Quality Analysis of GCP Chip Using Google Map

Google Map을 이용한 GCP 칩의 품질 분석

Abstract

Recently, the demand for high-resolution satellite images increases in many fields such as land monitoring and terrain analysis. Therefore, the need for geometric correction is increasing. As an automatic precision geometric correction method, there is a method of automatically extracting the GCP by matching between the GCP Chip and the satellite image. For automatic precision geometric correction, the success rate of matching GCP Chip and satellite image is important. Therefore, it is important to evaluate the matching performance of the manufactured GCP Chip. In order to evaluate the matching performance of GCP Chips, a total of 3,812 GCP Chips in South Korea were used as experimental data. The GCP Chip matching results of KOMPSAT-3A and Google Map showed similar matching results. Therefore, we determined that Google Map satellite imagery could replace high-resolution satellite imagery. Also, presented a method using center point and error radius of Google Map to reduce the time required to verify matching performance. As a result, it is best to set the optimum error radius to 8.5m. Evaluated the matching performance of GCP Chips in South Korea using Google Maps. And verified matching result using presented method. As a result, the GCP Chip s in South Korea had a matching success rate of about 94%. Also, the main matching failure factors were analyzed by matching failure GCP Chips. As a result, Except for GCP Chips that need to be remanufactured, the remaining GCP Chips can be used for the automatic geometric correction of satellite images.

최근 국토 모니터링, 지형 분석 등 많은 분야에서 고해상도 위성영상의 수요가 증가와 함께 기하보정의 필요성이 증가하고 있다. 자동 정밀 기하보정 방법으로 GCP(Ground Control Point) 칩과 위성영상간의 정합을 통해 지상기준점을 자동으로 추출하는 방법이 있다. 자동 정밀 기하보정은 GCP 칩과 위성영상의 정합 성공률이 중요하다. 따라서 제작된 GCP 칩의 정합 성능 평가가 중요하다. GCP 칩의 정합 성능 평가를 위해 국토관측 위성용으로 구축된 총 3,812점의 GCP 칩을 실험 자료로 사용했다. KOMPSAT-3A 영상과 Google Map의 GCP칩 정합 결과를 분석한 결과 유사한 결과를 얻을 수 있었다. 따라서 Google Map 위성영상으로 고해상도 위성영상을 충분히 대체할 수 있다고 판단했다. 또한 GCP 칩의 정합 성능 검증에 필요한 시간을 줄이기 위해 자동화된 방법으로 Google Map의 중심점과 오차 반경을 이용한 방법을 제시했다. 실험 결과 최적의 오차 반경은 17 pixel(약 8.5 m)로 설정하는 것이 가장 좋은 분류 정확도를 보였다. Google Map 위성영상과 자동화된 검증 방법으로 남한 전역에 구축된 GCP 칩 3,812개의 정합 성능 평가를 진행했으며 남한에 구축된 GCP 칩은 약 94%의 정합 성공률을 보였다. 이후 정합에 실패한 GCP 칩을 분석하여 주요 정합 실패원인을 분석하였다. 분석 결과 남한 전역에 구축된 GCP 칩 중 재제작이 필요한 GCP 칩을 제외한 나머지 GCP 칩은 국토위성영상 자동 기하보정에 충분히 사용할 수 있다.

 

1. 서론

최근 국토 모니터링, 지형 분석 등 많은 분야에서 고해상도 위성영상의 수요가 증가하고 있다. 이러한 수요를 위하여 국내의 경우 2012년 발사된 KOMPSAT-3호와 2015년 발사된 KOMPSAT-3A호를 보유하고 있으며 이후 국토관측위성의 발사를 계획하고 있다(Choi and Kim, 2017). 위성영상을 통해 제작되는 DEM(Digital Elevation Model)과 정사영상 등의 산출물의 정확도는 해당영상의 위치 정확도에 의존한다(Jeong, 2015). 하지만 지구와 위성탑재체, 센서의 상대적인 운동효과와 센서의 특성, 기기제어의 한계 등으로 인해 위성영상의 위치오차가 필연적으로 발생한다. 따라서 위성영상 산출물의 정확도를 높이기 위해서는 위치오차를 보정하는 기하보정이 반드시 수행되어야 한다.

