Detection of Settlement Areas from Object-Oriented Classification using Speckle Divergence of High-Resolution SAR Image
12
0
0
전체 글
(2) 송영선. 왔으며(Jensen and Cown 1999; Xu 2008), 이때 대부분. et al. 2008; Esch et al. 2010) 이 있다.. 광학영상이 활용되었다. 그러나 광학영상은 잘 알려. 최근 들어 광학영상을 비롯하여 SAR 위성영상들도. 진 바와 같이 시간대와 날씨에 매우 의존적인 특징을. 1m급 이상의 고해상으로 발전함으로 인해서 픽셀기반. 가진다. 따라서 특히 재해와 같은 특수한 사건이 발생. 영상분류로 다수의 분광특성이 혼합되어 있는 단일 대상. 한 후 짧은 시간 내에 조사를 수행해야 한다든지 혹은. 물을 하나의 객체로 인식시키기에는 어려움이 있다. 따. 특정 시간대에 자료를 취득해야 하는 조건에서 날씨와. 라서 영상분류 전 단계로 영상분할을 수행하고, 이를 기반. 태양조건에 독립적인 SAR 위성영상은 매우 중요한. 으로 영상을 분류하는 객체기반 영상분류가 고해상도 영. 가치를 가진다고 할 수 있다.. 상의 분류에 적합하다. 지금까지 대부분의 객체기반 영. 그러나 SAR 위성영상은 광학영상에 비해서 활용. 상분류는 광학영상을 대상으로 주로 연구가 수행되어 왔. 할 수 있는 분광해상도가 낮고, 스페클(speckle)은 특정. 으며, 이에 본 연구에서는 X-band를 활용한 1m급의 고. 대상물을 분류하는데 어려움을 발생시킨다. 이러한 한계. 해상도 SAR 위성영상에 대해서 객체기반 영상분류를 적. 에도 불구하고 SAR 영상은 특정 대상물에 대해서는 그. 용하고 주거지역의 분류 가능성을 평가하고자 하였다.. 특성이 광학영상에 비해서 명확하게 나타나며, 그 예로. 본 연구의 목적은 고해상도 SAR 위성영상을 이용하여. SAR 영상은 대상면의 거칠기가 거의 없는 지역에서 반사. 주거지역을 효과적으로 분류하는 것으로써 이를 위해 스. 강도가 낮아 타 영역에 비해 상대적으로 낮은 밝기값을. 페클 divergence를 이용하여 SAR 영상에서 주거지역의. 가지는 특징이 있기 때문에 지금까지 대부분 SAR 영상을. 밝기값을 강화시키고, 스페클 divergence 텍스쳐 영상에. 이용한 특정지역의 분류는 주로 그 대상이 하천, 호수 등. 객체기반 영상분류법을 적용하였다. 추가적으로 X-band. 과 같은 수계영역에 대해서 주로 수행되어 왔다(손홍규. SAR 위성인 TerraSAR-X 위성영상 뿐만 아니라 2013년. 외 2004). 이와는 달리 또 하나의 특징으로 사람이 거주. 발사된 우리나라 최초의 SAR 위성인 KOMPSAT-5를 대상. 하는 지역의 인공구조물에서는 반사강도가 높아 생성되는. 으로 연구를 진행함으로써 KOMPSAT-5의 도시 분야. 영상에서 높은 밝기값을 가지며, 이러한 특성을 이용하면. 활용가능성도 평가하고자 하였다.. 광범위한 지역에서 인공구조물이 분포하는 주거지역을 효과적으로 추출할 수 있다.. 2. 방법론. 광범위한 지역에서 주거지역의 추출은 우리나라와 같이 빠른 도시의 성장으로 많은 문제가 유발될 수 있는. 본 연구의 절차는 Figure 1과 같다. 먼저 고해상도. 