Journal of the Korea Academia-Industrial cooperation Society Vol. 13, No. 6 pp. 2751-2756, 2012 http://dx.doi.org/10.5762/kais.2012.13.6.2751 혼합화소를이용한 IKONOS 영상의감독분류정확도평가 이종신 1, 김민규 1*, 박준규 2 1 충남대학교토목공학과, 2 서일대학교토목과 Accuracy Evaluation of Supervised Classification about IKONOS Imagery using Mixed Pixels Jong-Sin Lee 1, Min-Gyu Kim 1* and Joon-Kyu Park 2 1 Dept. of Civil Engineering, Chungnam National University 2 Dept. of Civil Engineering, Seoil College 요약위성영상을이용한감독분류에서훈련집단의선택은분류정확도에많은영향을미친다. 일반적으로훈련집단의특징이명확한순수화소를선택할경우전체정확도가높은반면, 저해상도영상이거나식별이불분명하여혼합화소를선택하면정확도는저하된다. 그러나실제영상분류를수행할때순수화소만을훈련집단으로선택하는것은매우어렵다. 이에본연구에서는혼합화소를훈련집단으로선택하였을경우적합한분류기법을제시하고자하였다. 이를위해소수의순수화소를훈련집단으로선정하여분류정확도를산출하고같은수의혼합화소를이용한분류결과와정확도를비교하였다. 연구결과, 혼합화소를사용한분류기법들중 의정확도가가장높았으며, 순수화소를이용한분류결과와도가장작은차이를보였다. 따라서훈련집단으로혼합화소를선택할가능성이높은건물및녹지혼합지역에서는 을이용한영상분류가가장적합할것으로판단된다. Abstract Selection of training set influences the classification accuracy in supervised classification using satellite imagery. Generally, if pure pixels which character of training set is clear were selected, whole accuracy is high while if mixed pixels were selected, accuracy is decreased because of low-resolution imagery or unclear distinguishment. However, it is too difficult to choose the pure pixels as training set actually. Accordingly, this study should be suggested the suitable classification method in case of mixed pixels choice. To achieve this, a few pure pixels were chosen as training set and classification accuracy was calculated which was compared with classification result using an equal number of mixed pixels. As a result, accuracy of was the highest among the classification method using mixed pixels and it was a relatively small difference with the result of classification using pure pixels. Therefore, imagery classification using is most suitable in the mixed area of construction and green because it is high possibility to choose mixed pixels as training set. Key Words : Mixed Pixel, Pure Pixel, Classification Method, Training Set 1. 서론 최근다양한위성영상이주제도제작에활용되고있다. 주제도는표현하고자하는각항목별세부목록을정한후, 몇차례의영상분류및검수를통해완성된다. 그러나분류과정에서사용한방법이나항목의기준이되는 훈련집단 (training set) 설정의적합성에따라그결과가달라질수있다. 현재까지대부분의연구들에서는정확도향상을위해훈련집단선택시순수화소 (pure pixels) 를사용해왔다 [1]. 순수화소란영상영역내에서단일물질로 100% 피복된화소를의미하며, 혼합화소 (mixed pixels) 란단일물질로만피복된것이아니라실세계와같 * Corresponding Author : Min-Gyu Kim Tel: +82-10-3373-6033 email: kmgtpq@paran.com 접수일 12 년 03 월 29 일수정일 12 년 05 월 23 일게재확정일 12 년 06 월 07 일 2751
