1. 서 론

지구 온난화로 인한 전 세계적인 기온 상승은 해수의 온도를 비정상적으로 변화시키는 엘니뇨, 라니냐 현상의 원인이 된다. 이러한 비정상적인 변화는 강우 현상을 특정 지역에 집중시키도록 작용한다(Kiem et al., 2003). 이로 인해 전 세계적으로 대규모의 홍수 발생이 빈번해지고 있으며 이에 따른 인명, 재산상의 피해 역시 증가하는 경향을 보이고 있다(Moel and Aerts, 2011). 홍수로 인한 피해를 신속하게 복구하기 위해서는 침수피해지역을 파악하고 이에 기반하여 효과적인 복구계획을 세워야 한다. 위성영상을 활용한 홍수피해 지역 추정은 넓은 범위에 걸쳐 발생하는 홍수 지역을 효과적으로 관측할 수 있다(Martinis and Twele, 2010). 특히, 투과율이 높은 긴 파장의 마이크로파를 직접 쏴서 지구를 관측하는 SAR(Synthetic Aperture Radar) 위성의 경우 시간이나 기상조건에 상관없이 영상을 획득할 수 있기 때문에 영상 획득률이 낮은 광학 영상의 단점을 보완할 수 있다(Schumann et al., 2011). 그렇기 때문에 홍수 지역을 관측하는데 있어서는 SAR 영상을 이용하는 것이 가장 효율적이다.

SAR 영상을 이용한 홍수 탐지에서 가장 많이 이용되는 방법은 임계값을 이용하여 두 영상 사이의 변화를 탐지하는 방법이다(Bazi et al., 2005). 일반적으로 수면은 입사한 마이크로파의 대부분을 반사각 방향으로 반사하기 때문에 홍수가 난 픽셀의 후방산란(back-scattering)값은 다른 픽셀에 비해 현저하게 낮은 값을 가지게 된다(Mason et al., 2007). 이러한 영상은 두 개의 피크점을 가지는 bimodal 형태의 히스토그램을 나타내고 두 피크점 사이의 한 점을 임계값으로 설정하면 영상을 물과 물이 아닌 픽셀로 이분화 할 수 있다 (Pulvirenti et al., 2011). 이러한 방식으로 홍수 전후의 영상을 이분화하여 땅에서 물로 변한 픽셀을 찾으면 홍수로 인한 침수지역을 탐지할 수 있다. 초기에는 임계값을 설정할 때 히스토그램의 두 피크점 사이의 값을 직접 눈으로 보면서 결정하였다(Oberstadler et al., 1997). 하지만 이러한 방식은 분석을 하는 사람에 따라 다른 결과가 나오게 되고 여러 영상에서 임계값을 결정하는 경우 일관성이 없다는 문제점이 발생한다. 이러한 문제점을 해결하기 위해 두 피크점 사이에서 임계값을 자동으로 설정하는 연구가 소개되었다(Bazi et al., 2007).

레이더 간섭기법을 통해 생성되는 긴밀도(coherence) 영상을 강도(amplitude) 영상과 함께 이용하여 홍수 지역을 탐지하는 연구도 진행되었다(Selmi et al., 2014). 긴밀도 영상은 두 영상 사이의 불상관성(decorrelation) 정도를 나타내는 영상이다. 0에서 1사이의 값으로 표현되며 두 영상사이의 상관성이 높은 픽셀일수록 긴밀도 영상에서 큰 값을 가진다. 즉, 긴밀도 영상에서 큰 값을 가질수록 두 영상이 촬영된 시간 간격동안 피복의 변화가 없었다고 분석할 수 있다. 일반적으로 도심부의 경우에는 긴밀도가 크게 나오고 수면, 초지, 숲 등지에서는 작은 긴밀도 값이 나타난다(Touzi et al., 1999). 홍수로 인해 침수가 된 지역은 두 영상 사이의 상관성이 낮아졌기 때문에 작은 긴밀도 값을 가지게 된다. 긴밀도 값은 두 영상이 촬영된 시간 간격에 영향을 많이 받기 때문에 긴밀도를 활용한 홍수 탐지는 주로 ERS 위성의 tandem 미션으로 촬영된 영상을 이용하여 연구되었다(Dellepiane et al., 2000).

