The Korean Society For Geospatial Information Science

항공 하이퍼스펙트럴 카메라의 촬영시스템은 크게 카메라 본체, IMU, 제어시스템, 촬영 지원 모듈로 구성된다. 국외에서는 VNIR(가시광), SWIR(중적외), LWIR (열적외)파장대와 같은 제품을 사용하고 있다. 현재 국내의 운영 사례는 초분광카메라로는 VNIR파장대로서 필란드 SPECIM사의 AISA Eagle 제품과 캐나다 ITRES사의 CASI-1500이 사용되고 있으며, 이번 실험에는 SPECIM사의 AISA Eagle 성과를 이용하여 실험 및 분석에 사용하였다.

다수의 연속된 분광밴드를 통해 데이터의 특성을 분석하고 화소별로 완전한 분광정보 및 공간정보를 획득하여 지표의 식생과 정보를 얻는 하이퍼스펙트럴 원격탐사는 대규모 지역 혹은 접근불능지역에 효과적으로 적용할 수 있는 기술로 “Imaging Spectrometry”나 “Imaging Spectroscopy”라는 용어로 사용하기도 한다. 일반적으로 많은 수의 밴드(통상 40개 이상), 좁은 폭(0.01~0.02㎛), 연속적인 분광 밴드를 가지고 있으며 분광해상도가 매우 높은 것이 특징이다.

Figure 1. 
System of Hyperspectral

Figure 2. 
Specifications of Aisa Eagle and inner System.

Figure 3. 
Hyperspectral Remote Sensing

Fig. 3은 지상의 정보를 하이퍼스펙트럴 센서로 취득한 후, 단일 화소에 대한 각 파장대별 분광정보들을 나타낸 것이다.

SAM(Spectral Angle Mapping) 분류 기법은 분광 공간상에서의 거리 개념이 아닌 각도 개념을 적용하는 분류 방법으로 화소와 분류 항목간의 유사도를 판별하는데 있어 n차원에서의 각도를 이용한다. 입력 조건으로써 최대 유효 각도를 입력할 수 있어, 화소와 가장 작은 각도를 나타내는 트레이닝 자료까지의 각도가 이 각도보다 큰 경우 미분류 자료로 남는다.

SAM 분류기법은 분광값을 표현하는데 있어서 구하고자 하는 화소값이 정확하게 보정이 되었다는 전제하에 참조 데이터 벡터와 각도상으로 유사성을 찾고자 하는 방식이다. 밴드 수와 공간의 차원상 벡터가 같다는 것을 기본 영역에서 각각 트레이닝된 화소값들에 대한 그룹이 형성되고 이것이 최적의 벡터로 표시된다. 알지 못하는 하나의 화소를 분류 할 경우 앞서 생긴 클래스의 벡터와 가장 가까운 각(0에서 π/2까지의 라디안 범위)을 가지는 클래스로 Fig. 4와 같이 분류 한다.

분광차원 상의 각을 구하기 위해 벡터의 내적을 이용하면 다음 식(1)과 같다.

여기서, α:참조 스펙트럼과 영상 스펙트럼과의 각

X : 영상 스펙트럼

Y : 참조 스펙트럼

Figure 4. 
Spectral Angle Mapping

Figure 5. 
Conceptual diagram of PCA

PCA는 주성분 분석으로 불리며, 다중 분광자료의 중첩을 제거하거나 노이즈를 감소시키기 위하여 사용되는 기법이다. 변량 사이의 상관관계에 주목해서 최대한 정보를 상실하지 않고 많은 변량 측정값을 적은 개수의 종합지표로 집약하여 나타내는 방법이다.

n변량(n차원) 측정값을 m차원의 주성분으로 집약한다는 의미에서 차원을 줄이는 방법이라고도 말할 수 있다. 주성분분석을 위해서는 서로 상관된 다중파장대 데이터를 변환하여야 한다. 다중파장대 영상에서는 각 밴드 자료간에 상관이 있는 경우가 많기 때문에 주성분분석을 이용하여 현재의 영상에 포함되어 있는 대부분의 정보를 가상적 소수 밴드로 나타낼 수 있다.

실험 대상지역은 충청남도 태안군 소재의 의항리 일원으로 실험대상 지역의 면적은 약 250,000㎡로 항공 하이퍼스펙트럴 영상과 공간해상도 1m 급, 128밴드의 분광영상을 획득하였다.

