1) 기존의 물체경계 강화방법
물체의 경계가 갖는 위치적 특성은 서로 다른 물체간의 접점이라는 것이다. 서 로 다른 물체간이나 백그라운드에서 나타나는 이 경계를 쉽사리 추출하기 위하 여는 경계를 강화하는 방법이 필요하다. 이웃한 물체가 서로 다른 스펙트럼 특성 을 가지고 있다고 가정한다면, 예를 들어 한 물체는 밝은 색을 띄고 있으며 다른 한 물체는 어두운 색을 을 가지고 있다면, 서로 이웃한 물체의 경계는 인간의 두 뇌에 의하여는 쉽게 파악된다. 이 경계에서의 스펙트럼 상의 특징은 급작스러운 휘도 측정치의 변화일 것이며 이것이 경계를 쉽게 인식시켜주는 지표이다. 물체 의 내부에 대하여는 이와는 다른 현상이 예상될 것이다. 물체들이 대체로 같은 색으로 되어 있다고 가정할 경우, 이 물체의 경계를 벗어난다면 스펙트럼 상의 급작스러운 변화는 물체 안에서는 감지되지 않을 것이다. 즉 물체경계의 감지는 물체 내에서 나타나는 동질적인 스펙트럼 측정치와 백그라운드 혹은 이웃한 물 체와의 서로 다른 스펙트럼 측정치에 기초하고 있다. 경계의 감지는 인접한 지역
제 3 장∙물체식별을 위한 물체의 경계추출 31
간에 스펙트럼 측정치가 급작스럽게 변화하는 점들을 찾아내는 것이다.
방향적인 요소에 의한 영향을 배제하고, 보다 정확한 변화량을 계산하기 위한 여
25) Roberts R. J., 1965. Machine perception of three dimensional solids. In: Optical and electro-optical information processing (J. T. Tippett, D. A. Berkowitz, L. C. Clapp, C.
J. Koester, and A. Vanderburgh, Jr., editors), MIT Press, Cambridge, MA, pp. 159-197.
제 3 장∙물체식별을 위한 물체의 경계추출 33
fx = -DNi-1,j-1 - DNi,j-1 - DNi+1,j-1
이 연구에서는 지구좌표체계 상에서 측정된 휘도 정보를 대상으로 하여 3차원
데서 최대의 값을 선택한다면 전통적인 경사도를 구하는 방법에서보다 개선된
최소화시켜주기 위하여는 측정하고자하는 경계의 양편에 안정적인 휘도 측정치
<그림 3-1> 경계상의 일점에서 휘도 측정치 단면도
휘도 측정치를 안정적으로 취해 줄 수 있는 크기이어야 한다. 이 연구에서는 오 퍼레이터의 크기를 3X3으로 정하였다. 측정하고자 하는 픽셀을 중심으로 각각의 방향으로 1개의 픽셀이 중심 픽셀의 휘도 측정치 변화량을 계산하는데 사용되었 다. 픽셀의 사이즈를 감안한다면 인접한 두 물체 중 경계에서 각각 최소한 1미터 씩의 범위 내에 있는 지역이 각각의 물체의 휘도를 대표하여 포함이 되게 된다.
이것은 어느 정도 합리적인 것이 경계에서 이 정도의 깊이로 그 물체 안으로 들 어가게 되면 그 물체의 안정적인 휘도 특성을 확보할 수 있다고 보여진다. 또한 스케일과 물체의 관계에서 볼 때도, 좁은 도로의 폭을 3미터라 한다면 이 도로의 휘도 특성을 충분히 감지할 수 있는 오퍼레이터의 크기인 것이다. 이것보다 오퍼 레이터의 크기가 커지게 되면 도로의 경계를 찾는 오퍼레이터 안에 다른 물체의
휘도가 개입될 가능성이 커진다.