이외에도 스네이크(snake) 알고리즘을 적용하여 홍수를 탐지(Mason et al., 2010)하는 등 많은 방법들이 연구됐지만 영상에서 홍수를 탐지하기 위해 가장 적합한 필터가 무엇인가에 관해서는 연구가 부족한 것이 현실이다. SAR 위성을 통해 수신된 신호는 영상화 과정에서 여러 산란체의 후방산란 값을 한 픽셀 안에 따로 표현할 수 없기 때문에 스펙클 노이즈가 발생한다. 필터링 단계에서 산란체의 반사 특성을 유지하며 스펙클 노이즈를 효과적으로 제거하는 필터링을 적용한다면 홍수탐지를 위해 새로운 방법을 적용하는 것보다 더욱 쉽게 결과를 향상시킬 수 있다. Ozdarici and Akyurek(2010)은 SAR의 강도 영상에 여러 가지 필터를 적용하고 그 결과를 비교하여 농지를 추출하는데 가장 적합한 필터가 무엇인지 연구하였다. 홍수는 침수 피해를 유발하기 때문에 그 피해지역이 정확히 파악되어야하고 건물과 건물 사이와 같은 좁은 영역에서 발생하는 홍수를 탐지하기 위해서는 각각의 객체 사이의 경계가 시각적으로 인지할 수 있을 만큼 뚜렷해야한다. 또한 홍수지역에서는 단일피복인 물에 의한 반사가 주로 일어나므로 이러한 특성을 반영한 홍수 지역의 후방산란 값은 영상에서 거의 동일하게 나타나야 정확한 탐지가 가능하다. 즉, 홍수탐지에서는 효과적으로 노이즈를 제거하는 동시에 객체 경계를 뚜렷이할 수 있는 필터링 기법이 요구된다.

본 연구에서는 임계값 설정 기법을 이용한 홍수탐지에 앞서 영상에 각기 다른 3가지(Lee, Frost, Non-Local means) 필터를 적용하였고 그 결과 만들어진 영상을 이용하여 홍수 지도를 생성하였다. 필터링 처리를 하지 않은 영상으로부터 생성된 홍수지도를 포함한 총 4장의 홍수지도에서 네 군데의 테스트 사이트를 선정하여 노이즈 저감 정도, 해상도의 변화 등을 비교하여 홍수탐지에 가장 적합한 필터링 기법을 제시하고자 한다.

2. 연구이론 및 방법

2.1 연구 흐름

본 연구에서는 2008년 7월 미시시피강 범람에 의한 침수지역을 탐지하기 위해 홍수기간 중 획득된 영상 두 장을 이용하여 홍수 지도를 생성하였다. TerraSAR-X의 Raw 데이터를 처리하여 얻어진 SLC(Single Look Complex) 영상에 range와 azimuth 방향으로 각각 5룩의 멀티룩을 적용하였다. 따라서, 멀티룩 영상의 픽셀 크기는 약 10m × 10m이다. 두 장의 멀티룩 영상은 입사각(local incidence angle)이 고려되어 있지 않기 때문에 동일 궤도에서 촬영한 같은 지역의 영상일지라도 후방산란 값의 분포 패턴이 다르게 나타난다(O`Grady et al., 2013). 이러한 현상은 탐지의 정확도에 영향을 미치므로 정확한 분석을 수행하기 위해 수치표고모델(Digital Elevation Model)과 궤도 자료를 이용하여 각 픽셀에서의 입사각에 의한 효과를 보정한 시그마넛 영상을 생성하였다. 생성된 시그마넛 영상에 필터링을 적용하기 위해 dB 단위로 변환하여 주었다. TerraSAR-X의 영상으로부터 dB 단위의 시그마넛 영상을 생성하는 식은 Eq. (1)과 같이 표현할 수 있다.

where, δ : sigma nought value, 𝛖 : the radar brightness, θLIA :local incidence angle.

