항공 하이퍼스펙트럴 영상의 대기보정 효과 분석 및 토지피복 분류
Atmospheric Correction Effectiveness Analysis and Land Cover Classification Using Airborne Hyperspectral Imagery
이진덕*, 방건준*, 주영돈**
금오공과대학교 토목공학과*, 금오공과대학교 지형공간정보연구실**
Jin-Duk Lee([email protected])*, Kon-Joon Bhang([email protected])*, Young-Don Joo([email protected])**
요약
하이퍼스펙트럴 영상을 이용하여 토지피복 분류를 정확히 수행하기 위해서는 전처리 작업으로서 대기보 정을 거쳐야 한다. 항공 하이퍼스펙트럴 영상에 대하여 대기보정을 실시하고 대기보정 유·무에 따른 해수, 갯벌, 식생, 아스팔트, 콘크리트 등의 토지피복 항목별 분광반사율 특성을 비교하여 대기보정의 뚜렷한 효 과를 확인할 수 있었다. 대기보정 후의 영상에 대하여 최대우도법, 분광각맵퍼법 등의 화소기반 감독분류 기법으로 각각 토지피복 분류를 행하고 그 결과를 비교하였다. 분광각맵퍼법의 경우 임계각 0.4°에서 노이 즈를 최소화하면서 해수영역을 가장 양호하게 분류해 낼 수 있었다. 같은 개체라도 다양한 분광특성을 나 타내는 하이퍼스펙트럴 영상의 경우 연안지역에서는 종래의 화소기반 분류기법보다는 축척, 분광 정보, 형 태, 결 등을 종합적으로 고려하는 객체기반 분류기법이 더 우월할 것으로 사료된다.
■ 중심어 :∣하이퍼스펙트럴 영상∣토지피복 분류∣대기보정∣분광각맵퍼∣객체기반분류∣
Abstract
Atmospheric correction as a preprocessing work should be performed to conduct accurately landcover/landuse classification using hyperspectral imagery. Atmospheric correction on airborne hyperspectral images was conducted and then the effect of atmospheric correction by comparing spectral reflectance characteristics before and after atmospheric correction for a few landuse classes was analyzed. In addition, land cover classification was first conducted respectively by the maximum likelihood method and the spectral angle mapper method after atmospheric correction and then the results were compared. Applying the spectral angle mapper method, the sea water area were able to be classified with the minimum of noise at the threshold angle of 4 arc degree. It is considered that object-based classification method, which take into account of scale, spectral information, shape, texture and so forth comprehensively, is more advantageous than pixel-based classification methods in conducting landcover classification of the coastal area with hyperspectral images in which even the same object represents various spectral characteristics.
■ keyword :∣Hyperspectral Imagery∣Land Cover Classification∣Atmospheric Correction∣Spectral Angle Mapper∣Object-based Classification∣
* 본 연구는 한국연구재단 이공학개인기초연구지원사업 지원에 의해 수행되었음(과제번호: 2012R1A1A2006866).
접수일자 : 2016년 03월 18일 수정일자 : 2016년 06월 03일
심사완료일 : 2016년 06월 24일
교신저자 : 이진덕, e-mail : [email protected]
Ⅰ. 서 론
하이퍼스펙트럴 센서(hyperspectral sensor)는 영상 을 구성하는 각 화소에 해당하는 지표물의 연속적이고 완전한 분광정보를 취득하는 장비이다. 우리가 일반적 으로 접하는 디지털항공사진은 적색(red), 녹색(green), 청색(blue)에 해당하는 파장영역만을 취득하여 컬러영 상으로 가시화하지만, 하이퍼스펙트럴 센서 영상은 연 속적이고 좁은 파장역으로 수십에서 수백 개의 분광밴 드를 가지고 데이터를 취득한다. 지표면으로부터 반사 또는 방출되는 태양복사에너지를 감지하여 미세한 분 광특성을 분석하여 토지피복, 식생, 수질, 갯벌 특성 등 의 식별에 이용된다.
하이퍼스펙트럴 영상은 일반적으로 많은 수의 밴드 (통상 40개 이상), 좁은 밴드폭(0.01～0.02㎛), 그리고 연 속적인 분광 밴드를 가지고 있으며 분광해상도가 매우 높다. 초기에는 식생에서 잠복한 군인의 군복 구별 등 군사적인 목적이나 지질 판독 등으로 주로 사용되었다.
