DOI QR코드

DOI QR Code

Analysis of Optimal Resolution and Number of GCP Chips for Precision Sensor Modeling Efficiency in Satellite Images

농림위성영상 정밀센서모델링 효율성 재고를 위한 최적의 해상도 및 지상기준점 칩 개수 분석

  • 최현경 (인하대학교 공간정보공학과) ;
  • 김태정 (인하대학교 공간정보공학과)
  • Received : 2022.11.29
  • Accepted : 2022.12.23
  • Published : 2022.12.31

Abstract

Compact Advanced Satellite 500-4 (CAS500-4), which is scheduled to be launched in 2025, is a mid-resolution satellite with a 5 m resolution developed for wide-area agriculture and forest observation. To utilize satellite images, it is important to establish a precision sensor model and establish accurate geometric information. Previous research reported that a precision sensor model could be automatically established through the process of matching ground control point (GCP) chips and satellite images. Therefore, to improve the geometric accuracy of satellite images, it is necessary to improve the GCP chip matching performance. This paper proposes an improved GCP chip matching scheme for improved precision sensor modeling of mid-resolution satellite images. When using high-resolution GCP chips for matching against mid-resolution satellite images, there are two major issues: handling the resolution difference between GCP chips and satellite images and finding the optimal quantity of GCP chips. To solve these issues, this study compared and analyzed chip matching performances according to various satellite image upsampling factors and various number of chips. RapidEye images with a resolution of 5m were used as mid-resolution satellite images. GCP chips were prepared from aerial orthographic images with a resolution of 0.25 m and satellite orthogonal images with a resolution of 0.5 m. Accuracy analysis was performed using manually extracted reference points. Experiment results show that upsampling factor of two and three significantly improved sensor model accuracy. They also show that the accuracy was maintained with reduced number of GCP chips of around 100. The results of the study confirmed the possibility of applying high-resolution GCP chips for automated precision sensor modeling of mid-resolution satellite images with improved accuracy. It is expected that the results of this study can be used to establish a precise sensor model for CAS500-4.

2025년도 발사예정인 농림위성은 광역농림상황관측용도로 개발된 5 m급 해상도를 갖는 중해상도 위성이다. 위성영상 활용을 위해서는 위성영상에 대한 정밀센서모델을 수립하여 정확한 기하정보를 수립하는 것이 중요하다. 선행 연구에서 지상기준점 칩과 위성영상을 정합하는 과정을 통해 자동으로 정밀센서모델을 수립할 수 있음을 보고하였다. 따라서 위성영상의 기하정확도를 향상시키기 위해서는 지상기준점 칩 정합 성능을 향상시켜야 한다. 이 논문은 중해상도 위성영상의 센서모델 정확도 향상을 위한 지상기준점 칩 정합 개선방안을 제안한다. 고해상도 지상기준점 칩을 중해상도 위성영상 정밀센서모델링을 위해 사용할 경우의 중요한 기술요소는 상이한 공간해상도 처리방식과 최적 지상기준점 수량결정이다. 본 연구에서는 이러한 기술요소를 해결하기 위해 중해상도 위성영상과 지상기준점 칩 정합 시, 위성영상 업샘플링(upsampling) 배율과 사용한 칩 개수에 따른 칩 정합 성능을 비교 분석하였다. 실험에는 해상도가 5 m인 RapidEye 영상을 중해상도 위성영상으로 사용하였으며, 해상도가 0.25 m인 항공정사영상과 0.5 m인 위성정사영상을 지상기준점 칩으로 제작하여 사용하였다. 정확도 분석은 수동으로 추출한 기준점을 사용하여 수행되었다. 실험결과, 업샘플링 배율 2 내지 3에서 정확도가 크게 향상되었으며 지상기준점 수량은 대략 100개인 경우 정확도가 유지되었다. 이러한 결과로부터 중해상도 위성의 정밀센서모델 수립에 고해상도 지상기준점 칩 적용 가능성을 확인할 수 있었고, 기존보다 향상된 정확도의 정밀센서모델이 수립됨을 확인하였다. 본 연구결과가 향후 농림위성에 활용될 수 있을 것으로 기대한다.

Keywords

1. 서론

2025년도 발사예정인 차세대 중형위성 4호(CAS500-4)는 농림위성으로, 농작물 작황과 농업자원 및 산림자원 관측의 임무를 갖는다. 이에 농림위성은 5 m급의 공간 해상도와 120 km 이상의 넓은 촬영폭을 갖는 중해상도 위성으로 설계되었다(Baek et al., 2018). 이러한 임무 수행을 위해, 위성영상의 위치정확도를 빠르고 신속하게 확보하기 위한 정밀센서모델링 과정이 요구된다.

