Extraction of Waterline Using Low Altitude Remote Sensing

저고도 원격탐사 영상 분석을 통한 수륙경계선 추출

Abstract

In this study, Helikite, Low Altitude Remote Sensing (LARS) platform, was used to acquire coastal images. In the obtained image, the land and water masses were divided using four types of region clustering algorithms, and then waterline was extracted using edge detection. Quantitative comparisons were not possible due to the lack of in-situ waterline data. But, based on the image of the infrared band where water masses and land are relatively clear, the waterlines extracted by each algorithm were compared. As a result, it was found that each algorithm differed significantly in the part where the distinction between water masses and land was ambiguous. This is considered to be a difference in the process of selecting the threshold value of the digital number that each algorithm uses to distinguish the regions. The extraction of waterlines through various algorithms is expected to be used in conjunction with a Low Altitude Remote Sensing system that can be continuously monitored in the future to explain the rapid changes in coastal shape through several years of long-term data from fixed areas.

본 연구에서는 저고도 원격탐사 기구인 Helikite를 이용하여 연안지역의 영상을 획득하였다. 그리고 획득된 영상에서 4 종류의 영역 분할 알고리즘을 이용하여 육지와 수괴의 영역을 분할해 낸 후 경계 검출법을 이용해 수륙경계선을 추출하였다. 실측데이터의 부재로 정량적인 비교는 불가능했으나, 수괴와 육지의 구분이 비교적 명확한 적외선(Infrared band) 영역의 영상을 기준으로 각 알고리즘들에 의해 추출된 수륙경계선을 비교하였다. 그 결과, 영상에서 수괴와 육지의 구분이 모호한 부분에서 각각의 알고리즘의 결과가 크게 차이가 나는 것을 발견할 수 있었다. 이는 각 알고리즘이 영역을 구분하는데 사용되는 영상의 수치값(Digital number)의 임계치를 선정하는 과정에서 생긴 차이라고 판단된다. 이와 같이 다양한 알고리즘을 통한 수륙경계선의 추출은 향후 연속 모니터링이 가능한 자동 관측시스템과 함께 활용하여 고정지역에서 얻은 수년의 장기간의 데이터를 통해 연안 지역 형태의 급격한 변화를 설명하는데 도움을 줄 것으로 기대된다.

