고해상 영상자료의 자동 물체인식을 위한 경계추출에 관한 연구
Edge Extraction for Automatic Feature Identification in High Spatial Resolution Remotely Sensed Images
Ⓒ 2000, 국토연구원
국토연 2000-56
고해상 영상자료의 자동물체인식을 위한 경계추출에 관한 연구 Edge Extraction for Automatic Feature Identification in High
Spatial Resolution Remotely Sensed Images
• 이종열
연 구 진
연구책임·이종열 연구위원
국토연 2000-56 · 고해상 영상자료의 자동물체인식을 위한 경계추출에 관한 연구
글쓴이·이종열 / 발행자·이정식 / 발행처·국토연구원
출판등록·제2-22호 / 인쇄·2000년 12월 31일 / 발행·2000년 12월 31일 주소·경기도 안양시 동안구 관양동 1591-6 (431-712)
전화·031-380-0429(출판팀) 031-380-0114(대표) / 팩스·031-380-0474 값·7,000원 / ISBN·89-8182-068-6
http://www.krihs.re.kr
Ⓒ2000, 국토연구원
＊이 연구보고서의 내용은 국토연구원의 자체 연구물로서 정부의 정책이나 견해와는 상관없습니다.
서 문
21세기는 모두가 예측하고 있는 바와 같이 정보의 시대가 될 것이다. 정보가 기업은 물론이고 국가의 경쟁력을 결정하는데 중요한 요인이 될 것으로 전망되 고 있다. 이러한 점들은 20세기 후반에 이미 인지되어, 세계 각국이 정보 인프라 의 구축을 위하여 경쟁적으로 많은 투자를 하고 있다. 이에는 물리적인 시설도 포함되지만, 각종 정보의 데이터베이스도 매우 중요한 대상이 되고 있다.
그 정보 가운데 많은 것들이 공간정보와 관련되어 있다. 공간정보가 제대로 활 용된다면 정보시스템의 상당부분이 크게 변모될 것이다. 공간정보 중에서 앞으 로 중요한 역할을 담당할 것으로 기대되고 있는 것이 디지털 공간영상정보이다.
주로 인공위성이나 항공기를 통하여 획득되는 디지털 공간영상정보는 앞으로 공 간정보를 주도하여 나갈 것임에 틀림없다. 이 방법으로 국지적인 정보는 물론이 고 전 지구에 대한 정보가 불과 2-3주안에 수집된다.
지금의 리모트 센싱 기술 수준은 해상도 1미터의 지표탐사영상을 680킬로미터 상공의 인공위성으로부터 획득하고 있으며, 이것이 이미 상업화되어 일반에 제 공되고 있는 상태이다. 이러한 능력의 인공위성들이 앞으로 더욱 늘어날 것으로 예상되고 있다. 그러나 지금의 디지털 공간영상정보 처리기술로는 이 고해상도 의 자료들이 가지고 있는 정보를 자동적으로 추출해 내지 못하고 있어, 그 정보 가 가지고 있는 잠재력이 충분히 활용되지 못하고 있는 실정이다.
이 연구는 이러한 문제의식에서 고해상의 디지털 공간영상정보 자동처리의 한
ⅰ
단계가 될 연구를 수행하였다. 인간의 비쥬얼 시스템으로 식별이 가능한 영상 속 의 물체를 자동적으로 인식하기 위하여는, 물체의 구분이 절대적으로 필요하다.
이 연구에서는 물체 인식의 한 과정으로서 인간이 인지할 수 있는 물체의 경계를 컴퓨터를 이용하여 자동적으로 추출할 수 있는 방법을 개발하였다. 특히 기존의 물체의 경계추출과 관련된 방법들을 여러 가지 측면에서 개선하고 진일보시켰 다.
이 연구의 결과는 디지털 고해상 영상자료 속의 물체인식을 위한 여러 연구에 서 활용될 수 있을 것이다. 공간영상자료에서 직접 물체를 인식하고 인식된 물체 를 바탕으로 분석할 수 있다면, 디지털 고해상 영상자료의 활용을 백드롭 이미 지나 화소단위를 기준으로 한 전통적인 이미지 분석 방법의 결과에 의존하던 기 존의 수준에서 크게 진보시킬 수 있을 것이다. 이것은 특히 지리정보시스템의 자료획득의 고질적인 문제를 해결하는데 획기적인 기여를 할 수 있을 것이다.
이것이 성공적으로 이루어지기 위하여는 앞으로도 많은 연구가 뒤따라야 한 다. 이 연구가 이를 위한 촉진제로서의 역할을 할 수 있을 것으로 기대한다. 그러 므로써 디지털 공간영상자료가 가지고 있는 잠재력이 충분히 발휘될 수 있는 기 술과 연구가 외국에 앞서 우리의 손에서 선도될 수 있기를 바란다.
끝으로 이 연구를 위하여 주어진 기간이 매우 짧음에도 불구하고 성실하게 연 구에 임하여 소기의 결과를 얻은 이종열 연구위원의 노고에 감사한다.
2000년 12월 31일 국토연구원장 이정식
초 록
고해상의 디지털 영상정보가 가지고 있는 잠재력은 매우 크다. 이 잠재력은 인 간의 비쥬얼 시스템의 분석에 의하여 확인될 수 있다. 고해상의 영상자료 속에 담겨져 있는 개개의 건물과 도로를 위시한 각종의 지표정보들이 이에 의하여는 손쉽게 확인된다. 하지만 이것이 컴퓨터를 통하여 자동적으로 정보화되기 위하 여는 많은 영상처리기술의 개발이 요구된다. 이 연구는 인간의 두뇌로 분석되어 지는 이러한 정보의 일부를 컴퓨터를 이용하여 자동적으로 추출하려 하였다.
이 연구의 촛점은, 고해상의 디지털 영상정보를 분석하여 개개의 물체에 대한 정보를 추출하기 위한 초기단계의 연구로서, 물체의 경계를 자동적으로 추출하 는 방법에 두어졌다. 특히 물체간에 나타나는 휘도의 차이와 경계가 갖는 기하학 적 특성에 주어졌다. 물체의 내부는 유사한 휘도를 갖으며 물체 사이는 상이한 휘도를 갖을 때, 텍스춰 측정치는 물체의 경계에서 높을 것이라는 전제이다.
이 연구에서는 기존의 텍스춰 측정 방법의 문제점을 개선하기 위하여 새로운 경계 강화기법을 개발하였다. 이 방법은 경계를 강화시키는 오퍼레이터를 선형 화 시킴으로써 경계가 가지고 있는 기하학적 특성이 충분히 반영될 수 있도록 하여 보다 정확한 경계의 추출이 가능한 기반을 만들었다. 경계를 추출하기 위한 방법으로는 경계가 강화된 이미지로부터 리지를 찾아내는 방법을 사용하였다.
이것은 단순히 강화된 경계를 침식시켜 선형화하는 방법에 비하여 보다 정확한 경계후보픽셀을 찾아낼 수 있게 한다.
ⅲ
선정된 경계후보픽셀 중 경계픽셀을 추출하는데는 threshold의 방법을 사용하 였다. 경계후보픽셀들에 대하여 경계강화 측정치를 부여하고, 이 픽셀들에 대하 여 다양한 수준의 threshold를 적용하여 경험적으로 최적치를 찾아내었다. 이 방 법은, 단순히 경계강화 측정치에 threshold를 적용하고 이를 선형화하는 방법에 비하여, 물체의 경계와 추출된 경계가 바로 비교되어 threshold의 최적치를 손쉽 게 얻을 수 있는 이점을 가지고 있다.
이 방법을 시뮬레이션 데이터에 적용하여 기존의 경계강화 방법에 의한 경계 추출 결과와 비교하여 보았으며 이 연구에서 제안된 방법이 경계의 정확한 추출 을 크게 개선하였음이 확인되었다. 경계의 강화를 위하여 11 X 11의 오퍼레이터 를 사용하였을 때 기존의 경계강화 방법을 사용할 경우 나타날 수 있는 오차의 폭은 3-4미터나 되었으며, 이 연구에서 제시한 방법에 의하면 이 오차의 상당부 분을 줄일 수 있는 것으로 확인되었다.
제안된 방법을 산업지역, 주거지역, 그리고 농촌지역 등으로 구성된 실제의 연 구대상지역에 적용하여 본 결과, 산업지역에서는 건물, 도로, 선박계류시설 등 대규모 시설물의 경계가 거의 대부분 추출되었다. 이 구조물들은 비교적 동질적 인 휘도를 갖을 것이라는 전제를 거의 충족시켜 주었으며, 따라서 경계도 비교적 정확히 추출되었다. 조밀주거지역의 경우 건물의 경계는 잘 보존되었으나, 건물 의 지붕 구조가 굴뚝, 기타 장치물 등으로 복잡하여, 한건물이 여러 개의 조각으 로 분할되고 있다. 농촌지역의 경우도 경작지와 숲, 도로 등에 대한 외곽의 경계 는 잘 추출되었으나, 이들 내부의 휘도의 변동으로 인하여 가성의 에지에 의하여 여러 조각으로 분할되고 있다. 전체적으로는 고해상도의 영상이 가지는 세밀한 정도가 자동차나 선박 등 관심의 대상이 아닌 작은 물체까지도 추출하여 내고 있었다.
