Automated Extraction of Orthorectified Building Layer from High-Resolution Satellite Images

고해상도 위성영상으로부터 건물 정위 레이어 자동추출

Abstract

As the availability of high-resolution satellite imagery increases, improvement of positioning accuracy of satellite images is required. The importance of orthorectified images is also increasing, which removes relief displacement and establishes true localization of man-made structures. In this paper, we performed automated extraction of building rooftops and total building areas within original satellite images using the existing building height database. We relocated the rooftop sin their true position and generated an orthorectified building layer. The extracted total building areas were used to blank out building areas and generate true orthographic non-building layer. A final orthorectified image was provided by overlapping the building layer and non-building layer.We tested the proposed method with KOMPSAT-3 and KOMPSAT-3A satellite images and verified the results by overlapping with a digital topographical map. Test results showed that orthorectified building layers were generated with a position error of 0.4m.Through the proposed method, the feasibility of automated true orthoimage generation within dense urban areas was confirmed.

고해상도 위성영상의 제공이 증가함에 따라 위성영상의 위치정확도 향상이 요구되고 있다. 이를 위해 기복변위를 제거하고 인공지물의 정위가 수립된 정사영상 생성의 중요성이 높아지고 있다. 본 논문에서는 기존에 구축된 건물 높이 데이터베이스를 이용하여 원본 위성영상에서의 건물 옥상면과 건물포함영역을 자동으로 추출하였다. 이후 추출된 건물 옥상면을 정위치 편집하여 건물 정위 레이어(layer)를 생성하였다. 추출된 건물포함영역을 이용하여 위성영상에서 건물영역을 공백 처리하여 비건물 정위 레이어를 생성하였다. 이후, 실감정사 건물레이어와 실감정사 비건물레이어를 중첩하여 최종 정사영상을 제작하였다. 본 연구에서 제안한 방법은 KOMPSAT-3 및 KOMPSAT-3A 위성영상을 이용해 실험하였으며, 실험 결과를 수치지형도와 중첩하여 검증을 수행하였다. 실험결과 건물 정위 레이어는 0.4 m의 위치 오차를 가지는 것으로 나타났다. 제안 방법을 통해 도심지역에 대한 자동 실감정사영상 생성의 가능성을 확인하였다.

1. 서론

고해상도 위성영상 제공의 증가에 따라 위성영상의 위치정확도 향상에 대한 연구가 꾸준히 진행되어 왔다. 위성영상은 촬영 당시 기하로 인해 발생하는 기하학적 왜곡이 존재하며, 이를 제거하더라도 지형지물의 높이 차이(기복)로 인해 발생하는 변위가 여전히 존재한다. 이러한 평면상의 거리 왜곡을 기복변위라 하며, 수평 위치가 동일한 지상점이 높이차로 인해 서로 다른 영상점에 투영되어 발생한다. 기복변위로 인해 지형 및 건물의 경사가 왜곡되어 촬영되는 경우에는 위치정확도의 저하와 함께 폐색영역이 발생한다. 위성영상 내 존재하는 폐색영역은 해당 픽셀의 실제 밝기값 취득이 불가능하다. 이로 인해 동일한 건물이 서로 다른 위치로 인식되거나 식별이 어려운 경우가 발생한다(Kang et al., 2003). 이는 위성영상을 활용한 변화탐지 결과 정확도 저하로 이어진다. 따라서 고해상도 위성영상을 사용한 변화탐지의 정확도를 높이기 위해서는 인공지물의 정위가 수립된 영상 생성이 필요하다.

기복변위를 보정하기 위해서는 지형 및 지물에 대해 높이값을 갖는 고도 자료가 요구된다. 다양한 지형 및 지물의 높이 정보를 활용하여 정사영상을 생성하기 위한 연구가 수행되어 왔다. 일반적인 정사보정 과정에는 수치표면모델(digital surface model, DSM), 수치고도모델(digital terrain model, DTM) 등의 고도 자료가 사용된다(Gonçalves, 2006). 그러나 이러한 자료들은 사용하는 자료의 해상도에 따라 정사영상의 품질이 저하될 가능성이 있으며, 지형 및 지물의 경계부분이 부정확하게 보정될 수 있다(Qin et al., 2003; Jeong et al., 2008). 따라서 인공지물의 정확한 위치 보정을 위해 격자 형태의 자료가 아닌 수치건물모델(digital building model, DBM)을 사용한 정사보정 연구가 수행되고 있다(Zhou et al., 2005; Zhou and Wang, 2016).

