skakun, S, 2010, A neural network approach to flood mapping using satellite imagery. Computing and Informatics, 29, pp. 1013-1024.), Neural network or support vector machine (SVM) (Kalkana, K., Bayramb, B. , Maktava, D., and Sunara, F., 2013, Comparison of support vector machine and object based classification methods for coastline detection.International Archives of Photogrammetry, Remote Sensing and Spatial Information Forms, 1117 November 2013, Antalya, Turkey, pp. 125-127. Way.
  • Patent Publication No. 10-2014-0062756 name of the invention: a method of monitoring the water quality through the observation satellite image, publication date May 26, 2014
  • Patent Publication No. 10-2014-0062756 name of the invention: a method of monitoring the water quality through the observation satellite image, publication date May 26, 2014
  • the present invention has been proposed to solve the above problems of the conventionally proposed methods, and extracts TOA (Top Of Atmosphere) reflectivity and WI (Water Index) as feature vectors from multiple spectral images of satellite images, and heuristic Satellites that can classify streams more accurately and automatically by learning a plurality of types of random forest classifiers using TOA reflectivity and WI instead of thresholds or autonomous learning methods, and by detecting stream regions from test images using the trained classifiers.
  • An object of the present invention is to provide an automatic river detection system and method using a combination of an image and a random forest classifier.
  • An input module for receiving images of a plurality of predetermined bands of satellite images
  • a feature extraction module for extracting feature vectors for the stream region from the converted image
  • a learning module for learning a plurality of random forest classifiers using the extracted feature vectors
  • a test module for converting the received test image into a TOA reflectance and a WI image, extracting a feature vector, and applying the same to the learned plurality of random forest classifiers to obtain a result value;
  • It is characterized in that it comprises a detection module for combining the obtained result value and detecting as a river area when the threshold value is exceeded.
  • the input module Preferably, the input module, the input module, and
  • An Operational Land Imager (OLI) sensor image provided by a Landsat8 satellite may be input.
  • the input module More preferably, the input module,
  • An image of the second to seventh bands may be input.
  • the conversion module Preferably, the conversion module, the conversion module, and
  • each pixel value of the image received from the input module is converted into TOA reflectivity ( It may include a TOA conversion unit to convert to.
  • ⁇ is a band
  • M p is a multiplicative factor
  • a p is an additive rescaling factor
  • Q cal is a quantized and calibrated standard product pixel values to be.
  • the TOA conversion unit More preferably, the TOA conversion unit,
  • ⁇ SE is the local sun elevation angle and ⁇ SZ is the local sun zenith angle.
  • the conversion module Preferably, the conversion module, the conversion module, and
  • WI yields a WI that includes a normalized difference water index (NDWI), a modified NDWI (MNDWI), and two automated water extraction indexes (AWEI nsh , AWEI sh )
  • the conversion unit may further include.
  • the feature extraction module Preferably, the feature extraction module, the feature extraction module, and
  • the WI signal calculated from the TOA reflectance signal and the TOA reflectance signal for the stream region may be extracted as the feature vector.
  • the learning module More preferably, the learning module,
  • It may include a second learner for learning a second random forest classifier using the WI for the river area.
  • test module Preferably, the test module,
  • the probability distribution of all the trees is ensemble averaged, so that the TOA reflectivity and the probability for WI can be obtained as result values, respectively.
  • the detection module Preferably, the detection module, the senor
  • the threshold may be 0.6.
  • step (1) Preferably, in step (1),
  • An Operational Land Imager (OLI) sensor image provided by a Landsat8 satellite may be input.
  • step (1) More preferably, in step (1),
  • An image of the second to seventh bands may be input.
  • the step (2) is,
  • the TOA reflectivity ( It may include the step of converting to).
  • ⁇ is a band
  • M p is a multiplicative factor
  • a p is an additive rescaling factor
  • Q cal is a quantized and calibrated standard product pixel values to be.
  • step (2-1) More preferably, after the step (2-1),
  • the TOA reflectivity (modified by reflecting the sun angle through The method may further include calculating.
  • ⁇ SE is the local sun elevation angle and ⁇ SZ is the local sun zenith angle.
  • the step (2) is,
  • step (3) the step (3)
  • the WI signal calculated from the TOA reflectance signal and the TOA reflectance signal for the stream region may be extracted as the feature vector.
  • step (4) is,
  • (4-2) may include learning a second random forest classifier using the WI for the river area.
  • step (5) Preferably, in step (5),
  • the probability distribution of all the trees is ensemble averaged, so that the TOA reflectivity and the probability for WI can be obtained as result values, respectively.
  • step (6) Preferably, in step (6),
  • the threshold may be 0.6.
  • the automatic stream detection system and method using a combination of satellite image and random forest classifier proposed in the present invention it is possible to extract TOA (Top Of Atmosphere) reflectance and WI (Water Index) from multiple spectral images of satellite images as feature vectors.
  • TOA Topic Of Atmosphere
  • WI Water Index
  • a plurality of types of random forest classifiers are trained using TOA reflectivity and WI, and the river classifiers can be classified more accurately and automatically by detecting river regions from test images using the trained classifiers. have.
  • FIG. 1 is a diagram illustrating an automatic river detection system and method using a combination of satellite image and random forest classifier according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a configuration of an automatic river detection system using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a detailed configuration of a transform module in an automatic river detection system using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • FIG. 4 is a diagram illustrating a detailed configuration of a learning module in an automatic river detection system using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating an automatic river detection method using a combination of satellite images and a random forest classifier in accordance with an embodiment of the present invention.
  • FIG. 6 is a diagram illustrating a detailed flow of step S200 in the automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • step S210 is a diagram illustrating a detailed flow of step S210 in the automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • step S220 is a diagram illustrating a detailed flow of step S220 in the automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • step S400 is a diagram illustrating a detailed flow of step S400 in the automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • FIG. 10 is a diagram illustrating results detected by an automatic river detection system and method using a satellite image and a random forest classifier in accordance with an embodiment of the present invention.
  • TOA converter 220 WI converter
  • first learning unit 420 second learning unit
  • test module 600 detection module
  • an automatic river detection system and method using a combination of a satellite image and a random forest classifier may be configured to receive multiple spectral images of a satellite image and to receive the TOA ( After converting to Top Of Atmosphere reflectivity and Water Index (WI) image, and extracting feature vectors from the transformed image, we learn a plurality of types of random forest classifiers. Can be.
  • TOA Top Of Atmosphere reflectivity and Water Index (WI) image
  • the automatic river detection system 10 using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes an input module 100, a transformation module 200, and a feature extraction module ( 300, the learning module 400, the test module 500, and the detection module 600 may be configured.
  • the input module 100 may receive an image of a plurality of predetermined bands among satellite images.
  • the input module 100 may receive an Operational Land Imager (OLI) sensor image provided by a Landsat8 satellite, and may receive an image of the second to seventh bands.
  • OLI Operational Land Imager
  • Landsat satellites usually have a spatial resolution of 30m, provide multi-spectral images with seven or eight bands, and have a short revisit interval of 16 days.
  • Land8's OLI sensor is an enhanced field sensor that can provide nine spectral images, as shown in Table 1 below.
  • OLI sensors digitize data 12-bits, they provide a superior signal to noise ratio (SNR) compared to other sensors. Therefore, in the automatic river detection system 10 using the combination of satellite image and random forest classifier according to an embodiment of the present invention, by using the OLI sensor image provided by Landsat8 satellite, the SNR performance is improved. Better land cover properties are available.
  • the OLI sensor can provide a total of nine bands of imagery, where the first band is used to examine ocean colors and the eighth band is used to collect visible colors. It is used as a panchromatic film, and the ninth band is used to detect citrus contamination in other bands. Therefore, in the present invention, it is possible to receive and use the image of the second to seventh band.
  • the conversion module 200 may convert the received image into a TOA (Top Of Atmosphere) reflectance and a WI (Water Index) image. That is, in order to detect the river with high accuracy, the automatic river detection system 10 using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention may use TOA reflectance and WI as parameters.
  • TOA Topic Of Atmosphere
  • WI Water Index
  • the raw digital number (DN) of each spectral band is a 16-bit unsigned integer format and is provided by the metadata file (USGS 2014).
  • Radial rescaling coefficients can be used to rescale the TOA reflectance.
  • TOA reflectance can eliminate cosine effects at different solar zenith angles when compared to the raw DN, compensate for different values of exoatmospheric solar irradiance, and adjust the earth to date of data collection. You can compensate for changes in distance between the sun and the sun.
  • the conversion module 200 of the automatic river detection system 10 using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes a TOA converter 210 and a WI converter. And 220.
