Exploitation of Dual-polarimetric Index of Sentinel-1 SAR Data in Vessel Detection Utilizing Machine Learning

이중 편파 Sentinel-1 SAR 영상의 편파 지표를 활용한 인공지능 기반 선박 탐지

Abstract

Utilizing weather independent SAR images along with machine learning based object detector is effective in robust vessel monitoring. While conventional SAR images often applied amplitude data from Single Look Complex, exploitation of polarimetric parameters acquired from multiple polarimetric SAR images was yet to be implemented to vessel detection utilizing machine learning. Hence, this study used four polarimetric parameters (H, p₁, DoP, DPRVI) retrieved from eigen-decomposition and two backscattering coefficients (γ₀, _VV, γ₀, _VH) from radiometric calibration; six bands in total were respectively exploited from 52 Sentinel-1 SAR images, accompanied by vessel training data extracted from AIS information which corresponds to acquisition time span of the SAR image. Evaluating different cases of combination, the use of polarimetric indexes along with amplitude values derived enhanced vessel detection performances than that of utilizing amplitude values exclusively.

전천후 자료 취득이 가능한 SAR 영상을 기반으로 한 선박 탐지와 인공지능 기반 탐지 알고리즘과 함께 사용하는 것은 안정적인 선박 모니터링에 효과적이다. 기존의 SAR 영상에서는 인공지능 기반 선박 탐지 알고리즘에 진폭 영상만을 주로 사용하였으며, 물체의 산란 특성을 구분할 수 있는 다중 편파 SAR 영상의 편파 지표는 사용되지 않았다. 이에, 본 연구에서는 이중 편파 Sentinel-1 SAR 영상으로부터 고유값 분해를 통해 취득한 4개의 편파 지표인 H, p₁, DoP, DPRVI와 방사 보정을 통해 취득한 2개 편파의 산란계수인 γ₀, _VV, γ₀, _VH를 이용하여 총 6개의 밴드를 가진 SAR 영상 52장의 데이터베이스를 구축하고, 이와 상응하는 시간에 취득한 선박의 실시간 위치 및 속도 정보인 AIS 자료를 사용하여 학습자료를 추출하였다. 구축된 밴드 조합에 대해 선박탐지 정확도를 평가한 결과, 이중 편파 지표를 진폭과 함께 사용한 경우 진폭 값만을 사용했을 때에 비해 개선된 탐지 정확도를 보였다.

1. 서론

원격탐사를 활용하여 선박을 탐지하는 것은 실시간 위치 정보 센서를 활용한 기지국에서의 선박 모니터링에 대비하여 보다 넓은 범위의 해상에서 선박의 이동을 감시할 수 있다는 장점을 가진다(Bi et al., 2019). 특히, 악기상 및 태양광과 무관한 영상 취득이 가능한 SAR 위성영상 자료는 주기적인 자료 확보가 가능하다는 장점이 있어 안정적인 선박 감시가 가능하다(Vachon et al., 1997). 영상 취득조건과 무관한 선박 탐지를 위하여 Constant False Alarm Rate (CFAR)과 같은 임계값 기반의 탐지 알고리즘보다는 선박의 고유한 밝기값과 형태를 활용하여 특징을 추출할 수 있는 인공 지능 기반의 탐지 알고리즘이 선호되었으며, 영상 기반 사물 인식에 최적화된 합성곱신경망(Convolutional Neural Network, CNN)이 주로 사용되었다(Zhao et al., 2013).

SAR 안테나는 지면과 나란한 방향(Horizontal, H)과 직교하는 방향(Vertical, V)으로 전자기파를 편광시켜 주사하거나 기록할 수 있는데, 이는 산란체에 따라 전자기파의 상이한 응답 특성으로 나타나게 된다(Marechal et al., 2012). 즉, SAR 편파 밴드마다 다양한 지상 산란체의 정보를 포함하며, 지상 산란 특성을 편파 SAR 영상을 활용하여 구분할 수 있다는 것을 나타낸다(Condrasen et al., 2016). 이를 위해 다중 편파 SAR 영상의 Single Look Complex (SLC) 자료에 고유값 분해를 수행하여 지상 산란체의 다양한 특성을 나타내는 편파 지표(polarimetric Index)들을 추출하고, 이들을 기반으로 지상 산란체를 구분할 수 있는 새로운 파라미터들이 제안되었다(Kim et al., 2016). 다중 편파 SAR 영상을 활용하여 전자기파의 감쇄가 크게 발생하는 식생과 그렇지 않은 인공구조물이나 대지를 구분할 수 있는 Radar Vegetation Index (RVI), Polarimetric Radar Vegetation Index (PRVI)와 같은 레이더 기반 식생 지수가 다수 개발되었으며, 식생지수의 시계열 변화를 활용하여 경작지의 곡물 수확을 추정하였다(Chang et al., 2018). 다중 편파뿐 아니라 제한적인 편파 조건 하에서도 편파 지표를 도출할 수 있으며, 유럽 우주국(European Space Agency, ESA)에서 개발하여 2014년부터 영상 자료를 무료로 제공하고 있는 Sentinel-1 SAR 위성 역시 VV, VH 이중 편파 영상이기에 편파 SAR를 연구에 활용하기에 적합하다(Schubert et al., 2017).