이러한 문제점을 해결하기 위하여 물체 내부의 휘도의 변동, 그리고 관심의 대 상이 아닌 작은 물체, 물체의 일부로서 물체의 내부에 존재하는 작은 구조물 등 을 식별하여 내는 방법의 연구가 요구된다
차 례
서문 ···ⅰ
초록 ···iii
제1장 과업의 개요 ···1
1. 연구의 배경 및 필요성 ···1
2. 연구의 목적 ···4
3. 연구자료 및 대상지역 ···6
4. 연구의 가설 및 내용 ···10
1) 연구의 가설 ···10
2) 연구의 내용과 한계 ···11
제2장 고해상 디지털 영상자료의 자동 물체식별 방법론 ···13
1. 휴먼 비전의 물체인식 시스템 ···13
2. 해상도와 물체인식의 관계 ···14
3. 기존 영상자료 처리방법의 문제점 ···16
4. 고해상 영상자료의 물체식별 방법에 대한 기존연구 ···20
1) 물체의 형체 추출 ···21
2) 물체의 식별 ···26
5. 물체 자동추출의 이점 ···29
제3장 물체식별을 위한 물체의 경계추출 ···31
1. 물체경계의 강화 ···31
1) 기존 물체경계 강화방법 ···31
2) 새로운 물체경계 강화방법 ···34
3) 실험 ···39
2. 리지 추출과정 ···46
1) 리지의 정의 ···46
2) 리지 추출방법 ···46
3) 리지의 보완 ···47
4) 리지 추출에 대한 실험 ···48
3. 선형화 과정 ···52
4. 브랜치 제거과정 ···56
5. 이미지 세그멘트를 이용한 Region growing ···60
1) 이미지 세그멘트의 Region growing 방법 ···60
2) 이미지 세그멘트의 Region growing 결과 ···63
제4장 결론 및 정책건의 ···69
참고문헌 ···73
Abstract ···77
표 차례
<표 1-1> 각종 도시시설물의 관측을 위한 최소 해상도 요구치 ···16
그림 차례
<그림 1-1> 연구대상지역 ···7
<그림 3-1> 경계상의 일점에서 휘도 측정치 단면도 ···38
<그림 3-2> 경계상의 일점에서 휘도 측정치에 대한 1차 미분계수 ···40
<그림 3-3> 선형 및 사각형 오퍼레이터의 경계강화 측정치 비교 ···41
<그림 3-4> 선형 오퍼레이터를 이용한 경계강화 ···43
<그림 3-5> 경계강화 데이터에 의한 리지 추출 ···49
<그림 3-6> 추출된 리지의 선형화 ···53
<그림 3-7> 선형화된 리지 상의 브랜치 제거 ···57
<그림 3-8> 기존 및 선형 경계강화 오퍼레이터에 의한 경계추출 ···64
<그림 3-9> 경계강화 자료를 이용한 물체의 형체 추출 ···66
1
C H A P T E R 과업의 개요
1.연구의 배경 및 필요성
국토분야의 고도정보화가 성숙한 정보화 사회로의 진입에 중요한 요인이 될 전망이다. 각종의 활동들이 공간 속에서 이루어지기 때문에, 이것들은 지리적 요 인들과 연관을 가질 수 밖에 없다. 외국의 한 조사 결과에 따르면 지방행정기구 의 업무에서 사용되는 자료의 약 절반 가량이 지리적인 것과 관계가 있는 정보라 고 한다1). 이것은 비단 행정업무에 국한되는 것이 아니라 기업과 일반 국민들의 활동에까지도 적용될 수 있는 내용이다. 예를 들면 기업의 경우 입지선정에서 생 산품의 수송에 이르기까지 지리정보가 곳곳에서 관련되어진다.
지금까지는 이러한 정보들이 주로 인간의 두뇌에 의존하여 활용되어 왔다. 또 얼마 전까지만 하더라도 지리정보의 처리는 디지털 세계 속에서의 정보가 아니 라 아날로그 세계 속에서의 정보로서 다루어져 왔다. 즉 지리정보를 분석하기 위 하여 지형도와 같이 기본이 되는 지도가 준비되고, 그 지도를 바탕으로 두고 그 위에 여러 가지의 지리정보를 다른 레이어 (layer)의 형태로 만들어 인간의 두뇌
1) NCGIA, Application Issues in GIS, http://www.geog.ubc.ca/coures/klink/gis.note/ncgia/u54.html
제 1 장∙과업의 개요 1
로 정보를 종합하고 분석하는 방법이 사용되어져 왔다. 그러나 컴퓨터의 발달과 더불어 여러 지리정보를 한꺼번에 다룰 수 있는 여건이 개발됨에 따라 공간정보 와 속성정보를 디지털 세계 속에서 함께 다룰 수 있게 되었다.
지리정보를 디지털 세계 속에서 다루기 위하여는, 우선적으로 지리정보의 데 이터베이스가 구축되어야만 한다. 하지만 지리정보의 특성상 데이터베이스의 구 축에 막대한 비용과 시간이 소요되기 때문에 그것을 감당할 수 있는 업무의 수요 가 있는 기관들에서 제한적으로 지리정보시스템의 구축사업을 추진하여 온 것이 지금까지의 실정이다. 이 과정에서 병목을 이루어 왔던 것은 항상 데이터베이스 의 구축에 소요되는 막대한 비용과 시간이었다.
근자에 이르러 이 병목현상을 완화시켜줄 수 있는 다양한 방법이 연구되고, 또 이를 통하여 지리정보가 생산되고 있다. 예를 든다면 Global Positioning System (GPS)2)을 이용하여 달리는 자동차에서 연속적인 위치정보를 수집함으로써, 단순 히 한 점에 대한 위치정보뿐만 아니라 도로의 센터라인에 대한 지리정보를 손쉽 게 획득할 수 있는 기법 등이 개발되고 있다. 이것의 다른 한 축은 인공위성/항공 기를 통한 지구탐사 혹은 관측기술의 발달이 담당하고 있다. 이 기술들의 특징은 수 집되는 모든 자료가 디지털화되어 저장되므로써 별도의 컴퓨터입력과정이 필요치 않게 되었다는 것이다.
항공기/인공위성을 이용한 지구탐사 및 관측 기술이 최근에 이르러 급속한 발 전을 이루고 있다. 항공기를 베이스로 하는 고성능의 각종의 디지털 리모트 센서 들이 개발되어, 외국에서는 필요한 시기에 필요한 지역에 대하여 고해상도의 디 지털 영상자료를 수집하여 연구 분석하는데 활용하고 있다. 인공위성과 관련하 여는 지난 해부터 1미터의 상업용 고해상 위성영상자료가 IKONOS 위성을 통하 여 획득되어 일반에 제공되고 있어, 디지털 영상자료의 공급에 획기적인 전환점 을 맞이하게 되었다.
2) GPS란 여러 위치에서 발신되는 인공위성의 신호를 포착하여 그 내용을 분석하여 수신자의 위치를 밝혀내는 기술이다.
이러한 기술적 진보는 국토정보분야에서의 항공/위성영상정보 비중 및 역할을 크게 증대시킬 것으로 전망된다. 이것이 국토정보 분야에서 중요한 의미를 갖는 것은 짧은 시간에 광범위한 지역의 정보를 비교적 저렴한 비용으로 수집할 수 있다는데 있다. 접근이 어려운 지역에 대하여도 별다른 구애를 받지 않고 정보를 수집할 수 있다는 것도 큰 장점이다.
고해상 영상자료가 가지고 있는 물체에 대한 정보의 구체성으로 인해, 이 분야 의 전문가들뿐만 아니라 일반인들까지도 고해상 영상자료를 쉽게 해석 및 이용 할 수 있다. 따라서 사회 전반에 걸쳐서 고해상도의 디지털 영상자료에 대한 이 용도가 크게 증가될 것이 전망된다. 활발한 수요는 결과적으로 저렴한 비용의 정 보제공을 가능하게 할 것이다. 또한 각종의 관련 소프트웨어 및 하드웨어의 개발 이 지속적으로 이루어질 것이다. 이 결과 공공, 비즈니스, 산업 및 일반의 모든 분야에서 항공/위성 영상정보에 대한 관심과 이용이 일상화될 것이다.
이 연구의 배경은 이렇게 이용이 증대될 고해상도의 디지털 영상자료에 대하 여, 이것이 가지고 있는 잠재력을 현실화시켜 부가가치를 높이고, 다른 지리정보 들과의 통합을 가능하게 하여 줄 수 있는 방법의 개발을 타진하여 보고자 하는데 있다. 고해상 영상자료의 잠재력을 이끌어 내기 위하여는 무엇보다도 고해상의 영상자료에 대한 적절한 분석의 수단이 개발되어 야 한다. 지금까지의 전통적인 디지털 영상정보의 분석방법은 고해상의 디지털 영상의 분석방법으로는 충분하 지 못한 실정이다.
예를 들면 고해상 디지털 영상자료가 가지고 있는 정보 가운데에는 지도의 관 심대상이 되고 있는 개개의 물체를 구별하여 낼 수 있는 정보도 포함되어 있다.
고해상 디지털 영상자료로부터 이 정보의 추출은 지금의 수준으로 볼 때 주로 인간에 의존하여 수작업으로 이루어질 수 밖에 없는 것으로 보여진다. 만일 이러 한 수준을 탈피할 수 없다면, 이것은 기왕의 아날로그 형태의 항공사진을 가지고 도 가능하며, 따라서 굳이 디지털 영상자료를 주장할 필요성은 크게 감소될 것이 다.
