1. 서 론

전통적으로 사용되던 화소 기반의 원격탐사 분석 기술들을 고해상도 위성영상의 분광 및 기하학적인 다양성과 복잡성을 제대로 반영하기 어렵기 때문에 근래에는 영상분할 기술을 이용한 객체 기반의 연구가 활발히 진행되고 있다(Dey et al., 2010). 또한 기존의 고해상도 위성영상들이 일반적으로 4밴드의 다중분광 밴드를 제공했던데 반해 WorldView-2나 WorldView-3 위성영상은 8개 이상의 다중분광 밴드를 제공하여 보다 세밀한 분광정보를 활용할 수 있게 되었다(DigitalGlobe, 2010). 이러한 다중분광 고해상도 위성영상으로부터 효율적으로 개체를 추출하기 위해서는 적절한 영상분할 기법과 분류 기법을 적용하여야 한다(Zhang, et al., 2013; Belgiu and Drăguţ, 2014). 단순히 영상분할 기법과, 무감독 분류를 사용하는 방법은 대상 객체들을 특정할 수 없고, 영상의 분포하는 개체들의 종류와 분포에 따라 그 결과가 다르게 나타난다. 또한 화소값을 기준으로 트레이닝 영역을 설정하는 일반적인 감독 분류 기법은 사용자의 판단에 따라 결과가 크게 좌우되며, 특히 도심지역의 건물과 같은 매우 다양한 분광특성을 보이는 클래스를 균일된 분광특성으로 특정화하기 어렵다.

분광지수는 각 파장대에 따른 반사특성을 고려하여 특정 분광 밴드 간의 조합을 통해 원하는 대상의 분포와 밀집도를 표현하는 지표로, 밴드 간 분광차이를 향상시켜 분류에 효율적인 기초자료로 활용될 수 있다(Wolf, 2010; Jawak and Luis, 2013). 또한 정규화된 분광지수는 지수값이 −1∼1의 정규화된 값을 갖기 때문에 영상 촬영 당시의 시기 및 환경과 조건에 영향을 감소시켜 화소값을 직접 처리하는 기법보다 가변성이 적고 안정성이 높다(Angiuli and Trianni, 2014). WorldView-2의 8밴드의 분광반사 특성을 분석하고 이로부터 추출할 수 있는 다양한 분광지수(spectral Index)들을 제안하고 이를 바탕으로 한 토지피복 매핑(landcover mapping)을 수행하고 그 활용가능성을 제시하는 연구들이 진행되고 있다(Zhang et al., 2005; Wolf, 2010; Zhou et al., 2012; Jawak and Luis, 2013; Sato et al., 2013; Shahi et al., 2015; Patel and Mukherjee, 2015). 관련 연구들은 화소값에 기반의 분광지수 영상들을 이용하여 분류를 수행하는대한 연구가 대부분이었으나, 최근에는 분광지수를 이용한 객체기반의 개체 추출 연구도 이루어지고 있다(Belgiu and Drăguţ, 2014; Ramirez et al., 2015; Jawak et al., 2015)

본 연구에서는 고해상도 다중분광 영상으로부터 객체 기반의 영상 분할을 수행한 후, 다양한 분광지수를 추출하고 이를 통해 다양한 클래스들을 분류해낸 후, 대상 개체들을 추출하고자 하였다. WorldView-2와 같은 8밴드의 고해상도 다중분광 위성영상의 분광 정보를 충분히 활용하기 위하여 여러 밴드들 간의 다양한 조합을 통해 다수의 분광지수들을 생성하여 이를 바탕으로 인공물 및 자연물 개체들을 분리해낼 수 있었다.

