• The KIPS Transactions:PartB
• /
• v.8B no.4
• /
• pp.335-342
• /
• 2001

본 논문은 보로노이 공간분류를 활용하여 원격탐사 영상인식을 위한 다층 신경망 분류기를제안한다. 제안된 다층 신경망 분류기는 보로노이 다각형 영역으로 클래스를 구분하며, 초평면 방정식의 계수를 오류 역전과 학습 초기의 연결 강도, 임계치 그리고 은닉층의 노드 수로 결정한다. 제안된 방법은 오류역전과 학습 알고리즘에서 임의로 정해주던 초기 정보를 사전 분석에 의해 공학적으로 결정함으로써 느린 수렴 속도와 학습실패 등의 단점을 피할 수 있는 장점이 있다. 보로노이 다이어그램에 대한 경계선의 초평면 방정식은 훈련집합의 클래스별 평균값을 구하여 Mathematica 패키지로 계산하였다. 제안된 다층 신경망에 의한 영상분류기의 인식능력을 평가하기 위하여 원격탐사 영상인식에서 자주 활용되는 최소거리 분류 방법과 최대우도 분류 방법으로 처리해서 비교한 결과, 최소거리 분류 방법은 실험화상에 대해 81.4%, 최대우도 부류기에 의한 분류는 87.8%, 제안한 방법은 92.2% 정확성을 가진 분류결과를 나타냈다.

• The KIPS Transactions:PartB
• /
• v.11B no.2
• /
• pp.159-168
• /
• 2004

This paper presents hybrid classification method to improve the performance of satellite images classification by combining Bayesian maximum likelihood classifier, ISODATA clustering and fuzzy C-Means algorithm. In this paper, the training data of each class were generated by separating the spectral signature using ISODATA clustering. We can classify according to pixel's membership grade followed by cluster center of fuzzy C-Means algorithm as the mean value of training data for each class. Bayesian maximum likelihood classifier is performed with prior probability by result of fuzzy C-Means classification. The results shows that proposed method could improve performance of classification method and also perform classification with no concern about spectral signature of the training data. The proposed method Is applied to a Landsat TM satellite image for the verifying test.

• Proceedings of the Korean Information Science Society Conference
• /
• 2003.10a
• /
• pp.79-81
• /
• 2003

본 논문에서는 위성영상의 강독 분류에 대한 성능 개선을 위하여 ISODATA와 퍼지 C-Means 클러스터링 기법을 이용한 베이시안 최대우도 분류방법을 제안하였다. 본 연구에서는 ISODATA 클러스터링 기법을 이용하여 각각의 분류항목별로 분광특징에 따라 분석가가 선정한 훈련 데이터를 분할하여 새로운 훈련 데이터를 선정함으로써 분류항목별 훈련데이터의 분광적인 특징에 관계없이 분류를 수행할 수 있도록 하였다. 그리고 새롭게 선정된 훈련 데이터를 이용하여 퍼지 C-Means 클러스터링을 수행하고 그 결과를 베이시안 최대우도 분류기법의 사전확률로 이용함으로써 위성영상의 감독 분류에 대한 성능을 개선할 수 있는 방법을 제안한다. 제안된 기법은 Landset TM 위성영상을 이용하여 그 적용성을 시험하였다.

• Journal of KIISE:Software and Applications
• /
• v.32 no.7
• /
• pp.674-682
• /
• 2005

This paper proposes classification of multi-spectral satellite image based on fusion of fuzzy G-K (Gustafson-Kessel) algorithm and PCM algorithm. The suggested algorithm establishes the initial cluster centers by selecting training data from each category, and then executes the fuzzy G-K algorithm. PCM algorithm perform using classification result of the fuzzy G-K algorithm. The classification categories are allocated to the corresponding category when the results of classification by fuzzy G-K algorithm and PCM algorithm belong to the same category. If the classification result of two algorithms belongs to the different category, the pixels are allocated by Bayesian maximum likelihood algorithm. Bayesian maximum likelihood algorithm uses the data from the interior of the average intracluster distance. The information of the pixels within the average intracluster distance has a positive normal distribution. It improves classification result by giving a positive effect in Bayesian maximum likelihood algorithm. The proposed method is applied to IKONOS and Landsat TM remote sensing satellite image for the test. As a result, the overall accuracy showed a better outcome than individual Fuzzy G-K algorithm and PCM algorithm or the conventional maximum likelihood classification algorithm.