지역에서 핵심적인 요소기술로 볼 수 있으며, 활용 가능. X-band SAR 위성영상의 헤더에 포함된 메타자료와. 한 주거지역 관련 자료들은 도시지역의 효율적인 관리를. 강도영상으로부터 3.2에서 제시한 방법으로 스페클. 위해서 매우 핵심적인 것이다. 앞서 언급한 바와 같이 위. divergence를 계산하고, SAR 시뮬레이션기법을 적용. 성영상을 활용한 도시지역의 추출은 그 동안 많은 연구가. 하여 기하보정 된 스페클 divergence 텍스쳐 영상을. 진행되어 왔으며, 이는 주로 광학영상을 기반으로 하거나. 생성하였다. 기하보정 된 스페클 divergence 텍스쳐. 혹은 광학영상과 레이더 영상의 융합에 의한 기법들이었고,. 영상을 다중해상도 영상분할기법(multi-resolution. 아직 SAR 영상만을 활용한 연구들은 아직 진행 중이다.. segmentation)을 적용하여 영상을 유사한 분광특성을. 관련된 연구로써, 텍스쳐 기반의 영상분류 정확도 개선,. 가지는 객체단위로 분할하였다. 이때 영상분할에 필. 시계열 영상자료를 이용한 도시지역 분석, 객체기반 영상. 요한 축척, 형상, 밀집도 등의 매개변수 값은 몇 번의. 분류법을 적용한 주거지역 분류 등(Dekker 2003; Thiel. 테스트를 거쳐 객체가 경계선 단위로 잘 분리되는 값으로. 80. 「지적과 국토정보」 제47권 제2호. 2017.
(3) 고해상도 SAR 위성영상의 스페클 divergence와 객체기반 영상분류를 이용한 주거지역 추출. Figure 1. The steps of settlement areas classification by using object-oriented classification. 적용하였다. 다중해상도 영상분할기법으로 객체단위로. 력자료로 하여 주거지역을 추출하기 위해서 X-band. 분할된 영상에서 주거지역과 비주거지역을 대표하는 훈. 고해상도 영상인 독일의 TerraSAR-X와 우리나라. 련지역(training area)을 지정하고, 최근린분류법으로 주. KOMPSAT-5 영상을 이용하였다. 대상지역은 대전광. 거지역을 추출하였다. 정확도 평가를 위해서 동일한 데. 역시 인근지역으로써 사용된 위성영상 및 대상영역은. 이터를 이용하여 픽셀기반 영상분류법으로 주거지역을. 각각 Figure 2, Figure 3과 같으며, 두 위성영상의 강. 추출하고 정확도를 비교하였으며, 추가적으로 토지이용. 도영상은 히스토그램의 조정을 통해 표현하였다.. 현황도로부터 추출된 주거지역을 기준자료로 활용하여. Table 1에서 보는 바와 같이 영상의 해상도는 1m. 정확도 평가를 수행하였다. 최종적으로 분류성과를 육안. 급의 고해상도이고, 영상의 크기는 TerraSAR-X가. 으로 비교하여 정확도 차이의 원인을 분석하였다.. 28,559×16,480, KOMPSAT-5는 8,353×5,024픽셀이 다. KOMPSAT-5 영상의 경우 Table 1에서 보듯이 위. 3. 자료처리 및 분석. 성진행방향 해상도와 경사거리방향 해상도의 차이가 크므로 multilooking을 통해서 각 방향의 해상도를. 3.1. 대상지역 및 사용 데이터. 동일하게 조정하였다.. 고해상도 SAR 위성영상을 객체기반 영상분류의 입 Journal of Cadastre & Land InformatiX Vol.47 No.2 (2017). 81.