각각의 필터링 결과 생성된 홍수 지도의 홍수 탐지 정확도를 비교하기 위해 시그마넛 영상에 5 × 5 크기의 LEE, Frost, NL-means 필터를 적용하였다. 이후 thresholding 기법을 이용해 필터링 된 영상을 물과 물이 아닌 픽셀로 분류하였다. 일반적으로 SAR 영상은 레일리 분포를 따르지만 dB 단위로 변환한 뒤에는 가우시안 분포를 따른다는 특성을 가진다. 또한 두 클래스 분류의 오차를 최소화하여야 한다는 점을 고려하여 KI thresholding 알고리즘을 이용하였다. 이 알고리즘은 가우시안 분포를 따른다고 가정되는 영상에 적용가능하며 피복을 나눌 때 두 피복이 분류되는 오차를 최소화시켜 준다는 특징을 가진다. 이후 이분화된 두 장의 영상에서 변화를 탐지하여 만들어진 홍수지도를 비교하여 홍수탐지에 가장 효과적인 필터링 기법을 찾는 연구를 진행하였다.

2.2 Lee filter

Lee 필터는 M × N 의 2차원 영상 내에서 지정된 (2m+1) × (2n+1)의 윈도우 영역의 픽셀이 갖는 평균, 표준편차 같은 지역적 통계 특성을 이용한다. 선형화된 스펙클 모델에 기반한 Lee 필터는 Eq. (2)와 같이 표현된다(Lee, 1982). k는 지역적인 통계값에 기초한 필터링 계수로 0부터 1사이의 값을 가진다. k값이 비슷한 지역 지역에서는 값이 0에 가까워지고 경계선과 같이 거칠기 정도가 급격하게 변화하는 부분에서는 1에 가까운 값을 가지게 된다.

where, : mean of pixels in the window, k : a filtering coefficient, a : pixel value of center of the window.

2.3 Frost filter

Frost 필티는 인접한 공간일수록 두 지점의 상관성이 높다는 전제를 바탕으로 필티령을 수행한다 윈도우의 중앙에서 멀어질수록콩간적인 상관성이 떨어지기 때문에 상대적으로 낮은가중치를주어 픽셀값을계산한다 Frost 필티는 Eq. (3)과 같이 표현할 수 있다(Frost et al., 1981). (i, j) 의 범위는윈도우의 크기에 의해 정의되고 w(x+i,y+j)는 거리 가중치계수로 Eq. (4)으로 정의되며 이 때 t는 로 정의된다 α값이 0에 근접함에 따라 필티의 효과는 평균필티와 유사해지고 α의 값이 커질수록 현재 픽셀의 값이 변하지 않고 그대로 유지된다.

where, (x,y) pixel coordinate, (i,j) added pixel coordinate, w : weight factor, a : pixel value, K0 : normalized constant, α : adaptive constant determined by local statistics, t the distance between (x,y) and (x+i,y+ j).

2.4 NL-means filter

NL-means 필터는 값을 구하려는 대상 픽셀 주변의 픽셀 뿐 아니라 영상에 존재하는 모든 픽셀의 값을 고려한다. 한 픽셀의 값을 결정할 때 영상에 존재하는 모든 픽셀은 현재 대상 픽셀과 얼마나 유사한 공간적 특성을 가지는지에 따라 0~1사이의 가중치를 부여 하고 각각의 픽셀의 후방산란 값과 가중치의 곱을 모두 합한 값을 대상 픽셀의 값으로 결정한다. NL-means 필터를 식으로 표현하면 Eq. (5)와 같다(Buades and Coll, 2005). (x,y)는 NL-means 필터를 적용할 픽셀을 의미하며 w(i,j)는(x,y)픽셀에 대해 a(i,j)가 가지는 가중치를 의미한다.

where, (x,y) : pixel coordinate, w :weight factor, (i,j) : all pixel coordinate, a : pixel value.

