工學碩士學位 請求論文

고해상도 위성영상을 이용한 토지피복분류정확도 향상에 관한 연구

A study on improvement of classification accuracy using the texture information of High Resolution

Panchromatic image

2005年 8月

仁荷大學校 大學院

地理情報工學科(地理情報專攻)

金 垠 奭

工學碩士學位 請求論文

고해상도 위성영상을 이용한 토지피복분류정확도 향상

A study on improvement of classification accuracy using the texture information of High Resolution

Panchromatic image

2005年 8月

指導敎授 趙 禹 錫

이 論文을 碩士學位 請求論文으로 提出함

仁荷大學校 大學院

地理情報工學科(地理情報專攻)

金 垠 奭

이 論文을 金垠奭의 工學碩士學位 論文으로 認定함

2005年 8月

主 審 (인)

副 審 (인)

委 員 (인)

i

요 약

저해상도 위성영상의 다중분광 영상을 이용한 분류와 같이 고해상도 위성영상의

다중분광 영상을 이용하여 분류를 수행하였다 그 결과 분류하고자하는 항목에 대

한 오분류가 발생하였다 본 논문에서 이 오분류 현상을 최소화시키기 위해 다중분

광 영상에 panchromatic image의 texture을 추가하여 분류 정확도를 높이고자

한다 texture 분석에는 co-occurrence matrix의 feature와 semi-variogram

texture 분석을 이용했다 co-occurrence matrix의 feature는 angular second

moment(ASM) contrast(CON) dissimilarity(DIS) homogeneity(HOMO)

entropy(ENT)이며 이들의 탐색영역의 크기를 변화시키면서 texture 정보를 추

출했고 semi-variogram의 texture 분석은 분리거리 1에 대한 탐색영역 크기를

변화시키면서 texture 정보를 추출하였다 이 추출된 texture 정보를 최대우도

법의 감독분류로 분류를 수행할 때 추가적인 정보로 추가하였다 제안된 분류방법

의 분류결과는 분류 시 추가 정보 texture 정보 추출 시 탐색영역 크기에 영향을

많이 받았다 그리고 나지와 콘크리트 도로 건물에 대한 분류정확도가 다중분광

영상의 분광특성을 이용한 분류정확도 보다 크게 향상되었으며 그 향상정도는 나

지의 경우는 594 콘크리트 도로의 경우는 761 건물의 경우는 2737 향

상되었으며 지표 피복에 대한 kappa 계수는 Dissimilarity(2929)에서 가장 많

이 향상되었으며 그 향상정도는 00551이다 추가적인 texture 정보 중에

dissimilarity 와 semi-variogram와 entropy가 분류시 가장 적절한 texture 정

보라 판단이 되고 탐색영역의 크기는 (1717) (2121) (2929)라고 판단이

된다 그리고 이들의 정보들을 조합한 분류가 가장 높은 분류정확도를 보여주었으

며 향상정도는 Kappa 계수에서 00578이다 이 분류방법이 최적의 분류방법이라

고 판단이 된다

ii

Abstract

Conventional multi-spectral classification methods show poor

performance with respect to detection of land cover classes in high

resolution satellite images This is because objects in the land cover are

very complicated with respect to both their spectral and spatial

characteristics Multi-spectral classification detects object classes only

according to the spectral information of the individual pixels in this

study we needed to introduce the texture of panchromatic image into

this classification in order to minimize the false classification texture

analysis is composed of the texture of co-occurrence matrix and the

texture of semi-variogram the features of co-occurrence matrix

consist of angular second moment(ASM) contrast(CON)

dissimilarity(DIS) homogeneity(HOMO) entropy(ENT) we extracted

the texture derived from various sizes of processing window from the

panchromatic image using the features of co-occurrence matrix and

semi-variogram this texture extracted was used as additional

information in a supervised classification and Maximum Likelihood

classifiers are used results of the proposed method was impacted

window size used texture analysis the classification accuracy of ground

concrete road building improved greatly than classification used only

multi-spectral feature the improved rate about ground concrete road

building was respectively 594 761 2737 Kappa coefficient of

land cover very improved in the dissimilarity(2929) and the improved

rate is 00551 as classification was performed dissimilartiy

semi-variogram entropy were proper among the additional texture

information proper window size is (1717) and (2121) and (2929)

the classification fused these texture informations showed very great

classification accuracy Kappa coefficient improved is 00578 this

method proved to be very proper classification

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

工學碩士學位 請求論文

고해상도 위성영상을 이용한 토지피복분류정확도 향상

A study on improvement of classification accuracy using the texture information of High Resolution

Panchromatic image

2005年 8月

指導敎授 趙 禹 錫

이 論文을 碩士學位 請求論文으로 提出함

仁荷大學校 大學院

地理情報工學科(地理情報專攻)

金 垠 奭

이 論文을 金垠奭의 工學碩士學位 論文으로 認定함

2005年 8月

主 審 (인)

副 審 (인)

委 員 (인)

i

요 약

저해상도 위성영상의 다중분광 영상을 이용한 분류와 같이 고해상도 위성영상의

다중분광 영상을 이용하여 분류를 수행하였다 그 결과 분류하고자하는 항목에 대

한 오분류가 발생하였다 본 논문에서 이 오분류 현상을 최소화시키기 위해 다중분

광 영상에 panchromatic image의 texture을 추가하여 분류 정확도를 높이고자

한다 texture 분석에는 co-occurrence matrix의 feature와 semi-variogram

texture 분석을 이용했다 co-occurrence matrix의 feature는 angular second

moment(ASM) contrast(CON) dissimilarity(DIS) homogeneity(HOMO)

entropy(ENT)이며 이들의 탐색영역의 크기를 변화시키면서 texture 정보를 추

출했고 semi-variogram의 texture 분석은 분리거리 1에 대한 탐색영역 크기를

변화시키면서 texture 정보를 추출하였다 이 추출된 texture 정보를 최대우도

법의 감독분류로 분류를 수행할 때 추가적인 정보로 추가하였다 제안된 분류방법

의 분류결과는 분류 시 추가 정보 texture 정보 추출 시 탐색영역 크기에 영향을

많이 받았다 그리고 나지와 콘크리트 도로 건물에 대한 분류정확도가 다중분광

영상의 분광특성을 이용한 분류정확도 보다 크게 향상되었으며 그 향상정도는 나

지의 경우는 594 콘크리트 도로의 경우는 761 건물의 경우는 2737 향

상되었으며 지표 피복에 대한 kappa 계수는 Dissimilarity(2929)에서 가장 많

이 향상되었으며 그 향상정도는 00551이다 추가적인 texture 정보 중에

dissimilarity 와 semi-variogram와 entropy가 분류시 가장 적절한 texture 정

보라 판단이 되고 탐색영역의 크기는 (1717) (2121) (2929)라고 판단이

된다 그리고 이들의 정보들을 조합한 분류가 가장 높은 분류정확도를 보여주었으

며 향상정도는 Kappa 계수에서 00578이다 이 분류방법이 최적의 분류방법이라

고 판단이 된다

ii

Abstract

Conventional multi-spectral classification methods show poor

performance with respect to detection of land cover classes in high

resolution satellite images This is because objects in the land cover are

very complicated with respect to both their spectral and spatial

characteristics Multi-spectral classification detects object classes only

according to the spectral information of the individual pixels in this

study we needed to introduce the texture of panchromatic image into

this classification in order to minimize the false classification texture

analysis is composed of the texture of co-occurrence matrix and the

texture of semi-variogram the features of co-occurrence matrix

consist of angular second moment(ASM) contrast(CON)

dissimilarity(DIS) homogeneity(HOMO) entropy(ENT) we extracted

the texture derived from various sizes of processing window from the

panchromatic image using the features of co-occurrence matrix and

semi-variogram this texture extracted was used as additional

information in a supervised classification and Maximum Likelihood

classifiers are used results of the proposed method was impacted

window size used texture analysis the classification accuracy of ground

concrete road building improved greatly than classification used only

multi-spectral feature the improved rate about ground concrete road

building was respectively 594 761 2737 Kappa coefficient of

land cover very improved in the dissimilarity(2929) and the improved

rate is 00551 as classification was performed dissimilartiy

semi-variogram entropy were proper among the additional texture

information proper window size is (1717) and (2121) and (2929)

the classification fused these texture informations showed very great

classification accuracy Kappa coefficient improved is 00578 this

method proved to be very proper classification

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

이 論文을 金垠奭의 工學碩士學位 論文으로 認定함

2005年 8月

主 審 (인)

副 審 (인)

委 員 (인)

i

요 약

저해상도 위성영상의 다중분광 영상을 이용한 분류와 같이 고해상도 위성영상의

다중분광 영상을 이용하여 분류를 수행하였다 그 결과 분류하고자하는 항목에 대

한 오분류가 발생하였다 본 논문에서 이 오분류 현상을 최소화시키기 위해 다중분

광 영상에 panchromatic image의 texture을 추가하여 분류 정확도를 높이고자

한다 texture 분석에는 co-occurrence matrix의 feature와 semi-variogram

texture 분석을 이용했다 co-occurrence matrix의 feature는 angular second

moment(ASM) contrast(CON) dissimilarity(DIS) homogeneity(HOMO)

entropy(ENT)이며 이들의 탐색영역의 크기를 변화시키면서 texture 정보를 추

출했고 semi-variogram의 texture 분석은 분리거리 1에 대한 탐색영역 크기를

변화시키면서 texture 정보를 추출하였다 이 추출된 texture 정보를 최대우도

법의 감독분류로 분류를 수행할 때 추가적인 정보로 추가하였다 제안된 분류방법

의 분류결과는 분류 시 추가 정보 texture 정보 추출 시 탐색영역 크기에 영향을

많이 받았다 그리고 나지와 콘크리트 도로 건물에 대한 분류정확도가 다중분광

영상의 분광특성을 이용한 분류정확도 보다 크게 향상되었으며 그 향상정도는 나

지의 경우는 594 콘크리트 도로의 경우는 761 건물의 경우는 2737 향

상되었으며 지표 피복에 대한 kappa 계수는 Dissimilarity(2929)에서 가장 많

이 향상되었으며 그 향상정도는 00551이다 추가적인 texture 정보 중에

dissimilarity 와 semi-variogram와 entropy가 분류시 가장 적절한 texture 정

보라 판단이 되고 탐색영역의 크기는 (1717) (2121) (2929)라고 판단이

된다 그리고 이들의 정보들을 조합한 분류가 가장 높은 분류정확도를 보여주었으

며 향상정도는 Kappa 계수에서 00578이다 이 분류방법이 최적의 분류방법이라

고 판단이 된다

ii

Abstract

Conventional multi-spectral classification methods show poor

performance with respect to detection of land cover classes in high

resolution satellite images This is because objects in the land cover are

very complicated with respect to both their spectral and spatial

characteristics Multi-spectral classification detects object classes only

according to the spectral information of the individual pixels in this

study we needed to introduce the texture of panchromatic image into

this classification in order to minimize the false classification texture

analysis is composed of the texture of co-occurrence matrix and the

texture of semi-variogram the features of co-occurrence matrix

consist of angular second moment(ASM) contrast(CON)

dissimilarity(DIS) homogeneity(HOMO) entropy(ENT) we extracted

the texture derived from various sizes of processing window from the

panchromatic image using the features of co-occurrence matrix and

semi-variogram this texture extracted was used as additional

information in a supervised classification and Maximum Likelihood

classifiers are used results of the proposed method was impacted

window size used texture analysis the classification accuracy of ground

concrete road building improved greatly than classification used only

multi-spectral feature the improved rate about ground concrete road

building was respectively 594 761 2737 Kappa coefficient of

land cover very improved in the dissimilarity(2929) and the improved

rate is 00551 as classification was performed dissimilartiy

semi-variogram entropy were proper among the additional texture

information proper window size is (1717) and (2121) and (2929)

the classification fused these texture informations showed very great

classification accuracy Kappa coefficient improved is 00578 this

method proved to be very proper classification

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

i

요 약

저해상도 위성영상의 다중분광 영상을 이용한 분류와 같이 고해상도 위성영상의

다중분광 영상을 이용하여 분류를 수행하였다 그 결과 분류하고자하는 항목에 대

한 오분류가 발생하였다 본 논문에서 이 오분류 현상을 최소화시키기 위해 다중분

광 영상에 panchromatic image의 texture을 추가하여 분류 정확도를 높이고자

한다 texture 분석에는 co-occurrence matrix의 feature와 semi-variogram

texture 분석을 이용했다 co-occurrence matrix의 feature는 angular second

moment(ASM) contrast(CON) dissimilarity(DIS) homogeneity(HOMO)

