• 한국공간정보시스템학회:학술대회논문집
• /
• 2007.06a
• /
• pp.289-292
• /
• 2007

객체기반 영상분류를 위한 영상분할에 있어서 중요한 요소로는 분할축척(Scale), 분광 정보(Color), 공간 정보(Shape) 등이 있으며 공간 정보에 해당하는 공간 변수는 평활도(Smoothness)와 조밀도(Compactness)가 있다. 이들 가중치의 선택이 최종적으로 객체기반 영상분류의 결과를 좌우하게 된다. 본 연구는 객체기반 영상분류의 준비 과정이라 할 수 있는 영상분할에 있어서 다양한 가중치를 적용을 통하여 영상을 분할하였다. 영상분할을 위해 적용한 가중치는 10, 20, 30의 분할축척(Scale)과 분광 정보(Color)와 공간 정보(Shape)간의 가중치 조합, 공간 변수인 평활도(Smoothness)와 조밀도(Compactness)간의 가중치 조합을 사용하였다. 각 가중치 조합을 통하여 분할된 영상의 분석은 Moran's I 와 객체 내부 분산(Intrasegment Variance)을 이용하여 분석하였다. 각 객체간의 상관관계 분석을 위하여 Moran's I를 계산하였으며 분류된 지역의 동질성을 분석하기 위하여 객체 면적을 고려한 객체 내부 분산(Intrasegment Variance)값을 계산하였다. Moran's I 가 낮은 값을 가질수록 객체 간의 공간상관관계가 낮아지므로 이웃 객체간의 이질성은 높아지며 객체 내부 분산(Intrasegment Variance)이 낮은 값을 가질수록 지역간의 동질성은 높아지게 된다. Moran's I 와 객체 내부 분산(Intrasegment Variance)의 조합을 통하여 객체기반 영상분류 시 가장 높은 분류 정확도가 예상되는 밴드별 영상분할 가중치를 얻을 수 있다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2003.11a
• /
• pp.330-333
• /
• 2003

영상 분류는 내용기반 영상검색에서 부적절한 이미지를 효과적으로 걸러 낼 수 있게 하여 영상 검색의 성능을 향상 시키는데 큰 역할을 하게 된다. 따라서 최근 의미 있는 영상의 분류가 내용기반검색분야에서 중요한 과제로 대두되고 있다. 본 논문에서는 에지 정보를 이용해서 객체 영상을 인공객체영상과 자연객체영상으로 분류하는 방법을 제안한다. 직선형태의 에지를 많이 가지는 인공객체의 경우 에지 방향 히스토그램의 에너지가 자연객체에 비해 높은 값을 가지기 때문에 객체 분류에 유용한 정보로서 에지 정보를 활용하였다. 또한 에너지 값을 낮추는 원형의 에지가 인공객체영상에서 주로 발견되는 점을 이용하여, 제거에 의해 분류의 성능을 높이고자 하였다. 한편 가버 필터를 이용한 분류 결과에 비해 에지 정보를 이용한 분류가 성능 면에서 보다 나은 결과를 얻을 수 있었다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2004.05a
• /
• pp.187-190
• /
• 2004

본 논문에서는 영상을 자동적으로 객체와 비객체 영상으로 분류하는 방법을 제안한다. 객체 영상은 객체를 포함하는 영상이다. 객체는 영상의 중심 부근에 위치하고 주변 영역과는 상이한 칼라 분포를 가지는 영역들로 정의한다 영상 분류를 위해 객체의 특징에 기반하여 세 가지 기준을 정의한다. 첫 번째 기준인 중심 영역의 특이성은 중심영역과 주변 영역간의 칼라 분포의 차이를 통해 계산된다. 두 번째 기준은 영상 내의 특이 픽셀의 분산이다 특이 픽셀은 영상의 주변영역보다 중심 부근에서 더욱 빈번하게 나타나는 상호 인접한 픽셀들의 칼라 쌍에 의해 정의된다. 마지막 기준은 객체의 핵심 영역 경계에서의 경계 강도이다. 영상을 분류하기 위해서 신경 회로망 학습을 통해서 세 가지 기준들을 통합하도록 한다. 900개의 영상들에 대해 실헝한 결과 84.2%의 분류 정확도를 얻었다.

