Color Analysis and Binarization of River Image for River Surveillance
Sang-Hyun Park*
요 약
지구 온난화로 인해 홍수나 집중 호우와 같은 자연 재해들이 증가하고 있다. 이러한 자연 재해들이 미리 그리고 효과적으로 인지될 수 있다면 재해로 인한 많은 피해들을 미리 막을 수 있을 것이다. 최근 비쥬얼 센 서 기술의 발전을 바탕으로 재해를 예방하기 위해 하천을 포함한 다양한 자연환경을 감시하는데 비쥬얼 센서 기술을 적용하는 연구들이 많이 진행되고 있다. 이 논문에서는 비쥬얼 센서 네트워크 기술을 이용한 하천 감 시 시스템에 적용 가능한 강물 영상에서 강물 영역을 분할하는 방법을 제안한다. 제안하는 방법에서는 먼저 강물 영역과 배경 영역의 색상에 대한 분석을 하고 그 결과를 바탕으로 영상 분할에 가장 효과적인 색상 채 널을 선택하고 이진화를 통해 강물영역을 검출한다. 실험 결과는 제안하는 방법이 간단하면서도 정확하게 강 물 영상에서 강물 영역을 분리하는 것을 보여준다.
ABSTRACT
Due to global warming, various natural disasters such as floods and localized heavy rains are increasing. If a natural disaster can be detected and analyzed in advance and effectively, it can prevent enormous damage due to natural disasters. Recent development in visual sensor technologies has encouraged various studies on monitoring environments including rivers. In this paper, we propose a method to detect river regions from river images which can be exploited for river surveillance systems using video sensor networks. In the proposed method, we first analyze the color properties of the river region and the background region of a image and then propose a way to select the proper color channel and binarize the image to detect the river region. It is shown by experimental results that the proposed method is simple but detects river regions accurately.
키워드
River Surveillance, Environmental Monitoring, Color Model, Image Segmentation 하천 감시, 환경 감시, 컬러 모델, 영상 분할
* 순천대학교 멀티미디어공학과 교수 ㆍ접 수 일 : 2017. 09. 08 ㆍ수정완료일 : 2017. 11. 27 ㆍ게재확정일 : 2018. 02. 15
ㆍReceived : Sep. 08, 2017, Revised : Nov. 27, 2017, Accepted : Feb. 15, 2018 ㆍCorresponding Author : Sang-Hyun Park
Dept. Multimedia Engineering, Sunchon National University, Email : [email protected]
Ⅰ. 서 론
최근 전 지구적인 기상 변화로 세계 여러 나라에서 이상 기후 현상이 나타나고 있다. 우리나라의 경우도 장마의 패턴이 달라지고 있고 국지성 폭우가 증가하
여 예상치 못한 피해가 증가하고 있다. 집중 호우 등 으로 인한 하천 범람의 위험은 조기에 발견하여 적절 한 조치를 취할 경우 피해를 크게 줄일 수 있다. 이를 위해 주요 하천을 감시하기 위한 시스템들이 적용되 고 있다[1]. 기존의 영상을 이용한 하천 감시 시스템
은 주로 CCTV를 이용한 감시 시스템으로 전체 시스 템 구축 비용이 많이 드는 단점이 있다. 하천 재난 상 황을 인식하기 위해 인공위성 영상을 이용하기도 한 다[2]. 하지만 위성사진의 경우 넓은 범위를 커버하기 때문에 비교적 큰 하천에 대해서 적용되고 있다.
센서 네트워크 기술의 발달로 센서를 이용한 하천 감시 시스템도 제안되고 있다. 센서 네트워크는 다양 한 센서를 이용하여 정보를 수집하고 수집한 정보를 분석하여 의미 있는 새로운 정보를 만들어내게 된다 [3-4]. 실제로 서울의 양재천의 경우 제방의 수평변위, 하천 수위 측정, 유속 측정 및 수질 측정을 위한 센서 를 설치하여 모니터링을 하고 있다[5]. 양재천의 경우 측정을 위한 다양한 센서를 이용하기 때문에 설치 비 용이 많이 들어 모든 하천의 다양한 지점에 설치하는 데는 한계가 있다.