한국산학기술학회논문지제 13 권제 6 호, 2012 이여러대상물이혼재하는화소를의미한다 [2,3]. 현재고해상도영상을이용한분류기법으로는최대우도법이많이사용되고있으나자료가정규분포를이루지않으면분류가잘이루어지지않는다. 이러한단점을피하기위하여 ANN(Artificial Neural Network) 또는 (Support Vector Machine) 이사용되고있다 [4]. 또한, 순수화소를이용한영상분류와혼합화소를이용한분류를통해훈련집단의크기를최소화하고분류정확도를향상시킬수있는방법으로도 이활용되고있다 [5]. 국외의경우, 농경지를대상으로순수화소또는혼합화소선택에따른분류정확도를 으로산출하는연구가수행되었으며 [6], 작은크기의훈련집단샘플로인해발생되는문제를해결하기위해서 의대안으로 primal 기법을소개하고소개된기준데이터세트에의한평가수행기법의유효성을경험적으로증명하는연구또한진행되었다 [7]. 그러나순수화소와혼합화소선정에따른분류결과와관련된연구들에서는한가지기법을이용한경우가대부분이며, 분류기법들간의정확도산출관련연구들에서는주로순수화소만사용되었다. 따라서본연구에서는분류항목의특징을명확하게나타내는순수화소와육안으로는식별이어려운혼합화소로훈련집단을각각설정하고, 다양한감독분류기법들을적용하여분류를수행하였다. 또한분류결과를검증자료와비교하여정확도를산출함으로써육안으로순수화소만을선택하기어려운건물및녹지혼합지역에서도높은정확도를산출할수있는기법을제시하고자하였다. 2. 영상분류 분류시결과에영향을미치는훈련집단은단일물질로피복되어다른집단들과뚜렷하게구분할수있는순수화소와여러대상물이혼재되어인근화소와의구별이불명확한혼합화소를각각선택하였다. 영상의분류기법은사용자가분류기준을정하고, 그에맞는대표화소들을직접선택하여분류하는감독분류와사용자의선택없이화소값들의통계적특성만을이용하여분류하고몇가지집단으로구분하는무감독분류 (clustering) 로나뉜다. 감독분류의대표적인기법들로는최소거리법 (Minimum ), 마하라노비스거리법 (Mahalanobis ), 최대우도법 (Maximum Likelihood), 이진부호화법 (Binary Encoding), 신경망법 (Neural Net), 등이있으며, 무감독분류에는 ISODATA(Iterative Self Organizing Data Analysis), K-Means 등이있다. 최소거리법은훈련지역에서선택된화소의평균벡터 까지의유클리드거리를계산하여최소거리의분류항목에할당하는기법, 마하라노비스거리법은최소거리법과유사하나분류의기준이되는거리계산에있어마하라노비스거리를이용하는점이다르며, 각클래스들의공분산행렬이동일하다는가정하에실시되는기법, 최대우도법은분류항목별선택화소가기본적으로정규분포의형태를따른다는가정하에서통계적인확률분포에따라분류를수행하는기법, 이진부호화법은각밴드별로나타나는 0과 1의숫자들을일렬로나열하고, 구하고자하는화소의밴드별값들과비교함으로써분류를수행하는기법, 신경망법은생물학적인모형과보조적인수학적모형에기초한새로운계산형태이며, 실질적으로소프트웨어나인공신경망기계를이용하기위해인위적으로만든공학적인기법, 은두분류항목에속한데이터의집합이있는경우, 두항목간의거리를최대로하여분류하는최적의초평면을찾는기법이다 [8]. 2.1 순수화소영상분류 본연구에서는대전광역시한국과학기술원의일부지역을대상지로선정하였다. 이지역은건물, 식생, 도로등이고르게분포되어있고, 건물의밀집도가낮으며, 접근성이높아영상분류정확도평가에적합하다. 영상은 2002년 3월 9일에촬영한 IKONOS 위성영상이며제원은표 1과같다. [ 표 1] IKONOS 위성영상의제원 [Table 1] Specification of IKONOS satellite imagery 항목 공간해상도 방사해상도 파장대 위성고도 흑백 1m 1m 다중분광 4m 4m 11 bit 흑백 다중분광 약 681 km 제원 0.45~0.90 μm band1 0.45~0.52 μm band2 0.52~0.60 μm band3 0.63~0.69 μm band4 0.76~0.90 μm 훈련집단으로혼합화소를선택할경우발생되는정확도의저하를파악하기위해소수의순수화소를훈련집단으로선택하여분류를수행하였다. 분류항목은그림 1과같이건물, 식생, 도로, 나지, 그림자로지정하였으며, 오차행렬을이용한정확도산출시의경제성을고려하여각항목별 30개씩 150화소를선정하였다. 2752