정밀센서모델링은 위성영상의 기하학적 왜곡을 보정하기 위해 수행되어야 하는 중요한 과정이다. 지구관측위성위원회(Committee on Earth Observation Satellites, CEOS)에서 정의한 지구관측위성영상에 대한 품질기준인 CEOS analysis ready data for land (CARD4L)에 따르면 위성영상의 위치 정확도는 0.5화소 radial root mean square error (rRMSE) 이내를 만족하여야 한다(Boccia et al., 2021). 따라서 위성영상의 활용을 위해서는 정밀센서모델을 수립하여 높은 기하 정확도를 달성하는 것이 중요하다고 할 수 있다.

정밀센서모델링을 위해서는 영상좌표와 지상좌표가 정확하게 대응되는 지상기준점이 필요하나 지상기준점을 수동으로 추출하는 경우 소요시간 및 비용발생 등의 문제가 발생된다. 본 연구의 선행연구에서 지상좌표가 정확히 지정된 작은 조각영상인 지상기준점 칩과 위성영상을 정합하여 지상기준점을 자동으로 추출할 수 있는 기술이 개발되었다(Shin et al., 2018; Son et al., 2021). 선행연구에서는 0.5 m의 해상도를 가지는 국토 위성 영상을 위해서 0.25 m 해상도 및 0.5 m 해상도를 가지는 지상기준점 칩을 사용한 자동 기준점 생성 및 자동정밀센서모델링 수립기술을 개발하였다. 그러나, 본 연구에서는 5 m 해상도를 가지는 농림위성의 자동정밀 센서모델링 기술개발을 목표로 하고 있어 선행연구에 적용된 영상의 해상도와는 상당한 차이가 있다. 각 위성의 사양에 맞춰 지상기준점 칩 데이터베이스를 구축하는 것은 시간비용이 많이 들고 어려운 일이다. 따라서 기 구축되어 있는 고해상도 지상기준점 칩을 이용하여 중해상도 위성영상의 정밀센서모델링을 수립할 수 있는 기술이 필요하다.

이를 위한 선행연구로 Lee and Kim (2021)의 연구에서는, 중해상도 위성영상 처리를 위해 원본 위성영상의 공간해상도를 높이기 위한 업샘플링을 적용하여 지상 기준점 칩과의 정합을 시도하였다. 그 결과, 원본 위성 영상의 해상도를 그대로 사용하는 경우 대비 업샘플링을 적용한 경우가 더 향상된 위치정확도를 확보할 수 있음을 보여주었다. 그러나 선행연구에서는 영상 영역에 존재하는 1,000여 개에 달하는 모든 지상기준점 칩을 사용하여 얻은 결과로 상당한 처리시간이 요구되는 한계가 있었다.

본 연구에서는 중해상도 위성영상의 해상도를 향상시켜서 고해상도 지상기준점 칩과 정합을 수행할 때 사용되는 칩의 개수를 조절하여 선행연구와 동일하게 위치정확도를 유지시키면서 처리시간을 단축시킬 수 있는 방안을 찾고자 하였다. 원본 위성영상으로는 5 m급 해상도를 가지는 RapidEye 영상을 사용하여 원본 위성 영상의 업샘플링 배율과 사용한 칩 개수를 조정하며 지상기준점 칩 정합 및 자동정밀센서모델링 수립을 실행하였다. 처리시간과 수립된 센서모델의 위치정확도를 비교하여 5 m급 해상도 위성영상에 대한 최적의 업샘플링 배율과 칩 개수를 분석하였다. 본 연구를 통해 중 해상도 위성영상과 고해상도 지상기준점 칩 정합 시, 선행연구보다 더 적은 수의 지상기준점 칩을 사용하여도 위성영상 업샘플링을 통한 센서모델링 향상과 함께 처리 시간을 대폭 줄일 수 있다는 결론을 얻을 수 있었다.

이 논문의 구성은 다음과 같다. 먼저 2장에서는 실험에 사용한 연구자료 및 연구지역을 소개하고, 3장에서는 본 연구에 적용한 자동정밀센서모델링 과정에 대해 서술한다. 이후 4장에서는 위의 방법으로 수립된 각 센서모델의 성능 검증 방안을 제시하고 그에 따른 실험 결과를 분석한다. 마지막으로 5장에서는 본 연구에 대한 최종 결론으로 마무리한다.