센서 기술이 발달하면서 영상과 같은 비교적 크기 가 큰 정보도 센서 네트워크의 응용에 활용되고 있다.
영상 정보를 획득하는 센서를 비쥬얼 센서라고 하는 데 일반적으로 작은 크기의 영상을 대상으로 한다. 센 서는 기본적으로 배터리가 제한적이라고 가정하기 때 문에 응용에 있어서도 제약이 있는 것이다. 하지만 최 근에는 태양광을 이용하는 등의 방법으로 보다 해상 도가 높은 영상 정보를 취급하는 방법들도 제안되고 있다[6]. 그리고 하천 감시에 센서 네트워크 기술을 적용할 경우 대부분의 하천 주위에 전기설비가 갖춰 져 있기 때문에 배터리에 대한 제약은 무시할 수 있 을 것이다.
본 논문에서는 하천 감시를 위해 비쥬얼 센서 네트 워크 기술을 이용할 때 비쥬얼 센서에서 홍수 등의 상황을 분석하기 위한 방법으로 촬영된 영상에서 강 물 영역을 분리하는 방법에 대해서 제안한다. 구체적 으로 벌교의 벌교천을 대상으로 영상을 분석한다. 벌 교천은 바다와 인접해 있어 조석의 영향을 받기 때문 에 만조와 집중 호우가 겹치게 되면 하천 범람의 위 험성이 높아지고 벌교천을 따라 주차장 및 여러 시설 물들이 위치해 있어 상황을 조기에 인식하여 조치를 취하지 않으면 많은 피해가 발생할 가능성이 높다.
본 논문의 구성은 다음과 같다. 2장에서는 벌교천 영상에 대해서 강물과 배경 영상의 색상 성분들을 분 석한다. 3장에서는 색상 모델에 대한 분석 결과를 바
서는 실험을 통해 제안하는 방법의 성능을 분석하고, 마지막으로 5장에서 결론과 향후 과제를 설명한다.
Ⅱ. 색상모델별 강물 및 배경에 대한 색상 분석
본 논문에서는 하천에 대한 영상 감시 시스템에 의 해 획득된 영상에서 강물 영역과 배경 영역의 색상을 분석한다. 하천의 홍수와 같은 위기 상황을 파악하기 위해서는 촬영된 영상으로부터 자동으로 강물 영역을 분리하는 것이 가장 우선적으로 이루어져야 한다. 영 상으로부터 목표로 하는 대상을 분리하는 영상분할에 서 가장 쉬운 방법은 임계값을 설정하여 이진화를 수 행하는 것이다. 컬러 영상을 이진화할 때 일반적으로 그레이 영상으로 변환한 후 이진화를 수행하며, 이때 주로 밝기 값으로 그레이 영상을 만든다. 하지만 컬러 영상은 다양한 모델로 표현되고 적절한 모델을 사용 할 경우 밝기 성분을 이용하는 것보다 더 좋은 성능 을 보여준다[7].
본 논문은 벌교천에서 촬영된 영상을 대상으로 분 석을 실시한다. 그림 1은 벌교천에서 촬영된 영상의 한 예이다. 그림을 보면 벌교천은 강 주위로 갈대들이 군락을 이루고 있는 특징이 있다. 색상 분석에 앞서 먼저 관심 영역을 설정한다. 그림을 보면 다리를 기준 으로 다리 아래 영상과 나머지 영상으로 나눠볼 수 있는데, 인식이 필요한 부분은 다리 아래 영역이다.
따라서 그림 2와 같이 관심 영역을 설정하고 강물과 배경의 색상을 분석하기 위하여 강물과 배경을 그림 3과 같이 분리한다.