1. 서론

연안 지역에서의 수륙경계선(Waterline)을 관측하는 것은 해수면 변동, 조석 관측에 이용되는 등 해양학적으로 매우 중요하다. 수륙경계선은 수괴와 육지 부분의 경계를 나타내는 기준선으로 육지와 해양을 구분하는 역할을 한다(Jo et al., 2015; Ryu et al., 2002). 육지와 수괴를 구분하는 기준인 수륙경계선은 근 연안지역의 수심측정 및 지형변화 파악과 같은 연안지역의 환경 변동을 파악하는데 도움을 줄 수 있다(Foody et al., 2005; Kumar and Takewaka, 2019; Li et al., 2016). 특히 간척지나 조수간만의 차가 큰 갯벌 지형의 경우는 잦은 해안선과 해안지형 변화로 인하여 해양환경이 역동적으로 변하기 때문에 이러한 지형을 빠르게 파악하는 것이 무엇보다 중요하다 (Lee et al., 2015). 기존의 해양환경 원격탐사 연구는 위성이나 항공기를 활용한 대규모 연안 환경변화 및 지형변화가 주를 이루어 왔다(Choi et al., 2020; Kim et al., 2020; Shin et al., 2020). Lee et al. (2011)은 Landsat 위성영상을 이용하여 강화도에서 10년간의 수치표고모델을 획득하고, 이를 통해 수륙경계선의 변화를 분석하였다. 이와 유사하게 Jeong et al. (2016)은 항공촬영 사진과 SPOT-5 위성영상을 이용하여 낙동강 하구역의 울타리 섬들의 해안선을 추출하고 연별 변화를 분석하였다. Yu et al. (2019)은 중국 황하 강에서 Landsat 위성영상을 사용하여 수륙경계선을 탐지하고 담수와 해수가 만나는 통로인 Tidal waterway를 관측하였으며, 수륙경계선의 길이 변화와 황하강 주변의 해양지형변화를 파악하였다. 최근 자동항법장치(Ground Control Point/Inertial Measurement Unit, GPS/IMU)의 소형화, 소형 무인항공기의 기술적 발전 및 항공촬영 기술의 발달로 인하여 무인 항공 탐사체(Unmanned Airial Vehicle, UAV)을 이용한 다양한 연안 주변의 환경 및 지형에 대한 연구들도 수행되어오고 있다(Hwang et al., 2020; Kim et al., 2020a; Kim et al., 2020b). Lee et al. (2015)은 소형 무인항공기를 이용하여 연안 해역을 매핑한 뒤 소벨(Sobel) 경계 검출법을 통하여 시간별 해안선을 추출하고 일별 해안선 변화량을 추정하였다. Kim et al. (2015)은 조간대 갯벌에서 RTK-GPS (Real Time Kinematic GPS)로 측량한 고도 값과 수륙경계선 추출법을 사용하여 수치표고모델을 생성하였고 이를 통해 연안 지형 관측에서 무인항공기의 사용 가능성을 제시하였다. 일반적으로 수륙경계선 변화 관측 시 다양한 원격탐사체를 이용하지만, 위성영상의 경우 구름에 의한 결측 자료가 생기고 시간과 공간해상도가 낮으며, 항공기의 경우 기상조건에 제한적이며 비용이 비싸고 운용이 까다롭다는 단점이 있어 연안범위의 장기간 모니터링을 진행하기엔 제한점이 있다. 따라서, 본 연구에서는 이를 극복하기 위해 저고도 원격탐사 기구인 Helikite (Hellium+Kite)를 이용하여 관측하였다. Helikite는 헬륨을 채운 풍선과 기체 하부에 달려 있는 연이 복합적으로 구성되어 있는 원격탐사 기구이며, 풍선과 지상을 연결하는 테더(Tether)를 통하여 일정고도에서 장시간 동안 비행할 수 있다. 또한 풍선에 달려있는 연(Kite) 구조에 의해 발생하는 양력에 의해 공중에서 안정적으로 유지되며 강한 바람에 버틸 수 있다. Helikite는 다른 관측기구에 비해 운용 비용이 저렴하고 저고도에서 다양한 센서를 탑재하여 장기간 관측할 수 있기 때문에 연안 관측에 있어서 다양한 모니터링 연구를 수행할 수 있다. 기존의 저고도 원격탐사체를 이용하여 수륙경계선을 관측하기 위한 연구에서는 획득된 영상 내의 경계선을 자동적으로 탐지하여 영역을 구분하는 Active Contours Without Edges(ACWE) 알고리즘과 같이 객체의 경계를 추출하는 다양한 기법들을 사용되어왔는데(Jo et al., 2015), 해당 연구에 사용된 알고리즘의 정확도에 관한 연구는 부족한 실정이다. 따라서 본 연구에서는 Helikite를 이용하여 획득한 영상을 4가지 알고리즘을 이용하여 수륙경계선을 추출한 후, 각 결과들을 취합하여 각각의 알고리즘의 특징을 비교, 분석하고자 한다.

2. 연구지역 및 자료

1) 연구지역

연구 지역은 대한민국의 서해안의 전라남도 신안군도초면에 있는 도초도이다(Fig. 1(a)). 이 지역은 조수간만의 차가 크고, 매우 넓은 갯벌이 발달되어 있으며 수심이 얕은 것이 특징이다. 따라서 서해의 해양학적 특성을 잘 나타내고 조석에 의해 시시각각 변하는 수륙경계선을 관측하기에 적합한 지역으로 판단하였다. 특히 갯벌과 같은 조간대 지형의 경우 시시각각 변하는 수심의 변화가 생물 종 다양성, 해양생물 서식지와 같은 해양생태계에 주요한 영향을 주기 때문에 이러한 지형의 경우에 수륙경계선의 관측이 매우 중요하다. 또한 도초도가 속해 있는 도초군도의 경우 조석은 반일주조(Semidiurnal tide) 형태의 일부조등(Diurnal inequality)을 보이며 조차의 경우 180 ~ 320 cm로 평균 250 cm의 큰 조차를 보인다. 또한 도초군도는 도초도를 중심으로 연구지역 쪽인 동쪽은 조석이 우세하여 넓은 조간대가 발달되어 있어 수륙경계선을 추출하기에 유용한 지역으로 판단된다(Chung et al., 2008).