Fig. 6의 상단 왼쪽은 50cm급 참조용 항공사진이며, 오른쪽은 항공 하이퍼스펙트럴 영상의 RGB밴드 영상을 나타낸 것이다. 그림의 하단은 실험지역의 전경사진을 나타내고 있다.

감독분류를 위한 트레이닝 자료 수집을 위해 고해상도 참조사진을 이용하여 정확한 대상을 선정하였다.

육안으로 식별이 명확한 식생, 수역, 암석자갈, 모래구역의 트레이닝 자료를 수집하였다. 트레이닝 자료의 신뢰성과 분류 정확성을 높이기 위해 분류 대상 항목 당 2개소에 해당하는 트레이닝 자료를 수집하였다.

Fig. 7에서 좌측 항공 하이퍼스펙트럴 영상에서의 트레이닝 사이트에 대해 우측 참조 이미지의 해당 위치를 나타낸다.

Figure 6. 
Study area

Figure 7. 
Location of training data

Figure 8. 
Different Training Data for study

128밴드의 원영상에 대한 PCA변환 결과는 Fig. 9와 같으며, 고유성분 포함률은 PCA변환 영상의 첫 번째 밴드에 해당하는 영상이 76.74%의 성분을 포함하며, PCA변환 영상의 첫 번째와 두 번째 누적 밴드에 해당하는 영상이 98.40%로 대부분의 성분자료가 두 번째 영상에 담긴 것을 알 수 있었다. 또한 두 번째 영상 이후부터 성분의 증가량은 완만하게 증가하여 여덟 번째 PCA밴드와 원본 영상(128밴드, PCA미적용)과는 미소한 차이를 나타냈다.

각 PCA변환 후 각 밴드별 고유성분 누적포함비율은 Table 1과 같다.

Figure 9. 
Value of each PCA band

Table 1에서 보는 바와 같이 첫번째 PCA영상의 경우 가장 많은 정보를 포함하게 되며, 두 번째 PCA밴드를 포함할 경우 98.40%로 늘어나게 된다. Fig. 10을 보면 PCA 여덟 번째 영상에서 부터는 노이즈가 명확하게 나타남을 알 수 있었다.

Figure 10. 
Image of each PCA band

Figure 11. 
Result of classification PCA image

실험에 이용되는 SAM 감독 분류의 경우는 분광특성을 나타낸 곡선을 이용하게 된다. SAM 분류 기법은 전술한 바와 같이 공간상에서의 각도 개념을 적용하는 분류 방법이다. 따라서 화소와 분류 항목간의 유사도를 판별하는데 있어 n차원에서의 각도를 이용한다. 트레이닝 데이터를 이용하기 위해서 PCA밴드를 역 변환하여 128밴드의 노이즈가 제거된 유형별 분광 영상으로 변환하였다.

고유성분이 높은 밴드를 선별적으로 조합하여 5개의 유형별 PCA영상을 주성분 축에 따른 증가된 변환영상으로 제작 후 SAM감독분류 기법을 적용하여 영상을 분류한 결과이다.

영상분류 결과를 간단하게 확인하면, PCA 1B영상의 경우 분류의 정도가 상당히 떨어짐을 알 수 있다. 이것은 PCA 1B가 고유성분포함율 76.74%인 것에 기인한다고 판단된다. 정보 포함률이 98.40%인 PCA 2B영상부터는 단계적으로 평가 결과가 양호한 값을 얻게 되며, PCA 4B 영상부터는 원본 영상의 분류결과까지 유사한 결과를 나타냈다. PCA 2B영상의 경우 PCA 1B영상보다 양호하지만 하단부 모래지역이 암석자갈구역으로 오분류된 것을 육안으로 판단할 수 있다. 육안평가결과 PCA8B영상과 원본 영상의 차이가 미소하므로 유효한 정보는 PCA 8B에 포함되었다고 추정할 수 있다.

유형별 PCA영상의 고유성분포함율 결과를 살펴보면, PCA 1B영상의 경우는 원본 영상을 PCA변환 후, Table 2에서 보는 바와 같이 첫 번째 밴드가 70%이상의 성분을 포함하고 있으며, 밴드가 누적되어 갈수록 성분이 증가하는 것을 알 수 있다.