2. 연구 방법

제안한 개체 추출 과정은 Fig. 1과 같다. 우선 다중분광 영상의 공간해상도를 높이기 위하여, 고해상도의 흑백영상과 다중분광 영상 간의 영상융합을 통해 0.5m 해상도의 8밴드 영상을 생성한다. 본 연구에서는 WorldView-2 영상으로부터 분광지수를 생성함에 있어 가장 분광 왜곡이 적은 것으로 평가된(Jawak and Luis, 2013), Gram-Schumidt Pan-sharpening 기법을 사용하였다. 그리고 Baatz and Schäpe(2000)의 다중 해상도 영상분할(multiresolution segmentation) 기법을 이용한 과분할(over-segmentation) 과정을 통해 슈퍼픽셀(super-pixel, Ren and Malik, 2003) 영상을 생성한다. 이는 노이즈 효과에 의한 오분류를 줄이고, 화소값뿐 아니라, 텍스처, 이웃화소와의 균질성 등을 고려하여 결정된 객체들을 개체추출의 기본단위로 사용하기 위함이다. 슈퍼픽셀 영상으로부터 다음과 같은 다섯 가지 종류의 분광지수를 추출한다. 우선 가장 널리 사용되는 분광지수인 식생지수 NDVI(Normalized Difference Vegetation Index, Price, 1987)와 수계영역의 추출을 위한 NDWI(Normalized Difference Water Index, Gao, 1995), 나지영역 분류를 위한 NDSI(Normalized Difference Soil Index, Wolf, 2010), 그리고 인공물을 인식하는데 효과적인 NHFD(Non-Homogeneous Feature Difference, Wolf, 2010) 및 진흙 영역을 추출하기 위해 고안된 NDMI(Normalized Difference Mud Index, Bernstein et al., 2012)를 간단한 밴드 간 연산을 통해 추출하였다. 이러한 분광지수 영상들을 기준으로 하여 계층적으로 의사결정 트리(decision tree)를 설정하고 분류를 수행한다. NDWI로부터 수계와 그림자 영역을, 식생영역과 나지는 각각 NDVI와 NDSI를 이용하여 추출하고, NDMI를 통해 도로와 건물을 분리해내고, 식생, 나자로 분류된 영역들 중 건물영역을 NHFD를 이용하여 추출한다. 분광지수들은 추출하고자 하는 대상의 후보영역을 추출하기 위해 사용되며, 그림자와 수계 같이 서로 유사한 분광 특성을 갖는 개체들에 대해서는 밀도(density), 크기(size), 등의 기하학적 지수(geometry index)들을 사용한다. 이 때, 사용된 각 분광지수별 임계치는 실험적으로 결정하였으며, 각 클래스별 슈퍼픽셀들의 동일 클래스간 인접조건을 통해 영역병합(region merge)하여 개체들을 완성한다. 최종 후처리 과정으로 군소 영역들을 제거하는 과정을 거친다.

