Journal of Cadastre & Land InformatiX (지적과 국토정보)

LX Spatial Information Research Institute (한국국토정보공사 공간정보연구원)
권호 표지
DOI QR코드

DOI QR Code

Evaluation of Grid-Based ROI Extraction Method Using a Seamless Digital Map

연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가

  • 정종철 (남서울대학교 공간정보공학과)
  • Received : 2019.04.30
  • Accepted : 2019.06.18
  • Published : 2019.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Extraction of region of interest for satellite image classification is one of the important techniques for efficient management of the national land space. However, recent studies on satellite image classification often depend on the information of the selected image in selecting the region of interest. This study propose an effective method of selecting the area of interest using the continuous digital topographic map constructed from high resolution images. The spatial information used in this research is based on the digital topographic map from 2013 to 2017 provided by the National Geographical Information Institute and the 2015 Sejong City land cover map provided by the Ministry of Environment. To verify the accuracy of the extracted area of interest, KOMPSAT-3A satellite images were used which taken on October 28, 2018 and July 7, 2018. The baseline samples for 2015 were extracted using the unchanged area of the continuous digital topographic map for 2013-2015 and the land cover map for 2015, and also extracted the baseline samples in 2018 using the unchanged area of the continuous digital topographic map for 2015-2017 and the land cover map for 2015. The redundant areas that occurred when merging continuous digital topographic maps and land cover maps were removed to prevent confusion of data. Finally, the checkpoints are generated within the region of interest, and the accuracy of the region of interest extracted from the K3A satellite images and the error matrix in 2015 and 2018 is shown, and the accuracy is approximately 93% and 72%, respectively. The accuracy of the region of interest can be used as a region of interest, and the misclassified region can be used as a reference for change detection.

위성영상 분류를 위한 관심 지역 추출은 국토 공간을 효율적으로 관리하기 위한 중요한 기술 중 하나이다. 하지만 위성영상 분류에 관한 최근의 연구들은 관심 지역을 선택하는데 있어서 영상 내의 정보에 의존하는 경우가 많다. 본 연구에서는 고해상도 영상으로부터 구축된 공간정보인 연속수치지형도를 활용하여 효과적인 관심 지역 선택 방안을 제시하였다. 본 연구에 사용된 공간정보는 국토지리정보원에서 제공하는 2013년~2017년 연속수치지형도와 환경부에서 제공하는 2015년 세종시 토지피복도를 활용하였다. 공간정보를 통해 추출된 관심 지역의 정확도 검증을 위해 2015년 10월 28일과 2018년 7월 7일 촬영된 KOMPSAT-3A호 위성영상을 사용하였다. 2013년~2015년 동안 연속수치지형도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하여 2015년 기초샘플을 추출하였다. 또한, 2015년~2017년 동안 연속수치지형도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하여 2018년 기초샘플을 추출하였다. 연속수치지형도와 토지피복도를 융합할 때 발생하는 중복된 영역은 데이터의 혼동을 방지하기 위해 모두 제거하였다. 최종적으로 관심 지역 내에서 검사점을 생성하고, 2015년, 2018년 K3A 위성영상과 오차행렬을 통해 추출된 관심 지역의 정확도를 나타냈으며 전체 정확도는 각각 약 93%, 72%로 나타났다. 관심 지역의 정확도 검증을 통해 정확하게 분류된 지역은 관심 지역으로써 사용할 수 있고 오분류된 지역은 변화탐지를 위한 참고자료로서 활용할 수 있다고 판단된다.

Keywords

HGGTBM_2019_v49n1_103_f0001.png 이미지

Figure 1. Study area in Sejong city (top) and K3A image (a) Oct 28, 2015 (b) July 7, 2018

HGGTBM_2019_v49n1_103_f0002.png 이미지

Figure 2. Flowchart of ROI extraction

HGGTBM_2019_v49n1_103_f0003.png 이미지

Figure 3. An example of ROI extraction from Seamless digital map (a) 2015 Land cover map in Sejong (b) ROI with 100m x 100m grid applied.

HGGTBM_2019_v49n1_103_f0004.png 이미지

Figure 4. Comparison of seamless digital map from 2013 to 2017 and unchanged areas.

HGGTBM_2019_v49n1_103_f0005.png 이미지

Figure 5. Result of ROI extraction based on spatial information and ground truth points for accuracy verification.

HGGTBM_2019_v49n1_103_f0006.png 이미지

Figure 6. Ground truth points appeared in Table 2.

Table 1. Data source and list of spatial information for ROI extraction

HGGTBM_2019_v49n1_103_t0001.png 이미지

Table 2. Confusion matrix between ROI ground truth points during 2013-2015 and 2015 K3A image (OA=Overall accuracy)

HGGTBM_2019_v49n1_103_t0002.png 이미지

Table 3. Confusion matrix between ROI ground truth points during 2015-2017 and 2018 K3A image (OA=Overall accuracy)

HGGTBM_2019_v49n1_103_t0003.png 이미지

References

  1. Oh JH, Lee CN. 2015. Urban Change Detection Between Heterogeneous Images Using the Edge Information. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 33(4):259-266. https://doi.org/10.7848/ksgpc.2015.33.4.259
  2. Cho KH, Jeong JC. 2018. Automatic selection method of ROI(region of interest) using land cover spatial data. Journal of Cadastre & Land InformatiX. 48(2):171-183. https://doi.org/10.22640/LXSIRI.2018.48.2.171
  3. Huang X, Weng C, Lu Q, Feng T, Zhang L. 2015. Automatic Labelling and Selection of Training Samples for High-Resolution Remote Sensing Image Classification over Urban Areas. Remote Sensing. 7(12):16024-16044. https://doi.org/10.3390/rs71215819
  4. Jiang D, Huang Y, Zhuang D, Zhu Y, Xu X, Ren H. 2012. A Simple Semi-Automatic Approach for Land Cover Classification from Multispectral Remote Sensing Imagery. PLoS ONE 7(9):e45889. doi:10.1371/journal.pone.0045889
  5. Kiadtikornthaweeyot W, Tatnall A. 2016. Region of interest detection based on histogram segmentation for satellite image. International Society for Photogrammetry and Remote Sensing. XLI-B7:249-255.
  6. Neware R, Khan A. 2018. Identification of agriculture areas in satellite images using Supervised Classification Technique. The Journal of creative behavior. 6(2):682-688
  7. Postadjian T, Bris A, Sahbi H, Mallet C. 2017. Investigating the potential of deep neural networks for large-scale classification of very high resolution satellite images. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences. 4:183-190. https://doi.org/10.5194/isprs-annals-IV-1-W1-183-2017
  8. Zhang L, Chen J, Qiu B. 2016. Region of interest extraction in remote sensing images by saliency analysis with the normal directional lifting wavelet transform. Neurocomputing. 179:186-201. https://doi.org/10.1016/j.neucom.2015.11.093