- 1 -

위성영상의 궤도위치 해석을 통한

수치지도 제작기술개발에 관한 연구

최종보고서( )

2003. 8.

주관기관 주 한국지리정보기술( )

위탁기관 서울대학교

산 업 자 원 부

- 2 -

제 출 문

산업자원부장관 귀하

본 보고서를 산업기술개발사업 에 관한 위성영상의 궤도위치 해석을 통한 수치 지“ ”

도 제작기술개발 개발기간 과제의 최종보고서로 제( : 2001. 7. 1 2003. 6. 30)～

출합니다.

2003. 8. 30.

개발사업주관기관명 : 한국지리정보기술

개발사업총괄 관리 책임자( ) : 백 형 복

연 구 원 : 정 송 희

〃 : 안 충 일

〃 : 우 상 윤

- 3 -

산업기술개발사업 보고서 초록

관리번호 00013603

과제명 위성영상의 궤도위치해석을 통한 수치지도제작기술 개발

키워드 위성영상 수치지도 지상기준점 영상좌표 기하보정/ / /GIS/ /

개발목표 및 내용

최종 개발목표1.

고해상도 위성영상을 이용하여 수치지도를 제작하기 위한 영상 보정 영상처리,

및 벡터라이징 제반기술에 대하여 구현한다 또한 의 경우는. Alternative System

정사보정된 영상만으로 판매함으로 대상지역을 포괄하는 단 영상을 이용하여 지

도화 작업을 수행한다.

당해연도 개발내용 및 결과2.

영상처리를 위한 영상전처리①

위성의 다양한 포맷을 분석하고 영상의 디스플레이를 지원한다.

최소기준점을 이용하여 보정된 영상의 지도화 방안②

영상에서 식별이 용이한 지상기준점을 선정하고 이에 대한 영상좌표를 추출 하

고 위성영상 각 에 대한 외부표정요소를 구한다 구하여진 외부표정 요소를Line .

이용하여 영상을 기하보정한다.

위성영상에서의 에 대한 벡터라이징 기술ROI(Region of Interest) Area③

공간 지원기술을 개발하고 벡터라이징 기술 중 세선화기법을 구현한Data Type

다.

벡터라이징 분류결과를 이용한 지형정보의 수치지원기술④

공간 포맷 중 지원기술을 구현하여 공간 의 수정 편집 관리 기Data DXF Data / /

능을 가진 을 개발한다Tool .

위성영상 정보를 이용한 정보분석 모듈 개발GIS⑤

영상처리 및 분석을 위해 필터링과 분류기법을 사용하여 영상 및 분류결과를 디

스플레이한다.

레지스트레이션 모듈 개발(Registration)⑥

영상 레지스트레이션을 통한 영상 정합 모듈과 함께 영상정합을 통한 시계열 분

석

- 4 -

기대효과 기술적 및 경제적 효과3. ( )

인공위성 영상을 이용한 정보추출 및 적용상품 수치지도 제작 활용 적용 상품의/

활성화와 함께 국방 환경 해양 건설 관련분야에서 용이하게, , , , GIS, ITS, GPS

사용될 것이다 또한 기상정보서비스 분야에도 적용이 가능할 것 이. Web GIS,

다.

적용분야4.

국방 환경 해양 건설 관련분야, , , , GIS, ITS, GPS

- 5 -

목 차

제출문

보고서 초록

목차

표목차

그림목차

제 장 서 론1

제 절 기술개발의 개요1

제 절 기술개발의 내용2

제 장 위성영상 처리를 위한 영상 와2 Import Vectorizing

제 절 위성 영상1 Import

위성영상 저장포맷 분석1.

메모리 관리 기법2.

영상 디스플레이3.

제 절 영상의 지도좌표 할당2

영상 재배열1.

제 절 에 대한 기술3 ROI Area Vectorizing

공간 지원기술개발1. Data Type

세선화2. (Thinning)

제 절 구축4 GIS D/B

공간 포맷 지원1. data

공간 의 수정 편집 관리기능2. data / /

제 장 위성영상 정보를 이용한 정보분석 모듈개발3 GIS

제 절 영상자료의 강조1

영상 강조1.

공간 강조2.

3. Geometric

분류를 통한 주제도 생성4.

제 절2 PCA. NDVI

1. PCA

- 6 -

2. NDVI

제 절 영상 분할3

영상 분할 방법1.

제 절 영상 정합4

영상 정합1.

시계열 분석2.

제 장 위성영상의 기하보정4

제 절 위성영상의 기하보정 개요1

제 절 위성영상2 Import

제 절 지상기준점 선정과 영상좌표추출3 (GCP: Ground Control Point)

제 절 위성궤도 모델링과 외부표정요소 계산4

제 절 좌표계 결정 및 번들조정5

제 절 위성영상의6 Resampling

제 장 벡터라이징5

제 절 벡터 편집1

제 절 경계 검출2

제 절 세선화3

제 절 벡터라이징4

제 장 결론6

- 7 -

표 목차

표 최종 기술개발 목표 및 개발현황1-1

표 계산에 이용하는 미분 연산자3-1 Gradient

표 축3-2 x mask

표 축3-3 y mask

표 축3-4 x mask

표 축3-5 y mask

표 고주파강화3-6

표 고주파차단3-7

그림 목차

그림 영상디스플레이2-1

그림 세선화2-2 (Thinning)

그림 벡터 레이어 에디터2-3

그림 벡터 에디터2-4

그림 히스토그램3-1 View

그림 3-2 Mask of Median Filter

그림 3-3 Binary Filter(Normal binary)

그림 3-4 Binary Filter(Block binary)

그림 3-5 Binary Filter(Inverse binary)

그림 3-6 Blurring

그림 3-7 Sharpening

그림 3-8 Embossing

그림 3-9 Edge detecting(Roberts)

그림 3-10 Edge detecting(Prewitt)

그림 3-11 Edge detecting(Sobel)

그림 3-12 Edge detecting(Frei-Chen)

그림 3-13 Canny Edge detecting

그림 3-14 Representative Value(Maximum)

- 8 -

그림 3-15 Representative Value(Minimum)

그림 3-16 Representative Value(Median)

그림 3-17 Brightness( + 30)

그림 3-18 Brightness( -30)

그림 3-19 Morphology(Grey scale)

그림 3-20 Morphology(Binary scale)

그림 3-21 Morphology(Circular mask binary scale)

그림 3-22 Logarithm

그림 3-23 get Histogram information

그림 3-24 Histogram equalization

그림 3-25 Histogram Max-Min stretch

그림 3-26 Histogram Gaussian stretch

그림 3-27 Histogram Standard deviation stretch

그림 3-28 Zhang & Shen Thinning

그림 3-29 Skeletonization Thinning

그림 3-30 Geometric (Zoom-in)

그림 3-31 Geometric(Zoom-out)

그림 3-32 Find Node

그림 위성영상4-1 Raw Import

그림 선정과 기하보정4-2 GCP

그림 변환식과 오차식4-3 GCP

그림 좌표변환식과4-4 Resampling

- 9 -

제 장 서론1

제 절 기술개발의 개요1

수치지도제작에 대한 경험이 축적되고 기술적 문제가 점진적으로 극복됨에 따라 연

구의 관심은 제작비용 및 자료의 갱신주기를 단축시킬 수 있는 방안을 모색하는 쪽

으로 이동하고 있다 위성영상을 이용한 최소기준점에 의한 대축척 수치지도제작에.

대한 실험이 현재 진행중에 있으며 수치지도제작에서 고해상도 위성영상1:50,000

에 대하여 조사한 결과 지형 데이터베이스를 갱신하는데 잠재력을 가지고 있는 것

으로 평가되고 있다 최근 군사적인 목적으로 사용되어 왔던 지상관측용 고해상도.

공간해상도 인공위성 영상이 상용화되기 시작하면서 활용범위가 점차 확대( 1~2m)

되어 수치 지도 제작분야에 수요가 크게 늘어나고 있는 실정이다 또한 위성영상이. ,

지니고 있는 주기성 광역성 등의 장점으로 수치지도제작 분야에 활용가능성이 크,

게 주목받고 있고 더욱이 고해상도 위성영상의 취득 및 활용계획이 상용화되면서

위성영상을 이용한 수치지도제작이 현실화되고 있다 고해상도 위성영상을 이용한.

수치지도제작 및 갱신은 종래의 지상관측 및 항공사진측량에 비해 광역지역을 빠른

시간에 효과적으로 처리할 수 있으며 비용이 저렴하고 주기적인 데이터 획득이 가, .

능하여 정보갱신이 용이 하다는 장점을 가지고 있는 기술이라 하겠다.

제 절 기술개발의 내용2

국가적으로 외국의 기업과 경쟁하여 우위에 설 수 있는 상품 중 현재 국내의 기술

상황에서는 위성영상으로부터 수치지도 데이터 추출기술이 가장 경쟁력이 있으므로

특정한 기능 중심적인 단독 상품으로 국제적인 시장을 공략하는 것보다는 복S/W

합 상품으로 시장을 선도하여 나가며 자연스럽게 관련 기술요소들을 시장에 공급할

수 있는 기반의 조성 및 확보가 이루어질 수 있을 것이다.

표 에서 보는 바와 같은 기술개발 목표를 가지고 기술개발을 수행하였으며 기1-1

술개발이 수행된 결과를 보이고 있다 수행할 기술내용은 크게 가지 항목으로 나. 5

누어 볼 수 있는 데 영상전처리 최소기준점 영상의 지도화 방안 벡터라이징 기술. , ,

개발 구축 정보분석 모듈이 이에 해당한다, GIS D/B , GIS .

위성영상의 영상전처리를 위해 다양한 위성영상 포맷을 분석하고 이를 디스플레이

하는 인 를 개발하였으며 정보분석 모듈을 여기에 포함시켰다S/W vecpSJ GIS . GIS

정보분석 모듈에는 위성영상을 강조하는 기법으로 histogram equalization. Linear

등을 구현하였으며 영상에 대한 통계적 분포를 히스토그램을 통해 디스플레stretch

이 하도록 하였다 또한 공간을 강조하는 기법 중 에 관한 기법은 다양한. filtering

필터링 기법을 메뉴로 포함하였다.

- 10 -

공간 자료 타입을 지원하는 기술로 가장 상용으로 사용하는 기술인 기법을Polyline

적용한 인 은 향후 분류항목 자동폐합처리 지원기술을 포함하여 벡터s/w vectLayer

라이징 기술로 구현될 예정이다 이밖에 에는 공간데이터 포맷을 지원하는. vecp3

포맷지원기술에 대한 연구를 바탕으로 벡터 자료의 로딩 저장 편집을 위한 기dxf , ,

능이 포함되어 있다.

위성영상의 수치지도화를 위한 위치해석 모듈 로 가 구현되었으며S/W geocode ,

에는 위성영상의 기하학적 왜곡에 의한 오차를 보정하기 위한 기하보정이geocode

포함되어 있다 기하보정을 위한 과정의 하나로 지상기준점을 설정하여 영상좌표를.

추출하는 기능이 있다 추출된 영상좌표를 지리좌표로 변환하기 위한 변환식으로.

차 차 변환식 등을 사용자가 임의로 결정할 수 있도록 되어있다 또한Affine, 2 , 3 .

위성영상의 헤더 정보를 이용하여 위성궤도를 모델링하고 이를 이용하여 시간별 또

는 영상의 한 라인별 외부표정요소를 계산할 수 있다 기하보정을 위해서는 외부표.

정요소를 이용하여 를 가지는 로 영상을 변환해야Epipolar Geometry Normal Image

한다 이때 위성영상의 재배열이 발생된다 영상 재배열 방법으로는 최근린 보간법. , .

차 선형 보간법 차회선 보간법(Nearest Interpolation), 2 (Bilinear Interpolation), 3

등을 사용하였다(Cubic Convolution Interpolation) .

- 11 -

표 최종 기술개발 목표 및 개발현황1-1

기술내용 개발 목표 개발현황 비고

영상전처리

위성영상 저장포맷분석 등 저장포맷분석Raw, Tiff, BMP vecpSJ

고해상도 메모리관리기법 메모리 관리를 위한 메모리 타일링 geoeode

영상디스플레이 저장포맷에 따른 영상디스플레이 vecpSJ

최소기준점영

상의 지도화

방안

위성영상 import 저장포맷에 따른 위성영상 import geoeode

영상좌표추출 설정 좌표변환GCP , geoeode

외부표정요소계산 위성기본자료를 이용 geoeode

위성영상 재배열 최근린보간법 차 차보간법, 2 3․ geoeode

Vectorizing

기술 개발

공간 지원기술개발data type 지원기술Polyline vecpSJ

해상도분석에 따른 분류 해상도에 따른 영상 분할 및 분류 geoeode

분류항목 자동폐합처리 지원기술 구현Vectorizing vecpSJ

GIS D/B

구축

공간 포맷지원data 포맷 지원기술dxf vectLayer

분류선택Layer 를 분류하고 선택하는 기능Layer vectLayer

공간 의 수정 편집 관리data / / 자료의 로딩 저장 편집Vector , , vectLayer

정보분석GIS

모듈

위성영상 viewing 다양한 위성영상의 제공viewing geocode

영상강조 통계적 분포를 이용한 영상강조 vecpSJ

히스토그램 영상에 대한 통계적 분포 vecpSJ

필터링 필터 등median, Sobel, Prewitt vecpSJ

분류를 통한 주제도 생성 분류를 통한 주제도 생성 geocode

개발된 명1 vecpSJ, geocode, vectLayer, vecetorEdit; S/W※

- 12 -

제 장 위성영상 처리를 위한 영상 와2 Import Vectorizing

위성영상 처리를 위한 영상 과정과 영상처리 인 는 다양한 포Import S/W geocode

맷의 위성영상을 입력으로 받아 영상을 디스플레이하는 기능을 가지고 있다.

기술을 구현한 에서는 공간 지원기술을 바탕으로Vectorizing vectLayer data type

위성영상에서의 공간 에 대한 수정 편집 관리 기능을 가진 이다 제 장에data / / S/W . 2

서는 영상 과정의 와 인 에 대하여Import geocode S/W Vectorizing S/W vectLayer

살펴보고자 한다.

제 절 위성영상1 Import

우리가 일반적으로 흔히 볼 수 있는 영상자료는 기본적으로 정사각형 형태의 격자

망으로 이루어져 있다 영상에서 나타나는 이들 각각의 정사각형 격자를 우리는 화. ‘

소 라 부르며 이 화소가 영상을 구성하는 기본단위가 된다 위성영상은 다양(Pixel)’ .

한 형태의 포맷을 가지고 있다 위성영상 에서는 다양한 영상포. Import S/W vecpSJ

맷을 분석한 결과를 바탕으로 다양한 영상 포맷을 하여 디스플레이하는 기능Import

을 가지고 있다.

위성영상 저장포맷 분석1

위성영상은 다양한 포맷으로 저장되어 있다 가장 많은 형태를 비롯. raster

등이 있다 또 으로 얻어오는 방식도 있다고 한다 형식과geocoded . film . Geo Tiff

이라는 형식이 위성영상으로 많이 사용된다 형식은 래스터 데이터만 줄 단BlL . BlL

위로 들어있고 는 다른 부수적인 정보도 포함하는 포맷이다 는 산GeoTiff . GeoTiff

업표준으로 특히 국제 표준화 단체 중 하나인 의 구현사GIS OpenGIS Consortium

항의 포맷으로 사용된다.

벡터데이터-

벡터데이터는 공간상에 위치하는 길이와 방향성을 가지는 객체들의 집합으로 점

선 다각형 등 개의 형태로 지리적 위치가 기술되어 진다(point), (line), (area) 3 .

- 13 -

점은 공간상에서 위치 기호 절점 등의 심볼로 사용되며 공간상의 좌표를 가진다, , , .

선은 면적은 가지고 있지 않지만 길이는 갖고 있으며 등고선 도로 등과 같은 객체, ,

를 선으로 표시한다 다각형은 점과 선들의 집합으로 면적과 경계를 형성하고 독특. ,

한 형태와 크기를 가지고 있음으로 주로 도형의 표면에 사용되고 있으며 다각형,

내부에 특정한 속성정보를 지정할 수 있음으로 공간적 영역 설정에 사용할 수 있

다 벡터데이터는 작은 단위의 도형정보도 표현 가능하기 때문에 그 특성은 명확한.