entropy(ENT)이며 이들의 탐색영역의 크기를 변화시키면서 texture 정보를 추

출했고 semi-variogram의 texture 분석은 분리거리 1에 대한 탐색영역 크기를

변화시키면서 texture 정보를 추출하였다 이 추출된 texture 정보를 최대우도

법의 감독분류로 분류를 수행할 때 추가적인 정보로 추가하였다 제안된 분류방법

의 분류결과는 분류 시 추가 정보 texture 정보 추출 시 탐색영역 크기에 영향을

많이 받았다 그리고 나지와 콘크리트 도로 건물에 대한 분류정확도가 다중분광

영상의 분광특성을 이용한 분류정확도 보다 크게 향상되었으며 그 향상정도는 나

지의 경우는 594 콘크리트 도로의 경우는 761 건물의 경우는 2737 향

상되었으며 지표 피복에 대한 kappa 계수는 Dissimilarity(2929)에서 가장 많

이 향상되었으며 그 향상정도는 00551이다 추가적인 texture 정보 중에

dissimilarity 와 semi-variogram와 entropy가 분류시 가장 적절한 texture 정

보라 판단이 되고 탐색영역의 크기는 (1717) (2121) (2929)라고 판단이

된다 그리고 이들의 정보들을 조합한 분류가 가장 높은 분류정확도를 보여주었으

며 향상정도는 Kappa 계수에서 00578이다 이 분류방법이 최적의 분류방법이라

고 판단이 된다

ii

Abstract

Conventional multi-spectral classification methods show poor

performance with respect to detection of land cover classes in high

resolution satellite images This is because objects in the land cover are

very complicated with respect to both their spectral and spatial

characteristics Multi-spectral classification detects object classes only

according to the spectral information of the individual pixels in this

study we needed to introduce the texture of panchromatic image into

this classification in order to minimize the false classification texture

analysis is composed of the texture of co-occurrence matrix and the

texture of semi-variogram the features of co-occurrence matrix

consist of angular second moment(ASM) contrast(CON)

dissimilarity(DIS) homogeneity(HOMO) entropy(ENT) we extracted

the texture derived from various sizes of processing window from the

panchromatic image using the features of co-occurrence matrix and

semi-variogram this texture extracted was used as additional

information in a supervised classification and Maximum Likelihood

classifiers are used results of the proposed method was impacted

window size used texture analysis the classification accuracy of ground

concrete road building improved greatly than classification used only

multi-spectral feature the improved rate about ground concrete road

building was respectively 594 761 2737 Kappa coefficient of

land cover very improved in the dissimilarity(2929) and the improved

rate is 00551 as classification was performed dissimilartiy

semi-variogram entropy were proper among the additional texture

information proper window size is (1717) and (2121) and (2929)

the classification fused these texture informations showed very great

classification accuracy Kappa coefficient improved is 00578 this

method proved to be very proper classification

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

ii

Abstract

Conventional multi-spectral classification methods show poor

performance with respect to detection of land cover classes in high

resolution satellite images This is because objects in the land cover are

very complicated with respect to both their spectral and spatial

characteristics Multi-spectral classification detects object classes only

according to the spectral information of the individual pixels in this

study we needed to introduce the texture of panchromatic image into

this classification in order to minimize the false classification texture

analysis is composed of the texture of co-occurrence matrix and the

texture of semi-variogram the features of co-occurrence matrix

consist of angular second moment(ASM) contrast(CON)

dissimilarity(DIS) homogeneity(HOMO) entropy(ENT) we extracted

the texture derived from various sizes of processing window from the

panchromatic image using the features of co-occurrence matrix and

semi-variogram this texture extracted was used as additional

information in a supervised classification and Maximum Likelihood

classifiers are used results of the proposed method was impacted

window size used texture analysis the classification accuracy of ground

concrete road building improved greatly than classification used only

multi-spectral feature the improved rate about ground concrete road

building was respectively 594 761 2737 Kappa coefficient of

land cover very improved in the dissimilarity(2929) and the improved

rate is 00551 as classification was performed dissimilartiy

semi-variogram entropy were proper among the additional texture

information proper window size is (1717) and (2121) and (2929)

the classification fused these texture informations showed very great

classification accuracy Kappa coefficient improved is 00578 this

method proved to be very proper classification

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

iii

목 차

요 약 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddoti

Abstract middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotii

1 서론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

11 연구 배경 및 목적 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot1

12 연구 동향 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot2

13 연구 방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot3

2 위성영상의 전처리 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot4

3 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

31 Semi-variogram의 Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot7

32 Co-occurrence Matrix Texture 분석방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot10

4 영상 분류방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

41 영상분류의 정의 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

42 영상 분류 기법 - 감독분류 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot12

43 분류 영상의 정확도 검증방법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot17

431 전체 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

432 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot18

433 사용자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

434 KAPPA 계수 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot19

5 실험 및 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

51 실험영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot22

52 IKONOS 위성영상의 분광특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot23

53 Texture 분석 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

531 Co-occurrence matrix의 texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot25

532 Semi-variogram texture 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot27

54 분류정확도 검증 결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

541 분류에 관한 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot28

542 토지 피복에 따른 분류정확도 분석결과 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot31

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

iv

6 결 론 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot40

7 참고 문헌 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot41

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

v

그림 목차

그림 1 연구 흐름도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 3

그림 2 최근린 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 5

그림 3 공 1차 보간법 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 6

그림 4 cubic convolution middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 7

그림 5 주어진 분리거리에서 variogram의 기하학적 의미 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 8

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 10

그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은

정규 확률밀도함수에 의한 근사 데이터 분포 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 8 Maximum likelihood classification 결정 방법(PagtPb) middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 14

그림 9 Panchromatic 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 10 Blue 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 11 Green 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 12 Red 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 22

그림 13 근적외선 밴드 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

그림 14 각 밴드의 상대적인 분광학적 반응도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 15 도시 피복물의 분광 복사계에 의한 반사특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 24

그림 16 Angular second menent(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 17 Angular second menent(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 18 Angular second menent(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 25

그림 19 Contrast(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 20 Contrast(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 21 Contrast(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 22 Dissimilarity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 23 Dissimilarity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 24 Dissimilarity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 25 Entropy(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 26 Entropy(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 27 Entropy(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 28 Homogeneity(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 29 Homogeneity(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

그림 30 Homogeneity(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 26

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

vi

그림 31 Semi-variogram(55) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 32 Semi-variogram(1717) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 33 Semi-variogram(2929) 영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 27

그림 34 다중분광영상만을 이용한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 30

그림 35 Texture에 대한 분류정확도가 높은 분류영상들 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 31

그림 36 침엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 37 활엽수에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 32

그림 38 나지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 39 초지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 40 농경지에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 41 콘크리트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 42 아스팔트 도로에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 43 비닐하우스에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 33

그림 44 철도에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 45 그림자에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 46 건물에 대한 제작자 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 34

그림 47 나지에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 48 콘크리트 도로에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 49 건물에 대한 분류영상의 비교 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 37

그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를

추가한 분류영상 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

vii

표 목차

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 9

표 2 Kappa 통계 값에 대한 분류 정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 20

표 3 IKONOS-2 위성영상의 분광학적 특성 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 23

표 4 분류 정확도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 29

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 35

표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)

추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 36

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

표 10 Semi-variogram(2121)와 Entropy(1717)와

Dissimilarity(2929)를 추가한 분류 error matrix middotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddotmiddot 38