(4) 송영선. Table 1. Image parameters of the TerraSAR-X and KOMPSAT-5 data used this study TerraSAR-X. KOMPSAT-5. Date. 19-Nov-2008. 29-DEC-2015. Product Type Acquisition mode Geom. Resolution (az×rg) Incidence Angle(deg.) Antenna Pointing. SSC_SM_S. SCS_B. Stripmap. High Resolution. 1.9m×1.89m. 0.61m×1.04m. 27.15°~30.32°. 28.90°~29.36°. Right. Right. Pass. Ascending. Ascending. Polarization. HH. HV. 데이터의 취득시기는 TerraSAR-X가 2008년,. Figure 3. Test area and data coverages (region 1: KOMPSAT-5, region 2: TerraSAR-X, region 3: DEM). KOMPSAT-5는 2015년으로써 약 7년의 시차가 존재 하지만 두 영상의 중복지역에 대해 육안으로 변화 지역을 살펴본 결과, 약 7년 동안의 기간 동안에는 큰. 두 영상의 기하보정을 위해서 사용된 수치표고 모형(Figure 4)은 2,308×2,362 크기로 해상도가 5m이고, 좌표계는 ESPG 5186-Korea 2000/Central Belt 2010. 변화가 없는 것으로 나타났다.. 로써 GRS80타원체, TM 투영의 가상원점좌표가 60만, 20만이다.. (a) TerraSAR-X. (b) KOMPSAT-5. Figure 2. TerraSAR-X and KOMPSAT-5 intensity image of Daejeon. 82. 「지적과 국토정보」 제47권 제2호. 2017. Figure 4. Digital Elevation Model.
(5) 고해상도 SAR 위성영상의 스페클 divergence와 객체기반 영상분류를 이용한 주거지역 추출. 객체기반 영상분류법을 통해 SAR 위성영상부터 추. 해서는 유사한 반사강도를 가지는 영역을 그룹화해야. 출된 주거지역의 분류 정확도 평가를 위해서 국토지. 하며, 스페클 divergence는 스페클의 반사강도를 강. 리정보원에서 배포하고 있는 토지이용현황도를 기준. 조하는 동시에 확장하는 기능을 한다. 스페클 divergence. 자료로 이용하였으며, 2004년 구축된 토지이용현황. 텍스쳐 영상의 생성은 위성영상에서 제공하는 메타데. 도는 최근 촬영된 항공사진을 이용하여 수정하여 활용. 이터와 식(1)~식(3)을 이용하여 계산할 수 있으며. 하였다. Figure 5에서 붉은색 영역이 주거지역이다.. (Esch et al. 2010), 이 때 사용되는 커널사이즈에 따라서 반사강도가 높은 픽셀주위로 밝은 영역이 확대되는 영역이 조정된다. 커널사이즈는 영상의 해상 도와 영상에 포함된 객체들의 크기에 따라서 선택 하여야 한다.. . . (1). . . . (2). : the speckle divergence : the local coefficient of variation defined by Figure 5. Landuse map of test site(red areas are settlement areas). 3.2. 스페클 divergence를 이용한 텍스쳐 영상생성 SAR 영상에서 스페클 현상은 SAR의 해상도 요소 에서 여러 대상물의 역산란 신호가 중첩되어 발생하는. the local. : the local standard deviation : the local mean . : the standard deviation of image. . : the mean of image. . : the theoretical heterogeneity due to developed speckle. 공간적으로 무작위적인 노이즈를 말한다. 주거지역은 Figure 2의 강도영상에서 보는 바와 같이 스페클과 높은 밝기값을 가지는 수 많은 반사체의 집합으로 구성되어 있고, Figure 6의 스페클 divergence 텍스쳐 영상에 서는 주변에 비해 매우 높은 밝기값을 가진 영역들로 표현된다. 스페클 divergence 는 완전하게 전개된 스페클에서. 여기서, 는 (equivalent number of look)의 역 수이며, 은 아래 식(3)을 이용하여 계산할 수 있다.. . (3). : the effective number of looks in the azimuth and range(stated in metadata). 장면 고유의 이질성으로부터 지역적인 스페클 거동의 편차를 묘사한 영상 텍스쳐 정보의 한 종류이다. SAR. 본 연구에서는 커널사이즈를 9×9로 설정하여 스페클. 영상에서 객체기반영상분류 정확도를 향상시키기 위. divergence 텍스쳐 영상을 생성하였다. Figure 6은 Journal of Cadastre & Land InformatiX Vol.47 No.2 (2017). 83.