상관관계 즉 연결성과 인접의 특성 을 갖고 기억되어진다 또한 각각의 속성정보( , ) .

도 표현할 수 있는 구조도 갖고 있어 면적 경사 특성간의 관계 등을 속성 테이블, , ,

또는 보고서의 형태로 저장할 수 있다 벡터데이터는 공간상의 위치정보와 그에 해.

당하는 풍부한 속성자료의 입력이 용이하여 대용량의 DMBS (Data Base

와의 연동을 통하여 질적으로 풍부한 지식을 추출할 수 있다Management System) .

일반적으로 벡터데이터를 생성하는 방법은 상용화된 소프트웨어와 디지타이져를 혼

용하여 사용하며 지도를 벡터화하여 각각의 특성에 맞게 레이어 별로 분류하여 속,

성자료를 입력하는 방식이 있다 지도의 경우에는 축척에 따라 입력되는 정보가 다.

르지만 각각의 객체를 유일한 번호를 가지는 레이어로 분류하여 제작한다 예를 들.

어 도로망 도로망도 고속도로 국도 지방도로 나누어 제작하고 행정구역도 건물, , , ,

배치도 등고선도 등으로 나누어 입력한다 특히 등고선의 경우에는 높이에 대한, . ,

정보는 속성자료로 데이터베이스에 링크 되어 처리된다 이와 같이 점 선 다각형. , ,

등을 이용하여 공간정보의 입력이 가능하고 여러 개의 레이어를 통합하여 새로운

다각형이 생성되어 공간분석이 가능하다.

벡터데이터는 공간상의 위치정보와 풍부한 속성자료를 입력 및 조회할 수 있어 응

용분야가 다양하다 특히 기술과 접목되어. GIS (Geographic Information System)

다양한 응용분야에 적용되고 있다 백터데이터는 현재 상용화된 소프트웨어를. GIS

사용하여 각 응용분야에 적용되고 있으나 전부 외국에서 개발하여 매년 를Royalty

지불하고 있고 또한 사용되는 모든 벡터포맷 형식은 그 소프트웨어에 국한하여 사

용하여야 하여 경제적 국가적 손실이 점점 증가하고 있다, , .

- 14 -

래스터 데이터-

래스터데이터는 정사각형의 그리드 또는 셀 들의 조합으로 이루어진(grid, pixel) (cell)

다 각각의 셀은 고유의 수치 값을 가지며 이러한 수치에 실세계의 여러 가지 정보.

를 부여하여 해석되어 진다 예를 들어 평균 고도치 어떤 지역의 투표율 지표면의. , ,

지질 종류 등을 한 개의 셀 또는 여러 개의 셀들에 적용하여 표한할 수 있다 각각.

의 셀들은 차원의 카티시안 공간에 도시되며 기본적으로 행과 열의 좌표치를 가진2

다 좌표치는 지리적인 공간좌표로 변환이 가능하여 위 경도 또는 등의 좌. / , TM UTM

표로 변환하여 공간 분석을 가능하게 한다 일반적으로 컴퓨터에 표시되는 이미지.

데이터 사진을 이용하여 수치화한 자료 스캐너를 인공위성이나 또는 항(image) , ,

공기에 탑재하여 측정된 지표면 자료 등이 래스테데이터로 사용되고 이를 가공 처,

리하여 실세계의 여러 분야에 응용되고 있다.

일반적으로 컴퓨터상에 도시되는 영상들의 경우 흑 백 그래이 스캐일/ , (Gray

를 조합한 영상들로 분류된다 흑 백의 경우에는Scale), RGB (Red, Green, Blue) . /

한 개의 셀이 를 사용하여 또는 로 표시되어 이면 백색으로 이면 흑색1-bit 0, 1 0 1

으로 흑색으로 각각 표시되며 그래이스캐일은 한 개의 셀이 를 사용하여 에, 8-bit 0

서 까지의 수치를 표현할 수 있다 수치가 에 가까우면 흑색으로 표시되고255 . 0

에 가까우면 백색으로 표시된다 의 경우에는 를 이용하여 트루칼라255 . RGB 24-bit

로 표현이 가능하다 칼라의 개수는 적색 개 녹색(True Color) . (red) 256 , (green) 256

개 그리고 청색 개의 조합으로 총 개의 칼라를 표시할 수 있(blue) 256 16,777,216

다.

현재 사용되고 있는 레스터 포맷의 영상종류는 다양하여 GIF, TIF, PCX, JPG,

등으로 여러 가지 형태가 있는 각각은 고유의 압축방법을 사용하여 고화PIC, TGA

질의 영상을 적은 크기로 최소화하여 로딩 또는 처리 시간을 단축하여 사용되고 있

다 의 저장방식은 위에서 언급한 가지의 방식 이외에 라는. GIF 3 Indexed Color

을 영상 자체의 헤더에 포함하여 의 그레이스케일 영상을Color Lookup Table 8-bit

트루칼라의 형태로 표현할 수 있는 기술이 개발되어 사용되고 있고 현재도 많은 연

구가 진행중이다 포멧은 압축효과가 뛰어난 반면에 압축률이 높을수록 영상. JPG

이 질이 떨어지는 단점이 있다 는 압축방식과 압축하지 않는 가지를 모두 지. TIF 2

원하며 고해상도의 영상처리를 요하는 분야에서는 방식의 압축하지 않은 포맷을TIF

사용한다 적 녹 청색의 영상을 따로 저장하여 실제의 이미지 내용을 그대로 보존. , ,

하여 영상으로부터 특정한 특징을 추출할 때 주로 사용된다.

- 15 -

래스터 데이터는 여러 연구분야에서 사용되고 새로운 포맷이 계속해서 개발되고 있

다 특히 래스터 데이터가 이용되는 중요한 분야에 원격탐사 분. (Remote Sensing)

야이다 원격탐사는 항공기나 또는 인공위성에 특수 제작된 스캐너를 장착하여 대.

상물체를 촬영하여 그 결과를 수치화하여 저장매체에 수록하여 처리하는 학문이다.

이때 저장되는 자료는 레스터형태로 수록되며 한 개의 셀은 에서 까지8-bit 32-bit

다양하다 일반적으로 의 형태로 저장되나 레이더 파를 이용하여 측정된 데이. 8-bit

터는 로 저장된다 한번 측정시 촬영되는 영역이 넓어 형상의 크기가 큰 것16-bit .

이 일반적이다.

- 16 -

- GeoTiff

는 새로운 합성 포맷의 표준이며 지리적인 등의 정보를GeoTiff , projection, data

추가할 수 있도록 구성된 포맷이다 포맷은 원격 탐사 또는 이. GeoTiff cartographic

라고하는 래스터 데이터와 관계되어 있다.

메모리 관리기법2.

메모리 타일링은 하나의 파일이 존재하고 처리 시에 타일 단위로 처리한다 즉 필.

요한 타일을 선택하고 필요한 타일만을 메모리 상에 올려서 사용함으로 시스템 자

원을 절약하면서 디스플레이 속도를 높일 수 있으며 초고해상도 대용량 위성영상을

처리하기 위해서는 필수적인 기반 기술이다 본 연구에서는 이를 처리하기 위한 기.

본단계로서 타일링에 대한 연구를 수행하여 대용량 고해상도 영상을 디스플레이하

도록 지원하고 있다 메모리 관리기법의 경우 하나의 위성영상에 다양한 타일이 존.

재하는 것이 일반적이며 그러한 타일들이 하나의 파일로 구성되어야 하나 이를 처

리하기 위한 알고리즘의 부족으로 인해 대용량 고해상도 위성영상의 처리를 위해

사용자가 처리가 가능한 메모리만을 가지는 영상으로 재구성하여 보이는 부분에서

는 원 영상의 이미지를 가지도록 처리하였다.

영상 디스플레이3.

그림 위성영상 디스플레이2-1

- 17 -

그림 은 영상을 디스플레이한 을 나타낸 그림으로2-1 geocode S/W 8bit/24bit Tiff

파일 및 파일을 읽어들일 수 있으며 파일도 읽을 수 있다 미니맵Geo-Tiff , RAW .

을 이용해 편리하게 지도를 탐색할 수 있으며 기능을 바탕으로 디스, Zoom In/Out

플레이된 영상을 확대 축소할 수 있다/ .

제 절 영상의 지도좌표 할당2

표정작업이 끝나면 산출된 표정정보를 근거로 하여 원본 영상을 기준 좌표계에 따

른 정확한 위치로 변환하기 위한 영상 재배열 과정을 거치게 된다.

영상재배열1. (Resampling)

위성영상은 일반 프레임 카메라 사진과는 달리 중심 투영영상이 아니라 각 라인마

다 각각 투영중심을 가지게 된다 따라서 외부표정요소를 이용해. Epipolar

를 가지는 로 영상을 변환해야 한다 이때 위성영상의Geometry Normal Image . ,

이 발생된다 최종적으로 산출된 좌표변환식에 따라 원래의 영상을 지Resampling .

도좌표로 옮기는 과정을 영상재배열이라 하는데 이때 변환되는 좌표체계는, TM,

경위도 등 여러 체계가 있으나 일반적으로 우리나라에서는 횡메르카토르UTM, ,

투영법에 의하여 지도가 제작되므로 이 좌표체계로 변(Transverse Mercator : TM)

환하게 된다.

영상 재배열 방법으로는 가장 가까운 곳에 있는 픽셀값을 사용하는 최근린 보간법

주변 개 픽셀값을 사용하는 차 선형보간법(Nearest Interpolation), 4 2 (Bilinear

주변 개 픽셀값을 사용하는 차회선 보간법Interpolation), 16 3 (Cubic Convolution

등을 사용하였다 자세한 결과는 제 장의 기하보정 과정에 적용하였Interpolation) . 4

다.

제 절 에 대한 기술3 ROI Area Vectorizing

을 위한 접근방법은 한 방식과 한 방식으로 나눌 수Vectorizing interactive automatic

있는 데 한 방식 은 을 하다가 문제점이 발생하는 지역이 나interactive vectonzmg

타나면 사용자의 개입을 기다리는 방식을 말하며 한 방식은 사용자가 먼automatic

저 개입하여 전 처리과정을 수행하고 이에 따라 하는 방식을 말한다vectorizing .

과정을 단계로 구분하면 세선화과정 생성 벡터화과정이다vectorizing 3 , Point , .

- 18 -

공간 지원기술개발1. Data Type

에서 사용하는 자료는 크게 공간자료 와 속성자료GIS (Spatial Data) (Attribute Data)

로 나눌 수 있다 공간 자료는 지도에 점 선 면 등을 사용하여 나타낼 수 있는 지. , ,

형 지질 수계망 도로망 등 각종 지표공간의 위치와 형상간의 공간적인 상대적 위, , ,

치관계를 말하고 속성자료는 이들 자료공간에 관련된 위치의 명칭 크기 및 인문적,

사회적 특성을 나타내는 것이다 을 수행하기에 앞서 의 추출과. Vectorizing Vector

저장을 위한 공간 지원기술에 대한 개발을 하였다 공간 은Data Type . Data Type

이나 으로 이루어지는 데 상용 에서는 을 기본으로 사용하Line Polyline S/W Polyline

고 있으며 개발된 역시 을 기본으로 사용하거나 간단한 시vectLayer S/W Ployline

험용으로 을 이용할 수 있도록 하였다Line .

세선화2. (Thinning)

과정중 세선화 과정은 문자인식 회로기판의 결점검사 지문 인식 등Vectorizing , ,

여러 가지분야에서 광범위하게 사용되고 있는 중요한 기술로서 세선화 과정을 거친

경우 경제점이 자동 선추적을 통한 예상경제점의 거의 내지 안에 위치하, 1 2 pixel

게 되므로 작업자의 불편을 줄일 수 있게 된다 그러나 세선화과정의 시간이 많이.

걸리는 단점이 있으므로 세선화 과정은 선택사항으로 하여 세선화를 통해 벡터라,

이징을 수행하거나 세선화과정을 생략한 채 바로 벡터라이징을 수행하도록 할수록

구현될 예정이다 자세한 세선화 과정을 통한 벡터라이징은 제 장에서 구현한 과. 5

정을 설명하도록 하였다.

세선화 과정의 목적은 어떤 이미지 패턴의 자동인식을 위해 필요한 최소한만의 양

으로 정보의 양을 줄이는 것이다 세선화된 이미지는 끝점 교차점 성분들 사이의. , ,

연결성 등 중요한 특징을 추출하는 것을 돕는다 그림 는 를 통해 세선. 2-2 vecpSJ

화과정을 수행한 영상이다.

세선화 알고리즘의 구현방법을 요약하면 다음과 같다.

가중치를 사용하여 개의 이웃한 픽셀을 검사한다 삭제할 픽셀 검사 가중치란 의8 . ( )

미있는 픽셀을 나머지는 으로 했을 때 창에서 중심 픽셀 외의 다른 유효한1, 0 3x3

픽셀 수를 세어서 그 중심 픽셀의 가중치로 하는 것이다 따라서 가중치의 최소값.

은 최대값은 이다0, 8 .

- 19 -

그림 세선화2-2 (Thinning)

세선화 알고리즘의 개략적인 흐름은 다음과 같다.

각 의미있는 픽셀 의 가중치를 설정한다 여기서 이미지의 사각 영역의 최1. pixel ( ) .

외곽 부분은 가중치가 설정되지 않는다.

검사하고 있는 의 외곽 픽셀들은 각각의 가중치 를 가지고 있다 각각의2. pixel K .

가중치에는 그에 해당하는 삭제 조건이 있는데 이것들을 검사하여 그 삭제 조건을,

만족하면 삭제한다.

다시 각 픽셀의 가중치를 설정한다3. .

제 절 구축4 GIS D/B

을 통한 결과 에서 사용하는 형태의 공간 포맷으로 지원Vectorizing GIS D/B data

함으로써 위성영상을 통한 자료를 그대로 이용하여 사용에 편리하도록 하기 위한

과정으로 공간 포맷으로 포맷 포맷 포맷을 지원하는 기술을 구data dxf , shp , nif

현하고 공간 의 수정 편집 관리하는 기능을 가진 을 개발하였다data / / Tool .

공간 포맷 지원1. data

벡터 공간 로 이용되는 포맷으로는 일본 국data data DXF, DGN, SHP, E00, MIF,

립지리원 수치지도 포맷등이 있는 데 본 기술개발에서는 공간 포맷을 로data DXF

저장하도록 하였다 는 가장 널리 사용되고 있는 데이터 포맷 중의 하나로 구. DXF

조가 공개되어 있고 프로그램 등 다른 프로그램에서도 읽어들일 수 있다CAD .

- 20 -

공간 의 수정 편집 관리기능2. data / /

세선화를 수행한 위성영상에 대한 벡터라이징 기술을 구현하기에 앞서 공간 에Data

대한 수정 편집 관리기능을 가진 는 수동으로 선을 그리고 형식으/ / vecpSJ S/W DXF

로 저장할 수 있으며 다른 프로그램에서 이를 부를 수 있다 저장했던 벡터를 불러.

와 다시 편집할 수도 있으나 벡터 형식만 저장하고 불러오므로 다른 프로그램

등 에서 만든 파일은 불러오지 못한다 그림 은 의 구(AutoCAD ) . 2-3 vecpLayer S/W

체적인 기능을 설명하고 있는 그림이다.

가. Vector Editor Specification

현재 편집 가능한 개수 개- layer : 3

의 개수는 추후에 확장이 가능하다 그러나 무한정 확장은 불가 개- layer . . 10-20

예상하고 있음.

편집 가능한- element type: poly line(point), polygon, rectangle, circle(ellipse).

각 들은 별로 편집이 가능하며 별로 가능하다 또한 동시- element layer , layer view .

에 모든 를 하면서 편집을 할 수도 있다layer view , .

추가될 기능- edit : move, cut, copy, paste, undo, redo, select, delete, etc.

의 기능 의 파일로 저장되고 불러 올 수 있다- File import, export : .dxf format , .

하지만 현재는 불필요한 는 빼 놓고 저장 및 불러오기를 하고 있다 이 부분entity .

에 대한 보완도 필요하다.

배경에 을 한 상태에서 편집이 가능함- raw file load .