제 1 장∙과업의 개요 3
이런 측면에서 볼 때 고해상도의 공간영상정보 처리기술의 개발에 대한 필요 성이 매우 큰 시점이다. 기존의 공간영상정보의 이용은 영상자료의 제공수준에 서 그치고 있으며, 다른 정보시스템과의 공동작업의 경우 디지털 영상자료의 역 할에 한계가 지적되고 있다. 영상자료로부터 제공되는 정보는 시각적 효과는 매 우 크지만 실제의 이용에 있어서 그 자체는 매우 원시적 정보이다. 따라서 영상 정보의 처리를 통하여 보다 고급의 정보를 추출해내는 것이 디지털 영상자료의 부가가치를 높이는데 필수적이다. 디지털 영상자료의 잠재력을 최대화하기 위하 여는 자동화된 컴퓨터의 처리로 원하는 정보를 추출하여 낼 수 있는 기술이 필요 하다.
이 연구에서는 관심이 점차 증대되고 있는 1미터 수준의 고해상 디지털 위성 영상자료를 대상으로 대축척 지도의 관심 대상인 개개의 건물과 도로 등의 물체 를 분석을 하여 보았다. 인간의 두뇌가 고해상 영상자료를 통하여 물체를 인식하 는 과정은 매우 복잡하지만, 이 가운데 반드시 필요한 과정이라고 할 수 있는 물 체의 경계를 컴퓨터를 통하여 생산해 낼 수 있는 방법의 개발을 시도하여 본 것 이다. 건물, 도로 등의 구체적 물체의 경계가 인식된다면 경계에 의하여 구분된 물체의 정체 (正體)에 대한 구체적인 정보도 다음의 단계로서 규명하여 볼 수 있 을 것으로 생각된다. 이 연구는 부수적으로 고해상도 공간영상정보의 처리를 통 하여 고차원의 정보를 추출할 수 있는 기초적 기술개발의 효과도 가져올 것으로 기대한다.
2. 연구의 목적
이 연구의 목적은 고해상 디지털 영상자료의 지리적 물체를 자동적으로 인식 하여 내기 위한 기초의 단계로서 물체의 경계를 추출하는 방법을 개발하는 것을 목적으로 한다. 특히 고해상의 디지털 영상자료에 대하여 현실적으로 수요가 클 것으로 예상되는 지도제작과 관련하여, 고해상도의 영상자료를 이용하여 지표
상의 물체를 자동적으로 인식할 수 있는 가능성의 일부를 타진하여 보는 것이다.
얼마 전까지만 하여도 기존의 인공위성을 통하여 수집된 디지털 영상자료는 지 리정보의 관심의 기초적인 대상인 개개의 건물, 도로 등의 물체를 확인하기에는 조악한 것이었다. 그러나 1미터의 해상도를 가진 디지털 위성영상이 상용화된 지 금, 이에서 대축척 지도의 대상물이 전문가의 시각적 분석으로는 어느 정도 확인 가능한 것이 되었다.
고해상 영상자료의 운용이나 처리에 있어서 여러 가지의 문제점이 있을 수 있 다. 그 중에서도 방대한 자료의 양이 우선 지적될 수 있을 것이다. 예를 들면 동 일한 지역에 대한 자료의 양은 1미터 해상도를 갖는 데이터의 경우 10미터의 해 상도를 갖는 데이터에 비하여 100배에 이르게 된다. 따라서 자료의 처리에 소요 되는 시간비용도 당연히 증가하게 되며, 대량의 데이터를 빠른 속도로 처리하기 위하여는 고성능의 장비가 요구된다. 그러나 지금의 추세로 본다면 컴퓨터 산업 과 데이터 저장 및 처리기술의 발달 속도로 볼 때 이 문제점들은 머지 않아 해결 될 가능성이 큰 것으로 예측된다.
더욱 중요한 문제는 하드웨어적인 것보다도 소프트웨어적인 것에 있다고 할 수 있다. 고해상도의 디지털 영상자료가 가지고 있는 다양한 정보들을 기존의 아 날로그 영상을 처리하는 방법으로 처리한다면, 굳이 많은 비용을 투자하여 고해 상의 디지털 영상자료를 생산할 필요가 없다고 하겠다. 따라서 고해상의 디지털 영상자료가 가지고 있는 정보를 자동적으로 처리하는 방법의 개발이 이 자료의 원래 목적을 달성시켜 주는 것이라고 하겠다. 따라서 이러한 방법에 대한 구체적 인 검토와 인식의 바탕 위에서 고해상 영상자료 관련사업을 시행할 필요가 있다.
이 연구의 목적을 좀더 구체화한다면 고해상 영상자료의 자동물체 인식을 위 한 초기단계의 작업으로 첫째 고해상 영상자료에 적합한 물체 경계 강화방법, 둘 째 강화된 경계가운데서 정확하게 경계후보 픽셀 (pixel)3)을 찾아내는 방법, 셋째 경계후보 픽셀가운데서 경계픽셀을 찾아내는 방법 등을 개발하는 것이다.
3) pixel은 picture element라는 용어에서 합성한 말로서 이미지 데이터를 구성하는 최소의 단위이다.
제 1 장∙과업의 개요 5
3. 연구자료 및 대상지역
이 연구에서 대상으로 하고자 하는 물체는 개개의 빌딩과 도로 등이다. 따라서 빌딩과 도로 등의 물체가 영상 속에서 제대로 식별될 수 있어야 한다. 이것을 위 하여는 관심의 대상이 되는 물체가 충분히 분해될 수 있는 수준의 해상도가 요구 된다. 이 연구를 위하여 요구되는 이미지 데이터의 해상도는 관심의 대상인 물체 로 볼 때 1미터 혹은 그 이하인 것이 바람직하다. IKONOS 인공위성에서 생산되 는 영상데이터는 1 - 4미터의 픽셀 크기를 갖고 있으며, 이 영상데이터에서는 어 느 정도 빌딩과 도로의 식별이 가능하다. 또 현재의 상황으로 보아, 이 해상도 수준의 데이터가 앞으로 당분간은 고해상도 영상데이터의 주를 이룰 것이다.
이러한 점을 감안하여 이 연구에서는 IKONOS 위성에서 관측한 1미터 해상도 의 데이터를 선택하였다. IKONOS에 의하여 4밴드의 데이터가 수집되는데 그것 은 블루(blue), 그린(green), 레드(red), 그리고 인프라레드(infrared)이다. Pan- sharpened된 데이터로는 RGB 혹은 IR (Infrared) 컬러 이미지 데이터가 가능하다.
이 연구에서는 Pan-sharpened된 RGB 이미지 데이터가 이용되었다. 이 데이터의 스펙트럼의 범위는 500nm 에서 700nm 이다. 이 데이터는 IKONOS 인공위성에서 수집된 1미터의 전정색 이미지를 바탕으로 하여 4미터의 다중분광 영상을 합성 시킨 것으로서 이 과정은 SpaceImaging사에 의하여 수행된 것이다4).
연구대상지역으로는 대규모 시설물이 밀집되어 있는 산업지역, 밀집 주거지 역, 그리고 농촌지역을 고려하였다. 산업지역의 분석을 위하여는 인천의 항만을 중심으로 한 일부지역이 선택되었는 바, 이 지역은 항만과 창고 및 생산시설을 포함한다. 영상의 관측일자는 2000년 2월 29일로서 연구대상 지역 내 운량 (雲量) 은 거의 없는 맑은 날씨에 관측된 자료이다. 이 지역의 구조물의 특성은 대체로 큰 규모의 건물들이라는 것이다 (그림 1-1 a 참조). 주거지역으로는 부산시의 일 부지역이 선택되었다. 이 지역은 단독주택과 연립주택이 주된 구조물의 지역으
4) http://www.spaceimgaing.com/level2/level2products.htm 참조
로서 밀집된 건물들로 인하여 매우 복잡한 스펙트럼의 기복이 나타나는 지역이 다. 또한 이 지역 안에는 일부 숲을 이루고 있는 지역이 포함되어 있다. 관측일자 는 2000년 2월2일로서 역시 운량은 거의 없는 영상이다 (그림 1-1 b 참조). 농촌지 역으로는 평택부근의 지역이 선택되었다. 이 지역은 전형적인 농촌지역으로서 숲과 경지가 지역구성의 주를 이루고 있으며, 그 안에 산개되어 있는 몇 개의 주 택으로 이루어진 지역이다. 관측일자는 2000년 2월18일이다 (그림 1-1 c 참조).
세 연구대상지역 모두가 2월중 관측된 영상이므로 활엽수나 1년생 초목은 시들 은 상태에서 관측된 자료이다.