2. 연구지역 및 연구자료

본 연구에서 지상기준점 칩은 선행된 연구(Yoon, 2019; Park et al., 2020)에 따라 기 구축된 한반도 공간정보 자료를 활용하였다. 남한지역의 지상기준점 칩은 국토지리정보원에서 제작 및 관리하고 있는 통합기준점, 국가기본도 및 항공정사영상 제작에 사용된 사진기준점 및 삼각점의 세가지 지상좌표 정보와 0.25 m의 공간 해상도를 갖는 정밀항공정사영상으로 제작되었다(Yoon et al., 2018). 북한지역의 지상기준점 칩은 정사영상 평면 좌표 및 digital elevation model (DEM) 타원체고와 0.5 m의 공간해상도를 갖는 위성 정사영상으로 제작되었다. 사용한 지상기준점 칩에 대한 사양은 Table 1과 같으며, Fig. 1과 Fig. 2는 사용한 지상기준점 칩의 예시이다. 남한 지역의 지상기준점 칩은 항공정사영상에서 추출하여 칼라영상으로 이루어져 있는 반면 북한 지역의 지상기준점 칩은 전정색 영상으로 제작된 위성정사 영상에서 추출하여 단일밴드 영상으로 구성되어 있다.

Table 1. Specifications for GCP chip used

OGCSBN_2022_v38n6_1_1445_t0001.png 이미지

OGCSBN_2022_v38n6_1_1445_f0001.png 이미지

Fig. 1. Example of GCP chip in South Korea.

OGCSBN_2022_v38n6_1_1445_f0002.png 이미지

Fig. 2. Example of GCP chip in North Korea.

본 연구에서는 농림위성과 같은 5 m 공간해상도를 갖는 RapidEye 영상을 사용하였다. 사용한 위성영상은 총 4장이며 각 영상에 대한 사양은 Table 2와 같다. 연구 지역은 아산, 인천, 양구, 개성을 포함하는 지역으로 선정하였다. 농림위성에 활용하기 위하여는 농경지 및 산림지가 포함되어야 한다. 사용한 위성영상은 넓은 영역으로 구성되어 있기 때문에 위성영상 범위내에 농경지 및 산림지가 포함되어 있다. 남한지역인 아산 및 인천의 경우 도심지와 산지, 수계 지역 등 다양한 지리적 특징이 나타나 있는 곳이며, 양구는 주로 산지로 이루어져 있는 지역이다. 북한지역인 개성의 경우, 주로 농경지와 인공지물이 많이 나타나는 지역이다. Fig. 3는 실험에 사용한 위성영상을 나타낸 것이고, Fig. 4는 연구 지역의 분포를 지도상에 나타낸 것이다.

Table 2. Specifications for satellite images used

OGCSBN_2022_v38n6_1_1445_t0002.png 이미지

OGCSBN_2022_v38n6_1_1445_f0003.png 이미지

Fig. 3. The satellite image data used in this study: (a) Asan, (b) Incheon, (c) Yanggu, and (d) Gaesung.

OGCSBN_2022_v38n6_1_1445_f0004.png 이미지

Fig. 4. Distribution of study areas. Yellow area:Asan, green area: Incheon, blue area: Yanggu, and red area: Gaesung.

3. 연구방법

본 논문에 적용된 지상기준점 칩 정합을 이용한 자동 정밀센서모델링 절차는 Fig. 5와 같다. 먼저, 위성영상과 함께 제공된 원본 rational polynomial coefficient (RPC)를 사용하여 초기센서모델을 수립한다(Fig. 5의 1번 절차).

RPC는 rational function model (RFM)을 이용하여 센서 모델을 구성할 때 사용하는 유리다항식의 계수이며, RFM은 식(1), (2)와 같이 표현될 수 있다.

OGCSBN_2022_v38n6_1_1445_f0005.png 이미지

Fig. 5. Flow chart for automated sensor modeling process.

\(c_{n}=\frac{P_{1}\left(X_{n}, Y_{n}, Z_{n}\right)}{P_{2}\left(X_{n}, Y_{n}, Z_{n}\right)}=\frac{\sum_{i=0}^{3} \sum_{j=0}^{3} \sum_{k=0}^{3} a_{i j k} X_{n}^{i} Y_{n}^{j} Z_{n}^{k}}{\sum_{i=0}^{3} \sum_{j=0}^{3} \sum_{k=0}^{3} b_{i j k} X_{n}^{i} Y_{n}^{j} Z_{n}^{k}}\\\)       (1)

\(r_{n}=\frac{P_{3}\left(X_{n}, Y_{n}, Z_{n}\right)}{P_{4}\left(X_{n}, Y_{n}, Z_{n}\right)}=\frac{\sum_{i=0}^{3} \sum_{j=0}^{3} \sum_{k=0}^{3} c_{i j k} X_{n}^{i} Y_{n}^{j} Z_{n}^{k}}{\sum_{i=0}^{3} \sum_{j=0}^{3} \sum_{k=0}^{3} d_{i j k} X_{n}^{i} Y_{n}^{j} Z_{n}^{k}}\\\)       (2)

