A Study on the Efficient Orthorectification of KOMPSAT Image

아리랑 영상의 효율적 정사보정처리 연구

Abstract

The purpose of this study is to efficiently improve orthorectification of KOMPSAT images. As the development of domestic and abroad earth observation satellites accelerates, the number and amounts of satellite images acquired are rapidly increasing. Accordingly, various studies are being conducted to improve orthorectification for the acquired image more quickly and efficiently. This study focused on enhancing processing efficiency through algorithm improvement, except for improving hardware computing capabilities such as GPU. Accordingly, the algorithm was improved with the LUT-based RFM method, and compared and analyzed in terms of accuracy and time-efficiency that vary depending on offset settings.

본 연구의 목적은 아리랑 영상의 정사영상처리를 보다 효율적으로 개선하기 위한 것이다. 국내외 지구 관측 위성의 개발이 가속화됨에 따라 획득되는 영상의 수와 양이 급증하고 있다. 이에 획득된 영상에 대한 정사영상처리를 보다 빠르고 효율적으로 개선하기 위한 다양한 연구들이 진행되고 있다. 본 연구에서는 GPU 등 하드웨어 컴퓨팅 능력 향상을 제외하고, 알고리즘 개선을 통한 처리 효율 강화에 집중하였다. 이를 위하여 LUT 기반 RFM 방법으로 알고리즘을 개선하였으며, offset 설정에 따라 달라지는 결과를 정확도 및 시간 효율의 측면에서 비교 및 분석하였다.

1. 서론

정사보정처리는 객체 탐지 및 분석, 영상 분류, 변화 탐지, 주제도 작성 등 위성 영상을 다양한 활용 분야에 적용하기 위한 필수 전 처리 과정이다. 정사보정처리가 수행된 영상은 다양한 GIS(GeologicalInformation System) 데이터와 직접적인 중첩 분석이 가능하기 때문에 영상 지도라 불리기도 한다(Oh and Jung, 2016).

위성 영상의 정사보정처리를 위해서는 지상 및 영상 공간의 관계를 설명하는 센서 모델과 대상 지역에 대한 DEM(Digital Elevation Model)이 필요하다. 센서 모델은 물리적 센서 모델, 시선 벡터 조정모델 등 그 원리와 특성에 따라 다양한 형태로 분류될 수 있다(Oh, 2017). 아리랑 영상을 비롯한 대부분의 고해상 위성들은 보안상의 이점에 따라 RFM (Rational Function Model)을 센서 모델로 제공하고 있다. RFM은 지상 좌표를 변수로 80개의 계수를 지니는 3차 다항식의 곱과 합 그리고 나누기의 형태로 표현된다. RFM을 활용한 정사보정처리는 수십 개의 파라미터를 반복적으로 처리해야 하기 때문에 타 모델과 비교하여 복잡하고, 연산 횟수가 많다는 단점이 있다.

한편, 전 세계적으로 지구관측 위성의 개발이 꾸준히 증가하고 있다. 우리나라에서도 아리랑 시리즈 위성, 차세대 중형 시리즈 위성, 초소형 군집 위성 등 2031년까지 170기 이상의 지구관측 위성이 추가로 발사될 예정이다. 더불어 공간해상도 0.3 m의 아리랑 7호 등 데이터 용량이 매우 큰 초고해상도 위성들도 다수 개발되고 있다. 즉, 위성 활용기관의 입장에서 동일 시간 내 처리해야 하는 위성 영상의 수와 양이 과거와는 비교할 수 없을 정도로 급격하게 증가하고 있는 것이다.

이에 관련 분야에서는 정사보정처리의 품질은 유지하면서 처리 시간은 최소화할 수 있는 방법에 대한 연구들을 진행하고 있다. 현재까지는 주로 높은 성능의 컴퓨팅 기술을 활용한 하드웨어 기반 연구들이 대다수를 이루었다. 이러한 연구들은 그리드 컴퓨팅, 클라우드 컴퓨팅 또는 GPU (Graphics Processing Unit) 등을 사용한다(Bielski et al., 2011, Thomas et al., 2008). 하지만 처리 속도의 가속화를 위해서는 알고리즘 자체를 보다 효율적으로 개선하는 노력도 필요하다. French (2014)는 정사 보정처리 속도를 향상시키기 위하여 고정소수점 연산과 선형적 역산 추정 기법을 제안하였다. 이를 통해 투영에 소요되는 시간을 약 1.2배 줄일 수 있었다. Zhao et al.(2020)은 RFM 연산의 체계적 재정의를 통하여 LUT(Look Up Table)를 생성하고, 이를 기반으로 연산 시간을 최소화하는 방법을 제안하였다. 해당 연구에서는 정확도의 뚜렷한 손실 없이도 평균적으로 약 2.67배의 속도 향상을 획득할 수 있었다.