1970년대 초 NASA에서 최초의 영상분광계(imaging spectrometer)인 SIS(Scanning Imaging Spectroradiometer) 를 개발하였다. 1981년, 민간 항공기 탑재용 센서인 SMIRR(Shuttle Multispectral Infrared Radiometer)가 개발되었고 2000년 11월, 하이퍼스펙트럴 센서 탑재 위 성인 EO-1가 성공적으로 발사되었다.
하이퍼스펙트럴 영상은 대상물의 특성 판독을 위한 새로운 시대를 열었으며, 도시지역, 산림지역, 연안지역 등 상세한 공간정보를 필요로 하는 다양한 분야에서 활 용잠재성이 대단히 큰 것으로 인식되어 왔다. 원격탐사 문헌에 따르면, 많은 감독기법들이 다중스펙트럴과 하 이퍼스펙트럴 데이터 분류문제를 다루기 위해 개발되 어왔다. 다중스펙트럴 데이터 분류에 대한 성공적인 접 근법은 인공신경망의 이용을 기반으로 한다는 연구결 과가 있기도 하지만[1], 이러한 접근법들은 매우 많은 수의 스펙트럴 밴드를 다룰 때에는 효과적이지 못하다.
그 이유는 Hughes 현상에 고도로 민감하기 때문이다 [2]. 비교적 최근에 도입된 흥미 있고 효과적인 방법으 로 서포트 벡터 머신(support vector machines; SVMs) 과 kernel Fisher discriminant (KFD) 접근법을 들수 있
는데 이들은 하이퍼스펙트럴 데이터 분류를 위해 성공 적으로 사용되었다[3][4].
국내에서 박민호(2006)는 하이퍼스펙트럴 영상의 분 류에 있어 이론적으로 밴드수가 많아질수록 분류정확 도가 높아질 것이라는 다변량 통계분석기법 중의 하나 인 정준상관분석을 적용한 분류기업을 제안하였다[5].
최재완 등(2006)은 분광유사도 커널을 이용하여 하이퍼 스펙트럴 영상에 대하여 support vector machine(SVM) 기법에 의해 분류를 하였으며[6], 변영기 등(2007)은 분 광상호정보를 이용하여 하이퍼스펙트럴 영상에 대한 분류를 시도하였다[7]. 이 외에도 김대성 등(2004), 가칠 오 등(2004)이 여러 가지 분류기법에 따라 하이퍼스펙 트럴 영상을 분류하고 그 결과를 비교하였다[8][9]. 최 은영(2003)과 송지훈(2005)은 EO-1 Hyperion 등의 하 이퍼스펙트럴 위성영상자료를 이용하여 지질매체 분류 를 시도하기도 하였다[10][11].
하이퍼스펙트럴 영상과 LiDAR 데이터를 동시에 취 득할 수 있는 두 가지 다른 유형의 항공기 센서를 융합 한 시스템이 국내에도 도입되어 있으나 현재로서는 이 들 데이터 취득 비용이 고가이고, 아직은 국내 여건에 서 이와 같은 항공기 탑재 센서를 용이하게 이용할 수 없는 상황이다. 하이퍼스펙트럴 영상은 2013년 11월 발 사한 과학기술위성 3호(STSAT-3)에는 우주와 지구관 측 근적외선 카메라, 1∼3μm 대역의 적외선영역을 관 측할 수 있는 영상분광카메라가 탑재되어 일종의 하이 퍼스펙트럴 위성영상을 이용할 수 있어 국내에서 연안 해역의 공간정보 수집은 물론, 다양한 과학기술 연구가 촉진될 수 있을 것으로 사료된다.
해안선 변화 모니터링, 연안지역 토지이용 등과 같은 연안지역에 대한 GIS 데이터를 구축하고 업데이트하기 위해서는 높은 품질의 연안공간정보를 필요로 한다. 본 연구에서는 육역과 해역을 포함하는 연안지역을 대상 으로 하여 CASI-1500에 의해 취득된 항공 하이퍼스펙 트럴 영상을 이용하여 토지피복정보를 정확하게 추출 하는데 목적이 있다. 항공 하이퍼스펙트럴 센서 CASI-1500으로부터 취득된 하이퍼스펙트럴 영상에 대 하여 전처리 작업으로 대기보정을 수행하고, 주요 토지 피복 항목별 대기보정의 효과, 즉 대기보정 전․후의
분광반사율 특성을 비교분석하고자 하였다. 대기보정 영상에 대하여 각각 화소를 기반으로 하는 전통적인 분 류방법인 최대우도분류법(maximum likelihood classification), 그리고 연안지역에 대한 하이퍼스펙트럴 영상에 효과 적으로 사용될 수 있는 분광각맵퍼분류법(SAM;
spectral angle mapper classification) 등으로 토지피복 분류를 수행하고 분류 정확도를 비교하였다. 하지만 이 러한 분류 기법은 최근 영상의 고해상도로 향상됨에 따 라 같은 개체라 할지라도 다양한 분광특성을 나타내며, 공간적으로 다양한 형태를 보이고 있어 분석에 종종 어 려움이 있으므로. 이를 보완하기 위한 방법 중 하나로 서 객체기반 분류법으로도 토지피복 분류를 수행하고 그 결과를 비교하였다.