Fig. 1.Flow chart

2.1 분광지수

분광지수란 각 파장대에 따른 반사특성에 기초를 두고 특정 분광 밴드 간의 조합을 통해 원하는 대상의 분포와 밀집도를 표현하는 지표로, 밴드간 분광차이를 향상시키고, 지형에 의한 영향을 감소시킴으로서 분류에 효율적인 기초자료로 활용될 수 있다. 일반적으로는 식생과 수계에 대한 분광지수들이 자주 사용되나, 기타 인공물과 지질에 관련된 다양한 분광지수들이 개발되어있다. 가장 대표적인 분광지수인 NDVI 외에도, NDWI, NDSI, NHFD, NDMI, MNDWI(Modified Normalized Diffence Water Index, Xu, 2006), NDBI(Normalized Difference Built-up Index, Zha, 2003), CMR(Clay Minerals Ratio, Drury, 1987), IOR(Iron Oxide Ratio, Segal, 1982) 등이 있다. 본 연구에서는 추출하고자 하는 개체들의 특성을 잘 구분할 수 있는 5개의 분광지수, NDVI, NDWI, NDSI, NHFD, NDMI를 실험적으로 선택하여 활용하였다. NDVI는 식생지역과 그 활력도를 측정하는 가장 대표적인 분광지수이다. NDWI는 수계 영역을 탐지하기 위한 분광지수로 전통적으로는 NIR(Near Infra Red)과 blue 밴드간의 정규화값을 사용하나, 제안한 방법에서는 보다 효과적으로 수계 영역을 분리해낼 수 있다고 알려진 coastal 밴드와 NIR2 밴드간의 조합을 사용하였다(Wolf, 2010; Jawak and Luis, 2013). NDSI는 흙이 주된 분포를 보이는 나지 영역을 추출하는데 효과적인 분광지수로 일반적으로는 SWIR(Short Wave Infra Red)와 NIR 밴드를 이용하나, SWIR 밴드가 없는 WorldView-2 영상의 경우, 대신 green과 yellow 밴드간의 조합을 통해 나지를 유의하게 추출해낼 수 있다고 알려져 있다(Wolf, 2010; Jawak and Luis, 2013). cosatal 밴드와 red-edge 밴드를 사용하는 NHFD는 지붕이나 차량, 도로와 같이 배경(background)에 대해 높은 대비(contrast)를 보이는 인공 개체를 탐지하는데 유용한 분광지수이다. NDMI는 진흙지대나 습지와 같은 영역이 밝게 나타나는 특성을 갖는 지수로, QUAC(QUick Atmospheric Correction)의 정확도를 높이기 위해 고안되었다. 본래 NDMI는 ρ795(720∼800nm)와 ρ990(830∼995nm)의 협대역 밴드(narrow band)를 사용해야 하지만 본 연구에서는 각 협대역을 포함하는 red-edge와 NIR2 밴드를 대신 사용하였다. 사용한 각 분광지수의 수식은 Table 1과 같으며, 괄호 안의 숫자들은 밴드 번호를 의미한다.

Table 1.Mathematical expressions of the spectral band ratios

2.2 의사결정 트리 설계

의사결정 트리란 의사결정 규칙을 계층적인 트리 구조로 도식화하여 분류하는 기법으로, 보다 균질한 특성을 갖는 부분집합으로 나눠지도록 회귀적으로 분류를 수행한다. 의사결정 트리 분류 기법은 직관적으로 이해가 쉽고, 유연하며, 계산상 효율적이라는 장점이 있다(Friedl and Brodley, 1997). 제안한 기법에서 분류하고자 하는 개체 클래스는 건물, 도로, 식생, 나지, 수계, 그림자이며, 이를 위해 설계한 의사결정 트리는 Fig. 2와 같다.

Fig. 2.Decision tree classification hierarchy

다중분광 영상에서 분광특성을 통해 가장 분류해내기 쉬운 클래스는 수계이다. 그런데, 수계는 그림자와 매우 비슷한 분광 특성을 가지므로, 첫 번째 단계에서는 NDWI 값을 기준으로 하여 수계와 그림자를 포함하는 어두운 영역과 그 밖의 상대적으로 밝은 영역으로 분류를 수행한다. 그림자와 수계를 구분하기 위해서는 각각의 특성을 분석할 필요가 있다. 수계와 그림자는 분광적으로는 매우 유사하지만, 기하하학적으로 보면 일반적으로 수계는 그림자에 비해 상대적으로 넓은 영역에 걸쳐 분포하기 때문에, 수계 슈퍼픽셀들은 서로 인접하여 분포하며 그 크기 역시 그림자 영역에 비해 큰 특성을 갖는다. 이러한 특성에 기반하여 의사결정 트리 두 번째 단계에서는 어두운 영역으로 분류된 슈퍼픽셀들 중 동일 클래스로 분류된 이웃화소들간의 병합 후, 병합된 세그먼트의 크기가 일정값 이상 큰 경우 수계로 분류하고, 그보다 작은 경우 그림자로 할당한다. 수계 다음으로 두드러진 분광 특성을 갖는 클래스는 식생이므로, 밝은 영역에 대해서는 NDVI값을 기준으로 식생 후보군과 비식생 영역으로 분류를 수행한다. 이후 세번째 단계에서는 비식생 영역을 NDSI값을 통해 나지 후보군과, 인공물 영역으로 분류한다. 네 번째 단계에서는 인공물 영역을 도로 영역과 건물 영역으로 분리하는데, 이 때, NDMI값을 이용하였다. 도로와 건물, 특히 어두운 밝기값을 갖는 지붕들 간의 분리는 매우 어려운데, 실험적으로 분석해본 결과 도로가 건물들에 비해 대체로 밝은 NDMI값을 갖는 것을 확인할 수 있었다. 건물은 그 형태와 분광특성이 매우 다양하여 분류해내기가 매우 까다로운 개체이다. 실례로 파랑 또는 녹색계열 지붕의 건물들은 식생과 매우 유사한 NDVI값을 나타내며, 노랑, 갈색 및 흰색 계열의 지붕을 갖는 건물들은 NDSI값을 기준으로 한 분류에서 나지로 분류되는 경향이 있다. 이에 식생과 나지로 오분류된 빌딩 개체들을 다시 분리해내는 작업이 필요한데, 이를 위해 NHFD를 사용하여 식생후보군과 나지후보군으로부터 건물 개체들을 추출해내었다. 각 단계에서 분류된 슈퍼픽셀들은 동일 클래스로 분류된 이웃화소들의 비율에 따라 병합하였으며, 각 단계에서 사용된 분광지수 임계치는 실험적으로 결정하였다.