Amhar et al. (1998)은 DBM과 스테레오 영상을 이용하여 단일 영상에서 발생하는 폐색영역을 탐지하고 이를 다른 영상의 밝기 값으로 보정하는 연구를 수행하였다. Zhou et al. (2022)은 DBM을 이용하여 건물에 대한 실감정사보정을 수행하고, 추출한 옥상 및 전면부를 활용해 3차원 건물 모델을 제작하였다. 하지만 현재까지 DBM을 이용한 정사보정 수행 연구는 주로 항공사진 영상을 대상으로 하며, 위성영상에 대해 자동화된 정사 영상 생성 연구는 수행되지 않았다.

위성영상 범위에 대해 자동으로 정사보정을 수행하기 위해서는 사전에 구축된 고도 자료 database (DB)를 활용할 수 있다. 우리나라는 정부 주도의 디지털 트윈(Digital Twin) 사업 추진의 일원으로 국토지리정보원에서 남한 지역에 대한 건물 높이 DB를 구축하고 있다(National Geographic Information Institute, 2021). 이 외에도 건축물 대장을 작성하여 높이를 비롯한 건물속성 정보를 DB 형태로 보유하고 있다. 국가 차원에서 실감정사영상 제작에 필요한 충분한 건물 고도 자료가 확보되었다고 볼 수 있다. 따라서 기존에 구축된 건물 DB의 높이 정보를 활용하여 자동화된 실감정사영상 생성에 대한 연구가 수행되어야 한다.

따라서 본 연구에서는 기존에 구축된 건물 DB의 높이 정보와 수치지형도를 결합하여 취득한 건물 높이 정보를 통해 인공지물에 대한 정위치를 자동으로 계산하였다. 계산된 인공지물의 정위치를 바탕으로 인공지물의 옥상면을 추출하며, 이를 정위치로 이동시킨 건물 정위 레이어(layer)를 생성하였다. 원본 위성영상에 존재하는 기복변위를 제거하고자 건물 영역에 해당하는 부분을 공백(blank) 처리하여 최종 정사영상을 제작하였다. 이를 바탕으로 인공지물에 대한 정위 레이어 생성과 실 감정사영상 생성 가능성을 확인하였다.

2. 연구 방법

Fig. 1은 본 연구에서 수행하는 건물영역 추출 실험 진행과정을 나타낸다. 가장 먼저 위성영상, 수치고도자료 및 건물자료를 이용하여 기복변위를 고려한 인공지물 옥상영역의 위치와 기복변위가 제거된 정위치를 계산한다. 이를 통해 위성영상에 촬영된 옥상면 위치와 인공지물 정위치 간의 매핑(mapping)관계를 추정한다. 추정한 정위치 매핑관계를 이용하여 건물영역점의 밝기값을 입력하고 정위 레이어를 추출한다. 별도의 마스크(mask) 레이어로 옥상 및 전면부 영역을 추출한다. 이후, 건물영역에 대해 공백 처리를 수행한 정사영상과 추출한 정위 레이어를 중첩하여 최종 정사영상을 생성한다.

Fig. 1. Flowchart in this study. DEM: digital elevation model.

2.1. 옥상점 매핑 및 정위 계산

일반적인 정사영상 생성 과정에서는 지상좌표로부터 영상좌표를 역투영기법으로 추정하고 원하는 영상 해상도로 리샘플링(resampling)을 수행한다. 본 연구에서는 지형 정사영상과 건물 정위 레이어를 각각 생성하기 위해 먼저 건물 DB로부터 취득한 옥상점을 역투영하여 영상좌표를 산출하였다. 지상좌표를 영상좌표로 변환하기 위한 물리적 모델로 rational function model (RFM)을 사용하였으며, 아래 식(1)과 같다(Piero et al., 2004).