Fig. 1. (a) Study area. The captured images are rearranged on the satellite map through georeferencing. (b) Georeferenced image.

따라서 본 연구에서는 저고도 원격탐사체인 Helikite 이용하여 도초도 갯벌을 촬영하였다. 촬영된 영상은 지상기준점(Ground Control Point, GCP)을 이용한 지오레퍼런싱(Georeferencing)을 통해 영상의 픽셀 당 좌표정보가 입력되었으며 촬영된 영상의 크기는 약 1200 × 700 m이며 공간 해상도는 픽셀 당 1 m로 산출되었다(Fig. 1(b)).

2) 저고도 원격 탐사체 (Low Altitude Remote Sensing)

본 연구에서는 저고도 원격탐사기구인 Helikite에 광학카메라를 탑재하여 관측을 진행하였다. Helikite (Fig.2(a))는 Helium balloon과 Kite의 합성어로 헬륨 풍선 아래 연 모양의 구조가 복합적으로 구성되어있다. 충진된 헬륨의 부력을 통해 공중에 떠 있을 수 있으며, 풍선과 연이 결합된 유체역학적 구조에 의해 강한 바람에도 기체가 흔들리지 않고 안정적인 자세로 계류할 수 있다(Doneus et al., 2016). 또한, 테더에 연결된 윈치를 통해 고도 2 km이내에서 원하는 고도를 자유롭게 조절할 수 있으며, 충진된 헬륨을 통해 최대 2개월 가량의 장기적인 운영이 가능하다는 장점이 있다. 관측부는 Picavet suspension 시스템을 적용하여 테더에 장착하였다(Fig.2(b)). Picavet suspension은 연 또는 부력을 가진 풍선체에 관측 시스템을 탑재하는 전통적인 방법이다. 이 방법은 관측시스템의 계류에 사용되는 테더의 아래에 두개의 줄을 교차하여 연결하여 관측체의 진동을 감소시키며 관측장비의 중력 방향에 방향에 대해 관측장비가 안정적으로 자세를 유지할 수 있게 해준다. 또한, 관측부는 항공기의 자세정보와 위치정보를 획득할 수 있는 GPS/IMU가 탑재되었으며 카메라의 수평안정성을 유지시키 기 위한 짐벌(Gimbal), 그리고 영상을 획득할 수 있는 가시광선 카메라(Fig. 2(c))와 적외선 카메라(Fig. 2(d))로 구성되어 있다.

Fig. 2. (a) The Helikite. It can freely adjust the altitude using the winch. (b) Observation equipment with sensors, IMU, and GPS. Observation equipment consist of (c) optical and (d) infrared camera.

3. 데이터와 알고리즘

Fig. 3(a)는 저고도 원격탐사 기구인 Helikite를 이용하여 촬영한 가시광선 영상이다. 관측 당시, 수륙경계선의 기준이 될 실측 데이터를 확보하는데 어려움이 있었기 때문에, 본 연구에서는 수륙경계선의 기준을 정하기 위하여 육지와 수괴의 반사율이 크게 차이가 나는 적외선 파장대의 영상(Fig. 3(b))을 동일 지역에서 관측하여 수륙경계선의 기준으로 판단하였다(Ryu et al., 2002). 태양광선에서 적외선의 경우, 대부분 물에 흡수되어 거의 반사를 일으키지 않기 때문에 Fig. 3(a)의 우측 상단 갯벌수로와 같이 가시광선 영상에서 육지와 수괴의 구분이 불분명한 부분이 적외선 영상에서는 매우 뚜렷하게 구분되었다(Park et al., 2012; Yu et al., 2019) 또한 본 연구에서 제시한 4 가지의 알고리즘을 적외선 영상에 적용하였을 때, 모두 유사한 수륙경계선 추출 결과를 나타내었다(Fig. 8). 그러나 이러한 적외선 대역 카메라의 경우, 렌즈의 화각이 좁아(가시광선 영역의 약 1/4) 광범위한 영역을 동시에 획득하는데 제한이 있다. 따라서 상대적으로 더 넓은 범위의 관측이 가능한 가시광선 대역 카메라를 이용하여 정확한 수륙경계선을 추출하고자 하였으며, 이를 기준으로 육안으로 식별에 제한이 있는 가시광선 영상 내의 수륙경계선을 4가지의 영상 분석 알고리즘을 이용하여 추출하여 이를 비교하고자 하였다.