본 연구에서는 전술된 Zhao et al. (2020)이 제안한 방법을 아리랑 영상에 적용하고자 하였다. 아리랑 영상의 RFM에 적합하도록 제안된 방법을 수정하였고, 최적의 offset을 선정하기 위해 다양한 사례 실험을 수행하였다. 또한, 고해상 DEM의 확보가 어려운 해외지역 영상 처리를 대비하여 SRTM DEM을 주된 참조자료로 사용하였다. 본 논문의 구성은 다음과 같다. 2장에서는 LUT 기반의 RFM 기법 및 설계된 실험 방법에 대해 제시한다. 3장에서는 본 연구에 사용된 아리랑 3호 영상 및 참조 자료에 대해 기술한다. 4장에서는 제안된 방법으로 처리된 결과를 정확도 및 처리 시간의 관점에서 비교 및 분석한다. 마지막으로 5장에 결론을 제시한다.

2. 연구 방법

1) 아리랑 영상 RPC를 이용한 정사보정처리

아리랑 영상은 지상 공간과 영상 공간의 관계를 설명하기 위하여, RFM을 제공한다. RPC (Rational Polynomial Coefficients)는 RFM에 사용되는 계수이며, 영상과 함께 독립된 파일 형태로 제공된다. 식 (1)은 아리랑 영상의 Forward RFM을 단순화하여 표현한 것이다. Forward RFM은 지상 좌표를 입력 값으로 영상 좌표를 추정하는 모델이다(Oh and Jung, 2016). 여기서 (X_n, Y_n, Z_n)은 정규화된 지상 좌표(경도, 위도, 고도), (l_n, s_n)는 정규화된 영상 좌표(라인, 샘플)를 나타낸다. 정규화된 영상 좌표는 정규화된 지상 좌표를 입력 값으로 하는 20개 항으로 구성된 고차 다항식의 비로 추정된다.

\(l_{n}=\frac{P 1\left(X_{n}, Y_{n}, Z_{n}\right)}{P 2\left(X_{n}, Y_{n}, Z_{n}\right)} \quad S_{n}=\frac{P 3\left(X_{n}, Y_{n}, Z_{n}\right)}{P 4\left(X_{n}, Y_{n}, Z_{n}\right)}\)       (1)

식 (2)는 식 (1)의 P1 다항식을 제공된 RPC와 함께 풀어 쓴 것이다. P1~P4의 구조 및 형태는 모두 동일하며, 적용되는 고차 다항식의 계수만 달라진다. 즉, P1은 a₁~a₂₀, P2은 b₁~b₂₀, P3은 c₁~c₂₀, P4은 d₁~d₂₀의 서로 다른 계수가 사용된다. 이렇게 4개의 고차 다항식에 사용되는 총 80개의 계수를 RPC라고 부른다. 아리랑 영상과 함께 제공되는 RPC 파일에는 제시한 80개의 계수와 더불어, 영상 좌표와 지상 좌표를 정규화하기 위한 변환 계수도 포함되어 있다.

\(\begin{aligned} P 1\left(X_{n}, Y_{n}, Z_{n}\right)=& a_{1}+a_{2} X_{n}+a_{3} Y_{n}+a_{4} Z_{n}+a_{5} X_{n} Y_{n} \\ &+a_{6} X_{n} Z_{n}+a_{7} Y_{n} Z_{n}+a_{8} X_{n}^{2}+a_{9} Y_{n}^{2} \\ &+a_{10} Z_{n}^{2}+a_{11} X_{n} Y_{n} Z_{n}+a_{12} X_{n}{ }^{3} \\ &+a_{13} X_{n} Y_{n}{ }^{2}+a_{14} X_{n} Z_{n}{ }^{2}+a_{15} X_{n}{ }^{2} Y_{n} \\ &+a_{16} Y_{n}{ }^{3}+a_{17} Y_{n} Z_{n}{ }^{2}+a_{18} X_{n}{ }^{2} Z_{n} \\ &+a_{19} X_{n}{ }^{2} Z_{n}+a_{20} Z_{n}{ }^{3} \end{aligned}\)       (2)