\(\begin{aligned}x_{i}=\frac{P_{1}\left(X_{i}, Y_{i}, Z_{i}\right)}{P_{2}\left(X_{i}, Y_{i}, Z_{i}\right)}, \quad y_{i}=\frac{P_{3}\left(X_{i}, Y_{i}, Z_{i}\right)}{P_{4}\left(X_{i}, Y_{i}, Z_{i}\right)}\end{aligned}\)       (1)

P₁(X_i, Y_i, Z_i) = a₀ + a₁X + a₂Y + a₃Z + a₄XY

+ a₅XZ + a₆YZ + a₇X² + a₈Y²

+ a₉Z² + a₁₀XYZ + a₁₁X²Y

+ a₁₂X²Z + a₁₃Y²X + a₁₄Y²Z

+ a₁₅Z²X + a₁₆Z²Y + a₁₇X³

+ a₁₈Y³ + a₁₉Z³       (2)

RFM은 식(2)의 구성과 같이 P₁, P₂, P₃, P₄ 총 4개의 고차다항식으로 구성되어 있다. 하나의 다항식(P₁, P₂, P₃, P₄)은 a₀–a₁₉까지 20개의 rational polynomial coefficient (RPC) 계수를 지니며, 총 80개의 초기 RPC 계수에 대한 정보는위성시스템에서제공된다.본연구에서는정밀센서모델링을 바탕으로 갱신된 RPC 계수 값을 사용하여 영상점을 매핑하였다(Yoon et al., 2018; Park et al., 2020).

하나의 지상좌표를 바탕으로 매핑된 옥상점 영상좌표와 지상좌표가 정사영상에서 나타나는 위치인 정위 좌표, 두 가지의 영상 좌표를 산출할 수 있다. 매핑된 옥상점 영상좌표는 원본 위성영상에서 기복변위가 포함된 옥상영역의 위치이다. 정위좌표는 기복변위가 제거된 옥상 영역이 정사영상에서 위치하는 좌표에 해당한다. 지형지물의 지상좌표로 매핑한 영상점이 정사영상 내 어느 위치인지 확인하기 위해서는 정위좌표를 산출하는 과정이 요구된다.

c_ortho = (X – X_TL) / GSD_X

r_ortho = (Y – Y_TL) / GSD_Y      (3)

GSD: ground sample distance

식(3)과 같이 원본 영상의 좌상단 좌표 X_TL, Y_TL과 지상좌표 X, Y의 차이를 정사영상 해상도 GSD_X, GSD_Y로 나누어 정위 표를 계산한다.

2.2. 옥상 영역 설정

정위 레이어를 추출하고자 매핑한 옥상점들의 집합을 하나의 컨투어(contour)로 정의하였다. 하나의 건물에 대한 컨투어 Roof_i는 식(4)와 같이 표현된다.

Roof_i = {Roof Point_i, Roof Point_i+1, …, Roof Point_n}       (4)

컨투어에 속한 점들을 연결하여 폐합 폴리곤(polygon)을 생성하였고, 해당 폴리곤 내 위치한 픽셀들이 건물 옥상 영역에 해당한다고 가정하였다. 향후 정위 레이어에 밝기 값을 입력하기 위해 먼저 옥상 영역에 해당하는 픽셀에 고도 값을 입력한다. 이때 동일한 건물의 옥상 영역은 평면으로 같은 고도 값을 지닌다고 가정하여, 하나의 옥상영역에 해당하는 픽셀들은 해당 건물 옥상점들의 Z값 평균을 입력한다. 따라서 정위 레이어 추출을 위한 옥상 영역 마스크를 생성하였다.

일부옥상영역이아닌픽셀을포함하더라도전체옥상 영역을 추출하고자 마스크에 대해 모폴로지(morphology) 팽창 연산을 수행하였다. 모폴로지 연산 전후 결과를 비교하여 추출한 옥상영역 식별이 더 용이한 마스크를 정위 레이어 추출 알고리즘에 사용하였다.

