드론 영상의 지형별 중복도 변화에 따른 정합 정확도 분석에 관한 연구 = Analysis of image registration accuracy according to rerrain-based overlap variations in UAV imagery

국문 초록 (Abstract)

무인항공기(UAV)를 활용한 항공사진 측량은 저비용·고해상도·단시간 공간정보 취득이 가능하다는 장점으로 도시계획, 재난 관리, 스마트시티, 공간정보 구축 분야 전반에서 활용이 확대되고 있다. 특히 정사영상(Orthomosaic) 및 3차원 지형 모델(DSM, Mesh)의 품질은 촬영 고도, GSD, 카메라 특성, 그리고 영상 중복도에 크게 영향을 받는다. 그러나 상용 소프트웨어에서 제시하는 70–80% 수준의 권장 중복도는 경험적 기준에 의존하고 있으며, 지형 특성을 고려한 정량적 검증은 충분하지 않은 실정이다. 또한 기존 연구는 평지 중심의 분석이 대부분으로, 고저차·수목·반복 텍스처가 존재하는 산지 환경에서 중복도 변화가 정합 안정성에 미치는 영향에 대한 체계적 연구는 제한적이다.
본 연구는 평지와 산지라는 상이한 지형 조건에서 동일한 촬영 환경을 유지한 상태로 전방·측방 중복도(50–90%)를 단일 변수로 설정하여, 정합 정확도(RMSE, Keypoint Matches, Calibrated Images), Tie-Point 연결 안정성, 정사영상 품질, 처리시간 변화를 정량적으로 분석하였다. 실험은 전북특별자치도 전주시 남고산 일대에서 수행하였으며, DJI Mavic 3 Enterprise RTK를 사용하여 고도 70 m, GSD 약 1.8 cm 조건에서 총 10개의 비행 시나리오를 구축하였다. 획득 영상은 Pix4Dmapper로 동일한 처리 옵션을 적용하여 항공삼각측량, 포인트클라우드 생성, 메쉬 재구성 및 정사영상 제작을 진행하였다.
분석 결과, 평지에서는 50% 중복도에서도 정합은 가능하였으나 AOI 외곽에서 왜곡이 발생하였다. 60–70% 중복도에서는 AOI 내부의 정합은 안정적이나 외곽부 불안정성이 잔존하였고, 80% 이상에서 AOI 전역의 Tie-Point가 균일하게 분포하며 안정적인 정사영상이 생성되었다. 반면 90%에서는 품질 향상 폭은 미미한 반면 처리시간 증가가 크게 나타났다. 이에 따라 평지 환경에서는 분석 목적에 따라 60–80% 중복도가 가장 효율적인 범위로 판단된다.
한편 산지에서는 50–70% 중복도 구간에서 AOI 내부에서도 Tie-Point 불량, Mesh 단절, Ortho 왜곡이 빈번히 발생하였다. 80%에서는 내부 정합이 일부 안정화되었으나 외곽 Canopy 영역에서는 Cross-View 부족으로 공간 왜곡이 지속되었다. 오직 90% 조건에서만 AOI 전역에 연속적인 Tie-Point 네트워크가 형성되며 왜곡 없는 정사영상이 생성되었으며, 이는 산악·수목 밀집 지형에서는 높은 중복도(90%)가 필수 조건임을 실험적으로 입증하는 결과이다.
또한 RMSE는 평지에서는 정합 품질을 비교적 잘 반영하였으나, 산지에서는 반복 텍스처로 인해 허위 특징점이 생성되면서 낮은 RMSE에도 불구하고 실제 Ortho에서 구조적 정합 실패가 관찰되었다. 이는 정합 성공이 단순 수치 지표보다 공간적 Tie-Point 연결 안정성과 관측 방향 다양성에 의해 결정됨을 의미한다. 처리시간 분석에서도 평지·산지 모두 90% 중복도에서 약 3배의 처리시간 증가가 나타났으며, 평지에서는 실무 적용 시 비효율적인 것으로 평가되었다.
종합적으로 UAV 항공사진 측량에서 중복도의 영향은 지형 특성에 따라 상이하게 나타났다. 평지에서는 60–80% 범위에서 목적에 따른 유연한 설정이 가능하나, 산지에서는 안정적 공간 정합과 정사영상 품질 확보를 위해 최소 90% 이상의 중복도가 요구됨을 확인하였다. 본 연구 결과는 향후 드론 기반 공간정보 구축에서 지형 특성을 반영한 비행 계획 수립 및 데이터 획득 가이드라인 마련을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Unmanned aerial vehicle (UAV) photogrammetry has rapidly expanded across urban planning, disaster management, smart city applications, and geospatial data acquisition due to its advantages of low cost, high resolution, and efficient data collection. The quality of orthomosaic imagery and 3D terrain models (DSM, Mesh) is strongly affected by flight altitude, ground sampling distance (GSD), camera characteristics, and especially image overlap. However, the commonly recommended overlap ratios of 70–80% provided by commercial UAV mapping software are largely empirical, and quantitative validation reflecting terrain characteristics remains insufficient. Existing studies have primarily focused on flat terrain, while systematic investigations into the effect of overlap variation in mountainous or vegetation-dense areas—where height differences and repetitive textures are prevalent—are significantly limited.
In this study, forward and side overlaps (50–90%) were applied as the sole variable under identical flight conditions in flat and mountainous terrains to quantitatively analyze changes in matching accuracy (RMSE, Keypoint Matches, Calibrated Images), Tie-Point network stability, orthomosaic quality, and processing time. The experiment was conducted in the Namgosan area of Jeonju, Korea, using a DJI Mavic 3 Enterprise RTK at a flight altitude of 70 m and a GSD of approximately 1.8 cm. A total of ten flight scenarios were constructed, and all datasets were processed in Pix4Dmapper with consistent processing settings.
The results indicate that, in flat terrain, image matching was achievable even at 50% overlap; however, distortions occurred along the AOI boundary. Overlaps of 60–70% produced stable matching within the AOI but still showed instability in outer regions. At 80% overlap, Tie-Points were uniformly distributed across the entire AOI, generating a stable orthomosaic, whereas 90% overlap yielded minimal additional quality improvement while significantly increasing processing time. Thus, for flat terrain, an overlap ratio of 60–80% is considered optimal depending on analysis objectives.
In contrast, mountainous terrain exhibited frequent Tie-Point failures, mesh discontinuities, and orthomosaic distortions at 50–70% overlap even within the AOI. Although 80% overlap improved internal matching stability, distortions persisted in canopy-covered boundary regions due to insufficient cross-view observations. Only 90% overlap produced a continuous Tie-Point network across the AOI and resulted in distortion-free orthomosaics, demonstrating that high overlap is essential for stable spatial matching in steep or vegetation-dense environments.
Furthermore, RMSE effectively reflected matching quality in flat terrain but did not reliably indicate structural matching success in mountainous areas due to false feature points created by repetitive textures. Differences in structural orthomosaic stability were evident between M80 and M90 scenarios despite similar calibration rates exceeding 99%, implying that matching success depends more on the spatial connectivity and directional diversity of Tie-Points than on numerical indicators alone. Processing time increased by approximately threefold at 90% overlap in both terrain types, with particularly low efficiency observed in flat terrain.
Overall, the effects of overlap settings in UAV photogrammetry were found to differ substantially by terrain type. While flat terrain allows flexible adjustment within 60–80% depending on project objectives, mountainous terrain requires at least 90% overlap to ensure stable matching and high-quality orthomosaics. These findings provide foundational guidance for establishing terrain-specific flight planning strategies and data acquisition standards for future UAV-based geospatial projects.