  • the TOA converter 210 converts each pixel value of the image received from the input module 100 according to Equation 1 to the TOA reflectivity ( Can be converted to
  • M p is a multiplicative factor
  • a p is an additive scaling factor
  • Q cal is a quantized and calibrated standard product pixel values )to be.
  • the TOA converter 210 calculates the calculated TOA reflectivity ( ), The TOA reflectivity (modified by reflecting the sun angle through ) Can be calculated.
  • ⁇ SE is the local sun elevation angle and ⁇ SZ is the local sun zenith angle.
  • the TOA converter 210 of the present invention may calculate a modified TOA reflectance from each pixel value constituting the image of the second to seventh bands of the OLI sensor image, and convert the TOA reflectance image to the TOA reflectance image. .
  • the WI conversion unit 220 includes a normalized difference water index (NDWI), a modified NDWI (MNDWI), and two automated water extraction indexes (AWEI nsh , AWEI sh ). It can calculate the WI including. Such WIs may be calculated by Equations 3 to 6, respectively.
  • the WIs may be derived by the modified TOA reflectivity of the second to seventh bands calculated by the TOA converter 210. More specifically, the second band (blue), the third band (green), the fifth band (Near-IR), the sixth band (SWIR-1), and the wavelength of the OLI sensor of Land 8
  • the WIs may be derived using the TOA reflectivity calculated from the seventh band SWIR-2.
  • the third band (green) can better distinguish the stream in the shadow of the mountain or hill than the other bands, it is possible to remove the shadow pixels first using the ⁇ 3 ⁇ T shadow relationship.
  • the feature extraction module 300 may extract a feature vector for the stream region from the converted image. More specifically, the feature extraction module 300 may extract the WI signal calculated from the TOA reflectance signal and the TOA reflectance signal for the river area as the feature vector. That is, the feature vectors may be extracted from the TOA reflectance image and the WI image, respectively, converted by the conversion module 200, and used as input information of the random forest to be described in detail below.
  • the learning module 400 may learn a plurality of random forest classifiers using the extracted feature vectors.
  • the learning module 400 may use two random forest classifiers.
  • the learning module 400 may perform learning by using the TOA reflectivity and the feature vector extracted from the WI as inputs to each random forest classifier.
  • Such a random forest classifier has better computational performance than SVM and other neural network classifiers, and can be effective for high-level problems.
  • the learning module 400 of the automatic river detection system 10 using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes a first learning unit 410 and a second learning unit 400.
  • the learning unit 420 may be configured to be included.
  • the first learner 410 may learn the first random forest classifier using the TOA reflectance signal for the river area calculated from the plurality of bands. That is, the first random forest classifier may be trained using the TOA reflectance values calculated from the six bands.
  • the training data of the random forest classifier may be configured by a user.
  • the training data may include rivers and lakes as positive data, and cities and mountains as negative data.
  • six types of TOA reflectance values may be extracted from the positive data and the negative data.
  • the second learner 420 may learn the second random forest classifier using the WI for the river area. That is, the second random forest classifier may be learned using four types of WIs calculated from the TOA reflectivity. Four types of WIs may be extracted by the second learner 420 from the same amount of data and negative data as when the first random forest classifier is trained.
  • two kinds of feature vectors may be extracted for every pixel. have. These vectors can be used as inputs corresponding to the learned RF.
  • the test module 500 may convert the input test image into a TOA reflectance and a WI image, extract a feature vector, and apply the extracted plurality of random forest classifiers to obtain a result value. That is, the test module 500 may apply the result extracted by the learning module 400 and the feature vector extracted from the test image to the trained first random forest classifier and the second random forest classifier to calculate a result value. Can be.
  • the final probability that a particular pixel is a water body class may be calculated by averaging probabilities calculated from two random forests as shown in Equation 8 below.
  • the detection module 600 may combine the obtained result value and detect the stream area when the threshold value is exceeded.
  • the threshold value may be 0.6. That is, if the final probability P (water) exceeds the minimum threshold of 0.6, the pixel can be detected as a river pixel.
  • region labeling may be performed to remove small regions detected by noise.
  • FIG. 5 is a flowchart illustrating an automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • a step of receiving images of a plurality of predetermined bands among satellite images is input (S100).
  • an image of a plurality of predetermined bands may be input from the satellite image, and operation S100 may be processed by the input module 100.
  • an Operational Land Imager (OLI) sensor image provided by a Landsat 8 satellite may be input, and in particular, an image of bands 2 to 7 may be received.
  • the received image may be converted into a TOA (Top Of Atmosphere) reflectivity and a water index (WI) image, and operation S200 may be processed by the conversion module 200.
  • TOA Topic Of Atmosphere
  • WI water index
  • step S200 of the automatic river detection method using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes calculating a TOA reflectance (S210) and calculating a WI ( S220) may be implemented.
  • the TOA reflectivity may be calculated and calculated by the TOA converter 210 of the conversion module 200.
  • the detailed flow of step S210 will be described in detail later with reference to FIG. 7.
  • step S220 a WI comprising a normalized difference water index (NDWI), a modified NDWI (MNDWI), and two automated water extraction indexes (AWEI nsh , AWEI sh ) Can be calculated.
  • Step S220 may be processed by the WI conversion unit 220 of the conversion module 200. The detailed flow of step S220 will be described in detail later with reference to FIG. 8.
  • step S210 of the automatic river detection method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention includes calculating and converting each pixel value of an input image to TOA reflectivity. And a step S212 of calculating a modified TOA reflectance by reflecting a sun angle using the calculated TOA reflectivity.
  • step S211 each pixel value of the image received by Equation 1 described above is used as a TOA reflectance ( Can be converted to
  • step S212 the TOA reflectivity calculated in step S210 ( TOA reflectivity modified by reflecting the sun angle through the above equation (2) ) Can be calculated.
  • step S220 of the automatic river detection method using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes calculating an NDWI (S221) and calculating an MNDWI (S222). ), Calculating the AWEI nsh (S223) and calculating the AWEI sh (S224) can be implemented.
  • step S221 the NDWI may be calculated, and the calculation may be processed for all the pixels by the above equation (3).
  • step S222 MNDWI may be calculated, and the calculation may be processed for all the pixels by the above equation (4).
  • step S223 AWEI nsh may be calculated, and the calculation may be processed for all pixels by the above equation (5).
  • step S224 AWEI sh may be calculated, and the calculation may be processed for all pixels by the above equation (6).
  • the feature vector of the stream region may be extracted from the converted image.
  • Step S300 may be processed by the feature extraction module 300.
  • the WI signal calculated from the TOA reflectance signal and the TOA reflectance signal for the stream area may be extracted as the feature vector.
  • step S400 the plurality of random forest classifiers may be learned using the extracted feature vectors, and operation S400 may be processed by the learning module 400.
  • step S400 the detailed flow of step S400 will be described in detail with reference to FIG. 9.
  • step S400 of the automatic river detection method using the combination of the satellite image and the random forest classifier according to an embodiment of the present invention includes: learning the first random forest classifier using the TOA reflectance signal ( S410) and learning the second random forest classifier using WI (S420).
  • the first random forest classifier may be trained using the TOA reflectance signal for the stream region calculated from the plurality of bands.
  • Step S410 may be processed by the first learner 410 of the learning module 400.
  • the second random forest classifier may be learned using the WI for the river area.
  • Step S420 may be processed by the second learner 420 of the learning module 400.
  • the received test image may be converted into a TOA reflectance and a WI image, and a feature vector may be extracted and applied to a plurality of trained random forest classifiers to obtain a result value.
  • Step S500 may be processed by the test module 500.
  • the probability distributions of all the trees are ensemble averaged to obtain TOA reflectivity and probability for WI as result values.
  • the threshold value may be 0.6.
  • the first area (Area 1) is the upper Nakdonggang River of Andong city
  • the second area (Area 2) is the middle Nakdonggang River of Daegu city
  • the third area (Area 3). ) Is the lower Nakdonggang River of Kimhae city.
  • FIG. 10 is a diagram illustrating results detected by an automatic river detection system 10 and a method using a combination of a satellite image and a random forest classifier according to an embodiment of the present invention.
  • Area 1 (a) Area regardless of regional characteristics For all areas of 2 (B) and Area 3 (c)
  • the river area can be detected accurately.
  • Otsu Threshold Otsu Threshold
  • SVM classifier
  • the present invention may include a computer readable medium including program instructions for performing operations implemented by various communication terminals.
  • computer-readable media may include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD_ROMs, DVDs, and floptical disks.
  • Such computer-readable media may include, alone or in combination with program instructions, data files, data structures, and the like.
  • the program instructions recorded on the computer-readable medium may be those specially designed and configured to implement the present invention, or may be known and available to those skilled in computer software.
  • it may include not only machine code, such as produced by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