• Journal of Korean Society of Rural Planning
• /
• v.12 no.1 s.30
• /
• pp.75-83
• /
• 2006

본 연구에서는 최대우도법과 인공신경망 모형에 의해 카테고리 분류를 수행하고 각각의 분류 성능을 비교 평가하였다. 인공신경망 모형은 오류역전파 알고리즘을 이용한 것으로서 학습을 통한 은닉층의 최적노드수를 결정하여 카테고리 분류를 수행하도록 하였다. 인공신경망 최적 모형은 입력층의 노드수가 7개, 은닉층의 최적노드수가 18개, 그리고 출력층의 노드수가 5개인 것으로 구성하였다. 위성영상은 1996년에 촬영된 Landsat TM-5 영상을 사용하였고, 최대우도법과 인공신경망 모형에 의한 카테고리 분류를 위하여 각각의 카테고리에 대한 분광특성을 대표하는 지역을 절취하였다. 분류 정확도는 인공신경망 모형에 의한 방법이 90%, 최대우도법이 83%로서, 인공신경망 모형의 분류 성능이 뛰어난 것으로 나타났다. 카테고리 분류 항목인 토지 피복 상태에 따른 분류는 두 가지 방법에서 밭과 주거지의 분류오차가 큰 것으로 나타났다. 특히, 최대우도법에 의한 밭에서의 태만오차는 62.6%로서 매우 큰 값을 보였다. 이는 밭이나 주거지의 특성이 위성영상 촬영시기에 따라 나지의 형태로 분류되거나 산림, 또는 논으로도 분류되는 경향이 있기 때문인 것으로 보인다. 차후에 카테고리 분류를 위한 각각의 클래스의 보조적인 정보를 추가한다면, 카테고리 분류 향상이 이루어질 것으로 기대된다.

• Journal of Korean Society for Geospatial Information Science
• /
• v.8 no.2 s.16
• /
• pp.23-33
• /
• 2000

On this study, Among the classification methods of land cover using satellite imagery, we compared the classification accuracy of Neural Network Classifier and that of Maximum Likelihood Classifier which has the characteristics of parametric and non-parametric classification method. In the assessment of classification accuracy, we analyzed the classification accuracy about testing area as well as training area that many analysts use generally when assess the classification accuracy. As a result, Neural Network Classifier is superior to Maximum Likelihood Classifier as much as 3% in the classification of training data. When ground reference data is used, we could get poor result from both of classification methods, but we could reach conclusion that the classification result of Neural Network Classifier is superior to the classification result of Maximum Likelihood Classifier as much as 10%.

• Journal of Korean Society for Geospatial Information Science
• /
• v.8 no.2 s.16
• /
• pp.47-60
• /
• 2000

On this study, Among the classification methods of land cover using satellite imagery, we compared the classification accuracy of Neural Network Classifier and that of Maximum Likelihood Classifier which has the characteristics of parametric and non-parametric classification method. In the assessment of classification accuracy, we analyzed the classification accuracy about testing area as well as training area that many analysts use generally when assess the classification accuracy. As a result, Neural Network Classifier is superior to Maximum Likelihood Classifier as much as 3% in the classification of training data. When ground reference data is used, we could get poor result from both of classification methods, but we could reach conclusion that the classification result of Neural Network Classifier is superior to the classification result of Maximum Likelihood Classifier as much as 10%.

• The Korean Journal of Applied Statistics
• /
• v.13 no.2
• /
• pp.415-425
• /
• 2000

We proposed a new classification algorithm based on bootstrap sampling and pairwise coupling method. Also, for comparing the accuracy of a proposed algorithm with those of old methods, we conducted classification with waveform data and others.

• Proceedings of the Korean Information Science Society Conference
• /
• 2004.10b
• /
• pp.790-792
• /
• 2004

본 논문은 PCM(Possibilistic C-Means) 알고리즘과 베이시안 분류 알고리즘을 통합한 고해상도 위성영상의 효과적인 분류방법을 제안하였다. 제안된 알고리즘은 학습데이터를 참고로 하여 PCM 알고리즘을 반복적인 과정 없이 수행한다. 각 분류항목별로 분류된 데이터에서 평균내부거리 내부에 해당되는 데이터들을 선정하여 각 항목별 비율을 구한 후 베이시안 분류기법의 사전확률로 적용하여 분류를 수행한다 PCM 알고리즘은 각 데이터와 특정 클러스터와의 거리에 소속도를 부여하는 퍼지 C-Means 알고리즘과 달리 소속도를 각 데이터와 클러스터 중심간의 절대거리에 의존하는 방법으로 퍼지 C-Means 알고리즘이 가지는 상대성 문제를 해결하였다. 제안된 분류 기법을 고해상도 다중분광 데이터인 IKONOS 위성영상에 적용하여 분류를 수행한 후 최대우도 분류기법과 비교한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2004.05a
• /
• pp.359-362
• /
• 2004

본 논문에서는 평균내부거리를 적용한 퍼지 클러스터링 알고리즘과 클러스터들 사이의 중첩성을 이용한 위성영상의 분류 알고리즘을 제안하였다. 제안된 방법은 클러스터의 크기에 따라 큰 클러스터에는 많은 소속정도를 작은 클러스터에는 적은 소속정도를 부여함으로 크기가 다른 클러스터가 존재하는 데이터 집합에 대해서도 분류의 효율성을 높였다. 클러스터들간의 중첩성을 이용한 평가를 통해 위성영상에 있어서 중첩되지 않은 화소는 각각의 분류항목에 포함시키고, 중첩된 화소들은 최대우도 분류를 수행한 후 각 화소에 대한 우도와 퍼지 클러스터링의 소속도를 비교 분석하여 최종 분류항목을 결정함으로서 분류를 효율적으로 할 수 있다.