기존 인공지능을 활용한 선박 탐지 연구는 SLC 영상의 진폭(amplitude)만을 사용하였으며, 이를 지면 정사영 시킨 Ground Range Detected (GRD) 영상이 선호되었다(Song et al., 2020). 인공지능 기반 사물 탐지 알고리즘 중 높은 정확도를 보여왔던 You Only Look Once(YOLO), Regional CNN(R-CNN)을 비롯한 대부분의 탐지 알고리즘들은 광학 영상을 기반으로 개발되었기에, RGB 입력 밴드를 대체할 수 있는 3개의 입력 밴드를 조합하는 것이 가능하다(Li et al., 2021). SAR 영상을 활용한 선박 탐지에 이러한 탐지 알고리즘을 사용할 경우, 단일 편파 영상을 3개의 입력 밴드에 동일하게 복사하여 사용하는 것이 일반적이었다(Song et al., 2022). 입력자료가 인공지능 기반 탐지 알고리즘에 결정적인 영향을 미친다는 것을 고려하여, 수치표고모델(Digital Elevation Model, DEM), 곡률(curvature)과 같은 다양한 지리정보를 활용한 피복 분류 및 수계 탐지 정확도 향상을 시도한 연구가 다수 진행되었다(Kim et al., 2021). 더욱이, 선박의 형상은 육상 및 해양 산란체와 다른 산란 특성을 보이기에, 편파 지표를 입력 자료로 사용할 경우 선박과 다른 산란체 사이의 특성 차이를 증가시켜 효과적인 탐지가 이루어질 것으로 기대하였다.

산란 특성을 구분할 수 있는 편파 지표는 토지 피복 분류나 시계열 변화 탐지에 일반적으로 사용되어 왔으나, 이를 인공지능 기반 사물 탐지 알고리즘에 적용하여 선박 탐지 정확도를 개선하려는 연구는 진행되지 않았다. 따라서, 본 연구는 이중 편파 SAR 영상인 Sentinel-1 SLC 영상에 고유값 분해(Eigen-decomposition)를 수행하여 얻은 편파 지표를 입력 자료로 활용하여 인공지능 기반 선박 탐지 정확도를 평가하였다. 이를 위해 선박에 부착된 실시간 위치 정보 센서 중 하나인 Automated Identification System (AIS) 자료를 사용하여 선박 학습자료를 구축하고, 인공지능 기반 사물 탐지 알고리즘 중 높은 정확도를 보인 You Only Look Once version 4 (YOLOv4)를 고유값 분해를 통해 추출한 이중 편파 지표에 대해 학습시켜 그 정확도를 비교하였다.

2. 연구방법

1) 이중 편파 SAR SLC 자료의 고유값 분해를 통한 편파 지표 추출

VV (수직편파로 송수신) 및 VH (수직편파 송신 후 수평편파로 수신) 편파로 구성된 Sentinel-1 Terrain Observation with Progressive ScanSAR (TOPSAR) Inter ferometric Wide (IW) 자료는 거리방향으로 5 m, 방위방향으로 20 m의 해상도를 가진다. 본 연구에서는 한반도 인접 지역을 촬영한 2018년 1월에서 2019년 9월 사이의 Sentinel-1 SAR SLC 영상 52장을 취득하였다.