기하보정을 수행하기 위하여 지상기준점(GCP,Ground Control Point)을 활용한 번들 조정(Bundle Adjustment) 기법을 활용한다(Yoon and Kim, 2018). 지상기준점이란 정확한 공간 좌표값을 알고 있는 지상점 및 이 점이 촬영된 영상점을 의미한다. 위성영상이 촬영될 때 마다 지상기준점을 육안판독을 통해서 취득한다면 많은 처리 시간과 처리 비용이 발생한다. 지상기준점을 자동으로 확보하기 위한 방안으로, 먼저 지상점 좌표와 이 지점이 촬영된 영상조각을 결합하여 GCP 칩을 만들어 DB에 저장한다. 이후, 신규 위성영상이 촬영되면, 위성영상과 GCP 칩의 자동 정합을 통해서 신규 위성영상에 대한 기준점을 확보할 수 있다(Yoon, 2019). 이 과정을 GCP 칩 정합이라고 부른다.

기하보정의 정확도는 위성영상과 GCP 칩의 정합 성능에 의존한다. 특히 위성영상과의 정합에 성공한 GCP 칩의 개수와 분포가 위성영상의 자동 기하보정에 매우 중요하다. 따라서 정확한 기하보정을 위해서는 구축된 GCP 칩이 위성영상과 잘 정합될 수 있는지를 점검하는 과정이 꼭 필요하다. 원칙적으로 GCP 칩의 정합성능 분석에는 고해상도 위성영상이 사용되어야 한다. 그러나 구축된 GCP 칩 전체를 위성영상으로 검증하기에는 매우 많은 수의 고해상도 위성영상이 필요할 수 있고 또한 GCP 칩 정합이 적용될 대상 위성이 아직 발사 전인 위성이라면 위성영상 사용자체가 불가능할 수 있어 검증을 위한 대안이 필요하다.

본 연구에서는 아직 발사 이전인 국토관측위성용으로 구축된 총 3,812 점의 GCP 칩의 정합 성능을 공개된 데이터인 Google Map을 이용하여 검증하고자 한다. Google Map은 WorldView, Pleiades, Quickbird와 같은 상용위성에서 제작한 영상지도를 제공한다. 고해상도 위성을 대체하기 위해 Google Map과 같은 지도 서비스에서 제공하는 위성영상을 이용한 방법이 연구된 바 있다 (Long et al., 2016). 따라서 본 연구에서는 Google Map으로 국토관측위성에서 촬영될 위성영상을 대체하여 GCP 칩 검증을 할 수 있는지를 판단하고자 한다.

한편, GCP 칩의 정합 성능 분석을 육안으로만 진행한다면 구축된 모든 GCP 칩의 정합 성능 분석에 많은 시간이 소모될 수 있다. 따라서 본 연구에서는 Google Map과 GCP 칩 정합 결과를 자동화된 방식으로 점검하는 자동 정합성능분석 방안을 시도하고자 한다.

본 논문의 구성은 2장과 3장에서 연구방법과 연구자료에 대해서 기술한다. 이어서, 4장에서는 실험결과에 대해서 정리하고 5장에서 결론 및 향후 연구 개발을 기술한다.

2. 연구 방법

1) GCP 칩 정합 방법

고해상도 위성영상 및 Google Map을 이용한 GCP 칩 정합 과정은 Fig. 1에서 보이는 것과 같이 탐색영역 설정, GCP 칩 기하 변환, 피라미드 영상제작, 유사도 계산, 정합점 추출 과정으로 구성된다.

Fig. 1. Process of GCP Chip matching.