위의 수식에서 cn과 rn은 정규화된 영상좌표이며, Xn, Yn과 Zn은 정규화된 지상좌표를 나타낸다. 흔히 Xn으로 경도값, Yn으로 위도값이 사용되기도 한다. 위의 수식에서 aijk, bijk, cijk, dijk는 각각 영상의 열좌표와 행좌표와 지상 좌표 간의 관계를 정의하는 유리함수식을 구성하는 유리다항식 P1, P2, P3, P4의 계수이다. 지상좌표의 3차항 이하에 대한 계수만을 사용하여 RFM 모델식을 구성하기 위하여 RPC 계수 중에서 i + j + k ≥ 4인 경우의 계수값은 0으로 설정되어 있고, 유리함수식의 비례상수를 고정시키 위해서 b000와 d000는 1로 설정되어 있으며, 나머지 i + j + k가 1부터 3인 지상좌표항에 대한 계수 총 78개를 영상과 함께 RPC 파일로 제공하게 된다.

다음으로, 초기센서모델을 이용하여 전체 위성영상 범위에 포함되는 지상기준점 칩을 검색하고, 이 과정에서 정합에 사용할 칩 개수에 따라 검색을 진행한다(Fig. 5의 2번 절차). Fig. 6에 지상기준점 칩 검색과정에 대한 설명을 그림으로 나타내었다. 초기센서모델을 이용하여 계산된 영상의 코너좌표로부터 영상영역을 포함하는 최소 직사각형영역(Xmin, Ymin)과 (Xmax, Ymax)를 계산하고 계산된 영역에 적당한 마진(Buff)을 적용한 영역 내에 존재하는 지상기준점 칩을 지상기준점 데이터베이스에서 검색하게 된다. 이때의 영상 영역은 초기센서모델 기반으로 계산되었는데, 초기센서모델에는 오차가 포함되어 있으므로, 이 오차를 고려하여 영상영역에 마진을 적용하였다. 마진의 크기는 원본해상도 위성영상 기준으로 영상 x, y 방향 ground sample distance (GSD)에 128을 곱하여 설정하였다.

OGCSBN_2022_v38n6_1_1445_f0006.png 이미지

Fig. 6. SearchingforGCPchips in satellite imageboundary using initial sensor model.

실험에 사용한 지상기준점 데이테베이스는 가로세로가 각각 12 km의 크기를 가지는 국토위성용으로 제작되었기 때문에 촬영면적이 국토위성영상보다 훨씬 큰 RapidEye 영상의 촬영영역에는 매우 많은 지상기준점이 존재하게 된다. Fig. 7의 왼쪽 영상은 실험에 사용한 아산지역 RapidEye 영상 영역에 대한 지상기준점 데이터베이스 검색결과로 총 1,304개의 지상기준점 칩이 검색된 결과이다. 본 연구에서는 검색된 모든 지상기준점 100%를 사용하는 경우와 각각 50%, 25%, 12.5%, 6%, 3%, 1.5%를 사용하는 경우로 구분하여 이후 정밀 센서모델링 수립 실험에 적용할 지상기준점 칩을 구성하였다. 이때, 해당 개수만큼 무작위로 칩을 선택하여 구성하는 방식을 적용하였다. Fig. 7의 오른쪽 영상은 검색된 지상기준점 중에서 12.5% 만을 사용하여 후속 실험을 적용하기 위해서 구성한 지상기준점 구성 결과를 보여준다. 전체 1,304점 중에서 163점 만을 정밀센서모델링을 위한 지상기준점으로 선택하였다.

OGCSBN_2022_v38n6_1_1445_f0007.png 이미지

Fig. 7. Distribution chart according to the number of GCP chips.

다음 절차는 원본 위성영상의 해상도를 높여서 지상 기준점 칩 영상과의 공간해상도 차이를 축소하기 위한 절차이다(Fig. 5의 3번 절차). 업샘플링은 쌍선형보간법(bilinear interpolation)을 사용하여 수행하였다. 원본 영상의 업샘플링 배율을 각각 2배, 3배, 4배, 5배로 변경하며 공간해상도 5 m, 2.5 m, 1.67 m, 1.25 m 및 1 m를 가지도록 원본 영상을 변환하여 지상기준점 칩과의 정합을 수행하였다. Fig. 8에 업샘플링 배율에 따라 변형된 원본 위성영상을 지상기준점 칩과 함께 나타내었다. 동일한 영상 크기에 대한 포함영역이므로, 업샘플링 배율을 늘릴수록 더 국소지역을 나타내는 것을 확인할 수 있다. 처리속도 및 메모리를 절약하기 위해서 실제 실험에서는 업샘플링을 원본 위성영상 전체에 대해서 적용하는 대신 지상기준점에 대한 탐색영역에 대해서 적용하였다. Fig. 9는 원본해상도를 적용했을 때의 탐색영역영상 대비 지상기준점 칩과 업샘플링 배율 3을 적용했을 때의 탐색영역영상 대비 지상기준점 칩의 형상을 보여준다.