Ω_s = [S_VV S_VH]^T       (1)

\(\begin{aligned}\mathrm{C}_{2}=\Omega_{\mathrm{s}} \Omega_{\mathrm{s}}^{{ }^{*} \mathrm{~T}}=\left[\begin{array}{cc}\left\langle\left|\mathrm{S}_{\mathrm{VV}}\right|^{2}\right\rangle & \left\langle\mathrm{S}_{\mathrm{VV}} \mathrm{S}_{\mathrm{VH}}{ }^{*}\right\rangle \\ \left\langle\mathrm{S}_{\mathrm{VH}} \mathrm{S}_{\mathrm{VV}}{ }^{*}\right\rangle & \left\langle\left|\mathrm{S}_{\mathrm{VH}}\right|^{2}\right\rangle\end{array}\right]\end{aligned}\)       (2)

일반적인 H, V 편파를 기저로 하는 다중 편파 자료는 그 산란행렬 S로부터 Lexicographic target vector를 정의할 수 있고, 이로부터 공간 평균을 취한 Covariance 행렬을 도출할 수 있으며, 이는 이중 편파 조건에서는 식(1), (2)와 같이 정의된다(Mandal et al., 2020). 기호 □^T, □*, 〈〉는 각각 전치행렬, 켤레복소수, 공간 평균(ensemble average)을 나타낸다. 모든 대각화 가능한(diagonalizable) 행렬은 고유벡터를 그 열로 취하는 직교행렬 U와 고유값을 주대각성분으로 취하는 대각화 행렬 Σ로 분해할 수 있으며, 이를 고유값 분해라 한다.

C₂ = U₂ΣU₂^-1       (3)

\(\begin{aligned}\sum=\left[\begin{array}{cc}\lambda_{1} & 0 \\ 0 & \lambda_{2}\end{array}\right]\\\end{aligned}\)       (4)

\(\begin{aligned}\mathrm{p}_{\mathrm{i}}=\frac{\lambda_{\mathrm{i}}}{\lambda_{1}+\lambda_{2}}(\mathrm{i}=1,2)\\\end{aligned}\)       (5)

이중 편파 SAR 영상의 Covariance 행렬을 고유값 분해한 결과는 식(3)과 같으며, 그 대각화 행렬 Σ는 식(4)와 같이 나타낼 수 있다. 고유값 λ₁≥λ₂≥0은 고유벡터가 나타내는 산란 특성에 대한 지배력을 수치화한 지표로, 일반적으로 식(5)와 같이 정규화하여 사용한다(Dey et al., 2021). 정규화한 고유값 p_i를 유사확률이라 한다.

H = – p₁ log₂ p₁ – p₂ log₂ p₂       (6)

고유값과 유사확률이 나타내는 물체의 산란 특성을 용이하게 하는 지표로는 Entropy H가 있으며, 이는 식 (6)과 같이 계산한다. H는 0에서 1 사이의 값을 가지며, 값이 0일 경우 λ₂=0으로, 이중 편파 조건에서 1가지의 산란 특성이 지배적인 상황을, 값이 1일 경우 λ₁=λ₂로, 산란 특성이 사라진 상황을 암시한다.

SE = SE_i + SE_p (7)

\(\begin{aligned}\mathrm{SE}_{\mathrm{i}}=2 \log \left(\frac{\pi \mathrm{e}}{2} \operatorname{Tr}\left(\mathrm{C}_{2}\right)\right)\\\end{aligned}\)       (8)

\(\begin{aligned}\mathrm{SE}_{\mathrm{p}}=\log \left(4 \frac{\operatorname{det}\left(\mathrm{C}_{2}\right)}{\operatorname{Tr}\left(\mathrm{C}_{2}\right)^{2}}\right)\\\end{aligned}\)       (9)

산란 특성과 SLC 자료의 진폭을 모두 포함하는 지표인 Shannon Entropy SE는 식(7)과 같이 진폭에 의한 기여도 SE_i와 편파 특성에 의한 기여도 SE_p로 구분된다(Kim et al., 2016). 이중 편파 조건에서 진폭에 의한 기여도는 Covariance 행렬의 주대각선의 합인 VV와 VH 편파의 진폭의 제곱 합을 포함하며, 편파 특성에 의한 기여도는 Covariance 행렬의 행렬식을 포함한다. 식(8), (9)는 이중 편파 조건에서의 SE의 진폭, 편파 특성 기여도를 각각 나타내며, 행렬 주대각선의 합은 Tr, 행렬식은 det으로 명시된다.