3. 실험 및 결과

3.1 실험 데이터

제안한 개체 추출 기법의 효용성을 평가하기 위하여 WorldView-2 위성영상을 사용하였다. WorldView-2 영상의 제원은 Table 2와 같으며, 통상적으로 흑백 영상의 공간해상도는 0.5m로, 다중분광 밴드 영상의 해상도는 2m로 조정되어 제공되고, 위성의 재방문 주기는 1.1일이다. 사용한 실험 데이터는 2010년 9월에 촬영된 서울 영상(Fig. 3(a))과, 2010년 1월에 촬영된 브라질 리오 영상(Fig. 3(b))이다. 대상지1은 다양한 색깔의 건물들과 도로, 나무, 잔디밭, 운동장, 강, 주차장 등이 있는 도심지 영역이며, 대상지2는 바다와 다양한 형태의 건물, 도로, 공원, 공사지, 대형 버스, 등을 포함하는 해안가 영상으로 각 영상의 크기는 1000×1000 화소이다.

Table 2.WorldView-2 Instrument performance parameters

Fig. 3.Test sites, (a) site 1: urban area in Seoul, (b) site 2: seaside area in Rio

3.2 적용 및 분석

Fig. 4는 다중해상도 영상분할 기법으로 생성된 두 실험 대상지의 과분할된 슈퍼픽셀 영상이다. 이를 위해 eCognition Developer를 사용하였으며, 실험적으로 축척 계수(scale parameter)는 50, shape와 compactness 계수는 각각 0.3과 0.7로 할당하였다. 균질한 분광 특성을 갖는 강이나 바다와 같은 수계 영역은 도로나 건물 등의 인공지물에 비해 큰 조각으로 분할되었다. 슈퍼픽셀 영상으로부터 Fig. 5와 Fig. 6과 같이 5가지의 분광지수 영상을 생성한다. 식생 영역은 NDVI 영상에서 밝게 나타나며, 수계 및 그림자 영역은 NDWI 영상에서 밝게 나타난다. 운동장과 같은 나지는 NDSI 영상에서 어둡게, 건물, 도로 등의 인공물은 NHFD 영상에서 상대적으로 어둡게 나타나며, NDMI 영상에서는 수계 영역이 밝게 보이고 도로도 다소 밝게 나타남을 확인할 수 있다. 의사결정 트리를 이용한 분류과정에서 사용된 임계치들은 실험적으로 결정하였으며, NDVI와 NDWI 영상의 경우 약 0.3 정도의 값으로, 나머지 NDSI, NHFD, NDMI의 임계치들은 0에 가까운 값을 갖는다. 이 때, 사용된 임계치 영상은 Fig. 7과 8과 같다.