<그림 1-1> 연구대상지역
b) 산업지역 (인천지역 일부)
제 1 장∙과업의 개요 7
b) 주거지역 (부산지역 일부)
c) 농촌지역 (평택지역 일부)
제 1 장∙과업의 개요 9
4. 연구의 가설 및 내용
1) 연구의 가설
이 연구에서 검증하고자 하는 첫째 가설은 고해상도의 영상에서는 각 물체들의 휘도 (輝度) 측정치의 특성이 내적으로는 상대적으로 동질적이며 그것들은 배경이나 인접한 물체에 대하여 구별될 수 있다는 것이다. 그렇기 때문에 각 물체의 경계에서 는 물체의 내부와 비교하여 볼 때 상대적으로 휘도 측정치의 차이가 크거나 혹은 국 지적인 변량을 측정하여 볼 때 그 값이 클 것이다. 그렇다면 물체들의 경계가 경사나 변량의 측정치 스페이스에서 반드시 상대적으로 높은 측정치를 갖는 ‘리지 (ridge)’로 나타날 것이다. 이론적으로는 ‘리지’는 경계를 따라 물체들을 둘러쌓는 폐곡선을 형 성할 것이다. 이것으로부터 국지적으로 측정된 변량이나 경사치를 이용한 ‘리지’ 추 출의 방법을 이용한 경계 감지 방법이 물체의 경계추출에 우수한 결과를 나타낼 것 이라는 가정을 이끌어낼 수 있다.
두 번째의 가설은 경계의 위치가, 전통적인 사각형 모양의 오퍼레이터 (operator) 를 이용하는 것보다 선형모양의 경계 강화 오퍼레이터에 의하여 더욱 정확하게 감지 될 것이라는 것이다. 경계와 사각형 모양의 오퍼레이터의 기하학적인 특성의 차이 때문에 감지된 경계는 사각형 모양의 오퍼레이터에 의해 왜곡될 것이다. 예를 들면 물체의 코너 부근이 변형된 모양으로 감지될 것이다. 이것은 오퍼레이터의 크기가 커질수록 심각하여질 것이다. 고해상도의 영상 데이터의 경우 물체의 안정적인 휘도 (輝度) 특성을 확보하기 위하여는, 저해상도의 영상 데이터에서 보다 큰 크기의 오퍼 레이터가 요구될 것이며, 이와 더불어 왜곡도 커질 것이다. 따라서 고해상도에 적합 한 경계강화 오퍼레이터의 개발이 이루어지지 않는다면 기대하는 만큼의 정확한 경 계의 위치를 찾을 수 없을 것이다. 이것을 검증하여 보기 위하여 인공적으로 만들어 진 사각형, 삼각형, 원 등의 데이터를 이용하여, 선형 모양의 오퍼레이터와 전통적인 사각형모양의 오퍼레이터를 사용하여 얻어진 경계추출의 결과를 비교하여 볼 것이 다.
2)연구의 내용과 한계
이 연구는 4개의 장으로 구성되어 있다. 제1장에서는 이 연구의 배경과 연구의 가설 및 내용 등 서론적인 부분을 담고 있다. 제2장에서는 기존의 물체자동인식 을 위한 방법론을 살펴보았다. 물체 식별을 위한 기초작업으로서의 이미지 세그 멘테이션 (Image segmentation) 방법론들이 기왕의 연구결과를 바탕으로 조사되 었다. 그리고 이미지 세그멘테이션의 결과를 이용하여 물체를 식별하기 위한 연 구의 내용들을 개략적으로 살펴보았다. 제3장에서는 이러한 연구를 좀더 구체적 으로 탐구하여, 물체의 형체를 추출하기 위한 알고리즘들을 검토하였다. 이를 바 탕으로 이들 방법들이 가지고 있는 문제점을 보완하여, 연구에서 수행하고자 하 는 새로운 방법을 제안하였다. 그리고 이들을 시뮬레이션 데이터에 대하여 직접 적용하여, 기존의 방법에 의한 결과와 이 연구에서 제시한 방법에 의한 결과를 비교하였다. 또한 이 연구에서 제안된 방법을 연구대상지역의 실제 데이터에 적 용하여 보았다. 그러므로써 디지털 영상자료를 이용한 물체의 자동인식의 기초 적 단계로서 물체의 형체추출의 가능성을 타진하여 보았다. 끝으로 제4장에서는 인 연구의 결과를 간략히 종합하고, 이를 바탕으로 도출가능한 정책적인 제안을 제시하였다.
이 연구가 갖는 한계는 물체의 인식 혹은 식별에는 많은 복잡한 과정들이 필요 로 하나, 이것들을 모두 검토할 수 없다는 것이다. 이를 위하여는 매우 방대한 연구를 필요로 한다. 이 연구는 요구되는 이 방대한 연구의 일부로서 고해상 영 상자료가 가지고 있는 정보를 추출해내는 과정의 일부에 대한 검토에 국한할 수 밖에 없다. 그렇다 하더라도 고해상 영상자료를 이용한 물체의 식별이 가져올 시 너지 효과 등을 감안할 때, 이의 가능성이 우선적으로 검토될 필요가 있겠다는 판단으로, 물체의 식별에 필요한 초기단계의 정보추출 가능성을 타진하여 보는 수준으로 정하였다. 또한 이 연구에 제시된 방법은 물체의 형체추출에 관하여도 가능한 여러 방법 가운데 한 방법이며 여러 가능한 대안들이 존재할 수 있다.
제 1 장∙과업의 개요 11
2
C H A P T E R
고해상 디지털 영상자료의 자동 물체식별 방법론
1. 휴먼 비전의 물체인식 시스템
리모트 센싱 데이터에서 도로나 빌딩과 같은 지도에서 다루고 있는 물체를 자 동적으로 확인해내는 것은 매우 복잡한 과정을 필요로 한다. 인간의 비주얼 시스 템은 물체를 확인하기 위하여 개개 물체로부터 입수된 빛에너지의 차이, 입체적 모양, 그리고 인접한 물체와의 관계 등의 정보를 포함하여, 인식 및 식별의 과정 을 함께 작동시킨다. 이 해석의 과정의 일부는 보다 추상적이고 복잡한 정보, 특 히 물체의 경계, 그리고 여러 스케일에서의 패턴을 인식하는 것이다.
이 인식의 과정은 두 개의 방향으로 작동할 것이다. 하나는 이미지 전체 혹은 광범위한 지역에 대한 전반적인 이해로부터 시작하여 지역의 범위를 좁혀가며 자세한 레벨로 인식의 수준을 조정해 나가는 것이다. 도로 인식의 예를 들면, 개 괄적인 도로의 모양의 인식을 시작으로 도로포장의 타입을 인식하고, 더 나아가 서 차선의 수를 파악하는 등의 과정이다. 다른 하나는 이 과정이 반대로 작동되 는 것으로서, 자세한 스케일의 물체를 인식하기 위하여 우선 좁은 지역을 세밀히 분석하는 것이다. 스펙트럼의 특성으로 볼 때 비슷한 픽셀들을 하나의 그룹으로 규합하고, 이것들의 범위를 넓혀가면서 나타나는 모양 등을 바탕으로 규명하고
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 13
자 하는 물체가 도로의 일부임을 인식하고, 다음으로는 차선을 인식하고, 이어서 전체 도로의 폭 등을 인식하는 과정이다. 이것들은 그리고는 다양한 레벨의 클래 스 (class)로 규합될 것이다.
두 번째의 과정은 리모트 센싱 데이터의 처리에 시사하는 바가 크다. 인간이 이미지를 대할 때 인간의 비쥬얼 시스템은 이미 많은 지식을 가지고 리모트 센싱 의 데이터들을 대하므로써, 첫 번째 과정의 분석을 어느 정도 가능하게 한다. 하 지만, 컴퓨터가 처음으로 이미지를 대할 때 컴퓨터가 가지고 있는 정보는 오직 개개의 픽셀들에 대해 스펙트럼 별로 반사되어진 빛에너지의 측정치 뿐, 사전의 아무런 지식이 없는 상태이다. 이런 여건 하에서는 이미지의 국지적인 이해에서 시작하여 점진적으로 광역적인 정보를 생산해 나가는 것이 유리할 것이다.
2. 해상도와 물체인식의 관계
리모트 센싱은 픽셀을 단위로 하여 물체에서 반사 혹은 방출되는 빛에너지를 측정하여 물체를 추출(abstract)하는 방법을 기초로 한다. 즉 물체가 픽셀을 단위 로 나뉘어지고 픽셀을 단위로 반사되어진 빛에너지의 정보가 수집된다. 이러한 환경 하에서 물체가 인식되기 위하여는, 물체가 픽셀을 단위로 충분히 분할되어 픽셀이 물체의 모양을 원하는 수준으로 충분히 분해할 수 있어야 한다. Welch는 물체가 인식되기 위하여 그 물체가 적어도 몇 개의 픽셀로 분할되어져야 한다고 하였다5).
해상도의 선택은 물체에 대하여 알고 싶은 정보의 구체적 수준과 관련된다. 단 순히 물체의 존재여부에만 관심이 있을 때는 물체가 몇 개의 픽셀로 분할되어, 그 물체가 가지고 있는 스펙트럴 특성이 그 픽셀들 안에 독립적으로 그리고 충분 하게 유지된다면 원하는 정보를 얻을 수 있을 것이다. 그러나 물체의 크기나 모
5) Welch, R., 1982. Spatial resolution requirements for urban studies. International Journal of Remote Sensing 3 (2): 139-146
양 등을 알기 원한다면 물체가 단순히 몇 개의 픽셀로 나누어지는 정도로는 충분 하지 못할 것이다. 이 경우 물체가 충분히 여러 픽셀로 분할되어 물체의 모양이 픽셀에 의하여 왜곡되지 않아야 한다. 따라서 단순히 물체의 존재여부를 위한 정 보의 경우보다 훨씬 높은 수준의 해상도를 요구한다.