그림 1. 벌교천 영상
그림 2. 벌교천 영상의 관심 영역 Fig. 2 Region of Interest of Bulgyo River image
2.1 RGB 색상모델 분석
RGB 색상모델을 가장 일반적인 색상모델로 빛의 삼원색인 Red, Green, Blue의 세 가지 채널로 색상을 표현한다. 그림 4는 강물 영역에 대한 RGB 색상모델 의 분석 내용을 보여준다. 그림 4(a)는 강물 영역의 전체 분포도를 보여주고 그림 4(b)는 각 채널에 대한 히스토그램을 보여준다.
강물 영역의 경우 바람이 많이 불지 않는 날에 촬 영되어 하늘이 많이 비치고 비교적 물이 얕아 강바닥 의 색깔이 많이 반영되어 있는 상황이었다. 그림 4에 서 볼 수 있듯이 색깔이 다양하지 않아 비교적 색상 의 분표가 좁게 나타나는 것을 알 수 있다. 그림 5를 보면 각 채널의 히스토그램이 매우 유사한 것을 알 수 있는데, 이것은 강물 영역이 무채색에 가깝기 때문 이다. 그리고 히스토그램의 값이 200 정도인 것을 보 면 영상이 비교적 밝은 값을 가지는 것도 알 수 있다.
(a)
(b)
그림 3. 강물 영역과 배경 영역 (a) 강물 영역, (b) 배경 영역
Fig. 3 River region and background region (a) river region, (b) background region
그림 5는 배경 영역에 대한 RGB 모델의 색상 분 석 결과를 보여준다. 그림 5(a)는 전체 색상의 분포도 를 보여주는데 그림 4(a)와 비교하면 색상이 보다 다 양한 분포를 가지는 것을 알 수 있다. 그림 5(b)의 각 채널에 대한 히스토그램을 보면 그림 4(b)와 달리 각 채널이 다른 값을 가지는 것을 알 수 있다. 특히 B 채널의 값들이 다른 두 채널에 비해 작은 값을 가지 는 형태를 볼 수 있다.
(a)
(b)
그림 4. 강물 영역에 대한 RGB 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 4 Color analysis for RGB model of river region (a) color distribution, (b) histograms of color channels
(a)
(b)
그림 5. 배경 영역에 대한 RGB 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 5 Color analysis for RGB model of background
region (a) color distribution, (b) histograms of color channels
전체 영상에서 강물 영역을 분할하기 위해서는 두 영역의 차이를 크게 드러내는 모델을 사용하는 것이 유리한데 히스토그램 분석 결과를 보면 B 채널을 이 용하여 양자화를 하면 가장 높은 성능이 나올 수 있 음을 알 수 있다. 그림 6은 강물 영역과 배경 영역의 화소 분포를 같이 표시한 그림이다. 그림 6을 보면 모 든 채널을 같이 고려할 경우 겹치는 영역이 많아 영 상을 분할하는 것이 쉽지 않은 것을 알 수 있다. 그림 7은 B 채널에 대한 두 영역의 히스토그램을 비교 결 과를 보여준다. 그림을 보면 두 영역의 블루 채널을 매우 상이한 분포를 가지는 것을 알 수 있다. 따라서 전체 채널을 다 이용하는 것보다 블루 채널을 이용하 여 영상 분할을 하면 보다 쉽게 영상 분할을 수행할 수 있게 된다.
그림 6. RGB 모델 색상 분포 비교 Fig. 6 Comparison with color distributions for RGB
model
그림 7. B 채널의 히스토그램 비교 Fig. 7 Comparison with histograms of B channel
2.2 HSV 색상모델 분석
RGB 컬러 모델은 각 채널에 밝기 성분이 포함된 다. 그림 3을 보면 강물 영역은 하늘이 비치기 때문에 밝기 성분이 많이 포함되어 있는 것을 알 수 있다. 따 라서 컬러 영상에서 밝기 성분을 분리한 후 컬러 성 분에 대해서 분석하면 좋은 성능을 보일 수 있다. 컬 러 영상에서 밝기 성분을 색상 성분과 분리하는 컬러 모델 중에서 먼저 HSV 모델에 대해서 분석한다.