여기서 특이한 사실은 첫 번째 밴드와 두 번째 밴드가 차지하는 성분 포함률이 98%를 육박하고 있다는 점이다. 따라서 대부분의 성분자료가 PCA 2B영상에 담긴 것으로 나타났다. PCA 네 번째 변환 영상을 포함하는 경우인 PCA 4B영상은 고유성분이 99.62%이며, 이후부터 128번째 원본 영상까지의 고유성분 포함률은 완만하고 균등한 기울기로 증가하는 것으로 나타냈다.

유형별 PCA영상의 전체 분류정확도 결과를 살펴보면, 전체 분류정확도는 PCA 1B영상이 64.30%로 낮은 정확도를 나타냈으며, PCA2B영상이 90.97%로 가장 높은 정확도를 나타냈다.

그러나 PCA4B영상에서는 정확도가 1.29% 감소한 89.68%로 나타났다

PCA6B영상부터는 정확도가 완만하게 증가하였다. 유형별 PCA영상의 생산자 분류정확도 결과를 살펴보면, 생산자 분류정확도는 PCA1B영상이 63.01%로 가장 낮은 정확도를 나타냈으며, PCA2B영상이 91.25%로 가장 높은 정확도를 나타냈다. 그러나 PCA4B 영상에서는 정확도가 1.25% 감소한 90.00%로 나타났다. PCA6B영상부터는 원본 영상(PCA미변환, 128밴드)까지는 정확도가 완만하게 증가하였다. 유형별 PCA영상의 사용자 분류정확도 결과를 살펴보면, 사용자 분류정확도는 PCA1B영상이 65.18%로써, 가장 낮은 정확도를 나타냈으며, PCA2B영상이 92.17%로 나타났다. PCA2B영상부터 완만한 정확도 증가를 나타냈으며, PCA8B영상과 원본 영상(PCA미변환, 128밴드)과는 92.21%로 가장 높은 정확도를 나타냈다.

육안을 통해 시각적인 분류 정확도 평가를 실시하였다. 분류대상이 모두 포함된 혼합구역과 분류 대상항목별로 대상이 확실한 구역에 대해 분류 대상별로 구역을 설정하여 시각적 평가를 실시하였다. PCA 1B영상이 다른 유형별 영상의 결과보다 정확도가 현저히 떨어짐을 확인할 수 있었다. PCA 1B영상의 경우 고유성분 포함률이 76.74%인 것에 기인한다고 판단된다. 고유성분 포함률이 98.40%인 PCA 2B 영상부터는 단계적으로 분류의 정도가 양호한 결과를 나타났으며, PCA 4B영상부터는 원본 영상(PCA미변환, 128밴드)의 분류결과와 유사한 결과가 나타났다. PCA 2B영상의 경우 PCA 1B영상보다 분류결과가 양호하지만 그림에서 아래지역인 모래구역은 암석자갈 구역으로 오분류된 것을 육안을 통해 확인할 수 있었다. 육안평가결과 PCA8B영상과 원본 영상과의 차이가 미소하므로 유효한 대부분의 고유성분은 PCA8B라고 추정할 수 있다.

Figure 12. 
Analysis of entire classification result

4.2.1분류항목별 분석

-모래구역

모래지역의 PCA밴드별 영상분류 결과 정보 포함률이 98.40%인 PCA2B영상까지 오분류가 되었으나 PCA4B영상부터는 정확하게 분류된 것으로 나타났다.

-수계구역

수계지역의 PCA밴드별 영상분류 결과 정보 포함률이 98.40%인 모든 유형의 PCA밴드에서 정확하게 분류된 것으로 나타났다.

Figure 13. 
Classification result of PCA band for sand area

Figure 14. 
Classification result of PCA band for water area

Figure 15. 
Classification result of PCA band for vegetation area

Figure 16. 
Classification result of PCA band for rock & gravel area

- 식생구역

식생지역의 PCA밴드별 영상분류 결과 정보 포함률이 76.74%인 PCA 1B영상까지 오분류가 되었으나 정보 포함률이 98.40%가 PCA2B영상부터는 정확하게 분류된 것으로 나타났다.

- 암석자갈구역

모래암석지역의 PCA밴드별 영상분류 결과 정보 포함률이 76.74%인 PCA1B영상까지 오분류가 되었으나 정보 포함률이 98.40%이 PCA2B영상부터는 정확하게 분류된 것으로 나타났다.