본 발명에서 제안하고 있는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 따르면, 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 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있다.

Description

인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
본 발명은 하천 검출 시스템 및 방법에 관한 것으로서, 보다 구체적으로는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 관한 것이다.
깨끗한 강과 호수를 유지하는 것은 안정적이고 안전하게 물을 공급하기 위한 전제 조건이 된다. 기존의 수질 평가는 긴 강의 여러 지점에서 샘플을 현장 수집 및 측정하고, 그 후 다양한 실험실 분석을 하는 방법으로 이루어져왔다. 이러한 방법은 정확하기는 하나 상당한 시간이 소요되고, 지속적인 관찰을 위해 과다한 노력과 비용이 필요하다. 최근에는, 위성 원격 탐사를 이용해 기존의 방법의 제약을 극복하고, 효율성을 향상시키려는 시도가 있다.
위성 원격 탐사는 시간과 공간 규모의 광범위한 수질 정보를 수집한다. 위성을 통해 얻은 영상은, 일반적으로 다중 스펙트럼 이미지로서 해수, 식물, 도시 지역, 산악 지역 등 토지 피복(land cover)에 따라 스펙트럼의 변화가 있다. 따라서 위성 원격 탐사를 통해 수질 정보를 수집하기 위해서는, 하천이나 호수 등을 검출하는 것이 첫 번째 단계가 된다.
종래 하천 검출 방법은 분광 화상에 하나 이상의 휴리스틱 임계값(heuristic thresholds)을 적용하는 방식으로 구현되었다. 이 방법은 간단하면서도 특정 지역에서 우수한 결과를 얻을 수 있다. 그러나 이러한 방법은 위성 영상이 산의 그림자, 도로, 도시 지역 뿐 아니라 강, 호수 등을 포함하는 복잡한 토폴로지 구성을 가질 때에 잘못된 결과를 초래하는 경향이 있다.
또한 최근 Jiang et al.(Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J., and Xiao, T., 2014, An automated methods for extracting rivers and lakes from Landsat imagery. RemoteSensing, 6, pp.5067-5089.)은 기존의 임계값 적용 방식을 개선하여 자동으로 강과 호수를 검출하는 방법을 제안하였다. 그러나 이 방법은 인공 또는 자연적으로 지형이 변화함에 따라 종래와 동일한 문제가 발생하는 한계가 있다.
한편, 분류기 기반 방법(classifier-based method)은 종래의 임계값 적용 방식에 비하여 우수한 하천 검출 결과를 제공하는 경향이 있다. 이러한 형태의 방법에서는, 다중 스펙트럴 이미지에서 하천을 검출하기 위해 지도 학습(supervised learning) 또는 자율 학습(non-supervised learning) 테크닉을 사용한다. 지도 학습(Skakun, S, 2010, A neural network approach to flood mapping using satellite imagery. ComputingandInformatics,29,pp.1013-1024.), 신경망 또는 서포트 벡터 머신(SVM)(Kalkana, K., Bayramb, B., Maktava, D., and Sunara, F., 2013, Comparison of support vector machine and object based classification methods for coastline detection. InternationalArchivesofthePhotogrammetry, RemoteSensingandSpatialInformationSciences, 1117 November2013, Antalya, Turkey, pp.125-127.) 등이 대표적인 검출 방법이다.
이러한 방법은, 임계값 기반의 방법보다 하천 검출 능력이 우수하기는 하지만 두 가지의 단점을 여전히 갖고 있다. 첫째는, 지도 학습 방법은 적절한 훈련 데이터를 선택하는 전문가의 경험이나 기존의 참조 데이터를 필요로 한다는 점이고, 둘째는, 자율 학습 방법은 입자 영역을 실제 하천과 호수로 병합하는 추가적인 후처리 과정이 필요하다는 점이다. 따라서 이와 같은 문제를 해결하고, 우수한 하천 검출 결과를 얻기 위한 시스템 및 방법의 개발이 필요한 실정이다.
한편, 본 발명과 관련된 선행기술로서 공개특허 제10-2014-0062756호(발명의 명칭: 관측위성 영상을 통한 수질 모니터링 방법, 공개일자 2014년 05월 26일) 등이 개시된 바 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 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 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템은,
하천 검출 시스템으로서,
위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 입력 모듈;
상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 변환 모듈;
상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 특징 추출 모듈;
상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 학습 모듈;
입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 테스트 모듈; 및
상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 검출 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 입력 모듈은,
랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있다.
더욱 바람직하게는, 상기 입력 모듈은,
제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
바람직하게는, 상기 변환 모듈은,
다음 수학식 1에 의해 상기 입력 모듈에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure PCTKR2015001400-appb-I000001
)로 변환하여 산출하는 TOA 변환부를 포함할 수 있다.
[수학식 1]
Figure PCTKR2015001400-appb-I000002
여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
더욱 바람직하게는, 상기 TOA 변환부는,
상기 산출된 TOA 반사도(
Figure PCTKR2015001400-appb-I000003
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure PCTKR2015001400-appb-I000004
)를 산출할 수 있다.
[수학식 2]
Figure PCTKR2015001400-appb-I000005
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
바람직하게는, 상기 변환 모듈은,
정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 WI 변환부를 더 포함할 수 있다.
바람직하게는, 상기 특징 추출 모듈은,
하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출할 수 있다.
더욱 바람직하게는, 상기 학습 모듈은,
상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 제1 학습부; 및
상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 제2 학습부를 포함할 수 있다.
바람직하게는, 상기 테스트 모듈은,
모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
바람직하게는, 상기 검출 모듈은,
상기 임계값이 0.6일 수 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법은,
하천 검출 방법으로서,
(1) 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계;
(2) 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 단계;
(3) 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계;
(4) 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계;
(5) 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계; 및