Ⅱ. 항공 하이퍼스펙트럴 영상의 대기보정
[그림 1]은 본 연구의 범위 및 방법에 의거한 연구 흐 름도를 나타낸 것이다.
그림 1. 연구흐름도
연구대상지역은 충남 태안군 만리포지역 일대(위도 36°2´8˝∼36°1´5˝, 경도 126°1´11˝∼126°2´11˝) 지역으로 도심지와 농경지, 산림, 연안지역이 고루 분포되어 있 다. 연구에 사용된 항공 하이퍼스펙트럴 센서는 캐나다 ITRES사의 CASI-1500 모델은 380nm∼1,050nm의 분 광해상도를 가지고 있으며, 최대 288개의 분광밴드를 취득할 수 있다. 푸쉬브룸 촬영방식으로서 횡방향의 고 정된 폭(swath)을 가지고 영상을 취득한다. 또한 신호 대 잡음비와 방사해상도가 우수하며, 분광해상도 및 공 간해상도를 유연하게 조절할 수 있는 장점이 있다. 사 용된 영상은 2012년 7월 30일 정오경 촬영고도 약 2km에 서 촬영된 방사해상도 14 bit, 공간해상도 1m×1m급 영 상이다. 영상은 행 1,462, 열 1,976 픽셀로 구성되어 있 으며 동시에 48개 밴드의 영상을 취득하였다.
대기에서는 반사, 산란, 흡수, 투과 등에 의한 전자파 의 상호작용이 존재하며, 이로 인해 센서와 관측 대상 물 사이에서 오가는 전자기파가 대기의 영향을 받아 왜 곡이 발생한다. 하이퍼스펙트럴 영상을 사용하여 토지 피복 분류 등을 정확히 수행하기 위해서는 전처리 작업 으로서 대기보정을 거쳐야 한다. 현재까지의 원격탐사 시스템에서는 지구의 대기, 지형 등 다양하고 복잡한 왜곡을 포함하여 지구에 대한 정보를 완벽하게 취득하 지 못한다. 지표면의 속성에 따른 반사, 방사 등의 특성 을 정확하게 취득하기 위해서는 왜곡된 정보를 보정하 여야 한다. 이러한 각종 왜곡을 제거하거나 보정하는 것을 대기보정이라 하며, 센서의 감도 특성인 렌즈의 차이 및 지상과 센서와의 차이 등에 의한 왜곡, 자료 취 득시의 태양의 고도로 인해 생기는 왜곡과 대기의 흡수 와 산란 등으로 생기는 왜곡 등이 보정되어야 하는 대 표적인 대기로 인한 왜곡이다. 영상자료의 처리와 분석 의 자료의 각 화소값에 의해 정확도가 크게 달라지므로 자료의 사용 목적에 맞는 보정방법을 선정하여야 한다.
영상 촬영시의 대기환경(태양천정각, 태양고도각, 지구 와 태양의 거리)을 고려한 대기모델을 사용하여 보정 작업을 수행한다.
본 연구에서는 ENVI 4.7 소프트웨어의 FLAASH 모 듈을 이용하여 대기보정을 행하였는데, 사용된 대기모 델은 Mid-Latitude Summer로서 대상지역의 8월 평균
기온인 약 26℃에 가장 근접하는 조건을 가진 모델이 다. [그림 3]과 같이 수증기 탐색 채널은 940mn로 영상 내에 포함된 수증기량을 탐색하도록 설정하였다.
그림 2. 연구대상지역
장 비 항 목 세부사양
분광범위 380nm∼1050nm 분광채널 36∼288band 분광해상도 2.4nm∼9.6nm 공간해상도 0.5m~2m
픽셀수 1,500
픽셀사이즈 20×20 micron 방사분해력 14bit(16384:1)
시야각 40°
표 1. 하이퍼스펙트럴센서(CASI-1500)의 사양
그림 3. FLAASH tool에 의한 대기보정
[그림 4]는 대기보정 전의 해수지역에서의 분광특성 곡선을 나타낸 것이다. 횡축은 파장대역을 나타내며 종 축은 빛의 반사율을 나타내고 있다. 그래프에서 파장대 역 약 940nm에서 빛의 반사율이 0에 가깝게 나타남을
알 수 있는데 이는 수증기 영역에서 빛의 흡수로 인한 분광특성의 연무(haze)가 발생한 것이다. 이러한 수증 기 영역에서의 연무현상을 보정해 주기 위해 대기보정 을 실시함에 있어서 수증기를 고려해 주는 파장대역을 940nm로 설정하여 대기보정을 실시하였다.