(6) 송영선. 법인 SAR simulated terrain correction 방법을 이용 하여 기하보정을 수행하였다(Figure 7). 이때 시뮬레 이션된 영상과 원영상과의 관계는 2차 다항식을 사용 하였고, 보간법은 공일차보간법(bilinear interpolation)을 적용하였으며, 기준점을 사용하지 않고 천체력자료만을 활용하여 기하보정을 수행하였다. 기하보정에 사용된 수치고도모형의 해상도는 5m이지만 생성되는 기하 보정영상의 픽셀간격은 원영상의 해상도로 생성하였 으며, 따라서 TerraSAR-X는 1.90m, KOMPSAT-5는. (a) TerraSAR-X. (b) KOMPSAT-5. 1.04m이다.. Figure 6. Speckle divergence texture images. 스페클 divergence가 계산된 텍스쳐 영상으로써 Figure 2의 강도영상과 비교해 볼 때 주거지역과 비주 거지역의 밝기값 차이가 명확해졌음을 육안으로 확인 할 수 있다. Figure 6에서 밝은 영역이 건물들이 밀집되어 있는 주거지역이고, 어두운 영역은 비주거지역이다. Figure 2(b)의 KOMPSAT-5는 multilooking을 통해. (a) TerraSAR-X. (b) KOMPSAT-5. Figure 8. Simulated SAR images. 서 해상도가 조정된 영상으로써 크기는 4,176×5,024이다.. 3.3. SAR-simulation를 이용한 기하보정 SAR 영상의 기하보정 방법은 크게 Range-Doppler 공식에 의한 방법과 위성의 천체력자료와 지형의 형 상을 고려하여 영상을 시뮬레이션하고 그 성과를 이 용하여 기하보정을 수행하는 방법이 있으며(한동엽. (a) TerraSAR-X (pixel spacing : 1.90m). 외 1998; 손홍규 외 2005), 본 연구에서는 두 번째 방. Figure 7. The steps of terrain corrected SAR image generation. 84. 「지적과 국토정보」 제47권 제2호. 2017. (b) KOMPSAT-5 (pixel spacing : 1.04m) Figure 9. Terrain corrected SAR divergence image.
(7) 고해상도 SAR 위성영상의 스페클 divergence와 객체기반 영상분류를 이용한 주거지역 추출. Figure 8은 Figure 3의 수치표고모형을 이용하여. 0.8로 설정하여 영상을 재분할하였으며, TerraSAR-X. 시뮬레이션 된 영상이며, 기하보정 된 위성영상은. 는 20,668개, KOMPSAT-5는 15,987개의 객체로 영. Figure 9와 같다. 생성된 기하보정영상의 평면 위치정. 상이 분할되었다(Figure 10).. 확도를 개선하기 위해서 하나의 기준점을 이용하여 편위를 계산한 후 편위량 만큼 이동시켜 평면 위치를 조정하였다(손홍규 외 2005).. 3.4. 객체기반 영상분류법을 이용한 주거지역 의 추출 3.4.1. 영상분할 객체기반의 영상분류는 원격탐사분야에서 지금까 지 많이 사용되어 온 영상분류기법 중의 하나로써, 전 통적인 픽셀기반 영상분류를 대체하기 위해서 개발된. (a) TerraSAR-X. 기법이다. 객체기반 영상분류에서 첫 번째 단계인 영 상분할은 분류정확도 측면에서 매우 중요한 단계로서 영상에서 유사한 분광특성을 가지는 픽셀들을 그룹화 하는 것이다. 영상분할의 주요 목적은 영상에 포함된 실제 세계의 영역이나 객체들중에서 강한 상관관계를 가지는 의미 있는 부분들로 영상을 분할하는 것으로써 크게 픽셀기반의 임계치 방법, 경계선기반의 방법, 영 역기반의 방법으로 구분할 수 있다(Blaschke et al. 2004, Sonka et al. 2008). 