한편, 초기 제공되는 RPC에는 일정 범위 내의 투영 오차가 포함되어 있다. 따라서 정사보정처리 된 영상이 국가 기본도 수준의 위치 정확도를 나타내기 위해서는 추가적인 보정 모델링이 요구된다. 이를 정밀 센서 모델링이라고 부르며, 정확도 높은 지상 기준점을 참조하여 초기 RFM에 다항식 보정 모델을 추가하는 방법과 RPC 자체를 갱신하는 방법 등으로 구분된다(Oh, 2017). 본 연구에서는 16개의 지상 기준점을 이용하여 RPC를 갱신하는 방법을 적용하였다.

2) LUT 기반 정사보정처리

본 절에서는 Zhao et al. (2020)이 제안한 LUT 기반 정사보정처리 방법에 대해서 설명한다. 정사보정처리의 전 과정에 있어, 지상 공간을 영상 공간으로 투영하는 단계는 상당한 처리 시간이 소요된다. 식 (1-2)에 제시된 바와 같이, 하나의 정규화 된 영상 좌표 (l_n, s_n)를 추정하기 위해서는 하나의 정규화 된 지상 좌표(X_n, Y_n, Z_n)를 입력 값으로 하는 P1~P4의 고차 다항식이 순차적으로 계산되어야 한다. 투영에 필요한 총 연산량을 가늠하기 위하여, 식 (2)에 제시된 P1 고차 다항식을 변수와 상수에 대한 덧셈과 곱으로 구분하였다(Fig. 1). P1 고차 다항식을 구성하는 전체 20개 항은 총 19회의 덧셈과 45회의 곱 연산으로 나눌 수 있다. 만약, 설정된 지상 공간이 8,000 * 8,000 크기의 그리드에 투영된다고 가정한다면, P1~P4까지의 전체 다항식을 계산에는 총 4,864,000,000회의 덧셈과 11,520,000,000회의 곱셈이 반복된다. 그런데 그리드 1점을 기준으로 생각하면 X_n, X_n Y_n, X_n Y_n Z_n 등과 같이 RPC가 곱해지지 않은 값들은 P1~P4에 걸쳐 4번의 반복 없이, 1번의 연산으로 재사용이 가능하다. 특히, X_n, X_n Y_n 등과 같이, 그리드의 수평 좌표만으로 이뤄진 값들은 수평해상도에 따라 크기와 범위가 정해져 있으므로 이들을 사전에 계산할 수 있다. 수평 좌표에 대한 고도 또한 일정한 수직해상도를 가정한다면, 수평 좌표와 같이 사전 계산이 가능하다. 수평 좌표 및 고도에 대한 사전 계산, 즉 LUT를 생성하여 불필요한 반복 연산을 최소화한다면, 전체 정사보정처리의 시간 효율이 크게 높아질 것이다. Fig. 1은 식 (2)에 제시된 P1 고차 다항식을 사전 계산이 가능한 LUT의 형태로 재구성한 것이다. LUT 구성은 Zhao et al. (2020)이 제안한 방법을 기반으로 하였으며, 아리랑 RPC의 구조와 SRTM DEM의 수직해상도 및 오차 특성을 반영하여 재구성하였다

Fig. 1. LUT generation.

Fig. 1에 제시한 바와 같이, 고차 다항식 별 10개씩 총 40개의 LUT를 사전에 생성할 수 있다. 생성된 LUT를 P1 다항식에 적용할 경우, 전체 20개 항은 9회의 곱과 8회의 덧셈으로 축소할 수 있다. P1~P4 전체 다항식이 8,000 * 8,000 크기의 그리드에 투영된다고 가정한다면, 총 2,302,000,000회의 덧셈과 2,048,000,000회의 곱셈이 수행된다. 이를 기존 전통적인 방법과 비교하면, 덧셈은 약 2배, 곱셈은 약 4배 이상 연산 횟수가 줄어드는 것이다.