(6) 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 단계 (1)에서는,
랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있다.
더욱 바람직하게는, 상기 단계 (1)에서는,
제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
바람직하게는, 상기 단계 (2)는,
(2-1) 다음 수학식 1에 의해 상기 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure PCTKR2015001400-appb-I000006
)로 변환하여 산출하는 단계를 포함할 수 있다.
[수학식 1]
Figure PCTKR2015001400-appb-I000007
여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
더욱 바람직하게는, 상기 단계 (2-1) 이후에는,
(2-2) 상기 단계 (2-1)에서 산출된 TOA 반사도(
Figure PCTKR2015001400-appb-I000008
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure PCTKR2015001400-appb-I000009
)를 산출하는 단계를 더 포함할 수 있다.
[수학식 2]
Figure PCTKR2015001400-appb-I000010
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
바람직하게는, 상기 단계 (2)는,
(2-5) 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 단계를 포함할 수 있다.
바람직하게는, 상기 단계 (3)에서는,
하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출할 수 있다.
더욱 바람직하게는, 상기 단계 (4)는,
(4-1) 상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계; 및
(4-2) 상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계를 포함할 수 있다.
바람직하게는, 상기 단계 (5)에서는,
모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
바람직하게는, 상기 단계 (6)에서는,
상기 임계값이 0.6일 수 있다.
본 발명에서 제안하고 있는 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 따르면, 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 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출함으로써, 보다 정확하게 자동으로 하천을 분류할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 도식화하여 도시한 도면.
도 2는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템의 구성을 도시한 도면.
도 3은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템에서, 변환 모듈의 세부적인 구성을 도시한 도면.
도 4는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템에서, 학습 모듈의 세부적인 구성을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 흐름을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S210의 세부적인 흐름을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S220의 세부적인 흐름을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S400의 세부적인 흐름을 도시한 도면.
도 10은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법에 의해 검출된 결과를 예를 들어 도시한 도면.
<부호의 설명>
10: 본 발명의 일실시예에 따른 자동 하천 검출 시스템
100: 입력 모듈 200: 변환 모듈
210: TOA 변환부 220: WI 변환부
300: 특징 추출 모듈 400: 학습 모듈
410: 제1 학습부 420: 제2 학습부
500: 테스트 모듈 600: 검출 모듈
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 1은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법을 도식화하여 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법은, 위성 영상의 다중 스펙트럴 이미지를 입력받고, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환한 다음, 변환된 영상에서 특징벡터를 추출하여 복수의 타입의 랜덤포레스트 분류기를 학습하며, 학습된 분류기를 이용해 테스트 영상으로부터 하천 영역을 검출할 수 있다.
도 2는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 구성을 도시한 도면이다. 도 1에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)은, 입력 모듈(100), 변환 모듈(200), 특징 추출 모듈(300), 학습 모듈(400), 테스트 모듈(500) 및 검출 모듈(600)을 포함하여 구성될 수 있다.
입력 모듈(100)은, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받을 수 있다. 이때, 입력 모듈(100)은, 랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있으며, 특히 제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
여러 위성 센서들 중에서, 랜드샛5와 랜드샛7 위성에 의해 제공되는 Thematic Mapper(TM)와 Enhanced Thematic Mapper Plus(ETM+) 센서는 물 품질 평가에 널리 사용되어왔다. 랜드샛 위성은 보통 30m의 공간 해상도를 가지고, 7개 또는 8개의 밴드를 갖는 다중 스펙트럴(multi-spectral) 이미지를 제공하며, 16일의 짧은 재방문 간격(revisit interval)을 가진다. 2013년 2월 11일 런칭된 랜드샛8의 OLI 센서는 향상된 현업 센서로서, 다음 표 1과 같은 9개의 스펙트럴 이미지를 제공할 수 있다.
표 1
Figure PCTKR2015001400-appb-T000001
OLI 센서는 데이터를 12비트 양자화하기 때문에, 다른 센서에 비해 우수한 신호 대 잡음비(Signal to noise ratio; SNR)를 제공한다. 따라서 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서는, 랜드샛8(Landsat8) 위성에서 제공하는 OLI 센서 영상을 이용함으로써, 개선된 SNR 성능에 의해 더 나은 토지 피복 특성을 사용할 수 있다.
한편, OLI 센서는 총 9개 밴드의 이미지를 제공할 수 있는데, 제1번 밴드는 바다 색상(ocean colours)을 조사하는 데에 사용되고, 제8번 밴드는 가시 색상(visible colours)을 수집하는 대신 전색성 필름(panchromatic film)으로 사용되며, 제9번 밴드는 다른 밴드에서 권운에 의한 오염(cirrus contamination)을 검출하는 데에 사용된다. 따라서 본 발명에서는, 제2번 내지 제7번 밴드의 영상을 입력받아 사용할 수 있다.
변환 모듈(200)은, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환할 수 있다. 즉, 높은 정확도를 가진 하천 검출을 위하여, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서는, TOA 반사도 및 WI를 매개 변수로 사용할 수 있다.
원래, 각각의 스펙트럼 밴드의 원시 디지털 번호(raw digital number; DN)는 16 비트의 부호 없는(unsigned) 정수 포맷(integer format)이고, 메타 데이터 파일(USGS 2014)에 의해 제공되는 라디오메트릭 리스케일링 계수(radiometric rescaling coefficients)를 이용해 TOA 반사도로 재 스케일링 될 수 있다. TOA 반사율은 원시 DN과 비교할 때, 서로 다른 태양 천정각(solar zenith angles)에서 코사인 효과를 제거할 수 있고, 외기권 태양 방사(exoatmospheric solar irradiance)의 상이한 값을 보상할 수 있으며, 데이터 수집 날짜에 따른 지구와 태양 사이의 거리 변화를 보정할 수 있다.
이하에서는, 도 3을 참조하여 변환 모듈(200)의 세부적인 구성에 대하여 상세히 설명하도록 한다.