3. 연구대상지역 및 실험영상

홍수매핑을 위한 레이더 필터 성능을 비교하기 위해 2008년 미국의 미시시피강 홍수기간중 이 일대를 촬영한 SAR 영상을 이용하였다. 연구에 사용한 자료는 TerraSAR-X의 stripmap 모드로 촬영된 영상으로 두 장 모두 ascending이며 VV편파를 이용하여 촬영되었다. 사용한 영상의 시기는 Table 1에서 확인할 수 있듯이 7월 4일과 7월 15일에 촬영된 영상이다. 2008년에 발생한 미시시피강 홍수는 6월 중순부터 시작하여 7월 말까지 지속되었기 때문에 본 연구에 이용한 영상이 촬영된 시기는 각각 홍수가 최고높이에 도달한 시점과 홍수의 수위가 어느 정도 낮아진 시점이다. 따라서 본 연구에서는 땅에서 물로 변한 픽셀을 탐지하지 않고 물에서 땅으로 변한 것으로 추정되는 픽셀을 탐지하였다.

Table 1.Characteristics of TerraSAR-X image in this study

미시시피강은 미국을 남에서 북으로 가로지르는 미국 최대 규모의 강으로 북부의 이스타카호에서 발원한다. 미국의 30%에 달하는 지역이 미시시피강으로부터 물을 공급받고 이 일대의 비옥한 프레리 토양은 밀, 옥수수, 사탕수수 등의 작물을 재배하기 적합해 미국의 주요농업지대중 하나이다. 또한 미국의 납, 아연 광산과 석유 정제 시설의 대부분이 이 유역에 위치하기 때문에 이 일대에 홍수가 발생하면 미국뿐 아니라 국제 경제에 큰 영향을 미친다. 실제로 미시시피강은 거의 매년 범람하고 있으며 2000년대에 들어서만 4번의 큰 홍수가 있었다. 2011년에 발생했던 미시시피강 대홍수의 경우에는 역대 홍수 중 가장 큰 규모와 피해를 기록했다. 이 당시에 국제 곡물 가격이 상승하였을 뿐 아니라 국제 유가 역시 상승하여 전세계적으로 경제흐름에 영향을 미쳤다.

Fig. 1.Study area

4. 연구 결과 및 고찰

Fig. 2의 (a)~(d)는 4일, (e)~(f)는 15일 영상을 처리하여 획득한 영상값의 분포를 히스토그램으로 표현한 것이다. 물에 의해 생기는 피크의 분산은 필터링 되지 않은 4일, 15일 영상에서 각각 1.44, 1.40 Lee 필터에서는 각각 1.14, 1.30 Frost 필터에서는 각각 1.26, 1.25 NL-means 필터에서는 각각 1.02, 1.16으로 NL-means 필터를 적용한 영상에서 가장 낮게 나타났다. 낮은 분산은 단일피복에 의한 픽셀 값이 비슷하다는 것을 의미하며 해당 피복을 더욱 쉽게 영상으로부터 분리할 수 있다. 반면 물이 아닌 픽셀에 의한 피크에서 계산된 분산은 Frost 필터를 적용한 영상에서 각각 2.20과 2.22로 가장 작은 분산을 갖는 것을 확인할 수 있다. 이는 Frost 필터가 적용된 영상에서 뭉개짐 현상이 가장 심하게 나타나는 것과 연관이 있는 것으로 생각된다. 필터 적용시 도시, 숲, 농경지 등 물이 아닌 픽셀의 후방산란 값이 뭉개짐 현상에 의해 그 값의 경계가 모호해져 낮은 분산을 가지게 되지만 NL-means 필터가 적용된 영상의 경우 서로 다른 객체들을 구분하여 그 사이의 경계를 보존했기 때문에 Frost 필터를 적용했을 때에 비해 분산이 더 크게 계산된 것으로 보여진다.

