A Study on True Ortho-photo Generation Using Epipolar Geometry and Classification Algorithm

에피폴라 기하와 군집화 알고리즘을 이용한 정밀 정사투영영상 제작에 관한 연구

A Study on True Ortho-photo Generation Using Epipolar Geometry and Classification Algorithm

오금희¹⁾ ･ 황현덕²⁾ ･ 김준철³⁾ ･ 신성웅⁴⁾

Oh, Kum Hui ･ Hwang, Hyun Deok ･ Kim, Jun Chul ･ Shin, Sung Woong

Abstract

This study introduces the method of detecting and restoring occlusion areas by using epipolar algorithm and K-means classification algorithm for true ortho-photo generation. In the past, the techniques of detecting occlusion areas are using the reference images or information of buildings. But, in this study the occlusion areas can be automatically detected by using DTM data and exterior orientation parameters. The detected occlusion areas can be restored by using anther images or the computed values which are determined in K-means classification algorithm. In addition, this method takes advantages of applying epipolar algorithm in order to find same location in overlapping areas among images.

Keywords : True Ortho-Photo, Z-buffer, Detect and Restore Occlusion Areas, Epipolar Algorithm, K-means classification

초 록

본 논문은 에피폴라기하를 이용하여 신속하게 폐색지역을 탐지하고 유사한 패턴을 자동으로 찾아 폐색지역을 복원하여 정밀 정사투영영상을 자동적으로 생성하기 위한 방법을 제안한다. 기존에는 건물에 대한 부가적인 정보를 이용하여 영상의 폐색지역을 탐지하였지만, 본 논문에서는 카메라의 외부표정요소와 DTM 정보만을 이용 하여 폐색지역을 자동으로 탐지하고 탐지된 폐색지역에 대한 복원은 우선적으로 중복된 영상을 사용하여 복원을 수행한 후 , K-평균 군집화 알고리즘을 사용하여 대표 패턴을 찾아 폐색지역을 완벽하게 복원한다. 이 때, 중복된 영상의 동일한 지역을 자동으로 빠르게 탐지하기 위해 에피폴라 알고리즘을 사용한다.

핵심어 : 정사투영영상, Z-buffer, 폐색지역 탐지 및 복원, 에피폴라기하, K-평균 군집화 알고리즘

1) 교신저자 ․ 정회원 ․ (주)쎄트렉아이 연구원(E-mail:[email protected]) 2) (주)쎄트렉아이 연구원(E-mail:[email protected])

3) 정회원 ․ (주)쎄트렉아이 연구원(E-mail:[email protected]) 4) 정회원 ․ 한국전자통신연구원 선임연구원(E-mail:[email protected])

1. 서 론

최근에는 지형 공간 자료의 신속한 정보 취득으로 인해 다양한 종류의 영상들이 제공되고 있다 . 이렇게 신속한 정보 취득은 급속한 정보화 사회에서 중요한 요소가 되고 있다 . 다양한 정보들이 빠르게 취득되고 있기 때문에 정 보의 빠른 갱신이 가능해 지고 이러한 영상들을 이용하여

3차원 지형정보생성, 3차원 공간모델링, 정사투영영상지

도제작 등 다양한 분야에서 활용도가 높아지고 있다 . 특

히 벡터지도보다 정사투영영상지도는 사용자에게 실제

지형과 동일한 모습으로 제공되기 때문에 그 수요 또한

높아가고 있다 . 기존에는 정밀한 DTM 제작이 어려웠기

때문에 고층 건물들이 많은 도시 지역에 대한 정밀 정사

투영영상 제작이 어려웠다. 그러나 레이저스캐닝 방식의

등장으로 정밀한 DTM 제작이 가능해 졌으며 이로 인한 영상에서의 폐색지역, 이중 매핑이 되는 고가도로 및 건 물과 같은 높이가 있는 지형지물에 대한 복원이 가능해 졌다 .

