Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Image Restoration and Segmentation for PAN-sharpened High Multispectral Imagery

PAN-SHARPENED 고해상도 다중 분광 자료의 영상 복원과 분할

  • Received : 2017.11.26
  • Accepted : 2017.12.26
  • Published : 2017.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Multispectral image data of high spatial resolution is required to obtain correct information on the ground surface. The multispectral image data has lower resolution compared to panchromatic data. PAN-sharpening fusion technique produces the multispectral data with higher resolution of panchromatic image. Recently the object-based approach is more applied to the high spatial resolution data than the conventional pixel-based one. For the object-based image analysis, it is necessary to perform image segmentation that produces the objects of pixel group. Image segmentation can be effectively achieved by the process merging step-by-step two neighboring regions in RAG (Regional Adjacency Graph). In the satellite remote sensing, the operational environment of the satellite sensor causes image degradation during the image acquisition. This degradation increases variation of pixel values in same area, and results in deteriorating the accuracy of image segmentation. An iterative approach that reduces the difference of pixel values in two neighboring pixels of same area is employed to alleviate variation of pixel values in same area. The size of segmented regions is associated with the quality of image segmentation and is decided by a stopping rue in the merging process. In this study, the image restoration and segmentation was quantitatively evaluated using simulation data and was also applied to the three PAN-sharpened multispectral images of high resolution: Dubaisat-2 data of 1m panchromatic resolution from LA, USA and KOMPSAT3 data of 0.7m panchromatic resolution from Daejeon and Chungcheongnam-do in the Korean peninsula. The experimental results imply that the proposed method can improve analytical accuracy in the application of remote sensing high resolution PAN-sharpened multispectral imagery.

지표면의 공간 정보를 정확히 추출하기 위해서는 고 해상도의 다중 분광 영상 자료를 사용할 필요가 있다. 범색 영상에 비해 상대적으로 낮은 공간 해상도를 갖는 다중 분광 자료의 해상도를 범색 영상 급으로 높이기 위해 PAN-sharpening 융합 기술을 사용한다. 이러한 고해상도 자료를 분석하기 위해서는 화소기반보다는 객체 기반 분석이 주목을 받고 있다. 객체 기반 영상 분석을 위해서 영상을 구성하는 화소들의 집단으로 영상 객체를 생성하는 영상 분할 과정이 선행되어야 한다. RAG(Regional Adjancy Graph)에 의해 형성된 인접 지역을 합병하는 지역 확장을 통해 효과적으로 영상 분할을 할 수 있다. 위성 원격 탐사에서 불 완전한 관측 환경으로 수집한 영상 자료에 질 저하가 일어 난다. 정확한 영상 분할을 위해서 동일 지역으로 관측된 분광 값의 변이가 최소화되도록 질의 개선이 필요하다. 동일 지역에 속하는 공간적으로 인접한 이웃들의 화소 값과 차이를 반복적으로 줄여 나가는 과정을 통해 동일 지역에서의 화소 값의 변이를 감소시킬 수 있다. 영상 객체를 단위로 사용하는 영상 분류에서 오류를 감소시키기 위해 영상 분할 결과에서 적정한 분할 지역 크기를 생성하여야 한다. 분할 지역 크기는 지역 확장 과정에서 합병을 중지하는 단계에 의해 정해지므로 중지 규칙은 영상 분할 결과의 품질을 결정한다. 본 연구에서는 모의 자료 실험을 통하여 분할의 정확성에 대해 정량적 평가를 실시하였으며 3개의 PAN-sharpened 고해상도 다중 분광 영상 자료에 대해 적용하여 복원의 효과에 대해 실험하였다. 실제 자료의 분석에서는 중지 규칙과 관련된 분할 지역 크기에 대해 정성적으로 평가 하였다. 사용된 원격 탐사 자료는 1m급의 미국 LA지역에서 수집된 Dubaisat-2 자료와 0.7 m급의 한반도 대전 지역과 충청남도 지역에서 각각 수집된 KOMPSAT-3 자료이다. 실험 결과는 영상 복원은 PAN-sharpened 고해상도 다중 분광 자료의 영상 분할 결과의 정확성을 상당히 제고시킬 수 있다는 것을 보여준다.