\(\begin{aligned}\mathrm{DoP}=\sqrt{1-4 \frac{\operatorname{det}\left(\mathrm{C}_{2}\right)}{\operatorname{Tr}\left(\mathrm{C}_{2}\right)^{2}}}\\\end{aligned}\)       (10)

\(\begin{aligned}DoP=\sqrt{1-\exp \left(\mathrm{SE}_{\mathrm{p}}\right)}\\\end{aligned}\)       (11)

산란체가 전자기파의 특성을 보존하는 정도를 정량한 지표인 편파도(Degree of Polarization, DoP)는 H와 마찬가지로 0에서 1 사이의 값을 가지며, 편파도가 1일 경우 산란체는 입사한 전자기파의 편파를 그대로 보존하고, 0일 경우 편파 특성을 소실시키는 특성을 보인다(Barakat, 1977). 편파도는 식(10)과 같은 수식으로 계산되며, 식(9)와 (10)을 이용할 경우, 식(11)과 같이 SE의 편파 특성 기여도로부터 편파도를 취득할 수 있다.

DPRVI = 1 – p₁ × DoP       (12)

편파도는 산란체의 전자기파의 편파를 변화시키는 지표이기에 식생의 발육을 감시하는 지표로 사용되었다. 특히, 이중 편파 조건에서의 식생 지수인 Dual-Polarimetric Radar Vegetation Index (DPRVI)가 식(12)와 같이 제안되었는데, 이는 산란체의 편파 변화도와 화소 안의 특정 편파 mechanism의 지배력을 나타내는 지표를 결합하여 식생의 체적 산란(volume scattering) 특성을 강조하였다(Mandal et al., 2020).

본 연구에서는 Sentinel-1 SAR SLC 영상들에 대해 식(2)를 이용하여 Covariance 행렬을 도출하고, 고유값 분해를 통해 식(5), (6)에 따라 H와 p₁을 계산하였다. 또한, SE_p로부터 DoP를 식(11)을 이용하여, Mandal et al. (2020)에 의해 제안된 식생 지수인 DPRVI를 식(12)를 이용하여 도출하였다. 즉, SLC 영상과 같은 크기를 가지는 4개의 편파 지표인 H, p₁, DoP, DPRVI를 이중 편파 SAR 영상의 고유값 분해를 통해 취득하였다.

2) 이중 편파 SAR SLC 자료의 전처리

SLC 영상은 원시 영상을 영상 복원을 통해 거리, 방위 방향의 압축을 통해 생성되며, 복소수의 형태를 가지기에 일반적으로 물체의 형상을 구분하기 위해서는 진폭영상을 사용한다. 산란체가 물리적으로 반사하는 입사파의 비율은 후방산란계수(backscattering coefficient)로 정의되며(Kim and Moon, 2002), Sentinel-1 SAR 영상의 경우 식(13)과 같은 수식을 사용하여 계산한다. 이 과정을 방사 보정(radiometric calibration)이라 한다.

\(\begin{aligned}\sigma_{0}=\frac{\mathrm{DN}^{2}}{\mathrm{KA}_{\mathrm{DN}}^{2}} \sin \theta\\\end{aligned}\)      (13)

식(13)에서 K는 방사 보정 상수, DN은 방사 보정 전의 화소 값(digital number), A_DN은 영상 스케일링 상수, θ는 입사각을 나타낸다. 도출된 후방산란계수 σ₀는 지상 또는 해상물체가 전자기파에 의해 조사되는 면적에 대한 산란 비율을 나타내기에, 본 연구에서는 이 값의 입사각에 대한 의존성을 최소화하기 위해 후방산란계수 γ₀를 사용하였다(Small, 2011). 이렇게 도출된 γ₀는 입사한 파와 수직한 단면적에 대한 산란 비율로 정의된다.

γ₀ = σ₀ secθ       (14)

4개의 편파 지표 이외에도 방사 보정된 SAR 영상의 후방산란계수 γ₀를 VV와 VH 편파로부터 계측하였다. 즉, 본 연구에서는 고유값 분해와 방사 보정을 통해 γ_0,VV, γ_0,VH, H, p₁, DoP, DPRVI 총 6개의 밴드를 도출하였다. 선박 탐지를 통해 경위도 좌표 변환이 용이하도록 구축된 6개의 밴드 영상은 모두 경위도 좌표에 맞게 기하 보정(geometric calibration)되었으며, 최종 공간 해상도는 20 m로 산출되었다. Fig. 1은 학습자료로 사용된 2018년 6월 26일에 취득한 6개의 밴드에 대한 예시이고, Fig. 2는 γ_0,VV, γ_0,VH 편파 에서의 선박의 신호에 대한 예시이다.