3) 데이터 처리 방법

Fig. 2는 본 연구에서 수행한 정사보정처리 실험을 요약하여 도시한다. 실험에 사용된 자료는 아리랑 3호 영상, 지상기준점, 그리고 SRTM DEM이다. 전술된 바와 같이 초기 제공된 RPC는 일정량의 투영 오차를 포함하고 있다. 본 연구에서는 14개의 지상기준점으로 이러한 오차를 보정하고, 초기 RPC를 갱신하였다. 먼저, 갱신된 RPC와 Backward RFM을 이용하여, 영상 공간에 대한 지상 공간의 범위를 설정한다. Backward RFM은 정규화된 영상 좌표와 대상 지역의 평균 고도(상수) (l_n, s_n, Z_c)를 입력 값으로 정규화된 지상 좌표(Xn, Yn)를 추정하는 모델이다(Lee et al, 2013). 이후, 설정된 지상 공간 범위의 2차원 지상 좌표(경도, 위도)와 그 위치에서 추정된 고도를 Forward RFM에 입력한다. 입력된 정규화 된 3차원 지상 좌표(경도, 위도, 고도)에서 영상 좌표(라인, 픽셀)에서 추정하고, 위성 영상의 해당 위치에서 BV(Brightness Value)를 보간하여 획득한다. 설정된 지상 공간의 범위에서 순차적인 Forward RFM 연산을 통해 전체적인 정사보정처리를 진행한다.

Fig. 2. Research Workflow.

제안된 방법의 주요한 특징은 지상 공간에서 고도를 추정하는 기준 설정 및 LUT을 이용한 연산 방식의 단순화에 있다. 여기서 고도를 추정하는 기준이란 LUT 생성을 위한 offset의 크기를 지칭한다. Offset은 고도의 변화를 표현하는 기준 간격이므로 수직해상도로 표현할 수 있다. Offset의 크기에 따라 서로 다른 LUT이 생성되며, 이는 최종적인 정사보정처리 결과에 영향을 미칠 수 있다. 이에 본 연구에서는 SRTM DEM의 수직해상도 및 정확도를 기반으로 offset을 변화시켰다. 총 5개 케이스로 offset을 설계하고, 그에 따른 정사보정처리 결과를 정확도 및 처리 시간의 관점에서 비교 및 분석하였다. 붉은색 점선 사각형으로 표시한 부분은 전통적인 방법과 제안한 방법의 차이점을 강조하여 표현한 것이다. 본 연구에서 수행된 처리 시간에 대한 비교는 전체 정사보정처리 과정 중 붉은색 점선 사각형으로 표시한 부분만을 대상으로 하였다

3. 연구 자료

1) 아리랑 영상 및 지상기준점

본 연구에서는 캐나다 밴쿠버 지역을 촬영한 아리랑 3호 영상을 대상으로 하였다. 촬영시기는 2020년 06월 14일이며, 촬영된 Roll/Pitch/Yaw angle은 각각 1.8, -0.2, -2.8 이다(Table 1). 다음 Fig. 3은 촬영된 아리랑 3호의 1R 영상(전정색 영상)을 도시한다. Fig. 3에서 하얀색 다이아몬드 표시는 지상기준점(GCP), 검정색 사각형 표시는 검사점(CP) 위치를 표시한다. 지상기준점과 검사점은 GPS 관측을 통해 획득되었으며, 관측 정확도는 수평 및 수직 방향으로 0.11 m 이내이다. GPS 관측은 Compass Data Inc.에서 수행하였으며, 실측 기간은 2019년 10월부터 11월이다. 빨간색 점선 사각형은 정사보정처리 실험이 수행된 실제 연구 지역을 나타낸다. 연구 지역의 지상 크기는 약 8 km * 8 km으로 정사보정처리 실험을 위해 확보된 검증 DEM (Elevation-1 DEM)과 서로 중첩되는 영역이다.

Table 1. Specifications of the K-3 image

Fig. 3. Study area and Materials.

먼저 지상기준점을 이용하여 초기 RPC의 정확도를 보정하고 재생산하였다(Oh et al., 2011). Table 2는 재생산된 RPC로 계산된 모델 정확도를 나타낸다. 14개 지상기준점과 6개 검사점에서 계산된 수평방향 RMSE는 각각 0.56 (pixel)과 0.75 (pixel)이다. 아리랑 3호의 수평해상도는 0.7 m이므로, 갱신된 RPC는 약 0.5 m의 수평방향 정확도를 지닌다고 해석할 수 있다. 이후, 재생산된 RPC와 SRTM DEM그리고 검증 DEM을 이용하여 정사보정처리 실험을 수행하였다.

