• 한국측량학회:학술대회논문집
• /
• 한국측량학회 2004년도 추계학술발표회 논문집
• /
• pp.251-256
• /
• 2004

The image classification is one of the most important studies in the remote sensing. In general, the MLC(Maximum Likelihood Classification) classification that in consideration of distribution of training information is the most effective way but it produces a bad result when we apply it to actual hyperspectral image with the same classification technique. The purpose of this research is to reveal that which one is the most effective and suitable way of the classification algorithms iii the hyperspectral image classification. To confirm this matter, we apply the MLC classification algorithm which has distribution information and SAM(Spectral Angle Mapper), SFF(Spectral Feature Fitting) algorithm which use average information of the training class to both multispectral image and hyperspectral image. I conclude this result through quantitative and visual analysis using confusion matrix could confirm that SAM and SFF algorithm using of spectral pattern in vector domain is more effective way in the hyperspectral image classification than MLC which considered distribution.

• 대한원격탐사학회지
• /
• 제30권1호
• /
• pp.25-36
• /
• 2014

수종 간의 유사한 분광특성 때문에 기존의 다중분광영상을 이용한 수종분류는 한계가 있다. 본 연구에서는 경기도 광릉수목원에 분포하는 다섯 종류의 침엽수림을 분류하기 위하여 초분광영상과 다중분광 영상의 적합성을 비교 분석하였다. 연구지역을 대상으로 두 종류의 항공 초분광영상(AISA, CASI)을 촬영하였으며, 비교 목적으로 초분광영상을 이용하여 모의 제작된 ETM+ 다중분광영상을 사용하였다. 영상분류에 사용된 영상은 초분광영상의 모든 밴드를 포함한 영상, PCA 및 MNF 기법으로 차원 축소된 영상, 그리고 분류등급의 분광분리도를 이용하여 소수의 밴드만을 추출한 영상이다. 또한 감독분류 과정에서 MLC, SAM, SVM 등 세 종류의 분류기를 적용하였다. 전체적으로 침엽수종의 분류에 있어서 초분광영상이 다중분광영상보다 높은 분류정확도를 제공하고 있다. 특히 중적외선 파장영역을 포함한 AISA-dual영상이 가장 좋은 분류결과를 보여주었다. 또한 많은 분광밴드를 가진 초분광영상을 MNF기법으로 차원 축소한 영상을 사용했을 때, 다른 영상보다 높은 분류결과가 나왔다. 감독 분류과정에서는 최대우도법(MLC)을 적용했을 때, 가장 높은 분류정확도를 얻었다.

• 한국측량학회지
• /
• 제35권4호
• /
• pp.231-240
• /
• 2017

This paper aims to study a method to estimate precise carbon absorption by quantification of forest information that uses accurate LiDAR data, hyperspectral image. To estimate precise carbon absorption value by using spatial data, a problem was found out of carbon absorption value estimation method with statistical method, which is already existed method, and then offered optimized carbon absorption estimation method with spatial information by analyzing with methods of compare digital aerial photogrammetry and LiDAR data. It turned out possible Precise classification and quantification in case of using LiDAR and hyperspectral image. Various classification of tree species was possible with use of LiDAR and hyperspectral image. Classification of hyperspectral image was matched in general with field survey and Mahalanobis distance classification method. Precise forest resources could be extracted using high density LiDAR data. Compared with existing method, 19.7% in forest area, 19.2% in total carbon absorption, 0.9% in absorption per unit area of difference created, and improvement was found out to be estimated precisely in international code.