Fig. 1. Six image bands for training data of Sentinel-1 SAR image acquired at 26/06/2018: (a) γ_0,VH, (b) γ_0,VV, (c) H, (d) p₁, (e) DoP, and (f) DPRVI.

Fig. 2. Examples of vessel signals in (a), (b) γ_0,VH and (c), (d) γ_0,VV.

3) 인공지능 기반 탐지 알고리즘 및 선박 학습자료 구축

인공지능 기반의 탐지 알고리즘은 영상 분석에 적합한 CNN을 사용한 탐지 알고리즘 중 정확도가 높고 구조가 단순하여 처리 시간이 짧은 YOLOv4를 사용하였다. 해당 알고리즘은 다양한 형태의 데이터 증강(data augmentation)을 포함하여, 선박의 이동 방향에 큰 영향을 받지 않고 탐지가 가능한 장점이 있다(Bochkovskiy et al., 2020).

YOLOv4 알고리즘을 학습시킬 선박 학습 자료는 일반적인 사물 탐지 알고리즘의 학습자료와 마찬가지로 영상 내 물체의 위치를 직사각형 형태의 bounding box로 나타내게 된다. Bounding box를 나타내는 좌표는 직사각형의 좌상단 좌표인 (X, Y)와, 그 길이와 높이인 (W, H)이다. 본 연구에서는 52장의 Sentinel-1 SAR 영상에 대한 자료의 취득 시간을 포함한 10분 동안의 AIS 자료를 취득하여, 이를 이용하여 자동적으로 학습자료를 취득하는 알고리즘(Song et al., 2022)을 도입하였다.

일반적인 사진과는 달리 SAR 위성은 안테나가 이동하면서 영상을 취득하기에 각 지점마다 영상 취득 시각이 다르다. 이를 감안하여 AIS 자료의 선박 위치정보를 정확히 기하 보정된 SAR 영상에 대응시키기 위해 기 제안된 보간 알고리즘을 활용하였다(Song et al., 2020). 우선, 기하 보정된 SAR 영상의 평균 취득 시각에 맞추어 AIS 자료에 포함된 모든 선박의 경위도 위치를 일괄적으로 보간(interpolate)한다. 각 선박의 보간된 지점에 해당하는 영상 취득 시각을 도출하고, 그 지점의 취득 시각에 맞추어 해당 선박의 위치 정보를 다시 보간한다. 이 과정을 보간에 의한 AIS 센서의 위치 이동이 기하 보정된 SAR 영상의 공간 해상도보다 작아질 때까지 반복하며, 최종적으로 도출한 위치 정보를 해당 시각에서의 선박의 위치 정보로 인식한다. 선박이 이동할 경우, 선박의 SAR 영상 취득 시각에서의 거리 방향 속도는 선박의 형상을 방위 방향으로 이동시키는데, 이를 방위 오차(azimuth offset)라 한다. 방위 오차 δ_x는 식(15)와 같이 계산할 수 있으며, v_a는 SAR 안테나의 속도, v_y는 선박의 거리 방향 속도, R은 선박과 위성 간의 거리를 나타낸다(Kim et al., 2003).

\(\begin{aligned}\delta_{\mathrm{x}}=\frac{\mathrm{V}_{\mathrm{y}} \mathrm{R}}{\mathrm{V}_{\mathrm{a}}}\\\end{aligned}\)       (15)

AIS 자료에서 취득한 선박의 거리 방향 가속도를 위치와 마찬가지로 보간하고, SAR 안테나의 궤도 정보를 활용하여 선박과 위성 간의 거리를 직접 계측할 경우, 방위 오차를 이동하는 선박에 대해 정량하고 이를 보정할 수 있다. Fig. 3은 AIS 자료의 SAR 영상 내 위치 추정 알고리즘과 방위 오차 보정에 대한 모식도를 나타낸다.

Fig. 3. Diagram of (a) iterative interpolation of AIS information with respect to SAR data acquisition time and (b) azimuth offset calibration of moving vessel.