OGCSBN_2022_v38n6_1_1445_f0008.png 이미지

Fig. 8. Different satellite image patches and a GCP chip according to upsampling factors.

OGCSBN_2022_v38n6_1_1445_f0009.png 이미지

Fig. 9. Satellite image and GCP chip matching results by upsampling factors.

이후, 업샘플링된 위성영상과 지상기준점 칩 간의 자동 정합을 수행한다(Fig. 5의 4번 절차). 이 과정은 각각의 실험 경우에서 업샘플링 처리된 위성영상의 공간해상도에 맞추어 지상기준점 칩을 다운샘플링(downsampling) 한 이후에 속도 개선을 위해서 영상 피라미드(image pyramid)를 구성하여 진행된다. 영상 정합을 위해 각 위성영상 패치별로 4단계의 피라미드 영상을 구성한 후, 피라미드 최상위 층부터 영상 정합을 수행한다. 이 때, 마지막 층 레이어에서는 census 알고리즘을 적용하였으며, 마지막을 제외한 나머지 층 레이어에서는 zero mean normalized cross-correlation (ZNCC) 알고리즘을 적용하여 영상 정합을 수행하였다. 자동으로 정합된 지상 기준점 중에는 필연적으로 오정합 점이 존재하게 되는데, 이를 random sample consensus (RANSAC) 기법을 이용하여 자동으로 제거(Fischler and Bolles, 1981)하였다. 본 논문의 간결성 및 중복성 방지를 위해서 상세한 지상 기준점 칩 정합 및 오정합점 제거과정은 선행연구 논문(Yoon et al., 2018, Son et al., 2021)의 내용으로 대체한다.

마지막 절차로 오정합이 제거된 자동정합 결과를 바탕으로 정밀센서모델을 수립한다 (Fig. 5의 5번 절차). 정밀센서모델 수립을 위하여 먼저 초기센서모델의 오차 보정을 위한 식(3), (4) 오차보정식의 계수를 추정한다.

c = a11c0 + a12r0 + a13       (3)

r = a21r0 + a22r0 + a23       (4)

식(3), (4)에서 co,ro와 c,r은 각각 보정 전 및 보정 후의 영상좌표이며 a11~a23은 오차보정식의 계수에 해당한다. 오차보정식의 계수 추정을 마치면 오차보정식을 이용하여 RPC 계수를 다시 산출하여 정밀센서모델을 수립하게 된다. 업샘플링 배율별로 정밀센서모델이 수립되면 정확도 비교를 위해서 이를 다시 원본해상도의 정밀 센서모델로 변환하는 작업을 수행한다(Lee and Kim, 2021). 각각의 지상기준점 개수별 및 업샘플링 배율별로 수립된 정밀센서모델링의 정확도를 비교한다.

4. 결과 및 분석

이 장에서는 실험결과 및 이에 대한 분석내용을 기술한다. 실험에 사용된 4개의 RapidEye 위성영상의 촬영 영역에 존재하는 지상기준점 칩을 검색한 결과 Table 3과 같이 모든 경우에 1,300점 이상이 지상기준점 칩이 검색되었으나 영상에 따라 추출된 칩의 개수는 서로 상이하였다. 최초 검색된 칩의 개수를 100%로 하여 50%, 25%, 12.5%, 6%, 3%, 1.5%의 칩 수를 실험에 사용하였다. 각 연구지역별로 구성한 칩 개수는 Table 3과 같다.

Table 3. Quantity of GCP chips per experimental case

OGCSBN_2022_v38n6_1_1445_t0003.png 이미지

본 연구에서는 모델점 정확도 및 검사점 정확도, 처리시간과 정합성공률을 성능평가 지표로 사용하였다. 모델점 정확도는 초기센서모델을 갱신하는 데 사용된 지상기준점에 대해 측정한 오차이며, 검사점 정확도는 모델점에 포함되지 않은 기준점들 중에서 수동으로 검사점을 추출한 후, 해당 검사점들에 대해서 측정한 오차이다. 모델점 및 검사점 정확도 분석을 위해 rRMSE를 산출하였으며, 해당 정확도 분석은 공간해상도 5 m의 원본영상에서의 정확도를 기준으로 수행되었다. rRMSE는 식(5)와 같이 산출하였다. 식(5)에서 RMSEcol은 영상의 column 방향 root mean square error (RMSE)를 말하며, RMSErow는 영상의 row 방향 RMSE를 말한다.