<그림 3-2> 경계상의 일점에서 휘도 측정치에 대한 1차 미분계수
<그림 3-3>은 오퍼레이터의 모양과 경계 모양의 감지 효과의 실험을 위하여 의도적으로 만들어진 이미지이다. 이 이미지에 대한 사각형 모양과 선형 모양의 오퍼레이터에 의한 경계 감지의 결과가 각각 <그림 3-3>의 소문자와 대문자로 표기돼있다. 결과를 비교하여 보면 확실하게 선형 모양의 오퍼레이터에 의한 결 과가 경계의 위치, 감지 효과, 단일 경계에 대한 단일 경계의 감지 등에 있어서 우수한 결과를 보였다. 따라서 언급된 바와 같이 1차원적인 모양을 감지하는데는 1차원적인 모양의 오퍼레이터가 훨씬 적합하다고 보여진다. 특히 코너의 부근에 서는 경계가 오퍼레이터의 크기에 따라 왜곡되는 정도가 다르게 나타나고 있다.
선형모양의 오퍼레이터에서는 크기에 상관없이 정확한 위치와 좋은 감지 결과를
보이고 있다.
<그림 3-3> 선형 및 사각형 오퍼레이터의 경계강화 측정치 비교
제 3 장∙물체식별을 위한 물체의 경계추출 41
실제 인천 항만지역의 데이터에 대하여 이 연구에서 제안한 경계 강화 방법을 적용하여 보았다. 그리고 3X3 정방형의 오퍼레이터에 기초를 둔 ERDAS Imagin e26)의 경계강화의 기능을 이용하여 동일한 데이터에 대하여 경계 강화 방법을 적용하여 보았다. 이 연구에서 경계를 추출하는데 이용된 그레이 레벨 이미지는 그린 밴드이다. 그린밴드가 선택된 이유는 블루밴드의 경우 파장이 짧은 관계로 산란으로 인하여 그림자의 휘도가 교란될 가능성이 있다. 레드밴드는 상대적으 로 많은 노이즈를 포함하고 있다. 따라서 이 밴드를 경계 감지에 이용할 경우 노 이즈에 의한 원하지 않는 경계들이 그린밴드를 이용할 경우보다 많이 감지될 것 이다. 그림 A는 이 연구에 의한 경계 강화 방법에 의한 결과이고 그림 B와 C는 ERDAS Imagine에 의해 제공되는 Prewitt와 Laplacian 오퍼레이터에 의한 방법이 다. 연구대상지역의 <그림 1-1> a)와 비교하여 볼 때 <그림 3-4> a)에서는 보도나 작은 구조물의 경계까지도 비교적 잘 감지되고 있다. 그러나 ERDAS Imagine에 서 제공된 기능에 의한 결과는 전체적으로 경계들이 질서있게 강화되어 있지 못 하고 교란되어 있다. 이러한 현상은 <그림 3-4> c)의 Laplacian 오퍼레이터에 의한 결과에서 특히 심하게 나타나고 있다.
26) 영상자료를 처리하는 소프트웨어로서 ERDAS사에서 제작한 것이다.
<그림 3-4> 선형 오퍼레이터를 이용한 경계강화
a) 선형 오퍼레이터에 의한 경계강화
제 3 장∙물체식별을 위한 물체의 경계추출 43
b) ERDAS Imagine의 Prewatt 오퍼레이터에 의한 경계강화
c) ERDAS Imagine의 Sobel 오퍼레이터에 의한 경계강화
제 3 장∙물체식별을 위한 물체의 경계추출 45
2. 리지 추출과정
로, 이와 같은 여건을 충족시키는 픽셀들을 ‘리지’로 정의할 수 있다. 이러한 픽셀
추가적인 과정으로 이를 보완하여야 한다. 이 연구에서는 일반적인 ‘리지’의 체크
<그림 3-5> 경계강화 데이터에 의한 리지 추출
a) 산업지역 (인천지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 49
b) 주거지역 (부산지역 일부)
c) 농촌지역 (평택지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 51
3. 선형화 과정
<그림 3-6> 추출된 리지의 선형화
a) 산업지역 (인천지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 53
b) 주거지역 (부산지역 일부)
c) 농촌지역 (평택지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 55
4. 브랜치 제거과정
<그림 3-7> 선형화된 리지 상의 브랜치 제거
a) 산업지역 (인천지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 57
b) 주거지역 (부산지역 일부)
c) 농촌지역 (평택지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 59
5. 이미지 세그멘트를 이용한 Region growing
27) Fjørtoft, R, A. Lopes, P. Marthon, and E. Cubero_Castan, 1998. 앞의 논문, 793-802면.