[그림 5]와 [그림 6]은 대기보정의 실시 유무에 따른 해수, 암석, 갯벌, 식생, 아스팔트, 콘크리트의 분광특성 등을 비교하여 도시한 것이다. 대기보정 전의 수증기 파장대역에서 빛의 흡수로 인한 왜곡이 대기보정을 수 행함으로써 사라졌음을 알 수 있다.
그림 4. 대기 미보정 해수의 분광특성 곡선
그림 5. 대기보정 전 분류항목별 분광특성곡선
그림 6. 대기보정 후 분류항목별 분광특성곡선
토지피복 항목별로 대기보정 전·후의 파장별 분광특 성이 명백히 차이를 나타내는 것으로 보아 대기보정을 통하여 연무가 제거된 영상을 이용하여 토지피복 분류 를 수행함으로써 더 높은 정확도를 이끌어 낼 수 있음 이 확인되었다.
Ⅲ. 토지피복 분류
본 연구에서 적용한 감독분류는 화소기반에 의한 분 류기법으로서 최대우도법, 분광각맵퍼법(SAM)으로 각 각 수행하였으며, 객체기반에 의한 분류기법으로 ENVI EX 소프트웨어의 특징추출(Feature Extraction) 모듈 을 이용하여 토지피복 분류를 행하였다.
1. 최대우도법에 의한 분류
최대우도분류법은 각 밴드별 클래스에 대한 훈련지 역의 화소가 기본적으로 정규분포의 형태를 따른다는 가정 하에서 통계적인 확률분포에 따라 분류를 수행하 는 알고리즘이다. 감독분류방법 중 가장 정확도가 높지 만 많은 훈련지역의 자료가 필요하고, 훈련 자료가 정 규분포를 따르지 않을 경우 적용하기 어렵다는 단점이 있다. [그림 7][그림 8]은 최대우도법의 대기보정에 따 른 분류결과를 나타내고 있다. 최대우도법의 경우 비교 적 정확도가 높은 기법으로 해수나 갯벌, 백사장 등의 넓은 분류영역에서 정확도 높은 분류가 이루어졌음을 알 수 있다. 또한 최단거리법의 결과보다 염전이나 아 스팔트, 콘크리트 도로 등의 오분류가 상당부분 사라졌 고 해수의 경계가 보다 뚜렷하게 나타났다. 최대우도법 의 분류는 대기보정의 유무에 따른 육안으로 파악되는 분류결과의 차이는 없었으며 정확도도 거의 유사한 값 을 나타냈다.
2. 분광각맵퍼법에 의한 분류
분광각맵퍼분류(SAM)는 대기보정된 픽셀을 이용하 여 이들과 참조 스펙트럼과 동일한 n차원에서 비교된 다. 여기서 참조 스펙트럼은 현장에서 혹은 실험실에서 측정하고 수집한 분광복사계에 의한 값이거나, endmember
그림 7. 대기 미보정 최대우도법에 의한 분류 결과
그림 8. 대기보정 후 최대우도법에 의한 분류 결과
값이 될 수 있다. 수치지도로부터 추출한 훈련자료를 참조스펙트럼으로 사용하였다. SAM은 n차원에서 훈 련데이터()와 하이퍼스펙트럴 영상 픽셀 측정벡터(t) 사이의 각도()를 비교하여 가장 작은 각도를 만들어 내는 훈련자료 클래스에 이 값을 할당한다. 단순히 2차 원으로 본다면, 미지의 물질 t가 물질 k의 스펙트럼보다 참조 스펙트럼 에 보다 더 유사한 스펙트럼을 가지고 있음을 보여준다. 즉, 과 t사이의 라디안 각도가 더 작 다는 것이다.
SAM 결과는 라디안 각도를 임계값으로 주어 분류된 이미지를 생성한다. 임계각이 낮으면 훈련자료와 매치
되는 픽셀이 적을 수 있지만 각이 작은 만큼 훈련자료 와 더욱 잘 일치한다고 볼 수 있다. 임계값이 높으면 공 간적으로 일관성 있는 이미지가 나타날 수 있지만 중첩 되는 픽셀은 낮은 임계값으로 했을 경우에 비해 훈련자 료와 잘 일치하지 않을 수도 있다.