\(r_{R M S E}=\sqrt{\left(R M S E_{c o l}\right)^{2}+\left(R M S E_{\text {row }}\right)^{2}}\\\)       (5)

처리시간은 위성영상 범위에 포함되는 전체 지상기준점 검색 및 정합에 소요되는 시간이다. 정합성공률은 정합에 사용된 전체 지상기준점 칩 개수 대비 정합 성공한 칩 개수의 비율이다. 이때, 정합 성공한 칩은 RANSAC을 통해 최적의 모델이 구성되었을 때, 해당 센서모델로 계산한 결과 2.0화소 미만의 rRMSE를 갖는 칩을 말한다.

실험결과는 Table 4–7와 같으며, 실험결과의 경향성을 확인하기 위해 각각의 연구 지역에 따른 성능평가 지표 결과를 Fig. 10–13에 나타내었다. 각 그림에서 (a)와 (b)는 지상기준점 개수와 업샘플링 배율에 따른 모델점 정확도 및 검사점 정확도이며, (c)는 정합성공율, (d)는 처리시간에 대한 그래프이다.

Table 4. Chip matching result (Asan)

OGCSBN_2022_v38n6_1_1445_t0004.png 이미지

Table 4. Continued

OGCSBN_2022_v38n6_1_1445_t0005.png 이미지

Table 5. Chip matching result (Incheon)

OGCSBN_2022_v38n6_1_1445_t0006.png 이미지

Table 6. Chip matching result (Yanggu)

OGCSBN_2022_v38n6_1_1445_t0007.png 이미지

Table 7. Chip matching result (Gaesung)

OGCSBN_2022_v38n6_1_1445_t0008.png 이미지

Table 7. Continued

OGCSBN_2022_v38n6_1_1445_t0009.png 이미지

OGCSBN_2022_v38n6_1_1445_f0010.png 이미지

Fig. 10. Result of Asan area: (a) model point rRMSE according to chip quantity, (b) check point rRMSE according to chip quantity, (c) matching rate according to chip quantity, and (d) process time according to chip quantity.

OGCSBN_2022_v38n6_1_1445_f0011.png 이미지

OGCSBN_2022_v38n6_1_1445_f0012.png 이미지

Fig. 11. Result of Incheon area: (a) model point rRMSE according to chip quantity, (b) check point rRMSE according to chip quantity, (c) matching rate according to chip quantity, and (d) process time according to chip quantity.

OGCSBN_2022_v38n6_1_1445_f0013.png 이미지

Fig. 12. Result of Yanggu area: (a) model point rRMSE according to chip quantity, (b) check point rRMSE according to chip quantity, (c) matching rate according to chip quantity, and (d) process time according to chip quantity.

OGCSBN_2022_v38n6_1_1445_f0014.png 이미지

Fig. 13. Result of Gaesung area: (a) model point rRMSE according to chip quantity, (b) check point rRMSE according to chip quantity, (c) matching rate according to chip quantity, and (d) process time according to chip quantity.

먼저 각각의 실험결과에서의 (a)를 살펴보면 업샘플링 배율이 높아지고 공간해상도 수치가 작아질수록 모델점 정확도가 지속적으로 향상되었음을 알 수 있다. 이는 RPC 갱신을 위한 오차보정식의 계수 추정이 성공적으로 적용되었음을 나타낸다. 업샘플링 배율을 높여서 적용할수록 추정된 오차보정식에서 더 근접한 지상기준점들이 모델점으로 선택되며, 결과적으로 원본해상도에서의 모델추정오차에 비해 업샘플링을 적용한 경우의 모델추정오차가 더 적게 산출되기 때문에 이와 같은 결과가 나타난 것으로 해석된다. 또한 지상기준점 개수를 모두 사용한 경우부터 단계적으로 50%부터 .5%로 축소한 경우에도 모델점 정확도는 유사한 패턴을 나타냈다. 이는 실험에 적용한 지상기준점 칩 매칭의 강인성을 나타내는 결과로 해석된다.

실험에 적용된 매칭의 강인성은 (c)에서도 확인할 수 있다. (c)를 살펴보면, 원본해상도에서 정합을 적용하는 것보다 업샘플링 된 해상도에서 정합을 적용하는 것이 더 성공율이 높게 나오는 것을 알 수 있다. 이는 위성영상의 공간해상도가 기준점 칩 영상의 해상도에 더 가까워질수록 칩 영상에 기록된 신호특성을 더 잘 반영한 유사도가 계산될 수 있다는 결과를 나타내며, 이것이 곧 정합성공율 향상에 기인했다고 해석된다. 이러한 해석을 바탕으로 본 논문에서 제안하는 위성영상 업샘플링을 통한 지상기준점 칩 정합의 타당성을 확인할 수 있다.