Fig. 3. Visible image (a) and infrared image. (b) observed through each sensor mounted in Helikite. Infrared image shows clear distinction between land and water masses than visible light image.

Fig. 8. Waterline extraction using 4 algorithms on infrared images. All 4 algorithms show that a similar waterline is extracted.

1) K-means clustering 알고리즘

Hartigan and Wong (1975)에 의해 개발된 K-means clustering (이하 K-mean)은 대표적인 분리형 군집화 알고리즘 중에 하나이다. 각 군집은 하나의 중심을 가지고 데이터들은 가장 가까운 중심에 할당되며, 같은 중심에 할당된 개체들이 모여 하나의 군집을 형성하게 되며, 이를 통해 데이터 전체에 K 개의 군집을 형성하는 알고리즘이다(Liu and Yu, 2009).

K-mean은 다음과 같은 5 가지 과정을 거쳐서 영상을 분할한다:

1. K개의 중심 포인트를 설정한다.

2. 각 데이터들을 가장 가까운 중심포인트에 할당한다.

3. 모든 데이터들이 군집화 되면, 군집화 된 영역의 K 중심점을 재계산한다.

4. 중심점의 위치가 일정하게 유지될 때까지 반복한다.

5. 4번의 과정이 완료될 경우 최종적으로 중심점을이용해 영상을 분할한다.

여기서, 첫 번째로 지정되는 중심점 ic1, ick의 경우, 영상 내에서가장크고작은회색조강도(Gray scale intensity)를 이용하여 자동적으로 지정하게 된다(식 1).

\(i c_{i}=i c_{1}+\frac{i c_{k}-i c_{1}}{k-1} \times(i-1)(1        (1)

그리고 추가적인 j번째 임계 값인 t_j의 경우는 식 (2)에 의해 결정된다.

t_j=0.5(cc_j=ccj₊₁)(1≤j≤k-1)       (2)

K-mean은 군집화(Clustering) 알고리즘 중 널리 쓰이는 알고리즘이나, 데이터의 거리를 통해 군집화를 수행하는 알고리즘의 특성상, 비슷한 값의 데이터라도 거리가 먼 경우 각각 다른 군집으로 형성하는 경우가 있으므로 구역의 개수 K를 적절하게 설정하는 것이 매우 중요하다. Fig. 4(a)는 본 연구에서 사용된 가시광선 영상에 K-mean을 사용한 것으로 Fig. 4(b)의 히스토그램을 참고하여 반복수행결과가 K=4 일 때 수륙경계선이 적외선 영상의 결과와 가장 유사하게 추출되는 것을 확인하였다. 이는 Fig. 4(b)의 히스토그램 분포와 같이 4개의 군집으로 나누는 것이 가장 이상적으로 사료된다.

Fig. 4. (a) The result of segmentation using K-mean clustering algorithm. When K=4, land and water masses were most clearly distinguished. (b) K-mean clustering histogram.