- 21 -

그림 벡터 레이어 에디터2-3

- 22 -

그림 벡터 에디터2-4

- 23 -

제 장 위성영상 정보를 이용한 정보분석 모듈개발3 GIS

제 절 영상 자료의 강조1

인공위성의 센서로부터 관측된 영상자료는 전적으로 지표면 또는 대기에 의해 반사

된 태양광선을 감지하여 그 에너지의 세기를 기록한 것이므로 그 밝기값이 특정한

파장대에 밀집되어 있는 경우가 많다 이러한 경우 영상이 전체적으로 어둡게 보이.

고 잡음이 섞여 물체를 정확히 인식하기가 쉽지 않기 때문에 영상을 해석하는데,

많은 어려움이 있게 된다.

수치영상자료의 강조기법이란 바로 이러한 문제점을 감소시킴으로써 영상을 보다

쉽게 해석할 수 있도록 도와주는 기법으로 영상처리 분야에서 매우 중요한 부분을

담당하고 있다 수치영상자료는 강조에는 크게 영상 자료의 밝기 환경을 향상시키.

는 영상 강조 방법과 영상 내의 잡음을 제거하여 영상의 명(Image Enhancement)

확도를 향상시키는 공간강조 방법이 있다(Spatial Enhancement) .

영상 강조1.

일반적으로 인공위성의 관측센서에 의해 수집된 영상 자료는 그 밝기 영역이 컴퓨

터가 화면에 디스플레이할 수 있는 영역과 서로 일치하지 않기 때문에 화면상에 매

우 어둡게 나타난다 영상의 밝기영역을 컴퓨터가 나타낼 수 있는 밝기영역으로 펼.

쳐 재구성함으로써 영상의 를 증진시켜 주는 기법을 라Contrast Histogram Stretch

고 한다 영상의 는 입력되는 영상의 각 밝기 단계에 일정한 형. Histogram Stretch

태의 함수를 적용하여 새로운 밝기값을 출력함으로써 이루어지는 데 본 기술개발에

서 적용된 함수로는 선형 와 의 비선형 를 사Stretch Histogram Equalization Stretch

용하였다.

가. Get Histogram information

히스토그램은 영상에 대한 픽셀의 통계적 분포를 말한다 즉 영상의 픽셀 값에 따. ,

른 픽셀 개수가 얼마나 되는지 나타내며 다음과 같은 수식을 통해 얻을 수 있으며

바 그래프로 표현된다 그림 은 를 이용하여 위성영상을 로딩하(Bar) . 3-1 grpsd S/W

고 히스토그램을 출력한 예이다.

p(rk)=nk/n

- 24 -

rk 픽셀 값:

nk: rk에 대한 픽셀의 개수

영상의 총 픽셀의 개수n:

p(rk): rk에 대한 확률

그림 히스토그램3-1 view

나. Histogram Equalization

입력 영상의 분포를 조절하여 출력되는 영상의 이 일정한 분Histogram Histogram

포 형태를 이루도록 해주는 방법이다 이 경우 일정한 모양의 분포를 만. Histogram

들기 위해 누적분포를 이용하며 전체 영역을 일정 간격으로 잘게 나눈, Histogram

각각의 구역에 같은 수의 화소를 배치하게 된다 만약 가우스 분포와 같이 많은 화.

소들이 의 중간에 밀집하여 분포하는 경우에는 많은 수의 화소가 포함Histogram

되어 있는 구역에 인접한 구역들을 빈 채로 남겨둠으로써 전체 영역에Histogram

대한 화소의 평균값을 일정하게 유지해준다 이와 같은 현상은 가우스 분포를 가진.

의 경우 중앙부에서의 화소분포 간격을 넓혀줌으로써 결국 중앙부의Histogram

를 크게 증가시키고 주변의 는 적게 증가시키는 효과를 가져온다Contrast Contrast .

- 25 -

다. Histogram Min-Max Stretch

이 방법은 입력 영상의 밝기 단계에 선형방정식을 적용하여 새로운 밝기단계를 추

출하는 방법이다 이 때 사용하는 선형관계식은 일반적으로 아래와 같다. , .

DNoutput=(DNinput-DNmin)/(DNmax-DNmin)xDNr

이때 DNmin, DNmax 는 영상 밝기의 최소값과 최대값, , DNr은 컴퓨터가 나타낼 수 있

는 분광값의 범위를 말하며 영상의 경우 의 값을 갖는다, 8bit 256 .

라. Histogram Gaussian Stretch

일반적으로 인공위성의 관측 센서에 의해 수집된 영상 자료는 그 밝기 영역이 컴퓨

터가 화면에 디스플레이할 수 있는 영역과 서로 일치하지 않기 때문에 화면 상에

매우 어둡게 나타난다 일반적인 형태의 영상 자료를 예로 들어보면 어떤 특. 8 bit ,

정한 파장에 대해 수집된 영상 자료를 화소들이 사이의 밝기값을 갖는다고20 70

할 때 컴퓨터가 화면에 나타내는 밝기 역시 반드시 이 영역에 국한되는 것은 아니,

다.

컴퓨터는 영상 자료에 대해서 검은 색을 흰색을 로 정의하고 그 사이8 bit 0, 255 ,

의 숫자로 그 화소의 밝기 정도를 나타내기 때문에 실제로 인공위성이 감지한 영상

자료는 화면상에서 매우 어둡게 나타나게 된다 영상 자료에서 각각의 화소가 갖는.

밝기 값의 분포 영역이 좁다는 것은 그만큼 여러 문체들 사이의 분별이 어렵다는

것을 의미하며 이는 영상 자료의 분석시 매우 커다란 어려움을 가져오기 때문에, ,

영상 자료의 를 조절하여 영상이 가지는 밝기 특성과 영상에 포함된 정보Contrast

의 시각적 분리도를 향상시키기 위해서는 영상 자료가 갖는 화소들의 밝기 영역을

로 넓혀줄 필요가 있다 이와 같이 영상의 밝기 영역을 컴퓨터가 나타낼 수0 255 .

있는 밝기 영역으로 펼쳐 재구성함으로써 영상의 는 입력되는 영Histogram Stretch

상의 각 밝기 단계에 일정한 형태의 함수를 적용하여 새로운 밝기값을 출력함으로

써 이루어진다.

- 26 -

원격탐사 센서는 지표면 물질로부터 반사되거나 방사된 전자기 복사에너지의 감지

하여 기록한다 어떤 지표면 물질이 어떤 파장대에서 상당히 큰 에너지를 반사한다.

고 보고 또 다른 지표면 물질은 그 파장대에서 보다 낮은 에너지를 반사한다고 보

았을 때 원격탐사 센서에 기록되는 두 물질간 값의 차이는 라는 형태로 인Contrast

간의 시각체계에 인지되게 된다 그러나 실제로는 파장대에서 서로 다. Visible, NIR

른 물질들이 서로 비슷한 전자기 복사에너지의 반사치를 보여 주기도 한다 이러한.

경우는 주로 상대적으로 낮은 영상에서 주로 발견된다 예를 들면 도심지Contrast . ,

역의 구조물들 중에 나무나 흙과 같은 천연재료를 이용하여 만들어진 것들이 있을

경우 이러한 지역에서는 콘크리트나 아스팔트를 이용하여 개발된 도시보다 낮은,

를 갖는 영상이 산출된다Contrast .

상출력장치 장치 에서 가 수행되었을 때 영상내(Display ) Radiometric Enhancement

값들의 변환은 로서 표현할 수 있다 예를 들어 입력 영상내의 중간범위의pixel LUT . ,

값들의 가 증가하였을 때 를 통해 보여줄 수 있으며 입력영상내의pixel contrast LUT ,

범위는 미소한 반면에 의 범위는 보다 넓게 된stretching output brightness value

다 이러한 처리과정을 이라 한다. Contrast Stretching .

방법에는 적용되는 방법에 따라Contrast Stretching Linear Stretch,

등이 있다Piecewise-Linear Stretch, Logarithmic Stretch .

- Linear Stretch

이 방법은 입력 영상의 밝기 단계에 선형방정식을 적용하여 새로운 밝기 단계를 추

출하는 방법이다 이때 사용하는 선형 관계식은 일반적으로. ,

- Piecewise-Linear Stretch

입력되는 영상의 밝기 단계를 일정 구간 단위로 구분하여 구간 별로 서로 다른 계

수를 가진 선형방정식으로 변환을 하는 조절 방법이다 이 방법의 결과로Contrast .

출력되는 영상은 방법에 비해 보다 좋은 영상의 를 가질 수Linear Stretch Contrast

있고 특히 입력되는 영상의 이 가우스 분포의 중복된 형태를 나타내는, Histogram

경우 매우 유용하게 사용할 수 있다.

- 27 -

- Logarithmic Stretch

비선형 강조 방법의 하나로 입력하는 영상의 밝기값에 대하여 함수Contrast , Log

를 적용하여 새로운 출력값을 얻어내는 방법으로 일반적으로 어떤 대상 지역을 촬

영 할 때 생기는 필름의 색도를 보정하기 위해 많이 사용되어 진다.

이들 방법들 외에도 이 정규분포의 형태를Contrast stretching Histogram Gaussian

가지도록 를 변화시켜주는 방법 이 분LUT Gaussian Stretching , Histogram Gamma

포 형태를 가지도록 를 변화시켜 주는 방법LUT Gamma Correction , Pixel Class

각각에 사용자 정의 형태로 를 할당하는 방법 그Color Table Index Density Slice ,

리고 어느 점에 임계치를 주어 임계치 아래는 값 으로 임계치 선Pixel Class pixel 0

부분은 값 로 치환하는 방법 등이 있다pixel 255 Thresholding .

마. Histogram Standard Deviation Stretch

공간 강조2.

항공기나 인공위성에서 관측한 원격탐사 자료 영상의 경우에 관측센서와 지상 물체

사이에 가로놓인 대기에 의한 효과나 센서 자체의 결함자료 송수신 시의 문제 등으

로 인하여 실제로 대상 물체에 존재하지 않았던 잡음이 생성되어 영상의 해상도를

저하시키는 경우가 있다 이와 같은 잡음을 제거하거나 영상에서 특정한 형상을 강.

조하기 위해 사용하는 기법이 바로 공간강조 방법이다(Spatial Enhancement) .

공간강조 방법에는 의 가지 방법이 있는 데Edge detector, Convolution, Filters 3 1

차년도에서는 에 관한 내용을 주로 구현하였다 영상내의 화소값의 재구성을Filter .

위해서 그림 의 필터의 예에서처럼 등 가로 세로 각각 일정3-4 Median 3x3, 5x5 , ,

한 개수의 격자를 가진 라는 작은 창은 영상에 대해 한 화소씩 이동Mask Window

시키며 영상 재배열 기법을 통해 새로운 화소값을 생성하게 되는 데 사용하는 창의

형태에 따라 여러 가지 다양한 필터들이 존재한다 필터링에 사용되는 창의 격자.

하나 크기는 영상 화소의 크기와 동일하며 하나의 창에서 각각의 격자에 씌여 있는

숫자와 이 격자와 중첩하는 화소값을 곱한 뒤 이들의 평균값을 중심 격자와 중첩하

는 화소의 새로운 값으로 치환함으로써 영상의 재구성이 이루어진다.

- 28 -

그림 3-2 Mask of Median Filter

가 이진화 처리. (Binary)

영상의 명암을 확실히 하기 위해 이진화 기법이 사용된다 영상의 각 픽셀 색상을.

흑과 백 단 두 가지 색 중의 하나로 처리함으로써 차원에서 좀더 쉽게 처Machine

리 할 수 있도록 하기 위함이다 이진화된 영상은 등에 사용된다 이진화. Thinning .

는 회색조의 영상에서 색상 강도에 따라 흑색과 백색 두가지 중 가까운 색으로 변

환을 시키게 된다.

이진화 처리 방식에는 다음의 세가지 경우가 있다.

일반적으로 를 정해서 이상의 값normal binary : threshold threshold (0xff),•

이하의 값 으로 처리하는 방식이다threshold (0x00) .

주변 개 의 평균값을 취하고 이 값을 로 할당한 후bloc binary : 9 pixel , threshold•

이진 영상 처리를 한다.

와 반대이다 이상의 값Inverse binary : normal binary . threshold (0x00),•

이하의 값 으로 처리한다threshold (0xff) .

나. Blurring

를 사용한다 저주파를 보존시키면서 고주파를 약화시키는 필터이masking method .

다 영상을 부드럽게 하는 효과를 얻을 수 있다 로우패스 필터라고도 한다. . .

- 29 -

특정 화소의 화소값(DN• in 과 주위의 화소값을 회선 하여) (convolution) DNout을 계산

회선 윈도우의 크기는 사용자에 따라서 다양하게 구성할 수 있으나 홀수의 화소•

배열이 되도록 하여야 한다.

윈도우 계수나 가중치에 따라 만들어진 배열:•

일반적으로 개의 계수를 가진 회선 윈도우를 사용9 3*3•

적용된 필터의 예(3*3)

이러한 윈도우가 다음 화소로 옮겨지고 또한 개의 화소값에 대한 평균이 계산, 9

입력영상의 모든 다른 화소에 대해서도 이와 같은 계산을 수행하여 윈도우의 중앙

에 위치할 화소의 값을 결정

원본 영상[ ] 적용 이후[Blurring ]

다. Sharpening

를 사용한다 고주파를 통과시켜 상세한 부분과 가장자리를 강조한msking method .

다 영상을 날카롭게 하는 효과를 얻을 수 있다 대비 효과를 증대시키므로 노이즈. .

를 증폭시키기도 한다.

- 30 -

윈도우 중심에서 양의 값을 가지며 주변의 계수는 음의 값을 가짐:•

적용된 필터의 예(3*3)

원본 영상[ ] 적용 이후[Sharpening ]

라. Embossing

를 사용한다 영상을 올록볼록하게 보여준다 니켈판을 양각한 것masking method . .

과 같은 효과를 얻을 수 있다.

윈도우 중앙의 값이 이고 계수의 합도 이다0 , 0 .•

적용된 필터의 예(3*3)

- 31 -

마. Edge detection

영상에서 서로 다른 명암 으로 접하는 경계 부분을 에지 라고 하는데(tone) (edge) ,

해안선 단층선 수계 등 선형의 특징을 갖는 지표면의 현상들이 이에 포함된다 따, , .

라서 구조 지질 수문학 지도 제작 등에서 영상으로부터의 에지 성, , , (cartography)

분 추출은 매우 중요하다(edge component) .

에지 성분의 강조 처리는 공간 영역 에서의 일차 도함수(spatial domain) (first

소벨 연산자 이차 미분 일차 미order derivative), (Sobel operator), (Laplacian) ,

분 등의 국부적 연산자 등을 이용하거나 주파수 영(Gradient) (Local operator) ,

역 에서의 푸리에 변환 에 의한 고 주파수(frequency domain) (Fourier transform)

통과 필터 기법이 주로 이용된다 그림 는 에지 강조 처리에(high-pass filter) . 3.5

사용되는 중합 행렬을 나타낸다 그러나 고 주파수 통과 필터를 이용하여 영상의.

고 주파수 성분만을 추출하면 원래의 자료에 포함되어 있던 많은 정보의 손실을 초

래한다 따라서 영상 정보의 손실을 막고 원래 영상의 에지 성분을 강조 처리하기. ,

위해서는 원래 자료에 고 주파수 필터 처리된 결과를 더해 주어야 한다.

일반적으로 지질학적 선구조 분석이나 선형 지형물 탐지 등의 응용 분야에 많이 사

용되며 등이 있다, Gradient Filter, Laplacian Filter, Sobel Filter .

- Gradient Filter

영상 자료 처리에서 일반적으로 많이 적용되는 미분 연산자의 일종으로 수직과 수

평 방향의 가 갖는 크기를 구하는데 사용되는 처리 방법이다 이 는Gradient . Filter

그림 에 나타나 있는 바와 같이 인접 화소가 가진 값의 차이를 이용하므로 경계3.6

부위가 좁고 날카롭게 분포되어 있으며 인접 화소간의 밝기값 차이가 매우 큰 경,

우에만 그 효과를 발휘할 수 있다.

- 32 -

- Laplacian Filter

는 의 차 도함수로 표현되며 한 화소에 대하여Laplacian Filter Gradient Filter 2 ,

그 주위 일정 거리 내에 있는 모든 화소의 를 구하므로 경계 부위가 갖는Gradient

방향에 무관한 특성을 가지고 있다.