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

1

1 서론

11 연구배경과 목적

1999년 최초의 민간용 고해상도 인공위성인 IKONOS 위성이 발사에 성공하여

1m 급의 고해상도 영상자료를 제공하면서 인공위성 영상의 활용가능성에 대한 논

의가 많은 분야에서 활발하게 이루어지고 있으며 위성영상에 대한 관심 역시 지속

적으로 증가하고 있다 그러나 고해상도 위성영상이 나타내는 기하학적 분광학적

특징으로 인한 다양한 왜곡현상과 분석기술의 정립미비 등으로 인하여 한반도 전체

에 대한 영상이 거의 촬영 완료된 현재까지 일부 분야에서만 국한적으로 고해상도

위성영상이 활용되고 있는 것으로 나타나고 있다 특히 외국의 경우 가장 많은 활용

빈도를 보이고 있는 정밀농업이나 식생지수 산출 토지피복분류 등 정량적인 분광분

석 작업의 경우 매우 제한적인 사용이 이루어지고 있는 실정이다

그리고 IKONOS 등과 같은 고해상도 인공위성 영상의 사용은 상대적으로 엄청나

게 향상된 지상해상도로 인하여 기존의 Landsat TM 영상을 사용했을 때 저해상도

의 영상특성으로 인하여 다양한 지표 피복의 혼합현상이 나타남에 따라 일정 영역에

대한 정성적인 평가에 머물렀던 한계를 극복하고 보다 실제적인 토지피복의 정밀 분

석으로 토지의 특성 파악이 가능해졌다는 점에서 그 활용도가 기대된다 그러나 지

금까지는 저해상도 위성영상에서 사용하는 방법같이 IKONOS 다중분광 영상을 이

용해서 분류를 시행해왔다 이러한 방법으로 분류를 수행하면 분류 항목에 대한 오

분류가 발생하게 되었다

이러한 오분류 현상은 고해상도 위성영상이 갖는 높은 공간해상도의 장점에도 불

구하고 고해상도 영상의 기하학적 방사학적 특성 복잡한 토지 피복 등으로 인하여

국내의 경우 아직 명확한 분류 기술개발이 부족한 현실이므로 이에 대한 해결방안이

필요하다 그래서 고해상도 위성영상이 갖는 분광해상도의 제약을 극복하고 보다 정

확한 토지 피복 분류를 위해서는 다중 분광밴드 영상뿐만 아니라 Panchromatic영

상이 갖는 texture 등의 특성까지도 부가 요소로 함께 사용하는 방법이 고려되어야

할 필요가 있다 그래서 토지피복 분류를 하기위해 분광 밴드의 영상만 가지고 분류

한 결과보다 분광 밴드 영상과 panchromatic 영상에서 추출한 부가적인 요소

(texture)를 추가하여 분류하였을 때 분류 정확도를 향상 및 개선방안 연구에 목적

을 두고 있다

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

2

12 연구동향

Martino 등(2003)은 spectral image를 이용한 classification 보다 Gray

Level Co-occurrence Matrix(GLCM)로부터 추출한 12개의 texture feature

즉 Angular Second Moment Contrast Correlation Entropy Variance

Inverse Difference Moment Difference Average Difference Variance

Difference Entropy Sum Average Sum Variance Sum Entropy을 이용한

영상과 spectral image와 fusion하여 classification에 접근을 했다 여기서

texture 정보를 추출하기위해서 GLCM의 parameter를 탐색영역크기 inter

-pixel 거리 angle direction을 여러 가지로 변화시키면서 여러 가지 실험영상

을 만들고 이 실험 영상과 다중분광 영상들을 이용한 분류를 시행하였으며 여기

서는 texture 정보를 공간해상도가 4m인 다중분광 영상에서 얻어서 수행했지만

본 논문에서는 texture 정보 획득의 정확성을 위해 panchromatic 영상에서 얻

었다 그리고 Coburn 등(2004)은 현재의 texture 분석 방법은 하나의 밴드의

공간적 정보에 의존하고 있다 여러 가지 접근방법을 이용해서 즉 first

second-order statistical measure를 여러 밴드별로 window 크기를 변화시키

면서 texture 분석을 했다 window size를 결정하기 위해서 semi-variogram

의 parameter인 range 값을 이용했으며 이 결정된 window size를 이용해서

local variance angular second moment entropy contrast로 image의

texture 정보를 추출하였다 이 정보를 추가하여 maximum likelihood

classification을 행한 결과는 하나의 밴드를 이용한 경우보다 많이 향상되었다

여기서 semi-variogram을 이용하여 적절한 탐색영역의 크기를 결정하였지만

이 방법은 texture의 다양성과 복잡성 때문에 texture의 정보추출 어렵다 그래

서 semi-variogram을 texture 요소로 사용해서 texture를 추출한 Chen 등

(2004)은 IKONOS 영상에서 적당한 moving window size을 결정하기 위해서

variogram의 parameter range와 sill이용하여 17⨯17과 21⨯21의 window

size을 얻었다 결정된 window 크기에 의해 variogram의 parameter sill과

range의 영상들과 lag가 1인 semi-variogram 영상들과 Panchromatic

IKONOS image을 이용하여 maximum-likelihood classifier로 classification

을 수행했다 본 연구에서는 다중분광영상에 다양한 탐색영역크기와 texture을

추출한 결과를 분류시 추가하여 시행하였다

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

3

그림 1 연구 흐름도

13 연구방법

본 연구의 흐름은 그림 1에서 보듯이 IKONOS 영상 획득 전처리 토지피복분

류 결과 정확도 검증 단계를 이루고 있다 획득된 영상을 DEM과 GCP를 이용

해서 IKONOS 영상을 정사 보정을 하였다 그리고 panchromatic 영상에서

texture를 추출하기 위해서 semi-variogram의 원리와 co-occurrence matrix

의 feature를 이용하였으며 분류방법은 감독분류의 최대우도법을 이용했다 그

리고 분류정확도를 검증하기위해서 참조자료를 IKONOS의 합성영상에서 추출하

였다 토지피복에 대한 분류하기위해서 분리거리에 대한 Semi-variogram 값과

co- occurrence matrix에서 추출된 texture 정보를 다중분광영상의 분광특성

에 추가하여 분류를 시행한 결과들과 다중분광영상의 다중분광특성만을 이용하

여 분류한 결과에 대해서 각각의 분류정확도 분석을 위해 참조자료와 분류된 결

과를 이용하여 조성된 error matrix에서 제작자 정확도 사용자 정확도 kappa

계수 값들을 구하였으며 각각의 분류들에 대한 분류정확도를 비교 분석하여 분

류정확도 향상정도를 구하였다

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

4

2 위성의 전처리

위성영상은 자료를 수집하는 과정에서 여러 가지 요인에 의해 자료가 훼손되거나

왜곡될 수 있다 이러한 자료의 훼손과 왜곡은 자료를 분석하는 과정에서 오차 요인

으로 작용하기 때문에 사전에 반드시 보정 또는 수정작업을 수행해야한다 이러한

보정과정을 전처리과정이라 한다 영상의 전처리는 대기보정과 기하보정으로 나눌

수 있다

태양으로부터 입사한 빛이 지표면의 물체에 반사한 후 인공위성의 관측 센서에 감

지되는 과정에서 태양광선은 두 번에 걸쳐 지구의 대기를 통과하게 되면 이 때 발

생할 수 있는 대기의 산란 흡수 반사 등의 영향을 보정하는 것을 대기 보정이라

한다 이와 같이 대기의 영향은 센서에 입사하는 태양 광선의 세기를 약화시킴으로

써 결과적으로 영상 자료의 밝기에 영향을 주게 된다 대기에 의한 왜곡을 보정해

주기 위해서는 일반적으로 대기 모델을 이용하게 된다 실제 관측 또는 계산에 의해

만들어진 대기모델에 관측 당시의 태양 고도각 기상 요소 등의 인자를 넣어줌으로

써 각각의 파장에 해당하는 산란 흡수 반사의 양과 태양 입사광의 세기를 추정하

해 낼 수 있으며 이를 통해 원래의 영상자료에 대한 밝기 값을 계산해 낼 수 있다

기하보정은 위성의 센서가 정보를 기록하는 동안 위성의 속도와 지구의 운동 등으

로 인하여 위성영상 자료의 절대 위치에 발생한 오차를 보정하는 것을 말한다 이러

한 기하학적 오차는 영상 내 각 점의 위치변동을 의미하며 이렇게 휘어진 영상을

평면에 위세 존재하는 기존의 지형도와 중첩시키기 위해서는 인공위성 영상에 나타

나는 각 점의 위치를 지형도와 같은 크기와 투영 값을 갖도록 변화해 주는 과정이

반드시 필요하다 이와 같은 변환과정을 기하학적 보정이라고 한다 이 연구에 사용

된 IKONOS 위성영상은 기본적인 방사보정과 천체 위치력을 이용하여 표준기하보

정이 실시된 영상이기 때문에 별도의 방사보정은 실시하지 않았으며 주로 기하보정

을 실시하였다 GCP을 이용하여 기하보정을 한 후 정사보정을 했다 정사보정은 위

성영상의 촬영 당시 센서의 자세와 지형의 기복에 의해서 발생한 대상체의 변위가

포함되어 있으므로 지형지물의 상호위치가 왜곡으로 위성영상에 있는 대상체의 위

치와 지도상의 위치가 서로 일치하지 않는다 이러한 대상물의 변위를 제거하여 지

형지물의 평면위치를 지도와 동일하게 보정하는 것이다

정사보정 과정에서는 위성영상과 실제 지상에서 동일시되는 지형지물의 상호 위치

관계를 파악하기 위하여 다수의 지상 기준점을 선정하여 지형의 기복에 의한 왜곡

을 보정하기 위해서 수치고도모형(DEM)을 이용한다

정사보정은 직접적인 방법과 간접적인 방법을 이용할 수 있다 직접적인 방법은 역

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

5

공선조건식을 사용하여 영상좌표를 지상좌표로 변화하는 방법이다 광선추적법

(Ray-tracing method)은 대표적인 직접적 방법으로 영상좌표를 지상좌표로 변화

해 준다 이때 변환된 지상좌표의 높이 값을 결정하기 위해 수치표고모델의 보간법

이 필요하게 되는데 이때 주로 이용되는 보간법에는 최근린 보간법과 공일차 내삽

법이 있다 직접적인 방법은 각 영상좌표에 대해 반복 계산을 수행하여 지상좌표를

구하기 때문에 많은 계산이 요구되고 특히 표면의 법선벡터와 광선의 방향이 유사

할 때 계산은 현저하게 증가된다는 특징을 가지고 있다 간접적인 방법은 이미 결정

되어 있는 수치표고모델의 지상좌표를 영상좌표로 변화하는 방법으로 영상의 외부

표정요소와 공선조건식을 이용하여 지상에 대응하는 영상좌표를 계산하는 방법으로

직접적인 방법과는 달리 지상좌표에 대한 반복 계산이 필요 없고 영상 좌표를 계산

할 때에도 검색공간이 정수이기 때문에 계산을 적게 하는 장점을 가지고 있다 이러

한 이유로 정사투영영상을 제작할 때에는 직접적인 방법보다는 간접적인 방법이 많

이 사용이 되지만 지상 좌표를 공선조건식을 이용하여 영상좌표를 변환할 때 결과

영상의 지정된 화소의 중심에 지상좌표에 대응되는 영상좌표가 정확히 투영되지 않

는 문제점이 발생하므로 투영된 영상의 밝기를 주변 화소의 밝기 값을 이용하여 보

간해 주는 과정이 필요하다 보간 방법은 최근린 보간법(nearest neighbour) 공1

차 보간법(bilinear interpolation) cubic convolution 등이 있다

최근린 보간법은 그림 2 에서 보는 바와 같이 가장 가까운 거리에 근접한 화소

의 값을 택하는 방법인데 여기서 P는 원 영상의 화소 값 R은 변환 후의 화소 값

을 나타내며 최근린 보간법에 의해 결정된 R의 화소 값은 P1이 된다 이 방법은

원 영상의 데이터를 변질시키지 않는 장점은 있지만 부드럽지 못한 영상이 되기도

하는 단점이 있다

그림 2 최근린 보간법

공1차 보간법은 그림 3 에서 보는 바와 같이 인접한 네 개 화소까지의 거리에 대

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

6

한 가중평균값을 택하는 방법으로서 식 (1)을 사용하여 변환 후 영상의 화소 값을

재배열하게 된다 여기서 P는 원 영상의 화소 값을 R은 변환 후 영상의 화소 값

을 나타낸다

그림 3 공1차 보간법

R=(1-u)(1 -v)∙P xy+u(1-v)∙P x+1y+(1-u)v∙Pxy+1+uv∙Px+1y+1

(1)

cubic convolution은 그림 4 에서 보는 바와 같이 재배열하고자 하는 점의 주변

16개의 원 영상 화소 값으로부터 식(2)을 사용하여 보간 하는 방법이다 이 방법

은 최근린 보간법보다는 부드럽고 공1차 보간법보다는 선명한 영상을 얻는 반면에

시간이 많이 걸린다는 단점이 있다

R=(f(y 1)f(y 2)f(y 3)f(y 4))

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

P11 P12 P13 P14P21 P22 P23 P24P31 P32 P33 P34P41 P42 P43 P44

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳

f(x 1)f(x 2)f(x 3)f(x 4)

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳ (2)

여기서

f(x)=sinπxπx

x1=1+u y1=1+v

x2=u y2=v

x3=1-u y3=1-v

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

7

x4=2-u y4=2-v

그림 4 cubic convolution

이러한 영상 재배열 방법 중 본 연구에서는 공1차 보간법(Bi-linear

interpolation)을 사용하여 multi-spectral 영상을 texture 영상과 같은 해상도의

영상을 제작하였다

3 Texture 분석 방법

31 Semi-variogram의 Texture 분석 방법

위성영상의 texture들은 일정한 규칙성이 없고 복잡하기 때문에 semi

-variogram값을 이용하여 texture를 추출하였다 Semi-variogram은 원격탐사

영상 데이터에서 측정된 공간적 변이를 이용하며 정의는 일정한 거리에 있는 영

상 데이터들의 유사성을 나타내는 척도이다 식(3)과 같이 정의된다

2γ(h)=E[ ( z(x)-z(x+h) ) 2] (3)

식(3)에서 알 수 있듯이 variogram은 일정거리 h만큼 떨어진 두 화소간의 차이

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

8

를 제곱한 것의 기대 값이다 따라서 거리가 가까우면 그 값들이 비슷하므로

variogram은 거리가 멀어질수록 그 값이 크게 나타나는 일반적 경향이 있다 식

(3)에서의 h(lag)는 지연거리 또는 분리거리라 하면 두 화소 간에 떨어져있는

거리를 말하며 z(x)는 pixel의 밝기값(brightness value)이다 variogram의 반

에 해당하는 값이 semi-variogram이다 식(4)로 정의된다

r(h)=1

2

ꀌ

ꀘ

︳︳︳summ

i=1[z(x i)-z(x i+h)]

2

m

ꀍ

ꀙ

︳︳︳ (4)

위의 식의 m은 분리거리 h만큼 떨어진 화소들의 쌍의 개수이다 즉

m=n-h(Brivio and Zilioli 2001)로 화소들의 쌍의 개수를 구한다 그리고

variogram의 기하학적의 의미는 아래의 그림과 같다

그림 5 주어진 분리거리에서 variogram의 기하학적 의미

그림 5에서 주어진 분리거리 h에서 z(x)와 z(x+h)를 2차원 좌표축에 그리고

각각의 자료들의 기울기가 1인 y=x의 직선까지의 거리를 구하면 식(5)과 같

다 그리고 분리거리가 0이면 모든 데이터는 주어진 직선상에 존재하게 된다

d=|z(x i)-z(x i+h)|

2 (5)

식(5)식과 식(4)을 비교해 보면 각 데이터들이 y=x의 직선으로부터 떨어진 거

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

9

리의 제곱 평균값이 semi-variogram이 됨을 알 수 있다 따라서 variogram은

일정거리만큼 떨어져 있는 화소들이 평균적으로 얼마나 다른지를 나타낸다 분리

거리 h=0일 때는 모든 점들이 y=x 직선상에 있고 h가 증가할수록 상관관계가

감소하여 y=x 직선에서 멀어진다 이에 대한 정량적 척도가 variogram이다

표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍

위치 값 지연거리 1 지연거리 2 지연거리 k

x1 z1 z1 amp z2 z1 amp z3 z1 amp z1+k

x2 z2 z2 amp z3 z2 amp z4 z2 amp z2+k

x3 z3 z3 amp z4 z3 amp z5 z3 amp z3+k

xn-2 zn-2 zn-2 amp zn-1 zn-2 amp zn zn-k amp zn

xn-1 zn-1 zn-1 amp zn

xn zn

표 1 에서와 같이 주어진 데이터를 지연거리(lag)가 1인 semi-variogram를 구

하는 예를 들어보면 다음과 같다

γ(1)=1

2(m-1) [(z 1-z 2)2+(z 2-z 3)

2+(z 3-z 4)

2++(z n-1-z n)

2]