2) Neural-Network 알고리즘

본 연구에서 획득된 영상의 경우 조석 작용으로 인하여 수륙경계선의 구분이 뚜렷하지 않기 때문에 단순 영역 분할 알고리즘만으로는 정확한 수륙 경계선의 구분이 힘들 것으로 판단되었다(Ryu and Won, 2002). 따라서 인공지능망(Neural-Network, NN) 알고리즘을 이용하여 정밀한 수륙경계선을 추출하고자 하였다. 인공지능망 알고리즘(이하 NN)은 사용자가 직접 설정해준 입력(input) 데이터를 통하여 반복 학습 후, 이를 통해 자동적으로 결과 데이터를 추출해내는 알고리즘이다. 이러한 알고리즘은 지속적으로 샘플데이터를 수집 및 정제하고 반복적인 학습을 통해 최적의 결과를 도출해낸다(Milenova, 1997). 본 연구에서는 MATLAB 프로그램에서 제공하는 3계층 네트워크를 사용하였다. 이 네트워크는 Input layer, hidden layer, output layer로 이루어져 있으며 Hidden layer내부에 존재하는 뉴런의 수에 따라 네트워크의 성능 및 계산 시간이 달라지게 된다. 뉴런의 수가 많으면 결과 값은 좋아지나 계산 시간이 기하급수적으로 증가하며, 뉴런 수가 적으면 계산 시간이 짧으나 결과 정확성이 저하된다. 따라서 본 연구에서는 우선적으로 영상 내에서 수괴와 육지를 대표하는 각각의 영역을 선택하여 추출하였다(Fig. 5(a)). 대표 영역은 원본 영상을 기준으로 각 수괴와 육지에 가장 가까운 곳으로 선정하였다. 그리고 가시광선 영상에서의 빨강(Red, R), 초록(Green, G), 파랑(Blue, B) 영역의 밴드 값을 입력 값으로 지정하고 대표 영역을 출력 값으로 입력한뒤 뉴런의 수를 변경해가며 결과를 도출하였다(Fig.5(b), 5(d)). 그 결과 뉴런 개수가 100 이상이 되는 경우 계산 시간이 급격하게 증가하였다. 따라서 100 개 이하에서의 결과 중에서 알고리즘 반복 횟수와 에러 값을 기준으로 하였을 때, 뉴런의 개수가 70 일 때 가장 최적화된 결과를 보여주었다. 최종적으로 원본 영상을 넣어 최종적인 결과 값(Fig. 5(c))을 추출하였으며, 각 픽셀의 결과 값은 육지와 수괴의 그룹 중 특성이 가까운 정도에 따라 강도 값을 표현하였다.

Fig. 5. (a) Areas representing land (red dotted line) and water mass (blue dotted line) in the image. (c) Separation of land and water masses using NN algorithm. The performance of the neural network showed low error value (b) and iteration count (d) when the number of neurons was 70.

3) 임계값을 통한 영상 이진화 (Otsu’s method)

Otsu’s method는 2차원 영상의 히스토그램 분포에서 임계 값(threshold, t)을 이용하여 2개의 그룹으로 나누어 영상을 분할하는 영상 이진화 방법이다(Otsu, 1979;Yuan et al., 2015). 우선적으로 가시광선 영상의 픽셀 I(x, y)는 범위 0 ~ L–1의 회색조 강도로 변환되어야 한다. 그리고 회색조 강도 i로 변환된 픽셀의 수를 n_i라 하고 원본 영상의 크기를 n이라고 한다면, 회색조 강도 i가 나타날 확률은 p_i = \(\frac {n_i} n\)이다. 만일 영상이 임계 값 t를 통하여 D₀와 D₁ 2개의 항목으로 나뉘어 진다면 D₀은 [0, t]까지의 값일 것이며 D₁은 [t+1, L–1]의 값일 것이다. p₀(t)와 p₁(t)가 2개의 클래스에 대한 누적 확률이라면 u₀(t)와 u₁(t)는 D₀와 D₁ 클래스의 평균 값을 나타낸다 (식 3~6).

\(p_{0}(t)=\sum_{i=0}^{t} p_{i}\)       (3)

\(p_{1}(t)=\sum_{i=t+1}^{L-1} p_{i}=1-p_{0}(t)\)       (4)

\(u_{0}(t)=\sum_{i=0}^{t} i * \frac{p_{i}}{p_{0}(t)}\)       (5)

\(u_{i}(t)=\sum_{i=t+1}^{L-1} i * \frac{p_{i}}{p_{i}(t)}\)       (6)

여기서 임계값 t를 이용하여 2개의 클래스로 나눈 값들의 차이(Between-class variance)는 δb (t)는 식 7과 같이나타낸다.

δ_b(t) = P₀(t)(u₀(t))²+P₁(t)(u₁(t))²       (7)

최종적으로 식 8의 반복 계산을 통하여 궁극적인 임계 값(TH)을 찾아낸다.

TH = arg max_{1δb(t) = arg max1(P0(t)(u0(t))²+P1(t)(u1(t))²       (8)}

Fig. 6(a)은 Otsu’s method를 이용하여 수륙경계선을 추출한 영상이며 영상의 히스토그램 (Fig. 6(b))을 통해 임계 값을 지정하였다. 임계 값이 153일 때, 육지와 수괴의 경계가 뚜렷한 것을 볼 수 있었다.