- Sobel Filter

는 비선형 연산자로서 사용하는 영역에서 양 끝단에 속Sobel Filters Mask Window

한 화소들 사이의 합의 차이를 구한 후 이를 수평과 수직 방향에 대하여 평균 크,

기를 구함으로써 경계 부위를 강조하는 역할을 한다 이 는 보통 크기의. Filter 3x3

창으로 정의되며 잡음에 강하고 굵게 나타나는 특성을 가지고 있다, .

- Fast Fourier Transform (FFT)

퓨리에 변환은 영상 자체의 압축이나 등의 여러 가지 다양한 요인에 의해Filtering

나빠진 영상을 위상 공간의 변화를 통해 복구하거나 잡음을 제거하는데 주로 사용

이 되는 강력한 도구이다 특히 영상의 가로 세로가 의 제곱수이면 위상 공간의. , 2

변환을 더욱 빠르게 수행할 수 있는데 이러한 것을 라고 한다, FFT .

는 주로 선형 시스템의 분석 방법으로 많이 쓰이며 광학 시스템에 의한 영상FFT ,

의 선명도 저하 대기에 의한 영향 통과 관련한 영상의 복구 등에 응용될 수 있다, .

영상의 경계를 처리하는 과정이다 그래디언트 필터 들을 사용하였. (gradient filter)

다 그래디언트 필터. (gradient filter)

일반적으로 기울기 연산자는 수평과 수직 경계 를 검출- (edge)

윈도우 계수의 합은 윈도우 계수의 합이 이 아닐 경우 존재하지 않는 경계- 0 ( 0

를 검출할 수도 있다(edge) .)

- 33 -

계산에 이용하는 미분 연산자들Gradient

표 계산에 이용하는 미분 연산자[ 3-1] Gradient

연산자는 다른 마스크보다 크기는 작지만 효과적으로 사용할 수 있다- Roberts .

이 연산자는 잡음에 매우 민감하다.

다른 연산자들은 돌출된 영상의 값들을 잘 평균화 시킨다- .

연산자는 수평과 수직 윤곽보다는 대각선 방향에 놓여진 윤곽에 더 민감- Sobel

하며,

연산자는 대각 방향의 윤곽보다는 수평 수직 윤곽에 더 민감하다- Prewitt , .

- 34 -

- Sobel Filter

윤곽선 검출에 사용되는 필터로서 잡음 부분도 윤곽선으로 인식할 만큼 밝기 정도

에 매우 민감한 정도를 보이는 특성이 있다 차 미분 연산자이며 축 축으로 각2 x , y

각 한 번씩 미분하는데 다음 행렬로 각 픽셀을 마스크함으로써 구현할 수 있다 표.

과 표 는 를 구현하기 위한 행렬의 축 축 를 나타낸다3-1 3-2 Sobel Filter x , y mask .

그림 는 를 사용하여 영상을 처리한 결과이다3-6 Sobel Filter .

표 축3-2 x mask

표 축3-3 y mask

필터- Prewit

소벨 필터의 결과와 거의 같은 결과값을 나타내는데 응답시간이 약간 빠르며 마스

크의 형태는 비슷하지만 밝기 경계에 대한 비중은 조금 다르다 윤곽선의 비중은.

조금 더 낮으며 나머지는 소벨 필터와 비슷하다 표 과 표 는. 3-3 3-4 Prewitt Filter

를 구현하기 위한 행렬의 축 축 를 나타낸다 그림 는 를x , y mask . 3-7 Prewitt Filter

사용하여 영상을 처리한 결과이다.

- 35 -

표 축3-4 x mask

표 축3-5 V mask

위의 방법 중 몇가지 예를 보면 다음과 같다.

입력 영상(a) 연산자 적용 결과(b) Roberts

연산자 적용 결과(c) Sobel 연산자 적용 결과(d) Prewitt

- 36 -

바. Canny Edge Detector

Gaussian Convolution①

스무딩된 이미지에 간단한 차도함수 를 적용 예1 Filter ( : Roberts, Sobel..)②

Edge Tracking for ‘Non-Maximal Suppression’③

를 사용한Hysteresis thresholding④

사. Representative value

통계적인 를 적용한다 한 영상의 화소들에 대하여 임의 크기의 윈도우를 이동filter .

하면서 오름차순으로 순위 정렬 해당하는 값을 윈도우 중심화소에 적용시킨다, .

원화소의 값을 윈도우내 화소들의 최대값으로 대치한다 어두Maximum filter : .①

운 노이즈를 제거한다 출력된 영상의 전체적인 밝기가 증가한다. .

원화소의 값을 윈도우내 화소들의 최소값으로 대치한다 밝은Minimum filter : .②

노이즈를 제거한다 출력된 영상의 전체적인 밝기가 감소한다. .

원화소의 값을 윈도우내 화소들의 중앙값으로 대치한다 노이즈Median filter : .③

를 제거하는데 효과적이다.

- Median Filter

잡음 제거에 사용되는 필터 중의 하나로 픽셀 단위로 프로세싱하며 대상 픽셀 주위

의 개 픽셀의 값을 검사하여 정렬한 후 그 중 중간값을 취하여 치환시킨다 이런9 .

방법으로 영상 내의 의미없는 픽셀들을 제거할 수 있다 그림 는. 3-5 Median Filter

를 사용하여 영상을 처리한 결과이다.

고주파 강화 저주파 차단 필터- ( ) (Mask High-pass Filter)

고주파 강화 필터는 저주파 성분은 차단하고 고주파 성분을 부각시키는 필터링으로

영상에서의 윤곽선을 조금 더 분명히 해주는 효과를 가져온다 흐릿한 영상 또는.

블러링된 영상을 날카롭게 하여 선명하게 보기 위한 필터링으로 영상(Sharpening)

부각에 주로 사용된다.

표 는 고주파 강화 필터를 구현하기 위한 행렬을 나타낸다 그림 는 고주파3-5 . 3-8

강화 를 사용하여 영상을 처리한 결과이다Filter .

- 37 -

표 고주파강화3-6

고주파 차단 필터- (Mask Low-pass Filter)

고주파 차단 필터는 처리 대상의 영상 성분 중 저주파 성분을 유지하고 고주파 성

분을 제거한다 영상을 좀 더 부드럽게 만드는 블러링 효과를 위해 사용된. (bluring)

다 표 는 고주파 차단 필터를 구현하기 위한 행렬을 나타낸다 그림 는 고. 3-6 . 3-9

주파 차단 를 사용하여 영상을 처리한 결과이다Filter .

표 고주파차단3-7

아. Brightness

영상의 밝기를 조절한다 밝기 값의 증가량은 조절이 가능하도록 만들 수 있다. .

영상의 밝기 값을 씩 증가시킨다- bright : 30 .

영상의 밝기값을 씩 감소시킨다- gloomy : 30 .

자. Logarithm

영상에 로그함수를 적용해 결과를 출력한다 영상이 밝아지거나 흐려진다. .

차. Morphology 세가지 유형으로 를 구성하였다: morphology .

를 이용했다 결과는 로 출력- morphology grey scale : 3*3 mask grey scale

를 이용했다 결과는 로 출력- morphology binary scale : 3*3 mask binary scale

의 결과- morphology{circular mask binary scale) : radius 3 morphology mask

는 로 출력 는 사용자가 입력 가능하게 한다binary scale . binary .

- 38 -

카. Comback to original image : 이미지 처리된 영상을 원래의 영상으로 복원해

준다.

3. Geometric

- Zoom in

가로 세로 방향으로 배 확대, 2

- Zoom out

가로 세로 방향으로 배 축소, 2

- Flip vertical

- Flip horizontal

- 39 -

- Rotation

가로 세로의 크기가 같은 이미지는 이 가능하나 가로와 세로의 크기가rotation ,

다르면 이 복잡해진다, rotation .

분류를 통한 주제도 생성4.

가 분류 개요.

분류는 화소를 그 값에 따라 일정한 수의 클래스나 범주로 분류하는 과정이다 만.

약 화소의 값이 어떤 조건을 가지고 있다면 해당 화소는 그 조건에 대응되는 클래

스로 할당된다 이러한 과정을 영상 분할 이라고도 한다 사용. (image segmentation) .

자가 원 데이터로부터 추출하고자하는 정보의 유형에 따라 클래스는 지상에 존재하

는 의 조합이 될 수도 있고 단순히 컴퓨터 상에서 다르게 보이는 영역이 될feature

수도 있다 대표적인 분류 영상은 토지피복 분류로 식생 나지 초지 도시 등의 클. , , ,

래스를 포함한다.

이러한 분류는 접근방식에 따라 분광적 분류 공간적 분류 시기적 분류로 나뉜다, , .

분광적 분광 분류 지표상의 물체가 갖는 고유의 분광반사율을 반영하는 화소값( ) :•

들의 조합을 기초로 일련의 분광패턴을 인식하여 분류하는 과정이다(DN) .

공간적 분류 주위 화소들과의 공간적 관련성을 기초로 분류하는 작업으(spatial) :•

로 수치영상의 질감 화소의 접근성 특징의 크기 형태 방향성 반복성(texture), , , , , ,

특징의 전후관계 등을 고려한다 이것은 분석자가 시각적 해석. (visual

을 하는 동안 행해지는 공간적 합성 과정을 컴퓨터interpretation) (spatial synthesis)

상에서 시뮬레이션 함으로써 이루어질 수 있다 따라서 분광적 분류보다 더욱 복잡.

한 계산을 필요로 한다.

시기적 분류 대상의 확인을 위해 시간적 요소를 고찰하는 것으로서 예(temporal) :•

를 들면 농작물 수확량 예측 조사의 경우 작물 성장기간동안의 독특한 분광적 공,

간적 변화를 여러 시기의 수치영상 으로 파악하며 작물현황을 조(multidate image)

사한다.

이와 같은 세 가지 접근방식은 분석하고자 하는 자료의 성격과 분석장비 그리고,

분류결과의 이용목적에 따라 독립적이기보다는 혼합적 으로 시도된, (hybrid mode)

다.

- 40 -

나 스펙트럴 정보의 특성.

원격탐사에서는 분광 정보가 지상에 무엇이 있는가에 대한 중요 실마리를 제공한

다 영상 내의 분광 정보는 여러 가지 다른 분광 필터를 통하여 얻고 같은 영상내. ,

의 영상 인 다중 분광 영상으로 기록된다 다중분광 영상 내 각 화set . (multispectral)

소는 공간좌표 와 분광값 를 갖는다 분광 차원은 개별 분광 밴드의 수로 정x, y .λ

량화된다 어떤 분광 밴드의 각 화소는 다른 밴드와 공간적으로 일치한 화소를 갖.

는다 개 밴드의 영상을 대하여 각 분광밴드의 각 화소와 관련된 이. k , k gray level

있다 들은 벡터로 표현되는 차원 분광측정값 공간을 정의한다. k gray level k .

각각의 지표대상물은 각기 상이한 분광반사율 또는 열 방사 특성을 가진다는 가정

에 의하여 다중파장분류는 논리적으로 큰 분광측정값 공간 와, (8bits/pixel/band k

영상에 대하여band 256k 화소벡터 을 지표대상물의 종류를 나타내는 작은 영역으)

로 나눈다 센서의 광범위한 파장대에 의해 제공되는 분광반사 측정값은 센서와 지.

표사이의 대기에 의해 수정되어 각 클래스의 분광 신호를 정의한다 분광 신호는.

각 파장대에서 측정된 방사량으로 좌표화된 차원 벡터이다 아래 그림은 클래스k .

분광 신호의 밴드 이다2 plot .

물 토양 식생에 대한 일반화된 분광 반사 곡선, ,각 클래스에 대한 Two-band

signatures

- 41 -

현실적으로 주어진 지표대상물의 분광반사는 하나의 특성곡선, (deterministic curve)

이 아니라 여러 자연적 요소에 의한 변이범위를 가진 곡선의 군으로 특징지어진다, .

감지기 잡음 과 같은 센서 특성은 측정되는 방사량에 변동을 추가시(detector noise)

킨다 그러므로 화소분광측정값들은 각 클래스에 대한 벡터군집을 형성한다 그러. .

나 클래스의 분리는 더욱 어렵다 비록 물의 경우 확실히 분리가 된다하더라도 토, .

양과 식생의 중복은 어느 정도의 완충적인 분리를 요한다.

만약 가 보다 크다면 공간 내 실제 데이터의 분포는 시각화하기 어렵다k 2 feature .

클래스의 수는 개 또는 그보다 많은데 차원 이상에서 클래스 군집의 는6 , 2 display

상당히 복잡하다 결론적으로 일차원 또는 이차원상의 차원 데이터의 투영이 표현. k

목적 또는 수작업에 의한 분석에 쓰인다 일차원상의 투영은 그 차원에 있어서의.

데이터 히스토그램으로 나타낸다 차원상의 투영은. 2 scattergram, correlation plot,

차원 히스토그램이라 불린다 어떤 화소가 완전히 다른 대상임에도 불구하고 연구2 .

자가 지정한 하나의 클래스로 분류될 경우 그러한 점을 라 부른다 따라서, outlier .

이러한 경우 지정된 클래스나 원치 않거나 모르는 클래스로부터 분리해 낼 필요, , ,

가 있다 이것은 로 성과를 얻을 수 있다. thresholds .

다 분류과정.

(1) pattern recognition

패턴 인식은 데이터에서 의미있는 패턴을 찾아내는 과학이나 기술로 분류를 통해서

추출될 수도 있다 공간적으로 분광적으로 강조된 영상을 이용하면 패턴 인식은 사.

람의 눈으로 가능하다 즉 사람의 뇌가 자동으로 특정한 질감이나 색조를 몇가지. ,

항목으로 분류하게 된다.

컴퓨터에서 분광 패턴의 인식은 더욱 과학적으로 이루어진다 영상의 모든 화소의.

분광 특성으로부터 추출된 통계치를 이용하여 화소를 수학적 기준에 의해 분류할

수 있다 분류의 과정은 트레이닝과 결정규칙을 이용한 분류의 두가지 과정으로 나.

누어 진다.

- 42 -

트레이닝(2)

분류를 위해서 컴퓨터 정확하게 말하자면 프로그램은 영상 데이터에 포함되어 있,

는 패턴을 식별하기 위해 트레이닝되어야 한다 트레이닝은 패턴이 식별되기 위한.

기준을 정의하는 과정을 말하는 것으로 트레이닝에서 정의된 기준에 의해 화소를,

자동으로 분류하게 된다 트레이닝은 감독 트레이닝과 무감독 트레이닝으로 분류될.

수 있다 일반적으로 트레이닝은 사용자에 의해 시행되는 감독 트레이닝을 의미하.

며 무감독 트레이닝은 무감독 분류와 동일한 개념이다, .

트레이닝의 결과는 클래스를 대표하는 트레이닝 표본이나 클러스터와 그에 포함된

매개변수의 집합이다 각 매개변수는 하나 하나의 클래스에 대응되며 영상의 화소. ,

를 클래스에 할당하기 위해 사용되는 결정 규칙 아래에 설명 에 이용된다 이는 또( ) .

모수적 매개변수와 비모수적 매개변수로 구분될 수 있다.

모수적 매개변수는 트레이닝 표본이나 클러스터에 포함된 화소를 이용하여 계산된

평균 및 공분산 행렬과 같은 통계수치에 근거한다 감독과 무감독 트레이닝 모두에.

서 모수적 매개변수를 구할 수 있다 모수적 매개변수는. MLC(Maximum Likelihood

클래스 와 같은 통계적 분류자가 클래스를 정의하도록 트레이닝 하는 데 사용ifier)

된다.

비모수적 매개변수는 통계수치를 이용하지 않고 공간에서 이산 객체 다각형feature (

또는 직사각형 를 사용한다 이러한 공간 객체는 클래스의 경계를 정의한) . feature

다 비모수적 분류자는 비모수적 매개변수를 사용하여 정의된 범위에 포함되는 지.

여부에 따라 화소를 해당 클래스에 배정한다 감독 트레이닝이 비모수적 매개변수.

의 생성에 사용된다.

가 감독 트레이닝( ) (Supervised Training)

감독 트레이닝 일반적으로는 트레이닝 은 사용자에 의해 이루어진다 이 과정에서( ) .