탐색영역 설정은 GCP 칩의 중심좌표에 대응되는 위성영상의 영상좌표 또는 Google Map 상의 위치를 계산하여 정합을 적용할 영역 범위를 설정하는 과정이다. 다음으로 GCP 칩 기하변환 과정이 수행된다. 선행연구 (Son et al., 2019)에서 많은 GCP 칩 정합 오차가 GCP 칩과 위성영상의 기하학적 불일치에서 기인한다고 판명 되었다. 따라서 탐색영역 설정 후 GCP 칩의 기하를 입력영상에 맞추는 과정이 필요하다. 입력영상이 위성영상인 경우는 칩의 회전 및 스케일을 조정하고 입력영상 이 Google Map인 경우는 두 데이터가 이미 회전각도가 일치되어 있어 스케일만을 조정한다. Google Map과 GCP 칩의 스케일 조정을 위해서는 Google Map의 정확한 GSD(Ground Sampling Distance)가 필요하다. Google Map의 GSD는 Google Map의 Zoom Level에 따라 아래 수식과 같이 결정된다(Long et al., 2016). Google Map은 WGS84 타원체와 Mercator 투영법을 사용하여 해당 수식을 극지역에 적용하기 어렵다는 한계가 존재하지만, 본 논문의 실험 대상지역인 남한의 경우 중위도에 위치해 해당 수식을 적용해 GSD를 계산할 수 있다. 계산 과정에서 영상의 X, Y 방향의 GSD가 같다고 가정하였다.

\(G S D=\frac{2 \pi R_{\text {earth}}}{512 \times 2^{n-1}} \cos \varphi\)       (1)

이때, R_earth는 지구타원체 반지름으로 6,378,137 m, φ 는 관측위치의 위도, n은 Zoom Level에 해당된다. Fig. 2 는 GCP 칩과 입력영상의 기하를 보정한 결과이다.

Fig. 2. Results of Geometric Correction

GCP 칩 기하변환 후에는 피라미드 영상을 제작한다. 피라미드 영상은 초기 탐색영역을 사용자가 원하는 단계로 축소하는 것부터 시작한다. 피라미드 레벨이 높아 질수록 영상의 축소 배율과 탐색영역이 줄어들게 된다. 따라서 피라미드 영상을 이용한 정합 방법은 정합점을 탐색하기 위한 탐색영역의 크기를 줄이는데 효과적이다(Yoon, 2019). 본 논문에서는 8배 축소 단계부터 원본 단계까지 4단계의 피라미드 단계를 구성하여 GCP 칩 정합을 수행했다. 초기 탐색영역과 피라미드 영상제작이 완료된 후 GCP 칩과 입력영상의 유사도를 계산하여 가장 높은 유사도를 갖는 픽셀을 정합점으로 결정한다. 유사도 계산 방법으로 ZNCC(Zero Mean Normalized Cross Correlation), MI(Mutual Information), CENSUS 방법이 있다(Yoon, 2019). 이 논문에서는 CENSUS 방법을 적용하였다.

2) GCP 칩 정합 성공/실패 판별

GCP 칩의 정합 성능 분석은 육안으로 수행할 경우, 구축된 GCP 칩의 수량이 많을 경우 분석 과정에 시간이 많이 요구된다. 따라서 본 논문은 GCP 칩의 정합 성능 분석 시간을 단축하기 위해 다음과 같은 자동화된 방법을 사용하였다. 먼저, Google Map의 예상 위치 정확도와 예상되는 정합 오차를 더한 값을 오차 반경으로 설정한다. 그 다음으로 GCP 칩의 중심 좌표에 해당하는 Google Map 위치를 계산하고 이 위치를 중심으로 오차 반경 만큼의 영역을 정의한다. Fig. 3의 붉은 점은 GCP 칩의 중심점을 원의 중심점으로 설정하여 Google Map 위에 표시한 점이다. 이후 Google Map과 GCP 칩의 정합을 수행하며 실제 GCP 칩에 해당하는 Google Map 상의 위치를 산출한다. 아래 그림에서 파란색 점은 Google Map과 GCP 칩의 정합결과로 획득한 정합점을 Google Map 위에 표시한 점이다. Fig. 3의 왼쪽 영상은 정합 결과를 Google Map과 GCP 칩을 중첩하여 나타낸 것이다. 오른쪽 영상은 왼쪽 영상의 중심부를 확대한 영상으로 정합점이 Fig. 3(a)와 같이 원 내부에 있다면 정합성공으로 판단한다. 만약 Fig. 3(b)와 같이 정합점이 원 외부에 위치한다면 정합 실패로 판단한다. 이때 Google Map과의 정합에 성공했다고 판단한 GCP 칩이 실제 위성영상과의 정합에서는 실패할 수도 있고, 반대로 Google Map과의 정합에 실패한 GCP 칩도 실제 위성영상과의 정합에 성공할 수도 있다. 본 논문의 목적은 구축된 GCP 칩이 국토위성영상에 적용할 수 있을지를 그 대안인 Google Map을 사용하여 예측하는 것이다. 따라서, 본 논문에서는 자동 정합성공 판별 방식을 통해서 실패로 판별된 GCP 칩을 선별하고 이 GCP 칩들의 실패원인을 검토하여 해당 GCP 칩들의 국토위성 적용 가능성을 판 단하였다. 제안된 자동 정합성공 판단 결과는 육안으로 정합 결과를 확인하여 사용 가능성을 검증하였다. 실험 결과는 4장에서 상세히 기술한다.

