고해상도 항공정사영상을 이용한 신설 도로 추출 방법에 관한 연구 Extracting Method The New Roads by Using High-resolution Aerial
Orthophotos
*
이경민*ㆍ고신영**ㆍ김경민***ㆍ조기성****
Lee, Kyeong MinㆍGo, Shin YoungㆍKim, Kyeong MinㆍCho, Gi Sung
要 旨
수치지형도는 항공영상 및 현장조사 자료를 바탕으로 전문가의 숙련된 과정을 통해 제작되며 수치지형도는 2년 주기로 수정 갱신한다. 이러한 수치지형도 제작에는 많은 시간이 소모되어 급변하는 지형정보의 신속한 수정 갱신 이 요구된다. 따라서 본 논문에서는 간결하고 신속한 수치지형도의 갱신 방법을 위해 촬영시기가 다른 동일 대상
지역의 고해상도 항공정사영상을 이용하여 RGB 컬러모델에서 HSI 컬러변환을 실시한다. 이에 얻어진 채도값을
기준으로 영역확장기법 및 모폴로지를 적용하여 도로영역의 객체 분류를 수행하였으며 대상지역의 지형변화 탐측
을 위해 CVA 기법을 적용하여 변화된 도로영역의 추출정확도를 비교 분석하여 제시하였다.
핵심용어 : 도로, 변화탐지, 고해상도 항공정사영상, CVA
Abstract
Digital maps are made by experts who digitize the data from aerial image and field survey. And the digital maps are updated every 2 years in National Geographic Information Institute. Conventional Digitizing methods take a lot of time and cost. And geographic information needs to be modified and updated appropriately as geographical features are changing rapidly. Therefore in this paper, we modify the digital map updates the road information for rapid high-resolution aerial orthophoto taken at different times were performed HSI color conversion. Road area of the cassification was performed the region growing methods. In addition, changes in the target area for analysis by applying the CVA technique to compare the changed road area by analyzing the accuracy of the proposed extraction.
Keywords : Road, Change Detection, High Resolution Aerial Orthophoto, CVA
1. 서 론
1.1 연구배경 및 목적
현대사회의 지속적인 발전으로 인한 변화된 지표정 보의 신속한 취득을 위해 원격탐사가 대두되었다. 초기 민간에게 보급된 원격탐사 데이터는 낮은 공간해상도 로 인해 현장조사에 따른 측정값에 비해 정확도가 떨어 져 참조데이터로서 사용이 어려워 농업과 환경 등 대단 위 지역의 경향 분석에 사용되어 왔다. 하지만 원격탐
사 기술의 지속적인 발달로 인해 1m급 이하의 공간해 상도를 가지는 데이터를 취득하게 되면서 토지피복 제 작과 지도제작 이외에도 고해상도 영상의 활용에 대한 연구가 진행되고 있다(Richards, 1994).
지도 제작에 있어 지표정보는 자연지물과 건물, 도로 등의 인공지물까지 모두 표현되어지며 이 중 사회기반 시 설인 도로는 도시계획 및 우리의 일상생활에 사용되는 내 비게이션에서도 중요한 정보 중 하나이다. 그러나 현재 도로정보 수정 갱신 기간은 최소 2년의 시간을 소요하고 Received: 2014.05.20, revised: 2014.08.29, accepted: 2014.09.12
* 정회원ㆍ전북대학교 토목공학과 석사(Member, Master, Department of Civil Engineering, Chonbuk National University, [email protected])
** 전북대학교 토목공학과 박사과정(Doctoral Student, Department of Civil Engineering, Chonbuk National University, [email protected])
*** 전북대학교 토목공학과 석사과정(Master Student, Department of Civil Engineering, Chonbuk National University, [email protected])
****교신저자ㆍ정회원ㆍ전북대학교 토목공학과 교수(Corresponding author, Member, Professor, Department of Civil Engineering, Chonbuk National University, [email protected])
3 Vol.22 No.3 September 2014 pp.3-10
연구논문
ISSN: 2287-6693(Online) http://dx.doi.org/10.7319/kogsis.2014.22.3.003
있으며 대부분의 경우 현장 측량을 통한 비효율적인 방법 을 적용하고 있다. 따라서 보다 효율적이고 신속한 정보 수정 갱신을 위한 방법에 대한 연구가 필요로 한다.