기존의 위성영상자료 중 흔히 이용되는 Landsat Multiapectral Scanner (MSS)의 해상도는 약 80미터이다. 즉 80미터 X 80미터의 지역에 대한 스펙트럴 정보가 하나의 디지털 정보로 제공되는 것이다. 이 80미터 X 80미터 해상도의 Landsat MSS 정보로 개개의 건물을 인식하려 한다는 것은 불가능하다는 것을 쉽게 이해 할 수 있다. 이러한 수준의 해상도를 가진 영상자료는, Welch가 주장한 몇 개의 픽셀을 4개 이상으로 해석한다면, 200 미터 X 200 미터의 정방형 물체의 경우 4개의 스펙트럴 믹싱이 일어나지 않은 픽셀과 5-12개의 스펙트럴 믹싱 (spectral mixing)이 된 픽셀로 구성될 것이다. 전체 면적에 대한 스펙트럴 믹싱이 발생한 면적의 퍼센티지는 36%정도이고 물체의 순수한 스펙트럴 특성을 그대로 간직한 면적은 64% 정도이다.
리모트 센싱 데이터에서 나타나는 스펙트럼 다양성은 첫째로는 공간을 구성하 고 있는 물체의 다양성에 의하여 결정되지만, 이것은 다음으로는 센서의 해상력 과 관련된다6). 즉 리모트 센싱 데이터가 가지고 있는 원천적인 복합성 때문에 더욱 자세하게 관찰될수록 더욱 낮은 레벨의 계층의 클래스가 발견되어진다. 예 를 들어 센서의 해상력을 높여 도시지역을 좀더 자세히 관찰하면 주택, 도로, 공 원, 하천 등이 드러나게 되며, 이 중 주택을 더욱 자세히 관찰하면 지붕을 이루고 있는 기와 등이 드러나게 된다. 이것을 더욱 자세히 관찰할 수도 있을 것이다.
그러나 앞서 언급된 바와 같이 자세한 것이 항상 연구의 목적에 도움을 주는 방향으로 작용하지는 않는다. 즉 연구의 목적에 따라서 그에 적합한 해상도가 있
6) Woodcock, C. E., and V. J. Harward, 1992. Nested-hierarchical scene models and image segmentation. International Journal of Remote Sensing of Environment 13 (16):
3167-3187.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 15
을 수 있다고 하겠다. Welch도 비슷한 아이디어를 제시하고 있다7). Jensen 등 은
<표 1-1>에서와 같이 각 물체의 식별에 적합한 해상도를 그의 연구를 통하여 제 시하고 있다8). 이에 따르면 빌딩의 둘레에 관한 정보를 위하여는 0.25-0.5m의 해 상도의 데이터가 필요하며, 정확한 도로의 폭을 위하여도 같은 정도의 해상도를 갖는 데이터가 필요하다고 제시하고 있다.
<표 1-1> 각종 도시시설물의 관측을 위한 최소 해상도 요구치
(단위: 미터) --- 빌딩 둘레, 면적 및 지적 0.25-0.5 개략적 도로 중심선 1-30 정확한 도로폭 0.25-0.5 주차문제 연구 0.25-0.5 개략적 유틸리티 라인 1-30 정확한 유틸리티 라인 0.25-0.5 맨홀 및 위치 표식의 위치 0.25-0.5 대축척의 DEM 0.25-0.5 재해 파손 주택 조사 0.25-1 역동적 환경변화 0.25-2 --- 주) Jensen and Cowen (1999), p612에서 재구성
3. 기존 영상자료 처리방법의 문제점
지금까지의 리모트 센싱에 있어서 이미지 프로세싱의 추세는 데이터를 구성하 고 있는 하나 하나의 요소 즉 개개의 픽셀을 분석하는데 초점을 두어 왔다. 이것 은 부분적으로 이미지 클레시피케이션 (classification)에 있어 픽셀간의 공간적 관 계를 중요하게 고려할 필요가 없는 저해상도의 데이터에 대하여, 공간적 관계를
7) Welch, R., 1982. 앞의 논문, 139-146면
8) Jensen, J. R., and D. C. Cowen, 1999. Remote sensing of urban/suburban infrastructure and socio-economic attributes. Photogrammetric Engineering and Remote Sensing 65 (5): 611-622
고려하지 않은 일반적인 통계방법의 사용이 주를 이루었으며, 상당히 성공적인 성과를 거두어 왔다고 할 수 있다.
기존에 일반적으로 많이 활용되고 있는 인공위성의 이미지들은 이러한 접근방 식에 적합한 픽셀 사이즈를 가지고 있다. 예를 들면 원래의 MSS 이미지들은 비 공간적 분석에 적합한 스케일로 수집되었다. MSS는 Instantaneous Field of View (IFOV)9)약 80 미터로 일반적으로 거의 25만분의 일 지도에 해당하는 거친 해상 도를 가지고 있다. Thematic Mapper (TM)과 Systeme Pour l'Observation de le Terre (SPOT)의 해상도는 MSS보다 자세하고 개선된 정밀함을 가지지만, 반대로 토지 이용 분류에 있어는 MSS에 비하여 전체적으로 낮은 정확도를 산출한다.
이것은 SPOT이나 TM의 10-30미터의 픽셀사이즈가 각 토지이용 유형 안에 있 는 물체의 스케일에 가깝기 때문이다. 즉 주택의 크기, 도로의 폭 등이 이와 근 사하다는 것이다. 한 연구에 의하면 이와 같은 조건 하에서는 픽셀의 빛에너지 측정값이 이미지 내에서 최대의 다양성을 표출하게 된다고 분석하고 있다. 그리 고 이것은 결과적으로 기존의 전통적인 토지이용 분류방법을 사용할 경우, 그 결 과가 낮은 정확도를 갖게 될 것이라는 주장을 하였다. 왜냐하면 토지이용분류 상 의 클래스가 동질적인 스펙트럼 상의 특성을 갖을 것이라는 전제 하에서 이루어 지는 분류방법에 비추어 볼 때, 최대의 다양성의 표출은 동질성을 요구하는 기본 전제와는 상반되는 것이기 때문이다. 즉 개개의 주택의 스펙트럼 상의 특성, 주 택 주위의 녹지의 특성, 도로의 특성 등이 각 픽셀에서 많이 발현되어 지는 것이 다.
토지이용 분류의 관심이 되는 클래스는 도시지역, 농촌지역 등 보다 광범위한 지역을 대상으로 하게 된다. 이 클래스들을 자세히 들여다보면, 도시지역의 경 우 그 속에 주택도 있으며 녹지도 포함하고 있는 다양한 구성요소로 이루어진 지역이다. 그런데 비록 도시 내의 녹지라 하더라도, 이 녹지는 농촌지역을 정의
9) IFOV는 원격탐사에 사용되는 센서가 한번에 획득하는 지표의 휘도정보 면적으로 이것이 픽셀에 1대1 로 대응한다.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 17
할 때 주축을 이루는 스펙트럼 상의 특성과 가까울 수 밖에 없다. 이 경우 기왕의 토지이용분류 방법을 적용하면, 도시지역 내에서 농촌지역이 점점이 나타나게 될 것이다.
이러한 문제의식을 가진다면, 픽셀 단위의 분석에서 한 단계 진보하여, 추상적 인 개개의 픽셀들이 아니라 분석의 대상으로 삼고 있는 클래스를 대변해 줄 수 있는 일단의 픽셀의 집단이 분석의 기초적인 구조적 요소가 되는 경우를 생각해 볼 수 있다. 관심의 대상이 되는 현상을 대변해 줄 수 있는 일단의 픽셀을 묶은 지역의 단위가 토지이용의 분류 단위로 사용될 수 있다면 훨씬 더 잠재력을 지닌 유용한 할 것이 될 것이다.
인공위성의 영상 데이터가 1-4미터의 수준으로 개선됨에 따라 이러한 접근의 가능성과 필요성을 부추키고 있다. 미터 수준의 해상도에서는 관심의 대상이 되 는 지역 내에 있는 개개의 건물이나 도로 등의 물체가 여러 픽셀로 분할되게 된 다. 그 중 상당부분이 인접한 물체와의 스펙트럼 상 혼합이 없이 순수하게 그 물 체의 스펙트럼 상의 특성을 나타내 줄 것이지만, 그 안에서도 스펙트럼 상의 차 이가 나타날 것이 어느 정도 예상되며, 물체의 일부 경계부분에서는 스펙트럼의 혼합이 발생할 것이다. 이 경우 앞서 언급된 것과 같은 분류오류의 문제가 더욱 국소적인 현상으로 나타나게 될 것이다. 이것을 바탕으로 픽셀을 단위로 한 분류 를 시행할 경우, 예를 들면 한 건물 안에서도 건물과 도로 등의 현실적으로 불가 능한 토지이용 분류의 결과가 나타날 수 있을 것이다. 이러한 문제를 해소할 수 있는 새로운 접근방법이 1-4미터의 데이터가 개발됨에 따라 요구될 것이다.
이 연구에서는 따라서 물체의 인식의 최소의 단위를 픽셀에서 탈피하여, 일단 의 그룹의 픽셀들을 물체인식의 최소단위로서 이용하고자 한다. 이것의 장점은 일단의 픽셀 안에는 비록 얼마간의 다양성이 표출되어 있다하더라도, 그것이 하 나의 집단이 갖는 특성 속에서의 개체로서 인정된다. 실제로 인간이 물체를 인식 할 경우, 오히려 좁은 범위의 여러 픽셀들에 대하여 한꺼번에 같은 물체에 소속 여부를 판단하는 것으로 보인다. 이 경우에는 하나의 집단으로 인식되는 픽셀들
안에 포함되어 있는 아웃라이어 (outlier)가 별도로 취급되지 않으므로 픽셀을 단 위로한 분석방법에서 나타날 수 있는 문제들을 크게 완화시킬 수 있다.