Fig. 3. Automatic classification of GCP Chip matching results (a) Matching Success and (b) Matching Failure.

3. 연구 자료

1) KOMPSAT-3A 위성영상

Google Map을 이용한 고해상도 위성영상의 대체 가능성을 판단하기 위해 먼저 국토위성영상과 동일한 사양을 갖는 KOMPSAT-3A 위성영상을 사용하여 GCP 칩 정합을 수행하고 이 결과와 Google Map을 사용한 GCP 정합 결과를 비교하였다. 본 연구에서 사용한 KOMPSAT-3A 위성영상은 Fig. 4와 같이 전라북도에 위치한 5장의 위성영상을 사용했다. 선행연구결과, GCP 칩 정합에 영상 융합된 다중분광 영상(Pan-sharpened MS image)을 사용하는 것이 더 좋은 성능을 보였으므로(Shin et al., 2018), 본 연구에서도 영상융합된 다중분광 영상을 사용했다. 실험에 사용한 위성영상의 사양은 Table 1과 같다

Fig. 4. Boundary of KOMPSAT-3A strip and location of GCP Chips (dots).

Table 1. Specification of KOMPSAT-3A imagery

2) Google Map

본 연구를 위해서 Google Map에서 제공하는 위성영상을 실험에 사용하였다. Google Map의 위성영상 획득 방법으로 Google Map API를 이용했다. 먼저 GCP 칩의 중심점의 X, Y 좌표를 위도와 경도로 변환하여 Google Map의 중심점으로 설정한다. 그 다음 영상의 크기를 설정하고 Zoom level을 이용해 영상의 GSD를 결정한다. Table 2는 수식 (1)을 사용하여 계산한 한반도 인근의 Zoom level에 따른 GSD를 나타낸다. Zoom level 18 단계에서 국토위성영상 및 KOMPSAT-3A 영상과 유사한 GSD를 갖는다. 결정된 위치와 크기에 해당하는 위성영상을 제공된 API를 이용하여 실험에 사용하였다. 실제 실험에는 결정된 위치를 중심으로 1027 × 1027 픽셀 크기의 영상을 사용했다.

Table 2. Precision GSD by Zoom Level

Fig. 5는 KOMPSAT-3A 위성영상과 Google Map을 보여준다. KOMPSAT-3A 위성영상의 경우 회전이 보정되지 않았으나 Google Map은 GCP 칩과 비교했을 때 영상의 회전이 일치하는 것을 확인할 수 있다.

Fig. 5. (a) Google Map satellite image, (b) KOMPSAT-3A image and (c) GCP Chip image.

3) GCP 칩

본 논문에서는 선행연구(Yoon, 2019; Bae et al., 2018)에서 제안한 GCP 칩의 제작 방법으로 구축된 남한지역 GCP 칩을 사용하였다. GCP 칩의 지상좌표는 통합기준점의 지상좌표를 사용하였고 GCP 칩 영상은 국토지리 정보원에서 구축한 항공정사영상을 이용하여 추출하였다. Table 3과 Fig. 6은 제작된 GCP 칩의 사양과 분포를 보여준다.