이에 기존 원격탐사 영상에서 도로영역을 신속히 추 출하기 위한 선행 연구는 각 화소값의 방향 유사도를 이용한 LWCF(lenght-width-contextual feature)를 제 안하여 도로를 추출하였으나 도로에 사용되어진 재료 에 따라 같은 도로라 할지라도 다른 분광특성으로 나타 나며 곡선도로의 경우 직선도로에 비해 추출하는데 어 려움이 있었다(Shackelford, 2003).
또한 도로가 가지는 균일한 명도값을 이용해 각 화소 명도값의 평균과 표준편차를 계산한 ATS(Angle Texture Signature) 방법을 제안하여 도로를 추출하였 다. 그러나 도로와 유사한 명도 값을 가지는 객체 또한 도로로 인식되는 문제점이 발생하였다.(Haverkamp, 2002). 이를 해결하기 위해 k-means의 군집화를 시킨 영상에 ATS 방법을 적용하여 도로를 추출하는 연구 도 진행되었다(Zhang, 2006).
그러나 위 도로영역을 추출하기 위한 연구의 결과들 은 단일 영상만을 이용하였으며 이러한 경우 변화된 영 역의 부분을 추출하기에 어려움이 따른다. 이에 동일 대상지역의 시계열적으로 촬영시기가 다른 두 영상을 이용하고 기존 인공위성보다 공간해상도가 높은 항공 정사영상을 이용해 변화된 도로영역을 추출할 수 있다 면 도로정보를 갱신하는데 있어 제작 기간 및 경제적인 비용을 낮추는데 효과적이라 판단되며 이를 위한 연구 가 필요하다.
Figure 1. The Flowchart of the study
따라서 본 논문에서는 Fig. 1에 나타낸 연구흐름도 와 같이 동일 대상지역의 촬영시기가 다른 고해상도 항 공정사영상을 HSI 컬러 변환을 통해 각 영상 도로영역 의 Tranning Data를 선정하고 S(Saturation)값으로부터 산출된 평균과 표준편차를 영역확장기법에 적용해 도 로영역을 추출하고 CVA를 통해 변화된 도로 영역을 감지하여 수치지도간의 변화된 영역과 수치적으로 비 교하였다. 이 비교된 결과로 실제 도로의 변화 영역에 대한 수치지도의 신속한 갱신 등에 적용 가능한 도로망 추출 방법을 검증하고자 한다.
2. 영상처리 이론
2.1 컬러모델 변환
컬러모델은 픽셀의 밝기만으로 표현하는 흑백영상보 다 많은 색상을 나타내기 위해 개발되어진 표현방법으로 서 일반적으로 컴퓨터 모니터에서 표현하기 위해 색의 삼원색을 이용한 RGB컬러모델, 프린터에서 사용되는 CMY(K) 컬러 모델과 색상, 명도, 채도로 색상을 표현하 는 HSI컬러모델이 있다. 일반적으로 취득되어지는 영상 의 컬러모델은 RGB 컬러 모델로 컴퓨터 화면에 재현하 기 위한 표현방법이므로 인간이 구분 가능한 모든 색은 표현이 불가능하다. 또한, R(Red), G(Green), B(Blue)의 각 요소에 색상과 명암정보가 섞여 같은 객체라도 촬영 조건에 따라 값이 달라진다는 단점이 있다. 하지만 HSI 컬러 모델의 경우 RGB컬러 모델을 이용해 색상(Hue), 채도(Saturation), 명도(Intensity)로 나타내어 RGB 모델 보다 많은 색을 표현할 수 있으며, 색상과 명도의 경우 독립적인 인자로서 서로에게 영향을 미치지 않고 조작이 가능하다는 장점이 있다(Jeon, 2005; Kangm, 2007).
(1)
(2)
(3)
본 연구에서는 영상에서 도로의 경우 아스팔트 또는 콘크리트로 시공되어 도로 재료의 균질성의 특징을 가 지고 있어 HSI 컬러모델 요소 중 채도에서 도로영역의 분광값의 유사성을 볼 수 있기 때문에 전처리 과정으로 서 기존 RGB 모델에서 HSI 모델로 식 (1)～(3)을 이 용하여 컬러모델 변환을 수행하였다.