혼합화소를 이용한 IKONOS 영상의 감독분류정확도 평가 [그림 1] 순수화소를 이용한 훈련집단 [Fig. 1] Training set using pure pixels [그림 3] 혼합화소를 이용한 훈련집단 [Fig. 3] Training set using mixed pixels 순수화소들을 대상으로 분류정확도를 평가하기 위해 감독분류기법 중 최소거리법, 마하라노비스거리법, 최대 우도법, 이진부호화법, 신경망법, 을 이용하였다. 그 림 2는 순수화소의 분류결과를 나타낸다. (a) 최소거리법 (c) 최대우도법 (a) 최소거리법 (b) 마하라노비스거리법 (c) 최대우도법 (d) 이진부호화법 (b) 마하라노비스거리법 (d) 이진부호화법 (e) 신경망법 (e) 신경망법 (f) [그림 4] 혼합화소의 분류결과 [Fig. 4] Classification results about mixed pixels (f) [그림 2] 순수화소의 분류결과 [Fig. 2] Classification results about pure pixels 3. 정확도 평가 2.2 혼합화소 영상분류 혼합화소의 영상분류는 순수화소와 동일하게 항목별 본 연구에서는 각각 150개의 순수화소와 혼합화소를 로 30개를 선정하여 수행하였다. 훈련집단은 항목들 간 대상으로 6가지 분류기법별 정확도를 평가하기 위해 오 의 경계지역을 대상으로 선택하였으며, 6가지 기법들을 차행렬을 이용하였다. 오차행렬이란 표 3과 같이 영상의 이용하여 영상분류를 수행하였다. 그림 3은 혼합화소를 분류정확도를 평가하기 위해 항목들 간 오분류 정도를 이용하여 선정한 훈련집단을 나타내며, 그림 4는 혼합화 나타내는 행렬이다. 소의 분류결과를 나타낸다. 행의 5가지 분류항목들은 정확도 산출 기준이라고 할 수 있는 검증자료(reference data)의 분류항목을 나타내며, 2753
한국산학기술학회논문지제 13 권제 6 호, 2012 열은실제분류결과로표현되는항목을나타낸다. 분류결과의정확도산출을위해그림 5와같이검증자료로항목별 30개씩의순수화소를선정하였다. 선정된 150개의화소들은표 2의오차행렬에서각분류항목별검증자료로분류결과와의일치여부를확인하는데활용하였다. 신경망법 건물 17 0 0 0 0 17 식생 0 30 0 0 0 30 도로 13 0 30 0 0 43 나지 0 0 0 30 0 30 그림자 0 0 0 0 30 30 건물 23 0 2 1 0 24 식생 1 30 0 0 0 31 도로 3 0 28 0 0 32 나지 3 0 0 29 0 33 그림자 0 0 0 0 30 30 순수화소의분류결과를표 2와같이오차행렬로작성하고각분류기법별전체정확도를산출하였다. 산출결과 [ 그림 5] 검증자료선정 [Fig. 5] Setting of reference data [ 표 2] 순수화소의오차행렬 [Table. 2] Error matrix of pure pixels 최소거리법 건물 10 1 14 4 0 29 식생 1 26 2 0 0 29 도로 7 0 13 2 0 22 나지 12 0 1 24 0 37 그림자 0 3 0 0 30 33 마하라노비스거리법 건물 12 0 6 3 0 21 식생 1 22 0 0 0 23 도로 9 0 23 0 0 32 나지 7 4 0 27 0 38 그림자 1 4 1 0 30 36 최대우도법 건물 23 0 0 1 0 24 식생 1 30 0 0 0 31 도로 6 0 30 0 0 36 나지 0 0 0 29 0 29 그림자 0 0 0 0 30 30 이진부호화법 건물 15 2 4 30 0 51 식생 5 26 0 0 0 31 도로 8 0 26 0 8 42 나지 0 0 0 0 0 0 그림자 2 2 0 0 22 26 최소거리법 68.7%, 마하라노비스거리법 76.0%, 최대우도법 94.7%, 이진부호화법 59.3%, 신경망법 91.3%, 93.3% 로나타났다. 그림 6은순수화소의분류기법별정확도그래프를나타낸다. 100.0 90.0 80.0 70.0 60.0 50.0 40.0 30.0 20.0 10.0 0.0 68.7 Minimum 분류방법별정확도 ( 순수픽셀 ) 76.0 Mahalanobis 94.7 Maximum Likelihood 59.3 Binary Encoding 91.3 Neural Net [ 그림 6] 분류기법별정확도 ( 순수화소 ) [Fig. 6] Classification accuracy(pure pixels) 93.3 분류항목별정확도는건물의항목이 6가지기법들에서모두낮게나타났다. 이는건물의색상이다양하고인근도로및나지와도유사하여도로또는나지로오분류되었기때문이다. 반면, 그림자에대한분류결과는모든기법에서높았으며, 그림자의분광정보는다른 4가지분류항목들과뚜렷하게구분되기때문으로판단된다. 2754