Table 3. Specification of GCP Chip

Fig. 6. Distribution of GCP Chip in South Korea.

4. 실험 결과

1) Google Map 영상과 KOMPSAT-3A 영상에서 GCP 칩 정합 성능 비교

Google Map의 고해상도 위성영상 대체 가능성을 분석하기 위해 Google Map과 KOMPSAT-3A 위성영상을 입력영상으로 사용하여 GCP 칩 정합을 수행하고 그 결과를 비교했다. KOMPSAT-3A 위성영상 5장과 KOMPSAT-3A 위성영상 영역에 포함되는 GCP 칩 55개를 이용해 GCP 칩 정합 실험을 수행하고 그 결과를 육안으로 분석해 Table 4와 같이 정리했다.

Table 4. Result of GCP Chip Matching

실험 결과 KOMPSAT-3A 위성영상을 이용한 GCP 칩 정합 성공률은 89%, Google Map 위성영상을 이용한 결과는 87%로 KOMPSAT-3A 위성영상을 이용한 경우와 Google Map을 이용한 경우가 유사한 정합 성공률을 보였다.

GoogleMap을 이용한 GCP 칩 정합 결과와 KOMPSAT-3A 위성영상을 이용한 GCP 칩 정합 결과의 유사도를 분석하기 위해 Table 5와 같이 GCP 칩 각각의 정합 결과를 비교했다. Google Map과 KOMPSAT-3A 위성영상에서 동일한 정합 결과를 갖는 GCP 칩의 수는 46개로 두 영상의 정합 결과의 유사도는 약 84%이다. 따라서 KOMPSAT-3A 영상 또는 국토위성영상을 대체하여 Google Map을 GCP 칩 정합 성능 분석에 사용할 수 있다고 판단했다. 한편, 55개의 GCP 칩 중 9개의 GCP 칩이 서로 다른 결과를 보였다. Fig. 7은 KOMPSAT-3A 위성영상에서 정합 성공하고 Google Map에서 정합 실패한 경우이다. GCP 칩과 KOMPSAT-3A 위성영상은 촬영시기가 유사하나 GCP 칩과 Google Map은 GCP 칩이 여름, Google Map이 겨울로 촬영 시기에 의한 차이가 크다. 이와 같이 GCP 칩과 입력영상의 촬영시기 차이에 의해 Google Map과 KOMPSAT-3A 위성영상이 서로 다른 GCP 칩 정합 결과를 갖는다. 따라서 Google Map으로 고해상도 위성영상을 대체할 수 있으나, 두 영상의 촬영 시기를 고려해야 한다.

Table 5. Comparing Google Map and KOMPSAT-3A

Fig. 7. Comparing GCP Chip matching result of Google Map and KOMPSAT-3A, (a) GCP Chip, (b) KOMPSAT-3A image and (c) Google Map image.

2) Google Map을 이용한 GCP 칩의 자동화된 정합 성능 분석

앞의 실험 결과에 근거하여 구축된 모든 GCP 칩의 정합성능분석을 Google Map을 이용하여 수행하였다. 이 경우, 모든 GCP 칩의 정합 결과를 육안으로 수행하기 어려워 앞절에서 설명한 바와 같이 자동으로 GCP 칩의 정합 성능 분석을 수행하였다. 정합성능 분석 과정에서 정합 실패로 분류된 GCP 칩을 분석하여 정합 실패 원인을 분석하고 정합에 실패한 GCP 칩의 사용가능성 여부를 판단하므로 정확한 분석을 위해 정합 실패로 분류된 GCP 칩 중 실제로는 정합 성공인 분류 오류가 없어야 한다. 따라서 자동화된 정합 성능 분석 방법의 정확도를 높이고 분류 오류를 줄이기 위해서 최적의 오차 반경을 설정하는 것이 중요하다.