Figure 2. The principle of Region Growing
2.2 객체 분류
영상에서 하나의 객체는 색상, 질감, 밝기값 등에서 다른 객체와는 화소값의 유사성을 가지며 이를 공간적 동질성(Spatial Homogeneity)이라 한다. 영역확장 기법 은 이러한 동질성을 이용해 기준점(Seed Point)으로부 터 주위 화소들을 비교를 통해 동일영역을 모두 찾을 때까지 반복 수행하는 기법이다(Pavlidis, 1990; Pitas et, 1993; Song, 2002).
본 연구에서는 영상에서 도로망을 추출하기 위해 촬 영시기가 다른 각 영상에서 도로영역의 Sampling을 통 해 도로의 대표값을 가지는 기준값( )과 동질성의 임 계값을 가지는 매개변수(σ)를 산출하여 영상에서 도로 망 추출을 수행하였다.
∪ : 기준값 (Seed Point)
: 기준값에 인접한 k개의 화소값 N: 기준값과 유사한 화소의 전체 개수
2.3 모폴로지(Morphology)
Minkowski의 집합 이론의 기반으로 만들어진 모폴 로지는 객체의 기하학적 형태를 처리 및 분석하는 기법 으로서 영상을 이용한 분석에서 전처리 또는 후처리로 서 많이 사용되는 방법이다. 모폴로지는 기본적으로 최 외곽선의 한 픽셀을 더하거나 빼는 기법인 확장 (Dilation), 침식(Erosion)이 있으며, 두 기법의 순서를 적절히 조절하여 열림(Opening), 닫힘(Closing)기법을 통해 잡음제거 및 객체의 경계, 형태 등 물체의 구조를 명확히 표현하는데 사용된다(Donnay et, 2001). 본 논 문에서는 영역확장을 이용한 도로 추출 시 차량 및 차
선분리대로 인해 도로영역으로 추출되지 않는 부분을 제거하기 위해 모폴로지를 적용해 제거하고 도로영역 만을 추출하고자 한다.
2.4 변화탐측 기법
CVA 기법은 원격탐사 데이터를 이용한 변화탐지 기 법 중 하나로서 픽셀간의 비교를 통해 변화를 추출하는 기법으로서 기존 단일밴드를 이용해 결과를 추출할 경 우 변화 유형을 알 수 없었지만 CVA의 경우 단일 밴 드뿐만 아니라 멀티 밴드의 자료를 모두 사용가능해 다 양한 밴드 조합에 따른 정보 활용도를 높일 수 있는 장 점을 가지고 있다(Kim, 2005; Ozyavuz, 2011).
일반적으로 2개의 밴드를 이용해 CVA 기법의 분석 방법은 동일 위치의 픽셀을 변화크기(Magnitude)와 방 향(Direction)을 산출하며 변화라고 말할 수 있는 임계 값을 설정해 임계값을 초과하는 것은 변화되었다고 나 타낼 수 있으며 변화한 방향을 통해서 픽셀의 변화 유 형을 분석할 수 있다. 따라서 본 논문에서는 영역확장 을 통해 추출된 도로망의 결과로부터 CVA 기법을 적 용시켜 변화크기를 구하여 특정 임계값 이상인 부분을 변화된 부분이라 판단하고 변화된 부부분만을 추출하 고자 한다.
(4)
(5) 여기서, M : 변화 크기
N : 영상의 밴드 개수 X : t1, t2영상의 밴드
3. 적용 및 고찰
3.1 대상지 선정
연구대상지역은 충청남도 천안시 동남구 신방동 일 대(좌상단 : 211016E, 465450N; 우하단 : 216016E, 460450N; TM<중부> GRS-80)영상으로 시계열적으로 변화된 도로망이 육안으로 뚜렷이 확인이 가능한 곳으 로 포함되어 있는 지역을 선정하였으며, 대상지역 면적 은 약 × 으로 설정하였다. 본 연구에서 이용 된 영상은 GSD 50㎝의 항공정사영상으로서 도로의 변 화탐측을 수행하기 위해 기준이 되는 2008년에 촬영된 참조영상(Fig. 3)과 2011년 촬영된 대조영상(Fig. 4)영 상을 이용하였다.