목차 (Table of Contents)

• Contents ⅰ
• List of Figures ⅴ
• List of Table ⅸ
• 국 문 초 록 ⅹ
• 제 1 장 서론 1
• 1.1 연구 배경 1
• 1.2 연구 목적 및 내용 4
• 제 2 장 이론적 배경 7
• 2.1 드론 기반 항공사진 측량 개요 7
• 2.2 카메라 모델과 지상공간해상도(GSD) 7
• 2.2.1 중심투영 카메라 모델 7
• 2.2.2 지상공간해상도(GSD)의 정의 9
• 2.3 에피폴라 기하와 삼각측량 10
• 2.3.1 에피폴라 기하 개녕 10
• 2.3.2 삼각측량과 깊이 정확도 11
• 2.4 SfM과 번들조정(Bundle Adjustment) 11
• 2.4.1 SfM의 개념 11
• 2.4.2 번들조정의 역할과 관측 수 효과 12
• 2.5 Multi-View Stereo(MVS)와 조밀 포인트클라우드 13
• 2.6 중복도(Overlap)와 관측 기하 14
• 2.6.1 전방·측방 중복도 정의 14
• 2.6.2 깊이 정확도와 중복도의 관계 15
• 제 3 장 연구 방법 16
• 3.1 연구 개요 16
• 3.2 연구 대상지 17
• 3.2.1 평지 지역 17
• 3.2.2 산지 지역 18
• 3.3 연구 장비 및 촬영 조건 19
• 3.3.1 기체 및 센서 제원 19
• 3.3.2 비행 조건 설정 20
• 3.4 비행 시나리오 구성 20
• 3.5 Pix4Dmapper 처리 옵션 설정 21
• 3.6 평가 지표 23
• 제 4 장 실험 결과 및 분석 25
• 4.1 RMSE 25
• 4.2 Keypoint Matches 26
• 4.3 Calibrated Images 28
• 4.4 최종 정사영상(Ortho) 및 AOI 정합 시각적 검증 30
• 4.4.1 평지(Flat) Ortho 평가 30
• 4.4.2 산지(Mountainous Terrain) Ortho 평가 35
• 4.5 Processing Time 39
• 제 5 장 결론 41
• REFERENCES 43
• Abstract 46