기존의 정사투영영상의 폐색지역 탐지는 건물의 부가 적인 정보를 이용하여 폐색지역을 탐지하였다 . 그러나 이 러한 방법은 빠르게 변화하는 지형지물에 대한 신속한 탐 지가 불가능하며 , 넓은 지역에 대한 정사투영영상 제작에 는 많은 시간이 소요되었다. 따라서 건물의 부가적인 정 보 이용이 아닌 DTM과 영상의 외부표정요소만을 이용 하여 폐색지역을 탐지하는 알고리즘들이 많이 연구되고 있다 . 권오형 등(2000)은 카메라의 외부표정요소와 DTM 을 이용하여 각 출력화소의 폐색여부를 판단하여 폐색지 역을 탐지하였다. 조우석 등(2003)은 센서의 투영중심과 DEM 외곽 경계선을 이루는 격자들을 지나는 매개변수 방정식을 이용하여 정사투영영상 각 화소에서의 폐색여 부를 결정하였고, 서민호 등(2006)은 IKONOS 영상을 이 용하여 폐색 영역을 탐지하고 복원하였는데, 이 때 폐색 지역을 탐지하기 위해 Z-buffer 알고리즘을 사용하였다.

Ayman F. Habib 등(2007)에는 새로운 폐색지역 알고리 즘으로 Adaptive Radial Sweep 알고리즘과 Spiral Sweep 알고리즘을 제안하였으며 기존 Z-buffer 알고리즘과 비교 하였다 .

위에 제시한 기존 폐색지역 알고리즘들은 지형지물의 부가적인 정보 없이도 영상과 외부표정요소 , DEM 데이 터를 이용하여 폐색지역을 탐지하였다. 특히 Ayman F.

Habib 등(2007)의 연구에서는 촬영각도와 건물의 높이를 이용한 폐색지역을 탐지하여 매우 높은 정확도를 보여주 고 있다 . 하지만 기존 알고리즘의 방법을 이용한 폐색지 역 복원이 NULL값 처리나 혹은 부가적인 영상을 이용하 여 복원하였다. NULL값의 처리는 정사투영영상을 생성 하였을 때 영상의 이질감이 높아질 수 있고, 부가적인 영 상을 이용하여 복원하는 경우, 폐색지역에 대한 부가적인 영상이 없을 경우 폐색지역의 복원이 이루어질 수 없다는 단점이 있다 .

따라서 본 연구에서는 기존에 연구되었던 Z-buffer 알 고리즘을 이용하여 폐색지역을 탐지하고 중복 영상과 K- 평균 군집화 알고리즘을 이용하여 폐색지역을 복원하는 알고리즘을 제안하고자 한다. 기존 연구와의 차별화된 점 은 중복 영상만을 이용하여 폐색지역을 복원하는 것이 아 니라 K-평균 군집화 알고리즘을 이용하여 복원되지 않았

던 폐색지역에 대해서 복원 한다 . 폐색지역을 자동으로 신속하게 탐지하고 복원하기 위해 중복영상에 대한 에피 폴라 기하를 계산하고 계산된 에피폴라 기하를 이용하여 두 영상간의 X시차를 계산한다. 계산된 X시차만을 이용 하여 기준 영상의 폐색지역에 해당되는 동일한 지역을 중 복된 영상에서의 위치를 자동으로 빠르게 탐지한다 . 중복 된 영상에서 폐색지역이 아닐 경우 , 중복된 영상을 화소 값을 이용하여 복원한다 . 이러한 방법은 폐색지역의 NULL값 처리에 의한 영상의 이질감을 최소화할 수 있는 정밀 정사투영영상을 생성하기 위함이다. 또한 중복 영상 으로 복원이 되지 않는 폐색지역에 대해서 K-평균 군집 화 알고리즘을 이용하여 군집의 대표값을 이용하여 폐색 지역을 복원한다 . 군집화 알고리즘의 적용은 중복영상으 로 복원되지 않았던 지역에 대해서도 주변 지역의 패턴을 이용하여 복원이 되므로 정밀 정사투영영상 생성이 가능 해 진다 .

