○ 정확도 검증은 정사보정의 결과가 영상전반에 걸쳐 어느 정도의 정확성을 갖고 있는지 확인하는 작업임.
- 정확도 검증은 영상의 위치값과 실제 벡터의 값이 평균적으로 얼마나 떨어 졌는가를 확인하는 것으로 상대위치오차(RMSE)라고 하며, 허용범위는 5 이내로 기준을 정하였음.
RMSE = ( x1- x2)2+ ( y 1- y2)2
- 본 연구에서는 정확도 검증방법으로 육안판독과 프로그램에서 제공하는 RMSE 결과를 이용하였음.
- 육안판독은 보정된 영상과 보정시 참조자료로 사용한 벡터파일을 중첩하 여 동일한 지점에 대한 위치 값의 차이를 수치적으로 환산하는 방법임.
그림 3-11. 육안판독을 통한 정확도 검증
○ 육안판독의 경우, 영상별로 랜덤하게 9개의 검수점을 지정하여 RMSE를 계산
○ 대상지역 내 동일한 촬영일자의 영상은 총 4개 패스이며, 이 가운데 모자익이 가능한 영상은 3개 패스임.
- MSC_070610015347_04627_10761276과 MSC_070610015347_04627_10761277의 경우, 촬영일자는 동일하나 생성일자가 달라 모자익에서 제외하였음.
그림 3-12. 영상의 모자익
4.3.2 영상의 Rescale
○ 모자익 과정을 통해 생성된 영상은 용량이 배로 늘어나게 되어 처리시 많은 시간이 소요되므로 기존 영상의 방사해상도5를 16bit에서 8bit로 변환함.
- 16bit 영상과 8bit로 변환한 영상은 육안으로 볼 때 큰 차이가 없으며, 분류 시 사용자에 의한 감독분류로 샘플 또는 훈련지역을 선정하게 되므로 실질 적으로 16bit와 8bit 영상에는 큰 차이가 없음.
- 모자익을 수행하지 않은 MSC_070610015347_04627_10761276과 MSC_0706 10015347_04627_10761277 영상에 대해서도 Rescale을 적용함.
5 방사해상도(Radiometric Resolution)란, 식별이 가능한 신호레벨의 수를 의미하는 개념 으로 위성영상 데이터의 비트수를 의미함. 커질수록 다양하고, 세분화된 색상을 나타 냄. KOMPSAT-2의 경우, 16bit의 방사해상도로 0~65535의 값을 가짐
○ Erdas Imagine 프로그램의 Rescale 기능을 이용하여 8bit 영상으로 변환하였 으며, 8bit로 Rescale한 후 영상의 용량이 절반으로 줄어들었음을 확인할 수 있음.
그림 3-13. 16bit영상과 8bit영상 비교
그림 3-14. 영상의 Rescale 전후 용량 비교
4.3.3 영상의 분할
○ 모자익된 영상을 8bit로 Rescale하여 용량을 절반으로 줄였으나, 분류 시 여전히 많은 시간이 소요되며, 메모리 부족 등의 오류로 인해 진행이 어려움.
○ 따라서 모자익된 영상을 재분할하여 Scene 단위로 분류작업을 수행함.
- 모자익된 영상을 다시 분할하기 때문에 영상분류 시 객체추출 과정에서 분할한 영상 간에 동일한 객체를 생성할 수 있음.
- 단, 인접지역 부분은 Cut line에 의해 객체가 일부 다를 수 있으므로 모자 익 된 영상에 2000 픽셀정도 중첩지역을 두어 분할하였음.
- 모자익을 수행하지 않은 MSC_070610015347_04627_10761276과 MSC_07 0610015347_04627_10761277 영상의 경우는 분할과정 없이 Scene 그대로 분류함.
○ Erdas Imagine 프로그램의 Subset 기능을 이용하여 영상을 분할함.
그림 3-15. 모자익 영상의 분할
5. 위성영상분류
○ 영상분류는 크게 객체의 분할(Segmentation), 객체기반분류(Object based Classification), 정확도 검수 부분으로 나뉘며, 세부내용은 아래 그림과 같음.
그림 3-16. 영상의 분류수행과정
5.1 객체분할(Segmentation)
h shape= w cmpt·h cmpt+ (1- w cmpt)·h smooth
h shape: 형태의 기준, w cmpt: 사용자가 정의한 Compactness의 가중치, h cmpt: Compactness의 기준, hsmooth: Smoothness의 기준
그림 3-17. 다해상도 분할(Multiresolution Segmentation)을 이용한 객체분할
○ 본 연구에서는 관심항목인 논에 대해 최적의 객체를 생성하고자 대상영상에 다양한 파라메터 값을 지정하여 테스트하였음.