혼합화소를이용한 IKONOS 영상의감독분류정확도평가 분류방법별정확도 ( 혼합픽셀 ) [ 표 3] 혼합화소의오차행렬 [Table 3] Error matrix of mixed pixels 최소거리법 건물 8 16 0 0 5 29 식생 0 6 0 0 1 7 도로 10 1 13 0 1 25 나지 6 3 7 30 0 46 그림자 6 4 10 0 23 43 마하라노비스거리법 건물 18 0 0 1 2 21 식생 0 22 0 1 1 24 도로 9 1 19 0 4 33 나지 3 6 4 28 1 42 그림자 0 1 7 0 22 30 최대우도법 건물 23 0 0 0 3 26 식생 1 26 0 1 4 32 도로 5 0 27 0 0 32 나지 1 2 0 29 0 32 그림자 0 2 3 0 23 28 이진부호화법 건물 20 9 5 25 7 66 식생 5 20 0 5 1 31 도로 5 1 25 0 22 53 나지 0 0 0 0 0 0 그림자 0 0 0 0 0 0 신경망법 건물 24 2 0 1 2 29 식생 0 26 0 0 5 31 도로 6 0 30 0 5 41 나지 0 2 0 29 0 31 그림자 0 0 0 0 18 18 건물 24 1 0 1 2 28 식생 0 27 0 0 3 30 도로 3 0 29 0 2 34 나지 2 2 0 29 0 33 그림자 1 0 1 0 23 25 100.0 90.0 80.0 70.0 60.0 50.0 40.0 30.0 20.0 10.0 0.0 53.3 Minimum 72.7 Mahalanobis 85.3 Maimum Likelihood 43.3 Binary Encoding 84.7 Neural Net [ 그림 7] 분류기법별정확도 ( 혼합화소 ) [Fig. 7] Classification accuracy(mixed pixels) 88.0 분류항목별정확도는도로가대부분의기법들에서높게나타났다. 이는인근의화소값이일정하고, 그림자가다른분류항목들에비해적게발생되기때문으로판단된다. 반면에, 건물과그림자항목의정확도가 6가지기법들에서모두낮게나타났다. 건물의경우인접한도로, 나지, 그림자와의경계가모든면에서다양하게발생될수있기때문으로보이며, 그림자의경우건물, 식생등대부분의훈련집단주변에그림자가존재하여오분류된것으로판단된다. 훈련집단선정에따른정확도산출결과순수화소를이용한경우최대우도법,, 신경망법에서 90% 이상의정확도를보였다. 혼합화소의경우에는모든기법들에서순수화소에비해정확도가저하되었다. 그러나 은소수의훈련집단을선택했음에도 88% 로가장높은정확도를보였으며, 순수화소선택시에도 93.3% 의정확도를나타냈다. 또한최대우도법은 9.4% 의정확도저하를나타낸반면, 은 5.3% 로가장작은정확도저하를나타냈다. 따라서정확한순수화소의선택이어려운건물및녹지혼합지역을대상으로효율적인토지피복분류를위해서는 을사용하는것이가장효과적일것으로판단된다. 4. 결론 혼합화소에대한분류결과는표 3과같으며, 전체정확도를산출한결과, 최소거리법 53.3%, 마하라노비스거리법 72.7%, 최대우도법 85.3%, 이진부호화법 43.3%, 신경망법 84.7%, 88.0% 로나타났다. 그림 7은혼합화소의분류기법별정확도그래프를나타낸다. 본연구는혼합화소선택시에도적합한분류기법을판단하기위해훈련집단을소수의순수화소와혼합화소로설정하고감독분류후정확도를산출한것으로다음과같은결론을얻을수있었다. 1. 혼합화소를이용한분류시순수화소를이용할때보다모든기법에서 10% 15% 의정확도저하를 2755