• 한국농공학회논문집
• /
• 제58권1호
• /
• pp.91-97
• /
• 2016

The objective of this study was to classify between radish and Chinese cabbage in autumn using hyperspectral images. The hyperspectral images were acquired by Compact Airborne Spectrographic Imager (CASI) with 1m spatial resolution and 48 bands covering the visible and near infrared portions of the solar spectrum from 370 to 1044 nm with a bandwidth of 14 nm. An object-based technique is used for classification of radish and Chinese cabbage. It was found that the optimum parameter values for image segmentation were scale 400, shape 0.1, color 0.9, compactness 0.5 and smoothness 0.5. As a result, the overall accuracy of classification was 90.7 % and the kappa coefficient was 0.71. The hyperspectral images can be used to classify other crops with higher accuracy than radish and Chines cabbage because of their similar characteristic and growth time.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2005년도 Proceedings of ISRS 2005
• /
• pp.221-224
• /
• 2005

Hyperspectral image data have great potential to depict more detailed information on biophysical characteristics of surface materials, which are not usually available with multispectral data. This study aims to test the potential of hyperspectral data for classifying five soil classes defined by the vector product interim terrain data (VITD). In this study, we try to classify surface materials of bare soil over the study area in Korea using both hyperspectral and multispectral image data. Training and test samples for classification are selected with using VITD vector map. The spectral angle mapper (SAM) method is applied to the EO-I Hyperion data and Landsat ETM+ data, that has been radiometrically corrected and geo-rectified. Higher classification accuracy is obtained with the hyperspectral data for classifying five soil classes of gravel, evaporites, inorganic silt and sand.

• 대한원격탐사학회지
• /
• 제35권6_1호
• /
• pp.959-971
• /
• 2019

대표적인 딥러닝(deep learning) 기법 중 하나인 Convolutional Neural Network(CNN)은 고수준의 공간-분광 특징을 추출할 수 있어 초분광 영상 분류(Hyperspectral Image Classification)에 적용하는 연구가 활발히 진행되고 있다. 그러나 초분광 영상은 높은 분광 차원이 학습 과정의 시간과 복잡도를 증가시킨다는 문제가 있어 이를 해결하기 위해 기존 딥러닝 기반 초분광 영상 분류 연구들에서는 차원축소의 목적으로 Principal Component Analysis (PCA)를 적용한 바 있다. PCA는 데이터를 독립적인 주성분의 축으로 변환시킬 수 있어 분광 차원을 효율적으로 압축할 수 있으나, 분광 정보의 손실을 초래할 수 있다. PCA의 사용 유무가 CNN 학습의 정확도와 시간에 영향을 미치는 것은 분명하지만 이를 분석한 연구가 부족하다. 본 연구의 목적은 PCA를 통한 분광 차원축소가 CNN에 미치는 영향을 정량적으로 분석하여 효율적인 초분광 영상 분류를 위한 적절한 PCA의 적용 방법을 제안하는 데에 있다. 이를 위해 PCA를 적용하여 초분광 영상을 축소시켰으며, 축소된 차원의 크기를 바꿔가며 CNN 모델에 적용하였다. 또한, 모델 내의 컨볼루션(convolution) 연산 방식에 따른 PCA의 민감도를 분석하기 위해 2D-CNN과 3D-CNN을 적용하여 비교 분석하였다. 실험결과는 분류정확도, 학습시간, 분산 비율, 학습 과정을 통해 분석되었다. 축소된 차원의 크기가 분산 비율이 99.7~8%인 주성분 개수일 때 가장 효율적이었으며, 3차원 커널 경우 2D-CNN과는 다르게 원 영상의 분류정확도가 PCA-CNN보다 더 높았으며, 이를 통해 PCA의 차원축소 효과가 3차원 커널에서 상대적으로 적은 것을 알 수 있었다.

• 한국지리정보학회지
• /
• 제21권3호
• /
• pp.205-213
• /
• 2018

초분광영상(Hyperspectral Image)은 다중분광영상에 비해 각 픽셀이 가지는 정보량이 많아 다양한 토지피복을 분류하는데 있어 가장 적합한 영상으로 평가 받고 있다. 하지만 최근의 초분광영상의 연구는 대분류에 해당하는 연구에 그치고 있다. 이에 본 연구에서는 다양한 토지피복분류에 대한 연구를 수행하기 위해 기존의 분석기법인 ED, SAM, SSS 기법을 토대로 Decision Tree를 구성하는 연구를 수행하였다. 그 결과, 대분류의 전체정확도는 1.68%, 세분류 전체정확도는 5.56%가 향상되는 결과를 얻을 수 있었다.