고해상 영상자료가 한 물체 내에서 나타내 보이는 지나친 다양성 때문에 생기 는 문제를 완화시켜보고자 하는 연구가 픽셀단위의 입장에서 없었던 것은 아니 다. 그러나 이 연구들은 단순히 고해상도의 이미지 데이터가 가지고 있는 지나친 다양성을 줄이거나 이를 보완해 줄 수 있는 대체 정보를 찾는데 초점을 두고 있 다. 이러한 부류에 속하는 연구들은 노이즈 (noise)를 정규화 (normalize)하려는 시 도와 지나치게 표출되어 있는 다양성을 휠터 (filter)를 이용하여 스므드하게 만들 려는 시도, 그리고 리샘플링 (resampling)을 통해 해상도를 낮춤으로써 고해상도 에서 나타나는 다양성을 순화시키려는 것들이었다. 그러나 이러한 이미지 프로 세싱은 원래 데이터가 가지고 있는 정보를 다소나마 변질시킴으로써, 원래의 이 미지가 가지고 있는 정보를 왜곡시킬 가능성도 함께 가지고 있다.
일단의 그룹의 픽셀을 단위로 고해상도의 이미지 데이터를 분석하고자하는 접 근방법에서는 이에서 한 걸음 더 진보하여 고해상도의 데이터에서 식별 가능한 개개의 물체를 추출하고 이를 분석의 단위로 이용하고자 한다. 그럼으로써 원래 의 이미지 데이터가 가지고 있는 정보의 손실을 최소화하고자 하는 것이다. 1미 터 수준의 고해상도의 데이터에 있어서, 도시지역 내 빌딩과 같은 개개의 물체에 대한 도화 (圖化)는 매우 정확하지는 않겠지만 가능할 것으로 판단된다. 따라서 물체의 분류 방법이 각각의 토지이용 유형에 대한 개개의 픽셀의 스펙트럼 특성 에 바탕을 둔 접근방법에서 물체가 가지고 있는 스펙트럼의 특성에 바탕을 둔 접근방법으로 변환될 수 있을 것이다.
인간의 비전에 기초하여 물체를 기초단위로 한 토지이용분류의 가능성을 시험 한 연구가 있었다10). 이 연구에서는 도시지역의 토지이용에 대한 분류 정확도와 사용되는 픽셀 수 사이의 관계에 대하여 1.5 미터 해상도의 이미지를 가지고 실
10) Hodgson, M. E., 1998. What size window for image classification? A cognitive perspective. Photogrammetric Engineering and Remote Sensing 64 (8): 797-807.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 19
험을 하였다. 그는 10X10개의 픽셀부터 100X100개의 픽셀까지 윈도사이즈를 10 픽셀씩 증가시키며 이에 따른 분류의 정확도를 1.5미터 해상도의 이미지에 대하 여 측정하였다. 측정의 결과는 윈도사이즈의 증가에 따라 분류의 정확도가 크게 증가하는 것을 보여 주었다. 이 실험에서 미국 토지이용 분류체계상 레벨 II에 해당하는 분류를 위하여는 적어도 40 x 40의 픽셀이 필요하다는 것을 발견하였 다.
토지이용유형의 분류에 사용될 윈도우의 크기 즉 사용될 픽셀 수가 작아질수 록, 인간의 분류는 더욱 물체의 스펙트럼 특성에만 의존하게 된다. 그러나 윈도 우의 크기 즉 사용되어지는 픽셀의 수가 증가됨에 따라 인간의 비전은 점진적으 로 이미지 안에서 나타나는 물체의 인식을 통하여 물체간의 관계에서 나타나는 정보를 활용하게 된다. 비록 이 연구가 도로나 건물 등의 물체를 인식하고 이를 바탕으로 분류하는 것을 직접적으로 목표한 것은 아니지만, 한 윈도우 내의 물체 를 규명하고 그 정보를 바탕으로 그 윈도우의 토지이용 클래스를 확인하는 과정 을 실험을 통하여 확인한 것이다. 이 연구는 똑같은 이미지 데이터에 대하여, 단 순히 픽셀의 스펙트럼 특성에만 의존하여 토지이용유형을 분류하였을 경우와 물 체의 인식을 통한 분류의 경우를 비교하여 볼 때, 후자가 훨씬 정확도를 높여준 다는 것을 시사하여 주고 있다.
4. 고해상 영상자료의 물체식별 방법에 대한 기존연구
기존의 물체 식별의 연구를 살펴보면, 물체 단위의 접근방법의 시작의 단계로 서는 물체 혹은 이의 기초가 되는 세그멘트 즉 물체의 형체가 픽셀들의 그룹으로 정의되어야만 한다. 물체의 형체가 이루어지면, 이 형체가 무엇인지를 판별하게 된다. 다음에서는 기존의 연구에서 이 과정을 위하여 사용되고 있는 방법을 살펴 보고자 한다.
1) 물체의 형체 추출
이미지 세그멘테이션은 이미지의 복잡함을 줄이기 위하여, 이미지를 관심의 대상이 되는 물체들과 일치하는 지역들로 나누고, 이들을 향후의 연구에 사용하 려는 것이다11). 이를 좀더 기술적으로 정의한다면, 이미지 세그멘테이션은 이미 지를 유사한 특성의 픽셀들의 집합체로서의 지역으로 분할하는 것이다12). 그의 배경에는 각 물체는 동질적인 스펙트럼을 가지고 있고, 이 스펙트럼은 물체마다 특징이 다르므로 동질적인 스펙트럼을 갖는 주위의 픽셀들을 찾아 그룹을 지으 면, 그것이 각 물체와 일치될 것으로 예상하기 때문이다. 이미지가 지역으로 분 할된 후에는 각각의 분할단위의 스펙트럼 특성을 분류하여 물체의 종류를 규명 하고, 이것을 벡터폴리곤으로 변환시켜 이용할 수도 있을 것이다. 물체의 형체를 추출하는 방법은 크게 세 가지로 나눌 수 있다. Region growing, Image dividing, 그리고 경계추출방법이다. 다음에서는 이들 방법의 개략적인 내용을 살펴 보고 자 한다.
(1) Region growing 방법
Region growing 방법은 물체가 가지고 있는 휘도의 유사성에 착안하여 유사한 휘도를 갖는 인접한 픽셀들을 찾아 묶어 감으로써 물체의 형체를 추출하는 방법 이다. 일반적으로 두 가지의 측정치가 Region-growing 방법에서 이용되고 있는데
11) Woodcock, C. E., and V. J. Harward, 1992. Nested-hierarchical scene models and image segmentation. International Journal of Remote Sensing of Environment 13 (16):
3167-3187.
12) Fjørtoft, R, A. Lopes, P. Marthon, and E. Cubero_Castan, 1998. An optimal multiedge detector for SAR image segmentation. IEEE Transactions on Geoscience and Remote Sensing 36 (3): 793-802.
Coleman, G. B., and H. C. Andrews, 1979. Image segmentation by clustering.
Proceedings of the IEEE 67 (5): 773-785.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 21
스펙트럼 공간상에서의 거리 그리고 확률밀도함수이다. 스펙트럼 공간상에서 픽 셀간의 기하학적 거리를 이용하는 방법은 우선 기준이 되는 픽셀 혹은 일단의 그룹의 픽셀 평균으로부터 비교하고자 하는 픽셀까지의 스펙트럼 공간상에서의 거리를 측정한다. 그리고 이 거리가 일정 기준을 만족시키면 같은 물체에 속하는 것으로 판단하여 그룹의 구성원으로 포함시켜 나가는 방법이다.
이와 같은 개념의 Region-growing 방법들이 다양하게 개발되어 있으나, 그 가 운데 비교적 간단한 방법인 Single linkage 방법을 살펴보면, 연구자에 의하여 동 일 그룹으로 정의할 때 기준이 되는 스펙트럼 공간상의 거리를 정하게 된다. 다 음으로 처음의 시작점이 되는 픽셀을 정하고 이 픽셀과 연결되어 있는 픽셀과의 거리를 측정한다. 측정된 거리가 설정된 기준치를 만족하면 같은 그룹으로 묶는 다. 기준치를 만족시키지 못하면 그 픽셀이 다음 형체의 시작 픽셀이 되어 주변 의 픽셀과 비교를 하게 되며, 이와 같은 과정이 전체 픽셀에 대하여 다 수행될 때까지 반복된다. 이 방법은 개개의 픽셀이 비교의 단위로 사용되기 때문에 많은 고립된 픽셀들이 지역을 형성하게 된다.
이러한 문제점을 보완하기 위하여 Hybrid single linkage 방법이 사용되고 있는 데, 이 방법은 한 픽셀의 휘도를 비교를 위한 단위로 사용하지 않고, 그 픽셀을 둘러싸고 있는 여러 개의 픽셀이 보여 주는 평균치를 사용한다. 그리고 이 여러 개의 픽셀의 평균값을 가지고 계산한 스펙트럼 공간 상의 거리가 기준을 만족시 키면 그 픽셀은 비교의 집단에 구성원으로 포함시킨다. 그렇지 않을 경우 그 픽 셀이 새로운 형체의 시작점이 되어 같은 과정을 반복하게 된다.