2. 연구방법

그림 1은 본 논문에서 제안하고자 하는 알고리즘의 흐

름도이다 . 첫 번째 단계로는 정밀 정사투영영상 제작을

위한 주변 중복 영상을 검색하여 전처리를 하는 과정이

다 . 정사투영영상을 제작할 영상을 기준으로 중복된 영상

을 검색한다 . 중복된 영상에 대해서 기준영상과의 히스토

그램 매칭을 수행한다 . 히스토그램을 수행하는 이유는 정

밀 정사투영영상을 제작하기 위해 중복된 영상을 이용하

는데 두 영상의 밝기값의 차이를 줄여 폐색지역 복원 시

두 영상을 이질감을 줄일 수 있기 때문이다 . 두 번째 단

계로는 Z-buffer 알고리즘을 이용하여 각 영상에 대해 폐

색지역을 탐지한다 . 세 번째 단계는 Z-buffer 알고리즘을

이용하여 탐지된 폐색지역에 대한 복원 단계이다 . 기준영

상에서 폐색지역이 아닌 지역은 기준 영상의 화소값을 그

대로 사용하여 정밀 정사투영영상을 생성하고 폐색지역

이라 판단되는 지역은 중복된 영상에서 관측되는 영상의

화소값을 사용하여 정사투영영상을 생성한다 . 이 때, 폐

색지역의 위치를 다른 영상에서의 동일한 위치를 자동으

로 검색하기 위해 에피폴라 기하 알고리즘을 사용한다 . X

시차만을 이용하여 동일 지역에 대해 빠르게 검색하여 폐

색지역을 다시 검사하여 폐색지역이 아닌 영상의 화소값

을 이용하여 정밀 정사투영영상을 생성한다 . 중복된 영상

이라 하더라도 모든 폐색지역이 관측되지 않는다 . 그렇기

그림 1. 에피폴라 기하 알고리즘을 이용한 정밀 정사투영영상 생성 과정

그림 2. Step4 - 중복된 영상으로도 복원되지 않는 지역 복원 방법

때문에 중복 영상만을 이용하여 모든 폐색지역을 복원할 수는 없다 . 이 때, 폐색지역의 범위를 판단하여 기준 범위 보다 클 경우 주변 지역의 K-평균 군집화를 수행하여 가 장 많은 군집의 픽셀을 선택하여 폐색지역을 복원한다.

기준 범위보다 좁은 폐색지역인 경우 주변 화소값의 평균 값을 이용하여 폐색 픽셀을 복원한다 . 그림 2는 중복된 영상으로도 복원되지 않는 폐색지역에 대한 복원 방법을 정리한 흐름도이다.

2.1 히스토그램 매칭

히스토그램(Histogram)이란 영상 안에서 픽셀들에 대

한 명암값의 통계적 분포를 나타내는 것으로 히스토그램 매칭 (Histogram Matching)은 인접영상간의 방사적 특성 을 일치시켜 영상의 밝기를 균일하게 맞춰주는 것을 말한 다 . 히스토그램을 매칭하고자 하는 기준 영상의 히스토그 램에 중복된 영역을 갖고 있는 주변 영상의 히스토그램을 입력하여 기준 영상의 히스토그램과 주변 영상의 히스토 그램이 유사하도록 히스토그램을 생성한다 . 전처리 단계 로 히스토그램 매칭 작업을 수행하는 것은 정밀 정사투영 영상 생성 시 폐색지역에 대한 복원 작업을 수행하였을 때 , 복원된 지역의 이질감을 상쇄시키기 위한 작업이다.

히스토그램 매칭에는 히스토그램의 누적도수를 이용하

그림 3. 히스토그램 매칭 결과

그림 4. Z-buffer 알고리즘

는 Match Cumulative Frequency 방법과 각 영상의 히스

토그램 형태를 일치시키는 Match Mean and Standard Deviation 방법, Hue Adjustment 방법이 있다. Match Cumulative Frequency 방법은 기준영상과 입력영상의 누 적 히스토그램의 형태를 일치시켜 줌으로서 전체적인 영 상의 밝기를 맞추어주는 방법이다. Match Mean and Standard Deviation 방법은 입력영상의 평균과 표준편차 를 기준영상의 평균과 표준편차와 동일하게 변화시켜 줌 으로서 두 영상의 밝기를 일치시켜주는 방법이다. Hue Adjustment 방법은 Match Mean and Standard Deviation 방법과 비슷하나 이 방법은 히스토그램이 나타나는 최소 값과 최대값을 일치시켜주는 방법이다. (송낙현, 2005) 본 연구에서 사용된 히스토그램 매칭은 Hue Adjustment 방법으로 기준영상의 최소값과 최대값을 기준을 중복영 상의 최소값과 최대값을 일치시키고 , 최소값과 최대값을 기준으로 히스토그램을 스트레칭 시켜 두 영상의 밝기값 의 차이를 최소화 시켰다.

