Remote Sensing Ch. 4 이미지해석 (Interpretation) 및분석 (Analysis) (Part 3 of 3) 4.7 이미지분류 (Classification) 및분석 (Analysis) 4.8 데이터통합 (Integration) 및분석 (Analysis)
분석가 (human analyst) 들은이미지의대상들을분류할때, 다양한속성또는관심있는토지피복클래스를나타내는동질의픽셀그룹을식별하기위해시각적해석의요소를사용합니다. 디지털이미지분류기 (Digital image classification) 는하나이상의스펙트럼대역의디지털숫자로표시되는스펙트럼정보를사용하며, 이러한스펙트럼정보에기초하여각각의픽셀에대한분류를한다. 이러한유형의분류를스펙트럼패턴인식 (spectral pattern recognition) 이라고한다. 두경우모두, 목표는특정클래스또는테마 ( 예를들어물, 침엽수림 (coniferous forest), 낙엽수림 (deciduous forest), 옥수수, 밀, 등 ) 로이미지의모든픽셀을할당하는것입니다. 생성된분류된이미지는특정주제에속하는각각의픽셀의모자이크로구성되고, 본질적으로원래의이미지의주제도 (a thematic "map ) 가된다. Original image Thematic map
클래스에대해이야기할때, 정보클래스 (information classes) 와스펙트럼클래스 (spectral classes) 를구분해야합니다. 정보클래스 (Information classes) 작물의종류, 숲의종류나수종, 지질학적단위또는암석종류, 등과같은분석가가실제로이미지에서식별하고자하는관심의범주 (categories of interest). 스펙트럼클래스 (Spectral classes) 데이터의각각의스펙트럼채널안에서의밝기값이균일한 ( 또는거의유사한 ) 픽셀그룹 (group of pixels that are uniform (or near-similar)) 분류의목적은데이터의스펙트럼클래스를관심이있는정보클래스에매치하는것이다. 이러한클래스의두가지유형간에간단한일대일매치는흔하지않다. 오히려독특한스펙트럼클래스가나타날수있으나, 이것이반드시분석가에특정사용또는관심의정보클래스와일치하지는않습니다. 오히려, 폭넓은정보클래스 ( 예를들면숲 ) 가독특한스펙트럼변화를갖는다수의스펙트럼서브클래스를포함할수있다. 숲의예를들면, 스펙트럼서브클래스로는연령, 종및밀도의변화이거나, 그림자나조도변화의결과에기인할수있다 서로다른스펙트럼클래스의유용성및대응되는유용한정보클래스에대한결정은해석가의직무 (analyst's job) 이다.
일반적인분류절차 (classification procedures) 는사용되는방법에따라두가지로분류될수있다 : (1) 감독분류 (supervised classification) (2) 무감독분류 (unsupervised classification). 감독분류 (supervised classification) 에서분석가는이미지에서관심있는표면커버타입들 ( 정보클래스 (information classes)) 의대표적인균일한샘플들을선정한다. 이샘플들은훈련영역 (training areas) 이라고합니다. 적절한훈련영역의선택은분석가의이미지에존재하는실제표면커버타입에대한지식과지리적지역에대한친숙함을기반으로합니다. 따라서, 분석가 (analyst) 는특정클래스집합의항목화 (categorization) 를 " 감독 (supervising)" 합니다. 이러한영역을구성하는픽셀의모든스펙트럼밴드들에서의숫자정보는각클래스에대한스펙트럼적으로유사한영역을인식할수있도록컴퓨터를훈련 (train) 하는데사용됩니다.
컴퓨터는각훈련클래스에대한수치적인 " 특징 (signatures)" 을결정하기위해특별한프로그램이나알고리즘을사용합니다. 컴퓨터가각각의클래스에대한특징을결정하면, 이미지의각화소는이러한특징과비교하고디지털적으로가장근접하게 " 유사한 " 클래스로분류된다 따라서, 감독분류 (supervised classification) 에서는먼저정보클래스 (information classes) 를식별한다음, 그들을나타내는스펙트럼클래스 (spectral classe) 를결정하기위하여사용된다. 정보클래스 (Information classes) 스펙트럼클래스 (Spectral classes)
평행육면체 (Parallelepiped) 분류알고리즘 각클래스에대한최소및최대 DNs 를결정하고, 이미지를분류하기위한임계값으로사용. 장점 : 훈련과사용이간단하며, 빠른연산. 단점 : 평행육면체들사이의간격에놓인픽셀들이분류될수없다. 평행육면체가겹치는영역의픽셀들이분류될수없다.