이와 같은 방법으로 semi-variogram값이 구해진다

본 논문에서는 영상에서 화소간의 유사성과 다양한 texture를 도출해내기 위

해서 여러 가지 의 탐색영역크기와 탐색방향과 분리거리가 이용되었다 그리고

이 요소들을 이용해서 영상을 제작하며 이 영상제작 방법은 한 탐색영역크기와

0deg 90deg의 탐색방향과 분리거리가 1에 대한 semi-variogram의 값들을 탐색

방향에 대해서 평균하여 얻어진 값을 탐색영역의 중앙에 할당하는 방식으로 영

상을 제작하였다 이렇게 제작된 영상은 다중분광영상에 추가적인 한 영상으로

분류에 사용하였다

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

10

32 Co-occurrence Matrix Texture 분석 방법

Texture는 작은 지역에서의 밝기 값은 변화를 나타낸다 그 밝기 값이 변화는

다소 규칙적이고 반복적이다 어떤 지역의 밝기 값의 변화를 측정하기위한 가장

간단한 방법이 편차이다 그리고 Fourier-transform에 의한 texture도 가능하

다 그러나 co-occurrence matrix의한 방법이 계산도 빠르고 규칙적인

texture을 가진 image을 제외하고는 더 좋은 결과가 나왔다(James 1987)

Co-occurrence matrix을 이용한 texture 측정은 1973년 Haralick에 의해 개

발되었다 grey level co-occurrence matrix(GLCM)은 다중분광 분류에 추가

적인 feature요소로서 종종 사용되어 왔다(Schowengerdt 1997)

그림 6 Co-occurrence matrix 상에서 화소간의 거리가

1인 밝기값 간의 관계(YZhang1999)

co-occurrence matrix는 region-based segmentation이며 co-

occurrence matrix의 차원(dimension)은 gray level의 수와 같다(eg

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

11

8bit=256) 공간적인 패턴(pattern)은 탐색영역의 중앙 화소에 나타난다

co-occurrence matrix의 원리는 그림 6과 같이 co-occurrence matrix 공간

상에서 탐색영역내의 밝기 값 간의 관계를 변환한 것이다 화소간의 거리가 1인

경우 그림 7에서 보여주듯이 co-occurrence matrix는 탐색방향에 영향을 많

이 받아서 화소 a와 b 사이 4개의 다른 인접 결합(0˚ 45˚ 90˚ 135˚)에

의해 생긴 4개의 matrix는 co-occurrence matrix 공간상에서의 영상이다 위

에서 설명했듯이 matrix는 row와 column은 영상의 표현 가능한 밝기 값과 연

관이 깊다 그리고 그림 7에서 보면 matrix의 대각방향으로 수치들이 높으면 분

석된 부분이 같은 texture들이 있다는 것을 나타낸다 co-occurrence matrix

의 계산은 어떤 방향에서 어떤 밝기 값 결합의 수로 제한되며 계산시간은 오래

걸리지 않으나 input image가 8bit인 경우 큰 메모리가 필요하다

Co-occurrence matrix를 이용해서 화소 간의 관계를 특징짓는 5개의

texture는 다음과 같다 Angular second monent(ASM)는 texture의 반복성을

나타내고 contrast(COM)는 co-occurrence matrix의 요소들이 matrix의 대

각부분에 얼마나 놓여있지 않은가를 측정하는 척도이며 entropy (ENT)는

texture의 복잡성의 척도이며 homogeneity(HOM)는 texture간의 동질성의 척

도이며 dissimilarity는 co-occurrence matrix의 요소들 간의 차이를 나타내는

척도이다 이러한 texture의 feature들은 아래와 같은 수식으로 표현이 된다

ASM=sumn-1

i=0sumn-1

j=0hc(ij)

2 (6)

CON= sumn-1

ij=0(i-j)

2timesh c(ij)

2 (7)

ENT= sumn-1

ij=0h c(ij)timeslog[h c(ij)] (8)

HOM= sumn-1

ij=0

1

1+(i-j)2 timesh c(ij) (9)

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

12

Dissimilarity= sumn-1

ij=0h c(ij)timesi-j (10)

위의 식 6은 angular second monent(ASM)를 나타내며 식 7은 contrast

(CON)를 나타내며 식 8은 entropy(ENT)를 나타내고 식 9은 homogeneity

(HOMO)를 나타내고 식 10은 dissimilarity(DIS)를 나타낸다 이 texture들의

특징들을 정확히 추출하기 위해서 다양한 탐색영역크기와 두 탐색 방향을 사용

하였다 그리고 이 요소들을 이용해서 texture 영상을 제작하였다 이 방법은 각

각의 texture에 대해서 화소 간의 거리를 1로 하고 탐색영역의 크기와 탐색 방

향을 0deg 90deg방향으로 texture을 구하고 구한 texture값을 각각의 탐색방향(

0deg 90deg)에 대해서 평균한 값을 탐색영역의 중앙화소 할당하여 texture 영상

을 제작하였다

4 영상 분류 방법

41 영상분류의 정의

영상 분류는 분류 대상별 각 밴드의 반사특성에 입각한 영상의 분류와 팬턴

인식으로 나누어 볼 수 있다 대상별 각 밴드의 반사특성에 입각한 영상의 분류

는 각 물체가 밴드별로 상이한 반사특성을 갖는 것을 이용하여 영상 내 모든 화

소를 지상 표면의 계급 혹은 주제 별로 자동적으로 유형화시키는 것을 말한다

42 영상 분류 기법 - 감독 분류

분류 절차는 먼저 training 데이터를 선정하는 단계와 분류 단계로 구분한다

먼저 training 데이터 선정 작업은 디스플레이 모니터 상에서 식별할 수 있는 화

소들이나 항공사진 지도 또는 지상데이터로서 확신할 수 있는 화소들을 각 분류

항목별로 샘플링하게 된다 먼저 영상에서 분류하고자 하는 각 대상물의 밴드별

반사특성에 관한 통계자료(spectral key)를 수집하고 맑은 물과 오염하천과 같

이 분류대상물의 반사특성에 큰 변이가 있을 경우에는 조사가 필요하다 그 다음

으로 영상 내에서 분류하고자 하는 대상물이 비교적 넓게 존재하는 동질적인 지

역을 선정하여 밴드별 막대그래프를 분석하고 그 결과 이질적인 요소가 포함된

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

13

것이 확인되면 training 데이터에서 제외하여야 한다 이처럼 자료 선정 단계에

서는 분류자와 영상간의 긴밀한 상호작용이 필요하며 참고자료 및 분류대상지역

에 대한 해박한 지식이 필요하다 본 연구에서는 training 데이터를 칼라 합성영

성에서 region growing 방법으로 침엽수 활엽수 나지 초지 농경지 콘크리트

도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 11개 항목으로 선정을

했으며 최종적인 분류 단계는 영상내 각 화소에 대해 training 데이터 중 어느

물체 혹은 지표와 가장 유사한지를 판별하여 자동적으로 유형화시키는 과정이다

유형화 시키는 과정은 최대우도법(Maximum likelihood method)을 이용하여

감독 분류를 사용하였다 최대우도법(Maximum likelihood method)는 확률에

기초를 둔 방식으로 정확도와 활용도가 높은 방법으로 평가되고 있으나 분류에

잘 이용되는 수학적 방법으로 데이터가 정규분포에 따라야 하며 분류항목에 대

한 평균값 분산 공분산 행렬에 대한 역행렬이 존재해야 한다 training 데이터

에서 확률 정보를 얻기 위해서는 첫째로 확률밀도함수로 계산한다 영상의 하나

의 band에서 하나의 분류 항목을 설명하기 위해서 그림 7 에서와 같이 class a

대한 가상 히스토그램을 고려한다면(그림 7 왼쪽) 좀 더 부드러운 솔루션

(solution)는 정규 확률밀도함수에 의한 근사화하는 것이며 곡선은 히스토그램

위에 덮어져 있다(그림 7 오른쪽의 곡선) 아래의 식에 의해 단일 영상에 대한

확률 구해진다

p(x|wi)=1

(2π)

12σ i

exp[-05(x-μ i)

2

σ2i] (11)

위의 식을 이용해서 class wi의 확률을 계산하다

수식에서

exp[]= e(자연로그)에 제곱

x= x축에서 밝기 값

μi= class의 평균

σ2i= class의 분산

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

14

그림 7 왼쪽은 Band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률 밀도함수에

의한 근사 데이터 분포

그림 8 Maximum likelihood classification 결정 방법(PagtPb)

최대우도법(Maximum likelihood method)은 그림 8 에서 보면 미지

(unknown)의 화소가 어떤 하나의 집단으로 할당되는 것이며 이것은 집단의 중

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

15

심으로부터 미지의 화소까지의 거리가 아니라 타원의 상대적인 축의 차원과 방

향성에 의해 좌우된다

위의 그림 9 에서 보여주듯이 class b의 확률 값(Pb)보다 class a의 확률 값

(Pa)이 높으므로 미지의 X값은 class a에 값이 할당된다 분류의 결정은 표본의

자료로부터 얻어낸 각 집단의 특성으로부터 확률을 구하고 이것에 의해 각 화소

들을 분류함으로써 이루어진다 즉 각 집단에 대한 확률을 구한 다음 각 화소들

을 가장 높은 확률 값을 갖는 집단으로 할당하는 것이다 이 방법은 수학적인 기

초가 확립되므로 지상 검증자료가 있다면 쉽게 이용할 수 있는 방법으로 많은

변수를 고려하기 때문에 정확도가 상당히 높다 그러나 자료에 대한 정규 분포가

따르지 않으면 적용하기 어려움이 있고 분류정확도가 낮아지고 검증자료 수집에

많은 어려움이 있고 화소에 대해서만 분류를 시행하므로 분류 시간이 상당히 많

이 걸리는 단점을 가지고 있다 최대우도법은 각 클래스를 위한 평균벡터와 밴드

의 클래스의 공분산 행렬을 이용하여 결정 법칙을 미지의 평균벡터에 적용하게

된다(Swain and Davis 1978) 최대우도법을 적용하기 위해 측정벡터 평균 벡

터 공분산을 구해야 하면 구하는 방법은 아래의 식과 같다

X=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

BVij1BVij2BVij3BVij4∙∙

BVijk

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(12)

위의 식에서

X= 관측 벡터

BV ijk= k밴드의 i j 번째 픽셀의 밝기 값

Mc=ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

μ c1μ c2μ c3μ c4∙∙μ ck

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳︳

(13)

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

16

위의 식에서

Mc= k밴드(band)에서의 c 클래스에 대해 얻어진 데이터의 평균 밝기

값

초기의 관측 벡터는 각 클래스에 대한 공분산 행렬을 구하기 위해 아래와 식처

럼 나타낼 수 있다

Vc=Vckl=

ꀎ

ꀚ

︳︳︳︳︳︳︳︳︳︳︳︳︳

ꀏ

ꀛ

︳︳︳︳︳︳︳︳︳︳︳︳︳

Cov c11 Cov c12 Cov c13 ∙Cov c1nCov c21 Cov c22 Cov c23 ∙ Cov c2n∙ ∙ ∙ ∙ ∙∙ ∙ ∙ ∙ ∙Cov cn1 Cov cn2 Cov cn3 ∙ Cov cnn

(14)

위의 식에서

Cov ckl= k 밴드(band)간 클래스의 공분산

여러 밴드(band)에 training 데이터가 있는 경우에는 n-차원 정규 밀도 함수를

이용한다(Swain and Davis 1978) 그 식은 아래와 같다

p(X|wi)=1

(2π)

12|Vi|

12

exp[-05(X-Mi)TV-1(X-Mi)] (15)