그림 3은 중복영상의 히스토그램을 기준영상의 히스토 그램에 맞춘 결과이다. 지표면 또는 대기로부터 반사 및 산란된 태양광선을 감지하여 그 에너지를 기록한 것이 광 학영상이다. 동일한 센서로 촬영된 두 장의 영상이라도 촬영 순간의 위치에 따른 태양 에너지의 반사도, 대기의 영향 등으로 약간의 영상 화소값의 변화가 발생할 수 있 다 . 그러한 영향을 제거하기 위한 단계로 기준영상과 중 복영상의 히스토그램이 변화시켜 주는 것이 히스토그램 매칭이다.

2.2 Z-buffer 알고리즘

Z-buffer 알고리즘은 Amhar(1998)가 항공사진의 정사

투영영상 제작 시 폐색 탐지를 위해 적용하였다 . 국내․외 적으로 폐색 탐지에 관련된 알고리즘이 제시된 바 있지만 현재는 Z-buffer 알고리즘을 이용한 폐색 탐지 방법이 가 장 널리 이용되고 있다 . Z-buffer 알고리즘은 센서의 외부 표정요소인 중심 위치와 자세정보 (X, Y, Z, ω, φ, κ)가 필요하며 DTM 데이터가 필요하다. Z-buffer의 알고리즘 의 기본적 이론은 카메라의 중심에서부터 DTM까지의 거리를 비교하여 폐색지역을 탐지하는 것이다 .

그림 4는 Z-buffer 알고리즘을 개괄적으로 설명하고 있

는 그림이다 . 폐색지역을 탐지하기 위해서는 DTM 해상

도와 동일한 격자를 생성한다 . 투영중심으로부터 DTM

공간의 모든 점들 간의 거리를 구한 후 , 그 거리에 해당

되는 영상좌표와 거리를 저장한다 . 그리고, 센서의 투영

중심의 외부표정요소를 이용하여 DTM을 대상으로 중심

투영 변환을 수행하여 DTM의 높이값 대신 원 DTM 데

이터의 좌표값을 참조하여 거리 영상에 저장된 거리값을

그림 5. 항공사진의 에피폴라 기하

그림 6. 에피폴라 기하 계산 흐름도

저장한다. 이 때, 거리 저장 시 동일한 영상좌표가 나타나 게 되면 센서와 대상지역간의 거리를 비교하여 폐색지역 을 탐지한다. 폐색지역은 거리가 짧은 것이 높이가 있는 지형이고, 거리가 긴 것은 폐색지역으로 판단할 수 있다.

예를 들어, 그림 4와 같이 OA, OB, OF와 같이는 센서의 투영 중심으로부터 DTM까지 거리가 하나의 교차점을 가지며 중심투영 변환 후에도 Z-buffer 상에 하나의 좌표 를 가지며 폐색지역이 아니다. 하지만 OC와 OD는 센서 의 투영 중심으로부터 DTM까지 두 개의 교차점을 가지 게 된다. 즉 OC와 OD와 동일한 시준선 상에 OC'와 OD' 가 동일한 좌표를 가지게 된다 . 이 때, 동일한 시준선에 있는 점끼리 거리를 비교하여 가장 작은 거리값만을 제외 한 나머지 점들은 폐색지역으로 결정할 수 있다.

2.3 에피폴라 기하 알고리즘

에피폴라 기하는 입체영상을 이용하여 다양한 정보를 추출하는 사진측량 및 컴퓨터비전에서 매우 중요하다.

2D영상에서 3D 입체경을 이용하여 입체시를 얻기 위해 서는 입체경 아래에서 두 장의 입체 영상을 촬영방향과 평행하게 맞추어야 한다. 이것이 바로 에피폴라 기하를

구현하는 작업이다 . 이러한 에피폴라 기하는 동일한 위치 를 찾는 탐지영역을 최소화하여 두 장의 매칭의 효율성 및 정확성을 향상시키는데 주로 사용된다 .

일반적으로 대상지역을 공중에서 촬영한 항공사진인 경우에는 그림 5와 같이 에피폴라 평면 및 에피폴라 선이 형성된다 . 에피폴라 평면이 입체영상을 교차하면서 생기 는 선이 에피폴라 선이며 두 에피폴라 선은 같은 정보를 지니는 특성을 지닌다 . Y시차가 제거되고 두 영상의 스 캔라인이 에피폴라 기하를 만족하는 영상을 에피폴라 영 상이라고 한다 . 그림 5의 오른쪽과 같이 에피폴라 기하를 만족하는 에피폴라 영상에서 동일한 위치의 Y좌표가 동 일한 것을 알 수 있다 .