최소거리 (Minimum Distance) 분류알고리즘 각클래스의무게중심 (centroid) 이각클래스에대한밴드의평균값을계산하여결정한다. 각각의이미지픽셀에대하여, 각무게중심까지의 N 차원거리를계산하고가장가까운무게중심을갖는클래스로결정한다. 장점 : 수학적으로간단하고, 효율적인계산 단점 : 스펙트럼응답자료의분산의다른정도에민감하지않음.
본질적으로무감독분류 (Unsupervised classification) 는감독분류 (supervised classification) 과정의반대이다. 우선데이터의수치정보에기초하여스펙트럼클래스를그룹화하고, 해석가가정보클래스로매치시킨다 ( 가능하다면 ). 클러스터링알고리즘 (clustering algorithms) 이라불리는프로그램이데이터의자연적 ( 통계적 ) 그룹핑또는구조를결정하는데사용된다. 보통, 분석가가데이터내에서얼마나많은그룹또는클러스터를찾는지를지정합니다. 원하는클래스의개수를지정하는것외에도, 분석가는클러스터들간의이격거리와각클러스터내의분산에관련된파라미터를지정할수도있다. 이러한반복적클러스터링처리의최종결과는, 해석가의입장에서는일부클러스터들의결합, 또는더세분화해야할클러스터들을초래할수도있다 - 이들각각은클러스터링알고리즘의또다른적용을필요로하게된다. 따라서, 무감독분류가인간의완전한개입이없는것은아니다. 그러나, 감독분류에서와같이클래스가미리정해진설정에서시작되지는않습니다.
반복적자기 - 조직화자료분석기술 (Iterative Self-Organizing Data Analysis Technique : ISODATA) : 체험적 (heuristic) 과정의포괄적인세트가반복적분류알고리즘으로통합된것. ISODATA 알고리즘은다음을포함한다. a) 군집 (cluster) 들간의거리가사용자가명시한임계값보다작으면병합 b) 하나의군집 (cluster) 을둘로나누기위한규칙 ISODATA 는사람의입력이비교적작아자기 - 조직화 (self-organizing) 이긴하지만, 일반적으로해석가로부터다음과같은일련의파라미터들의명시가요구된다 : N MIN_EX : 군집당최소표본수 N D : 대략적으로요구되는군집개수 σ : 분리가요구되는최대분산파라미터 D MERGE : 결합이요구되는최대분리거리 N MERGE : 결합될수있는최대군집수
A color composite of multi-spectral data. Classification map derived from 10 ISODATA clusters.
QUIZ 당신은위성영상에대한분류를수행하려고합니다. 그러나그것의히스토그램을검사해보니, 유용한데이터의범위가매우좁은것을알수있었습니다. 분류를시도하기이전에, 당신은선형대비스트레칭 (linear contrast stretch) 으로이미지향상을하겠습니까? ANS 이미지의 ' 향상 (enhancement)' 은오직시각적으로그내용을인식하고분석하기위해서수행됩니다. 향상 (enhancement) 은분류알고리즘에관한한, 아무것도유용한정보를추가하지않습니다. 이를다른시각으로살펴보면 : 두개의픽셀이하나의디지털단위 (one digital unit) 의밝기값의차이가있는경우, 눈으로그미묘한차이를발견하는것은매우어렵습니다. 그러나컴퓨터에서그차이는그냥 100 배더큰것처럼 ' 분명한 ' 차이로인식됩니다. 이미지의향상된버전은 ' 훈련 ('training)' 영역을 ( 눈을사용한 ) 선택하는데도움이될수있습니다, 하지만당신은여전히향상되지않은버전에서분류를수행하게됩니다.