위의 식에서

exp[]= e2

|Vi|= covariance matirx

V-1i = covariance matrix의 inverse matrix

Mi= 각각의 class에 대한 평균

(X-M i)T= (X-Mi)의 transpose

위의 식을 이용하여 각 픽셀들을 확률을 구하고 각 픽셀들을 분류하여 설정한

클래스 항목에 픽셀 값을 할당한다 이러한 방법으로 다중분광영상만을 이용하여

분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진 angular second

moment를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

17

contrast를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

entropy를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구해진

homogeneity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별로 구

해진 dissimilarity를 추가하여 분류하는 방법과 다중분광영상에 탐색영역크기별

로 구해진 semi -variogram의 texture을 추가하여 분류하는 방법으로 총 7개

의 분류방법으로 분류를 수행하였다

43 분류 영상의 정확도 검증 방법

원격탐사를 이용하여 작성된 토지 이용도나 토지 피복도 등은 지형자료의 가

치를 지니기 위해서는 분류 결과의 정확도의 검증이 있어야 하며 분류 정확도를

평가하는 방법이 있어야 하는데 이러한 원격탐사 자료의 분류 결과를 객관적으

로 정확하게 평하는 기법으로 Error Matrix를 주로 이용하고 있다 분류 정확도

를 평가하기 위한 방법으로 두 가지 방법이 있다 첫째는 원격탐사 데이터 즉 영

상의 분류를 통해 얻어진 결과와 세밀한 지형도 토양도 지질도 GPS를 이용한

형장 실측 자료 또는 항공사진을 이용하여 작성된 자료와 비교하여 정확도 분석

하는 방법이다 두 번째는 Error Matrix을 이용하여 전체 정확도(overall

accuracy)와 제작자 정확도(producers accuracy)와 사용자 정확도(users

accuracy)만을 제시했던 초기 단계에서 정규화 작업을 거쳐서 Kappa 계수로 정

확도를 평가한다 본 연구에서는 참조 자료를 얻기 위해 칼라합성영상에서 화소

들의 특성을 고려해서 화소 하나씩 분류항목에 대한 참조 자료로 선정하였다

Error Matrix는 참조 자료와 분류한 영상을 pixel by pixel 비교하는 것으로 분

류결과가 적합한지 부적합한지를 Error Matrix의 각각의 요소에 나타난다 그리

고 Error Matrix을 이용하여 필요한 정확도를 구하며 이를 통해 구할 수 있는

정확도는 전체 정확도(overall accuracy)와 Kappa 계수에 의한 정확도가 있다

전체정확도(overall accuracy)는 정확하게 분류된 화소 수들을 검정지역 전체에

대한 화소 수로 나눠주어 구해지며 정확하게 분류된 결과들만을 사용하여 정확

도를 나타내므로 매우 대략적인 정확도가 된다 반면에 Kappa 계수 값은 정확하

게 분류된 결과뿐만 아니라 분류 오류들도 고려하여 정확도를 계산하기 때문에

전체 정확도(overall accuracy)보다 훨씬 정확한 정확도를 나타내는 기준이 된

다 Fung(1988)에 의하면 Kappa 계수 값은 Matrix 내의 모든 원소들을 사용

하므로 분류의 과대추정(commission)과 과소추정(omission)을 모두 설명하는

정확도라고 정의 하였다

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

18

431 전체 정확도(overall accuracy)

전체 정확도(overall accuracy)는 정확하게 분류된 총 화소 수를 화소의 전체

개수로 나누어 계산한 것으로 각각의 분류 항목의 정확도와는 관계없이 전체 클

래스의 정확도를 판단하는 기준이 된다 그러나 표본수가 큰 항목으로 치우칠 우

려가 있다 (Fung and LeDerw 1988) 식은 아래와 같다

전체정확도=sumr

i=1Xii

N (16)

위의 식에서

r= Error Matrix의 행과 열의 수

Xii= 올바르게 분류된 화소의 수

N= 화소의 총 개수

432 제작자 정확도(producers accuracy)

제작자 정확도(producers accuracy)는 각 항목에 대해 정확하게 분류된 화

소의 개수를 그 항목으로 분류된 참조자료의 화소의 전체 개수로 나누어 계산

한 값이다 이 값은 누락오차(omission error)에 대한 측정치이며

(Congalton1991) 그 항목으로 분류된 픽셀들이 실제로 참조자료와 얼마나 일

치하는지를 보여준다 식은 아래와 같다

제작자오차= X ii

X +1

(17)

위의 식에서

X+1= Error Matrix에서 i 번째 행의 화소의 합

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

19

433 사용자 정확도(users accuracy)

사용자 정확도(users accuracy)는 각 항목에 대해 정확하게 분류된 픽셀의

개수를 그 항목으로 분류된 픽셀의 전체 개수로 나누어 계산한 값이다 이 값은

허용오차(commission error)에 대한 측정치이며 그 항목으로 분류된 화소가

실제로 그 항목과 동일하게 분류될 가능성을 알려준다

사용자정확도= X ii

X i+

(18)

위의 식에서

Xi+= Error Matrix에서 i 번째 열의 화소의 합

434 Kappa 계수

Error Matrix에서 대각선 요소들에 의해 나타나는 실제적 일치(actual

agreement)에서 Error Matrix에서 행과 열에서 나타나는 우연의 일치(chance

agreement)를 뺀 값으로 Error Matrix에서 모든 픽셀에 적용되며 또한 누락오

차(commission error)와 허용오차(omission error)들을 고려한 값이다

(Cohen 1960) Kappa 계수의 계산식은 아래와 같다

K=

Nsumn

i=1x ii-sum

n

i=1(x i+timesx+i)

N2-sum

n

i=1(x i+timesx+i)

(19)

위의 식에서

N= 관찰된 픽셀의 총 개수

n= Error Matrix에서 행의 수

xii= 행 i 와 열 i 번째의 관찰된 개수

xi+= 행 i 번째 한계 총 개수

x+i= 열 i 번째 한계 총 개수

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

20

위의 식을 정확도로 표현을 한다면 아래와 같다

K=

1

Nsumn

i=1x ii-

1

N2 sumn

i=1(x i+timesx+i)

1-1

N2 sumn

i=1(x i+timesx+i)

=P 0-Pe

1-Pe (20)

위의 식에서

P0= 일치된 픽셀 개수(전체 정확도)

Pe= 일어날 수 있는 일치된 픽셀 개수

이렇게 정의된 Kappa 계수는 통계적인 의미에서 전체 정밀도로부터 한계분포를

이용하여 계산되는 우연의 일치(chance agreement)에 의한 효과를 제거한 결

과로 나타나게 되며 분산 행렬로 표현되는 분류의 결과가 완전히 우연으로 인한

결과일 경우에는 0 의 값을 가지게 된다 양의 Kappa 계수는 기대된 일치보다

클 경우에만 가능하다 실제 일치성(actual agreement)이 1에 접근하고 가능

일치성(chance agreement)이 0에 접근하면 K는 1로 접근하다

표 2 Kappa 통계 값에 대한 분류 정도

Kappa Quality Kappa Quality

lt000 Worst 040~060 Good

000~020 Poor 060~080 Very good

020~040 Reasonable 080 Excellent

이러한 경우는 아주 이상적인 경우로 볼 수 있으며 실제로 Kappa 계수의 범위

는 일반적으로 0 ~ 1 사이에 있다 전체 정확도(overall accuracy)인 경우에는

단순히 Error Matrix의 대각 요소만을 이용하여 계산하게 되므로 주변분포 즉

누락오차를 고려할 수 없으나 Kappa 계수의 경우는 Error Matrix의 주변 분포

를 이용하여 계산되어지는 값이므로 행렬의 대각선 요소가 아닌 요소들도 고려

하게 되며 따라서 이러한 내부 오차 및 내부 오차의 영향에 대한 정보를 포함하

게 된다 그러므로 우연으로 인한 결과를 포함하고 있는 전체 정확도보다는

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

21

Kappa 계수의 경우가 분류 정확도를 표현하는 방법으로 적당하다

본 연구에서는 토지피복에 대한 참조자료를 칼라합성영상에서 총 3523개를

얻었으며 이 참조자료를 분류된 분류영상과 비교하여 error matrix를 조성하였

다 이 조성된 error matrix을 이용해서 다중분광영상만을 이용한 분류정확도

즉 전체 정확도와 사용자 정확도 제작자 정확도 Kappa 계수를 구하여 분류정

확도 검증을 하였으며 이와 같은 방법으로 다중분광영상에 semi-variogram의

texture 정보를 추가하여 얻어낸 분류결과와 다중분광영상에 co-occurrence

matrix의 texture 정보를 추가하여 얻어낸 분류결과에서 분류정확도(전체 정확

도와 사용자 정확도 제작자 정확도 Kappa 계수)를 검증하였다

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

22

5 실험 결과 분석

51 실험영상

고해상도 위성인 IKONOS 위성에서 2001년 11 21일에 획득된 영상이며 영

상획득 지역은 대전지역이며 Panchromatic 영상의 공간해상도는 1m이고 그림

그림 9 Panchromatic 영상

그림 10 Blue 밴드

그림 11 Green 밴드

그림 12 Red 밴드

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

23

그림 13 근적외선 밴드

9 과 같으며 영상의 크기는 1600times1600이고 다중분광영상의 공간해상도는 4m

이며 그림 10 그림 11 그림 12 그림 13이며 다중분광영상의 크기는

400times400인 영상을 사용하였다

52 IKONOS 위성영상의 분광특성

본 연구에서 토지피복 분류정확도 향상 연구를 위해 사용한 IKONOS-2 위성

영상은 미국의 SpaceImaging사에 의해 1999년 12월 발사에 성공한 최초의

상업용 고해상도 위성영상으로서 최고 082m의 지상해상도를 갖는

Panchromatic 영상과 32m의 지상해상도를 갖는 4개 밴드의 다중분광 영상을

제공하고 있다 각각의 밴드영상은 11bit의 방사해상도를 갖도록 설계되었으며

각 밴드의 분광학적 특징은 표 3 와 그림 14 에 나타낸 바와 같다

표 3 IKONOS-2 위성영상의 분광학적 특성

Band

IKONOS Spectral Band Characteristics IKONOS SNRMTF at Nyquist

Lower 50 (nm)

Upper 50 (nm)

Bandwidth(nm)

Center(nm)

Signal(DN)

Noise(DN)

SNR

Pan 5258 9285 4027 7271 9468 355 889 0170

Blue 4447 5160 713 4803 14060 500 937 0226

Green 5064 5950 886 5507 19330 450 1432 0284

Red 6319 6977 658 6648 13950 450 1034 0290

Near IR 7573 8527 954 8050 7514 375 668 0277

Mark K Cook IKONOS Technical Performance Assessment SpaceImaging 2001

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

24

(a) Panchromatic 밴드

(b) Multi-spectral Band

그림 14 각 밴드의 상대적인 분광학적 반응도

그림 15 도시 피복물의 분광 복사계에 의한 반사특성

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

25

위의 그림 15에서 같이 위성영상을 이용하여 토지피복을 분류할 때에는 다중분

광 위성영상을 이용하며 각 밴드별 화소 값을 이용하고 탐사 대상물체가 반사하

는 파장대별 전자파에너지의 크기에 의해 나타나며 공간적 질감 화소간의 근접

도 물체의 크기 형태 방향성 반복성 등을 고려한다 활성도 높은 초지와 활성

도 낮은 초지 슬레이트 지붕 콘크리트 벽돌 아스팔트 이탄지역 아스팔트 자

갈에 대한 파장대별 반사특성을 보여주고 있다

53 Texture 분석 결과

531 Co-occurrence matrix의 texture 분석결과

영상의 밝기값 단계를 64단계로 하여 co-occurrence matrix을 조성하여

Angular second moment Contrast Dissimilarity Entropy Homogeneity에

대해서 탐색영역크기(55 99 1313 1717 2121 2525 2929)따라 영

상을 제작한 결과 texture들이 탐색영역의 크기에 많은 영향을 받았다

그림 16 Angular second moment(55)

영상

그림 17 Angular second moment

(1717) 영상

그림 18 Angular second moment

(2929) 영상

그림 16과 그림 17과 그림 18 는 Angular second moment의 texture 영상

들이며 이 영상들을 보면 탐색영역 크기에 따라 texture들이 변화하는 것을 알

수 있으며 그림 16은 texture들이 세부화 되어있으며 탐색영역의 크기가 커진

그림 18에서는 texture들 중 형체를 알아볼 수가 없는 texture가 존재하였다

Contrast에 관한 texture는 그림 19 그림 20 그림 21이다 Angular second

moment처럼 탐색영역크기에 클수록 분류항목에 대한 texture들이 분명해지면

서 어느 한계에서 texture들의 형체를 알아볼 수 없는 현상이 일어났다

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

26

그림 19 Contrast( 5 5) 영상

그림 20 Contrast(1717) 영상

그림 21 Contrast(2929) 영상

그림 22 Dissimilarity( 5 5)

영상

그림 23 Dissimilarity(1717)

영상

그림 24 Dissimilarity(2929)

영상

그림 25 Entropy( 5 5) 영상

그림 26 Entropy(1717) 영상

그림 27 Entropy(2929) 영상

그림 28 Homogeneity( 5 5)영상

그림 29 Homogeneity(1717)영상

그림 30 Homogeneity(2929)영상

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

27

Dissimilarity는 그림 22 그림 23 그림 24에서 보듯이 탐색영역의 크기가

(2929)에서 명확한 texture정보가 추출이 되었으며 그림 25 그림 26 그림

27 그림 28 그림 29 그림 30은 entropy와 homogeneity를 나타내고 있으며

다른 texture들과 같이 탐색영역의 크기가 작을 때는 texture가 세분화되고 클

때는 작은 texture들은 형체를 알 수 없게 되고 큰 texture들은 하나의 덩어리

도 잘 결합되는 현상이 일어났다 그러나 이 두 texture의 영상들은

dissimilarity의 (2929)의 영상과 달리 (2929)의 탐색영역크기에서 texture

들의 형체를 알아볼 수 없는 현상이 일어났다

532 Semi-variogram의 texture 분석결과

Semi-variogram의 texture는 분리거리에 texture 상관거리에 대한

texture 문턱 값에 대한 texture 등으로 구분이 되는데 본 논문은 분리거리 1

에 대한 semi-variogram 값에 대해서 texture를 분석을 했다 이 texture들도

탐색영역의 크기에 영향을 많이 받으며 탐색영역의 크기는 (55 99 1313

1717 2121 2525 2929)에 대해서 분석을 했다 분석영상은 그림 31 그

림 32 그림33과 같다

그림 31 Semi-variogram( 5 5)