[그림 9]는 영상에서 확인가능한 해수의 분광특성곡 선이다. 이처럼 하이퍼스펙트럴 영상의 무수한 밴드 특 성상 같은 물질이라 할지라도 분광 프로파일에 있어 약 간의 차이가 발생하게 된다. SAM 기법에서는 이러한 물질의 공간적 일관성을 함께 유지하는 가장 낮은 임계 각을 결정할 필요가 있다.
임계각 0.1°에 비해서 임계각을 높일수록 미분류 지 역이 탐지됨을 확인할 수 있다. 따라서 해수로 인식되 는 영역의 비율을 수렴하는 0.4°를 임계각으로 결정하 였다[그림 10].
그림 9. 유사지역 해수의 분광특성곡선
그림 10. 임계각에 따른 SAM 분류 영상
그림 12. 대기보정 후 SAM기법에 의한 분류결과 그림 11. 대기보정 전 SAM기법에 의한 분류 결과
[그림 11][그림 12]는 SAM 기법의 대기보정 유·무에 따른 분류결과를 나타낸 것이다. 대기 미보정 분류 결 과 갯벌 지역에서 상당부분 암석 영역으로 오분류가 발 생하였고 해수영역에서 해수의 경계가 불명확하게 분 류가 되었지만 대기보정 후 백사장 영역에서의 오분류 가 상당부분 사라졌고 해수의 경계 또한 비교적 명확하 게 분류된 결과를 얻을 수 있었다.
3. 객체기반 분류
전통적으로 영상으로부터 정보를 추출하기 위해서 주로 활용되어온 방법들은 영상의 각 화소들의 분광적
특성에 기인하여 분석을 수행하는 화소기반 분류기법 이 주류를 이루고 있다. 하지만 이러한 분류기법은 최 근 영상의 고해상도로 향상됨에 따라 같은 개체라 할지 라도 다양한 분광특성을 나타내며, 공간적으로 다양한 형태를 보이고 있어 분석에 어려움이 있다. 이를 보완 하기 위한 방법 중 하나로 제시된 기법이 객체기반 분 류법으로서 화소단위의 분광정보만을 이용하기보다는 축척(scale), 분광 정보(color), 형태(shape), 결(texture) 등을 종합적으로 고려하여 객체를 분할하고 분할된 객 체의 특성을 고려하여 정보를 추출하는 기법으로 객체 기반 분류법의 정확도는 객체의 분할 결과에 의해 달라 질 수 있다[12].
영상에 존재하는 모든 공간정보와 분광정보를 이용 하여 영상의 객체분할을 수행한 뒤 분할된 객체들을 이 용하여 화소기반 분류과 동일한 항목으로 토지피복 분 류를 수행하였다.
그림 13. Features Extraction 분류 임계값의 설정 과정
또한 분할된 객체가 넓은 영역인 해수, 갯벌, 해안가, 암석 등의 영역은 비교적 분류에 어려움이 없었지만 고 해상도 영상으로 인해 그림자 지역의 구분이 명확하지 않고 분할된 객체가 상대적으로 많은 주거지, 도로의 경우 항목의 분류에 어려움이 있었다.
[그림 14]는 객체 분할된 영상에서 토지피복 분류 항 목을 선택하는 과정을 보여주며, [그림 15]는 객체분할 방식으로 수행한 토지피복 분류영상이다.
그림 14. 객체 분할된 영상에서 토지피복 분류항목 선택
그림 15. 객체 기반 분류에 의한 분류 결과
객체기반 토지피복 분류에 있어서 비교적 객체의 영 역이 넓은 해수나 암석, 갯벌 지역에 있어서는 비교적 신뢰할 수 있는 분류결과를 얻을 수 있었지만 객체의 영역이 좁은 주거지나 도로영역에서 상대적으로 화소 기반 분류에 비해 어려움이 있었다.