Figure 3. Reference Image(2008)
Figure 4. Change Image(2011)
3.2 자료 분석
3.2.1 도로영역 Training Data 선정
전처리 과정으로서 RGB 데이터를 HSI 형식의 데이 터로 변화하였을 때 도로는 연속성과 도로포장에 사용 되는 재료는 아스팔트와 시멘트로 영상에서 서로 다른 색상으로 나타나므로 색상을 통해 후에 진행될 영역확 장을 통한 연결이 단절되는 단점이 있다. 그러나 색상 과는 다르게 채도의 경우 균질한 재료로 만들어져 있는 도로에서 아스팔트 및 시멘트 영역에서 서로 유사한 값 을 나타내는 것을 볼 수 있다. 따라서 영역확장을 통한 도로 추출을 위해 각 영상에서 도로를 대표할 수 있는 값인 Seed Point( )와 동일 객체의 동질성의 한계를 나타내는 임계값(σ)을 각 도로영역에 대한 채도값의 Tranning 데이터를 통해 산출하였다. 아래 Fig. 5와 6 은 각각 참조영상과 변화영상에서 도로영역의 Tranning
Figure 5. Spectral value graph of Tranning data (Reference Image)
Figure 6. Spectral value graph of Tranning data (Change Image)
Total Pixel
Average ()
Threshold (σ) Reference
Image
15126
0.089 0.053
Change
Image 0.107 0.064
Table 1. Statistical values of The Training area
영역의 값을 그래프로 표시한 것이다. 또한 각 영상에 서 도로를 대표할 수 있는 값을 산출해 영역확장을 통 한 도로영역을 추출하기 위해 Tranning 영역으로 부터 산술적 계산을 통해 얻었다. Table 1은 영역확장기법을 수행하기 위해 필요한 각 영상의 Seed Point( )값과 임계값(σ)을 타나낸 것이다.
3.2.2 도로 추출
본 논문에서 도로영역 추출은 영역확장 기법 적용하 여 각 영상의 도로를 추출하기 위해 Tranning Data를 통해 얻어진 산출 값을 이용하였다. Fig. 7은 영역확장 기법의 수행과정을 나타내는 것으로서 Seed Point로부 터 주위의 모든 픽셀을 비교해 임계값이내의 값을 가지 는 픽셀은 Seed Point와 같은 객체라 인식하고 위치를
Figure 7. The process of Region Growing
Figure 8. The result of Road extraction(Reference Image)
Figure 9. The result of Road extraction(Contrast Image)
저장하는 과정을 반복수행하여 동일 객체를 추출하는 방법을 이용하였으며 MATLAB Ver. 2010의 코딩을
통해 수행하였다. 위 과정을 수행하여 다음 Fig. 8, Fig.
9는 각 영상에서 도로 영역만을 추출한 결과를 나타낸 것이다.
3.2.3 오류 영역 제거
영상에서 영역확장기법을 통해 추출한 도로의 경우 도로위의 차선이나 분리대의 경우 채도 값이 도로와는 상이하기 때문에 도로영역으로 추출되지 못하는 문제 가 발생하게 되어 Salt & Pepper를 흩뿌려 높은 것과 같은 영상으로 보이게 되며 도로가 단절되는 등 추후 정확도 분석에서 문제를 발생시키게 되므로 본 논문에 서는 이러한 부분을 오류점이라 판단하여 모폴로지 연 산의 닫힘(Closing)기법을 통해 제거하였다.
Fig. 10은 실제 영상으로부터 추출된 결과에서 차량 및 차선으로 인해 도로영역이 제대로 추출되지 않는 부 분을 모폴로지를 통해 제거하여 도로영역만을 나타낸 것이다.