영상

그림 32 Semi-variogram(1717)

영상

그림 33 Semi-variogram(2929)

영상

semi-variogram에 대한 texture는 그림 31처럼 탐색영역크기가 (55)영상에

서보다 그림 32의 (1717)영상에서 분류항목에 대한 texture들이 더 명확해졌

으며 그림 33의 (2929)영상에서는 전체적으로 스무딩(smoothing) 현상이 일

어났다

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

28

54 분류정확도 검증 결과

541 분류에 관한 분류정확도 분석결과

표 4와 그림 34와 그림 35을 보면 표4는 IKONOS 고해상도 위성 영상의 다

중분광 영상(Blue 밴드 Green 밴드 Red 밴드 근적외선 밴드)을 이용한 분류

정확도와 다중분광영상에 총 42개의 texture를 추가한 분류정확도를 보여주고

있다 각각의 분류정확도에 대해서 표 4에서 비교한 결과는 texture를 추가한

분류가 분류정확도가 향상된 결과를 얻었다 그러나 다중분광영상만을 이용한 분

류영상(그림 34)과 다중분광영상에 texture 정보를 추가한 분류 중에서 각각의

texture의 탐색영역크기에 가장 높은 분류정확도를 보이는 영상(그림 35)을 비

교 분석하면 그림 34의 전체 정확도와 Kappa 계수는 9005와 08875 결과를

얻었다 그리고 그림 35의 전체 정확도와 Kappa 계수는 (a)의 경우는 9424

와 09345이고 (b)의 경우는 9276와 09178이고 (c)의 경우는 9468와

09394이고 (d)의 경우는 9428와 09350이고 (e)의 경우는 9496와

09426이고 (f)의 경우는 9323와 09231이다 그리고 다중분광특성만을 이

용한 분류정확도(Kappa 계수)에 대한 texture 정보를 추가한 분류의 분류 정확

도(Kappa 계수)의 향상정도는 (a)의 경우는 0047 향상되었고 (b)의 경우는

00303 향상되었으며 (c)의 경우는 00519 향상되었고 (d)의 경우는 00475

향상되었고 (e)의 경우는 00551향상되었으며 (f)의 경우는 00356 향상이 되

었다 그리고 대체로 탐색영역크기가 (1313) (1717) (2929)인 texture를

추가한 분류 영상이 분류정확도가 높게 나왔다

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

29

표 4 분류 정확도

제작자 정확도체

정확도Kappa

침엽수 활엽수 나지 지 농경지 도로(C) 도로(A)비닐

하우스철도 그림자 건물

RGBN 9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140 9005 08875

ASM

55 9876 9840 9176 9043 9712 9023 9351 9889 9319 9812 7934 9324 09232

99 9874 9895 9341 9006 9704 9355 9301 9882 9348 9843 8222 9384 09299

1313 9858 9920 9364 8983 9688 9424 9298 9832 9277 9896 8468 9424 09345

1717 9854 9927 9317 8964 9678 9512 9280 9832 9236 9900 8437 9412 09331

2121 9862 9905 8555 9041 9628 9463 9275 9923 9241 9876 7658 9250 09149

2525 9840 9877 9115 9111 9668 9189 9282 9829 9257 9872 6711 9099 08980

2929 9837 9882 9167 9128 9695 9121 9210 9892 9231 9868 7270 9196 09089

CON

55 9887 9882 9331 9120 9698 8545 9065 9872 9264 9797 7134 9154 09042

99 9898 9880 9148 9221 9666 8828 9314 9913 9241 9781 7456 9238 09135

1313 9902 9890 9073 9221 9639 8994 9319 9913 9228 9789 7681 9276 09178

1717 9893 9880 9148 9192 9625 9160 9347 9909 9197 9783 7283 9204 09098

2121 9887 9877 9167 9161 9617 9268 9328 9913 9168 9778 6847 9121 09005

2525 9890 9880 9157 9155 9605 9277 9328 9919 9142 9789 6661 9087 08967

2929 9896 9875 9138 9169 9608 9219 9328 9926 9098 9795 6581 9073 08951

DIS

55 9863 9885 9383 9070 9690 8691 9153 9859 9342 9792 7321 9194 09086

99 9854 9902 9449 9033 9702 9307 9205 9819 9387 9770 7572 9250 09150

1313 9862 9907 9543 9003 9668 9316 9261 9832 9376 9777 8054 9339 09250

1717 9881 9920 9557 8935 9625 9316 9283 9839 9363 9828 8348 9393 09310

2121 9897 9920 9576 8906 9630 9277 9316 9839 9368 9822 8691 9458 09383

2525 9912 9917 9586 8912 9624 9287 9335 9872 9350 9818 8820 9485 09413

2929 9913 9920 9501 8902 9626 9326 9358 9876 9374 9813 8877 9496 09426

ENT

55 9875 9880 9360 9039 9698 9121 9335 9892 9342 9808 7847 9315 09222

99 9862 9915 9595 9020 9669 9463 9322 9869 9371 9820 8260 9394 09312

1313 9858 9927 9576 8975 9650 9521 9315 9829 9332 9841 8685 9462 09387

1717 9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749 9468 09394

2121 9891 9907 8578 9088 9694 9355 9302 9923 9288 9828 8040 9334 09242

2525 9901 9902 9228 9118 9680 9170 9102 9903 9272 9833 6449 9051 08927

2929 9910 9867 9331 9111 9712 9063 9164 9919 9189 9839 6795 9121 09004

HOMO

55 9866 9890 9393 9095 9710 8896 9295 9886 9322 9811 7373 9229 09126

99 9851 9902 9444 9049 9725 9346 9343 9882 9371 9812 7886 9331 09241

1313 9854 9915 9553 9043 9713 9395 9360 9856 9379 9817 8118 9377 09292

1717 9863 9917 9539 8977 9685 9404 9367 9842 9363 9832 8445 9428 09350

2121 9889 9900 8588 9109 9710 9150 9374 9899 9332 9802 7614 9264 09164

2525 9894 9900 9237 9109 9678 9189 9189 9889 9337 9822 7116 9177 09067

2929 9894 9875 9331 9080 9694 9229 9157 9916 9137 9828 6936 9135 09021

SV

55 9869 9865 9374 8925 9682 8633 8874 9882 9389 9736 7062 9103 08984

99 9878 9887 9388 8929 9647 9219 8850 9785 9449 9754 7383 9166 09055

1313 9907 9895 9449 8923 9645 9346 8779 9731 9423 9722 7588 9195 09087

1717 9921 9915 9633 8865 9608 9277 8938 9728 9394 9759 7698 9233 09130

2121 9925 9922 9685 8925 9610 9248 8993 9856 9387 9785 7803 9272 09174

2525 9929 9920 9623 8956 9585 9268 9000 9906 9407 9775 7958 9300 09205

2929 9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126 9323 09231

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

30

그림 34 다중분광영상만을 이용한 분류영상

(a) Angular second moment(1313) 분류영상

(b) Contrast(1313) 분류영상

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

31

(c) Entropy(1717) 분류영상

(d) Homogeneity(1717) 분류영상

(e) Dissimilarity(2929) 분류영상

(f) Semi-variogram(2929) 분류영상

그림 35 Texture에 대한 분류정확도가 높은 분류영상들

542 토지 피복에 따른 분류정확도 분석결과

지표 피복이 11개 항목으로 구분하였으며 분류 항목은 침엽수 활엽수 나지 초

지 농경지 콘크리트 도로 아스팔트 도로 비닐하우스 철도 그림자 건물로 분

류하였다 각각의 항목에 대한 분류정확도는 표 4와 아래의 그래프에서 보여주고

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

32

있다

RGBN는 IKONOS 영상의 다중분광특성만을 이용한 분류 정확도를 나타내는

것이며 ASM은 영상의 다중분광특성에 Angular Second Moment를 추가한 분

류정확도이며 CON은 다중분광특성에 Contrast를 추가한 분류정확도이고 DIS

는 다중분광특성에 Dissimilarity를 추가한 분류정확도이고 ENT는 다중분광특

성에 Entropy를 추가한 분류정확도이며 HOMO는 다중분광특성에 Homo-

geneity를 추가한 분류정확도이고 SV는 다중분광특성에 semi-variogram를 추

가한 분류정확도를 나타내는 기호이며 아래의 그림들은 RGBN의 분류정확도와

각각의 texture들을 추가하여 분류한 분류정확도를 비교한 그래프이다

그림 36은 침엽수에 대한 분류정확도를 나타내는 것이다 SV(2121)와

DIS(2525)와 ENT(2525)부터 분류정확도가 RGBN보다 향상되기 시작했으

며 나머지 texture에서는 탐색영역크기에 따른 분류정확도가 RGBN보다 저하되

는 현상이 일어났다 특히 SV의 (2929)에서 분류정확도가 RGBN보다 032

로 가장 많이 향상되었다 그림 37은 활엽수에 대한 분류정확도를 나타내는 그

림이며 그림 37에서 보여주듯이 탐색영역크기가 (55)인 SV와 ASM를 제외하

고는 모든 texture에서 분류정확도가 RGBN보다 향상된 결과를 보여주고 있으

며 ASM(1717)에서 RGBN보다 05로 가장 높은 분류정확도의 향상을 보여

주었다 그림 38는 나지에 대한 분류정확도를 나타내는 그림이며 (55)인 CON

와 (1717)인 ASM와 (99)인 ENT와 (1313)인 HOMO부터 분류정확도가

RGBN보다 저하되는 현상이 발생하기 시작하였다 (2121)인 SV에서 분류정확

도가 모든 경우에서 가장 많이 향상된 결과를 보여주고 있으며 향상정도는

594이다 그리고 그림 39은 초지에 대한 분류정확도를 나타내는 그림이며 대

부분의 texture에서 RGBN보다 분류정확도가 저하되는 현상이 일어났다 그러나

그림 36 침엽수에 대한 제작도 정확도

침엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림37 활엽수에 대한 제작자 정확도

활엽수

9820

9840

9860

9880

9900

9920

9940

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

33

그림 38 나지에 대한 제작자 정확도

나지

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 39 초지에 대한 제작자 정확도

초지

8800

8900

9000

9100

9200

9300

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 40 농경지에 대한 제작자 정확도

농경지

9550

9600

9650

9700

9750

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 41 콘크리트 도로에 대한 제작자 정확도

도로(콘크리트)

8400

8600

8800

9000

9200

9400

9600

9800

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 42 아스팔트 도로에 대한 제작자 정확도

도로(아스팔트)