5.1.1 Scale Test
○ Scale은 어떤 현상이 묘사될 수 있는 추상적인 레벨이나 크기를 나타내는 것 으로 영상이 나타내고 있는 실세계의 범위에 따라 달라질 수 있음.
- 예를 들어 하나의 시나 도 범위의 영상에서는 산, 바다, 도시, 농촌 등의 범위로 구분될 수 있으나, 도시지역이 촬영된 고해상도 영상에서는 건물, 도로 등의 범위로 구분될 수 있음.
- 즉, Scale은 실세계 객체에 대한 범위 등으로 설명될 수 있으며, 객체 클 래스의 존재여부를 결정함.
- 같은 타입의 대상일지라도 Scale 값이 변할 때마다 객체의 크기가 다르
게 나타나므로 추출하고자 하는 객체에 맞는 Scale 값을 지정하는 것이 중 요함.
○ 따라서 본 연구에서는 논의 필지구분에 있어서 최적의 객체를 생성할 수 있는 Scale을 지정하기 위해 여러 값을 대입하여 테스트하였음.
- 처리시간을 줄이기 위해 1개 Scene을 1/4로 잘라내어 테스트하였음.
○ Scale을 500, 300, 100, 50, 30, 10으로 구분하여 테스트한 결과, 50, 30에서 논의 필지모양을 비교적 잘 구분한 것으로 보여짐.
- 500, 300, 100은 필지구분이 너무 크고, 10은 너무 세분화되어 적합하지 않은 것으로 판단됨.
○ 논의 필지를 구분함에 있어서 좀 더 명확한 객체를 추출하기 위해서 Scale 50과 30의 중간 값으로 2차 테스트 함.
○ Scale 45, 40, 35로 2차 테스트한 결과, 거의 유사한 결과를 보이나 부분적으 로 Scale 40이 가장 논의 필지를 잘 구분한 것으로 보여짐.
○ 논 이외의 항목에 있어서도 Scale 40의 경우가 가장 적절하게 객체를 구분한 것으로 보여짐.
Scale 500 Scale 300 Scale 100
Scale 50 Scale 30 Scale 10
그림 3-18. 1차 Scale Test
Scale 45 Scale 40 Scale 35 그림 3-19. 2차 Scale Test
5.1.2 Shape & Compactness Test
○ 다해상도 분할(Multiresolution segmentation)시 Scale 값 외에 파라메터로 값을 지정해야 하는 항목은 Shape과 Compactness 기준임.
○ 객체간 이질성에 대한 기준은 Shape(Color)과 Compactness(Smoothness)의 기준이 혼합된 형태로 적용됨.
- 이질성 기준은 Shape과 Color의 기준으로 구분되어 있으며, Shape은 다시 Compactness와 Smoothness의 기준으로 구분됨.
○ Shape은 Color와 상대적인 의미로서 영상 내 객체의 동질적인 Shape 특성이 객체추출의 질을 향상시킬 수 있음.
- Color는 의미 있는 객체들을 생성하는 기준으로서 필요한 만큼의 높은 Shape 기준을 유지하면서 Color 기준을 가능한 한 많이 사용하는 것이 최적의 객체를 생성하는데 유리함.
○ Shape의 기준은 Compactness와 Smoothness의 기준으로 구성됨.
- Smoothness 기준은 완만한 경계와 관련하여 이미지 객체들을 최적화하 는데 사용되며, 레이더와 같이 매우 이질적인 데이터에 대해 객체들이 무딘 경계들을 갖지 못하도록 할 때 사용됨.
- Compactness 기준은 Smoothness와 상대적인 의미로 이미지 객체들을 최적 화하는데 사용되며, noncompact 객체들에서 상대적으로 약한 대비로 분리 되는 다양한 이미지 객체들을 추출할 때 사용되어짐.
○ Shape은 0.1, 0.2, 0.3으로, Compactness는 0.1, 0.5, 0.9로 지정하여 각각 객체를 분할 한 후 결과를 비교하였음.
○ Shape의 테스트 결과, 0.2일 때 논의 필지모양을 가장 잘 따르면서 구분이 명확하게 나오는 것으로 보여짐.
○ Compactness의 경우, 결과가 거의 유사하게 나타남에 따라 defalut값인 0.5로 지정하도록 함.