Keywords

References

  1. Alparone, L., L. Wald, J. Chanussot, C. Thomas, P. Gamba, and L.M. Bruce, 2007. Comparison of pansharpening algorithms: Outcome of the 2006 GRS-S data-fusion contest, IEEE Transactions on Geoscience and Remote Sensing, 45(10): 3012-3021. https://doi.org/10.1109/TGRS.2007.904923
  2. Ballard, D. and C. Brown, 1982. Computer Vision, Englewood Cliffs, NJ: Prentice-Hall, USA.
  3. Blaschke, T., 2003. Object-based contextual image classification built on image segmentation, Proc. of the 2003 IEEE Workshop on Advances in Techniques for Analysis of Remotely Sensed Data, Washington D.C., Oct. 27-28, pp. 113-119.
  4. Blaschke, T., 2009. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65: 2-16. https://doi.org/10.1016/j.isprsjprs.2009.06.004
  5. Canny, J., 1986. A computational approach to edge detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8: 679-698. https://doi.org/10.1109/TPAMI.1986.4767851
  6. Castilla, G., G.J. Hay, and J.R. Ruiz, 2008. Sizecontrolled region merging (SCRM): an automated delineation tool for assisted photointerpretation, Photogrammetric Engineering & Remote Sensing, 74(4): 409-419. https://doi.org/10.14358/PERS.74.4.409
  7. Chen, S, W. Lin, and C. Chen, 1991. Split-and-merge image segmentation based on localized feature analysis and statistical tests, CVGIP: Graph. Models Image Processing, 53:457-475. https://doi.org/10.1016/1049-9652(91)90030-N
  8. Chen, Q., Q. Y. Dai, and D. S. Xia, 2006. Restoration of remote sensing images based on MTF theory, Journal of Image and Graphics, 11(9): 1299-1305. https://doi.org/10.3969/j.issn.1006-8961.2006.09.017
  9. Gonzalez, R. C. and R. Woods, 1993. Digital Image Processing, Addison-Wesley Publishing Company.
  10. Haralick, R. and L. Shapiro, 1985. Image segmentation techniques, CVGIP, 29: 100-132.
  11. Jain, A., 1989. Fundamentals of Digital Image Processing, Englewood Cliffs, NJ; Prentice-Hall, USA.
  12. Kindermann, R. and J. L. Snell, 1982. Markov Random Fields and Their Application, Providence, R.I.: Amer. Math. Soc., USA.
  13. Nixon M. and A. S. Aguado, 2008. Feature Extraction and Image Processing, p. 88, Academic Press, USA.
  14. Lee, S. and M. M. Crawford, 2005. Unsupervised Bayesian image segmentation using multistage hierarchical clustering, IEEE Transactions on Image Processing, 14: 312-320. https://doi.org/10.1109/TIP.2004.841195
  15. Lee, S.-H., 2007. Speckle Removal of SAR Imagery Using a Point-Jacobian Iteration MAP Estimation, Korean Journal of Remote Sensing, 23(1): 33-42. https://doi.org/10.7780/kjrs.2007.23.1.33
  16. Lee, S.-H., 2016. Multi-stage image restoration for high resolution panchromatic imagery, Korean Journal of Remote Sensing, 32(6): 551-566 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.6.1
  17. Pal, N. and S. Pal, 1993. A review on image segmentation techniques, Pattern Recognition, 26: 1277-1294. https://doi.org/10.1016/0031-3203(93)90135-J
  18. Tobias, O. J. and R. Seara, 2002. Image segmentation by histogram thresholding using fuzzy sets, IEEE Transactions on Image Processing, 11: 1457-1465. https://doi.org/10.1109/TIP.2002.806231
  19. Torre V. and T. Poggio, 1986. On edge detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8: 147-163. https://doi.org/10.1109/TPAMI.1986.4767769
  20. Vivone, G., L. Alparone, J. Chanussot, M. Dalla Mura, A. Garzelli, G. A. Licciardi, R. Restaino, and L. Wald, 2015. A Critical Comparison Among Pansharpening Algorithms, IEEE Transactions on Geoscience and Remote Sensing, 53(5): 2565-2585. https://doi.org/10.1109/TGRS.2014.2361734
  21. Wu, Z., 1993. Homogeneity testing for unlabeled data: A performance evaluation, CVGIP: Graph. Models Image Processing, 55: 370-380. https://doi.org/10.1006/cgip.1993.1028

Cited by

  1. 고해상도 광학위성을 이용한 해상 유출유 면적 산출: 심포니호 기름유출 사고 사례 vol.37, pp.6, 2021, https://doi.org/10.7780/kjrs.2021.37.6.1.24