Table 2. Precise Sensor Modeling Results using GCP (14) and CP (6)

2) SRTM DEM과 검증 DEM

정사보정처리 실험을 위하여 사용된 참조 DEM은 SRTM DEM이다. 일반적으로 해외지역을 촬영한 영상의 정사보정처리는 SRTM DEM과 같은 중저 해상도의 Global DEM을 사용한다. 왜냐하면, 해외 지역은 국내 지역과 달리 1~5 m 수준의 고해상 DEM 확보가 매우 어렵기 때문이다. 한편, 본 실험의 정확도 평가는 1 m 공간해상도의 검증 DEM(Elevation-1 DEM)을 기준으로 수행하였다. 검증 DEM은 Pleiades triple 영상으로 생성된 매칭 DEM으로 Airbus사에서 제작 및 상용 판매하고 있다. Table 3는 SRTM DEM과 검증 DEM의 주요 특성을 비교하여 나타낸다. 또한, Fig. 4는 연구 지역에서 절취한 SRTM DEM과 검증 DEM을 비교 도시한다. SRTM DEM과 검증 DEM의 수평해상도는 각각 30 m와 1 m이며, 수직해상도는 1 m로 동일하다. 수평 정확도(CE 90)는 각각 약 12 m와 1.5 m이며, 수직 정확도(LE 90) 는 각각 약 16 m와 1.5 m로 8~10배의 차이를 나타냈다.

Table 3. Specifications of the DEMs

Fig. 4. DEMs: (a) Elevation-1 DEM, (b) SRTM DEM.

하지만 이러한 정확도 차이는 대상 지역의 지표 및 지형 특성에 따라 크게 달라질 수 있다. 검증 DEM 기준으로 추정한 연구 지역의 평균 고도는 112.33 m, 표준 편차는 18.76 m로 국내와 비교하여 상대적으로 경사가 매우 완만한 지형 특성을 지닌다.

Fig. 5(a)는 SRTM DEM에서 검증 DEM을 뺀 값을 Y축으로 고도의 크기를 X축으로 나타낸 분포도이다. 계산된 차 값의 Root Mean Square Difference (RMSD)는 4.65 m였으며, 최댓값과 최솟값 그리고 평균값은 각각 64 m, -22 m, 2.96 m였다. 전반적으로 SRTM DEM의 고도 값이 검증 DEM보다 약간 높게 나타나는 이유는 DEM 생성 방법에 따른 차이가 원인일 수 있다. SRTM DEM은 우주왕복선 C-밴드 (약 5.6 cm)의 레이더 신호의 도달시간에 따라 고도 값이 추정된다. 또한, 자동 필터링 기법으로 자연 지물(수목 등) 및 인공 지물(건물 등)의 고도를 제거한다. 즉, 자연 및 인공 지물의 고도가 상당 부분 남아있을 수 있다. 한편, 검증 DEM은 Pleiades triple 영상으로 제작된 매칭 DEM이지만, 수동 처리를 포함한 후처리를 통해 지표의 자연 또는 인공 지물의 고도가 대부분 제거된다. 따라서 Fig. 5(a)에서 관찰되는 60 m 이상의 큰 차이는 전술된 이유에 따라 고층 건물 등이 밀집된 도심지역에서 주로 발생될 것이다. Fig. 5(b)는 두 DEM을 1차 다항식으로 피팅한 결과를 나타낸다. 1차 다항식의 기울기는 0.99, Y절편은 3.22 그리고 피팅에 따른 결정 계수는 0.97로 매우 높은 양의 상관관계를 지님을 확인할 수 있다. 이를 통해 추정할 수 있는 결과는 다음과 같다. 첫째, 해당 지역 SRTM DEM은 검증 DEM과 비교하여 4~5 m의 고도 오차를 지닌다. 둘째, 도심 지역 등 고층 건물이 밀집된 지역에서는 상대적으로 큰 투영 오차가 발생될 가능성이 있다.

Fig. 5. Comparison of DEMs.

4. 연구 결과

본 장에서는 SRTM DEM과 LUT 기반 정사보정처리 결과를 정확도와 처리 시간의 관점에서 분석하였다. 정확도는 수평해상도 1 m의 검증 DEM으로 정사보정처리된 영상과 비교하여 평가하였다.