확률밀도함수를 사용하는 경우, 비교할 픽셀을 결정하는 것은 Hybrid single linkage 방법과 유사하지만, 동질성을 결정하는 지표로서 확률밀도함수와 확률을 사용하게 된다. 즉 한 픽셀이 비교의 대상이 가지는 확률밀도함수에 의하여 같은 집단으로 인정될 수 있는 확률을 찾아서, 이 확률이 주어진 기준을 만족시키는 경우 같은 그룹의 구성원으로 합류시킨다. 그렇지 않으면 그 픽셀이 시작점이 되 어 같은 과정을 모든 픽셀이 다 점검될 때까지 반복한다.
위에서 제시한 Region growing 방법의 문제점은 시작점을 어디를 선택하느냐 에 따라서 결과가 달라질 수 있다는 것이다. 따라서 안정적인 물체의 형체를 위 한 세그먼트를 얻는 것이 이 방법을 통하여는 보장되지 않는다. 또 고립된 픽셀 을 줄이기 위한 방법을 사용하였다고는 하지만, 이 방법은 많은 고립된 픽셀을 지역으로 산출하게된다.
(2) Image dividing 방법
이미지 분할방법은 두 가지 방법으로 나누어진다. 하나는 split and merge이고 다른 하나는 threshholding 방법이다. threshholding 방법은 이미지의 픽셀들의 휘 도 측정치의 히스토그램을 바탕으로 이미지를 분할한다. 가장 심플한 방법으로 는 이미지가 가지고 있는 하나의 밴드를 이용하여 1차원적인 threshholding 방법 을 적용하는 것이다13). 즉 각 픽셀이 가지고 있는 휘도의 측정치를 가지고 히스 토그램을 만들고, 작성된 히스토그램에서 안혁부 (鞍革部)를 찾아내고 안혁부와 안혁부 사이의 값을 갖는 픽셀들을 하나의 동질적인 집단으로 간주한다. 그리고 공간상에서 같은 집단의 픽셀들이 연접하여 있는 것들을 찾아서 한 형체로 묶어 가는 것이다.
이러한 개념을 다중분광 이미지 데이터에 대하여도 복잡하기는 하지만 확장하 여 적용할 수 있다. Coleman과 Andrew는 이러한 개념으로 다차원상에서 나타나 는 군집을 이미지 세그멘테이션의 연구에 적용하였다14). 또 Woodcock과 Harward 는 두 가지 threshold를 이미지 세그멘테이션에서 사용하였다15).
thresholding 방법은 일반적으로 매우 간단하고 적용하기 쉽다. 그러나 이것은 반대로 문제점도 많이 가지고 있다. threshholding 방법은 Region-growing 방법과
13) Haralick, R. M., and L. G. Shapiro, 1985. Image segmentation techniques. Computer Vision, Graphics, and Image Processing 29: 100-132.
14) Coleman, G. B., and H. C. Andrews, 1979. Image segmentation by clustering.
Proceedings of the IEEE 67 (5): 773-785.
15) Woodcock, C. E., and V. J. Harward, 1992. 앞의 논문, 3167-3187면.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 23
는 달리 순전히 비공간적인 어프로치를 사용하며, 이미지 세그멘테이션에 있어 서 각 픽셀의 인접한 지역 혹은 픽셀과의 관계를 바탕으로 하지 않는다. 따라서 픽셀들이 히스토그램 상으로는 하나의 그룹으로 간주될 수 있으나, 공간적인 분 포로는 고립되어 있을 가능성이 많다. 이러한 가능성은 물체의 경계 부근에서 스 펙트럼의 혼합이 일어나 그 결과로 더욱 빈번하게 나타날 수 있다. 노이즈에 대 하여도 취약점을 가지고 있다. 비슷한 휘도의 노이즈가 이미지에 균등하게 분포 되어 있다면 히스토그램 상에 하나의 피크를 가질 수 있고 이것이 하나의 군집으 로 정의될 수 있다. 이 경우 많은 고립된 픽셀이나 조그만 지역들이 나타나게 된 다. 때로는 독립된 두 개의 집단이 휘도 상 중첩되어 있을 때, 두 집단사이에 예 상되는 안혁부가 형성되지 않을 수도 있다. 이 경우 이들은 하나의 집단으로 간 주됨으로써 혼란을 가져올 수 있다.
split and merge 방법의 대표적인 것으로서 Franklin과 Wilson은 qardtree를 기초 로 한 이미지 분할 방법을 제안하였다16). 이 방법은 전체의 이미지를 4개로 나눈 qardtree로부터 시작한다. 이 4개의 분할된 각각의 부분에 대하여 통계적으로 동 질성을 시험한다17). 예를 들면 4개로 나뉘어진 집단에 대한 변량이 기준치를 만 족시킬 경우 이 집단은 하나의 동질적인 집단으로 인정된다. 변량의 기준치는 대 개 전체 이미지에 대한 변량을 계산하고 이것을 바탕으로 하여 적절한 수준을 연구자가 결정하게 된다. 동질적이라고 인정된 집단은 더 이상 분할되지 않는다.
대신 동질적이라고 판정된 집단은 인접한 집단과 동질성을 다시 점검할 수 있다.
그 결과 두개의 집단의 동질성이 일정수준의 기준을 만족시키면 이 두 개의 집단 은 같은 집단으로 간주되어 합병된다.
동질성이 발견되지 않은 집단은 다시 각각이 4개의 qardtree로 분할되어 동질 성을 시험하고, 동질성이 확인된 집단에 대하여는 다시 인접한 집단과 동질성을 시험한다. 이와 같은 과정이 더 이상 분할하여 동질성을 테스트할 부분이 없을
16) Franklin, S. E., and B. A. Wilson, 1991. Spatial and spectral classification of remote sensing imagery. Computers & Geosciences 17(8): 1151-1172.
17) Haralick, R. M., and L. G. Shapiro, 1985. 앞의 논문, 100-132면.
때까지 지속된다. 이렇게 분할/합병된 지역들은 집단적으로 분류 등 다음의 분석 의 단위로 이용될 수 있다.
이 방법의 문제점은 이미지를 사각형 모양의 지역으로 분할한다는 것이다. 따 라서 이 방법에 의한 세그멘테이션의 결과는 사각형 모양의 분할방법에 의하여 영향을 받는다. 즉 그 결과가 물체와 일치하는 세그멘테이션의 결과보다는 사각 형의 모양으로 왜곡된 형태의 결과를 얻을 가능성이 크다. 또한 인위적인 이미지 의 분할로 한 집단 안에 서로 다른 집단의 일부가 포함되어져 동질성을 인정받을 수 있다. 특히 인접한 지역들을 합병시키는 기준이 최적의 기준보다 크거나 작을 때, 세그멘테이션의 결과는 사용자에게 만족을 주지 못할 수가 있다.
(3) 경계추출방법
경계 추출방법은 물체 내의 휘도 측정치의 동질성, 그리고 백그라운드 및 물체 간의 이질성에 기초한 이미지 세그멘테이션 방법이다. 일반적 방법 중 하나는 휘 도 측정치의 크기가 다른 이웃한 픽셀간에 나타나는 휘도 측정치 상의 경사도를 측정하는 것이다. 다양한 방향으로부터의 경사 값이 다양한 오퍼레이터에 의하 여 계산되어질 수 있는 방법들이 개발되어 있다. 이 방법들에는 1차 미분, 제로섬 필터, 그리고 Laplacian 오퍼레이터 혹은 2차 미분 등을 포함한다. 이 방법들은 작동하기 단순하나, 미약한 경사 값, 작은 구조물, 그리고 노이즈에도 민감하다.
국부적인 텍스춰 측정치도 역시 흔히 경계 추출을 위하여 흔히 사용되어진다.
텍스춰 측정치로서 이용되는 통계치는 변량 혹은 표준편차이다. 이들이 나타내 주는 특성은 변화가 심한 부분에서는 변량이나 표준편차가 큰 값을 갖게 된다는 것이다. 일반적으로 경계란 서로 다른 휘도 값이 부딪히는 지점으로서 국지적으 로 휘도의 변화가 심하게 나타나는 지역이다. 따라서 이들 텍스춰 값은 경계에서 큰 값을 나타낸다. 이 큰 텍스춰 값이 경계를 추출하는 한 지표로 활용될 수 있 다.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 25
경계추출 방법의 문제는 우선 앞에서도 언급된 바와 같이 그 결과가 휘도의 조그만 변화에도 매우 민감한 결과를 보인다는 것이다. 즉 물체간의 경계에서 나 타나는 휘도의 변화뿐만 아니라 물체의 내부에서 나타날 수 있는 작은 휘도의 차이도 이 방법에 의하면 쉽게 감지되어진다. 따라서 경계의 위치를 추출하기 위 해 이 방법들을 사용할 경우 지나친 가성 (假性)의 경계들이 만들어질 수 있다는 것이다. 따라서 진성 (眞性)의 경계를 추출하기 위한 추가의 과정을 요구한다. 그 러나 경계는 다양한 값을 가지기 때문에 이 과정은 싑지 않다. 또 다른 문제는 경계를 감지하기 위한 오퍼레이터와 경계의 기하학적 구조가 이 방법에서 충분 히 고려되지 못하고 있다는 점이다. 기존에 개발된 오퍼레이터는 대부분 일정한 면적을 지닌 사각형의 커널로서 선형 모양의 경계들과는 다른 기하학적 모양을 갖는다. 이것이 자주 선형의 경계를 불분명하게 하며, 특히 코너에서 이와 같은 현상이 두드러지게 나타난다.