도 3은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서, 변환 모듈(200)의 세부적인 구성을 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 변환 모듈(200)은, TOA 변환부(210) 및 WI 변환부(220)를 포함하여 구성될 수 있다.
TOA 변환부(210)는, 다음 수학식 1에 의해 입력 모듈(100)에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure PCTKR2015001400-appb-I000011
)로 변환하여 산출할 수 있다.
수학식 1
Figure PCTKR2015001400-appb-M000001
여기서, 첨자 λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
또한, TOA 변환부(210)는, 산출된 TOA 반사도(
Figure PCTKR2015001400-appb-I000012
)를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure PCTKR2015001400-appb-I000013
)를 산출할 수 있다.
수학식 2
Figure PCTKR2015001400-appb-M000002
여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
특히, 본 발명의 TOA 변환부(210)는, OLI 센서 영상 중 제2번 내지 제7번 밴드의 영상을 구성하는 각 픽셀 값으로부터 수정된 TOA 반사도를 산출하여, TOA 반사도 영상으로 변환할 수 있다.
WI 변환부(220)는, 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출할 수 있다. 이와 같은 WI들은 다음 수학식 3 내지 6에 의해 각각 산출될 수 있다.
수학식 3
Figure PCTKR2015001400-appb-M000003
수학식 4
Figure PCTKR2015001400-appb-M000004
수학식 5
Figure PCTKR2015001400-appb-M000005
수학식 6
Figure PCTKR2015001400-appb-M000006
수학식 3 내지 6에서 확인할 수 있는 바와 같이, WI들은 TOA 변환부(210)에서 산출된 제2번 내지 제7번 밴드의 수정된 TOA 반사도에 의해 도출될 수 있다. 보다 구체적으로, 랜드샛8의 OLI 센서의 파장에서 제2번 밴드(blue), 제3번 밴드(green), 제5번 밴드(Near-IR), 제6번 밴드(SWIR-1), 및 제7번 밴드(SWIR-2)로부터 산출된 TOA 반사도를 이용하여, WI들이 도출될 수 있다.
한편, 제3번 밴드(green)는 다른 밴드에 비하여 산이나 언덕의 그림자에서 하천을 더 잘 구분할 수 있으므로, ρ3<Tshadow 관계를 이용하여 그림자 픽셀을 먼저 제거할 수 있다.
특징 추출 모듈(300)은, 변환된 영상에서 하천 영역에 대한 특징벡터를 추출할 수 있다. 보다 구체적으로는, 특징 추출 모듈(300)은, 하천 영역에 대한 TOA 반사도 신호와 TOA 반사도 신호로부터 산출되는 WI 신호를 특징벡터로 추출할 수 있다. 즉, 변환 모듈(200)에서 변환된 TOA 반사도 영상과 WI 영상에서 각각 특징벡터를 추출하여, 이하에서 상세히 설명할 랜덤포레스트의 입력 정보로 사용할 수 있다.
학습 모듈(400)은, 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습할 수 있다. 특히, 학습 모듈(400)은 2개의 랜덤포레스트 분류기를 사용할 수 있는데, TOA 반사도 및 WI에서 추출된 특징벡터를 각각의 랜덤포레스트 분류기의 입력으로 하여 학습을 수행할 수 있다. 이와 같은 랜덤포레스트 분류기는, SVM 이나 다른 신경망 분류기 등보다 우수한 연산 성능을 가진 뿐 아니라, 높은 차원의 문제에 대하여 효과적일 수 있다.
이하에서는, 도 4를 참조하여 학습 모듈(400)의 세부적인 구성에 대하여 상세히 설명하도록 한다.
도 4는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)에서, 학습 모듈(400)의 세부적인 구성을 도시한 도면이다. 도 4에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10)의 학습 모듈(400)은, 제1 학습부(410) 및 제2 학습부(420)를 포함하여 구성될 수 있다.
제1 학습부(410)는, 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습할 수 있다. 즉, 6개의 밴드로부터 산출된 TOA 반사도 값을 이용하여, 제1 랜덤포레스트 분류기를 학습할 수 있다.
랜덤포레스트 분류기의 학습 데이터는 사용자에 의해 구성될 수 있는데, 학습 데이터는 양의 데이터로서 강과 호수, 음의 데이터로서 도시와 산을 포함할 수 있다. 그 다음, 제1 학습부(410)를 통해 제1 랜덤포레스트 분류기를 훈련하여, 양의 데이터 및 음의 데이터로부터 6 종류의 TOA 반사도 값이 추출될 수 있다.
제2 학습부(420)는, 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 즉, TOA 반사도로부터 산출된 4 종류의 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 제1 랜덤포레스트 분류기를 훈련할 때와 동일한 양의 데이터 및 음의 데이터로부터, 제2 학습부(420)에 의해 4 종류의 WI가 추출될 수 있다.
제1 학습부(410) 및 제2 학습부(420)를 통해, 양의 데이터 및 음의 데이터를 이용해 한 세트의 랜덤 포레스트를 훈련하고 나면, 모든 픽셀에 대해 2 종류의 특징 벡터가 추출될 수 있다. 이 벡터들은 학습된 RF에 대응하는 입력으로 사용될 수 있다.
테스트 모듈(500)은, 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득할 수 있다. 즉, 테스트 모듈(500)은 학습 모듈(400)에 의해 추출된 결과와 테스트 영상으로부터 추출된 특징 벡터를, 학습된 제1 랜덤포레스트 분류기 및 제2 랜덤포레스트 분류기에 적용하여, 결과 값을 산출할 수 있다.
한편, 테스트 모듈(500)은, 모든 트리(trees)의 확률 분포를 앙상블 평균하여, TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다. 즉, TOA 반사도 및 WI에 따른 특징벡터를 이용한 하천 검출 확률(PTOA 및 PWI)은, 다음 수학식 7과 같이 모든 트리 L=(l1, l2, …, lT)의 각 확률 분포를 앙상블 평균하여 산출될 수 있다.
수학식 7
Figure PCTKR2015001400-appb-M000007
특정 픽셀이 하천(water body class)일 최종 확률은 두 랜덤포레스트로부터 산출된 확률을 평균하여 다음 수학식 8과 같이 계산될 수 있다.
수학식 8
Figure PCTKR2015001400-appb-M000008
검출 모듈(600)은, 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출할 수 있다. 특히, 임계값은 0.6으로 할 수 있다. 즉, 최종 확률 P(water)가 최소 임계값인 0.6을 초과하면, 그 픽셀은 하천 픽셀로 검출할 수 있다.
모든 픽셀에 대하여 하천인지 배경인지를 분류한 다음, 노이즈에 의해 검출된 작은 영역을 제거하는 영역 레이블링(region labelling)이 수행될 수 있다.
도 5는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 흐름을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법은, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계(S100), 입력받은 영상을 TOA 반사도 및 WI 영상으로 변환하는 단계(S200), 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계(S300), 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계(S400), 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계(S500) 및 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계(S600)를 포함하여 구현될 수 있다.
단계 S100에서는, 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받을 수 있으며, 단계 S100은 입력 모듈(100)에 의해 처리될 수 있다. 또한, 단계 S100에서는, 랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받을 수 있으며, 특히 제2번 내지 제7번 밴드의 영상을 입력받을 수 있다.