Fig. 2.Histogram of images. (a) 080704 non filtered image (b) 080704 Lee filtered (c) 080704 Frost filtered (d) 080704 NL-means filtered (e) 080715 non filtered image (f) 080715 Lee filtered (g) 080715 Frost filtered (h) 080715 NL-means filtered

영상을 이분화 할 때는 두 피크점 사이의 범위가 클수록 서로 다른 피복을 정확하게 분류할 가능성이 크다. 두 피크간의 거리는 4일 영상에서 11.78, Lee 필터 11.49, Frost 필터 11.30, NL-means 필터에서는 11.64이고 15일의 영상에서 11.52, Lee 필터에서 11.05, Frost 필터에서 10.98, NL-means 필터에서 11.22이다. 각각의 날짜에서 원영상에서의 값이 가장 크고 그 다음이 NL-means, Lee, Frost 순서이다. 원영상에서 값이 가장 큰 이유는 스펙클 노이즈가 참값에 곱해진 형태로 존재하기 때문에 두 피크 사이의 거리가 더욱 벌어진 것으로 판단된다. 필터가 적용된 4일과 15일 영상에서 NL-means 필터를 적용한 영상의 피크 사이 간격이 가장 넓으므로 물과 물이 아닌 픽셀을 가장 잘 분류할 수 있다.

Fig. 3은 각각의 영상을 이용하여 생성된 홍수지도이고 빨갛게 표시된 지역이 홍수가 발생한 영역이다. Fig. 3(a)는 필터링을 거치지 않은 영상, Fig. 3(b)는 Lee 필터, Fig. 3(c)는 Frost필터, Fig. 3(d)는 NL-means 필터를 적용한 영상을 이용하여 생성한 것이다. 각각의 필터링의 성능을 비교하기 위해 다음과 같이 A, B, C, D 네 곳의 테스트 사이트를 선정하여 노이즈 저감 효과, 해상도 변화, 탐지 정확도를 비교하였다.

Fig. 3.Flood map generated by each filtered image. red color represents flood area. (a) Non filtered (b) Lee filtered (c) Frost filtered (d) NL-means filtered

Fig. 4는 Fig. 3의 A 지역을 확대한 그림이다. 왼쪽 상단과 하단의 지형은 주거지역이고, 영상의 중앙은 상업지역이다. 필터를 적용하지 않은 영상의 경우 해상도는 나쁘지 않지만 스펙클 노이즈의 영향으로 영상을 해석하는데 어려움이 있다(Fig. 4(a)). Lee 필터를 적용한 영상의 경우에는 스펙클 노이즈를 어느 정도 저감시켰지만 해상도는 원영상에 비해 나빠졌다(Fig. 4(b)). Frost 필터를 적용한 경우에는 Lee 필터를 적용한 영상보다 스펙클 노이즈가 많이 감소하였지만 그에 따라 영상의 해상도 역시 많이 나빠졌다(Fig. 4(c)). NL-means 필터를 적용한 경우에도 스펙클 노이즈가 크게 감소하였다. 하지만 Frost 필터와는 달리 영상의 해상도에는 변화가 없다. 오히려 주거지역과 상업지역 경계, 시내와 도로의 경계가 훨씬 뚜렷해졌다(Fig. 4(d)). 즉, NL-means 필터를 적용한 영상이 스펙클 노이즈를 가장 효과적으로 저감하면서 객체 요소간 경계를 더욱 뚜렷하게 해주므로 홍수 탐지에서 더욱 정확한 결과를 도출할 수 있다.

Fig. 4.Magnification image of site A. (a) Non filtered (b) Lee filtered (c) Frost filtered (d) NL-means filtered