3.2.4 변화된 도로망 추출
모폴로지 통해 오류부분이 제거된 도로망을 나타낸 두 영상으로부터 변화된 도로를 추출하기 위해 CVA 기법을 적용하였으며 그 결과로서 변화된 부분은 검정 색, 변화하지 않은 부분은 흰색으로 아래 Fig. 11와 같 이 결과를 나타내었다. 검정색으로 나타낸 변화 추출된 도로망을 확대해보면 새로이 생겨난 도로의 경우 일정 한 폭과 연속성을 가지는 결과를 얻을 수 있었다. 반면
<Case 1> <Case 2> <Case 3>
mI ga e
Be of re
Af et r
Figure 10. The process of remove error using morphology
Reference(㎡)
Classification(㎡)
No-change Change Producer’s
Accuracy
No-change 23656076 676097 97.22%
Change 276270 386558 58.32%
User’s Accuracy 98.84% 36.38%
Overall accuracy 96.19%
Kappa Coefficient 0.43
Table 2. The error matrix accuracy of Classification Figure 11. The result of change detection using CVA
변화되지 않은 부분에서 변화되었다고 결과를 나타내 는 부분을 분석해 보면 영상의 취득 시 서로 다른 촬영 조건으로 인한 그림자 영향과 도로 옆 가로수로 인한 불분명한 도로의 경계 추출, 도로 외각부분의 이물질로 인해 영역확장기법을 통한 도로영역 추출 시 정확한 도 로의 폭을 추출하기 어렵기 때문에 전체 영상에서 일정 한 형태를 나타내지 못하고 잡음처럼 나타내어졌다.
3.2.5 정확도 분석
변화 탐지된 도로영역의 결과의 평가는 일반적으로 영상을 이용한 정확도 평가를 위해 사용되는 면적 비교 방법을 채택하였다. 정확도 분석을 위해 사용되어진 기 준 자료는 변화된 도로영역을 추출하기 위해 사용된 영 상의 촬영시기와 동일한 연도에 제작되어진 수치지형 도를 ESRI 사의 ArcGIS 프로그램을 이용하여 각 시기 의 도로망 영역에 대한 벡터 자료를 추출한 후 각각의 선형 벡터 자료를 폴리곤 형태로 변환하였다. 변환된 폴리곤 자료를 영상자료의 공간해상도에 맞춰 레스터 자료로 전환하는 작업을 실시하여 이를 바탕으로 도로 망 영역의 면적 비교분석을 수행하였다. Fig. 12은
2008년과 2011년 사이에 수치지형도 상에 갱신된 도 로영역으로 정확도 분석을 위해 기준으로 사용된 데이 터며, Fig. 13는 본 연구에서 제안한 방법으로 영상으 로 부터 변화된 도로망을 추출한 결과이다. 두 데이터 를 통해 실제 참조 데이터와 변화 추출된 데이터가 서 로 일치하는 영역을 추출하고 본 논문에서 사용한 방법 에 의해 나타나는 수행오차(Commission error)와 누락 오차(Omission error)를 구해서 오차행렬(error matrix) 를 이용하여 분석을 수행하였다.
Table 2와 같이 기준자료와 영상에서 추출된 변화된 도로영역의 정확도 검증을 위해 오차행렬을 작성하였 고 위의 결과와 같이 분류 항목을 변화된 부분(Change) 과 변화되지 않은 부분(No-change)으로 설정할 때 전 체정확도(Overall accuracy)는 96.16% 라는 높은 수치 가 나왔다.
이 결과는 영상의 전체영역을 대상으로 적용한 것으 로서 영상에서 도로지역과 비도로지역을 구분하여 이 진분류를 통한 변화된 도로지역에 대한 분류정확도를 나타내고 있다.
Figure 12. reference data
Figure 13. The result of classification Figure 14. intersect area
Figure 15. Commission error Figure 16. Omission error
또한 기준자료와 영상에서 추출된 변화된 도로지역 의 제작자 정확도(Producer’s accuracy)값을 보았을 때 약 58.32%의 비교적 낮은 값을 나타내고 있다. 이와 같은 결과의 원인은 도로추출 과정에서 비도로를 도로 라 판단해 발생한 수행오차와 도로로 판단하지 못해 발 생하는 누락오차로 판단할 수 있다.
Fig. 15는 수행오차가 나타난 부분의 추출결과로서 실제 영상과 중첩해 확인해보면 도로와 밀접한 건물의 지붕의 S(Saturation)값이 도로와 유사하여 도로로 인 식하였으며, 아파트 단지의 주차장 등과 같은 경우 기 준 데이터로 사용한 수치지형도에서 도로 레이어로 분 류되어있지 않아 이와 같은 오류가 나타났다고 볼 수 있다. 그러나 주차장의 지면 분광값이 다른 대표적인 도로 분광값이 같기 때문에 추출결과는 성공적으로 이 루어졌다고 볼 수 있다.