실험을 위해 Table 6과 같이 오차 반경을 2 pixel 간격으로 설정하였고 남한에 구축된 3,812개의 GCP 칩 중 200개를 무작위로 추출하여 자동 정합 성공 분석에 사용했다. 또한 자동 성능 분석 결과의 검증을 위해 200개의 GCP 칩 정합 결과를 육안으로 분류하여 참값으로 사용하였다.

Table 6. Result of GCP Chip matching using automatic method

오차 반경에 따른 분류 정확도의 경향을 보면 오차 반경이 5 pixel에서 가장 낮은 분류 정확도를 갖는다. 오차 반경이 점차 증가함에 따라 [15, 19] 구간에서 가장 높은 분류 정확도를 보이며 19 pixel을 초과하면 점차 감소하는 경향을 보인다. 오차 반경에 따른 분류 오류의 경향은 오차 반경이 [5, 11] 구간에서 급격히 감소하며 이후 오차 반경이 17 pixel일 때 2개로 수렴한다. 오차반경이 5 pixel인 경우 약 2.5 m의 정합 오차만(Shin et al., 2018) 고려한 것으로 Google Map의 위치오차를 고려하지 않아 70%의 낮은 분류 정확도를 갖는다. 그러나 Google Map의 위치 오차를 고려하여 오차 반경이 증가해 [15, 19] 구간에서 분류 정확도가 83%로 가장 높은 분류 정확도를 갖는다. 오차반경을 21 pixel 이상으로 설정할 경우 오차 반경이 너무 커져 실제로 정합 실패한 GCP칩이 정합 성공으로 분류되어 정확도가 감소하는 경향을 보인다. 오차 반경을 17 pixel로 설정했을 분류 정확도가 가장 높고 분류 오류가 가장 낮았다. 따라서 오차 반경을 17 pixel로 설정하는 것이 최적의 정합 성능 분석 결과를 얻을 수 있다.

Fig. 8. Classification Accuracy and Error of GCP Chip Matching results.

3) 남한 전역의 GCP 칩의 정합 성능 분석

위의 실험 결과를 바탕으로 남한에 제작된 GCP 칩 3,812개와 Google Map의 GCP 칩 정합을 수행하고 자동화된 방법으로 정합 성능을 분석하였다(Table 7).

Table 7. GCP Chip matching result in South Korea

정합 성능 분석 결과 남한에 구축된 GCP 칩은 94%의 정합 성공률을 가지며 223개의 정합 실패 GCP 칩이 존재한다. 정합에 실패한 GCP 칩의 사용 가능성을 판단하기 위해 정합 실패 결과를 육안으로 확인하여 GCP 칩 정합에서 주요 정합 실패 원인에 대해 분석하였다. 분석 결과 Table 8과 같이 주요 정합 실패 원인으로 두 영상의 촬영시기 차이, 보안처리, 촬영 각도의 차이가 있었다.

Table 8. Classification of GCP Chip matching failure case

촬영 시기차이는 GCP Chip과 입력 영상이 다른 시기에 촬영되어 발생하는 오차 원인으로 정합 실패 원인 중 88%가 촬영시기 차이에 의해 발생했다. 촬영시기 차이에 의해 발생하는 주요 변화는 Fig. 9(a)와 같이 눈에 의한 영향과 수목의 색상 변화 등 두 영상의 계절의 차이에 의해 발생하는 계절적 요인이 있으며 Fig. 9(b)와 같이 물의 색상과 수위의 변화 등 물에 의한 영향과 Fig. 9(c)와 같은 그림자에 의한 영향, Fig. 9(d)와 같은 지상 객체의 변화가 있다. 다음으로 Fig. 9(e)와 같이 촬영각도에 의해 정합에 실패한 GCP 칩이 7%, 보안지역에 위치하여 블러링과 같은 보안처리된 영상으로 제작된 GCP 칩이 5% 있었다.

Fig. 9. Difference between GCP Chip and Google Map (a) Seasonal factors, (b) Water, (c) Shadows, (d) Object change, (e) Geometric difference.