Fig. 5는 Fig. 3의 B 지역을 확대한 그림이다. Fig. 5의 (a)와 (b)는 각각 4일과 15일의 영상이다. 이 지역은 많은 수의 밭이 인접하고 있어 둑이 많다. 수위가 높을 때인 Fig. 5(a) 영상에서 하얗게 표시된 박스 내부에 완전히 잠기지 않은 둑이 존재한다. Fig. 5(c)에서 볼 수 있듯이 필터를 거치지 않은 영상을 이용한 경우 이 둑이 완전히 잠기지 않았었음을 탐지하였지만 스펙클 노이즈의 영향에 의해 오탐지된 픽셀이 많이 존재해 홍수 탐지가 적절히 이루어진 것이라고 보기 어렵다. Fig.5(e)의 박스 내부를 살펴보면 Frost 필터를 적용한 경우 홍수로 인해 잠겼던 둑을 정확히 탐지하지 못했다. 좁은 폭을 가지는 둑이 뭉개짐 현상으로 인해 주변 물 픽셀의 영향을 받아 후방산란 값이 감소하였고 그 결과 실제로는 잠기지 않았던 둑을 홍수로 오탐지하거나 실제 침수지역을 탐지하지 못한 것이다. 하지만 Lee 필터와 NL-means 필터를 적용한 영상에서는 홍수로 인해 잠겼던 둑만 정확히 탐지하였을 뿐만 아니라 스펙클 노이즈에 의한 오탐지도 거의 나타나지 않았다(Fig. 5(d), Fig. 5(f)).

Fig. 5.Magnification image of site B. (a) 080704 non filtered image (b) 080715 non filtered image (c) Non filtered (d) Lee filtered (e) Frost-filtered (f) NL-means-filtered

Fig. 6은 Fig. 3의 C 지역을 확대한 그림이다. Fig. 6(a)와 Fig. 6(b)는 4일과 15일 영상이며 Fig. 6(c)~Fig. 6(g)의 빨갛게 표시된 지역은 각각의 결과를 통해 생성된 홍수지도에서 홍수로 탐지한 픽셀이다. Fig. 6(c)는 4일과 15일 영상에서 육안 분석을 통해 얻어진 실제 홍수로 추정되는 영역이다. 필터링 되지 않은 영상을 이용하여 홍수를 탐지한 경우 Fig. 6(d)에서 보는 것과 같이 노이즈의 영향을 받아 홍수로 오탐지되거나 홍수가 탐지되지 않는 경우도 존재한다. Lee 필터를 이용한 경우 강 지역에서 오탐지는 많이 감소하였지만 홍수 영역 내부의 스펙클 노이즈를 저감하는데 한계를 보였다(Fig. 6(e)). Frost 필터와 NL-means 필터는 두 필터 모두 노이즈에 의한 오탐지를 개선하는 효과가 있었다(Fig. 6(f), Fig. 6(g)). 결과의 정확성을 정량적으로 표현하기 위해 실제 홍수 지역인 Fig. 6(c)와 3개의 필터링 결과 생성된 홍수 지도를 비교하였다.

Fig. 6.Magnification image of site C. red points are flood pixel. (a) 080704 non filtered image (b) 080715 non filtered image (c) Visual inspection (d) Non filtered (e) Lee filtered (f) Frost filtered (g) NL-means filtered

Table 2는 육안 분석을 통해 추정한 홍수 영역을 각각의 필터가 적용된 영상을 이용하여 탐지한 홍수 영역과 매칭하여 만들어진 Error Matrix이다. 필터 처리가 되지 않은 영상의 경우 홍수가 발생한 15701개의 픽셀중 9345의 픽셀만을 정확히 탐지하였고 6356개의 픽셀을 탐지하지 못하였으며 침수되지 않은 지역에서는 5639개의 픽셀을 홍수가 발생하였다고 오탐지하였다. Lee 필터를 적용한 경우 실제로 홍수가 발생한 지역을 탐지한 픽셀의 수는 9266개로 오히려 소폭 감소한 결과를 나타냈고 이에 따라 홍수가 발생하지 않았다고 오탐지된 픽셀의 수가 6435개로 증가하였다. 하지만 실제로 홍수가 발생하지 않은 지역에서 홍수라고 오탐지 되는 픽셀의 수는 1153개로 크게 감소하였다. Frost 필터를 적용한 영상에서는 필터링을 적용하지 않은 영상에 비해 더 많은 수의 홍수 영역을 탐지하였고 홍수라고 오탐지 되는 픽셀의 수도 1954개로 크게 감소하였다. NL-means 필터를 적용한 영상에서는 Lee, Frost 필터에 비해 더 많은 수인 11718개의 픽셀을 정확히 탐지했으며 홍수라고 오탐지되는 픽셀의 수도 736 픽셀로 가장 크게 감소하였다.