그림 6는 에피폴라 기하 계산을 위한 흐름도를 나타낸

것이다 . 그림 6의 왼쪽 그림은 에피폴라 기하 변화에 대

한 회전 변화를 그림으로 나타낸 것이고 그림 6의 오른쪽

은 에피폴라 기하 계산 흐름도이다 . 우선, 영상좌표와 사

진좌표간의 변환식 계산이 필요하다 . 이 변환식은 영상

지표 (Fiducial mark)을 이용하여 Affine 변환식의 계수를

구한다 . 촬영기선으로 인한 회전요소를 고려해야만 그림

6와 같이 실제적으로 에피폴라 선이 서로 평행하게 된다

그림 7. K-평균 군집화 알고리즘

그림 8. 군집수 테스트 결과

(Schenk, 1999).

이러한 에피폴라 기하 계산을 통해 기준영상과 중복된 영상간의 동일한 위치 탐색을 빠르게 할 수 있으며, 자동 적으로 탐색이 가능해 진다. 또한 에피폴라 영상을 생성 하지 않고 에피폴라 기하만을 이용하여 동일 위치를 탐색 하기 때문에 에피폴라 영상 제작으로 인한 Resampling 제작 소요시간을 축소하고 Resampling으로 인한 위치 오 차를 줄일 수 있다.

2.4 K-평균 군집화(K-means classification) 알고리즘 K-평균 군집화 알고리즘은 주어진 데이터를 특정 성질 에 기초하여 K 묶음으로 나누는 방법 중 하나이다. 데이 터가 벡터 공간을 이룬다고 가정하고 , 각 묶음의 분산도 를 최소화 하는 것이다 . 즉, 유사도가 높은 개체들을 하나

의 군집으로 묶어주는 것이다. K-평균 군집화 알고리즘

은 초기 군집인 K의 크기를 정하는 것이 어렵다는 단점

이 있다 . 특히 값의 범위가 다양할 경우 K-평균 군집화를

적용할 때 K값의 결정이 매우 어렵다. 하지만 K 값 이외

에 다른 사전정보를 필요로 하지 않기 때문에 군집의 조

건을 다양하게 하여 빠른 테스트가 가능하다는 것이 장점

이다 . 따라서 영상과 같이 다양한 객체가 존재할 경우 초

기 조건을 달리 하여 빠른 테스트가 가능한 알고리즘이

다 . K-평균 군집화 알고리즘 수행 시 입력되는 파라미터

는 군집의 수인 K, 군집의 크기를 결정하는 군집의 표준

편차 값, 군집의 수렴을 판단할 수 있는 거리 오차값과

수렴할 때까지 필요한 반복횟수가 있다 . 그림 7은 영상을

이용한 K-평균 군집화 결과이고, 그림 8은 군집의 수를

다양하게 하여 테스트 한 결과이다.

표 1. 사용데이터

FRMAE DTM

Sensor DSS .

Spatial Resolution 0.25m 1m Date of Acquisition Nov. 28, 2002 .

Area Daejeon, Korea Daejeon, Korea

그림 9. 사용데이터

그림 10. 정밀 정사투영영상 결과 (전체 영상)

아래와 같이 영상에서는 다양한 지표지물이 관찰되기

때문에 적정한 군집의 수 결정이 필요하다. 아래 그림 8 과 같이 군집의 수를 3개로 하였을 경우 지표면의 분류를 아주 단순하게 군집화되기 때문에 지표면의 특성을 정확 히 파악하기 어렵다. 군집의 수를 10개로 하였을 경우 지 표면의 특성을 매우 다양하게 분류하게 되어 폐색지역을 복원하기 위한 대표 화소값 선택이 매우 어렵게 된다. 이 렇게 다양한 테스트에 의해 최대 5개의 군집으로 나눴을 경우 , 대상지역에 대한 특성을 파악할 수 있으며 영상 픽 셀 결정이 매우 쉽게 된다.

3. 실험결과

3.1 사용데이터

본 연구에 사용된 영상과 DEM 정보는 표 1과 같다. 사 용된 영상인 Frame 영상은 DSS Frame 방식 센서로 0.25m 의 해상도를 가지며 , 사용된 DTM 데이터는 Lidar를 이 용하여 만든 1m 해상도의 DTM 데이터이다.