단계 S200에서는, 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환할 수 있으며, 단계 S200은 변환 모듈(200)에 의해 처리될 수 있다.
도 6은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S200의 세부적인 흐름을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S200은, TOA 반사도를 산출하는 단계(S210) 및 WI를 산출하는 단계(S220)를 포함하여 구현될 수 있다.
단계 S210에서는, TOA 반사도를 산출할 수 있으며, 변환 모듈(200)의 TOA 변환부(210)에 의해 산출될 수 있다. 단계 S210의 세부적인 흐름에 대해서는 추후 도 7을 참조하여 상세히 설명하도록 한다.
단계 S220에서는, 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출할 수 있다. 단계 S220은 변환 모듈(200)의 WI 변환부(220)에 의해 처리될 수 있다. 단계 S220의 세부적인 흐름에 대해서는 추후 도 8을 참조하여 상세히 설명하도록 한다.
도 7은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S210의 세부적인 흐름을 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S210은, 입력받은 영상의 각 픽셀 값을 TOA 반사도로 변환하여 산출하는 단계(S211) 및 산출된 TOA 반사도를 이용해 태양 각도를 반영하여 수정된 TOA 반사도를 산출하는 단계(S212)를 포함하여 구현될 수 있다.
단계 S211에서는, 전술한 수학식 1에 의해 입력받은 영상의 각 픽셀 값을 TOA 반사도(
Figure PCTKR2015001400-appb-I000014
)로 변환하여 산출할 수 있다.
단계 S212에서는, 단계 S210에서 산출된 TOA 반사도(
Figure PCTKR2015001400-appb-I000015
)를 이용해 전술한 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
Figure PCTKR2015001400-appb-I000016
)를 산출할 수 있다.
도 8은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S220의 세부적인 흐름을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S220은, NDWI를 산출하는 단계(S221), MNDWI를 산출하는 단계(S222), AWEInsh를 산출하는 단계(S223) 및 AWEIsh를 산출하는 단계(S224)를 포함하여 구현될 수 있다.
단계 S221에서는, NDWI가 산출될 수 있으며, 전술한 수학식 3에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S222에서는, MNDWI가 산출될 수 있으며, 전술한 수학식 4에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S223에서는, AWEInsh가 산출될 수 있으며, 전술한 수학식 5에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S224에서는, AWEIsh가 산출될 수 있으며, 전술한 수학식 6에 의해 모든 픽셀에 대해 계산이 처리될 수 있다.
단계 S300에서는, 변환된 영상에서 하천 영역에 대한 특징벡터를 추출할 수 있다. 단계 S300은 특징 추출 모듈(300)에 의해 처리될 수 있으며, 단계 S300에서는, 하천 영역에 대한 TOA 반사도 신호와 TOA 반사도 신호로부터 산출되는 WI 신호를 특징벡터로 추출할 수 있다.
단계 S400에서는, 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습할 수 있으며, 단계 S400은 학습 모듈(400)에 의해 처리될 수 있다. 이하에서는, 도 9를 참조하여 단계 S400의 세부적인 흐름에 대해서 상세히 설명하도록 한다.
도 9는 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법에서, 단계 S400의 세부적인 흐름을 도시한 도면이다. 도 9에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법의 단계 S400은, TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계(S410) 및 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계(S420)를 포함하여 구현될 수 있다.
단계 S410에서는, 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습할 수 있다. 단계 S410은 학습 모듈(400)의 제1 학습부(410)에 의해 처리될 수 있다.
단계 S420에서는, 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습할 수 있다. 단계 S420은 학습 모듈(400)의 제2 학습부(420)에 의해 처리될 수 있다.
단계 S500에서는, 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득할 수 있다. 단계 S500은 테스트 모듈(500)에 의해 처리될 수 있다. 또한, 단계 S500에서는, 모든 트리(trees)의 확률 분포를 앙상블 평균하여, TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득할 수 있다.
단계 S600에서는, 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출할 수 있다. 이때, 임계값이 0.6일 수 있다.
실험예
본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법을 검증하기 위하여, 서로 상이한 특성을 가진 지역을 선정하여 실험을 수행하였다. 첫 번째 지역(Area 1)은 안동시의 낙동강 상류(the upper Nakdonggang River of Andong city), 두 번째 지역(Area 2)은 대구시의 낙동강 중류(the middle Nakdonggang River of Daegu city), 세 번째 지역(Area 3)은 김해시의 낙동강 하류(the lower Nakdonggang River of Kimhae city)이다.
도 10은 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법에 따라 검출된 결과를 예를 들어 도시한 도면이다. 도 10에 도시된 바와 같이, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법을 이용하면, 지역적 특성에 관계없이 Area 1(a), Area 2(B) 및 Area 3(c)의 모든 영역에 대하여, 하천 영역을 정확하게 검출할 수 있다.
또한, OLI 센서의 하천 검출 성능을 검증하기 위해, TM, ETM+ 및 OLI의 서로 다른 세 종류의 랜드샛 센서를 이용하여 실험을 수행하였다. 다음 표 2에서 확인할 수 있는 바와 같이, OLI 센서는 TM이나 ETM+에 비하여 Area 1 내지 Area 3에서 평균적으로 보다 우수한 성능을 낸다는 것을 확인할 수 있다.
표 2
Figure PCTKR2015001400-appb-T000002
한편, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법의 성능을 검증하기 위해, 임계값 방법 중 하나인 Otsu Threshold 방법(Otsu Threshold)과 SVM 분류기(SVM)를 이용하는 방법에 대해, 랜드샛8 OLI 센서의 동일한 이미지를 이용해 실험을 수행하고 그 결과를 표 3에 표시하였다.
표 3
Figure PCTKR2015001400-appb-T000003
표 3에서와 같이, Otsu Threshold 방법 또는 SVM 방법에 비하여, 본 발명의 일실시예에 따른 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10) 및 방법의 하천 검출 성능이 보다 우수한 것을 확인할 수 있다.
한편, 본 발명은 다양한 통신 단말기로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터에서 판독 가능한 매체를 포함할 수 있다. 예를 들어, 컴퓨터에서 판독 가능한 매체는, 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 장치를 포함할 수 있다.
이와 같은 컴퓨터에서 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이때, 컴퓨터에서 판독 가능한 매체에 기록되는 프로그램 명령은 본 발명을 구현하기 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예를 들어, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.