1) 정확도 비교

LUT 제작을 위한 offset이 커질수록 대상 DEM의 수직해상도는 이에 반비례하여 낮아진다. 즉, offset이 클수록 대상 지역의 고도 변화가 상대적으로 단순화하여 추정된다. 결과적으로 설정된 offset 크기가 달라지면 지상 좌표가 투영된 영상 좌표 또한 달라질 것이다. 이는 투영된 영상 좌표에서 보간되어 추출되는 BV의 차이를 이끌게 된다. 이에 본 실험에서는 offset의 변화에 따라 달라지는 정확도의 상대적 차이를 비교 및 분석하고자 하였다. 실험을 위한 offset 크기는 SRTM DEM의 수직 정확도(16 m, LE 90)를 고려하여, 1 m, 2 m, 4 m, 8 m, 16 m로 설정하였다. 이때, offset의 최솟값이 1 m인 이유는 SRTM의 수직해상도가 1 m인 것에 기인한다. 수직해상도가 1 m라는 것은 대상지역의 고도 변화의 최솟값이 1 m라는 의미이다. 따라서 offset 1 m에서의 정사보정처리 결과는 LUT 생성 없이 전통적인 방법으로 처리한 결과와 동일하다. Table 4는 offset 크기에 따라 추정된 영상 좌표와 검증 DEM으로 추정된 영상 좌표 간 차이를 비교하여 나타낸 것이다. 추정된 영상 좌표에 대한 수평방향 RMSD는 최소 0.23에서 최대 0.37의 변화를 나타냈다. Offset의 크기가 커질수록 수직해상도가 낮아지므로 이를 통해 투영된 영상 좌표에 대한 위치오차는 커질 것이다. 그러나 본 연구 결과, offset이 1 m일 때 보다 4 m일 때 가장 낮은 수평방향 RMSD를 보였다. 이러한 이유는 SRTM DEM의 수직 정확도에 따른 것으로, 검증 DEM과의 RMSD가 4.65 m인 것과 연결지어 생각할 수 있다(see Fig. 5). 즉, SRTM DEM의 검증 DEM에 대한 상대 정확도가 약 4~5 m이므로 그보다 크거나 작게 설정된 offset은 투영된 영상 좌표의 차이를 오히려 가중할 수 있다. 이러한 특징은 Table 5에서도 유사하게 나타났다. Table 5는 검증 DEM으로 투영된 영상 좌표에서 보간하여 계산된 BV와 SRTM DEM과 LUT의 offset에 따라 투영된 영상 좌표에서 추출한 BV 간 차이를 비교하여 나타낸다. 계산된 BV의 차는 최대 150.58에서 최소 -92.95의 범위를 나타냈다. BV 차의 평균은 - 1.67~0.81 그리고 RMSD는 1.43~2.10의 범위를 보였다. 특히, offset 4 m에서 RMSD는 1.43로 가장 낮은 값을 나타냈다(Fig. 6). 전술한 바와 같이, offset 1 m의 결과는 LUT를 적용하지 않은 전통적인 정사보정처리 결과와 동일하다. 그런데 offset 1 m에서의 RMSD는 1.57로 전체 실험 케이스 중 두 번째로 높다. 이는 시간 효율을 고려하지 않더라도 offset의 크기 변화만으로도 정사보정처리의 정확도가 높아질 수 있다는 것을 의미한다. 결국, 제안된 기법은 전통적인 방법에 비해 정확도 향상 또한 가능하다고 해석할 수 있다. 본 연구에서는 offset 4 m에서 가장 낮은 RMSD를 나타냈다. 그러나 offset 4 m가 SRTM DEM 기반 정사보정처리의 최적 값이라고 단순화하기는 어렵다. 이는 해당 연구 지역의 지표 또는 지형적 차이에 따라 크게 달라질 수 있기 때문이다. 향후에는 보다 다양한 사례 연구를 수행하여 도출된 결과에 대한 검증 또는 일반화가 필요할 것이다.

Table 4. Comparison of Projection Image Coordinates with Different Offsets

Table 5. Comparison of Brightness Value (0-255) of Orthoimage with Different Offsets

Fig. 6. Comparison of RMSD.