8700

8800

8900

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 43 비닐하우스에 대한 제작자 정확도

비닐하우스

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

34

그림 44 철도에 대한 제작자 정확도

철도

9000

9100

9200

9300

9400

9500

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 45 그림자에 대한 제작자 정확도

그림자

9700

9750

9800

9850

9900

9950

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

그림 46 건물에 대한 제작자 정확도

건물

6000

6500

7000

7500

8000

8500

9000

55 39 1313 1717 2121 2525 2929

탐색영역크기

제작

자정

확도

ASM

CON

DIS

ENT

HOMO

SV

RGBN

CON의 경우는 모든 탐색영역에 대해서 RGBN보다 향상된 결과를 보여주고 있

고 특히 CON의 (99)에서 104로 가장 높게 향상된 결과를 보여주고 있다

이런 현상은 영상의 촬영시기가 겨울이여서 초지와 농경지와 나지에 대한 구분

이 명확하지 않기 때문이라고 판단이 된다 그림 40은 농경지에 대한 분류정확

도를 나타내며 거의 모든 texture에서 정확도가 RGBN보다 저하되는 현상이 일

어났으며 특히 (99)의 HOMO에서 소폭으로 향상이 되었으며 그 향상 정도는

015이다 그림 41는 콘크리트에 대한 분류정확도를 나타내는 그림이며

(55)인 CON SV DIS을 제외하고는 모든 탐색영역크기의 texture에서 분류정

확도가 향상이 되었으며 특히 (1717)의 ENT에서 761 향상이 된 결과를

보여주고 있다 그림 42과 그림 43는 아스팔트 도로와 비닐하우스에 대한 분류

정확도를 나타내는 그림이며 아스팔트 도로는 HOMO(2121)에서 비닐하우스

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

35

는 CON에서 분류정확도가 소폭으로 향상된 결과를 보여주고 그림 44와 그림

45은 철도와 그림자에 대한 분류정확도를 보여주고 있다 철도는 SV(99)에서

그림자는 ASM(1717)에서 분류정확도가 미미하게 향상된 결과를 보여주고 있

다 그리고 그림 46을 건물에 대한 분류정확도를 나타내며 모든 texture에서

향상된 결과를 보여주고 있고 특히 DIS(2929)에서 2737향상된 결과를 보

여준다

분류정확도가 다른 토지피복들에 비해 많이 향상된 나지와 콘크리트 도로와

건물에 대한 error matrix의 분석에 의한 분류정도는 다음과 같다 표 5와 표 6

와 그림 47을 보면 그림 47의 (a)에서 나지에 대한 분광특성으로 인해 건물주

변의 나지에서 나지가 건물이나 초지로 오분류되는 현상이 일어났으나 여러 가

지의 탐색영역크기와 texture들 중에 Semi-vairogram(2121)을 추가하여 분

류(그림 47-b)를 수행하였더니 이런 오분류 현상이 감소하고 분류정확도가

594향상된 결과를 보여주었다 그리고 표 5와 표 7와 그림 48을 보면 그림

48의 (a)에서 일부 콘크리트 도로가 농경지 나지 건물로 오분류되는 현상이 일

어났으나 여러 가지의 탐색영역크기와 texture들 중에 Entropy(1717)을 추가

하여 분류를 수행하였더니 이런 오분류되는 현상을 가장 많이 감소시켰으며 분

류정확도가 761로 향상되었다 그리고 표 5와 표 8과 그림 49을 보면 건물에

표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 621 0 0 0 0 0 0 0 0 7 0 628 9889

활 엽 수 2 198 0 0 0 0 0 0 0 0 0 200 9949

나 지 0 0 94 0 0 2 0 0 0 0 122 218 4364

지 0 3 5 235 9 0 0 0 0 0 8 260 9109

농 경 지 0 0 0 21 484 1 0 0 0 0 0 506 9565

도로 ( C ) 0 0 0 0 3 44 6 0 2 0 87 142 3099

도로 ( A ) 0 0 0 0 0 0 333 2 8 0 3 345 9652

비 닐 하 우 스 0 0 0 0 0 0 3 146 1 0 17 168 8750

철 도 0 0 0 0 2 0 12 0 177 0 0 191 9267

그 림 자 5 0 0 0 0 0 0 0 0 470 0 475 9916

건 물 0 0 5 0 0 2 1 0 0 0 382 390 9820

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9897 9877 9091 9117 9710 8770 9308 9892 9244 9809 6140

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

36

표 6 IKONOS의 영상의 다중분광특성에 Semi-variogrma(2121)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지 도로 ( C )도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 8 0 631 9873

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 101 3 0 0 0 0 0 0 25 129 7846

지 0 2 2 229 11 0 0 0 0 0 4 248 9312

농 경 지 0 0 0 23 480 0 0 0 0 0 0 503 9542

도로 ( C ) 0 0 0 0 5 46 6 0 3 0 92 152 3072

도로 ( A ) 0 0 0 0 0 0 322 1 5 0 3 331 9728

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 10 159 9182

철 도 0 0 0 0 2 0 20 0 180 0 0 202 8867

그 림 자 3 0 0 0 0 0 0 0 0 469 1 473 9936

건 물 0 0 1 0 0 3 4 1 0 0 484 493 9818

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9925 9922 9635 8925 9610 9248 8993 9856 9387 9785 7803

표 7 IKONOS의 영상의 다중분광특성에 Entropy(1717)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 620 0 0 0 0 0 0 0 0 6 0 626 9904

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9851

나 지 0 0 100 1 0 0 0 0 0 0 15 116 8632

지 0 2 1 231 10 0 0 0 0 0 5 249 9317

농 경 지 0 0 0 23 481 0 0 0 0 0 0 504 9543

도로 ( C ) 0 0 0 0 5 47 5 0 3 0 43 103 4571

도로 ( A ) 0 0 0 0 0 0 333 0 7 0 3 343 9680

비 닐 하 우 스 0 0 0 0 0 0 3 146 0 0 8 157 9299

철 도 0 0 0 0 2 0 13 0 178 0 0 193 9223

그 림 자 6 0 0 0 0 0 0 0 0 471 1 478 9854

건 물 0 0 3 0 0 2 1 2 0 0 544 552 9873

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9864 9925 9515 8979 9629 9531 9311 9835 9296 9846 8749

표 8 IKONOS의 영상의 다중분광특성에 Dissimilarity(2929)추가한 분류 error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 623 0 0 0 0 0 0 0 0 10 0 633 9889

활 엽 수 2 199 0 1 0 0 0 0 0 0 0 202 9850

나 지 0 0 100 2 0 0 0 0 0 0 14 116 8621

지 0 2 2 230 13 0 0 0 0 0 5 252 9200

농 경 지 0 0 0 23 478 0 0 0 0 0 0 501 9542

도로 ( C ) 0 0 0 0 4 46 11 0 3 0 39 103 4747

도로 ( A ) 0 0 0 0 0 0 323 1 6 0 3 333 9710

비 닐 하 우 스 0 0 0 0 0 0 4 147 0 0 5 156 9481

철 도 0 0 0 0 3 0 15 0 179 0 0 197 9375

그 림 자 3 0 0 0 0 0 0 0 0 467 1 471 9916

건 물 0 0 2 0 0 3 2 0 0 0 552 559 9893

계 628 201 104 256 498 49 355 148 188 477 619 3523

제작자

정확도9929 9912 9586 8966 9555 9219 9008 9903 9415 9762 8126

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

37

(a) 다중분광특성만을 이용한 분류영상

(b) Semi-variogram(2121)을 추가한 분류영상

그림 47 나지에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Entropy(1717)을 추가한 분류영상

그림 48 콘크리트 도로에 대한 분류영상의 비교

(a) 다중분광특성만을 이용한 분류영상

(b) Dissimilarity(2929)을 추가한 분류영상

그림 49 건물에 대한 분류영상의 비교

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

38

표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류

error matrix

침 엽 수 활 엽 수 나 지 지 농 경 지도로

( C )

도로

( A )

비 닐

하 우 스철 도 그 림 자 건 물 계

사용자

정확도

침 엽 수 626 0 0 0 0 0 0 0 0 10 0 636 9843

활 엽 수 1 199 0 2 0 0 0 0 0 0 0 199 9900

나 지 0 0 102 3 0 0 0 0 0 0 15 122 8374

지 0 2 2 230 10 0 2 0 0 0 3 249 9393

농 경 지 0 0 0 21 478 0 0 0 0 0 0 499 9579

도로 ( C ) 0 0 0 0 3 48 5 0 4 0 28 88 5444

도로 ( A ) 0 0 0 0 0 0 326 1 5 0 3 335 9790

비 닐 하 우 스 0 0 0 0 0 0 4 146 0 0 5 155 9419

철 도 0 0 0 0 3 0 17 0 179 0 0 199 9010

그 림 자 1 0 0 0 0 0 0 0 0 467 1 469 9957

건 물 0 0 0 0 4 1 2 1 0 0 564 572 9877

계 628 201 104 256 498 49 356 148 188 477 619 3523

제작자

정확도9959 9930 9741 8989 9597 9619 9135 9862 9478 9762 9023

대한 분류정확도가 다중분광특성만을 이용한 분류정확도(49-a)보다 향상된 것

을 보여주고 그림 49-a를 보면 건물의 다양한 크기와 모양과 색으로 인하여 여

러 가지 항목으로 오분류 현상이 일어났으나 그림 49-b는 여러 가지 탐색영역

크기와 texture들 중에 Dissimilarity(2929)를 추가하여 분류를 수행했을 때

건물 중 나지 아스팔트 도로 비닐하우스로 오분류되는 현상이 다른 texture보

다 많이 감소되었으며 분류정확도은 2773향상된 결과를 얻었다

표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도

분류항목 최적 Texture 종류최적

탐색영역크기

분류정확도(제작자정확도)다중분광

밴드

Texture

추가

분류 향상

정도침엽수 Semi-variogram 2929 9897 9929 032활엽수 Angular second moment 1717 9877 9927 050나지 Semi-variogram 2121 9091 9685 594초지 Contrast 99 9117 9221 104

농경지 Homogeneity 99 9710 9725 015콘크리크 도로 Entropy 1717 8770 9531 761아스팔트 도로 Homogeneity 2121 9308 9374 066