Table 2.Error matrix of each filtered image

Table 3은 Error Matrix를 기반으로 필터링 된 영상들의 전체정확도, 생산자 정확도, 사용자 정확도, 카파 계수를 계산한 표이다. 필터가 적용되지 않은 영상을 이용하여 생성한 홍수 지도는 약 90.33%의 전체정확도를 보였다. 필터링을 적용하여 생성한 홍수지도의 전체정확도는 각각 93.88%, 94.66%, 96.20%로 각각 3.55%, 4.33%, 5.87%씩 정확도가 상승하였다. 필터링을 적용하지 않은 영상에서 홍수가 발생한 지역에 대한 생산자 정확도는 59.52%, 사용자 정확도는 62.37%로 나타났다. Lee 필터를 적용한 영상에서는 생산자 정확도는 59.02%로 0.5% 감소하였지만 사용자 정확도는 88.93%로 26.56% 증가하였다. Frost 필터를 적용한 영상의 생산자 정확도는 Lee 필터보다 10.71% 증가한 70.23%로 나타났지만 사용자정확도는 4.08% 감소한 84.85%로 나타났다. NL-means 필터를 적용한 영상의 생산자 정확도와 사용자 정확도는 가장 크게 상승하여 각각 74.63%, 94.09%로 나타났다. 비침수지역의 생산자 정확도와 사용자 정확도의 경우 제대로 탐지되는 픽셀의 수가 워낙 크기 때문에 비율로 표현한 정확도에서는 큰 차이를 보이지 않았지만 NL-means 필터를 적용했을 때의 값이 가장 크게 나타났다. 카파계수 역시 NL-means 필터를 적용한 결과 가장 1에 가까운 값을 가졌다. 즉, NL-means 필터를 적용한 영상을 이용하여 홍수를 탐지할 경우 홍수를 탐지할 가능성은 가장 높고 오탐지 가능성은 가장 낮은 것이다.

Table 3.Detection accuracy of each filtered image

Fig. 7은 Fig. 3의 D지역을 확대한 그림이다. 이 지역의 4일 영상과 15일 영상인 Fig. 7(a)와 Fig. 7(b)를 비교해보면 홍수로 인한 침수 지역이 없는 것을 알 수 있다. 하지만 Fig. 7(c)에서 볼 수 있듯이 홍수라고 탐지되는 픽셀이 존재한다. 나무 옆이나 큰 건물의 뒤쪽은 마이크로파가 잘 닿지 않기 때문에 shadow 효과가 나타난다(Kropatsch and Strobl, 1990). 그렇기 때문에 shadow 효과의 영향을 받는 픽셀의 후방산란 값은 원래의 값보다 낮은 값을 가지고 결과적으로 물과 비슷한 낮은 값을 가지게 된다(Mason et al., 2012). 한 두 픽셀씩 산발적으로 존재했던 shadow 픽셀은 상대적으로 뭉개짐 현상이 심한 Lee 필터나 Frost필터를 수행한 뒤에는 주변 값의 영향으로 어느 정도 값이 커지지만 NL-means 필터를 적용한 영상에서는 shadow 픽셀의 값이 크게 달라지지 않는다. 따라서 NL-means 필터를 적용한 영상에서는 필터링 후에도 shadow 픽셀이 물과 비슷한 낮은 후방산란 값을 가지게 되었고 임계값 근처의 값을 가진 shadow 픽셀들이 4일 영상과 15일 영상에서 각각 다른 피복으로 분류되면서 홍수로 오탐지된 것이다. 하지만 D 지역과 같이 shadow 효과로 인해 홍수로 오탐지되는 영역이 전체 영상에서 많은 부분을 차지하지 않기 때문에 홍수 탐지 결과에는 큰 영향을 미치지 못하였다.