본 연구에서는 영상의 분할을 위해서 영역기반의 영상분할방법 중의 하나인 다중해상도 영상분할방법 을 적용하였으며, 주거지역의 추출을 위해서 두 단계. (b) KOMPSAT-5 Figure 10. Image segmentation results. 의 영상분할을 수행하였다. 첫 번째는 대략적인 주거 지역 추출을 위한 단계로써, 건물이나 도로 등과 같은. 다중해상도 영상분할 있어 중요한 요소는 객체의. 작은 객체들은 몇 개의 큰 객체들에 포함되어 영상이. 분할축척, 분광요소(color factor), 형상요소가 있고,. 단순화 된다. 첫 번째 단계의 영상분할을 위해서 분할. 형상요소는 다시 평활도(smoothness)와 조밀도로 구. 축척(scale)은 100, 형상인자(shape)는 0.3, 그리고 조. 분된다(Figure 11). 영상분할시 이 5가지 요소의 가중. 밀도(compactness)는 0.8로 설정하여 영상분할을 수. 치에 의해서 객체의 형태 및 성질이 결정된다. 분광요. 행하였다. 첫 번째 단계에서 분할된 객체를 다시 세분. 소와 형상요소의 가중치의 합은 1로써 분광요소의 가. 화된 객체로 분할하기 위해서 첫 번째 단계를 통해 분. 중치가 증가하면 형상정보는 감소하는 특성을 가진. 할된 영상에 대해 축척 25, 형상 0.3, 그리고 조밀도는. 다. 평활도와 조밀도의 가중치도 분광요소와 공간요. Journal of Cadastre & Land InformatiX Vol.47 No.2 (2017). 85.
(8) 송영선. 류의 결과로써 그림에서 붉은색 영역은 객체기반 영 상분류법으로 추출된 주거지역으로서 원영상과 중첩 하여 표현하였다.. Figure 11. Multi-resolution concept. 소의 가중치와 마찬가지로 두 가중치의 합은 항상 1이 되는 관계를 가진다. 객체의 분할에 있어 중요한 요소 인 분할축척은 값이 커질수록 상대적으로 객체하나 의 크기가 커지고, 밀집도가 높을수록 생성되는 각각 객체의 형태가 복잡하고 조밀해진다(이정빈 외 2007).. 3.4.2. 영상분류. (a) TerraSAR-X. 본 연구에서는 Figure 10에서 유사한 분광특성을 가지는 객체로 분할된 영상을 최근린분류법(nearest neighbor classification)으로 주거지역을 추출하였 다. 영상분류를 위한 훈련지역은 주거지역과 비주거 지역을 대표할 수 있는 영역을 분할된 객체단위로 선 택하였으며, 픽셀기반영상분류에서 훈련지역의 선택 에 시간과 노력이 필요한 반면에 객체기반 영상분류 의 경우는 이미 유사한 속성을 가지는 영역들이 하나 의 객체로 이루어져 있으므로 간단히 훈련지역을 선 택할 수 있다. Figure 12는 최근린분류법을 위해서 선 택된 훈련지역을 나타낸 것으로써 붉은색이 주거지역 이고 노란색이 비주거지역이다. Figure 13은 영상분. (b) KOMPSAT-5 Figure 13. Settlement area footprints derived from object-oriented classification. 객체기반 영상분류의 정확도 평가를 위해서 픽셀기 반영상분류를 추가로 수행하였으며, 픽셀기반영상분 류방법으로는 무감독분류인 K-means 방법을 이용하 였고, 분류결과는 Figure 14와 같다. 영상분류시 클래 스의 수는 2, 최대 반복횟수는 36, 수렴한계는 0.950으. (a) TerraSAR-X. (b) KOMPSAT-5. Figure 12. Selected signature areas. 86. 「지적과 국토정보」 제47권 제2호. 2017. 로 설정하였다. 시각적 분석으로 판단했을 때 객체기 반 영상분류와의 가장 큰 차이는 픽셀단위로 영상분.