방위 오차가 보정된 선박의 SAR 영상 내의 위치는 AIS 센서의 위치를 나타내기에, 이 위치로부터 300 m 크기의 bounding box를 만든 뒤, 여기에서 선박의 경계를 추출하여 bounding box를 축소하는 형태로 학습자료를 가공하였다. 이러한 방법을 사용하여 학습에 사용한 48장의 Sentinel-1 SAR 영상에서 총 8,259 척의 선박에 대한 학습자료를 취득하였고, 고유값 분해와 방사 보정을 통해 가공한 6장의 SAR 영상 밴드를 3종씩 선택하여 YOLOv4 알고리즘을 학습시켜 선박 탐지 정확도를 4장의 SAR 영상에 대해 평가하였다.

3. 연구 결과 및 토의

본 연구에서는 고유값 분해와 방사 보정을 통해 취득한 6장의 이중 편파 Sentinel-1 SAR 영상의 밴드를 조합하여 구축된 선박 탐지 SAR 영상 및 학습자료 데이터베이스에 대해 탐지 성능을 평가하여 최적화된 밴드 조합을 확인하였다. 탐지 정확도 평가에는 사물 탐지 알고리즘의 정확도 평가에 사용한 평가 지표인 정밀도(Precision, Pr), 재현율(Recall, Re), F1 score를 사용하였다. 정밀도는 알고리즘이 탐지한 물체(n_det) 중 정확히 탐지한 물체(n_acc)의 비율을, 재현율은 전체 물체(n_tot) 중 정확히 탐지한 물체의 비율을 나타낸다(Lin et al., 2019).

\(\begin{aligned}Pr=\frac{n_{acc}}{n_{det}}\end{aligned}\)       (16)

\(\begin{aligned}Re=\frac{n_{acc}}{n_{tot}}\end{aligned}\)       (17)

\(\begin{aligned}F1=\frac{2PrRe}{Pr+Re}\end{aligned}\)       (18)

\(\begin{aligned}IoU=\frac{A_i}{A_{un}}\end{aligned}\)       (19)

종합적인 정확도 평가에는 정밀도와 재현율의 조화 평균인 F1 score가 사용되며, 이는 식(16)-(18)과 같다. Sentinel-1 SAR 영상의 공간 해상도를 고려하여, 정확한 탐지는 실제 선박의 bounding box와 탐지 선박의 bounding box의 Intersection over Union (IoU)가 0.2 이상인 경우를 기준으로 하였다(Song et al., 2020). 식(19)에서 A_i는 두 bounding box의 교집합에 해당하는 면적을, A_un은 합집합에 해당하는 면적을 나타낸다. 본 연구에서는 방사 보정으로 도출한 진폭 기반 밴드인 γ_0,VV, γ_0,VH만을 사용하였을 경우와 고유값 분해를 통해 취득한 편파 지표인 H, p₁, DoP, DPRVI를 함께 사용하였을 경우에 대하여 선박 탐지 정확도를 각각 평가하였다.

Table 1과 Fig. 4는 6개의 SAR 영상 밴드에 대한 선박 탐지 결과를 나타낸다. 그 결과, 선박 탐지에 사용된 SAR 영상 중 편파 지표와 진폭 값을 모두 사용한 조합인 γ_0,VV–H–p₁과 γ_0,VH–H–p₁에서 가장 높은 탐지 정확도를 보였고, 이들의 탐지 정확도는 기존의 SAR 영상 기반의 선박 탐지에서 사용되었던 γ_0,VH과 γ_0,VH만을 사용한 4가지 조합을 넘어서는 것이었다. 이는 편파 지표가 선박과 해상 및 육상의 다른 산란체와의 산란 특성 대비를 강화시켜 인공지능 기반 탐지 알고리즘의 성능 향상을 유도한 것으로 판단된다. 반면, γ_0,VV과 γ_0,VH를 사용하지 않고 편파 지표만을 사용한 조합은 모두 저조한 탐지 성능을 보였다. 본 연구에서 사용한 4종의 편파 지표인 H, p₁, DoP, DPRVI는 특정 화소 안의 산란 특성을 반영한 값일 뿐, 후방산란의 강도를 반영한 값이 아니기에, 이중 편파 SAR 영상에서 선박과 다른 오탐지 요소를 구분할 때 진폭의 영향이 결정적이라는 것을 의미한다.

Table 1. Vessel detection performance on different band combination

Fig. 4. Chart of vessel detection performance on different band combination; green rectangle curvature indicates combination using amplitude information, where blue curvature denotes combination using polarimetric indexes. Band number corresponds γ_0,VH to 1, γ_0,VV to 2, H to 3, DoP to 4, p₁ to 5 and DPRVI to 6.