Fig. 6. (a) Separation of land and mass using Otsu’s method. (b) At the threshold value of 153 gray level

4) 경계선을 통한 영역 분할 기법(Active Contour Without Edge)

Active Contour Without Edge(이하 ACWE)는 영상 내에서 배경이나 다른 물체와 구분하고자 하는 객체를 선택하여 객체와 배경 사이의 특이점이나 경계를 찾아내고, 반복적인 알고리즘 수행을 통해 객체를 배경과 완전히 분리해내는 경계영역을 확장시키는 방식이다(Chan and Vese, 2001; Jo et al., 2015). ACWE는 에너지 최소화 알고리즘을 통하여 영상을 세분화한다. 이 알고리즘의 기본 개념은 해당 영상의 객체를 감지하기 위하여 주어진 영상 u0의 에너지 알고리즘 조건에 따라 곡선을 확장시키는 것이며, 에너지 알고리즘은 식 9와 같다.

\(F(c) = \int _{inside(c)} |u_0(x,y) - c_1 |^2 dxdy + \int _{outside(c)} |u_0(x,y) -c_2|^2 dxdy\)       (9)

여기서 c는 영상의 특정 윤곽선이며, c₁과 c₂는 각각 영상 내부, 외부의 평균 밝기 값을 나타낸다. c₀는 c=c₀일 때, 객체와 배경을 구분하는 경계 값이다. 다음은 경계선을 결정하는 과정으로 곡선 c의 거리함수는 식 10과 같이 정의된다.

\(\varnothing(x, y)\left[\begin{array}{l} =0(x, y) \text { 가 곡선 위에 이치할 경우 } \\ <0(x, y) \text { 가 곡서 내부에 위치할 경우 } \\ >0(x, y) \text { 가 곡선 외부에 위치할 경우 } \end{array}\right]\)       (10)

이 때, 객체로 선택한 영역의 중앙점에서부터 시작하며 향상된 구분을 위한 발전된 알고리즘은 다음과 같다(식 11).

\(\frac{\partial t}{\partial t}=\left[\mu \operatorname{div}\left(\frac{\Delta \emptyset}{|\Delta \varnothing|}\right)-\lambda_{1}\left(u_{0}-c_{1}\right)^{2}+\lambda_{2}\left(u_{0}-c_{1}\right)^{2}\right]\)       (11)

여기서 λ1, λ2와 μ는 상수 값이며, div( )는 식 12와 같이 계산된다.

\(\operatorname{div}\left(\frac{\Delta \emptyset}{|\Delta \varnothing|}\right)=\frac{\emptyset_{x x} \emptyset_{y}^{2}-2 \emptyset_{x} \emptyset_{y} \emptyset_{x y}+\emptyset_{y y} \emptyset_{x}^{2}}{\left(\emptyset_{x}^{2}+\emptyset_{y}^{2}\right)^{3 / 2}}\)       (12)

ø_x와 ø_y은 x, y방향의 기울기 값이며, 첫번째 항인 곡선 항은 전체 곡률을 최소화하여 윤곽을 부드럽게 설정하는 조건을 제공한다. 두번째 항은 모형 오차 항으로 형성된 객체 영역의 진화를 유도한다. 따라서 객체 내, 외부의 강도 값인 c1과 c2의 차이가 최대가 되도록 영상을 분할할 때 모델 오차항이 최소가 된다. 따라서 가장 낮은 오차 값을 얻을 때까지 알고리즘을 반복하게 된다. Fig. 6은 ACWE 알고리즘의 반복 수행 횟수를 변화시키며 수륙경계선을 추출한 영상이며 반복 수행 수가 4000 이상 일 때, 본 연구에서 기준으로 설정한 수륙경계선과 가장 유사하게 나타내는 것을 확인하였다. 이 이상의 반복횟수에선 4000 회의 알고리즘 반복에 의한 결과와 유사하게 나타나는 것을 확인하였다(Fig. 7).

Fig. 7. Separation of land and mass using ACWE. It was confirmed that the algorithm could not completely cover tidal waterways when the number of iterations was 500 (a). And when the number of repetitions was 4000, this part was completely covered (b).

5) 형태학적 영상처리

본 연구에서는 육지와 수괴를 구분한 영상에서 수륙경계선만을 추출하기 위하여 형태학적 영상 처리를 사용하였다(Fig. 9). 이러한 형태학적 영상 처리는 영상의 기본적인 특징(밝기, 명암 등)은 유지하되 형태에 변화를 주는 것으로, 영상의 경계, 블록, 골격 등 형태를 표현하거나 서술하는데 필요한 영상 요소를 추출하는데 사용된다. 이러한 영상 처리는 물체에 일정한 크기의 구조요소를 사용하여 구조 요소를 통한 원본 영상의 침식, 팽창 열기, 닫기의 방식으로 사용되어 영상을 재구성하게 된다(식 13~16).