주요 정합 실패 원인을 보완하여 GCP 정합 성공률을 향상시키기 위해 GCP 칩을 GCP 칩의 품질에 문제가 있는 칩과 그렇지 않은 칩으로 분류했다. GCP 칩의 품질에 문제가 있는 칩은 다른 계절의 입력영상과의 정합에 문제가 있거나 오래된 영상으로 GCP 칩을 제작하여 최근의 입력영상과 정합에 문제가 있는 칩으로 계절의 차이, 물과 객체의 변화에 의해 정합에 실패한 칩과 보안지역에 제작된 GCP 칩이 있다. 영상 촬영 각도에 의해 정합 실패한 GCP 칩은 품질에 문제가 없다고 판단 했다.

GCP 칩의 품질을 개선하기 위해 계절의 차이로 정합에 실패한 GCP 칩은 다시기의 영상을 이용해 동일한 지상좌표를 갖는 GCP 칩을 구축하여 입력영상과 비슷한 시기의 GCP 칩을 정합에 사용해야 한다. 물의 변화와 객체의 변화로 정합에 실패한 GCP 칩은 최신의 영상을 이용해 GCP 칩을 재제작해야 하며, 보안지역에 제작된 GCP 칩의 경우 지상좌표를 이동하여 신규 GCP 칩을 제작해야 한다.

GCP 칩의 품질에 문제가 없는 GCP 칩은 재제작을 통해 문제를 해결할 수 없으므로 정합 알고리즘 부분의 개선이 필요하다고 생각된다.

따라서 남한에 구축된 3,812 개의 GCP 칩 중 물과 객체의 변화가 발생한 칩 71개와 보안지역에 구축된 11개 의 칩에 대한 재제작이 필요하다.

5. 결론

본 논문에서는 Google Map을 이용해 GCP 칩 검증을 위한 국토위성영상 및 KOMPSAT-3A 영상을 대체할 수 있는지 분석하였고 자동화된 방법을 이용한 GCP 칩의 정합 성능을 분석하였다. 먼저 KOMPSAT-3A 위성 영상과 Google Map의 GCP 칩 정합 성능을 비교했다. 그 결과 KOMPSAT-3A 위성영상과 Google Map의 정합 성공률은 각각 87%와 89%로 유사한 정합 성공률을 보였으며 정합 유사도가 84%로 두 영상이 유사한 정합 결과를 보였다. 따라서 고해상도 위성영상을 Google Map으로 대체할 수 있다고 판단했다.

다음으로 자동화된 방법을 이용한 GCP 칩 정합 성능 분석을 위해 오차 반경의 최적화를 진행하였다. 오차 반경을 2.5 m ~ 11.5 m까지 1 m 간격으로 오차 반경을 증가시켜 그때의 분류 정확도와 분류 오류를 분석했다. 그 결과 오차 반경이 8.5 m일 경우 분류 정확도가 83%로 가장 높고 분류 오차가 2개로 가장 낮아 오차 반경을 8.5 m로 설정하는 것이 가장 좋은 GCP 칩의 자동 정합 성능 분석이 가능하다고 판단하였다. 위의 실험 결과를 바탕으로 남한 전역에 구축된 GCP 칩의 정합 성능 분석을 수행하였으며 그 결과는 94%의 정합 성공률을 가지며 223개의 정합 실패 GCP 칩을 분류했다.

정합 실패 원인을 분석하기 위해 223개의 GCP 칩을 추가로 분석하였다. 정합 실패로 분류된 GCP 칩 대부분이 입력 영상과의 시기차이로 인해 정합에 실패한 것을 확인할 수 있었다. 따라서 다시기의 GCP 칩을 구축하여 입력영상의 촬영시기에 맞는 GCP 칩을 사용해 정합 성공률을 높여야 정밀한 기하보정이 가능하다고 판단된다. 그러나 객체의 변화와 보안지역에 구축된 GCP 칩은 다른 영상과 정합이 불가능하여 재제작이 필요하다. 향후 제안한 방법으로 북한과 같은 접근 불능지역에 구축된 GCP 칩의 정합성능 분석에 관한 실험이 진행되어야 하며 그림자에 의한 영향과 촬영각도를 고려한 정합 방법에 대한 연구가 필요하다.