4. 정확도 분석
본 연구에서 오차행렬에 의한 분류결과의 검증은 각 각의 분류 항목별로 선정된 인공위성 영상의 총 화소수 와 참고자료인 1:5000 수치지도와 영상지도에서 지표피 복유형을 대조·확인하여 이루어졌다. 이 때 오차행렬은 다음과 같은 세 가지 정확도로 나타낼 수 있다. 첫째, 오차행렬의 대각선에 해당하는 전체 검증자료인 화소 수를 총 화소수로 나눈 것이 전체정확도(overall
accuracy)이고, 둘째는 분류결과가 분석과의 관점에서 특정지역을 어떤 분류기법으로 얼마나 정확히 분류해 내는가 하는 관점에서 본 생산자 정확도(producer accuracy)이다. 셋째, 분류결과를 관심대상 지역에 생 성된 지표피복 분류영상이 과연 전체적으로 실제 지표 피복과 얼마나 일치하는가를 나타내는 것을 사용자 정 확도(user accuracy)라 한다. 즉, 검증자료 중 각 분류 항목의 대각선에 있는 화소값을 분류영상의 각 분류 항 목의 화소 수로 나눈 것을 말한다.
[표 2]와 [표 3]은 화소기반의 두가지 분류기법의 전 체정확도를 픽셀별로 나타낸 것이다. 최대우도법의 분 류결과의 전체정확도는 약 86%, SAM 분류결과의 전 체정확도는 약 80%로서 전통적으로 사용되었던 최대 우도법에서 약간 높게 나타났다.
Ground Truth (Pixels) Overall Accuracy = 86.23%
Kappa Coeffic = 0.8380 Class 해수 양식장 백사장
(wet) 식생 초지 밭 백사장
(dry)
해수 2442 6 0 0 0 0 0
양식장 0 300 0 0 0 0 0
백사장
(wet) 0 0 809 0 0 0 2
식생 0 0 0 1830 0 111 0
초지 0 0 0 413 376 50 0
밭 0 0 0 74 1 226 0
백사장
(dry) 2 0 0 5 0 0 503
콘크리트
도로 0 0 0 0 0 0 27
주거지
(지붕) 0 0 0 2 0 0 0
주거지
(콘크리트) 0 0 0 0 0 0 0
염전 0 4 0 1 0 0 0
갯벌
(간석지) 0 0 59 0 0 0 0
암석 0 1 2 0 0 0 8
나지 0 0 0 0 0 0 0
Total 2444 311 870 2325 377 387 540 표 2. 최대우도법 분류결과의 정확도
표 2. (계속)
Class
콘크 리트 도로
주거지 (지붕)
주거지 (콘크 리트)
염전 갯벌 (간석 지)
암석 나지 Total
해수 0 0 0 0 7 0 0 2455
양식장 0 0 0 0 0 0 0 300
백사장
(wet) 0 0 0 0 32 4 0 847
식생 0 0 0 0 0 0 0 1941
초지 1 0 0 0 0 0 130 970
밭 0 0 0 0 0 0 0 301
백사장
(dry) 65 1 30 21 1 5 15 648 콘크리트
도로 256 2 4 3 0 0 40 332
주거지
(지붕) 1 93 46 0 0 0 2 144
주거지
(콘크리트) 0 19 3 0 0 0 0 22
염전 0 0 0 129 1 2 78 215
갯벌(간석
지) 0 0 0 0 618 3 0 680
암석 0 0 0 0 0 435 0 446
나지 0 0 0 0 0 0 0 0
Total 323 115 83 153 659 449 265 9301
Ground Truth (Pixels) Overall Accuracy = 79.68%
Kappa Coeffic = 0.7612 Class 해수 양식장 백사장
(wet) 식생 초지 밭 백사장 (dry)
해수 2419 120 0 0 0 0 0
양식장 23 92 0 0 0 0 0
백사장
(wet) 0 29 799 0 0 0 7
식생 0 0 0 1693 2 73 0
초지 0 0 0 363 296 1 0
밭 0 0 0 262 79 313 0
백사장
(dry) 0 0 35 0 0 0 396
콘크리트
도로 0 0 1 0 0 0 21
주거지
(지붕) 0 0 0 0 0 0 0
주거지
(콘크리트) 0 0 0 0 0 0 0
염전 0 18 0 0 0 0 2
갯벌
(간석지) 2 0 34 0 0 0 110
암석 0 52 1 0 0 0 4
나지 0 0 0 2 0 0 0
Total 2444 311 870 2325 377 387 540 표 3. SAM 분류결과의 정확도
표 3. <계속>
Class 콘크리 트도로
주거 지 (지붕)
주거 지 (콘크 리트)
염전 갯벌 (간석 지)
암석 나지 Total
해수 0 0 0 0 0 0 0 2539
양식장 0 0 0 0 0 1 0 116
백사장
(wet) 0 0 1 4 85 34 1 960
식생 0 1 0 0 0 0 6 1775
초지 1 0 0 0 0 0 48 709
밭 0 0 0 0 0 0 0 654
백사장
(dry) 36 11 14 15 89 0 2 598 콘크리트
도로 237 2 8 6 0 8 7 290
주거지
(지붕) 0 44 0 0 0 0 0 44
주거지
(콘크리트) 0 54 3 0 0 0 0 57
염전 0 0 3 95 0 36 19 173
갯벌
(간석지) 1 0 48 0 485 0 0 680
암석 24 2 5 17 0 370 13 488
나지 24 1 0 16 0 0 169 212
Total 323 115 83 153 659 449 265 9301
Class
Prod.