비닐하우스 Contrast 2929 9892 9926 034철도 Semi-varigram 99 9244 9449 205

그림자 Angular second moment 1717 9809 9900 091건물 Dissimilarity 2929 6104 8877 2737

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

39

그림 50 가장 높은 분류정확도를 갖는 탐색영

역크기와 texture를 추가한 분류영상

표 9를 보면 여기서 침엽수 활엽수 초지 농경지 아스팔트 도로 철도 그림

자 비닐하우스는 texture 정보를 추가하여도 분류정확도가 미미하게 향상되었

고 가장 많이 분류정확도가 향상된 토지 피복은 나지와 콘크리트와 건물이고 이

처럼 상대적으로 높게 향상된 texture와 탐색영역크기는 나지의 Semi-

variogram(2121)와 콘크리트 도로의 Entropy(1717)와 건물의

Dissimilarity (2929)를 다중분광영상에 추가하여 분류를 수행한 error matrix

는 표 10과 같으며 그 분류 영상은 그림 50과 같은 결과를 얻었다 그리고 표

5와 표 10을 비교해 보면 분류정확도가 나지의 경우는 65 향상되었고 콘크

리트 도로인 경우는 849 향상되었으며 건물의 경우는 2883 향상된 결과

를 보여주고 토지 피복에 대한 Kappa 계수는 00578 향상된 결과를 얻었다

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

40

6 결론

최대 우도법 감독분류 방법으로 IKONOS의 고해상도 위성영상의 분광특성만

을 이용한 분류보다 분광특성에 부가적인 요소(texture)를 추가한 분류가 분류

정확도가 향상된 결과를 도출하였다 그러나 각각의 토지피복에 대한 분류정확도

는 영상의 분광특성에 texture 정보를 추가하여도 항상 향상하는 것은 아니며

texture종류와 탐색영역크기에 많은 영향을 받았다 그리고 texture를 추가한

분류시 분류정확도를 향상시키는 탐색영역크기는 여러 가지 크기의 탐색영역을

실험한 결과 (1717) (2121) (2929크기라고 판단이 된다 그리고 여러 종

류의 texture중에 texture의 유사성을 나타내는 semi- vairogram과 texture의

복잡성을 나타내는 entropy와 co-occurrence matrix의 요소들의 차이를 나타

내는 dissimilarity들이 분류시 추가하였을 때 분류정확도를 향상시키는 texture

라고 판단이 된다 그리고 이들의 탐색영역크기와 texture들를 조합하여 분류에

추가하여 분류를 수행했을 때 분류정확도가 더욱더 향상되었다 즉 분류하고자하

는 토지피복이 나지 콘크리트 도로 건물인 경우는 제시된 texture와 탐색영역

크기를 추가하여 분류하는 것이 분류정확도를 향상시키고 가장 효과적인 방법이

라고 판단이 된다

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

41

7 참고 문헌

[1] 유복모 현대 디지털 사진측량학

[2] 최종근 공간정보 모델링

[3] John R Jensen Introductory Digital Image Processing-Third

Edition

[4] Rafael C Gonzalez and Richard E Woods Digital Image Processing

- Second Edition

[5] Toni Schenk Digital Photogrammetry - Volume 1

[6] CACouburn and ACBRoberts A multiscale texture analysis

procedure for improved forest stand classification INT J

REMOTE SENSING Vol 25 No 20 2004

[7] Danielle JMarceau and Philip J Howarth Evaluation of the Grey-

Level Co-Occurrence Matrix Method For Land-Cover Classification

Using SPOT Imagery IEEE TRANSACTIONS ON GEOSCIENCE

AND REMOTE SENSING Vol 28 No 4 1990

[8] Haralick R M Statistical and Structural Approaches to Texture

Proceedings of the IEEE Vol 67 1979

[9] Matthew Donald Humphrey Texture analysis of high resolution

panchromatic imagery for terrain classification Naval Postgraduate

School 2003

[10] M Chica-Olmo and F Abarca-Hernandez Computing

geostatistica image texture for remotely sensed data

classification Computers amp Geosciences Vol 26 2000

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

42

[11] Michaela De Martino and Federico Causa Classification of Optical

High Resolution Images in Urban Environment Using Spectral and

Textural Information IEEE 2003

[12] Qi Chen and Peng Gong Automatic Variogram Parameter

Extraction for Textural Classification of the Panchromatic

IKONOS Imagery IEEE TRANSACTIONS ON GEOSCIENCE AND

REMOTE SENSING Vol 42 No 5 2004

[13] SEFranklin and MAWulder Automated Derivation of Geographic

Window for Use in Remote Sensing Digital Image Textural

Analysis Computer amp Geosciences Vol 22 No6 1996

[14] Sergio Colombo and Mario Chica-Olmo Variogramphic analysis of

tropical forest cover form multi-scale remotely sensed imagery

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 58 2004

[15] Yun Zhang Optimisation of building detection in satellite images

by combining multispectral classification and texture filtering

ISPRS Journal of Photogrammetry amp Remote Sensing Vol 54 No

1 1999

[16] Zhao Zheng and Zhang Jixian The textural analysis and

Interpretation of High Resolution ARISAR Images

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39

43

감사의 글

2년 6개월 동안 대학원 생활을 하면서 드디어 석사논문이라는 결실을 얻었습니

다 이런 결과를 얻게 해주시고 오랜 기간 동안 변함없는 정성과 가르침을 베풀

어 주신 조우석 교수님께 깊은 감사를 드립니다

논문 심사를 맡아주시고 조언을 아끼지 않은 이규성 교수님과 김계현 교수님과

김태정 교수님 박수홍 교수님 조동행 교수님께 감사드립니다 그리고 공부할

기회를 주신 한국 해양 연구원의 이용국 박사님께 깊은 감사를 드립니다 그리고

절 동생처럼 대해주신 백훈형 남도형 병철형께 감사드립니다 그리고 해양연구

원에서 기숙사에서 같이 동거한 재웅이 여러 가지로 고맙다 친구야 그리고

같이 근무한 해양연구원의 모든 분께 감사드립니다

제2의 가족인 지형정보연구실의 이하준 선배님 장휘정 선배님 이성훈 선배님

방기인 선배님 윤영보 선배님 정환용 선배님 박진형 선배님께 감사를 드립니

다 그리고 동기인 인환형 낙현 재욱 흥식 명종에게 감사를 드립니다 그리고

나보다 나이가 어리지만 여러모로 도와준 선배이며 후배인 주현 영진 승식 윤

경 현덕 문기 유석 금희에게 감사를 드립니다 그리고 연구실의 친구들인 윤

석아 성우야 쌍으로 고맙다

마지막으로 절 항상 걱정하시는 아버님 어머님 성은누나 순영누나 은탁형

희선누나께 감사를 드립니다

이런 감사들을 항상 제 맘속에 간직하여 그 은혜를 여러 사람에게 베풀 수 있

는 사람이 될 것을 명세합니다

• 목차
• • 목 차
  • 요 약i
  • Abstractii
  • 1 서론
  • • 11 연구 배경 및 목적
    • 12 연구 동향
    • 13 연구 방법
    • • 2 위성영상의 전처리
      • 3 Texture 분석방법
      • • 31 Semi-variogram의 Texture 분석방법
        • 32 Co-occurrence Matrix Texture 분석방법
        • • 4 영상 분류방법
          • • 41 영상분류의 정의
            • 42 영상 분류 기법 - 감독분류
            • 43 분류 영상의 정확도 검증방법
            • • 431 전체 정확도
              • 432 제작자 정확도
              • 433 사용자 정확도
              • 434 KAPPA 계수
              • • 5 실험 및 결과
                • • 51 실험영상
                  • 52 IKONOS 위성영상의 분광특성
                  • 53 Texture 분석 결과
                  • • 531 Co-occurrence matrix의 texture 분석결과
                    • 532 Semi-variogram texture 분석결과
                    • • 54 분류정확도 검증 결과
                      • • 541 분류에 관한 분류정확도 분석결과
                        • 542 토지 피복에 따른 분류정확도 분석결과
                        • • 6 결 론
                          • 7 참고 문헌
                          • • 표목차
                            • • 표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍
                              • 표 2 Kappa 통계 값에 대한 분류 정도
                              • 표 3 IKONOS-2 위성영상의 분광학적 특성
                              • 표 4 분류 정확도
                              • 표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix
                              • 표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121)
                              • • 추가한 분류 error matrix
                                • • 표 7 IKONOS 영상의 다중분광특성에 Entropy(1717)
                                  • • 추가한 분류 error matrix
                                    • • 표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929)
                                      • • 추가한 분류 error matrix
                                        • • 표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도
                                          • 표 10 Semi-variogram(2121)와 Entropy(1717)와
                                          • • Dissimilarity(2929)를 추가한 분류 error matrix
                                            • • 그림목차
                                              • • 그림 1 연구 흐름도
                                                • 그림 2 최근린 보간법
                                                • 그림 3 공 1차 보간법
                                                • 그림 4 cubic convolution
                                                • 그림 5 주어진 분리거리에서 variogram의 기하학적 의미
                                                • 그림 6 Co-occurrence matrix 상에서 화소간의 거리가
                                                • • 1인 밝기값 간의 관계
                                                  • • 그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은
                                                    • • 정규 확률밀도함수에 의한 근사 데이터 분포
                                                      • • 그림 8 Maximum likelihood classification 결정 방법(PagtPb)
                                                        • 그림 9 Panchromatic 영상
                                                        • 그림 10 Blue 밴드
                                                        • 그림 11 Green 밴드
                                                        • 그림 12 Red 밴드
                                                        • 그림 13 근적외선 밴드
                                                        • 그림 14 각 밴드의 상대적인 분광학적 반응도
                                                        • 그림 15 도시 피복물의 분광 복사계에 의한 반사특성
                                                        • 그림 16 Angular second menent(55) 영상
                                                        • 그림 17 Angular second menent(1717) 영상
                                                        • 그림 18 Angular second menent(2929) 영상
                                                        • 그림 19 Contrast(55) 영상
                                                        • 그림 20 Contrast(1717) 영상
                                                        • 그림 21 Contrast(2929) 영상
                                                        • 그림 22 Dissimilarity(55) 영상
                                                        • 그림 23 Dissimilarity(1717) 영상
                                                        • 그림 24 Dissimilarity(2929) 영상
                                                        • 그림 25 Entropy(55) 영상
                                                        • 그림 26 Entropy(1717) 영상
                                                        • 그림 27 Entropy(2929) 영상
                                                        • 그림 28 Homogeneity(55) 영상
                                                        • 그림 29 Homogeneity(1717) 영상
                                                        • 그림 30 Homogeneity(2929) 영상
                                                        • 그림 31 Semi-variogram(55) 영상
                                                        • 그림 32 Semi-variogram(1717) 영상
                                                        • 그림 33 Semi-variogram(2929) 영상
                                                        • 그림 34 다중분광영상만을 이용한 분류영상
                                                        • 그림 35 Texture에 대한 분류정확도가 높은 분류영상들
                                                        • 그림 36 침엽수에 대한 제작자 정확도
                                                        • 그림 37 활엽수에 대한 제작자 정확도
                                                        • 그림 38 나지에 대한 제작자 정확도
                                                        • 그림 39 초지에 대한 제작자 정확도
                                                        • 그림 40 농경지에 대한 제작자 정확도
                                                        • 그림 41 콘크리트 도로에 대한 제작자 정확도
                                                        • 그림 42 아스팔트 도로에 대한 제작자 정확도
                                                        • 그림 43 비닐하우스에 대한 제작자 정확도
                                                        • 그림 44 철도에 대한 제작자 정확도
                                                        • 그림 45 그림자에 대한 제작자 정확도
                                                        • 그림 46 건물에 대한 제작자 정확도
                                                        • 그림 47 나지에 대한 분류영상의 비교
                                                        • 그림 48 콘크리트 도로에 대한 분류영상의 비교
                                                        • 그림 49 건물에 대한 분류영상의 비교
                                                        • 그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를
                                                        • • 추가한 분류영상
                                                          • 목차목 차요 약iAbstractii1 서론1 11 연구 배경 및 목적1 12 연구 동향2 13 연구 방법32 위성영상의 전처리4 3 Texture 분석방법7 31 Semi-variogram의 Texture 분석방법7 32 Co-occurrence Matrix Texture 분석방법104 영상 분류방법12 41 영상분류의 정의12 42 영상 분류 기법 - 감독분류12 43 분류 영상의 정확도 검증방법17 431 전체 정확도18 432 제작자 정확도18 433 사용자 정확도19 434 KAPPA 계수19 5 실험 및 결과22 51 실험영상22 52 IKONOS 위성영상의 분광특성23 53 Texture 분석 결과 25 531 Co-occurrence matrix의 texture 분석결과25 532 Semi-variogram texture 분석결과27 54 분류정확도 검증 결과28 541 분류에 관한 분류정확도 분석결과28 542 토지 피복에 따른 분류정확도 분석결과316 결 론407 참고 문헌41 표목차표 1 등 간격으로 분포된 데이터와 지연거리(h)에 다른 데이터 쌍9표 2 Kappa 통계 값에 대한 분류 정도20표 3 IKONOS-2 위성영상의 분광학적 특성23표 4 분류 정확도29표 5 IKONOS 영상의 다중분광특성만을 이용한 분류 error matrix 35표 6 IKONOS 영상의 다중분광특성에 Semi-variogram(2121) 추가한 분류 error matrix36표 7 IKONOS 영상의 다중분광특성에 Entropy(1717) 추가한 분류 error matrix 36표 8 IKONOS 영상의 다중분광특성에 Dissimilarity(2929) 추가한 분류 error matrix 36표 9 탐색영역크기와 texture에 따른 분류정확도 향상정도 38표 10 Semi-variogram(2121)와 Entropy(1717)와 Dissimilarity(2929)를 추가한 분류 error matrix 38그림목차그림 1 연구 흐름도3그림 2 최근린 보간법5그림 3 공 1차 보간법 6그림 4 cubic convolution 7그림 5 주어진 분리거리에서 variogram의 기하학적 의미8그림 6 Co-occurrence matrix 상에서 화소간의 거리가 1인 밝기값 간의 관계 10그림 7 왼쪽은 band k에서 class a에 대한 히스토그램이고 오른쪽은 정규 확률밀도함수에 의한 근사 데이터 분포14그림 8 Maximum likelihood classification 결정 방법(PagtPb)14그림 9 Panchromatic 영상22그림 10 Blue 밴드22그림 11 Green 밴드22그림 12 Red 밴드22그림 13 근적외선 밴드23그림 14 각 밴드의 상대적인 분광학적 반응도24그림 15 도시 피복물의 분광 복사계에 의한 반사특성24그림 16 Angular second menent(55) 영상25그림 17 Angular second menent(1717) 영상25그림 18 Angular second menent(2929) 영상25그림 19 Contrast(55) 영상26그림 20 Contrast(1717) 영상 26그림 21 Contrast(2929) 영상26그림 22 Dissimilarity(55) 영상26그림 23 Dissimilarity(1717) 영상26그림 24 Dissimilarity(2929) 영상26그림 25 Entropy(55) 영상26그림 26 Entropy(1717) 영상26그림 27 Entropy(2929) 영상26그림 28 Homogeneity(55) 영상26그림 29 Homogeneity(1717) 영상26그림 30 Homogeneity(2929) 영상26그림 31 Semi-variogram(55) 영상27그림 32 Semi-variogram(1717) 영상27그림 33 Semi-variogram(2929) 영상27그림 34 다중분광영상만을 이용한 분류영상30그림 35 Texture에 대한 분류정확도가 높은 분류영상들31그림 36 침엽수에 대한 제작자 정확도32그림 37 활엽수에 대한 제작자 정확도32그림 38 나지에 대한 제작자 정확도33그림 39 초지에 대한 제작자 정확도33그림 40 농경지에 대한 제작자 정확도33그림 41 콘크리트 도로에 대한 제작자 정확도33그림 42 아스팔트 도로에 대한 제작자 정확도33그림 43 비닐하우스에 대한 제작자 정확도33그림 44 철도에 대한 제작자 정확도34그림 45 그림자에 대한 제작자 정확도34그림 46 건물에 대한 제작자 정확도34그림 47 나지에 대한 분류영상의 비교37그림 48 콘크리트 도로에 대한 분류영상의 비교37그림 49 건물에 대한 분류영상의 비교37그림 50 가장 높은 분류정확도를 갖는 탐색영역크기와 texture를 추가한 분류영상39