28) Elder, J. H., and S. W. Zucker, 1998. Local scale control for edge detection and blur estimation. IEEE Transaction on Pattern Analysis and Intelligence 20 (7): 699-716.
가 급작스럽게 이루어지는 것이 아니라 점진적으로 이루어 질 수도 있다. 이러한
린다. 이 가운데는 진성의 경계가 포함될 가능성도 다분히 있는 것이다. 진성의
29) Woodcock, C. E., and V. J. Harward, 1992. 앞의 논문, 3167-3187면.
2) 이미지 세그멘트의 Region growing 결과
<그림 3-8> 기존 및 선형 경계강화 오퍼레이터에 의한 경계추출
는 특성은 대형의 구조물들이 영상의 주된 물체들로서 비교적 개개의 물체가 동질적 인 휘도 특성을 잘 드러내고 있다. 따라서 아직 작은 필요없는 물체들, 즉 자동차, 선박, 그리고 야적물 등과 같은 원하지 않는 물체가 상당히 남아 있기는 하지만, 단 순히 threshold만을 적용한다 하더라도 물체의 형상에 어느 정도 근사한 물체의 경계 를 추출하여 낼 수 있었다. 그러나 <그림 3-9>의 b)에서 보는 바와 같이 부산의 경우
는 작은 구조물들이 복잡한 구성을 가지고 있어, 전체적인 건물과 도로 등의 윤곽은 드러나 있지만, 한 구조물이 많은 작은 조각들로 나누어져 있는 것이 관찰된다. 이 경우는 물체간의 관계가 좀더 분명하여 질 경우 물체의 식별이 용이하여 질 것으로 보여진다. 이를 위하여는 좀더 높은 해상도를 가진 영상이 필요할 것으로 판단된다.
<그림 3-9>의 c)는 평택의 농촌지역에 대한 분석의 결과이다. 숲이나 경지 등에서 발 견되는 내부적인 휘도의 기복으로 인하여 많은 이미지 조각들을 생산하고 있다. 그 러나 이들이 가지고 있는 휘도 특성이 인공물들과는 큰 차이를 보이므로 region growing과 같은 추가적인 이미지 처리를 통하여 비교적 정확한 물체의 식별이 가능 할 것으로 보인다.
제 3 장∙물체식별을 위한 물체의 경계추출 65
<그림 3-9> 경계강화 자료를 이용한 물체의 형체 추출
a) 산업지역 (인천지역 일부)
b) 주거지역 (부산지역 일부)
제 3 장∙물체식별을 위한 물체의 경계추출 67
c) 농촌지역 (평택지역 일부)
4
C H A P T E R
결론 및 정책건의
고해상의 디지털 영상자료 획득 기술이 급속도로 발전하고 있다. 이 데이터는 국토정보화 사업에 실시간에 가까운 지리정보를 제공할 수 있는 중요한 것이다.
이 데이터가 인간의 두뇌로는 쉽게 해석이 될 수 있으나, 분석의 방법이 아직 컴 퓨터를 이용하여 자동화된 물체의 식별을 가능케 하는 단계에까지는 이르지 못 하고 있다. 고해상도의 디지털 영상자료가 가지고 있는 잠재력을 현실화시키기 위하여는 이것에 대한 깊은 연구가 필요하다. 고해상의 디지털 영상자료로부터 물체를 식별하고 정확한 위치정보 등을 추출하여 낼 수 있다면, 그 결과는 국토 정보화와 더불어 지리정보시스템의 발전에 획기적인 전환점이 될 것이다.
이 데이터가 인간의 두뇌로는 쉽게 해석이 될 수 있으나, 분석의 방법이 아직 컴 퓨터를 이용하여 자동화된 물체의 식별을 가능케 하는 단계에까지는 이르지 못 하고 있다. 고해상도의 디지털 영상자료가 가지고 있는 잠재력을 현실화시키기 위하여는 이것에 대한 깊은 연구가 필요하다. 고해상의 디지털 영상자료로부터 물체를 식별하고 정확한 위치정보 등을 추출하여 낼 수 있다면, 그 결과는 국토 정보화와 더불어 지리정보시스템의 발전에 획기적인 전환점이 될 것이다.