Claims (20)

  1. 하천 검출 시스템으로서,
    위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 입력 모듈(100);
    상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 변환 모듈(200);
    상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 특징 추출 모듈(300);
    상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 학습 모듈(400);
    입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 테스트 모듈(500); 및
    상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 검출 모듈(600)을 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  2. 제1항에 있어서, 상기 입력 모듈(100)은,
    랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  3. 제2항에 있어서, 상기 입력 모듈(100)은,
    제2번 내지 제7번 밴드의 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  4. 제1항에 있어서, 상기 변환 모듈(200)은,
    다음 수학식 1에 의해 상기 입력 모듈(100)에서 입력받은 영상의 각 픽셀 값을 TOA 반사도(
    Figure PCTKR2015001400-appb-I000017
    )로 변환하여 산출하는 TOA 변환부(210)를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
    [수학식 1]
    Figure PCTKR2015001400-appb-I000018
    여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
  5. 제4항에 있어서, 상기 TOA 변환부(210)는,
    상기 산출된 TOA 반사도(
    Figure PCTKR2015001400-appb-I000019
    )를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
    Figure PCTKR2015001400-appb-I000020
    )를 산출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
    [수학식 2]
    Figure PCTKR2015001400-appb-I000021
    여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
  6. 제1항에 있어서, 상기 변환 모듈(200)은,
    정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 WI 변환부(220)를 더 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  7. 제1항에 있어서, 상기 특징 추출 모듈(300)은,
    하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  8. 제7항에 있어서, 상기 학습 모듈(400)은,
    상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 제1 학습부(410); 및
    상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 제2 학습부(420)를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  9. 제1항에 있어서, 상기 테스트 모듈(500)은,
    모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  10. 제1항에 있어서, 상기 검출 모듈(600)은,
    상기 임계값이 0.6인 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템(10).
  11. 하천 검출 방법으로서,
    (1) 위성 영상 중 미리 정해진 복수의 밴드의 영상을 입력받는 단계;
    (2) 상기 입력받은 영상을 TOA(Top Of Atmosphere) 반사도 및 WI(Water Index) 영상으로 변환하는 단계;
    (3) 상기 변환된 영상에서 하천 영역에 대한 특징벡터를 추출하는 단계;
    (4) 상기 추출된 특징벡터를 이용해 복수의 랜덤포레스트 분류기를 학습하는 단계;
    (5) 입력받은 테스트 영상을 TOA 반사도 및 WI 영상으로 변환하고, 특징벡터를 추출해 상기 학습된 복수의 랜덤포레스트 분류기에 적용하여 결과 값을 획득하는 단계; 및
    (6) 상기 획득된 결과 값을 결합하여 임계값을 초과하면 하천 영역으로 검출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  12. 제11항에 있어서, 상기 단계 (1)에서는,
    랜드샛8(Landsat8) 위성에서 제공하는 OLI(Operational Land Imager) 센서 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  13. 제12항에 있어서, 상기 단계 (1)에서는,
    제2번 내지 제7번 밴드의 영상을 입력받는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  14. 제11항에 있어서, 상기 단계 (2)는,
    (2-1) 다음 수학식 1에 의해 상기 입력받은 영상의 각 픽셀 값을 TOA 반사도(
    Figure PCTKR2015001400-appb-I000022
    )로 변환하여 산출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
    [수학식 1]
    Figure PCTKR2015001400-appb-I000023
    여기서, λ는 밴드를 의미하며, Mp는 밴드별 곱셈인자(multiplicative factor), Ap는 추가 스케일링 인자(additive rescaling factor), Qcal은 양자화 보정 표준 픽셀 값(quantized and calibrated standard product pixel values)이다.
  15. 제14항에 있어서, 상기 단계 (2-1) 이후에는,
    (2-2) 상기 단계 (2-1)에서 산출된 TOA 반사도(
    Figure PCTKR2015001400-appb-I000024
    )를 이용해 다음 수학식 2를 통해 태양 각도를 반영하여 수정된 TOA 반사도(
    Figure PCTKR2015001400-appb-I000025
    )를 산출하는 단계를 더 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
    [수학식 2]
    Figure PCTKR2015001400-appb-I000026
    여기서, θSE는 지역 태양 고도각(local sun elevation angle), θSZ는 지역 태양 천정각(local sun zenith angle)이다.
  16. 제11항에 있어서, 상기 단계 (2)는,
    (2-5) 정규화된 차분 물지수(normalized difference water index; NDWI), 수정된 NDWI(modified NDWI; MNDWI) 및 2개의 자동 물 추출 지수(automated water extraction indexes; AWEInsh, AWEIsh)를 포함하는 WI를 산출하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  17. 제11항에 있어서, 상기 단계 (3)에서는,
    하천 영역에 대한 TOA 반사도 신호와 상기 TOA 반사도 신호로부터 산출되는 WI 신호를 상기 특징벡터로 추출하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  18. 제17항에 있어서, 상기 단계 (4)는,
    (4-1) 상기 복수의 밴드로부터 산출된 하천 영역에 대한 TOA 반사도 신호를 이용하여 제1 랜덤포레스트 분류기를 학습하는 단계; 및
    (4-2) 상기 하천 영역에 대한 WI를 이용하여 제2 랜덤포레스트 분류기를 학습하는 단계를 포함하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  19. 제11항에 있어서, 상기 단계 (5)에서는,
    모든 트리(trees)의 확률 분포를 앙상블 평균하여, 상기 TOA 반사도와 WI에 대한 확률(probability)을 각각 결과 값으로 획득하는 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
  20. 제11항에 있어서, 상기 단계 (6)에서는,
    상기 임계값이 0.6인 것을 특징으로 하는, 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 방법.
PCT/KR2015/001400 2015-01-29 2015-02-12 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법 WO2016122042A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020150014208A KR101697183B1 (ko) 2015-01-29 2015-01-29 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
KR10-2015-0014208 2015-01-29

Publications (2)

Publication Number Publication Date
WO2016122042A1 true WO2016122042A1 (ko) 2016-08-04
WO2016122042A9 WO2016122042A9 (ko) 2016-10-13

Family

ID=56543640

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/001400 WO2016122042A1 (ko) 2015-01-29 2015-02-12 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법

Country Status (2)

Country Link
KR (1) KR101697183B1 (ko)
WO (1) WO2016122042A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110887798A (zh) * 2019-11-27 2020-03-17 中国科学院西安光学精密机械研究所 基于极端随机树的非线性全光谱水体浊度定量分析方法
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN111815664A (zh) * 2020-07-08 2020-10-23 云南电网有限责任公司电力科学研究院 一种火点检测方法和系统
CN115578644A (zh) * 2022-08-08 2023-01-06 江苏省水利科学研究院 基于多特征机器学习的平原水网水葫芦提取方法及装置
WO2023024463A1 (zh) * 2021-12-30 2023-03-02 南京大学 一种水体有机污染智能化溯源方法及系统