(9) 고해상도 SAR 위성영상의 스페클 divergence와 객체기반 영상분류를 이용한 주거지역 추출. 류가 수행됨으로 인해서 salt and pepper형태의 좁은 영역들로 이루어진 분류결과를 보였고, 실제로 도시 확장 등의 공간분석에 활용하기 위해서는 추가적으로 소규모 분류결과를 폴리곤의 형태로 서로 결합할 수 있는 추가적인 공간연산이 필요할 것으로 판단된다.. (a) TerraSAR-X. (b) KOMPSAT-5. Figure 15. Settlement areas footprints derived from landuse map for accuracy analysis. 스페클 divergence 텍스쳐 영상을 적용하였으며, 그 결과는 Table 2, Table 3과 같다.. Table 2. Object-oriented classification accuracy of test sites.. (a) TerraSAR-X. Users Producers Accuracy Accuracy TerraSAR-X Built-up area 86.2% 91.4% No built-up area 90.6% 85.6% Overall 88.5% KOMPSAT-5 Built-up 84.3% 89.4% No built-up area 89.3% 86.1% Overall 87.3% Class. Table 3. Pixel-based classification accuracy of test sites. Users Producers Accuracy Accuracy TerraSAR-X Built-up area 73.2% 76.4% No built-up area 79.6% 74.6% Overall 75.9% KOMPSAT-5 Built-up area 71.3% 76.7% No built-up area 76.4% 72.0% Overall 74.4% Class. (b) KOMPSAT-5 Figure 14. Settlement areas footprints derived from pixel-based classification. 고해상도 SAR 위성영상의 객체기반 영상분류 결과 를 평가하기 위하여 국토지리정보원에서 배포하고 있 는 토지이용현황도를 기준자료(Figure 15)로 하여 정. 정확도 평가결과 픽셀기반 영상분류보다 객체기반. 확도 평가를 수행하였으며, 추가적으로 픽셀기반의. 영상분류의 정확도가 TerraSAR-X의 경우 12.6%,. 영상분류결과와도 비교하였다. 두 영상분류기법 모두. KOMPSAT-5는 12.9% 높은 것으로 나타났으며, 그 Journal of Cadastre & Land InformatiX Vol.47 No.2 (2017). 87.