사용자는 영상만을 이용하여 식별가능하거나 항공사진 지상 기준자료나 지도와 같,

은 보조자료를 이용하여 패턴 토지피복 또는 를 대표할 수 있는 화소를 선, feature

택한다 따라서 분류 이전에 데이터와 분류를 원하는 클래스에 대한 지식이 요구된. ,

다 패턴 식별에 의해 사용자는 컴퓨터가 유사한 특징을 가진 화소를 식별할 수 있.

도록 트레이닝 할 수 있다.

- 43 -

나 무감독 트레이닝( ) (Unsupervised Training)

무감독 트레이닝은 컴퓨터에 의해 자동적으로 이루어진다 사용자는 컴퓨터가 데이.

터에 내재하는 통계적 패턴을 찾아내는 데 사용할 몇가지 매개변수만을 지정해 주

면 된다 일반적으로 이러한 패턴은 연속적이고 쉽게 인식할 수 있는 넓은 지역의.

특정 토양이나 토지이용과 같은 영상내의 의미있는 속성에 일대일로 대응되지는 않

는다 이러한 패턴은 유사한 분광적 특성에 따라 화소를 단순히 밀집시킨 것에 불.

과하다 무감독 트레이닝은 클래스 정의를 위해 데이터 자체에 의존하여 이루어진.

다 이 방법은 보통 분류 이전에 데이터에 대한 사전지식이 부족할 때 사용된다 이. .

러한 분류의 결과를 의미있는 클래스로 재분류하거나 명명하는 것은 사용자의 책임

이다.

라 분류에 사용되는 알고리즘.

(1) MLC(Maximum Likelihood Classification)

인공위성의 다중스펙트럼 영상을 이용하여 통계적 분류를 하는 분류자로는 최소거

리 마하라노비스 거리 최대우도 분류(Minimum Distance), (Mahalanobis Distance),

자를 들 수 있다 이들 중 트레이닝으로부터 추출된 매개변수를 가장 많이 고려하.

는 것은 최대우도 분류자이고 나머지는 다차원에서 확률값 계산이 가능하도록 변,

수를 조정한 것으로 결과식이 단순화되어 있다.

본 연구에서는 최대우도 분류 프로그램을 작성하여 트레이닝 매개변수 조정 및 분

류 정확도 평가를 효율적으로 할 수 있도록 하였다.

차원 정규분포에 대한 일반적인 다변량 분포식은K

이고 클래스간 분포함수에 대한 최적 판별함수는,

로 된다 이때 사전 확률을 클래스별로 동일하게 준다면.

이다.

이러한 원리를 그림 과 같이 알고리즘화 하여 최대우도 분류 프로그램을 구현4-3

하였다.

- 44 -

- 45 -

군집화(2) ISODATA

군집화를 실행하기 이전에 우선 다음과 같은 매개변수를 지정한다.

분류하고자 하는 군집의 수N -•

수렴 임계치 즉 반복계산시 변화하여 분류되는 화소수의 최대 백분 율T - ,•

반복계산의 최대 수행 횟수M -•

한 군집 내에 허용되는 화소의 최소 수 보통 밴드수P - ( 10* )•

는 의 약어로서 알ISODATA “Iterative Self-Organizing Data Analysis Technique" ,

고리즘은 다음과 같은 단계를 반복 수행한다.

다중 분광 공간에서 후보 의 중심으로 사용될 개의 점을 선택하여 처리(1) cluster N

과정을 초기화한다 이를. 이라 부르기로 한다 이 단계에서i=1,...,N .

의 선택은 임의로 이루어지며 동일한 것이 발생하면 안 된다, .

될 각 화소의 위치 를 조사하여 가장 가까이에 위치한 후보 에(2) cluster x cluster

배정한다 이렇게 배정할 때의 기준으로 유클리드 거리나 분광거리를 사용한다. .

에서 만들어진 군집으로 새로운 의 평균을 계산한다 이를(3) (2) cluster .

라 부른다i=1,...,N .

모든 에 대해(4) i 이면 종료한다 이렇지 않으면x100 T . ,〉 는 현재

의 평균인cluster 로 대치하고 다시 부터 반복 수행을 한다 또한 최대 반복(2) .

계산 회수 을 넘으면 종료한다M .

이 완료되었거나 적정 단계에서 중단된 후 각 에 대해 다음의 사clustering , cluster

항을 점검한다.

클러스터별 최소 화소수 보다 작은 화소를 지닌 는 적절한 통계치를 산출P cluster•

할 수가 없으므로 없앤다.

너무 근접하여 붙어있는 는 데이터를 불필요하게 분할하였으므로 통합한cluster•

다 반대로 미리 지정된 각 분광 밴드의 표준편차를 넘어서는 를 반으로 분. cluster

할한다.

- 46 -

군집화 개념도ISODATA

제 절2 PCA, NDVI

주성분 분석1. PCA (Principal Component Analysis, )

주성분분석은 변량 사이의 상관관계를 이용하여 최대한 정보를 잃어버리지 않고 많

은 변량 측정값을 적은 개수의 종합 지표로 집약해서 나타내는 방법이다 다중파장.

대 영상에서는 각 밴드 자료간에 상관이 있는 경우가 많기 때문에 주성분분석을 이

용하여 현재의 영상에 포함되어 있는 대부분의 정보를 가상적인 소수 밴드로 나타

낼 수 있다.

- 47 -

주성분 분석은 원격 탐사에 있어서 자료 선별 잡음 분리(data reduction), (noise

변화 지역 추출 등에 자주 활용되는 다중 영상separation), (change detection)

강조 처리 기법으로 그 기본 원리는 또는 밴드 로 구성된 원래 자료의, K-features ( )

최대 분산 방향과 최소 분산 방향에 일치되도록 원래의 좌표축을 이동 회전시키고, ,

자료의 평균값을 새로운 좌표축의 원점으로 하여 원래의 자료를 새로운 차원의K

자료로 변환하고 밴드간 공분산을 극대화시키는 방법이다.

임의로 추출된 화소의 분포가 밴드 밴드 축을 따라서 도시되었다 과A/ B . PC1 PC2

는 주성분 축을 나타낸다 좌표계의 원점은 자표 분포의 평균에 위치한다. PC . PC1

은 자료 집합의 최대 변화를 따라서 위치하고 있고 과 직교하는 는 자료, PC1 PC2

에서 두 번째로 큰 변화 방향에 위치한다 간단하게 말해서 줏어분 값들은 원래의. ,

자료 값들의 단순한 선형 조합이다.

주성분 분석이 유용한 이유는 다음과 같다.

영상에 포함된 성분에 대한 선행 정보를 필요로 하지 않는다.●

다중 영상 자료 에서 대부분의 정보는 첫 번째 몇 개의 주성(multi-image data)●

분 채널 에 나타나므로 작업에 필요한 채널의 수가 적어도 된다.

특히 높은 분광 자료의 밴드간 상관성이 감소된다.●

특정 지역을 마스크 파라메터로 지정하여 특정한 클래스를 향상시킬 수 있다.●

그림 주성분 분석 개념도3-3

- 48 -

주성분 분석 방법•

타원 다이어그램1)

각 입력 파장대의 분포가 정규분포를 따르거나 정규분포와 유사하다면 차원 히- n

스토그램에서 타원 차원 타원면 차원 혹은 차원 이상이 형성됨(2 ), (3 ), 3

주성분 분석을 수행하기 위해서 분광 공간의 축을 회전시키고 각 화소값의 좌표-

를 변환

첫 번째 주요 성분2) (PC1)

새로운 원점을 중심으로 하여 최대분산이 되도록 축을 변환하게 됨-

이렇게 만들어진 새 좌표축을 제 성분 이라고 부르고 제 성분 은- 1 (PC1) 2 (PC2) PC1

에 수직으로 결정

밴드 가 이루는 타원형의 장 단축을 주성분이라고 부름- A, B ,

제 성분은 점차로 작은 양의 분산을 포함하게 됨- 3, 4, 5

수치적인 연산 과정※

변량 를 벡터 로 나타낸다xi(i=1, .... p) x .

x=(x11, x22, ... xp)

여기서 원래 변량의 선형 결합 차식에 의한 합성변량 에 의해 표현되는 새로운 변(1 )

량 를 도입한다z .

z=a1*x1+a2*x2+...+apXp=axt

단 a=(a1 a2 ... ap 이고 계수) , ai 는(i=1,2,...p) ai∑ 2=1을 만족한다.

여기서 ai∑ 2 의 조건하에 의 분산이 최대가 되도록 계수 를 정한다 의 분산=1 z a . z

(vz 은) ,

vz=axtxat=avxa

t (vx 의 분산 공분산 행렬: x )•

로 표현되므로 가 최대가 되도록 를 정하기 위해서는 라그랑지 승수 를 이용vz a λ

하여 다음식을 최대로 하는 를 구하면 된다a .

F=avxat- (aaλ t-1)

에 의해F/ a v∂ ∂ xat- aλ t=(vx- I)aλ

t 단위 행렬=0 (I: )

즉 at는 vx의 고유벡터로 된다 이때 최대화된. vx값은 다음과 같이 고유치 와 같아λ

진다.

Vx =avxat=a( aλ t)= aaλ t=λ

Vx는 비부정행렬 이므로 고유치는 크기순으로( )非負定行列

1 2 ...λ ≥λ ≥λp 0≥

으로 쓸 수 있다 즉 가 최대고유치에 대응한 고유벡터를 취할 때. a , vz는 최대 최대(

고유치 가 된다 이때의 를 제 주성분이라 한다 이하 가 제번째의 고유치) . z 1 . a i λi에

대응할 때의 를 주성분이라 한다 그리고 제주성분의 기여율은z I . i Pi는

- 49 -

로 표현한다 제 성분까지의 누적 기여울. I Ci는

로 표현된다.

원영상[ ]

영상[PC1 ] 영상[PC2 ] 영상[PC3 ]

- 50 -

영상[PC4 ] 영상[PC5 ] 영상[PC6 ]

정규 식생 지수2. NDVI(Normalized Difference Vegetation Index, )

식생 지수 의 계산 원리는 가시광선 특히 적색 영역 과 근적외선(Vegetation Index) ( )

영역에서 녹색 식물의 반사율 차이가 크게 나는 것을 이용하여 두 영역에서 관측되

어진 영상에 일정한 수식을 적용하여 식생의 상태를 나타내는 영상을 얻어내는 것

이다 그 중 정규 식생 지수 는 가장 일반적으로 사용되어지는 식생지수로. NDVI ( )

서 가시광선과 근적외선대의 두 영상으로부터 차이를 구하여 식생의 반사 특성을,

강조하고 이를 두 영상의 합으로 나누어 일반화한 것이다 일반적으로 식생에 의한, .

파장별 반사율은 태양광선의 입사각과 위성의 촬영각도에 의해 변하고 대기 상태,

에 따라서도 관측되는 값이 다르므로 일반화에 의해서 이들의 영향을 어느 정도 감

소시킬 수 있다.

NIR : near infrared band, red : red band

영상자료의 경우 는Landsat TM NDVI

NDVI = (TM4 - TM 3) / (TM4 + TM3)

과 같은 식으로 나타낼 수 있다.

일반적으로 다양한 지표 구성 물질 중 구름 물 눈 등과 같이 수분을 포함하는 경, ,

우에는 가시광선이 근적외선보다 반사값이 크기 때문에 값이 음수가 되며 암NDVI ,

석 마른 토양 등은 두 파장대에서 반사특성이 거의 같기 때문에 값은 에, NDVI 0

가깝게 나타난다 녹색 식물인 경우에는 가시광선 영역의 반사율이 근적외선 영역.

보다 적으며 따라서 값이 양수가 된다 식생이 존재하는 대부분의 영역은 식, NDVI .

생이 갖는 수분 상태를 고려하지 않는다면 보통 사이의 값을 갖는 것이 일0.1-0.6

반적이다.

- 51 -

그림 를 이용한 사용 지역 식생 형태 분석 예-18. NDVIⅡ

그림 3-4 NDVI

여러 가지 센서에 대한 측정 자료NDVI ( : Erdas Imagine 8.4)※

Sensor function

Landast TM (band4-band3) / (band4+band3)

SPOT XS/XI (band3-band2) / (band3+band2)

Landsat MSS (band7-band5) / (band7+band5)

NOAA AVHRR (band2-band1) / (band2+band1)

제 절 영상분할3

영상분할 유사한 특성의 영역으로 영상의 화소들을 분리(image segmentation) :

또는 분할하는 것으로서 영상분할은 관심 대상이 분리되어 구별할 수 있을 때까지

진행된다 그러나 영상분할은 분류와 달리 단지 영상을 나누기만 하므로 분리된 영. ,

역간의 관계는 알 수 없다.

영상분할의 판단기준

분할 영역은 색조나 질감과 같은 인자가 균일하고 균질한 특성을 가져야 한다.①

영역 내부는 단순해야 한다.②

인접한 영역들은 명확하게 다른 값을 가져야 한다.③

분할된 부분의 경계는 단순하며 규칙적이어야 하고 공간적으로 명확해야 한다.④

- 52 -

영상분할 방법1.

통상적으로 인접한 화소의 집합을 하나의 영역으로 구별하기 위해서 영상의 화소

값 영상의 경계 영상의 질감 같은 특성을 이용하여 영역이 균일한 특성을 갖도록, ,

분할한다 이러한 영상분할 방법에는 여러 가지 기법들이 사용되고 있으나 범용적.

인 영상분할 방법은 개발되지 못했는데 이는 영상분할의 정도를 정성적으로 측정할

수 없어서 이다 최근에는 색상요소를 이용한 영상분할이나 지식기반 영상분할 시.

스템 최적화를 이용한 영상분할 등이 활발하게 연구되고 있으며 영상분할은 최근,

영상의 부호화 가 화소기반에서 영역기반 부호화로 바뀜에 따라 응용범위(encoding)

가 확대되고 중요성이 커지고 있다.

영상(a) Landsat TM 분할된 영상(b)

원영상과 분할된 영상

가 임계값 을 이용한 방법. (Threshold)

화소값의 히스토그램이 다음 그림과 같이 극소점에 의해 분리될 때 유용한 방법으

로서 임계값을 기준으로 적절하게 분리하여 주어진 간격에서 잘 구별할 수 있게 해

준다 이 방법은 인쇄된 문서나 선 그림 영상 등과 같은 이진 영상의 영상. , X -ray

분할에 아주 유용하며 임계값 선택이 매우 중요하다.

일반적인 임계값 선택 기준-

다음 그림과 같이 히스토그램에서 극대점과 극소점을 찾아 임계값 선택하고,①

일 경우 그림과 같이 여러 개의 임계값 선택multimodal

대상영역의 히스토그램에서 선택적으로 임계값 선택②

- 53 -

만약 다른 영상분할 클래스의 확률 모델을 알고 있다면 오차나 다른 정성적인③

확률을 최소화하기 위한 임계값 선택

단일 임계값과 다중 임계값에 의해 분리 가능한 화소값 히스토그램

나 클러스터링. (Clustering)

클러스터링를 이용한 영상분할 방법은 초기에 개발된 방법으로서 그림과 같이 분광

특성이 유사한 화소들을 모아서 영상을 분할하는 방법으로서 클러스터링에 의해 분

할된 클래스에서 수집된 화소값들의 특성은 유사하다.

클러스터링에 의한 영상분할

다 영역확장방법.

구분된 영역을 형성하기 위해 유사한 특성 명암도 색상 질감 등 을 갖는 화소들을( , , )

묶어 원자 영역 으로 세분한 뒤 유사한 인접 영역은 서로 충분히 차(atomic region)

이가 날 때까지 순차적으로 통합하는 방법으로서 중요한 것은 통합을 위한 기준을

선택 하는 것에 있으며 적절한 결과를 얻기 위해서 제한조건이 필요하다.

- 54 -

영역을 표현하는 방법에는 quad-tree, region adjacency graph, picture tree,

등이 있으며 가장 많이 사용되는 것은 방법으로 대상영상을super grid quad-tree

네 개의 하위영역으로 분할하는 과정을 반복하여 영역을 표현한다.