4.8 자료통합 (Integration) 및분석 (Analysis) 원격탐사데이터소스가항공사진이었던아날로그원격탐사의초기에, 서로다른소스에서데이터의통합을역량은제한적이었다. 오늘날, 센서의다양한배열에서대부분의데이터가디지털형식으로이용할수있어, 데이터통합 (data integration) 은해석및분석에사용되는일반적인방법이다. 데이터통합은근본적으로더나은또는더많은정보를추출하기위한노력의일환으로여러소스에서데이터결합 (combining) 하거나병합 (merging) 을포함한다. 여기에는다중 - 시간 (multi-temporal), 다중 - 해상도 (multi-resolution), 다중 - 센서 (multi-sensor), 또는다중 - 데이터타입 (multi-data type) 의데이터를포함할수있다.
4.8 Data Integration and Analysis 서로다른시간에수집된이미지는변화된지역을식별하기위해통합됩니다. 다중시간변화감지 (Multi-temporal change detection) 는이미지뺄샘 (image subtraction), 또는다중분류비교 (multiple classification comparisons) 나통합된다중 - 시간데이터세트 (integrated multi-temporal data sets) 를사용한분류와같은더복잡한방법에의해서달성될수있다. 다중해상도데이터병합 (Multiresolution data merging) 은다양한응용에서유용하다. 높은공간해상도데이터의낮은해상도데이터와의병합은이미지의공간적세부사항을매우선명하게하며, 대상들의식별을향상시킬수있습니다. 10m 전색성 (panchromatic) 데이터가 20m 멀티스펙트럼데이터와쉽게병합될수있는 SPOT 데이터가이방법에적합하다. 또한, 전색성데이터는향상된공간해상도를제공하는반면에멀티스펙트럼데이터는좋은스펙트럼해상도를유지하는역할을한다.
4.8 Data Integration and Analysis 다른센서의데이터도또한다중 - 센서데이터융합 (multi-sensor data fusion) 의개념으로병합할수있습니다. 이기술의좋은예는멀티스펙트럼광학데이터 (multispectral optical data) 와레이더이미지 (radar imagery) 의조합입니다. 지표의이두가지스펙트럼표현은상호보완적인정보를제공할수있습니다. 광학자료 (optical data) 는, 지표커버유형을구별하는데유용한상세한스펙트럼정보를제공 레이더이미지 (radar imagery) 는이미지의구조적인세부사항 (structural detail) 을강조한다
4.8 Data Integration and Analysis 멀티센서데이터통합 (multi-sensor data integration) 의응용은일반적으로데이터가서로또는공통의지리적좌표시스템또는기반지도중의하나에기하학적으로등록할것이요구된다. 이것은또한다른보조 (ancillary)( 추가 ) 데이터소스가원격탐사데이터와통합될수있게해준다.. 예를들어, 디지털고도 (Digital Elevation) 또는디지털지형모델 (Digital Terrain Models) (DEM/DTM) 이라는디지털형태고도데이터는, 다양한목적을위해서원격감지데이터와결합될수있다. DEM/DTM 은지형및경사변동으로인한영향이보정될수있게하여, 잠재적으로얻어진분류결과의정확성을증가시켜, 이미지분류에유용할수있다. DEM/DTM 은영상화된지역의시각화를향상하기위해서, 원격탐사이미지를고도데이터 (elevation data) 에올려놓음으로해서 (draping remote sensing imagery ), 3 차원입체투시도 (three-dimensional perspective views) 를생성하는데유용합니다.
4.8 Data Integration and Analysis 다른유형의그리고서로다른소스에서의데이터를결합하는것이데이터통합및분석의최종결과이다. 모든데이터소스가기하학적으로공통지리적기반에등록된디지털환경에서는정보추출을위한가능성이매우넓어진다. 이것은디지털지리정보시스템 (Geographical Information System : GIS) 데이터베이스에서의분석을위한개념이다. 공간적으로참조 (referenced spatially) 될수있는모든데이터소스가이러한환경의유형에서사용될수있다. DEM/DTM 은이러한데이터종류의한예입니다. 다른예로는응용에따라토양타입, 토지피복클래스, 숲종, 도로네트워크, 그리고많은다른것들의디지털지도가있을수있습니다. 지도형식의원격탐사자료의분류의결과는 GIS 에서기존지도데이터를업데이트하기위한또다른데이터소스로사용될수있다. 본질적으로, 단일데이터소스를사용하여단독으로할때보다도, 다양한데이터를함께분석 (analyzing diverse data sets together) 하여시너지방식으로더나은그리고보다정확한정보를추출할수있게된다.