2) 처리시간 비교

Table 6는 전통적인 방법과 offset의 크기 변화에 따른 LUT 기반 기법 간 처리 시간을 비교하여 나타낸다. 전체 처리 시간(Operation time)은 LUT 생성 시간(Time for generation LUTs)과 투영 시간(Projection Time)의 합으로 표현하였다. 전체 처리시간에는 BV 보간에 소요되는 시간이 포함되지 않는다(see Fig. 2). LUT 생성시간은 약 0.11초로 거의 모든 케이스에서 유사하게 나타냈으며, 투영 시간은 offset 변화에 따라 최소 10.59에서 최대 16.63 초의 변화를 보였다. 물론, 이러한 처리시간은 해당 컴퓨팅 환경에 따라 달라질 수 있다. 또한, 본 연구에서는 영상의 일부를 부분적으로 실험한 것으로 만약, 영상 전체에 적용할 경우에는 수 배 이상 처리시간이 늘어날 것이다. 따라서 본 연구에 제시한 절대적 시간을 비교하기보다는 각 offset 별 상대적 시간 차이를 비교하는 데 그 의의를 두어야 할 것이다. Fig. 7은 Table 6의 결과를 그래프로 도시한 것이다. 앞선 Table 3-4에서 offset 4 m일때 상대적으로 높은 정사보정처리의 결과를 나타내는 것으로 확인한 바 있다. 이를 기반으로, offset 4 m의 결과를 전통적인 방법과 비교하였다. 전통적인 방법은 약 33.72 초가 소요된 반면, offset 4 m에서는 13.83 초로 약 2.43 배의 처리시간이 감소된 것을 확인하였다. 또한, offset 1 m 처리시간은 16.74 초로 DEM의 수직해상도를 변화하지 않고, 단순 LUT 기반 기법만 적용하여도 약 2.01배의 시간 효율 향상을 획득할 수 있었다. Table 4-6의 결과를 비교하였을 때, LUT 기반 기법 특히, offset 4 m를 적용할 경우 정확도 및 시간 효율의 측면 모두에서 전통적인 방법보다 큰 향상을 보임을 확인하였다.

Table 6. Comparison of Processing Time with Different Offsets

Fig. 7. Comparison of Processing Time.

5. 결론

본 연구의 목적은 아리랑 영상의 정사영상처리를 보다 효율적으로 개선하는 데 있다. 정사영상처리는 아리랑 3호 영상과 SRTM DEM을 대상으로 하였으며, 기존의 전통적인 방법과 제안한 방법을 정확도 및 시간 효율의 측면에서 비교 및 분석하였다. 정사보정처리의 정확도 평가는 1 m 수평해상도의 검증 DEM 기준으로  행하였다. 본 실험을 통해 도출된 결과는 다음과 같다

첫째, 제안한 방법은 전통적인 방법과 비교하여, 향상된 정확도를 획득할 수 있었다. LUT의 offset을 4 m로 설정하였을 경우, 영상 좌표의 투영 측면에서 수평방향으로 0.02 pixel (RMSD), BV에서는 0.14 (RMSD) 향상된 결과를 나타냈다. 둘째, 제안한 방법은 전통적인 방법과 비교하여, 2배 이상 높은 시간 효율을 보였다. LUT의 offset을 1 m로 설정할 경우, 정사보정처리 결과 값은 전통적인 방법과 동일하다. 하지만, 연산 시간은 기존 33.72초에서 16.74초로 2배 이상 감소되었다. 한편, 정확도가 가장 높게 나타난 offset 4 m에서 연산 시간은 13.83 초로 전통적인 방법보다 약 2.43 배 높은 시간 효율을 보였다. 셋째, 제안된 방법은 정확도 및 시간 효율의 관점에서 모두 향상된 결과를 나타냈다. 제안된 방법의 시간적 효율은 이론적 분석과 실제 실험 모두에서 매우 명확하게 나타났다. 하지만 이러한 정확도 향상의 측면을 일반화하기는 어렵다. 이는 연구 지역의 SRTM DEM 고도 정확도에 기인한 것이기 때문이다. 즉, 연구 지역의 지표 및 지형 특성, SRTM DEM의 고도 정확도가 다를 경우, 도출되는 결과는 달라질 수 있다.

본 연구는 확보된 검증 DEM의 제약으로 다양한 특성을 지닌 연구 지역을 포괄하지 못했다는 한계가 있다. 따라서 제시한 연구 결과 및 그 효용성 또한 지역적 제약이 있을 수 있다. 향후 연구에서는 이러한 한계를 최소화할 수 있는 다양한 케이스 실험을 설계하여, 보다 상세화하고 일반화된 결과를 도출할 예정이다