라 화소집성법. (Pixel Aggregation)

초기점들 로부터 시작하여 각 초기점과 유사한 특성 명암도 색상 질(seed points) ( , ,

감 등 을 가진 이웃 화소들을 덧붙이는 과정을 반복하여 영역을 확장하는 방법으로)

관심 영역을 적절히 분할하기 위해서 초기점을 적절히 선택해야 하며 초기점의 수

와 허용 오차에 따라 분할되지 않은 부분이 생길 수도 있다 영역에 포함되기 위한.

특성을 만족하는 화소가 없을 때 영상분할이 중지된다.

마 영역 분리 및 병합.

영상을 초기에 임의로 겹치지 않는 영역으로 분리하고 기본 조건을 만족시키도록

나누어진 영역들을 분리 또는 병합시키는 것이다 분리 병합의 기본 조건은 두 영. /

역의 유사도인데 이것을 측정하기 위해 영역의 화소값 범위 차 평균값의 차(range) ,

를 이용 하는 것과 통계적 특성 등을 사용한다.

분리 및 병합에 의한 영역 확장

- 55 -

제 절 영상정합4

영상 정합1.

시계열분석2

동일지역의 위성영상을 관측시기별로 도식화하여 시각적으로 비교 분석한다 또한.

영상간의 연산 등 을 통해 대상지역의 지형지물의 변화나 움직임들을 추(Substract )

출한다 이과정에서 위의사진과 같은 영상 강조 및 분석 기술을 활용하여 특정. GIS

자료의 변화를 감지할 수 있다 또한 레지스트레이션 기술을 통해 동일지역의 두. ,

영상을 매핑시키는 것에 관한 연구개발이 필요하다.

- 56 -

Ansan ISO Classilication

년 월 일87 5 20 년 월 일93 5 20

- 57 -

그림 3-3 Binary Filter(Normal binary)

그림 3-4 Binary Filter(Block binary)

- 58 -

그림 3-5 Binary Filler(lnverse binary)

그림 3-6 Blurring

- 59 -

그림 3-7 Sharpening

그림 3-8 Embossing

- 60 -

그림 3-9 Edge detecting(Roberts)

그림 3-10 Edge detecting(Prewitt)

- 61 -

그림 3-11 Edge detecting(Sobel)

그림 3-12 Edge detecting(Frei-Chen)

- 62 -

그림 3-13 Canny Edge detecting

그림 3-14 Representative Value(Maximum)

- 63 -

그림 3-15 Representative Value(Minimum)

그림 3-16 Representative Value(Median)

- 64 -

그림 3-17 Brightness( +30)

그림 3-18 Brightness( -30)

- 65 -

그림 3-19 Morphology(3X3 Grey scale)

그림 3-20 Morphology(3X3 Binary scale)

- 66 -

그림 3-21 Morphology(Circular mask Binary scale)

그림 3-22 Logarithm

- 67 -

그림 3-23 Get histogram information

그림 3-24 Histogram equalization

- 68 -

그림 3-25 Histogram Max-Min stretch

그림 3-26 Histogram Gaussian stretch

- 69 -

그림 3-27 Histogram standard deviation stretch

그림 3-28 Zhang & Suen Thinning

- 70 -

그림 3-29 Skeletonization Thinning

그림 3-30 Geometric(Zoom in)

- 71 -

그림 3-31 Geometric(Zoom out)

그림 3-32 Find Node

- 72 -

제 장 위성영상의 기하보정4

일반적으로 영상자료에 흔히 나타나는 기하학적 오차의 원인으로는 위성의 자세,

지구의 곡률 위성의 진행방향 좌표 투영법의 차이 관측기기 오차 지구 자전의, , , ,

영향 등이 있다 이러한 기하학적 오차를 보정하기 위하여 최소기준점 영상의 입체.

쌍을 이용한 지도화를 구현하는 것이 본 기술개발의 목표로 되어 있다 구현된. s/w

인 에서는 기하적인 오차를 보정하는 과정으로geocode GCP(Ground Control

를 선정하고 영상좌표에 대한 지리좌표를 계산하여 계산된 외부표정요소를Point)

바탕으로 하여 기하보정을 하게 된다.

제 절 위성영상의 기하보정 개요1

인공위성에서 수집한 영상데이터들은 위성의 위치와 자세의 변화 위성의 속도 변,

화 주사범위와 주사경의 회전속도 변화 지구자전 지도투영법 등의 원인으로 인하, , ,

여 기하학적으로 크게 왜곡되어 있다.

이러한 기하학적 왜곡은 영상 자료를 기상 해양 등의 다른 위성 자료와 대응시키,

는 경우 데이터 베이스를 구축하는 경우 영상 분류 후 면적 등의 계량적 통계량을, ,

산출 하는 경우 인접한 영상과 모자이킹하는 경우 지도 제작 등의 작업을 수행하, ,

는 경우 에는 이 왜곡의 보정작업이 필수적이다.

위성영상의 기하왜곡을 보정하는 방법으로는 사용자가 영상과 지도에서 식별 가능

한 지상기준점 들을 선정 사용하여 영상과 지도상의(GCP : ground control point)

위치 관계를 나타내는 좌표변환식을 유도한 후 이 변환식을 이용하여 영상을 지도,

의 위치 관계로 재배열하여 보정하는 방법이 사용된다.

첫 번째의 계통적 기하보정방법은 위성이나 센서의 복잡한 특성을 이해하여야 하며

그 처리 과정도 간단하지 않기 때문에 설명을 생략하고 두 번째의 지상기준점을 이

용 하는 기하보정방법에 관하여 지상기준점의 선정 좌표변환 및 재배열기법의 순,

서로 설명하고자 한다.

- 73 -

지상기준점의 선정1.

영상의 기하보정에 사용될 지상기준점은 영상과 지도에서 분명한 식별이 가능하여

영상좌표와 지도좌표를 쉽고 정확하게 얻을 수 있어야 한다 영상의 해상도에 따라.

많이 사용되는 지상기준점의 대상은 다음과 같다.

중 저해상도 해상도 미만 영상의 지상기준점, ( 5m ) :

다차선 도로의 교차점①

댐의 좌우 코너②

학교 운동장 중앙③

- 74 -

교량 중앙④

산복도로⑤

기타⑥

고해상도 영상 해상도 이상( 5m ) :

소도로의 교차점①

소운동장의 중앙 또는 코너②

테니스장의 중앙 또는 코너③

소규모 교량의 중앙④

산복도로⑥

논 밭 등의 농사용 도로,⑦

묘소 중앙⑧

기타⑨

선정해야 할 지상기준점의 개수는 사용되는 변환식에 따라 다르다 영상좌표와 지.

도의 평면좌표만을 사용하여 일반적으로 많이 사용되는 다항식을 적용할 경우에는

차식 차식 및 차식의 경우 최소한 점 점 및 점 이상의 지상기준점이 필1 , 2 3 3 , 6 10

요하다.

또한 선정되는 지상기준점의 배치상태도 중요하기 때문에 영상에 고루 분포되도록

선정하여야 기하보정의 정밀도를 높일 수 있다.

기하보정 변환식2.

선정된 지상기준점들을 사용하여 최소제곱법으로 영상좌표를 지도좌표로 변환하는

변환식을 찾은 후 모든 화소 를 대상으로 이 변환식을 적, (pixel : picture element)

용하여 기하보정을 행한다.

- 75 -

affine transformation

변환이란 좌표축의 회전 축의 비수직성affine (rotation), (non-perpendicularity of

두 축의 축척변화 및 원점의 두 방향으로의 평행the axes), (two scale changes)

이동 등의 변환을 표현할 수 있으며 모두(two translations) , six-parameter

이 된다 따라서 미지계수 및를 결정하기 위해서는 최소한 점 이상transformation . 3

의 지상기준점이 필요하다.

일반적인 변환의 식은 다음과 같이 표현된다 여기서 는 영상좌표affine . x, y , u, v

는 지상좌표를 의미한다.

위의 행렬은 의 성분을 포함한 결과식이다3*3 translation, rotation, scale .

Translation

Rotation

Scale

결국 의의 과정을 하나의 행렬식으로 표현하면 다음과 같다.

- 76 -

Polynomial rectification

는 주로 원영상 또는 모르는 투영에서 알고있는 투영계로polynomial rectification

의 변환에 주로 사용된다 이것은 또는 이라는 용어로. georeferencing geocoding

쓰이기도 한며 들의 좌표를 통해 영상좌표와 지상좌표, GCP(Ground Control point)

혹은 변환시키려는 좌표계간의 변환식을 구한다 이 때 구해진 변환식은 영상의 전.

체에 작용되게 된다 결국 변환은 과 달리 지역적인 왜곡을. polynomial triangulation

줄인 다기보다는 전반적인 영상 왜곡을 줄이는 기능을 한다.

차 식1 linear

X = a′ 0 + a1X + a2Y

Y = b′ 0 + b1X + b2Y

만약 점 의 좌표를 안다면 이용하여 변환식을 구할 수 있다3 A, B, C .

a0 + a1XA + a2YA = X′A + EXA

b0 + b1XA + b2YA = Y′A + EYA

a0 + a1XB + a2YB = X′B + EXB

b0 + b1XB + b2YB = Y′A + EXB

a0 + a1XC + a2YC = X′C + EXC

b0 + b1XC + b2YC = Y′C + EYC

그리고 점보다 많은 를 이용한다면 최소제곱법을 이용할 수 있다 이때3 GCP . A, X,

행렬을 구해야한다 행렬은 원영상의 영상 좌표 행렬은 구하고자하L, V . A X, Y , X

는 상수 행렬 행렬은 지상이나 바꾸고자하는 좌표계의 좌표 행렬은 오차항들, L , E

이다.

- 77 -

A X = L + V

(AT A)X = A․ T L․(AT A)․ -1(AT A)X = (A․ T A)․ -1(AT L)․IX = X = (AT A)․ -1(AT L)․

차 식2 Quadratic

X = a′ 0 + a1X + a2Y + a3XY + a4X2 + a5Y

2

Y = b′ 0 + b1X + b2Y + b3XY + b4X2 + b5Y

2

차식과 동일한 방법으로 위의 식을 행렬로 표시하고 행렬을 이용한 최소제곱법을1

이용하여 계수들을 구한다.

차 식3 Cubic

- 78 -

위와 동일한 방법으로 위의 식을 행렬로 표시하고 행렬을 이용한 최소제곱법을 이

용하여 계수들을 구하게 된다.

재배열3. (Resampling)

지상기준점에 의한 좌표변환식이 결정되면 보정후 영상의 크기 보정전 영상의 네(

개의 모서리점의 변환후의 위치 를 계산한 후 보정영상과 보정전 영상과의 관계식) ,

인 역변환식을 다시 구한다 구하여진 관계식을 이용하여 보정영상의 각 화소가 보.

정전 영상의 어디에 위치하는지를 찾아 재배열한다.

기하보정의 결과의 격자망의 중심들은 영상에서 정확히 화소의 중심과 일치하지 않

는다 따라서 격자에 어떤 밝기값이 선택될 것인가를 결정해야 한다. . interpolation

은 위의 함수들을 함수로 이용해서 평균값을 취한 후 구해진 평균값을 화소weight

의 밝기값으로 결정하는 과정이라 생각할 수 있다 즉 그 위치는 보정전 영상의 격.

자점 마다의 위치가 아니기 때문에 보정전 영상의 주변 화소값을 이용하여 재배열

하는데 재배열 방법에는 최근린내삽법 공 차내삽법(nearest neighbour), 1 (bilinear

등이 있다interpolation), cubic convolution .

- 79 -

한 예로 은 의 화소를 둘러싸고 있는 주위 화소bilinear interpolation display grid 4

에 대해 을 사용한다 이 과정은 아래 그림으로 잘 나타난다 검linear interpolation . .

은 점으로 표시되는 점이 원영상의 한 화소중심의 좌표이고 흰색원이 어떤 지상의

좌표에 해당하는 영상 좌표라면 그 지상좌표에 해당하는 밝기값은 두 검은점의 밝

기값의 어떠한 평균값이 될것이며 이 때 아래의 삼각형은 이 평균을 구하는 과정에

서의 가중치 함수이다 이 가중치 함수를 이용하면 결국 그 지상좌표에 해당하는.

밝기값은 이 된다7 .

- 80 -

- 81 -

제 절 위성영상2 Import

특정 포맷으로 저장되어 있는 위성 영상을 불러들여 화면에 한다 장에서loading . 2

구현된 에서와 마찬가지로 위성영상의 다양한 포맷에 대하여 화면에grpsd Loading

할 수 있는 기능을 에서도 그대로 가지고 있다 그림 은 위성영상 중geocode . 4-1

포맷을 가진 영상을 하여 디스플레이한 그림이다Raw Import .

그림 위성영상4-1 Raw Import

제 절 지상기준점 선정과 영상좌표 추출3 (GCP: Ground Control Point)

지상기준점은 영상에서 식별이 용이하되 시간에 따른 위치변동이 없는 점을 선정해

야 한다 선정된 점의 영상좌표를 추출하게 되는 데 영상좌표란 영상의 조상단에.

대한 특정 영상소의 상대전인 위치이다 영상에서 식별이 뚜렷한 지상지물의 영상.

소가 선정되었으면 선정된 영상소에 대해서 영상좌표를 추출한다 영상 재배열을, .

위한 좌표변환식을 산출하여 지상기준점 선정의 오차를 점검하게 된다 좌표변환식.

산출 방법으로는 차 차 다항식을 이용하여 좌표변환식과 오차를 계산하Affine, 2 , 3

게 된다 그림 는 와 좌표변환식을 설정하고 을 수행하도록 하. 4-2 GCP Resampling

는 메뉴를 나타낸다 에 대한 내용은 뒤에서 자세히 설명하도록 한다. Resampling .

- 82 -

그림 선정과 기하보정4-2 GCP

그림 변환식과 오차식4-3 GCP

- 83 -

제 절 위성궤도 모델링과 외부표정요소 계산4

위성영상의 헤더 정보를 이용하여 위성궤도를 모델링하고 이를 이용하여 시간별 또

는 영상의 한 라인별 외부표정요소를 계산할 수 있다 본 기술개발에서는 위성영상.

이 헤더정보에 위성궤도정보에 대한 초기값을 가지고 있는 경우에 외부표정요소를

계산 하는 과정을 구현하였다.

제 절 좌표계 결정 및 번들조정5

외부표정요소를 계산하는 방식에는 제 절에서 설명하는 방식으로 구할 수 있는4

데 이를 위해서는 위성영상 자체에 위성궤도정보를 가지고 있어야 하므로 그렇지

않은 영상에 대해서는 외부표정요소를 계산할 수 없다 이런 경우 사용하는 방식이.

영상기준점 측량을 이용하는 것이다.

영상기준점 측량은 조정의 기본단위에 따라 크게 다항식법 독립모델법 번들조정법, ,

으로 구분하고 있으며 실제로는 매우 많은 종류의 세부적인 기법과 프로그램들이,

개발되었다 이 중에서 번들조정법에서는 관측지상기준점의 지상좌표와 지상기준점.

및 연결점 접합점 또는 중복 촬영된 임의의 점에 대한 영상좌표를 이용하여 각 위,

성영상의 외부표정요소 및 주어진 영상좌표들에 대응하는 지상좌표를 결정하는 방

법인데 광속 을 조정의 기본단위로 한다 이것은 다른 어느 방법보다 정확(bundle) .

도가 높으며 중복 촬영된 지상의 임의 점에 대한 영상좌표가 주어질 경우 번들조정

에서 얻어지는 각 영상의 외부표정요소를 이용하면 각 모델에 대하여 상호표정 절,

대표정의 과정을 거치지 않고도 직접 지상좌표를 계산할 수 있다.

제 절 위성영상의6 Resampling

위성영상은 일반 프레임 카메라 사진과는 달리 중심 투영영상이 아니라 각 라인마

다 각각 투영중심을 가지게 된다 따라서 외부표정요소를 이용해. Epipolar

를 가지는 로 영상을 변환해야 한다 이때 위성영상의Geometry Normal Image . ,

이 발생된다Resampling .

영상 재배열 방법으로는 가장 가까운 곳에 있는 픽셀값을 사용하는 최근린 보간법

주변 개 픽셀값을 사용하는 차 선형보간법(Nearest Interpolation), 4 2 (Bilinear

주변 개 픽셀값을 사용하는 차회선 보간법Interpolation), 16 3 (Cubic Convolution

등을 사용하였다Interpolation) .