• Proceedings of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography Conference
• /
• 2007.04a
• /
• pp.215-218
• /
• 2007

이 논문은 고해상도 Quickbird 영상을 이용하여 세부레벨계획을 위한 토지피복분류를 수행하였으며 고해상도 영상을 이용한 토지피복분류를 위하여 객체기반분류와 ISODATA 기법을 적용하였다. 객체기반분류는 eCognition 소프트웨어를 사용하였으며 ISODATA 기법의 토지피복분류 결과와 비교분석을 수행하였다. 연구 대상지역은 인도의 Sukkalampatti이라 하는 작은 유역을 대상으로 연구를 진행하였다. 고해상도 영상의 사용으로 토지피복분류에 있어서 공간 해상도에 따른 토지피복의 세부레벨분류 정확도를 향상 시킬 수 있는 이점을 확인 할 수 있으며 또한, 객체기반분류와 ISODATA 기법의 분류 결과는 eCognition을 사용한 객체기반 토지피복분류결과가 ISODATA의 픽셀기반의 분류방법보다 높은 정확도를 보였다.

• Proceedings of the Korea Multimedia Society Conference
• /
• 2003.11a
• /
• pp.318-321
• /
• 2003

의미 있는 객체가 영상에 포함되어 있는지를 판단하여 영상을 객체 및 비객체 영상으로 분류함으로써 영상 검색이나 효과적인 영상 데이터베이스 구축 등에 유용하게 활용 가능하다. 이에 본 논문에서는 영상 유형에 따른 특징을 분석하여 영상 분류를 위한 기준을 선정함으로써 입력 영상을 객체 및 비객체 영상으로 분류할 수 있는 방법을 제안한다 일반적으로 객체는 주로 영상의 중심 부근에 위치하고 주변과는 상이한 칼라 특징으로 표현되므로, 영상 중심 부근에 주로 위치하는 칼라의 분포 정보를 영상 분류의 기준으로 사용하였다. 또한 객체 추출 방법[4]을 적용하여 추출된 객체와 배경 사이의 공유 경계에서 발생하는 경계 강도 정도를 활용하였다. 코렐 CD에서 무작위로 선택된 800장의 영상에 대해 제안된 기준을 적용하여 분류한 결과 약80%의 분류 정확도를 얻었다.

• Korean Journal of Remote Sensing
• /
• v.23 no.6
• /
• pp.521-528
• /
• 2007

The overall objective of this research was to investigate various combination of segmentation parameters and to improve classification accuracy of object-oriented classification. This research presents a method for evaluation of segmentation parameters by calculating Moran's I and Intrasegment Variance. This research used Landsat-7/ETM image of $11{\times}14$ Km developed area in Ansung, Korea. Segmented images are generated by 75 combinations of parameter. Selecting 7 combinations of high, middle and low grade expected classification accuracy was based on calculated Moran's I and Intrasegment Variance. Selected segmentation images are classified 4 classes and analyzed classification accuracy according to method of objected-oriented classification. The research result proved that classification accuracy is related to segmentation parameters. The case of high grade of expected classification accuracy showed more than 85% overall accuracy. On the other hand, low ado showed around 50% overall accuracy.