2.3. 건물 영역 검출

추출한 건물 옥상 및 지면 영역을 바탕으로 건물로 인해 발생한 전체 기복변위 영역을 검출한다. 전체 건물 영역은 건물의 옥상 영역, 건물 지면 영역 그리고 건물 전면 영역을 모두 합한 영역으로 가정하였다. 건물의 지면에서부터 옥상까지의 지상좌표 X, Y는 동일하나 서로 다른 Z값을 지니므로 서로 다른 영상 점에 매핑된다. 매핑된 옥상점 및 지면점을 연결하여 건물의 수직방향 벡터를 산출할 수 있으며, 건물의 한 전면부는 두 개의 옥상점 및 대응하는 지면점으로 구성된다.

Footprint_i = {Footprint Point_i, Footprint, Point_i+1, …, Footprint Point_n}       (5)

식(5)는 건물 영역 추출을 위한 건물 지면점들의 집합을 나타낸다. 식(6)은 전면을 구성하는 점들의 집합을 나타내며, 하나의 전면은 4개의 점으로 구성된 사각형 폴리곤으로 가정하였다.

Façade_i = {Roof Point_i, Roof Point_i+1, Footprint Point_i+1, Footprint Point_i}       (6)

Fig. 2는 컨투어 집합에 속하는 점들과 마스킹하는 건물 영역을 도식화한 그림이다. 원 영상 내 옥상 및 전면 영역에 해당하는 픽셀을 검출하고 공백 처리를 위해 픽셀들에 0 값을 입력한다.

Fig. 2. Example of orthorectified mask layer.

2.4. 정위 레이어 추출

정사영상 크기의 빈 그리드(grid)를 생성하여 계산한 정사영상 좌표에 매핑한 영상점 좌표를 입력한다. 이때 각각의 지형 정사영상 및 정위 레이어 생성을 위해 지표면 및 지물 옥상의 높이에 해당하는 좌표를 별도 추정하므로 그리드 역시 개별 생성하였다. 생성한 정사영상 크기만큼의 반복연산을 수행하여 옥상 영역의 영상 좌표를 매핑한다. 매핑을 위해서는 2.2에서 사전에 생성한 옥상 영역 마스크의 X, Y, Z 값을 이용하였다. Fig. 3과 같이 매핑한 옥상점 영상좌표의 밝기 값을 정사영상의 그리드 내에 입력하여 정위 레이어를 생성하였다. 추출이 완료된 옥상 영역은 정위가 수립된 상태이며 별도의 레이어 형태로 제공한다.

Fig. 3. Image coordinate mapping using terrain and building height.​​​​​​​

2.5. 최종 정사영상 생성

건물의 기복변위가 발생한 영역을 마스킹 처리하고, 옥상 영역의 정위가 수립된 최종 정사영상을 생성하기 위해 앞서 건물영역을 추출한 영상 및 정위 레이어를 이용한다.

\(\begin{aligned}\left\{\begin{array}{l}\text { if Roof mask value }=0, D N \text { is Original Image } D N \\ \text { if Roof mask value } \neq 0, D N \text { is Roof Mask } D N\end{array}\right.\end{aligned}\)       (7)

DN: digital number

식(7)은 최종 정사영상의 밝기 값을 결정하는 수식을 나타낸다. 정위 레이어의 밝기값이 0이 아닌 경우, 옥상 영역에 해당하므로 해당 픽셀의 밝기 값은 정위 레이어에서 가져온다. 반대로 정위 레이어의 값이 0일 때는 전체 건물 영역을 마스킹 처리한 원 영상에서 밝기값을 가져와 정사영상을 생성한다.

3. 연구 결과

3.1. 연구 자료 및 실험지역

본 연구에서는 기하보정이 완료된 KOMPSAT-3 (K3) 및 KOMPSAT-3A (K3A) 위성영상을 사용하였다. 인천지역이 촬영된 위성영상 중, 건물이 위치한 일부 주거 단지를 연구 지역으로 선정하였으며 Fig. 4와 같다. Fig. 4(c, d) 지역의 경우, 고층 아파트 단지 영역으로 건물의 기복변위가 잘 드러나 있다. 기복변위가 크게 발생한 영상은 추출한 건물 영역이 뚜렷하게 식별된다. 이와 다르게 Fig. 4(e) 지역은 저층 주택단지를 포함하고 있어 기복변위가 심하게 발생하지 않았다. 따라서 추출되는 건물 영역의 개체단위 식별이 용이하지 않을 수 있다.