- 84 -

그림 좌표변환식과4-4 Resampling

센서모델링 기법을 이용한 기하보정

위성영상의 기하왜곡을 보정하는 방법으로는 크게 두 가지 방법을 들 수 있다 첫.

번째는 위성의 위치와 자세 궤도 및 센서의 특성과 지구의 형태와 운동특성을 고,

려 하여 영상 데이터를 공급하는 기관에서 행하는 계통적 기하보정 방법이다 두.

번째는 지상기준점 들을 이용한 기하보정이 있다(GCP : ground control point) .

이중 첫 번째의 계통적 기하보정방법은 위성이나 센서의 복잡한 특성을 이해하고

센서모델링 기법을 사용한 기하보정이 된다.

영상의 보정SPOT

개요

영상은 위성의 비행 방향을 따라 관측하고자 하는 관측 폭만큼 스캐닝하는SPOT

방식으로 지상을 관측한다 이 때 위성의 센서는 수많은 로 구성된. SPOT CCD line

로부터 연속적으로 하나의 영상 라인을 생성하며 이 때 하나의 라인에 대해서array

는 거의 동시에 지상의 정보들이 저장된다.

이러한 방식을 방식이라고 부르며 각각의 주사선 에 대해서Pushbroom (scan line)

지상과 디텍터간에 정해진 관계가 형성되므로 기하학적 해석 가능하다 아래의 그.

림과 같이 위성영상의 취득시 초점에 해당하는 점을 중심으로 영상의 한 라인과 위

성의 비행방향에 수직방향인 지상의 한 줄은 서로 대칭인 기하관계가 만들어진다.

- 85 -

이러한 특성은 사진측량학적인 접근을 가능케 하는데 투영중심과 영상의 점 지상,

의 물체가 일직선상에 있다는 공선조건을 기본으로 각 라인의 외부표정요소 카메라(

의 회전인자 및 카메라 노출점중심의 지상좌표 를 이용하여( , , ) (X0, Y0, Z0))κ φ ω

영상좌표 들에 대응하는 지상좌표를 결정할 수 있다.

그런데 영상의 경우 영상의 취득방법이 사진의 중심투영과는 달리 센서모델SPOT

상 영상을 일렬로 한 라인씩 취득한다 그 결과 기하보정을 할 시에도 라인별로 따.

로 따로 기하보정을 해야한다 그리고 영상의 외부표정요소 개도 라인별 또는 시. 6

간별로 다른 값을 사용해야한다.

다음그림은 위성영상의 취득과정을 나타낸 그림이다 이때의 기하보정은 긴SPOT .

직사각형모양의 라인별 영상를 각각 보정을 하게된다.

- 86 -

그런데 영상의 과정도 결국 사진의 조정법과 외부표정요소 개만이 시간이STOP 6

나 위치에 따라 변한다는 것이외에는 모든 과정이 동일하다 그런데 영상의. SPOT

하나의 에서 개의 라인으로 이루어져 있어 개의 외부표정요소를 하나하scene 6000 6

나 입력하기 위해서는 개의 외부표정요소를 입력해야 한다 이런 불편함을36000 .

줄이기위한 방법으로 위성의 자세에는 차식을 그리고 위치에 대해서는 차식을3 , 2

이용한 근사식을 이용하기도 한다 이를 위하여 위성영상의 파일에. SPOT Header

는 이와 같은 식을 구성하기 위한 대표점들의 외부표정요소와 그 때의 취득시간 또

는 라인의 정보가 저장되어 있다.

각라인의 외부표정요소를 다항식의 형태로 표시하면 다음과 같다.

결국 라인별로 함수식을 대입하여 외부표정요소들을 구해내고 각각에 대한 조정법

을 시행하여 영상의 기하보정을 실시하게 된다SPOT .

- 87 -

지상좌표의 취득

위와 같은 특성을 지닌 위성영상의 센서모델링을 통한 기하보정은 각각의 개SPOT

별 라인별 기하보정으로 진행된다 기하보정을 실시하기 위해서는 다음과 같은 과.

정을 거쳐야 한다.

공선조건식을 만족하는 영상과 지상은 동일한 초점에서 시작하는 하나의 벡터상에

존재해야 한다 따라서 아래의 식과 같은 조건을 만족해야 한다. .

x, y 영상 좌표:

Z, Y, Z 지상 좌표:

S 축척계수:

f 초점거리:

M 회전행렬:

- 88 -

이 때의 회전행렬은 지상좌표의 축에 대하여 영상이 취득될 때의 영상의X, Y, Z 3

축의 회전량을 뜻하며 각축에 대한 회전량을 로 표현한다면 다음과 같다, , x .ω φ

이러한 관계를 영상좌표에 관한 식으로 변환하여 전개하면 다음과 같은 형태로 변

환된다 맨 처음의 수식을 전개하면 에 관한 수식과 에 관한 수식 그리고 에 관. x y , f

한 수식이 유도된다 이 때 앞의 와 에 관한 수식을 에 관한 수식으로 나누면 다. x y f

음과 같은 형태가 유도 된다.

이러한 관계식을 이용하면 특정 지상좌표에 해당하는 위치가 영상의 어떤 위치에

표시되는 가를 알 수 있어 기하보정을 수행할 수 있다.

영상의 보정IKONOS

위성영상의 경우 과 같은 형태의 센서정보를 제공하는 대신 영상의IKONOS SPOT

좌표와 지상의 좌표간의 관계식인 을 제공한다 이 은 각각의 영상에서의RFM . RFM

좌표 과 그에 해당하는 지상좌표와의 관계식으로 표현되므로 대해 개의 수식x, y 4

이 제공된다.

- 89 -

영상의 헤더정보로부터 제공되는 영상에 대한 식은 다음과 같은 형태IKONOS RFM

의 다항식으로 표현된다.

여기서,

NumR(u, , )=aυ ω 1+a2 +aυ․ 3 +aυ․ 4 +aω․ 5 u+aυ․ ․ 6 +aυω․ ․ 7 uω․ ․+a8 υ․ 2+a9 u․ 2+a10 ω․ 2+a11 u +aυω․ ․ ․ 12 υ․ 3+a13 uυ․ ․ 2+a14 υω․ ․ 2+a15 υ․ 2 u+a․ 16 u․ 3+a17 uω․ ․ 2+a18 υ․ 2 +aω․ 19 u․ 2 +aω․ 20 ω․ 3

DenR(u, , )=bυ ω 1+b2 +bυ․ 3 u+b․ 4 +bω․ 5 u+bυ․ ․ 6 +bυω․ ․ 7 uω․ ․+b8 υ․ 2+b9 u․ 2+b10ω․ 2+b11 u +bυω․ ․ ․ 12 υ․ 3+b13 uυ․ ․ 2+b14 υω․ ․ 2+b15 υ․ 2 u b․ ․ 16 u․ 3 +b․ 17 uω․ ․ 2+b18 υ․ 2 +bω․ 19 u․ 2 +bω․ 20 ω․ 3

영상의 열에 대한 식은 다음과 같다RFM .

- 90 -

여기서,

Numc(u, , )=cυ ω 1+c2 +cυ․ 3 u+c․ 4 +cω․ 5 u+cυ․ ․ 6 +cυω․ ․ 7 uω․ ․+c8 υ․ 2+c9 u․ 2+c10 ω․ 2+c11 u +cυω․ ․ ․ 12 υ․ 3+c13 uυ․ ․ 2+c14 υω․ ․ 2+c15 υ․ 2 u+c․ 16 u․ 3+c17 uω․ ․ 2+c18 υ․ 2 +cω․ 19 u․ 2 +cω․ 20 ω․ 3

Denc(u, , )=dυ ω 1+d2 +dυ․ 3 u+d․ 4 +dω․ 5 u+dυ․ ․ 6 +dυω․ ․ 7 uω․ ․+d8 υ․ 2+d9 u․ 2+d10ω․ 2+d11 u +dυω․ ․ ․ 12 υ․ 3+d13 uυ․ ․ 2+d14 υω․ ․ 2+15 υ․ 2 u+d․ 16 u․ 3+d17 uω․ ․ 2+d18 υ․ 2 +dω․ 19 u․ 2 +dω․ 20 ω․ 3

위식의 는 타원체상의 좌표값인 에 축척계수와 을(u, , ) WGS84 ( . , h) offsetυ ω λ∅적용한 좌표값들이다 와 의 관계식과 영상의 열과 행의 좌표에. (u, , ) ( . , h)υ ω λ∅축척계수와 을 적용한 관계식들은 다음과 같다offset .

u=( -0∅ ∅)/SF∅=( -0υ λ λ)/SFλ

=(h-0ω h)/SFh

r=(R-0R)/SFR

c=(C-0c)/SF/c

여기서 축척계수 이다, O=offset, SF= .

차원 지상좌표를 취득하기 위하여 전개를 이용하여 선형화된 식을 구한다3 Taylor .

그러나 위식은 축척계수와 이 고려된 좌표로 구성되기 때문에, offset (u, , ) (u,υ ω

좌표를 좌표로 치환하여 전개를 실시하면 다음과 같은 식들, ) ( , , h) Taylorυ ω λ∅을 얻게 된다.

- 91 -

여기서,

f1( , ,h)=Numλ∅ R[( -0∅ ∅)/SF∅,( -0λ λ)/SFλ,(h-0h)/SFh]

f2( , ,h)=Denλ∅ R[( -0∅ ∅)/SF∅,( -0λ λ)/SFλ,(h-0h)/SFh]

f3( , ,h)=Numλ∅ c[( -0∅ ∅)/SF∅,( -0λ λ)/SFλ,(h-0h)/SFh]

f4( , ,h)=Denλ∅ c[( -0∅ ∅)/SF∅,( -0λ λ)/SFλ,(h-0h)/SFh]

의 이론을 이용하여 미지수에 대하여 편미분을 취하여 선형화된 방정식을 구Taylor

한다.

위와 같은 식이 좌우 영상에 대하여 각각 구해지므로 하나의 매칭점에 대해 미지수

가 개이고 방정식이 개인 관측방정식을 구성할 수가 있게 된다 다음 식은 이를3 4 .

이용하여 관측행렬을 구성한 것이다.

AxX=L+V

여기서 첨자 는 각각 좌 우 영상을 의미한다, lt, rt , .

- 92 -

위의 관측행렬을 이용하여 최소제곱조정을 하면 얻을 수 있게 된다.

X=(ATA)-1ATL

위 식으로부터 차원 지상좌표 의 값을 얻을 수 있게 된다3 ( , ,h) .λ∅

- 93 -

제 장 벡터라이징5

제 절 벡터편집1

현재 편집 가능한 개수 개- layer : 3

의 개수는 추후에 확장이 가능하다 그러나 무한정 확장은 불가 개- layer . . 10-20

예상하고 있음.

편집 가능한- element type: poly line(point), polygon, rectangle, circle(ellipse).

각 들은 별로 편집이 가능하며 별로 가능하다 또한 동시- element layer , layer view .

에 모든 를 하면서 편집을 할 수도 있다layer view , .

추가될 기능- edit : move, cut, copy, paste, undo, redo, select, delete, etc

의 기능 의 파일로 저장되고 불러 올 수 있다- File impory, export : .dxf format , .

하지만 현재는 불필요한 는 빼 놓고 저장 및 불러오기를 하고 있다 이 부분entity .

에 대한 보완도 필요하다.

배경에 을 한 상태에서 편집이 가능함- raw file load .

제 절 경계검출2

경계는 밝기가 급격히 변화하는 장소를 가리킨다 밝기를 급격하게 바꾸는 것으로.

는 광원의 변화 물체 표면의 반사율의 변화 물체 형상에 의한 변화 차단에 의한, , ,

변화 등 많은 요소를 생각할 수 있다 따라서 는 반드시 물체의 윤곽이라고. edge

할 수는 없으며 이러한 요소 가운데 어느 것에 해당하는지 결정하는 것은 어려운

문제이다.

차 미분과 차 미분1. step edge, 1 2

이웃점으로부터의 변화를 구하기 위해 미분을 이용하는데 연속계에 있어서 차원1

함수의 미분의 정의는 다음과 같다.

이산계에서는 는 또는 이다 따라서 위식은 다음과 같게 된다1 -1 . .

f =f(x+1)-f(x), f =f(x)-f(x-1)′ ′

- 94 -

의 특성 의 차 미분 의 차 미분edge (a) step edge (b) step edge 1 (c) step edge 2

그림에서 보이는 의 차 미분에서 알 수 있듯이 를 찾는 것은step edge 1 , step edge

차 미분의 절대값이 큰 곳을 찾는 것이 된다 의 차 미분이 양에서 음1 . step edge 2

으로 또는 음에서 양으로 변화하는 위치를 이라고 하는데 이곳을 찾, zero crossing

음으로써 를 구할 수도 있다edge .

의 방향성과2. edge sobel operator

영상은 차원이므로 한 방향의 미분만으로는 불충분하여 수평 수직 두 방향의 미2 ,

분을 고려한다 만약 디지털 영상을 라고 하면. I[x,y]

수평방향의 미분은 Ix[x,y]=I[x+1,y]-I[x,y],Ix 이고[x,y]=I[x,y]-I[x-1,y]

수직방향의 미분은 Iy[x,y]=I[x,y+1]-I[x,y],Iy 이다[x,y]=I[x,y]-I[x,y-1] .

Sobel operator▶

두 방향의 미분에 의한 검출을 실현한 예로써 앞의 식을 이용해 각 점의 수edge ,

평 수직방향의 미분을 계산하고 그 절대값의 합이 일정 값 이상이면 점으로, , edge

판단한다 또한 안정성을 위해 수평방향의 미분을 계산할 때는 상하의 수평선의 점.

도 첨가시키고 수직방향의 미분을 계산할 때는 좌우의 수직선의 점도 첨가시킨다, .

각각의 미분식은 다음과 같다.

- 95 -

각점의 미분값은 또는 |Ix|+|Iy 으로 평가되며 어떤| , thresholding value

이상이면 그점을 점으로 하며 이렇게 검출된 의 폭이 반드시 이edge edge 1 pixel

되는 것은 아니다 의 방향을 수평축과 이루는 각도 로 나타내면 다음과 같. edge 0

다.

이러한 소벨 의 의 모양은 다음과 같다operator template .

a. Horizontal b. Vertical

Sobel operator

여러 방향의 차 미분3. 1 operator

Canny operator▶

가우스함수에 따른 평활화에 차 미분을 취하는 방법을 실현하여 추출 당연1 edge ,

히 고차 미분을 할수록 노이즈의 영향이 커지게 된다 따라서 노이즈에 대한.

성은 차 미분인 가 보다 훨씬 낫다robust 1 Canny operator LOG .

는 에 수직인 방향으로는 가우스 함수의 차 미분을 쓰고 있Canny operator edge 1

다 이방향을 축으로 잡으면 는 다음식으로 표현된다. x operator .

- 96 -

여기서 는 의 범위를 결정하는 정수이며 이 함수는 다음 그림과 같은 모c operator

양이고 중심점에 대해 역대칭이다.

주어진 영상내에 있는 의 방향은 처음부터 알 수 없다 그래서 영상의 각 점edge . ,

에서 를 회전하면서 많은 방향에서 미분 값을 구하고 그 가운데 미분 값이operator

최대가 되도록 하는 방향을 찾는다 그 최대방향의 미분 값이 같은 방향의 양쪽 이.

웃의 픽셀에 있어서의 미분보다도 크고 미분 값이 일정한 를 넘으면threshold ,

가 바로 그 점에 위치한다고 생각하여 이점을 라고 한다 이와 같edge edge point .

이 와 달리 는 폭 인 화소의 를 추출할 수 있Sobel operator Canny operator 1 edge

다.

Fig. 4 Canny operator

제 절 세선화3 (Thinning)

은 상대적으로 적은 수의 로 대상의 구조적인 형태를 나타내므로 중요skeleton pixel

하다 영상의 대상으로부터 특징을 추출하려고 할 때 에. computer vision system

의해서 처음으로 처리하는 단계가 되기도 하며 의skeleton position, orientation,

는 영상을 구성하는 들의 대표인자이다length of the line segments line .

은 을 형성하는 과정이라고 할 수 있으므로 은 대상의 형thinning skeleton thinning

태를 전달하는데 필수적인 를 정의하는 것이라고 할 수 있다pixel(skeletal pixel) .