Fig. 4.Over-segmented super-pixels, (a) site 1, (b) site 2

Fig. 5.Spectral Indices of site 1, (a) NDVI, (b) NDWI, (c) NDSI, (d) NHFD, (e) NDMI

Fig. 6.Spectral Indices of site 2, (a) NDVI, (b) NDWI, (c) NDSI, (d) NHFD, (e) NDMI

Fig. 7.Threshold images of site 1, (a) NDVI, (b) NDWI, (c) NDSI, (d) NHFD, (e) NDMI

Fig. 8.Threshold images of site 2, (a) NDVI, (b) NDWI, (c) NDSI, (d) NHFD, (e) NDMI

Fig. 9와 Fig. 10은 두 실험 대상지의 최종 결과 영상이다. Fig. 9은 분류 결과 영상으로 파랑은 수계, 초록은 식생, 노랑은 나지, 빨강은 건물, 옅은 회색은 도로, 짙은 회색은 그림자를 나타내며, Fig. 10은 추출된 각 개체들을 폴리곤으로 표현한 결과 영상이다. 실험결과를 원영상 및 대상지1은 1:5000 세분류 토지피복도(환경부), 대상지2는 구글맵과 함께 비교해 본 결과, 수계와 그림자 개체들은 대체로 잘 추출되었으며, 건물, 나무 등의 경계에서 누락된 그림자 영역이 다소 존재하였다. 식생 영역은 도로, 나지, 건물 등과 중첩되거나 바로 인접해 존재하는 경우가 많아 실제 식생영역보다 과추출되는 경향을 보이며, 상대적으로 폭이 넓은 도로들은 잘 추출되지만, 폭이 좁은 도로들은 식생 및 그림자들에 의해 폐색되어 온전한 형태로 추출되기 어려웠다. 건물의 경우 대상지의 존재하는 실제 건물과 비교하여 정확도를 측정해본 결과 총 61개의 건물이 존재하는 대상지1에서는 56개의 건물이 추출되었으며, 나머지 5개의 건물이 나지나 도로로 오분류되어 91.8%의 생산자 정확도를 보였다.

Fig. 9.Classification results, (a) site 1, (b) site 2

Fig. 10.Extracted features, (a) site 1, (b) site 2 (a) (b)

그 밖의 농구장이나 주차장과 같은 인공물이 건물로 분류된 것을 확인할 수 있다. 대상지2에는 총 28개의 건물이 분포하는데 이중 25개가 추출되었으며 나머지는 도로 또는 나지로 오분류되어 89.3%의 생산자 정확도를 나타내었다. 주차장과 버스 등이 건물로 분류되어 실제 건물보다 많은 수의 건물 개체가 추정되었다.

4. 결 론

본 연구에서는 8밴드의 WorldView-2 고해상도 영상으로부터 다양한 개체들을 효과적으로 추출할 수 있는 방법을 제안하고자 실험적인 연구를 수행하였다. 제안한 기법은 다중해상도 영상분할 기술을 이용한 객체기반의 알고리즘이며, 안정적이고 간단하면서도 효율적인 개체의 분류를 위해 분광지수를 이용한 의사결정 트리 분류를 수행하였다. 이러한 과정을 통하여 건물, 도로, 나지, 식생, 수계, 그림자의 6개 클래스에 대한 개체들을 각기 추출하였으며 그 결과, NDVI, NDWI, NDSI, NHFD, NDMI를 포함하는 분광지수들이 각 개체의 종류를 선별해내는데 효과적으로 사용될 수 있음을 확인하였다. 이를 보다 정량적으로 검증하기 위해서 향후 기존의 객체 기반의 개체 추출 기법들과의 비교하여 평가할 예정이며, 분류과정에서의 오분류와 영역병합 과정에서의 누락에 의한 오차들을 개선하기 위해 보다 다양한 분광지수들에 대한 실험연구가 필요하다. 또한 초기 과분할시 필요한 계수들과 각 분류 단계에서 사용되는 분광지수 임계치들에 따라 결과가 영향을 받으므로, 보다 안정적인 결과를 위해서 각 임계치와 분할에 사용되는 축척계수들을 정량적이고 합리적으로 결정할 수 있는 방법을 고찰해보고자 한다.