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527397A (zh) * 2017-08-24 2017-12-29 国网黑龙江省电力有限公司信息通信公司 移动式机房自动巡检系统及方法
KR101976959B1 (ko) * 2017-12-20 2019-05-09 세종대학교산학협력단 영상 기반의 홍수 탐지 방법
KR102079381B1 (ko) * 2018-02-07 2020-04-07 계명대학교 산학협력단 소프트 타겟 학습 방법을 적용하여 경량화된 랜덤 포레스트 분류 방법 및 이를 이용한 분류기
KR102039048B1 (ko) * 2018-04-03 2019-11-26 국방과학연구소 모의 위성 영상을 생성하는 장치 및 방법
KR102169041B1 (ko) * 2018-07-27 2020-10-23 박준혁 색상 라벨링을 이용한 영상 이미지의 물 포함 영역 상태 판별 장치 및 방법
KR102261870B1 (ko) * 2018-07-27 2021-06-07 진선영 영상 처리에 기초한 수위 산출 장치 및 방법
KR102127405B1 (ko) * 2018-11-28 2020-06-26 홍익대학교 산학협력단 인공위성 영상을 이용한 하천의 유량추정방법 및 장치
KR102183083B1 (ko) 2019-03-18 2020-11-25 동아대학교 산학협력단 구매 데이터에 기초한 양방향 추천 점수 산출 방법 및 장치
KR102526630B1 (ko) * 2019-05-07 2023-04-26 박해경 랜덤 포레스트 알고리즘에 기반하는 인공위성 이미지와 지형 데이터를 이용한 심한 가뭄 지역 예측 방법
KR102440457B1 (ko) * 2019-11-26 2022-09-05 한국항공우주연구원 지구 관측 영상 전송 우선순위 결정 방법 및 장치
KR102546096B1 (ko) * 2020-12-28 2023-06-22 (주) 지오씨엔아이 기계학습을 활용한 영상에서의 하천 객체 추출 시스템 및 그 방법
CN114022789A (zh) * 2022-01-10 2022-02-08 成都国星宇航科技有限公司 水体信息提取方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
US8774470B1 (en) * 2012-04-03 2014-07-08 Google Inc. Processing a satellite image of a region to determine a terrain boundary included therein

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100361218B1 (ko) * 2000-07-20 2002-11-18 한국과학기술원 정밀한 수치표고모형의 자동생성을 위한 지능적 보간법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
US8774470B1 (en) * 2012-04-03 2014-07-08 Google Inc. Processing a satellite image of a region to determine a terrain boundary included therein

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BAIG, MUHAMMAD HASAN ALI ET AL.: "Water Mapping Through Universal Pattern Decomposition Method and Tasseled Cap Transformation", GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS), 2014 IEEE INTERNATIONAL, 13 July 2014 (2014-07-13), Quebec City, QC, pages 4758 - 4760, Retrieved from the Internet <URL:http://ieeexplore.ieee.org/xpls/abs_all.jsp?amumber=6947557> *
LI, JUNLI ET AL.: "An Automated Scheme for Glacial Lake Dynamics Mapping using Landsat Imagery and Digital Elevation Models: a Case Study in the Himalayas", INTERNATIONAL JOURNAL OF REMOTE SENSING, vol. 33, no. 16, 20 August 2012 (2012-08-20), pages 5194 - 5213, Retrieved from the Internet <URL:http://www.tandfonline.com/doi/abs/10.1080/01431161.2012.657370> *
LI, WENBO ET AL.: "A Comparison of Land Surface Water Mapping Using the Normalized Difference Water Index from TM, ETM+ and ALI", REMOTE SENSING, vol. 5, no. 11, 28 October 2013 (2013-10-28), pages 5530 - 5549, Retrieved from the Internet <URL:http://www.mdpi.com/2072-4292/5/11/5530/htm> *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956101A (zh) * 2019-11-19 2020-04-03 广东省城乡规划设计研究院 一种基于随机森林算法的遥感影像黄河冰凌检测方法
CN110887798A (zh) * 2019-11-27 2020-03-17 中国科学院西安光学精密机械研究所 基于极端随机树的非线性全光谱水体浊度定量分析方法
CN111815664A (zh) * 2020-07-08 2020-10-23 云南电网有限责任公司电力科学研究院 一种火点检测方法和系统
CN111815664B (zh) * 2020-07-08 2023-10-17 云南电网有限责任公司电力科学研究院 一种火点检测方法和系统
WO2023024463A1 (zh) * 2021-12-30 2023-03-02 南京大学 一种水体有机污染智能化溯源方法及系统
US11965871B2 (en) 2021-12-30 2024-04-23 Nanjing University Method and system for intelligent source tracing of organic pollution of water body
CN115578644A (zh) * 2022-08-08 2023-01-06 江苏省水利科学研究院 基于多特征机器学习的平原水网水葫芦提取方法及装置
CN115578644B (zh) * 2022-08-08 2023-04-18 江苏省水利科学研究院 基于多特征机器学习的平原水网水葫芦提取方法及装置

Also Published As

Publication number Publication date
WO2016122042A9 (ko) 2016-10-13
KR20160093341A (ko) 2016-08-08
KR101697183B1 (ko) 2017-01-17

Similar Documents

Publication Publication Date Title
WO2016122042A9 (ko) 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
WO2020050498A1 (ko) 이미지 세그멘테이션을 이용한 주변 환경 감지 방법 및 장치
WO2021080158A1 (en) Image processing method, apparatus, electronic device and computer readable storage medium
WO2014025188A1 (ko) 풍력 밀도 예측 방법
WO2020101104A1 (ko) Ｃｃｔｖ 영상 기반의 실시간 자동 유량계측 시스템 및 방법
WO2020138745A1 (en) Image processing method, apparatus, electronic device and computer readable storage medium
WO2022154471A1 (en) Image processing method, image processing apparatus, electronic device and computer-readable storage medium
WO2016088960A1 (ko) 야간 환경에서의 운전자 보조 시스템을 위한 위험 보행자 검출 방법 및 시스템
CN107110754A (zh) 喷洒质量检测装置、系统、方法以及采样辅助装置
WO2016163609A2 (ko) Lpr 시스템에서 적응적 확률기반의 저조도 영상개선 및 스미어 복원처리 장치와 그 방법
WO2020106010A1 (ko) 이미지 분석 시스템 및 분석 방법
WO2021141338A1 (ko) 선박 및 항만 모니터링 장치 및 방법
WO2021141339A1 (ko) 해수면을 고려한 항만 및 선박 모니터링 방법 및 장치
WO2022139111A1 (ko) 초분광 데이터에 기반하는 해상객체 인식 방법 및 시스템
WO2022114731A1 (ko) 딥러닝 기반 비정상 행동을 탐지하여 인식하는 비정상 행동 탐지 시스템 및 탐지 방법
WO2022154457A1 (en) Action localization method, device, electronic equipment, and computer-readable storage medium
WO2018070844A1 (ko) 에지 모델링을 위한 에지 블러 설정 방법
WO2020116923A1 (ko) 영상 분석 장치 및 방법
WO2022124607A1 (en) Depth estimation method, device, electronic equipment and computer readable storage medium
WO2020091253A1 (ko) 전자 장치 및 전자 장치의 제어 방법
WO2021194018A1 (ko) 위성 영상 신호에 포함된 객체의 부피 정보를 계산하는 방법
WO2023101114A1 (ko) 이미지 내에 포함된 텍스트를 번역하고 편집하는 방법 및 이를 수행하는 장치
WO2020159223A1 (ko) 렌즈리스 초분광 영상 이미징 방법 및 그 장치
WO2021075799A1 (ko) 이미지 처리 장치 및 이미지 처리 방법
WO2022092451A1 (ko) 딥러닝을 이용한 실내 위치 측위 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15880223

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15880223

Country of ref document: EP

Kind code of ref document: A1