Shape 0.1 Shape 0.2 Shape 0.3 그림 3-20. Shape Test
5.1.3 Scene Test
○ 파라메터 값을 테스트한 영상은 1/4로 Subset한(잘라낸) 영상임에 따라 1개 Scene을 대상으로 했을 때, Scale 값에 차이가 발생할 수 있다고 판단되어 기존에 설정한 다른 파라메터에 Scale 값만 다시 지정하여 테스트하였음.
- 동일조건: Shape 0.2, Compactness 0.5
방사해상도 8bit, Standard Deviation 스트래칭 적용
Scale 50 Scale 40 Scale 30 그림 3-21. Scene Test
○ Scene 테스트 결과, Scale 40이 Subset하여 테스트한 결과와 마찬가지로 객체를 가장 적절하게 분할한 것으로 판단됨.
- Scale 50은 논의 필지 구분이 덜된 것으로 보여짐.
- Scale 30은 논의 경우, 40에 비해 구분이 많이 되어 부분적으로 필지모양이 덜 명확하고 산림이나 그 외 사물의 경우, 지나치게 세부 구분되는 경향이 있는 것으로 보여짐.
○ 최종적으로 테스트한 결과 값을 9개 대상영상에 적용하여 객체를 분할함.
파라메터 결과 값 기타사항 결과 값
Scale 40 방사해상도 8bit
Shape 0.2
Stretching Standard Deviation
Compactness 0.5
표 3-6. 객체분할 파라메터 테스트 결과 값
○ 총 9개 영상에 동일한 파라메터를 적용하여 객체를 분할하였으나, 이후 분류 과정에서 연무현상이 있는 2개 영상의 항목별 구분이 어려워 분류작업에 어 려움이 따랐음.
○ 따라서 연무현상이 있는 2개 영상에 대해 Standard Deviation 을 이용하여 스트래 칭 하였음.
- 스트래칭이 적용된 영상: MSC_081126015157_12442_10771275 MSC_081126015157_12442_10771276
○ 스트래칭이 적용된 영상은 원본의 분광 값이 바뀌게 되어 Scale 40을 적용했 을 때, 다른 영상들에 비해 객체를 세분화하는 경향을 나타내었으며, 따라서 테스트를 거쳐 다른 영상의 객체와 유사한 형태를 띠는 스케일을 적용하였 음(Scale 80으로 적용).
그림 3-22. 스트래칭한 영상의 Scale 구분
5.2 객체기반분류(Object Based Classification)
그림 3-23. 분류 클래스 지정(10개 항목)
그림 3-24. 훈련지역(TTA) 선정 및 1차 분류결과 예시
○ 영상에서 클래스별로 대표적인 훈련지역(TTA)을 선정한 후 1차 분류결과를 확인해보면, 논이 밭으로, 산이 과수원으로, 시가화지역이 비닐하우스로 분류 되는 등 오분류 된 부분이 생기는데, 이는 각 클래스별 특성에 대한 정의가 확실히 구분되지 않았기 때문임.
○ 또한 영상 내 유사한 분광 값을 갖고 있는 항목들이 많은 경우, 오분류가 다 량 발생할 수 있음.
밭 과수 산림
밭(인삼밭) 수계 (검정)비닐하우스
밭 나지 논
시가화지역(주차장) 나지 습지
그림 3-25. 영상 내 유사 분광값을 가진 항목
○ 이러한 오분류 결과는 사용자가 올바른 훈련지역을 추가로 지정함으로써 모 호했던 클래스별 정의가 확실해짐에 따라 원하는 분류결과를 얻을 수 있음.
○ 따라서 1차 분류결과를 확인한 후 오분류된 지점에 대해 훈련지역(TTA)을 추가로 지정하였으며, 적정한 결과가 나올 때까지 분류결과 검수 및 훈련지역 (TTA) 추가지정을 반복하였음.
- 지나친 훈련지역(TTA)의 선정은 오히려 분류결과의 질을 떨어뜨릴 수 있으며, 분류의 의미가 퇴색될 수 있음.
그림 3-26. 1차 분류 후 훈련지역(TTA) 추가지정 및 2차 분류결과 예시
○ 영상의 분류가 완료되면, 영상전반에 걸쳐 분류정확도가 어느 정도인지 확인 하는 정확도 검증이 필요함.
- 본 정확도 검증은 대상지 전체의 분류결과에 대한 정확도가 아닌 영상 Scene별 분류정확도 검증이며, 프로그램에서 제공하는 샘플기반 에러매
- 본 정확도 검증은 대상지 전체의 분류결과에 대한 정확도가 아닌 영상 Scene별 분류정확도 검증이며, 프로그램에서 제공하는 샘플기반 에러매