RISS 검색 - 국내학술지논문 상세보기

국문 초록 (Abstract)

고해상도 위성영상이 갖는 공간 객체의 복잡성과 다양성에 의해 기존 중·저해상도 영상에서 사용하던 분류 방식을 고해상도 영상에 그대로 적용하기에는 한계가 있다. 이러한 문제를 극복...

고해상도 위성영상이 갖는 공간 객체의 복잡성과 다양성에 의해 기존 중·저해상도 영상에서 사용하던 분류 방식을 고해상도 영상에 그대로 적용하기에는 한계가 있다. 이러한 문제를 극복하기 위하여 영상의 공간적인 특성을 추가적으로 추출하여 분광정보와 결합하여 분류를 수행하는 방식의 연구가 진행되고 있다. 본 연구의 목적은 고해상도 영상의 분류정확도를 개선하기 위하여 새로운 공간 개체(spatial feature)인 SSI(Shape-Size Index)를 제안하는데 있다. SSI feature는 영역 확장(Region Growing) 기반의 영상 분할 (Image Segmentation)을 수행한 후, 세그먼트 내에 공간 속성값을 할당하여 공간정보를 추출한다. 추출된 공간정보를 고해상도 영상의 다중분광 밴드와 결합하여 Support Vector Machine(SVM)을 이용한 분류를 수행하였다. SSI를 구성하는데 필요한 두 매개변수인 분할변수와 가중치변수의 최적값을 얻기 위해서 고해상도 위성영상인 KOMPSAT-2와 QuickBird-2에 반복적으로 적용하였다. 결과적으로 고해상도 영상의 공간특성을 표현하는데 적합한 매개변수를 통하여 도출된 SSI와 고해상도 분광 밴드를 결합하여 분류를 수행한 결과가 분광밴드만을 이용하여 분류를 수행한 결과에 비해 높은 분류정확도를 도출함을 확인하였다.

다국어 초록 (Multilingual Abstract)

High spatial resolution satellite image classification has a limitation when only using the spectral information due to the complex spatial arrangement of features and spectral heterogeneity within each class. Therefore, the extraction of the spatial information is one of the most important steps in high resolution satellite image classification. This study proposes a new spatial feature extraction method, named SSI(Shape-Size Index). SSI uses a simple region-growing based image segmentation and allocates spatial property value in each segment. The extracted feature is integrated with spectral bands to improve overall classification accuracy. The classification is achieved by applying a SVM(Support Vector Machines) classifier. In order to evaluate the proposed feature extraction method, KOMPSAT-2 and QuickBird-2 data are used for experiments. It is demonstrated that proposed SSI algorithm leads to a notable increase in classification accuracy.

참고문헌 (Reference)

1 Hodgson,M.E., "What size window for image classification? A cognitive perspective" 64 (64): 797-807, 1998

2 Myint S. W, "Wavelets for urban spatial feature discrimination: Comparisons with fractal, spatial autocorrelation, and spatial cooccurrence approaches" 70 (70): 803-812, 2004

3 Davis C. H, "Urban land cover classification from high resolution multispectral IKONOS imagery" 2 : 1204-1206, 2002

4 Puissant A, "The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery" 26 (26): 733-745, 2005

5 Jenson J.R., "Introductory Digital Image Processing: A Remote Sensing Perspective" Prentice-Hall 1996

6 Dell’Acqua F, "Exploiting spectral and spatial information in hyperspectral urban data with high resolution" 1 (1): 322-326, 2004

7 Browne,M., "Cross-validation methods" 44 (44): 108-132, 2000

8 Fu K. S, "A survey on image segmentation" 13 (13): 3-16, 1981

9 Kohavi R., "A study of cross-validation and bootstrap for accuracy estimation and model selection" International Joint Conferrecne on Aritificail Intelligence 1137-1143, 1995

10 Zhang L, "A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery" 44 (44): 2950-2961, 2006