HSV 모델은 컬러 영상을 색도(Hue), 채도 (Saturation), 명도(Value)의 세 가지 채널로 표현하는 모델이다. 이 모델은 색도를 나타내는 H 채널을 표현 할 때 색의 위치에 대한 각도로 표현하는 특징이 있 다. 채도를 나타내는 S 채널은 색의 선명도를 나타내 는 값으로 값이 작으면 무채색을 의미하고 값이 크면 선명한 색상을 의미한다. 명도를 나타내는 V 채널은 영상의 밝기 값을 나타낸다.
(a)
(b)
그림 8. 강물 영역에 대한 HSV 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 8 Color analysis for HSV model of river region (a)
color distribution, (b) histograms of color channels
그림 8을 보면 강물 영역에 전체 색상의 분포는 RGB 모델에 비해 넓게 분포하는 것을 알 수 있다.
각 채널별 특성을 보면 명도 성분인 V 채널이 밝은 값을 가지는 것을 알 수 있다. 색상과 관련된 채널을 보면 강물이 무채색에 가깝기 때문에 S 채널은 작은 값을 가지는 것을 알 수 있다. 반면 색상 정보를 나타 내는 H 채널은 넓게 분포하고 있어 우리가 눈으로 보는 것과는 달리 강물 영역이 여러 색상 성분을 포 함하고 있는 것을 알 수 있다.
(a)
(b)
그림 9. 배경 영역에 대한 HSV 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 9 Color analysis for RGB model of river region (a) color distribution, (b) histograms of color channels
그림 9는 배경 영역의 HSV 모델에 대한 분석 결 과를 보여준다. 전체 색상 분포도를 보면 비교적 넓은 영역에 화소들이 퍼져 있는 것을 알 수 있다. 각 채널 별로 히스토그램을 분석해 보면, 먼저 V 채널의 겨우 강물 영역과 달리 밝기 값이 고르게 퍼져 있는 것을 알 수 있다. 색상 채널 중 S 채널도 비교적 고르게 분포하고 있는데, 이는 강물 영역과 달리 선명한 색상 과 무채색의 색상이 고루 분포하고 있음을 의미한다.
H 채널의 경우 강물 영역과 달리 특정 영역에 편중 되어 있는 것도 알 수 있다.
그림 10은 강물 영역과 배경 영역에 대한 전체 채 널의 화소 분포를 보여 준다. 많은 영역에서 겹쳐진 것을 알 수 있어 모든 채널을 같이 고려할 경우 영상 을 분할하는 것이 쉽지 않을 것을 알 수 있다. 그림 11은 두 영역을 가장 잘 구분하는 S 채널에 대한 두 영역의 히스토그램을 비교 결과를 보여준다. 그림을 보면 전체 채널을 다 이용하는 것보다 S 채널을 이용 하여 영상 분할을 하면 보다 쉽게 영상 분할을 수행 할 수 있음을 알 수 있다.
그림 10. HSV 모델 색상 분포 비교 Fig. 10 Comparison with color distributions for HSV
model
그림 11. S 채널의 히스토그램 비교 Fig. 11 Comparison with histograms of S channel
2.3 CIE-Lab 색상모델 분석
컬러 영상에서 밝기 성분은 분리하는 다른 모델로 CIE-Lab 모델이 있다. CIE-Lab 모델은 컬러 영상을 L 채널, a 채널, b 채널로 분리한다. 여기서 L 채널은 HSV 모델의 V 채널과 마찬가지로 밝기 성분을 가지 고 나머지 a 채널과 b 채널이 색상 정보를 가진다.