누락오차의 경우 Fig. 16에서와 같이 주로 도로의 외
곽에서 나타났으며 이러한 원인은 도로외곽에 존재하 는 모래 및 기타 이물질로 인해 도로가 가지는 분광특 성 값에 영향을 미치게 되기 때문에 영역확장 적용 시 추출하지 못한 것으로 판단되며 정확도를 높이기 위해 수행오차와 누락오차를 줄일 수 있는 추가적인 연구가 필요하다고 사료된다.
4. 결 론
본 연구에서는 동일 대상지역의 촬영시기가 다른 고 해상도 항공정사영상을 영역확장기법과 CVA기법을 적용해 변화된 도로영역을 추출한 결과 다음과 같은 결 론을 얻을 수 있었다.
항공정사영상에서 변화된 도로영역을 추출하기 위해 각 영상에서 도로의 대표성을 가지는 S(Saturation)값 을 산출하였으며, 이 값을 영역확장기법에 적용하고
도로영역을 추출 하였다.
영역확장으로부터 추출된 도로영역 결과에서 도로 시설물 및 차량으로 인해 도로영역이 분절되는 현상이 나타났으나 모폴로지를 통해 제거함으로서 일정폭과 연속성을 가지는 도로영역 결과를 얻을 수 있었다.
위 결과로부터 CVA기법을 적용해 얻어진 변화된 부 분과 변화되지 않은 영역에 대한 전체 정확도 분석결과 96.16% 라는 높은 결과를 얻을 수 있었다. 그러나 변 화된 도로지역으로 선택된 영역 중 도로지역과 유사한 S값을 갖는 주차장 등과 같은 지역이 도로로 인식됨으 로서 수행오차와 누락오차가 발생함을 확인 하였다.
향후 객체 분류 및 오차들을 줄일 수 있는 추가적인 연구를 진행한다면 영상만을 이용해 도로의 변화된 정 보를 신속히 취득하고 수치지도의 빠른 갱신에 본 연구 결과가 효과적으로 활용될 수 있다고 사료된다.
감사의 글
이 논문은 2012년도 정부의 재원으로 한국연구재단 (NRF-2012R1A1A2038703)의 지원을 받아 수행하였 습니다.
References
1. Haverkamp, D., 2002, Extracting straight road structure in urban environments using IKONOS satellite imagery, Optical Engineering, vol. 41, no.9, pp. 2107-2110.
2. Jeon, Do Hongm 2005, Computer graphics theory, Jeong Ik Book.
3. Kaidi, S. Bernard, S. Lambert, P. Massip, A. Dessy, F. Donnay, I., 2001, Effect of conventional controlled-rate freezing and vitrification on morphology and metabolism of bovine blastocysts produced in vitro, Biology of Reproduction, Vol. 65, No. 4, pp. 1127-1134.
4. Kang, Won Ju, 2007, Detecting and removing of shadowing area of image using HSI color model, thesis, Chonbuk national university of Technology.
5. Kim, Hye Jin, 2004, Vegetation change detection using change vector analysis, The Korean Society for Geo-Spatial Information System, vol. 2004, no. 1, pp. 295-300.
6. Ozyavuz, M., Satir, O., Bilgili, B. C., 2011, A change vector analysis technique to monitor land-use/
land-cover in the Yildiz Mountains, Turkey, Fresenius Environmental Bulletin, Vol.20, No.5, pp. 1190-1199.
7. Pavlidis, T. Liow, Y. T., 1990, Integrating region growing and edge-detection, IEEE, Transactions on Pattern Analysis and Machine Intelligence, Vol.12, No.3, pp. 225-233.
8. Pitas, I. Venetsanopoulos, A. N., 1993, Knowledge- based image-analysis for geophysical interpretation, Journal of Intelligent & Robotic Systems, Vol. 7, No.
2, pp. 115-137.
9. Richards, John A., 1994, Remote sensing digital image analysis, An Introduction, Second, Revised and Enlarged Edition, pp.229-262, Springer-Verlag.
10. Shackelford, A. K. Davis, C. J., 2003, Fully automated road network extraction from high- resolution satellite multispectral imagery, Vapnik, proc. of IGRSS, vol. 1, pp. 461-463.
11. Song, Myung Sung, 2002, Perception natural images using region growing, Thesis, Chonbuk national University.
12. Zhang, Q. Couloigner, I., 2006, Automated road network extraction from high resolution multi-spectral imagery, proc. of ASPRS.