Acc
User.
Acc
Prod Acc
User.
Acc
최대우도법 최대우도법 SAM SAM
해수 99.92 99.47 98.98 95.27 양식장 96.46 100 29.58 79.31 백사장
(wet) 92.99 95.51 91.84 83.23 식생 78.71 94.28 72.82 95.38 초지 99.73 38.76 78.51 41.75
밭 58.4 75.08 80.88 47.86
백사장
(dry) 93.15 77.62 73.33 66.22 콘크리트도로 79.26 77.11 73.37 81.72
주거지
(지붕) 80.87 64.58 38.26 100 주거지
(콘크리트) 3.61 13.64 3.61 5.26
염전 84.31 60 62.09 54.91
갯벌 93.78 90.88 73.6 71.32 암석 96.88 97.53 82.41 75.82 나지 9.67 24.87 63.77 79.72 표 4. 분류방법별 생산자 및 사용자 정확도
[표 4]는 화소 기반의 두가지 분류기법의 사용자 정 확도와 생산자 정확도를 나타낸 것이다. 정확도의 분포 를 보면 SAM기법에서 생산자 정확도가 3.61∼98.98%, 사용자 정확도가 5.26∼95.27%, 최대우도법에서 생산자 정확도가 3.4∼99.92%, 사용자 정확도가 3.8∼99.47%로 나타났다. 염전의 경우 특성상 젖은 모래, 마른 모래, 물, 소금 등이 고르게 분포하는 지역이므로 높은 정확 도로 분류하는데 한계가 발생했으며, 하이퍼스펙트럴 분광특성상 유사한 분광곡선을 가지고 있으므로 각 분 류기법별로 염전지역에서 나지, 갯벌, 백사장, 암석으로 의 오분류가 상당부분 발생하였다.
Ⅳ. 결 론
연안지역에 대한 항공 하이퍼스펙트럴 영상을 이용 하여 화소기반 분류기법과 객체기반 분류기법으로 토 지피복 분류를 행한 결과, 다음과 같은 결론을 얻을 수 있었다.
첫째, 하이퍼스펙트럴 영상에 대한 대기보정을 통하 여 분류항목별 분광특성곡선상 대기보정의 뚜렷한 효 과를 확인할 수 있었다.
둘째, 분광각매퍼법(SAM)의 경우 임계각 0.4°에서 노이즈를 최소화하면서 해수영역을 가장 양호하게 분 류해 낼 수 있었다.
셋째, 같은 개체라도 다양한 분광특성을 나타내는 하 이퍼스펙트럴 영상의 경우 종래의 화소기반 분류기법 에 비해 공간정보, 분광정보, 스케일 등을 종합적으로 고려하는 객체기반 분류기법이 더 우월한 결과를 보일 수 있을 것으로 사료된다.
넷째, 객체기반 분류에서는 해수, 갯벌 등 영역이 넓 은 객체의 경우 비교적 신뢰할 수 있는 결과를 얻을 수 있는 반면, 영역이 좁은 객체의 경우 상대적으로 화소 기반 분류에 비해 어려움이 있음을 확인할 수 있었다.
본 연구에서는 항공기에서 CASI-1500센서에 의해 취득된 40여개의 한정된 밴드 수의 하이퍼스펙트럴 영 상을 이용하여 토지피복정보를 추출하였으나 향후 수 백개 밴드의 하이퍼스펙트럴 영상으로부터 더 상세한
분류를 수행함은 물론, 특히 연안지역에서 정확한 해안 선 재질 분석 및 해안선 추출을 위한 목적으로 분류결 과를 활용할 수 있을 것이다.
참 고 문 헌
[1] S. Haykin, Neural Networks: A Comprehensive
Foundation, Englewood Cliffs, NJ: Prentice-Hall,
1999.[2] Gustavo Camps-Valls and Lorenzo Bruzzone,
"Kernel-Based Methods for Hyperspectral Image Classification," IEEE Transactions on Geoscience and Remote Sensing, Vol.43, No.6, 2005.