이 모델의 특성은 보색 관계에 있는 색을 이용하여 색상을 표현하는 것이다. 즉, a 채널의 경우 초록과 빨강색의 정도를 표현하고 b 채널은 노랑색과 파랑색 의 정도를 표현한다[8].
그림 12는 강물 영역에 대한 CIE-Lab 모델의 색상 분석 결과를 보여준다. 전체 채널에 대한 색상 분포도 를 보면 다른 모델에 비해 배우 좁은 영역에 화소들 이 밀집한 것을 볼 수 있다. 각 채널에 대한 히스토그 램을 보면 명도 성분인 L 채널은 HSV 모델의 V 채 널과 유사한 것을 알 수 있다. 색상 성분인 a 채널과 b 채널은 매우 좁은 범위에 밀집된 것을 보여준다.
(a)
(b)
그림 12. 강물 영역에 대한 CIE-Lab 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 12 Color analysis for CIE-Lab model of river region (a) color distribution, (b) histograms of color
channels
그림 13은 배경 영역에 대한 CIE-Lab 색상 모델 분석 결과를 보여준다. 명도 성분은 HSV 모델과 유 사한 값을 가지는 것을 알 수 있다. 반면, 색상 채널 은 비교적 좁은 영역에 밀집한 형태를 가지는 것을 알 수 있다.
그림 14는 강물 영역과 배경 영역에 대한 전체 채 널의 화소 분포를 보여 준다. 강물 영역과 배경 영역 이 모두 다른 컬러 모델에 비해 집중된 화소 분포를 보이고 있지만 L 채널이 많이 겹치기 때문에 여전히 전체 채널을 모두 고려할 경우 영상을 분할하는 것이 쉽지 않을 것을 알 수 있다. 각 채널별 히스토그램을 보면 CIE-Lab 컬러 모델에서는 b 채널이 가장 명확 하게 두 영역을 구분하고 있는 것을 알 수 있다. 그림 15는 b 채널에 대한 두 영역의 히스토그램을 비교 결 과를 보여준다. 그림을 보면 전체 채널을 다 이용하는 것보다 b 채널을 이용하여 영상 분할을 하면 보다 쉽 게 영상 분할을 수행할 수 있음을 알 수 있다.
(a)
(b)
그림 13. 배경 영역에 대한 CIE-Lab 모델 색상분석 (a) 색상 분포도, (b) 각 채널의 히스토그램 Fig. 13 Color analysis for CIE-Lab model of river region (a) color distribution, (b) histograms of color
channels
그림 14. CIE-Lab 모델 색상 분포 비교 Fig. 14 Comparison of color distribution for RGB
model
Ⅲ. 색상 히스토그램을 이용한 이진화
2장에서 일반적으로 사용되는 세 가지 컬러 모델에 대해서 각 채널별 특성을 분석하였다. 2장의 결과에서 알 수 있듯이 컬러 영상은 영상의 특성에 따라 채널 별 특성이 서로 다른 값을 가지게 된다. 그리고 일반 적으로 컬러 모델의 전체 채널을 모두 이용하는 것보 다 특정 채널을 이용할 경우 영상 분할에 더 유리한 것도 알 수 있다.
그림 15. b 채널의 히스토그램 비교 Fig. 15 Comparison with histograms of B channel
그림 16. b 채널에 대한 min 분포그림 Fig. 16 min distribution of b channle
여러 컬러 모델의 여러 채널 중에서 어떤 채널이 영상 분할에 유리할지를 판단하기 위하여 본 논문에 서는 히스토그램 교차(Histogram Intersection : HI) 분석 기법을 이용한다[9-10]. HI 분석 기법은 두 두 집단의 히스토그램을 이용하여 두 집단의 유사도를 정량화하는 기법으로 HI 수치가 높으면 두 집단의 유 사도가 높은 것을 의미한다. 따라서 HI 수치가 가장 낮은 컬러 모델의 컬러 성분을 찾으면 가장 영상 분 할이 용이한 영상 성분을 찾게 되는 것이다. HI 값은 수식 (1)과 같이 정의된다.
min (1)
min min
여기서 은 강물 영역에 대한 히스토그램을 나타 내고 는 배경 영역의 히스토그램을 나타낸다. 그림 16은 그림 15에 대해서 min(i) 값들을 보여준
다. min는 강물 영역과 배경 영역의 히스트그 램을 비교하여 작은 값을 취하는 형태로 min
의 합이 HI 값이 된다.