한국산학기술학회논문지제 13 권제 6 호, 2012 나타냈다. 2. 혼합화소를이용한분류는 이 88% 로가장높은분류정확도를나타냈으며, 순수화소의결과와도 5.3% 의가장작은정확도저하를나타냈다. 3. 순수화소만을선택하기어려운건물및녹지혼합지역의경우 을이용하는것이적합할것으로판단된다. 향후, 다양한종류의위성영상을대상으로순수및혼합화소의화소선택수를다르게하여정확도를산출하는연구가필요할것으로판단된다. References [1] H. C. Yun, J. S. Lee, K. Y. Jung, J. K. Park, The Evaluation of Classification Precision about Satellite Imagery by the Selection of Training Set and Classification Method, Proceedings of Conference on Geo-Spatial Information 2011 Fall, pp.286-287, 2011. [2] K. E. Kim, A Modified Iterative N-FINDR Algorithm for Fully Automatic Extraction of Endmembers from Hyperspectral Imagery, Korean Journal of Remote Sensing, Vol.27, No.5, pp.565-572, 2011. [3] Y. W. Seok, A Study on the Optimum Band Selection for Supervised Classification Using Mixed-Pixels and Canonical Correlation Analysis, Thesis of Master, SunKyunKwan Univ., 2004. [4] H. Y. Lim, H. S. Kim, J. S. Choi, S. H. Song, A Study on Efficient Topography Classification of High Resolution Satellite Image, Journal of The Korean Society for GeoSpatial Information System, Vol.13, No.3, pp.33-40, 2005. [5] J. M. Kang, H. C. Yun, J. B. Kim, J. S. Lee, The Evaluation of Classification Precision about Satellite Imagery by the Selection Method of Training Set, Proceedings of Korean Society of Civil Engineers 2010 Annual Conference, pp.1082-1084, 2010. [6] G. M. Foody, A. Mathur, The use of small training sets containing mixed pixels for accurate hard image classification: Training on mixed spectral responses for classification by a, Remote Sensing of Environment, Vol.103, pp.179-189, 2006. [7] M. Chi, R. Feng, L. Bruzzone, Classification of hyperspectral remote-sensing data with primal for small-sized training dataset problem, Advances in Space Research, Vol.41, pp.1793-1799, 2008. [8] K. T. Hur, A Study to Compare Classification Using the IKONOS Satellite Imagery, Thesis of Master, Chonbuk National Univ., 2012. 이종신 (Jong-Sin Lee) [ 정회원 ] < 관심분야 > 지형공간정보공학 2008 년 2 월 : 충남대학교공과대학토목공학과 ( 공학사 ) 2010 년 2 월 : 충남대학교대학원토목공학과 ( 공학석사 ) 2010 년 3 월 ~ 현재 : 충남대학교대학원토목공학과 ( 박사과정 ) 김민규 (Min-Gyu Kim) [ 정회원 ] < 관심분야 > 지형공간정보공학 2006 년 2 월 : 충남대학교공과대학토목공학과 ( 공학사 ) 2008 년 2 월 : 충남대학교대학원토목공학과 ( 공학석사 ) 2008 년 3 월 ~ 현재 : 충남대학교대학원토목공학과 ( 박사과정 ) 2011 년 3 월 ~ 현재 : GGS 엔지니어링기술연구소소장 박준규 (Joon-Kyu Park) [ 종신회원 ] < 관심분야 > 지형공간정보공학 2001 년 2 월 : 충남대학교공과대학토목공학과 ( 공학사 ) 2003 년 2 월 : 충남대학교대학원토목공학과 ( 공학석사 ) 2008 년 8 월 : 충남대학교대학원토목공학과 ( 공학박사 ) 2011 년 3 월 ~ 현재 : 서일대학교토목과전임강사 2756