원격 탐사의 영역에서 초분광 영상의 데이터를 처리하는데 있어
감독 분류는 라벨링된 데이터에 의해 결과를 생성하기에 정량적 분석을 정확히 수행할 수 있습니다.
하지만 그 과정에 있어 많은 시간과 비용이 동반된다는 단점이 있습니다.
무감독 방법으로 분류, 학습하는 것은 매우 어려운 기술이나
최근 항공, UAV, 위성에 의한 대규모 데이터세트의 수집이 보편화됨에 따라
상당한 관심의 대상이 되고 있습니다.
이와 관련하여 IEEE Whispers 2021에서 발표된 논문이 있어 소개합니다.
토지 현황과 변화 유추를 효율적으로 분류하는데 적용하기 위한
'항공 초분광 영상을 이용한 무감독 분류 기술
(UNSUPERVISED CLASSIFICATION OF AVIRIS-NG HYPERSPECTRAL IMAGES)'로
Kangning Cui(City of Hong Kong, Department of Mathematics)와 Robert J. Plemmons(Wake Forest University, Departments of Computer Science and Mathematics)가 연구를 진행했습니다.
이에 대한 자세한 내용을 알아보겠습니다.
연구의 목적은 항공 원격 탐사로 수집한 초분광 영상을 이용하여 토지 이용과 분포를 확인하고
효율적인 토지 분류에 적용할 수 있도록 하는 것입니다.
연구지역의 데이터는 인도 북서부에 있는 Shoolpaneshwar 야생동물 보호구역의
비행 경로에서 수집된 데이터 세트 중 하나로
초분광 스펙트럼은 380nm ~ 2500nm 범위 내의 총 425개 대역을 이용했고
공간 해상도는 4.1m 입니다.
초분광 스펙트럼 데이터는 많은 스펙트럼 대역을 사용하여 분광해상도가 좋은 반면
공간해상도가 비교적 낮아지는 단점이 있습니다.
본 연구는 4.1m의 공간 해상도를 가지는 데이터를 활용하였는데
다른 많은 연구들에 비해 높은 해상도를 가지고 있습니다.
이는 데이터 내에 중복된 정보를 포함하고 있기 때문에
이를 처리하기 위한 불필요한 계산 비용이 발생합니다.
따라서 분류에 앞서 초분광 영상 데이터 세트의 차원 축소(Dimensionality Reduction)라는
전처리 단계를 거치게 됩니다.
차원 축소 방법으로 PCA, ICA, MNF, RP 방법을 주로 사용합니다.
토지 이용을 확인하기 위해 라벨링된 데이터를 필요로 하지만
본 연구의 목적은 라벨링 과정을 거치지 않기에 엔드멤버 분광 특성을 알 수 없고
따라서 엔드멤버도 무감독 분류합니다.
(ex. tree1, tree2, ...)
엔드멤버 추출 방법은 ATGP, N-Finder 방법을 활용하였습니다.
- ATGP : 엔드멤버를 식별하기 위해 공간에 직교 투영을 반복적으로 시도, 사전에 선택된 p-엔드멤버를 추출하면 중지함
- N-Finder : Simplexes를 생성하고 부피를 최대화하는 픽셀을 찾음
2가지의 엔드멤버 추출 방법에 의해 추출된 분광 특성은 유사한 결과를 보이고
이를 활용하여 차원 축소 과정과 결합하여 분류를 위한 분광 특성을 비교하였습니다.
PCA, ICA 방법으로 차원 축소한 분광 특성 그래프는 본 데이터와 매우 유사한 라이브러리를 생성하였고
MNF 방법에 의해서는 2개의 엔드멤버(EM3,5)에서 노이즈에 의한 차이를 보이지만
나머지 분류목록에 대해서는 잘 추출한 결과를 보입니다.
이 결과를 이용하여 다양한 기계학습 알고리즘을 이용하여
토지 분류를 실시한 결과는 아래와 같습니다.
(Kmeans, GMM, SAM, SID)
분류 목록이 라벨링되지 않았기에 색이 표시하는 것이 정확히 어떤 토지인지는 확인할 수 없으나
본 연구의 목적은 토지 이용과 현황 확인을 위한 분류로
임의로 선택된 엔드멤버만 확인하더라고 넓은 범위의 데이터를 수집할 수 있습니다.
본 연구는 항공 초분광 영상을 차원축소 기법으로 적합한 밴드를 추출하고
무감독 분류 방법으로 클러스터링하여
토지 이용 변화를 적은 시간과 비용으로 확인할 수 있도록 하고자 합니다.
추후 명확한 분류를 위해 임의로 지정한 엔드멤버를 확인해야 하지만
모든 지역을 감독 분류하는 것보다 효율적으로 확인할 수 있는 방법이 될 것입니다.