일반적으로 하천을 감시하는 카메라는 고정된 형 태이기 때문에 고정된 영역에 대해서 관심 영역을 미 리 설정할 수 있다. 그림 17은 제안하는 방법에서 미 리 설정된 관심 영역들을 보여준다. 우선 강물 영역 검출에 불필요한 영역을 제거한다. 그림 17에서 강물 을 검출하기 위한 관심 영역은 다리 아래 부분이다.
따라서 다리를 기준으로 A 부분을 제거한다. 남은 영 역에서 강물 영역 1을 설정한다. 배경에 대해서는 보 다 정확한 강물 검출을 위해 강물을 기준으로 왼쪽 배경 B와 오른쪽 배경 C를 분리 한다. 배경 B에서 강물에 영향을 받지 않는 영역을 골라 배경 영역 2를 설정하고 배경 C에 대해서도 배경 영역 3을 설정한 다.
그림 17. 제안하는 방법을 위한 영역 설정 Fig. 17 Setting regions for the proposed method
제안하는 방법에서는 전역 이진화의 방법을 사용한 다. 그리고 이진화를 할 때 임계값은 강물 영역과 배 경 영역의 히스토그램이 서로 교차하는 값으로 한다.
예를 들어, 그림 16을 보면 b 채널의 값이 작을 때는 강물 영역의 히스토그램이 큰 값을 가지다가 136의 값에서 배경 영역의 히스토그램이 더 커지게 된다. 이 경우 136을 임계값으로 선정한다.
제안하는 방법에서는 먼저 히스토그램 교차 분석을 통해 이진화에 사용할 색상 성분을 결정한다. 그리고 이진화는 B 영역과 C 영역에 대해서 각각 진행한다.
B 영역에 대해서는 강물 영역인 영역 1과 배경 영역 인 영역 2에 대해서 히스토그램 교차 분석을 통해 임
서는 영역 1과 영역 3을 이용하여 같은 방법으로 이 진화를 진행한다.
Ⅳ. 실험결과
본 실험을 위해 전남 보성군 벌교읍의 벌교천에서 서로 다른 3일에 걸쳐 20장씩 촬영된 총 60장의 영상 을 활용하였다. 그림 1은 첫째 날에 촬영된 영상들의 대표영상이고, 그림 18은 다른 두 날에 촬영된 대표 영상을 나타낸다.
1일차 영상은 강물이 비교적 낮은 수위를 보이고 있을 때 촬영된 영상이고 2일차 영상은 강물의 수위 가 비교적 높을 때 촬영된 영상이다. 3일차 영상은 큰 비가 온 후 촬영된 영상으로 갈대에 흙이 많이 묻어 있고 강물도 황토색이 많이 남아있다.
(a)
(b)
그림 18. 벌교천의 대표 영상 (a) 2일차, (b) 3 일차 Fig. 18 Representative images of Bulgyo River (a) 2nd
day, (b) 3rd day
각 영상에 대해서 세 가지 컬러모델을 적용하고 각 컬러모델의 채널별 히스토그램 교차 분석을 수행하였
상의 배경이 되는 갈대숲의 색깔이 영향을 미친 것으 로 판단된다. 하지만 세 모델에서 가장 작은 값들을 서로 비교하면 영상별로 차이가 있다. 첫 번째 그룹의 영상들에서는 CIE-Lab 모델의 b 채널이 가장 작은 0.78의 값을 가지지만 두 번째 그룹의 영상들에서는 RGB 모델의 B 채널이 0.079의 값으로 가장 낮은 값 을 나타냈다. 세 번째 그룹에서는 HSV 모델의 S 채 널이 0.046의 값으로 가장 작게 나타났다.