• Proceedings of the KSRS Conference
• /
• 2006.03a
• /
• pp.307-310
• /
• 2006

고해상도(VHR, Very High Resolution) 영상은 활용에 따라 도심의 다양한 정보를 얻을 수 있는 잠재적 가치가 매우 큰 자료이다. 그러나 이러한 고해상도 영상자료는 매우 높은 공간해상력으로 인해 같은 용도의 객체 혹은 같은 객체(예, 건물)라 할지라도 다양한 분광 특성 및 형태로 표현된다. 그러므로 이러한 고해상도영상을 이용하여 효과적으로 주제도를 생성하기 위해서는 현재까지 영상분류 분야에서 주로 활용되고 있는 화소(pixel)단위 기반의 분석방법으로는 한계가 존재한다. 본 연구에서는 이러한 문제점을 보완하기 위한 방법으로 활발한 연구가 진행되고 있는 세그멘트(segment) 혹은 객체(object) 기반 분류기법을 고해상도 영상 및 라이다 자료에 적용하여 도심지역의 건물들을 추출해 보았으며, 그 활용 가능성에 대하여 판단해 보았다. 이러한 세그멘트 기법은 분류하고자 하는 객체들을 하나의 동일한 특성을 가지는 집단으로 모으는 방법을 말하는데, 이를 위해 본 연구에서는 multi-resolution image segmentation기법을 제공해주는 eCognition이라는 소프트웨어를 이용하였다.

• Proceedings of the KSRS Conference
• /
• 2009.03a
• /
• pp.207-212
• /
• 2009

고해상도 위성영상이 갖는 공간 객체의 복잡성과 다양성에 의해 기존 중 저해상도 영상에서 사용하던 분류 방식을 고해상도 영상에 그대로 적용하기에는 한계가 있다. 이러한 문제를 극복하기 위하여 영상은 공간적인 특성을 추가적으로 추출하여 분광정보와 결합하여 분류를 수행하는 방식의 연구가 진행되고 있다. 본 연구의 목적은 고해상도 영상의 분류정확도를 개선하기 위하여 새로운 공간 개체(spatial feature)인 SSI(Shape-Size Index)를 제안하는데 있다. SSI는 영역 확장(Region Growing) 기반의 영상 분할(Image Segmentation)을 수행한 후, 객체 내에 객체의 크기와 모양에 대한 고려를 모두 할 수 있는 공간 속성값을 할당하여 공간정보를 추출한다. 추출된 공간정보를 고해강도 영상의 다중분광 밴드와 결합하여 Support Vector Machine(SVM)을 이용한 분류를 수행하였다. 실험 결과, 제안한 기법의 분류 결과가 분광밴드만을 이용하여 분류를 수행한 결과뿐만 아니라 기존의 공간 개체 추출방식인 GLCM, PSI 기법을 이용한 분류 결과에 비해 높은 분류정확도를 도출함을 알 수 있었다.

• Journal of the Korea Society of Computer and Information
• /
• v.11 no.2 s.40
• /
• pp.25-33
• /
• 2006

We propose a method that automatically classifies the images into the object and non-object images. An object image is the image with object(s). An object in an image is defined as a set of regions that lie around center of the image and have significant color distribution against the other surround (or background) regions. We define four measures based on the characteristics of an object to classify the images. The center significance is calculated from the difference in color distribution between the center area and its surrounding region. Second measure is the variance of significantly correlated colors in the image plane. Significantly correlated colors are first defined as the colors of two adjacent pixels that appear more frequently around center of an image rather than at the background of the image. Third one is edge strength at the boundary of candidate for the object. By the way, it is computationally expensive to extract third value because central objects are extracted. So, we define fourth measure which is similar with third measure in characteristic. Fourth one can be calculated more fast but show less accuracy than third one. To classify the images we combine each measure by training the neural network and SYM. We compare classification accuracies of these two classifiers.

• Proceedings of the Korea Contents Association Conference
• /
• 2014.11a
• /
• pp.69-70
• /
• 2014

연안지역에 대한 항공 하이퍼스펙트럴 영상으로부터 객체기반 분류방법을 이용하여 토지피복분류를 수행하고 기존에 주로 사용되어온 화소기반 분류기법에 의한 결과와 비교하였으며, 생성된 토지피복도로부터 해륙경계선인 수애선벡터를 용이하게 추출하는 방법을 제시하였다.