[3] G. Camps-Valls, L. Gomez-Chova, J. Calpe, E.
Soria, J. D. Martin, L. A. Alonso, and J. Moreno,
"Robust Support Vector Method for Hyperspectral Data Classification and Knowledge Discovery," IEEE Trans. Geosci.
Remote Sens., Vol.42, No.7, pp.1530-1542, Jul.
2004.
[4] F. Melgani and L. Bruzzone, "Classification of Hyperspectral Remote Sensing Images with Support Vector Machines," IEEE Trans. Geosci.
Remote Sens., Vol.42, No.8, pp.1778-1790, Aug, 2004.
[5] 박민호, “정준상관분류에 의한 하이퍼스펙트럴영 상 분류에서 유효밴드 선정 및 추출에 관한 연 구,” 대한토목학회논문집, 제29권, 제3-D호, pp.419-421, 2009.
[6] 최재완, 변영기, 김용일, 유기윤, "분광 유사도 커 널을 이용한 하이퍼스펙트럴 영상의 Support Vector Machine(SVM) 분류," 한국지형공간정보 학회지, 제14권, 제4호, pp.71-77, 2006.
[7] 변영기, 어영담, 유기윤, “분광 상호정보를 이용한 하이퍼스펙트럴 영상분류,” 한국지형공간정보학 회지, 제15권, 제3호, pp.33-39, 2007.
[8] 김대성, 김진곤, 변영기, 김용일, "무감독 SAM 기 법을 이용한 하이퍼스펙트럴 영상 분류," 한국측 량학회 2004년도 춘계학술발표회논문집, 2004.
[9] 가칠오, 김대성, 변영기, 김용일, "하이퍼스펙트럴 영상의 분류 기법 비교," 한국측량학회 2004년도 추계학술발표회 논문집, 2004.
[10] 최은영, Hyperspectral 위성 영상을 이용한 지질 매체 분류, 전남대학교, 석사학위논문, 2003.
[11] 송지훈, EO-1 Hyperion 영상 자료를 이용한 지 질매체 분류에 관한 연구, 전남대학교, 석사학위 논문, 2005.
[12] 이현직, 유영걸, 유지호, “객체기반분류법을 이용 한 토지피복정보의 정확도 향상 방안,” 2010 한국 지형공간정보학회 추계학술대회 논문집, pp.11-12, 2010.
[13] 박래정, "하이퍼스펙트럴 데이터 분류에서의 평 탄도 LDA 규칙화 기법의 실험적 분석," 한국지 능시스템학회 논문지, 제20권, 제4호, pp.534-540, 2010.
[14] 이진덕, 방건준, 주영돈, 한승희, “하이퍼스펙트 럴 영상으로부터 객체기반 영상분류방법에 의한 토지피복도 및 수애선 추출,” 한국콘텐츠학회 2014년도 추계종합학술대회 논문집, 2014.
[15] 이진덕, 방건준, 주영돈, 한승희, Comparison of Land Cover Classification Methods in Hyperspectral Remote Sensing, ICCC 2014, pp.77-78, 2014.
[16] S. H. Shin, G. H. Koh, D. S. Kim, and M. W.
Pyeon, “Band Aggregation of Hyperspectral Images to Detect Vegetation Information for U-City,” ICCC 2011, pp.393-394, 2011.
저 자 소 개
이 진 덕(Jin-Duk Lee) 종신회원
▪1983년 2월 : 충남대학교 농공학 과(학사)
▪1986년 2월 : 충남대학교 토목공 학과(공학석사)
▪1992년 8월 : 충남대학교 토목공 학과(공학박사)
▪1990년 4월 ～ 현재 : 금오공과대학교 토목공학과 교수 <관심분야> : 사진측량, 원격탐사, GIS, 디지털매핑 등
방 건 준(Kon-Joon Bhang) 정회원
▪1998년 2월 : 국민대학교 토목환 경공학과(공학사)
▪2003년 3월 : 오하이오주립대학교 토목환경측지공학과(공학석사)
▪2008년 8월 : 오하이오주립대학 교 환경학협동과정(박사)
▪2011년 3월 ～ 현재 : 금오공과대학교 토목공학과 부 교수
<관심분야> : 원격탐사, 지리정보시스템(GIS)
주 영 돈(Young-Don Joo) 정회원
▪2012년 2월 : 금오공과대학교 토 목환경공학부(공학사)
▪2014년 2월 : 금오공과대학교 토 목공학과(공학석사)
▪현재 : 금오공과대학교 지형공간 정보연구실
<관심분야> : 원격탐사, 디지털매핑