표 1. 컬러모델 채널별 HI 값 비교 Table 1. Comparison with HI values of each channel
of color models Color
Model Chan. Average HI
1st 2nd 3rd
RGB
R 0.090 0.103 0.056 G 0.112 0.117 0.057 B 0.084 0.079 0.048
HSV
H 0.180 0.179 0.086 S 0.091 0.082 0.046 V 0.100 0.118 0.058 CIE-
Lab
L 0.107 0.109 0.055 a 0.182 0.170 0.131 b 0.078 0.093 0.049
그림 19는 1일차 영상에 대해서 HI 값이 작은 네 개의 채널에 대해서 이진화를 수행한 결과를 보여준 다. 이진화를 위한 임계값은 제안한 방법을 적용하였 다. R 채널과 L 채널의 경우 배경인 갈대 부분이 많 이 포함된 것을 알 수 있다. HI 값이 두 번째로 작은 B 채널의 경우 이진화가 잘 되었지만 배경 부분의 갈 대가 다소 포함되어 있고 강가 부분이 강물로 인식되 고 있는 것을 알 수 있다. HI 값이 가장 작은 b 채널 의 경우 갈대 그림자 부분을 강물로 인식하고 있으나 대체로 강물 영역을 잘 분리하고 있는 것을 알 수 있 다.
(a)
(b)
(c)
(d)
그림 19. 1일차 영상에 대한 이진화 결과 (a) R 채널, (b) B 채널, (c) L 채널, (d) b 채널
Fig. 19 Binarization results of a image of 1st day (a) R channel, (b) B channel, (c) L cahnnel (d) b channel
그림 20은 2일차 영상들과 3일차 영상에 대해서 제 안하는 방법을 적용하여 이진화를 수행한 결과를 보 여준다. 비교적 정확하게 강물 영역을 검출하고 있는
것을 알 수 있다. 배경 영역인 갈대 부분을 다소 강물 로 포함하고 있으나 추가적으로 모폴로지 방법 들을 적용하면 쉽게 강물 영역을 분리할 수 있을 것으로 판단된다.
(a)
(b)
그림 20. 2일차와 3일차 영상에 대한 이진화 결과 (a) 2일차 영상(B 채널), (b) 3일차 영상(S 채널) Fig. 20 Binarization results of images of 2nd day and
3rd day (a) 2nd day image(B channel), (b) 3rd day image(S channel)
제안하는 방법에서는 이진화를 위해 HI 값을 최소 로 하는 채널에 대한 히스토그램을 이용한다. 즉, 배 경 영역과 강물 영역의 히스토그램이 서로 교차하는 지점의 값을 임계값으로 설정하여 이진화를 진행한다.
이 방법에 대한 성능을 비교하기 위하여 전역 이진화 에 가장 일반적으로 사용되는 오츠 방법과 비교하였 다. 그림 21은 CIE-Lab 모델의 b 채널에 대해서 오 츠 알고리즘을 적용하여 이진화를 수행한 결과를 보 여준다. 그림 19(d)와 비교하면 제안하는 방법이 더 명확하게 강물 영역을 분리하는 것을 알 수 있다.