각각의 실험결과에서 (b)를 살펴보면 원본해상도에 비하여 2배 업샘플링한 경우는 검사점 정확도가 대폭 향상되었고 3배 업샘플링한 경우는 대체로 2배 업샘플링한 경우와 정확도가 유사하거나 미세하게 좋아지는 결과를 확인할 수 있다. 그러나 4배 이상 업샘플링을 적용한 경우는 검사점 정확도가 개선되지 않았음을 알 수 있다. 이는 과도한 업샘플링 배율을 적용한 경우 모델 추정오차는 적어지더라도 실제 정확도 개선을 의미하지 않는다는 것을 증명하며, 이는 선행연구와 동일한 결과를 보인다(Lee and Kim, 2021).

지상기준점 개수에 따른 검사점 정확도 경향을 살펴 보면, 먼저 원본해상도를 이용한 자동정밀센서모델링의 경우 사용된 지상기준점 개수가 적을수록 원본해상도 영상에 대한 검사점 정확도는 대체로 나빠지는 경향을 보였다. 그러나 2배 또는 3배의 업샘플링을 적용한 경우는 지상기준점 개수 대비 검사점 정확도 저하 정도가 확연히 줄어드는 특징을 보였다. 이는 업샘플링을 적용할 경우 실험에 사용한 모든 영상에 대해서 최대 지상기준점 개수보다 훨씬 적은 개수(예: 6%)의 기준점을 사용하여도 향상된 정확도를 얻을 수 있다는 매우 긍정적인 결론을 의미한다. 사용한 지상기준점 수가 전체의 1.5% 또는 3%와 같이 매우 적은 경우는 업샘플링 배율에 따른 검사점 정확도가 다소 불규칙하게 나타났다. 이는 모델점 개수가 적어 특정 모델점의 포함 여부에 따른 정확도가 크게 되기 때문에 발생한 현상으로, 본 논문에서 제안하는 기술의 적용을 위한 지상기준점 개수의 하한선을 암시한다.

각각의 실험결과에서 (d)를 살펴보면 업샘플링 배율이 증가할수록 그리고 지상기준점 개수가 많을수록 처리시간이 증가하였다. 이는 적절한 업샘플링 배율 및 지상기준점 개수를 적용해야 할 필요성이 더 부각되는 결과로 해석되며 따라서 상기 언급한 결론을 뒷받침하고 있다고 볼 수 있다.

Table 4–7도 동일한 결과를 나타내고 있다. 업샘플링 배율 및 지상기준점 개수에 따른 검사점 정확도, 정합 성공률과 처리시간까지 종합적으로 고려하여 분석한 결과, 원본해상도를 2배 내지 3배 업샘플링하고 지상기준점 개수를 약 100개 내외로 사용하는 경우 정밀센서 모델링의 정확도를 크게 개선하는 동시에 처리 시간도 획기적으로 줄일 수 있다고 결론지을 수 있다.

상기한 실험 결과를 정성적으로 검증하기 위해 수립된 정밀센서모델을 통해 정밀정사영상을 생성하여 수치지형도와 중첩하여 비교하였다. Fig. 14는 아산지역의 각 실험 케이스 별 생성된 정밀정사영상과 수치지형도를 비교한 결과이다. 원본해상도인 5 m의 영상을 이용하여 정밀정사영상을 생성한 결과 영상에서의 도로가 수치지형도와 잘 일치하지 않음을 육안으로 확인할 수 있다. 그러나 업샘플링을 적용하여 생성한 정밀정사 영상은 원본해상도를 사용하여 생성한 정밀정사영상보다 개선된 위치정확도를 가지는 것을 확인할 수 있다. 아울러 지상기준점 20개를 사용한 경우는 업샘플링 배율에 따라 불규칙한 결과를 나타냄을 확인할 수 있다. 정성적 육안판독 결과도 앞선 정량적 분석을 잘 뒷받침하고 있다고 결론지을 수 있다.

OGCSBN_2022_v38n6_1_1445_f0015.png 이미지

Fig. 14. Comparison of Asan results with digital topographic map.