또한, 가장 높은 탐지 정확도를 보인 조합이 γ_0,VV–H–p₁과 γ_0,VH–H–p₁라는 점에서 미루어 볼 때, 본 연구에서 사용한 4종의 편파 지표인 H, p₁, DoP, DPRVI 중 H, p₁를 진폭과 함께 사용하는 것이 DoP, DPRVI를 사용하는 것에 비해 더 높은 정확도를 보인다고 판단할 수 있다. 식(1)–(12)에서와 같이, H, p₁는 다중 편파 영상의 고유값 분해를 통해 직접적으로 계산되는 지표인데 비해, DoP, DPRVI는 고유값 분해를 통해 추출된 지표를 가공하여 도출된 2차 지표이다. 이는 고유값 분해 이후 편파 지표를 추출하는 연산을 거듭하는 것 보다는, 1차원적인 편파 지표가 선박의 신호 특성을 보다 잘 반영하고 있음을 나타낸다.

Fig. 5는 진폭 값만을 사용한 조합인 γ_0,VH–γ_0,VV–γ_0,VV와, 편파 지표와 진폭 값을 모두 사용한 조합인 γ_0,VV–H–p₁ 조합에 대해 동일 지역에 대한 선박 탐지 결과를 나타낸다. Fig. 4와 Table 1의 탐지 정확도는 선박과 다른 산란체를 구분할 수 있는 산란 특성이 편파 지표를 통해 탐지 알고리즘에 반영되어 진폭 값(γ_0,VH, γ_0,VV)만을 사용한 SAR 영상에 비해 더 높은 정확도를 보였음을 의미한다. 즉, 향후 다중 편파 SAR 영상 자료를 사용하여 다수의 편파 지표를 이용할 경우, 선박 탐지 정확도를 높여 안정적으로 선박 모니터링 관련 현업에 적용할 수 있는 알고리즘의 개발이 가능할 것으로 기대된다.

Fig. 5. Example of vessel detection result using the band combination of (a) γ_0,VH–γ_0,VV–γ_0,VV and (b) γ_0,VV–H–p₁. The SAR image was acquired at 26/06/2019, plotted on γ_0,VH after radiometric and geometric calibration.

4. 결론

주기적인 자료 취득이 가능한 SAR 위성 영상에서 인공지능을 기반으로 선박을 탐지하는 것은 선박의 시계열 모니터링과 안정적인 연안 환경감시에 효과적이기에, 다양한 해상도와 편파 조건을 가지는 SAR 영상이 선박 탐지에 사용되었다. 다수의 기존 연구에서는 SAR 진폭 영상만을 사용하였으나, 이중 편파 상용 SAR 영상인 Sentinel-1에 대해 물체의 산란 특성을 나타내는 편파 지표를 사용할 때 선박과 그 외 물체의 특징을 명확히 구분하여 탐지 정확도를 향상시킬 수 있을 것으로 기대하였다. 본 연구에서는 기존 SAR 영상 기반 선박 탐지에 사용한 진폭 값과 함께, 선박과 해상 및 육상 산란체의 다른 산란 특성을 반영할 수 있는 4종의 편파 지표를 고유값 분해를 통해 추출한 뒤, 총 52장의 SAR 영상에 대해 6개 밴드를 가진 학습자료 및 평가자료를 구축하였다. 그 결과, 편파 지표를 진폭 값의 밴드와 함께 사용하였을 경우, 진폭 값만을 이용한 조합보다 더 높은 탐지 정확도를 보였다.

본 연구에서는 선박의 산란 특성을 육상 및 해상 산란체의 특성과 구분할 수 있는 4개의 편파 지표를 추출하여 사용하였다. 그러나, 이중 및 다중 편파 영상에서 추출할 수 있는 편파 지표는 20가지 이상이고(Kim et al., 2016), 이를 이용하여 피복이나 다종 산란체의 시공간적 변화를 정량적으로 분석하는 것이 가능하다. 다중 편파 SAR 영상으로부터 다양한 편파 지표를 추출하고, 선박과 오탐지가 빈번하게 발생하는 산란체들을 가장 잘 구분할 수 있는 편파 지표를 이용하여 인공지능 기반 선박 탐지에 사용하면 이전보다 높은 탐지 정확도를 얻을 수 있을 것으로 기대된다.