Fig. 9. The waterline extracted by morphological image processing (solid white line) is compared with the waterline in the infrared image (red solid line). The results differed significantly in the yellow circled dotted area and The results of K-mean and NN (right images) showed more similar results to the reference waterline than Otsu’s method ACWE (left images).

A ⊖ B = {z | (B)z ∩ Ac = ø}       (13)

 A ⊕ B = {z | (Bˆ)z ∩ A ≠ ø}      (14)

 A°B = (A ⊖ B) ⊕ B       (15)

 A · B = (A ⊕ B) ⊖ B      (16)

여기서 각각 A ⊖ B는 구조요소 B를 이용한 영상 A의 침식이며 A ⊕ B는 팽창, A°B는 열기, A · B는 닫기를 나타낸다. 재구성된 영상은 최종적으로 식 (17)을 이용하여 수륙경계선 만을 추출한다.

β(C) = C – (C ⊖ D)       (17)

4. 결과

본 연구에서는 가시광선 영상에 4가지의 알고리즘(K-mean, NN, Otsu’s, ACWE)을 적용하여 수괴와 육지영역을 구분하였다. 그리고 구분된 영역을 형태학적 영상 처리를 이용하여 경계선만을 추출하여 수륙경계선으로 지정하고 원본 영상에서 추출해 낸 가시광선 영상의 수륙경계선과 기준으로 설정한 적외선 영상의 수륙경계선을 겹쳐 정확도를 비교하였다(Fig. 9).

그 결과, 각 알고리즘 중 K-mean과 NN 알고리즘을 추출해 낸 수륙경계선이 Otsu’s 와 ACWE 알고리즘으로 추출해 낸 결과보다 적외선 영상의 수륙경계선과 유사한 형태를 보였으며, Fig. 10의 노란색 점선으로 된 원의 영역에서 크게 차이가 나는 것을 확인하였다. 또한 적외선 영역의 화각(Field of View, FOV)이 작아 가시광선 영상의 우측 상단에 나타나는 수륙경계선을 확인할 수 없었다(Fig. 9 초록색 점선). 따라서, 추출된 수륙경계선을 원본 영상에 겹쳐 추가적으로 확인하였다(Fig. 10). 가시광선 우측의 수륙경계선 또한 Fig. 10과 유사하게 K-mean, NN알고리즘과 Otsu’s, ACWE의 결과가 차이가 나는 것을 볼 수 있었으며, K-mean과 NN 알고리즘의 결과가 수륙경계선을 상대적으로 정확하게 나타내는 것을 확인하였다.

Fig. 10. Synthesize the extracted waterline using each algorithm into the original image. color change based on waterline is more pronounced on the right (K-mean and NN) than on the left (Otsu’s method and ACNE).