연구결과의 효율성을 검증하기 위해서 도심지역이 포함 된 대전지역을 선택하였다. 도심지역은 높은 건물에 대한 폐색지역 복원과 낮은 지역에 대한 폐색지역 복원을 확인 할 수 있기 때문이다 . 또한 그림 9과 같이 중복된 영역이 있는 3장의 영상을 사용하였다. 기준 영상인 11617575 영상과 11617582 영상간의 중복도는 약 56%이며, 11617575 영상과 11618092 영상간의 중복도는 약 27%이다.

3.2 폐색지역 복원

중복영역과 군집화 알고리즘에 의해서 정밀 정사투영

영상이 생성된다 . 아래 그림 10는 정밀 정사투영영상을

생성한 전체 영상이며 , 그림 11은 정밀 정사투영영상 생

성 결과를 지역별로 확대한 그림이다 . 각 지역은 폐색지

역탐지 결과, 중복영상을 이용한 복원, 그리고 중복된 지

역이 없는 지역에 대한 군집화 알고리즘에 의한 복원 결

과를 나타내고 있다.

그림 11. 정밀 정사투영영상 결과 (부분 확대)

그림 11은 정밀 정사투영영상 생성 결과를 단계별로 나타내고 있다. 기준 영상은 중심투영 영상의 특징을 확 인할 수 있다 . 즉, 높이가 있는 건물에 대해서 기복변위를 확인할 수 있다. 이러한 기복변위가 있는 지역에 대한 폐 색지역을 탐지한 결과가 두 번째 영상이다 . 이 때, 결과는 기복변위에 의해 생성되는 폐색지역은 NULL 화소값으 로 처리하였다 . 영상의 좌측에서 관찰되는 아파트 지역인 경우 아파트의 높이가 높으며, 촬영 각도에 의해 기복변 위가 영상의 상단 아파트 지역에 비해 높음을 알 수 있다 . 영상의 중심에서 관측되는 낮은 건물의 지역은 건물의 높 이가 높지 않고, 거의 연직으로 촬영되었기 때문에 기복 변위가 아파트 지역에 비해 거의 없음을 알 수 있다.

세 번째 영상은 중복영상을 이용하여 복원된 정사투영 영상 결과이다 . 좌측 아파트 지역의 (1)번 지역과 같이 중 복된 영상을 통해 폐색지역이 관측된다면 그 영상의 화소 값을 이용하여 폐색지역을 복원할 수 있다 . 하지만 같은 지역이면서 촬영 각도를 달리 하더라도 동일한 위치에서 의 폐색지역은 나타날 수 있다. 그러한 지역이 좌측 아파 트 지역의 (2)번 지역이다. 이 지역은 중복된 영상이 존재

하더라도 중복된 영상 역시 폐색지역으로 관측되기 때문 에 그림과 같이 복원이 되지 않을 수 있다 . 또한 영상 상 단에서 관측되는 아파트 지역은 그림 9에서 볼 수 있듯이 영상 촬영 중복도가 낮아 그 지역은 중복된 영상이 존재 하지 않는다 . 따라서 이 지역은 중복된 영상이 존재하지 않기 때문에 복원이 이루어지지 않는다 . 따라서 이러한 지역은 중복된 영상으로 복원할 수 없기 때문에 주변 화 소값들의 군집화 알고리즘을 통해 대표값으로 채워지게 된다 . 좌측 아파트 지역의 노란색 동그라미로 표시된 지 역이 그러한 지역인데 이렇게 대표값으로 폐색지역을 복 원하게 되면 NULL 화소에 의한 공백이 아닌 일정 화소 값으로 복원이 되지만 완벽하게 복원되지 않는 것을 확인 할 수 있다 .

그림 10에서 영상의 중심에서 관측되는 낮은 건물 지

역인 경우에는 기복변위가 거의 없기 때문에 폐색지역이

거의 관측되지 않지만 관측되는 폐색지역 역시 중복 영상

을 통해 거의 복원 되는 것을 알 수 있다 . 하지만 1~2 화

소에 대한 복원이 이루어지지 않아 랜덤하게 NULL 화소

가 관측되는 것을 알 수 있다. 따라서 이러한 지역에 대

해서는 3x3 평균값 필터를 사용하여 제거한다. 중복영상 을 이용한 복원에 비해 노이즈가 제거된 영상이 생성되는 것을 확인할 수 있다.