(10) 송영선. 이유는 픽셀기반 영상분류의 경우 픽셀과 픽셀사이에. KOMPSAT-5의 분류정확도를 TerraSAR-X와 비교. 존재하는 좁은 공간들이 비주거지역으로 분류됨으로. 한 결과 정확도에 큰 차이가 없었으며, 따라서 도시지역. 인해 정확도 낮아지는 것으로 나타났다. 객체기반 영. 확장 모니터링에 우리나라 SAR 위성인 KOMPSAT-5가. 상분류의 정확도 저하원인은 토지이용현황도의 제작. 충분히 활용 가능할 것으로 판단된다.. 과정에서 하나의 필지에 존재하는 건물들 사이의 녹 지공간도 하나의 폴리곤으로 주거지역으로 설정됨으로 인해 나타나는 현상으로 분석되었다.. 감사의 글 이 논문은 2016년도 인하공업전문대학의 지원에 의하여 연구되었음.. 4. 결론 도시의 빠른 성장은 여러 가지 도시문제를 야기. 참고문헌. References. 하며, 도시지역의 효율적인 관리를 위해서는 신속한. 손홍규, 송영선, 장훈. 2004. RADARSAT SAT 영상과. 주거지역의 추출이 매우 중요한 요소이다. 이에 본 연. 지형정보를 이용한 홍수시 산악지역의 수계영역. 구에서는 주거지역을 추출하는 여러 가지 방법 중에. 추출 정확도 향상. 대한토목학회논문집. 24(2d). 고해상도 X-band SAR 위성영상과 객체기반 영상분. :293-301.. 류법을 활용하여 주거지역을 추출하고 활용 가능성을 평가하고자 하였다.. Sohn HG, Song YS, Jang H. 2004. Improvement of Water Area classification During a Flood. SAR 영상은 광학영상에 비해 분광정보가 적어 영. Using RADARSAT SAR Imagery and Terrain. 상분류에 많이 활용되고 있지 않지만, 영상의 밝기값. Informations In Mountainous Area. KSCE. 이 대상물의 거칠기에 영향을 받기 때문에 하천이나. Journal of Civil Engineering. 24(2d):293-301.. 인공구조물의 분류에는 매우 효과적으로 활용가능하. 손홍규, 송영선, 김기홍. 2005. 입체영상 레이더측량을. 다. 영상분류측면에서 지금까지 SAR 영상은 대부분. 위한 기준점수의 최소화 : RADARSAT-1 SAR. 홍수분석과 같은 수계영역에 많이 활용되어 왔으나,. 영상을 중심으로. 대한토목학회논문집. 25(1):167-177.. 본 연구에서는 도시지역을 대상으로 하였으며, 이를. Sohn HG, Song YS, Kim GH. 2005. Minimizing the. 위해 스페클 divergence를 적용하여 주거지역과 비주. Number of Control Points for Radargrammetry. 거지역의 구분을 강화한 후 다중해상도 영상분할을. -Focused on RADARSAT-1 SAR Imagery-.. 통해 객체단위로 영상을 분할하는 객체기반 영상분류를. KSCE Journal of Civil Engineering. 25(1). 수행하였다. 정확도 평가를 위해 추가적으로 픽셀기반. :167-177.. 영상분류를 수행하였으며, 두 가지 방법의 정확도를. 이정빈, 허준, 어양담. 2007. 객체 기반 영상 분류에서. 평가한 결과 TerraSAR-X의 객체기반 영상분류는. 최적 가중치 선정과 정확도 분석 연구. 대한원격. 88.5%, 픽셀기반 영상분류는 75.9%, KOMPSAT-5는. 탐사학회지. 23(6):521-528. 각각 87.3%와 74.4%의 overall accuracy를 보였다.. Lee JB, Heo J, Eo YD. Study on Selection of. 본 연구의 수행결과를 요약하면, 스페클 divergence. Optimized Segmentation Parameters and. 기반의 객체기반 영상분류와 SAR 영상을 활용할 경우. Analysis. 넓은 지역에서 효과적으로 주거지역의 추출이 가능하고,. Object-oriented Classification. Korea Journal. 88. 「지적과 국토정보」 제47권 제2호. 2017. of. Classification. Accuracy. for.