5. 결론

본 연구에서는 농림위성의 정밀센서모델 수립 시, 고해상도 지상기준점 칩 적용 가능성을 평가하기 위해 업샘플링 배율 및 지상기준점 칩 개수에 따른 정합성능을 비교 분석하였다. 실험 결과, 칩 개수 조정과 위성영상 업샘플링을 함께 적용한 경우, 정합성능이 향상되는 것을 확인하였다. 업샘플링 배율을 2 내지 3배로 적용하고 지상기준점 칩을 100개 이상 사용하여 정밀센서모델을 수립하는 경우 원본영상의 해상도 기준으로 0.6–0.8 화소의 검사점 정확도를 산출할 수 있었다. 이는 향후 발사될 5 m 해상도를 가지는 농림위성의 자동정밀센서모델 수립 및 자동정밀정사영상 생성에 국토위성용으로 제작된 지상기준점 데이터베이스를 사용할 수 있음을 의미하는 결과라고 할 수 있다. 또한 본문에서 제시한 여러 실험결과 중에는 0.5 화소에 근접하거나 0.5 화소보다 적은 값을 가지는 검사점 정확도를 나타낸 경우가 있었다. 이는 원본해상도를 적용할 경우에 충족하기 어려웠던 CARD4L에서 제시한 위치 정확도 기준을 적절한 위성 영상 업샘플링 수행과 지상기준점 칩 수 조정을 통해 달성할 가능성이 있음을 암시하는 결과로 볼 수 있다.

본 연구에서는 무작위로 지상기준점 칩을 선정하는 방식으로 지상기준점 개수를 조절하였으나 보다 정교한 샘플링 방식을 사용하여, 추출된 기준점이 가급적 균등한 분포를 가지도록 개선해야 할 것이다. 또한 본 연구에서 사용한 지상기준점 칩의 지상좌표 설정에 사용된 여러 기준점 자료들의 상대적 정확도가 정밀센서모델링에 미치는 영향에 대한 분석과 후속연구가 필요할 것으로 보이며, 더 나아가 피복의 형태에 따른 기준점의 영향과 특히 산림지역에 설치된 지상기준점 칩의 영향에 대한 분석이 더 필요할 것으로 예상된다. 본 연구 결과를 통해 얻어진 결과가 향후 농림위성 영상처리 및 활용에 도움이 될 수 있기를 희망한다.

사사

본 논문은 농촌진흥청 연구사업(과제번호: PJ016233)의 지원을 받았으며, 이에 감사드립니다.

References

  1. Baek, M.J., S.G. Lee, and S.B. Ryu, 2018. Development Trend of the Compact Advanced Satellite and the Application Plan, Current Industrial and Technological Trends in Aerospace, 16(2): 72-81. https://doi.org/10.7780/kjrs.2016.32.3.8
  2. Boccia, V., R.Q. Iannone, and F. Gascon, 2021. Copernicus Sentinel-2 Data From A Card4L Perspective: Preliminary Self-Assessment Performed by Esa, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium, Jul. 11-16, pp. 1994-1996. https://doi.org/10.1109/IGARSS47720.2021.9554913
  3. Fischler, M.A. and R.C. Bolles, 1981. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM, 24(6): 381-395. https://doi.org/10.1145/358669.358692
  4. Lee, Y. and T. Kim, 2021. Determination of Spatial Resolution to Improve GCP Chip Matching Performance for CAS-4, Korean Journal of Remote Sensing, 37(6-1): 1517-1526. https://doi.org/10.7780/kjrs.2021.37.6.1.3
  5. Park, H., J.H. Son, J.I. Shin, K.E. Kweon, and T. Kim, 2019. Quality Analysis of GCP Chip Using Google Map, Korean Journal of Remote Sensing, 35(6-1): 907-917. https://doi.org/10.7780/kjrs.2019.35.6.1.3
  6. Park, H., J.H. Son, H.S. Jung, K.E. Kweon, K.D. Lee, and T. Kim, 2020. Development of the Precision Image Processing System for CAS-500, Korean Journal of Remote Sensing, 36(5-2): 881-891. https://doi.org/10.7780/kjrs.2020.36.5.2.3
  7. Shin, J.I., T. Kim, W.S. Yoon, and H.J. Park, 2018. Improving Satellite-Aerial Image Matching Success Rate by Image Fusion, Proc. of 2018 2nd European Conference on Electrical Engineering and Computer Science (EECS), Bern, Switzerland, Dec. 20-22, pp. 224-227. https://doi.org/10.1109/EECS.2018.00049
  8. Son, J.H., W. Yoon, T. Kim, and S. Rhee, 2021. Iterative Precision Geometric Correction for High-Resolution Satellite Images, Korean Journal of Remote Sensing, 37(3): 431-447. https://doi.org/10.7780/kjrs.2021.37.3.6
  9. Yoon, W., H. Park, and T. Kim, 2018. Feasibility Analysis of Precise Sensor Modelling for KOMPSAT-3A Imagery Using Unified Control Points, Korean Journal of Remote Sensing, 34(6-1): 1089-1100. https://doi.org/10.7780/kjrs.2018.34.6.1.19
  10. Yoon, W., 2019. A Study on Development of Automatic GCP Matching Technology for CAS-500 Imagery, Inha university, Icheon, Republic of Korea.