5. 결론 및 토의

결과 부분에서 도출된 영상 간의 차이를 정량적으로 분석하기위해 각 영상의 좌표 참조(Georeferencing)를 실시한 후 Fig. 9의 노란색 점선 영역에 대해 50 m간격으로 적외선 영상과 가시광선 영상에서 도출된 수륙경계선 간의 거리를 조사하였다. 비교에 사용된 영상의 좌표 참조는 특징적인 지상기준점이 없었기 때문에 Fig. 1에서 도출된 좌표 값을 비교하여 좌표 참조를 수행하였다. 명확한 차이를 보인 Fig. 11(a)의 크기는 250 m(노란색 실선)이며 각 50 m 간격으로 나뉘어 직선 거리를 비교하였다. 그 결과, K-mean과 NN의 거리 차이는 1 ~ 20 m 이하를 보였으며 AWAC과 Otsu’s는 20 ~ 120 m의거리 차이를 보여 두 그룹 사이의 거리 차이가 있음을 보여주었다. 이는 각 알고리즘이 사용하는 분할 영역의 차이로 인해 발생되는 것으로 판단된다. Fig. 12(b)는 분석에 사용된 전체 영상 히스토그램(Fig. 12(b) 파란색 막대)과 각 알고리즘에서 거리 차이를 보였던 영상 부분의 히스토그램(Fig. 12(b) 주황색 막대)을 나타낸 것이며, 부분 히스토그램이 전체 영상 히스토그램에서 150 ~ 160 회색조 강도 값에 모여 있는 것으로 나타났다. 따라서, 이 부분을 세밀하게 구분하지 못하는 알고리즘은 이 영역에 대한 수륙경계선을 명확히 구분하지 못할 것이다. 따라서 1 개의 임계 값이나 경계선을 사용하여 구분하는 Otsu’s method나 AWCE의 경우는 크게 차이가 나는 100 ~170과 171 ~200 대 영역의 회색조 강도 값으로 나누었기 때문에 150 ~ 160 회색조 강도 값 영역의 수륙경계선을 추출하기 어려웠을 것으로 사료된다. 이에 반해 K-mean clustering 알고리즘의 경우 다중 영역분할이 가능하기 때문에 세세한 수륙경계선 추출이 가능했으며, Neural Network의 경우는 비록 2 개의 그룹(육지, 수괴)으로 분할하나 각 영역을 명확히 구분하는 것이 아닌 각 그룹에 속해 있을 가능성에 대한 값이기 때문이다. 예를 들어 육지의 구분 값이 1, 수괴의 구분 값이 0일 경우 Neural Network는 0, 1로 명확히 구분하는 것이 아닌 각 영역에 속해 있을 가능성을 0 – 1사이의 값으로 나타내기 때문이다. 따라서 육안으로 구분이 힘든 본 연구의 수륙경계선과 같은 경우는 분할 영역이 많은 값의 알고리즘을 사용하는 것이 더 좋은 결과를 나타낼 것이라고 판단된다. 추가적으로 비교 지표로 사용할 수 있는 실측 수심 자료나, 수륙경계선 자료가 있다면 더 정량적인 분석이 가능할 것으로 보인다.

Fig. 11. (b) Difference between waterline extracted from the infrared image and visible light image of each algorithm. Based on the yellow dotted line in (a), analysis was performed at 50 m intervals.

Fig. 12. The histogram of the image used for analysis and the histogram of the part where the distance between each algorithm was large (black dotted line, orange bar).

본 연구에서는 가시광선 영역의 영상에서 수륙경계선을 추출하고자 하였다. 전라남도 신안군 도초면에서 저고도 원격탐사체인 Helikite를 이용하여 가시광선 영상과 적외선 영상을 획득하였으며, 4가지의 알고리즘 K-mean, NN, Otsu’s, ACWE)을 이용하여 육지와 수괴를 구분하고 최종적으로 형태학적 영상 처리를 통하여 수륙경계선을 추출하였다. 또한 비교를 위한 실측 자료의 부재로 밴드 반사도 차이에 의해 육지와 수괴의 구별이 뚜렷한 적외선 영상을 이용하여 수륙경계선의 기준을 설정하고 이를 가시광선 영상의 결과와 비교하였다.

가시광선 영상에서 추출된 수륙경계선을 적외선 영상의 수륙경계선과 비교하면, K-mean과 NN 알고리즘에서 추출된 수륙경계선이 Otsu’s나 ACWE로 추출된 수륙경계선보다 적외선 영상의 결과와 비교하였을 때 상대적으로 유사한 것을 확인하였다. 이는 영역을 구분하는 개수에 있어서 상대적으로 적은 영역을 이용하여 분할하는 Otsu’s method나 ACWE의 경우 가시광선 영상에서 영상 밴드의 강도 값이 육지와 수괴가 차이가 크게 나지 않는 지역을 구분하는데 어려움이 따른 것으로 판단하였다. 추후에 실측 자료의 추가적인 확보와 분석된 각각의 알고리즘 정보를 이용하여 단점들을 보완하여 좀더 정확한 수륙경계선을 추출할 수 있을 것으로 기대된다.

또한, 향후에 이러한 알고리즘과 고정지역에서의 수 년에 걸친 장기적인 영상 자료와 해상 좌표, 조석 주기와 같은 데이터를 이용한다면 수륙경계선을 이용하여 장기적인 기간의 영구적인 해수면 변동 관측이나, 조석을 이용한 연안에서의 수심 관측 등 다양한 분야에서 이용될 수 있을 것으로 보인다.