그림 21. b 채널에 대한 오츠 방법을 이용한 이진화 Fig. 21 Binarization of b channle using Otsu method
Ⅴ. 결 론
본 논문에서는 비쥬얼 센서를 이용한 하천 감시 시 스템에서 홍수 등을 조기에 감지하기 위한 강물 영역 검출 방법을 제안하였다. 먼저 벌교의 벌교천에서 촬 영된 영상을 이용하여 강물 영역과 배경 영역을 분리 하기 위한 최적의 컬러 모델과 채널에 대해서 분석하 였고 이를 정량화할 수 있는 히스토그램 교차 분석 방법을 제시하였다. 이 분석에서 각 컬러모델의 모든 채널을 사용하는 것보다 특정 채널을 사용하는 것이 영상 분리에 유리하며, 특정 채널을 찾기 위해 히스토 그램 교차 분석을 이용하는 것이 효과적임을 실험으 로 보였다. 실험을 통해 제안하는 방법이 간단하지만 성능이 우수함을 보였다. 제안하는 방법은 강물 영역 을 정밀하게 검출하는 데는 한계가 있지만 홍수 가능 성을 조기에 발견하는 데는 충분히 활용될 수 있을 것으로 판단된다.
본 연구는 하천 감시 시스템에서 강물 영역 인식을 위한 가장 기본적인 단계로 가장 효과적인 영상 채널 을 찾는 방법과 이를 활용하는 방안을 제시하였다. 향 후에는 강물의 경계 부분이 명확하게 구분되지 않는 부분을 개선하여 보다 정밀하게 강물 영역을 분리하 는 방법을 제시하고자 한다. 그리고 본 연구는 봄부터 여름까지 진행되어 촬영된 영상의 배경 부분이 유사 한 컬러 특성을 가지고 있는데, 보다 장기적인 연구를 통해 다양한 배경의 색상에 대해서도 분석을 추가할 예정이다.
References
[1] Y. Kim, S. Yang, K. Yu, and D. Kim, “Flood Runoff Calculation using Disaster Monitoring CCTV System,” J. of Environmental Science International, vol. 23, Apr. 2014, pp. 571-584.
[2] M. Devlin, C. Petus, E. Silva, D. Tracey, N.
Wolff, J. Waterhouse, and J. Brodie, "Water quality and river plume monitoring in the Great Barrier Reef: an overview of methods based on ocean colour satellite data," Remote Sensing, vol.
7, Oct. 2015, pp. 12909-12941.
[3] K. Nam, "A Study on Yeong-san River Ecological Environment Monitoring based on IoT," J. of the Korea Institute of Electronic Communication Sciences, vol. 10, no. 2, 2015, pp. 203-210.
[4] J. Paek, J. Hicks, S. Coe, and R. Govindan,
“Image-Based Environmental Monitoring Sensor Application Using an Embedded Wireless Sensor Network,” Sensors, vol. 14, no. 9, 2014, pp.
15981-16002.
[5] Y. Lee, “The Application of USN for River Measurement – The Yang-Jae Brooket Case,” J.
of the Korean Society of Civil Engineers, vol. 57, May 2009, pp.10-24.
[6] J. Park, S. Lee, and W. Oh, "Congestion Control Mechanism for Efficient Network Environment in WMSN," J. of the Korea Institute of Electronic Communication Sciences, vol. 10, no. 2, 2015, pp.
289-296.
[7] Y. Lee and W. Kim, "Smoke color analysis of the standard color models for fire video surveillance," J. of the Korean Academia-Industrial Cooperation Society, vol. 14, no. 9, pp. 4472-4477, 2013/09 2013.
[8] G. Lee, M. Uzair, J. Yoon, J. Kim, and W. Kim,
265-274.
[10] Y. Lu, J. Hu, and D. Huang, “Study on a image matching algorithm based on sphere similarity of color histogram intersection,” In Proc. the 6th World Congress on Intelligent Control and Automation, Jun. 2006, pp. 9946-9948.
저자 소개
박상현(Sang-Hyun Park) 1995년 고려대학교 전자공학과 졸 업(공학사)
1997년 고려대학교 대학원 전자공 학과 졸업(공학석사)
2002년 고려대학교 대학원 전자공학과 졸업(공학박사) 2004년 순천대학교 멀티미디어공학과 교수
※ 관심분야 : 영상처리, 패턴인식