Fig. 4. Study areas: (a) KOMPSAT-3 image, (b) KOMPSAT-3A image, (c) Area 1, (d) Area 2, and (e) Area 3.​​​​​​​

Fig. 5는 대상 지역별 위성영상에서 촬영된 모습을 보여주며, Table 1은 영상 및 선정 지역에 대한 정보를 나타낸다.

Table 1. Properties of satellite images used in this study​​​​​​​

Fig. 5. Subscene in the study areas.​​​​​​​

정사보정에 사용한 고도 자료는 Fig. 6과 같이 지형에 대한 높이값을 지니는 수치표고모델(digital elevation model, DEM)과 건물의 높이 정보 자료를 이용하였다. 국토지리정보원에서 제공하는 5 m 공간해상도의 DEM은 위성영상 크기에 맞게 잘라내어 0.5 m로 보간 처리 후 사용하였다. 건물의 높이 정보는 국토교통부 국가공간정보센터에서 오픈소스로 제공하는 일별 Geographic Information System 건물통합정보의 건물 높이 DB를 활용하였다. 제공되는 건물 높이는 Fig. 6(b)와 같이 폴리곤 형태의 자료이나 위성영상 상에서는 기복변위로 인해 옥상 영역의 폴리곤의 형상이 변형되어 나타난다. 변위가 반영되지 않은 폴리곤을 사용하는 것보다 정위치를 추정한 코너(corner)점을 이용하여 변형된 폴리곤을 생성하는 것이 더 정확한 옥상영역을 추정할 수 있다고 판단하였다. 따라서 폴리곤을 구성하는 노드(node) 정보만을 추출하고 Fig. 6(c)와 같이 점 형태의 데이터로 가공하였다. 최종적으로 건물 옥상의 X, Y, Z 점 좌표를 이용하여 옥상 영역을 보정하였다.

Fig. 6. Elevation reference data used. (a) Digital elevation model (DEM) of research area. (b) Building height polygon. (c) Point data of building height converted by polygon data.​​​​​​​

3.2. 옥상점 매핑 결과

Fig. 7(a)는 K3A 영상 내 한 건물 옥상점을 매핑한 결과이며, Fig. 7(b)는 해당 건물의 컨투어를 나타낸 모습이다. 우선 K3A 영상에 대해 컨투어를 육안으로 확인하여 이격이 발생하는 경우, 건물별 X, Y 좌표값은 고정한 채로 고도값을 수동으로 보정하였다. 각 건물에서 발생한 조정량은 서로 상이한 값을 나타냈으며, 이로 인해 개별 건물 단위의 수동보정을 수행하였다. 보정한 고도값을 이용한 옥상 영역 추출 결과를 확인하였으며, Fig. 7(c)와 같이 옥상 영역이 제대로 추출되는 결과를 보였다. 이후 해당 고도값을 활용해 K3 영상의 건물을 추출하였다. Fig. 7(d)는 K3 영상에서도 동일한 건물에 이격이 발생한 결과를 나타낸다. 그러나 Fig. 7(e)와 같이 K3A의 갱신 높이값을 이용해 건물을 추출하자 이격이 제거되고 옥상 영역 추출이 제대로 수행되었다. Fig. 7(c), (e)와 같이 Fig. 8은 K3 및 K3A 위성영상에 수동 보정된 옥상점을 이용해 컨투어를 생성한 결과이다.

Fig. 7. Result of roof point mapping. (a) Mapping rooftop point. (b) Rooftop contour in K3A image. (c) Contour in K3A image with manual correction. (d) Rooftop contour in K3 image. (e) Contour in K3 image with K3A Z value after manual correction.

Fig. 8. Result of building contour.

3.3. 건물영역 검출 결과

Fig. 9와 Fig. 10은 건물 옥상 및 전면 영역을 바탕으로 추출한 건물 전체 영역에 공백 처리한 결과를 보여준다. 기복변위가 발생한 건물 영역 전반적으로 공백 처리를 수행하였으나 초기 옥상점 매핑의 위치 오차로 인해 처리하지 못한 건물 영역이 남아있는 결과를 보였다. 이를 제거하기 위해 모폴로지 팽창 연산 후 범위로 공백처리를 수행하였고, 건물 전체 영역이 공백 처리된 것을 확인하였다.