• 대한공간정보학회지
• /
• 제22권3호
• /
• pp.155-160
• /
• 2014

본 논문에서는 각기 다른 3가지 해상도로 촬영된 항공 초분광영상을 이용하여 건물, 도로, 산림 등 8가지 분류군에 대해 토지피복분류를 실시하고 정확도를 비교하는 연구를 수행하였다. 연구는 24밴드(0.5m 공간해상도), 48밴드(1.0m 공간해상도), 96밴드(1.5m 공간해상도)로 각각 1000m, 2000m, 3000m고도에서 촬영된 초분광영상을 이용하여 8가지 클래스에 대해 토지피복분류를 수행하였다. 그 결과 2000m고도에서 촬영된 48밴드 초분광영상을 이용하여 분류한 영상이 가장 높은 분류정확도를 보였고, 24밴드, 96밴드 순으로 분류정확도가 높게 나타났다. 초분광영상 활용에 있어서 1m 공간해상도에 48개밴드를 사용하여 토지피복분류를 수행함에 있어 적합함을 확인하였고 항공 초분광영상을 활용한 주제도 제작과 관련하여 정확도와 실용성 면에서 공간정보 품질이 개선될 것으로 기대한다.

• 지적과 국토정보
• /
• 제46권2호
• /
• pp.239-251
• /
• 2016

밴드 수가 많고 밴드 폭이 좁은 초분광영상은 기존의 다중 분광 영상에 비해 각 픽셀이 함유하고 있는 정보가 많아 영상을 이용한 토지피복분류를 하는데 있어 최적의 영상으로 평가 받고 있다. 하지만 초분광영상의 높은 분광해상도로 부터 증가된 데이터의 용량과 노이즈로 인해 다중분광영상을 분석하는 기법을 그대로 적용하기에는 효용성이 떨어진다. 초분광영상의 분석 기법으로서 벡터의 내적을 활용하는 SAM(Spectral Angle Mapping)은 연속적인 스펙트럼을 보이는 초분광영상의 특성을 해석하는데 가장 보편적인 방법이다. 이에 본 연구에서는 분광라이브러리를 이용한 초분광영상의 토지피복분류를 수행하기 위해 SAM기법을 채택하였으나 대기영향의 노이즈로 인해 낮은 정확도를 보였다. 이를 보안하기 위한 방법으로서 Decision Tree 기법을 제안하였고 그 결과, 분류 정확도를 향상시킬 수 있었다.

• Current Optics and Photonics
• /
• 제5권3호
• /
• pp.270-277
• /
• 2021

The adaptive sparse representation (ASR) can effectively combine the structure information of a sample dictionary and the sparsity of coding coefficients. This algorithm can effectively consider the correlation between training samples and convert between sparse representation-based classifier (SRC) and collaborative representation classification (CRC) under different training samples. Unlike SRC and CRC which use fixed norm constraints, ASR can adaptively adjust the constraints based on the correlation between different training samples, seeking a balance between l₁ and l₂ norm, greatly strengthening the robustness and adaptability of the classification algorithm. The correlation coefficients (CC) can better identify the pixels with strong correlation. Therefore, this article proposes a hyperspectral image classification method called correlation coefficients and adaptive sparse representation (CCASR), based on ASR and CC. This method is divided into three steps. In the first step, we determine the pixel to be measured and calculate the CC value between the pixel to be tested and various training samples. Then we represent the pixel using ASR and calculate the reconstruction error corresponding to each category. Finally, the target pixels are classified according to the reconstruction error and the CC value. In this article, a new hyperspectral image classification method is proposed by fusing CC and ASR. The method in this paper is verified through two sets of experimental data. In the hyperspectral image (Indian Pines), the overall accuracy of CCASR has reached 0.9596. In the hyperspectral images taken by HIS-300, the classification results show that the classification accuracy of the proposed method achieves 0.9354, which is better than other commonly used methods.