※참고문헌
UNSUPERVISED CLASSIFICATION OF AVIRIS-NG HYPERSPECTRAL IMAGES, Kangning Cui and Robert J. Plemmons, IEEE whisper, 2021
원격 탐사의 영역에서 초분광 영상의 데이터를 처리하는데 있어
감독 분류는 라벨링된 데이터에 의해 결과를 생성하기에 정량적 분석을 정확히 수행할 수 있습니다.
하지만 그 과정에 있어 많은 시간과 비용이 동반된다는 단점이 있습니다.
무감독 방법으로 분류, 학습하는 것은 매우 어려운 기술이나
최근 항공, UAV, 위성에 의한 대규모 데이터세트의 수집이 보편화됨에 따라
상당한 관심의 대상이 되고 있습니다.
이와 관련하여 IEEE Whispers 2021에서 발표된 논문이 있어 소개합니다.
토지 현황과 변화 유추를 효율적으로 분류하는데 적용하기 위한
'항공 초분광 영상을 이용한 무감독 분류 기술
(UNSUPERVISED CLASSIFICATION OF AVIRIS-NG HYPERSPECTRAL IMAGES)'로
Kangning Cui(City of Hong Kong, Department of Mathematics)와 Robert J. Plemmons(Wake Forest University, Departments of Computer Science and Mathematics)가 연구를 진행했습니다.
이에 대한 자세한 내용을 알아보겠습니다.
연구의 목적은 항공 원격 탐사로 수집한 초분광 영상을 이용하여 토지 이용과 분포를 확인하고
효율적인 토지 분류에 적용할 수 있도록 하는 것입니다.
연구지역의 데이터는 인도 북서부에 있는 Shoolpaneshwar 야생동물 보호구역의
비행 경로에서 수집된 데이터 세트 중 하나로
초분광 스펙트럼은 380nm ~ 2500nm 범위 내의 총 425개 대역을 이용했고
공간 해상도는 4.1m 입니다.
초분광 스펙트럼 데이터는 많은 스펙트럼 대역을 사용하여 분광해상도가 좋은 반면
공간해상도가 비교적 낮아지는 단점이 있습니다.
본 연구는 4.1m의 공간 해상도를 가지는 데이터를 활용하였는데
다른 많은 연구들에 비해 높은 해상도를 가지고 있습니다.
이는 데이터 내에 중복된 정보를 포함하고 있기 때문에
이를 처리하기 위한 불필요한 계산 비용이 발생합니다.
따라서 분류에 앞서 초분광 영상 데이터 세트의 차원 축소(Dimensionality Reduction)라는
전처리 단계를 거치게 됩니다.
차원 축소 방법으로 PCA, ICA, MNF, RP 방법을 주로 사용합니다.
토지 이용을 확인하기 위해 라벨링된 데이터를 필요로 하지만
본 연구의 목적은 라벨링 과정을 거치지 않기에 엔드멤버 분광 특성을 알 수 없고
따라서 엔드멤버도 무감독 분류합니다.
(ex. tree1, tree2, ...)
엔드멤버 추출 방법은 ATGP, N-Finder 방법을 활용하였습니다.
- ATGP : 엔드멤버를 식별하기 위해 공간에 직교 투영을 반복적으로 시도, 사전에 선택된 p-엔드멤버를 추출하면 중지함
- N-Finder : Simplexes를 생성하고 부피를 최대화하는 픽셀을 찾음
2가지의 엔드멤버 추출 방법에 의해 추출된 분광 특성은 유사한 결과를 보이고
이를 활용하여 차원 축소 과정과 결합하여 분류를 위한 분광 특성을 비교하였습니다.
PCA, ICA 방법으로 차원 축소한 분광 특성 그래프는 본 데이터와 매우 유사한 라이브러리를 생성하였고
MNF 방법에 의해서는 2개의 엔드멤버(EM3,5)에서 노이즈에 의한 차이를 보이지만
나머지 분류목록에 대해서는 잘 추출한 결과를 보입니다.
이 결과를 이용하여 다양한 기계학습 알고리즘을 이용하여
토지 분류를 실시한 결과는 아래와 같습니다.
(Kmeans, GMM, SAM, SID)
분류 목록이 라벨링되지 않았기에 색이 표시하는 것이 정확히 어떤 토지인지는 확인할 수 없으나
본 연구의 목적은 토지 이용과 현황 확인을 위한 분류로
임의로 선택된 엔드멤버만 확인하더라고 넓은 범위의 데이터를 수집할 수 있습니다.
본 연구는 항공 초분광 영상을 차원축소 기법으로 적합한 밴드를 추출하고
무감독 분류 방법으로 클러스터링하여
토지 이용 변화를 적은 시간과 비용으로 확인할 수 있도록 하고자 합니다.
추후 명확한 분류를 위해 임의로 지정한 엔드멤버를 확인해야 하지만
모든 지역을 감독 분류하는 것보다 효율적으로 확인할 수 있는 방법이 될 것입니다.
※참고문헌
UNSUPERVISED CLASSIFICATION OF AVIRIS-NG HYPERSPECTRAL IMAGES, Kangning Cui and Robert J. Plemmons, IEEE whisper, 2021