Fig. 9. Result of total building area extraction in KOMPSAT-3 images.

Fig. 10. Result of total building area extraction in KOMPSAT-3A images.

3.4. 정위 레이어 추출 결과

Fig. 11, 12, 13은 실험지역에 대한 정사영상, 높이값 수동보정 전 정위 레이어 추출 결과, 높이값 수동보정 후 정위 레이어 추출 결과를 나타낸다. 초기 DB 높이만을 사용하여 정위 레이어를 추출하였을 때는 건물 전면 부분이 정위 레이어에 추출된 결과를 보였다. 그러나 높이값을 수동으로 보정한 후 추출한 정위 레이어는 전면이 추출된 이격이 사라지고 옥상 영역만이 추출되었다.

Fig. 11. Result of orthorectified roof layer using terrain and building height in Area 1.

Fig. 12. Result of orthorectified roof layer using terrain and building height in Area 2.

Fig. 13. Result of orthorectified roof layer using terrain and building height in Area 3.

Fig. 13은 수동보정 전에 비해 수동보정 후 마스크에서 추출된 옥상 영역의 수가 증가한 결과를 확인하였다. 이는 기존에 추출되지 않던 높이값 0인 건물이 수동보정을 통해 높이값을 입력 받아 정위 레이어가 추출된 결과로 나타났다.

Table 2는 수치지형도와 높이값 수동보정 전후 추출한 옥상 영역 점 간의 평면 위치 오차를 보여준다. 두 영상에 대해 동일한 건물의 정위를 수립하였으므로 건물 옥상 정위 레이어가 갖는 지상좌표는 동일하다. 때문에 K3 및 K3A 위성영상에 대한 평면 위치 오차는 동일하게 발생하였다. 3개의 실험 지역 모두 약 0.4 m의 평면위치오차가 산출되었다. 이는 정사영상의 공간해상도 대비 1 pixel 이내의 수치로 생성한 정위 레이어가 신뢰할 만하다는 결과를 보였다.

Table 2. Result of calculated position error compared to digital topographic map image

RMSE: root mean square error​​​​​​​.

Fig. 14, 15는 K3 및 K3A 영상에 대해 모폴로지 팽창연산 전후 추출한 정위 레이어와 수치지형도를 중첩한 결과를 보여준다. 팽창 연산 수행 후, 수행 전에 비해 추출한 옥상 영역 간의 간격이 좁아진 것을 확인하였다. 이는 개별 건물에 대한 옥상 영역 식별에 어려움을 주어 팽창 연산을 수행하지 않고 정위 레이어를 추출하기로 선택하였다.

Fig. 14. Result of orthorectified roof layer by morphology in K3 image.

Fig. 15. Result of orthorectified roof layer by morphology in K3A image.

3.5. 최종 정사영상 생성 결과

구축된 건물 DB를 활용해 건물 옥상 정위 레이어를 추출하고 최종 정사영상을 생성하였다. Fig. 16은 K3 및 K3A 위성영상을 이용한 정사영상 생성 및 정위 레이어 추출 결과이다. Fig. 17은 실험지역별 최종 정사영상 결과와 수치지형도를 중첩하여 나타낸 모습이다. K3와 K3A 영상 모두 각 영상별 기복변위가 발생한 방향에 따라 건물 영역의 공백 처리가 수행되었다. 그 중 건물 지면에 해당하는 위치에 건물 옥상 영역의 정위 레이어 값이 입력된 결과를 확인할 수 있다. 옥상 정위 레이어의 경우, 수치지형도와 중첩하였을 때 일치하는 결과를 보였다. 위성영상 상 건물로 보이지만 정위 레이어가 추출되지 않은 건물이 여럿 존재하나, 이는 건물 DB 내 높이값 0으로 보정이 수행되지 않았다.

Fig. 16. Result of orthorectified image. (a), (b): K3 images. (c), (d): K3A images.

Fig. 17. Result of orthorectified mask layer.