(11) 고해상도 SAR 위성영상의 스페클 divergence와 객체기반 영상분류를 이용한 주거지역 추출. Remote Sensing. 1(2): 98–106. of Remote Sensing. 23(6):521-528 한동엽, 박민호, 김용일. 1998. Radarsat 영상의 기하. Thiel, M. Esch T. Schenk A. 2008. Object-oriented. 보정 방법에 대한 비교 연구 - DEM 해상도에 따. detection of urban areas from TerraSAR-X. 라 -. 대한원격탐사학회지. 14(1):69-82.. data. Proceeding of ISPRS 2008 Congress.. Han DY, Park MH, Kim YI. 1998. A Comparaitive of. 37(B8):23-27.. Geocoding Methods for Radarsat Image –. Xu H. 2008. A new index for delineating built-up. According to the DEM Resolutions - Korean. land features in satellite imagery. Int. J.. Journal of Remote Sensing. 14(1):69-82.. Remote Sens. 29(14): 4269–4276.. Blaschke T. 2010. Object based image analysis for. remote. sensing.. ISPRS. Journal. of. 2017년 10월 10일 원고접수(Received). Photogrammetry and Remote Sensing, 65(1). 2017년 11월 21일 1차심사(1st Reviewed). :2-16.. 2017년 12월 5일 2차심사(2nd Reviewed). Dekker RJ. 2003. Texture analysis and classification. 2017년 12월 8일 게재확정(Accepted). of ERS SAR images for map updating of urban areas in the Netherlands. IEEE Transactions on Geoscience and Remote Sensing, 41(9) :1950-1958. Esch T. Thiel M. Schenk A. Roth A. Müller A. Dech S. 2010. Delineation of urban footprints from TerraSAR-X data by analyzing speckle characte-ristics and intensity Information. IEEE Transactions on Geoscience and Remote Sensing. 48(2):905-916 Jensen J. Cowen, D. 1999. Remote sensing of urban/suburban infrastructure and socioeconomic attributes. Photogramm. Eng. Remote Sens. 65(5):611–622. Sonka M. Hlavac V. Boyle R. 2008 . Image Processing, Analysis, and Machine Vision, International. Student. Edition,. Thomson. Learning, 3th edition, pp.175-237. Stasolla M, Gamba P. 2008. Spatial Indexes for the Extraction of Formal and Informal Human Settlements. from. High-resolution. SAR. Images. IEEE J. Sel. Topics Appl. Earth Obs. Journal of Cadastre & Land InformatiX Vol.47 No.2 (2017). 89.
(12) 송영선. 초록 도시지역은 지구상에서 가장 변화가 활발히 일어나는 지역 중의 하나로써, 우리나라에서도 산림지 나 녹지, 농경지가 주거지역, 공업지역 등의 주거지역으로 빠르게 변화하고 있다. 이러한 빠른 토지이 용의 변화를 모니터링하기 위해서는 신속한 데이터의 취득을 필요로 하게 되고, 위성영상은 이러한 요구의 대안이 될 수 있다. 일반적으로 SAR 위성은 능동적 탐측체계로 영상을 취득하기 때문에 지표 면의 거칠기에 따라 영상의 밝기값이 결정되며, 대표적으로 수계영역은 반사강도가 낮아 어둡게 나 타나고, 인공구조물이 분포하고 있는 주거지역의 경우 반사강도가 높아 타 지역에 비해 밝기값이 높 게 나타난다. 이러한 SAR 영상의 특성을 이용하면 주거지역을 효과적으로 추출할 수 있다. 본 연구에 서는 고해상도 X-band SAR 위성인 독일의 TerraSAR-X, 우리나라의 KOMPSAT-5를 이용하여 주거지 역의 추출을 수행하였으며, 추출을 위해서 영상분할기법을 통한 객체기반 영상분류를 적용하였다. 영 상분할의 정확도를 향상시키기 위해서 스페클 divergence를 먼저 계산하여 주거지역의 반사강도를 조정하였다. 두 위성영상의 정확도 평가를 위해서 추가로 픽셀기반의 K-means 영상분류법을 적용하 여 주거지역을 분류하였다. 연구의 결과로써 TerraSAR-X의 객체기반 영상분류법은 약 88.5%, 픽셀기 반영상분류법은 75.9%, KOMPSAT-5는 약 87.3%와 74.4%의 overall accuracy를 보였다. 주요어 : 객체기반 영상분류, 주거지역, 스페클 divergence, KOMPSAT-5, TerraSAR-X. 90. 「지적과 국토정보」 제47권 제2호. 2017.
(13)
수치
+4
관련 문서