2) 물체의 식별
(1) 스펙트럼 특성에 기초한 물체식별
이렇게 찾아진 이미지 세그멘트들이 무엇인가를 스펙트럼 특성을 바탕으로 확 인하려는 연구가 여러 가지 방법으로 많이 시도되었다. Meyer 등은 자동적으로 추출된 이미지 세그멘트를 찾아낸 결과를 이용하지는 못하였지만 세그멘트 단위 로 물체를 확인하려는 연구를 하였다18). 이들의 연구에서는 개개 나무의 수관이 수작업으로 추출되었다. 이와는 별도로 개개의 픽셀들이 나무의 유형별로 스펙 트럼 및 텍스춰 정보를 바탕으로 분류되었다. 그리고 개개 나무는 그 나무의 수 관 (樹冠)에 속한 픽셀들 가운데 주로 많이 나타나는 나무의 유형으로 분류되었
18) Meyer, P., K. Staenz, and K. I. Itten, 1996. Semi-automated procedures for tree species identification in high spatial resolution data from digitized colour infrared-aerial photography. ISPRS Journal of Photogrammetry & Remote Sensing 51: 5-16.
다. 개개 나무가 직접적인 분석의 단위로는 사용되지 못하였지만 이 연구에서는 개개의 나무가 픽셀단위로 분석된 분류의 결과를 종합하는 단위로서 사후분류 (事後分類)의 단위로 사용되었다. 그렇다 하더라도 물체 단위의 결과를 도출하려 는 새로운 도전으로 이미지 세그멘테이션과 분류를 연결시키는 아이디어를 제공 하고 있다. Gougeon은 세그멘트 단위의 스펙트럼 특성을 이용하여 직접 세그멘 트를 분류하였다. 이 연구에서도 세그멘트는 사람의 손으로 추출되었지만, 세그 멘트의 각종 스펙트럼의 통계적 특성들을 이용하여 세그멘트를 분류하였으며, 70% 이상의 정확도를 얻었다19). Janssen과 Molenaar는 Gougeon의 연구와 비슷한 사후분류의 단위로 세그멘트를 이용하였으나, 세그멘트의 추출은 구젼과는 달리 자동적으로 추출된 세그멘트를 이용하였다20).
(2) 물체의 기하학적 특성을 이용한 물체식별
Sahar and Krupnik는 빌딩의 기하학적 모양의 특성을 이용하여 물체를 추출하 려 하였다21). 그들은 빌딩의 경계가 갖는 특성으로서 사각형의 빌딩이 갖는 평행 한 두 선분의 존재, 이와 연결되는 코너, 빌딩에서 코너의 방향성에 따른 발생 가능한 조합 등을 제시하였다. 그리고 경계추출 방법을 이용하여 빌딩과 관련된 경계들을 추출하였다. 추출된 경계들 가운데는 빌딩의 경계와는 무관한 경계들 도 포함되어 있다. 이들을 빌딩의 경계가 갖는 특성을 바탕으로 관계가 있는 경 계들로부터 구별하고, 관계가 있는 경계들을 이용하여 빌딩을 추출하여 내었다.
19) Gougeon, F. A., 1995. Comparison of possible multispectral classification schemes for tree crowns individually delineated on high spatial resolution MEIS images. Canadian Journal of Remote Sensing 21(1): 1-9.
20) Janssen, L. L. F., and M. Molenaar, 1995. Terrain objects, their dynamics and their mornitoring by the integration of GIS and Remote Sensing. IEEE Transactions on Geoscience and Remote Sensing 33 (3): 749-758.
21) Sahar, L., and A. Krupnik, 1999. Semiautomatic extraction of building outlines from large-scale aerial images. Photogrammetric Engineering and Remote Sensing 65(4):
459-465.
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 27
McKeown도 경계추출의 결과를 가지고 빌딩을 이루는 선분과 빌딩의 모서리를 이루는 코너의 점들을 찾아내었다22). 그리고는 이 결과에 같은 빌딩내의 선분들 로 추정되는 선분들을 연결하는 방법을 이용하여 빌딩을 찾아보려고 하였다23). 이러한 기하학적 모양을 바탕으로 한 접근방법은 규칙적인 사각형 모양들로 이 루어진 빌딩들에 대하여는 효과적인 방법이 될 수 있다. 그러나 빌딩이 불규칙한 모양을 갖던지, 서로 평행하는 선형들을 가지고 있지 않다면 이 방법으로는 효과 적인 결과를 생산하기 어렵다.
(3) 주변 물체와의 관계를 이용한 물체식별
빌딩과 같이 독립되어 있는 물체와는 달리 도로의 경우 물체의 인식에 더욱 복잡함이 게재된다. 따라서 빌딩에서 이용되었던 기하학적 특성에 대한 정보만 으로는 도로의 네트워크를 충분히 만들어 내지 못한다. Baumgartner 등은 0.25m 의 고해상도 이미지에서 경계추출의 결과를 바탕으로 도로에 대한 스펙트럼 특 성 및 기하학적 특성에 대한 지식을 이용하여 도로를 추출하려고 시도하였다24). 도로는 높은 건물의 그림자, 나무로부터 드리워진 그림자 등으로 단절되어 있는 것이 일반적이다. 이 단절된 일련의 도로의 부분들을 주변물체와의 관계를 이용 하여 연결함으로써 도로의 네트워크를 추출하려고 시도하였다. 예를 들면 그림 자로 인하여 단절되었을 경우, 이 부분이 그림자인지 단지 스펙트럼 상 검은 물
22) McKeown, D. M., 1990. Toward automatic cartographic feature extraction. In:
Mapping and Spatial Modelling for Navigation (Pau, L. F., editor), NATO ASI series F65: 149-180.
23) Shufelt, J. A., 1999. Performance evaluation and analysis of monocular building extraction from aerial imagery. IEEE Transactions on Pattern Analysis and Machine Intelligence 21 (4): 311- 325.
24) Baumgartner, A., W. Eckstein, H. Mayer, C. Heipke, and H. Ebner, 1997.
Context-supported road extraction. In: Automatic Extraction of Man-Made Objects from Aerial and Space Images (II) (A. Gruen, E. P. Baltsavias, and O. Henricsson, editors), Birkhauser Verlag, Basel, pp. 299-308.
체인지를 빌딩 혹은 나무 등과의 연계를 바탕으로 결정하고, 그림자로 확인되면 두 도로의 단절된 끝을 연계시키는 등의 방법을 사용하였다.
5. 물체 자동추출의 이점
물체 자동인식의 이점은 여러 가지의 측면에서 볼 수 있다. 리모트센싱 데이터 로부터 물체자동인식은 총체적으로는 GIS와 리모트센싱의 통합을 촉진시키는 혁명 적인 기술이 될 것이다. 물체의 자동추출이 가능하다면 이것은 지리정보시스템에 획 기적인 기여를 할 수 있게 된다. 지리정보 시스템 중 특히 벡터모델의 경우 가장 큰 문제점은 무엇보다도 자료의 획득이다. 자료입력이 GIS 활용의 병목현상을 이루 고 있다. 전체 프로젝트 비용의 80%까지를 데이터베이스의 구축에 사용하는 경우도 보고되고 있다. 이중의 상당부분은 공간정보의 구축이 차지한다. 특히 이것은 매우 노동집약적이고 지루하며 오류를 발생시키기 쉬운 부분이다. 그러나 리모트 센싱은 앞서 언급된 바와 같이 자료의 획득 면에서는 기술이 굉장히 발달하여 있다. 매순간 마다 수많은 자료가 리모트 센싱의 방법을 통하여 획득되고 있다. 이것이 벡터모델 에서 요구하는 정보와 원활히 연결될 수 있다면 공간정보의 획득에 소요되는 프로젝 트의 상당부분을 차지하는 비용을 절감할 수 있다. 이것은 바로 GIS의 활용에 직접 적으로 영향을 줄 것이고 GIS의 활용은 급진전될 것으로 전망할 수 있다.
구체적으로는 지도의 제작 및 업그레이드에 활용될 수 있다. 기존의 지도제작의 방법은 항공사진의 촬영, 도화의 사이에 복잡한 과정을 거치게 되며 이것은 매우 기 술적이면서도 노동집약적이며 많은 비용을 요구한다. 자동적인 물체의 인식과 추출 이 가능하게 되면 지도 자동제작의 기반이 조성되는 것이다. 수년만에 한번씩 수정 되던 기왕의 지도가 거의 실시간에 가까운 수정을 통하여 보다 정확한 정보를 지도 의 사용자에게 제공하여 줄 수 있게 될 것이다. 이것에 따른 시너지효과는 지도를 바탕으로 하는 각종의 행정과 개발 활동 그리고 정보시스템에서 여러 형식으로 발현 될 것이다. 간단한 예를 든다면 불법 건축물의 감시체제도 이러한 정보를 이용하여
제 2 장∙고해상 디지털 영상자료의 자동 물체식별 방법론 29