Fig. 7.Magnification image of site D. Red points are flood pixel. (a) 080704 multi look image (b) 080715 multi look image (c) Non filtered (d) Lee filtered (e) Frost filtered (f) NL-means filtered

5. 결 론

레이더 영상을 이용한 홍수 탐지에 관한 연구는 꾸준히 진행되어 왔다. 그에 따라 홍수 탐지 방법에 관한 연구는 많이 진행되었지만 홍수 탐지에 가장 적합한 필터링 기법을 찾는 연구는 많이 이루어지지 않았다. 필터링 단계는 영상에서 정보를 추출할 때 방해가 되는 노이즈를 제거함으로써 더욱 정확한 결과물을 추출할 수 있도록 영상을 가공하는 중요한 단계이다. 특히 레이더 위성을 이용하여 홍수를 탐지할 경우 노이즈에 의한 효과를 최대한 저감하면서도 원영상의 해상도를 유지하는 것이 중요하다.

히스토그램 분석 결과 NL-means 필터를 적용한 영상에서 물에 의한 피크의 분산이 가장 낮은 1.02, 1.16으로 나타났고 두 피크 사이의 거리는 11.62, 11.22로 가장 크게 나타났다. 분산이 낮을수록 단일지표가 비슷한 값을 나타낸다는 것을 의미하고 두 피크점 사이의 거리가 멀다는 것은 서로 다른 거칠기를 가지는 피복이 쉽게 구별된다는 것을 의미한다. 즉, 가장 낮은 분산을 가지면서 가장 큰 피크점 사이의 거리를 가지는 NL-means 필터를 적용한 영상이 홍수 탐지에 가장 적합하다. 실제로 NL-means 필터를 적용한 영상이 Lee 필터나 Frost 필터를 적용한 영상에 비해 노이즈의 저감정도가 우수했고 해상도의 변화가 거의 없어 육안으로도 홍수지역과 비침수 지역을 쉽게 구별할 수 있다. 가장 중요한 특징은 효과적으로 노이즈를 저감하면서 객체의 경계를 더욱 강조하기 때문에 본 연구지와 같은 평야지대뿐 아니라 아주 세밀한 탐지가 강조되는 도심지에서도 좋은 결과를 보일 것으로 기대된다. C지역에서 각 필터링에 의한 홍수 탐지 결과를 살펴보면 Frost 필터를 적용한 영상의 경우 필터링 되지 않은 영상보다 1682개 더 많은 홍수 픽셀을 탐지하였고 NL-means 필터를 적용한 영상의 경우 2373개 더 많은 홍수 픽셀을 탐지하였다. 이를 단위 면적으로 환산해보면 NL-means를 적용한 경우 69.1km2에 달하는 홍수 면적을 더 정확히 탐지한 것이다. 홍수 탐지의 정확도만 살펴보면 필터링 되지 않은 영상은 59.52%, Lee 필터를 적용한 경우 59.02%, Frost 필터를 적용한 경우 70.23%, NL-means 필터를 적용한 경우 74.63%로 NL-means 필터를 적용한 경우가 월등히 높은 결과를 보였다. 홍수라고 탐지했지만 실제로는 피침수지일 확률 역시 각각 37.63%, 11.07%, 15.15%, 5.91%로 NL-means를 적용한 영상에서 월등히 낮은 수치를 보였다. 카파계수 역시 0.81로 다른 필터를 적용하였을 때보다 최소 0.07 높아 가장 믿을 수 있는 분류 결과를 보여 주었다. 즉, 홍수를 탐지하기 위해서는 NL-means 필터를 적용하는 것이 가장 좋은 결과를 이끌 낼 수 있었다. 다만 NL-means 필터의 경우 뭉개짐 현상이 적어 shadow 효과에 의해 오탐지되는 픽셀의 수가 Lee나 Frost 필터에 비해 많게 나타났다. 후속 연구에서 이를 효과적으로 제거할 수 있다면 현재는 어렵게 여겨지고 있는 도심지에서 홍수 면적 탐지도 의미 있는 결과를 이끌어 낼 수 있을 것으로 기대된다.