4. 결 론

본 논문에서는 항공영상과 DTM 데이터를 이용하여 도 심지역의 정밀 정사투영영상을 생성하였다. 기존 연구의 폐색지역의 탐지 및 복원 방법은 도심지역과 같이 높이가 있는 건물이나 지형지물이 많은 지역에서는 복원이 되지 않았던 문제가 있었다. 중복 영상이 아무리 많더라도 촬 영 각도와 영상 촬영 위치, 건물의 높이 등으로 일부 폐 색지역이 관측되지 않았기 때문에 기존 논문에 의한 방법 에서는 폐색지역이 완벽하게 복원이 이루어지지 않았다.

본 논문에서는 에피폴라 기하를 이용하여 폐색지역에 대해서 동일한 위치를 중복영역에서 자동으로 검색하여 1차적 복원을 수행하였다. 기준 영상과 중복된 영상간의 촬영 각도와 촬영 위치가 달라짐에 따라 건물의 촬영되는 방향이 달라지기 때문에 건물에 의해 생기는 폐색지역의 위치 및 범위가 달라진다. 그러면 기준 영상에서 관측되 지 않았던 폐색지역이 다른 중복 영상에서 관측되어 복원 이 가능해 진다. 그러나 기준 영상과 중복된 영상이 많더 라도 폐색지역이 관측되지 않은 지역이 있다. 이러한 지 역은 K-평균 군집화 알고리즘을 사용하여 2차적 복원을 수행하여 정밀 정사투영영상 생성을 할 수 있었다.

K-평균 군집화 알고리즘을 이용한 복원 역시 전체 영 상에 대한 분류를 수행하는 것이 아니라 폐색지역을 기준 으로 일정 영역에 대한 분류를 수행하고 폐색지역 주변의 분류값을 판단하여 가장 군집이 큰 대표값을 이용하여 복 원을 수행하였다 . 그렇기 때문에 건물과 폐색지역과 거리 적으로 먼 지형지물에 대한 분류값은 사용되지 않기 때문 에 폐색지역에 대한 대표값이 원래 지역의 근접할 수 있 었다 .

추후 정밀 정사사진의 제작에 있어서 향후 연구로는 첫

째로 대상 지역의 지형지물 분류 영상을 이용하여 폐색지 역의 분류 정확도를 높여 중복영상을 이용한 복원 방법에 대한 연구가 필요하다 . 또한 아파트와 같이 반복된 지역 이면서 폐색지역의 범위가 높은 지역에 대한 텍스쳐 매칭 알고리즘을 이용하여 효과적인 정밀 정사투영영상 생성 연구를 고려해야 한다 .

감사의 글

본 연구는 지식경제부 및 정보통신진흥원의 IT신성장 동력핵심기술개발 사업의 일환으로 수행되었음 . [2007-F- 042-01, 3차원 GIS기반 전파분석 고도화 기술 개발]

참고문헌

권오형, 김형태, 김용일(2000), 수치정사투영영상 제작을 위한 폐색영역의 탐지와 복원, 한국측량학회지, 제18권, 제1호, pp.

51-57.

서민호, 한동엽, 이병길, 김용일(2006), IKONOS 정사영상제작 을 위한 폐색 영역의 탐지와 복원, Korean Journal of Remote Sensing, Vol. 22, No. 2, pp. 131-139.

송낙현(2005), 자동 모자이크 영상제작을 위한 접합선 추출기법 에 관한 연구, 석사학위논문, 인하대학교, p. 63, pp. 20-25 조우석, 장휘정(2003), 대축척 정사보정영상 생성을 위한 폐색지

역 탐지 및 복원, 한국측량학회 추계학술발표회 논문집, 한국 측량학회, 2003년, pp. 237-242.

Amhar, F., J. Josef, and C. Ries(1998), The generation of true orthophotos using a 3D building model in conjunction with a conventional DTM, Int. Archives. Photogram. Remote Sensing, GIS-between Vision and Applications, Stuttgart, pp. 16-22.

Ayman F. Habib, Eui-Myoung Kim, Chang-Jae Kim(2007), New Methodologies for True Orthophoto Generation, Photogram- metric Engineering & Remote Sensing, January 2007, pp.

25-36.

John R. Jensen(1996), Introductory Digital Image Processing, Prentice-Hall, Inc., pp. 231~238.

Schenk, T.(1999), Digital Photogrammetry Volume I, TerraScience, pp. 231~300.

(접수일 2008. 12. 10, 심사일 2008. 12. 17, 심사완료일 2008. 12. 19)