을 할 때 항상 염두에 두어야 할 세 가지 사항은 아래와 같다thinning .

- 97 -

모든 대상의 이 되는 것은 아니다thinning•

어떤 상황에서 으로 무엇을 할 수 있다고 해서 모든 상황에서 할 수 있skeleton•

는 것은 아니다.

은 을 인식하는 행위이고 사용된 에 의해 정의되지 않thinning skeleton algorithm•

는다.

1. The Medial-Axis transform

은 을 을 사용하여 정의하였다Blum(l967) skeleton medial axis function(MAF) . MAF

는 파선의 점 요소로서 모든 경계 을 다룬다 는 코너의 궤적이고 대상의pixel . MA

을 형성한다 이것을 은 라고 하였다skeleton . Blum line of symmetry .

를 찾는 한가지 방법은 대상의 경계를 사용하는 것이다 어느 대상의medial axis .

어떤 점에서 경계상 가장 가까운 점을 위치시킨다 최저거리에서 하나이상의 경계.

점이 존재하면 그 점은 상의 점이고 보통 두 개의 점이 존재할 것이medial axis -

다 그러한 점의 집합이 대상의 가 될 것이다- medial axis .

4-distance 8-distance Euclidean distance

를 추정에서 거리함수의 영향medial axis

- 98 -

를 추정하는 방법은 두 단계로 적용될 수 있다 우선 각 대상 로medial axis . , pixel

부터 가장 가까운 경계 까지 거리를 계산하여 를 구성하고 다pixel distance image

음으로 의 을 계산하여 큰 값을 갖는 은distance image Laplacian pixel medial axis

에 포함된 다고 볼 수 있다.

그림에서 에 의해 생성된 이 원래의 형상과 반드시 같은 것은medial axis skeleton

아니며 굳이 그럴 필요도 없다 중요한 것은 이 대상의 특성을 정확히 표. skeleton

현하고 있는가이다 다음 그림은 로 을 만들 때 발생하는 오랜. medial axis skeleton

문제를 보여준다.

한 개의 로 인한 의 차이[ Fig 2 ] pixel skeleton

에 의해 구성된 은 이상적이진 않으며 처리시간이 오래 걸린다medial axis skeleton .

그러나 이 방법은 대다수의 방법의 기초가 되며 매우 중요한 개념이다thinning .

2. Iterative morphological methods

대다수의 은 더 이상 제거할 수 없을 때까지 의 를 반thinning algorithm pixel layer

복 하여 벗겨내는 방법을 근간으로 한다.

가. Stentiford algorithm (1983)

의 를 반복하여 벗겨내는 전형적인 첫 번째 으로서 에pixel layer algorithm Stentiford

의해 제안되었고 를 사용하여 중심의 을 지우는 방법이3x3 template template pixel

다.

- 99 -

에서 제거 가능한 를 규정하기 위한 템플릿Stentiford thinning algorithm pixels

위의 그림 처럼 템플릿 에 맞는 영상의 들에서 의 위치를 찾는(a) M1 pixel pixel①

다. I(i,j)

중심의 이 가 아니고 가 이면 나중에 삭제pixel end point connectivity number 1②

하기 위해 표시한다.

과정을 템플릿 으로 반복한다, M1 .③ ① ②

을 의 순으로 반복한다- M2, M3, M4 .④ ① ③

표시된 이 있으면 지운다 로 만든다pixel (white .)⑤

번 과정에서 지워진 이 있으면 전체 과정을 반복하고 없으면 멈춘다pixel .⑥ ⑤

은 대상의 위를 따라서 제거할 을 찾기 위한 것이고 왼쪽 오른쪽 위M1 pixel ,• → →

아래로 찾는다.

는 대상의 왼쪽을 따라서 제거할 을 찾기 위한 것이고 아래 위 왼쪽M2 pixel ,• → →

오른쪽으로 찾는다.

는 대상의 밑을 따라서 제거할 을 찾기 위한 것이고 오른쪽 왼쪽 아래M3 pixel ,• →

위로 찾는다.→

는 대상의 오른쪽을 따라서 제거할 을 찾기 위한 것이고 위 아래 오른M4 pixel ,• →

쪽 왼쪽으로 찾는다.→

때때로 하나의 이 대상의 두 개 이상의 넓은 지역에 연결되었을 경우 그러한pixel

은 제거할 수 없으므로 라는 것을 도입하였다pixel connectivity number .

는 하나의 에 얼마나 많은 대상이 연결가능한가를 나타낸connectivity number pixel

다.

- 100 -

connectivity number : (a) 1, (b) 2, (c) 3, (d) 4 (max), (e) 0

connectivity number

를 구하기 위한 식은 아래와 같다connectivity number .

Cn= N∑ k-(NkN․ k+1 N․ k+2 단 이고 이면) , k={1, 3, 5, 7} k 8 N≻ k=Nk-8

NK는 번째 의 값으로 배경 흰색 이면 대상 검은색 이면 을 갖는다k pixel ( ) 1, ( ) 0 .

- 101 -

모든 반복 후 결과Stentiford thinning algorithm

이후는 결과가 같음Iteration 12※

의 적용시 보통 으로 불리우는 인thinning algorithm necking, tailing, line fuzz▶

공 물이 생기는데 이것은 보통 발생하는 문제점이다.

은 다음 그림의 처럼 교차점의 두 선이 하나로 합쳐지는 것이고necking (a) , tailing

은 두 선이 아주 작은 예각으로 만날 때 합쳐지는 것을 말하며 는 추가, line fuzz

적인 부분이 생기는 것으로 라고도 불리운다spurious projection, hairs .

은 라는 방법으로 조정이 가능하다necking acute angle emphasis .

다음 그림은 그 과정까지 처리한 결과이다.

- 102 -

[ Fig 6 ] classic thinning artifacts (a) Necking, (b) Tailing, (c) Ling fuzz

D1 D2 D3 D4 D5

U1 U2 U3 U4 U5

에서 사용되는[ Fig 7 ] acute angle emphasis templates

[ Fig 8 ] Final thinning character

- 103 -

나. Zhang-Suen algorithm (1984)

이 은 의 네 개의 하위 반복대신 두 개의 하위 반복으로 구성된algorithm Stentiford

다.

첫째 하위 반복은 아래의 네 개의 조건이 만족되면 가 제거된다I(i,j) pixel .

가 일 것connectivity number 1①

개 이상 개 이하의 검은색 를 가질 것2 6 neighbors②

적어도 하나의 이 배경 흰색 일 것I(i,j+1), I(i-1,j), I(i,j-1) ( )③

적어도 하나의 이 배경 흰색 일 것I(i-1,j), I(i+1,j), I(i,j-1) ( )④

둘째 하위 반복의 조건은 다음과 같다.

가 일 것connectivity number 1①

개 이상 개 이하의 검은색 를 가질 것2 6 neighbors②

적어도 하나의 이 배경 흰색 일 것I(i-1,j), I(i,j+1), I(i+1,j) ( )③

적어도 하나의 이 배경 흰색 일 것I(i,j+1), I(i+1,j), I(i,j-1) ( )④

에 의해 생성된Zhang-Suen algorithm skelton

다. Holt algorithm (1987)

이 은 하위 반복을 포함하지 않으므로 처리속도가 빠르다는 특정을 가지algorithm

며 두 개의 하위 반복을 를 사용한 논리적인 표현으로 나타내었3x3 neighborhood

다.

- 104 -

에 를 적용시킨 결과Holt algorithm staircase

속도면에서 보면 과 의 을 조합한 것이 가장 나아 보인Zhang-Suen Holt algorithm

다 하지만 의 품질을 생각한다면 과정을 사용하. skeleton Stentiford preprocessing

여 과 을 조Zhang-Suen thinning algorithm Holt’s staircase-elimination algorithm

합한 것이 가장 좋은 것으로 보이며 그 결과는 그림과 같다.

세 가지 을 조합한algorithm skeleton

제 절 벡터라이징4

1. post-processing

에서 전처리 과정은 대단히 중요하다 음성인식도 마찬가지Image processing (

다 전처리 과정을 통해서 의 정보를 최대한 화 하기에 좋은.^^) raster data vector

조건으로 만들어 주는 것이 최대 관건이다.

현재까지 많은 방법을 적용해 을 처리해 보았으며 개인적으로 생각preprocessing ,

하는 최적의 과정은 아래와 같다preprocessing .

- 105 -

이 기법은 영상 전처리 작업이나 초기 객체분류 등 또는Morphology(grey scale):

이러한 처리 뒤에 이어서 물체의 내재된 구조를 명확히 하는데 이용된다 이것은.

물체의 외곽선을 물체의 가장 현저한 두께의 외곽선이나 골격선을 간단하게I-pixel

함으로써 이루어진다 즉 외곽선의 한 을 빼거나 더하는 작업을 말한다 그러. pixel .

므로 한 의 잡음은 제거될 수도 있고 두 로 확장 시킬 수도 있다pixel pixel .

잡음 제거를 위한 를 적용하여 연산한 후Canny edge detecting: Gaussian mask ,

연산을 실시하는 경계선 검출 과정이다 를 통해 주변 잡sobel mask . morphology

음을 제거해 객체를 분류한 후 이 객체들이 가지는 경계선을 명확하게 해주기 위,

한 이다 영상의 객체에 대한 경계가 명확해 지면 세선화 작업의 시간processing . ,

을 줄여 줄 수 있고 보다 정확하고 단순한 모양의 선 과정 후 을 얻을 수(thinning )

있다.

의 결과는 의 형태로 나타나며 이Normal binary: morphology processing binary ,

결과를 가지고 을 실행하면 로 환원하게 된다 따canny edge detecting grey scale .

라서 세선화 이전에 반드시 과정을 수행해야만 한다normal binary processing .

본 에서 구현한 은 두 가지로Thinning: program thinning algorithm Jhang & Suen

방법과 방법이다 두 방법 모두 인접한 들의 제거 조건을 반복적skeletonizing . pixel

으로 검색해 제거 조건에 해당하는 들을 제거 조건이 존재하지 않을 때까지 제pixel

거해 주는 방법이다 이 과정이 끝나고 나면 도로와 같은 의미 있는 선과 건물과. ,

같은 객체의 윤곽선만이 두께 의 형태로 남게 된다 이렇게 남은 두1-pixel raster .

께 의 가 인접한 들에 대해 가지는 를 이용하면1-pixel raster data pixel weight

에 대한 정보를 얻을 수 있다 그리고 이렇게 얻어낸node, start point, end point .

각각의 정보는 정보로 저장을 하게 되고 각 에서 다음 까지vector , node node

를 추적해 가면서 값을 얻어 낼 수 있다raster data vector .

2. Weight & Node's Correlation

현재 의미있는 의 인접한 들 중 의미 있는 들의 개수Weight: pixel( pixel) pixel pixel

의 합을 말한다 최대 최소 의 값을 가진다 그러나 자신은 의미있는 로. 8, 0 . pixel

존재하지만 가 인 경우는 인접한 들과 연결성이 없다는 의미로 이러한Weight 0 pixel

은 로 활용하거나 아예 배제하고 생각해도 무방할 것이다pixel point .

- 106 -

로 활용가능한 이다 여기서 와 의 구분weight 1: start or end point vector . start end

은 모호하고 의미가 없다 세선화 후 의 두께가 이기 때문에 가 이라. pixel 1 weight 1

는 것은 인접한 과 연결되며 출발점을 의미한다1 pixel .

이러한 를 갖는 는 로써 활용하지 않는다 이러Weight 2: weight raster data vector .

한 은 단지 선을 이어주는 역할을 하게 된다 그러나 중간에 심한 굴곡이 있다pixel .

거나 지정된 기울기를 벗어나는 경우에는 해당 을 로써 활용할 수 있을pixel vertex

것이다.

이상 의미있는 교차점으로써 활용하게 될 것이다 하나 이상의 갈림길이Weight 3 : .

존재하게 되고 극단적으로 인 경우는 개의 교차로가 생긴다 이러한weight 8 7 .

는 현실성이 없으므로 효과적으로 제거하는 방법을 생각해야 할 것이다node .

문제점 완전한 폐곡선의 경우 건물 등의 객체를 나타냄 모든 는: ( ) raster data

를 갖는다 따라서 위에서 정의한 것처럼 초기에 정보를weight 2 . node, start point

저장되지 않는다 따라서 이러한 부분은 수작업을 통해서 를 임의로 지. start point

정해주는 작업이 필요하다.

3. Vectorizing Method

다음 가 발견될 때까지 이어진 값을 추적해 나간다 다음Weight 1: node raster .

가 발견되면 추적을 멈추고 를 정의한다node polyline end state .

본 은 의미있는 값인지 확인condition 1. pixel raster

ex) if (pixel != 0xff) break;

추적 시 다음 로 이동한 후 현재 의 를 과condition 2: raster data pixel , pixel point

거 값으로 저장해야 한다 이 과정은 다음 추적 시 역방향 추적을 방지. raster data

하기 위함이다 만약 이과정이 이루어지지 않는다면 무한 를 돌게 될 것이다. roof .

ex)past_pixel = cur_pixel, cur_pixel.x = node_pixel.x+neighbor.x, cur_pixel.y =

node_pixel.y + neighbor.y

다음 가 발견되면 를 정의하고 위의 과정을condition 3: node polyline end state

일단락한다.

ex) if (neighbor_weight >= 3 II neighbor_weight ==1) break;

인 경우에 한해서 한 개 은 혹은condition 4: Weight 1 pixel polyline start polyline

둘 중의 하나로 쓰여져야 한다end .

의 경우와 마찬가지로 다음 가 발견될 때까지Weight 3: Weight 1 node raster data

를 추척해 나간다 추적해야하는 경로가 개가 되는 것을 제외하고는 의. 2 weight 1

과정과 똑같다.

현재의 를 로 정의하고 갈라진 두 개의condition 1: node polyline start state pixel

를 구한다 이후 두 를 최초 로 정의하고 과point . pixel point vertex state weight 1

같은 방법으로 를 실행한다roof .

- 107 -

의 예4. Vectorizing

Original image.

Normal binary.

Morphology(3x3 binary scale)

이 과정 후 다시 로 변환된다Canny edge detecting. ( grey scale .)

- 108 -

Normal binary

Zhang & Suen thinning.

[Iteration count = 5]

- 109 -

Skeletanization thinning.

[Iteration count = 8]

Find node.

이상인 만 표시[Weight 1 or 3 pixel ]

- 110 -

결론6.

위성영상의 영상전처리를 위해 다양한 위성영상 포맷을 분석하고 이를 디스플레이

하는 인 를 개발하였으며 영상처리 모듈을 여기에 포함시켰다 영상처리S/W vecpSJ .

모듈에는 위성영상을 강조하는 기법으로 등histogram equalization, Linear stretch

을 구현하였으며 영상에 대한 통계적 분포를 히스토그램을 통해 디스플레이 하도록

하였다 또한 공간을 강조하는 기법 중 에 관한 기법은 다양한 필터링기법. filtering

을 메뉴로 포함하였다.

공간 자료 타입을 지원하는 기술로 기법을 적용한 인 와Polyline S/W vecpLayer

는 공간데이터 포맷을 지원하는 포맷지원기술에 대한 연구를 바탕으VectorEdit dxf

로 벡터 자료의 로딩 저장 편집을 위한 기능이 포함되어 있다, , .

위성영상의 수치지도화를 위한 위치해석 모듈 로 가 구현되었으며S/W geocode ,

에는 위성영상의 기하학적 왜곡에 의한 오차를 보정하기 위한 기하보정이geocode

포함되어 있다 기하보정을 위한 과정의 하나로 지상기준점을 설정하여 영상좌표를.

추출하는 기능이 있다 추출된 영상좌표를 지리좌표로 변환하기 위한 변환식으로.

차 차 변환식 등을 사용자가 임의로 결정할 수 있도록 되어있다 위성궤Affine, 2 , 3 .

도 모델링이나 번들조정법에 의해 시간별 또는 영상의 한 라인별 외부표정요소를

계산할 수 있다 계산된 외부표정요소를 이용하여 영상을 기하보정하게 된다 이때. . ,

위성영상의 재배열이 발생하게 되는데 영상 재배열 방법으로는 최근린 보간법, , 2

차 선형보간 법 차회선 보간법을 사용하였다. 3 .