4. 토의 및 고찰

제안 방법으로 건물 옥상점을 이용하여 옥상 정위 레이어를 추출하고 이를 기반으로 건물 전체 영역을 검출하였다. 그러나 Fig. 18(a), (b)와 같이 건물 DB내에 데이터가 존재하지 않는 건물 또는 건물 데이터는 존재하나 높이값이 0으로 입력되어 있는 건물은 정위 레이어가 제대로 추출되지 않았다. 높이값이 존재하는 건물도 해당 높이값이 부정확한 경우에는 매핑된 옥상점의 위치 오차가 발생하였다. 정위 레이어 추출과정에서 발생한 오차가 건물 영역을 공백 처리하는 과정까지 영향을 미치는 것을 확인하였다.

Fig. 18. Error examples of roof extraction and building area detection. (a) Undetected roof layer in K3 image. (b) Undetected building roof layer in K3A image. (c) Detected building area without morphology in K3 image. (d) Overdetected building area by morphology in K3 image.​​​​​​​

본 논문에서는 부정확한 건물 높이값 사용으로 발생한 오차를 제거하기 위해 수동보정을 통한 높이값 추정을 수행하였다. 검출 과정에서 누락되는 건물 영역을 포함하고자 팽창 연산을 수행하여 마스크 영역을 과검출하였다. 건물 영역을 확장하여 공백 처리하는 과정에서 Fig. 18(c)의 여러 개별 건물 영역이 Fig. 18(d)와 같이 하나로 합쳐지는 것을 확인하였다. 이러한 현상은 개별 건물 간의 간격이 높은 아파트 단지보다 건물 밀집도가 높은 주택단지에서 더 많이 나타났다. 또한 기복변위의 크기가 작게 발생한 주택단지에서는 건물 영역을 추출하는 과정에서 다른 건물의 옥상 영역을 공백 처리하는 경우가 발생하였다. 따라서 기복변위 발생 정도가 작고 건물 밀집도가 높은 지역에 대해 정확한 건물영역 검출을 수행하기 위해서는 정밀한 건물 높이 DB가 요구된다.

5. 결론

본 논문에서는 기존에 국가 주도 사업으로 구축된 건물 높이 DB를 이용하여 건물 옥상 영역의 정위 수립 레이어를 자동으로 추출하는 방법을 제시하고, 추출한 정위 레이어 결과를 비교 분석하였다. 이 과정에서 DB 내부정확한 건물 높이값이 있는 경우, 육안 분석을 통해 수동으로 높이값을 추정하여 건물의 정위를 수립하였다. 초기 높이값을 이용해 정위 레이어를 추출한 결과에는 약간의 이격이 존재하나 수동보정을 통해 건물 DB의 높이값을 갱신하면 정확한 정위 레이어가 추출되었다. 이를 바탕으로 자동 정위 레이어 추출을 위한 기 구축 높이 DB 자료의 갱신 가능성을 확인하였다. 해당 시·군·구 단위의 행정구역 범위로 정사영상 및 건물 정위 레이어를 추출 및 제공하였으며, 이를 통해 위성영상을 활용한 광범위한 지역의 정사보정 수행 가능성을 확인하였다.

본 논문에서는 건물 영역에 대한 공백 처리를 수행한 정사영상과 추출한 정위 레이어를 중첩하여 최종 정사영상을 생성하였다. 건물에 대한 변화탐지를 수행하고자 하는 경우에는 별도의 정위 레이어만을 활용하여 건물 개체단위로 발생한 변화를 탐지하는데 활용할 수 있다. 본 실험에서는 주거단지를 대상 지역으로 선정하여 고층 및 저층 건물을 대상으로 실험을 진행하였다. 후속 연구에서는 건물이 아닌 교량을 비롯하여 복잡한 인공지물을 대상으로 한 정위 레이어 자동생성이 수행되는지 분석이 필요하다. 생성한 최종 정사영상은 폐색 영역에 대한 값이 공백 처리되어 있어 해당 영상만으로는 육안 식별 및 변화탐지를 수행하는데 어려움이 존재한다. 따라서 향후 공백 처리된 폐색 영역에 대한 값을 채우는 연구가 필요하다.