고해상도 항공사진의 영상정합기법 활용 변화탐지 연구

Ⅰ. 서 론

최근 고해상도 센서를 장착한 인공위성으로부터 얻어진 영상을 이용한 연구가 활발히 진행되고 있다. 그중에서도 변화탐지는 원격 탐사 분야에 위성영상, 항공영상 등 다양한 데이터를 활용한 가장 실용적인 응용 분야 중 하나이다. 변화탐지란 같은 지역에 대해 다른 시기에 취득한 다시기 영상을 통해 물체의 상태나 현상의 차이를 관찰하는 것을 말하는데 이는 토지 감독, 삼림 벌채 및 자연재해 분석 등 다양한 분야에서 활용되고 있다[1].

고해상도 영상에 대해 픽셀기반 분류방법과 객체기반 분류방법을 적용하여 변화탐지한 결과 인공구조물의 경우는 픽셀기반 분류법과 객체기반 분류법에 큰 차이가 없었으나, 나무과 같은 자연지물에서는 객체기반 분류법을 적용한 결과가 변화탐지에 효과적인 것을 알 수 있다[2].

변화탐지는 크게 화소 기반 변화탐지(PBCD: Pixel-Based Change Detection)와 객체기반 변화탐지(OBCD: Object-Based Change Detection)로 나뉘는데 화소 기반 변화탐지 기법은 영상의 가장 기본 단위인 화소를 이용해 변화탐지를 도출하는 방법으로 중·저해상도 영상에서 탁월한 효과를 보인다. 하지만 화소 기반 변화탐지 기법을 고해상도 영상에 적용할 경우 변화지역에 대한 분광 오차와 등록오차(registration noise)로 인한 과탐지가 발생하는데 이로 인해 고해상도 영상에서는 객체기반 변화탐지가 요구된다[3].

전통적으로 항공측량을 이용한 변화탐지가 수행되고 있었으며 최근 들어 LiDAR (Light Detection and Ranging)기술의 개발과 저렴한 UAV (Unmanned Aerial Vehicle)의 보급 등으로 다양한 기법의 시도가 이루어지고 있다. 국외에서는 이미 DSM (Digital Surface Model)과 LiDAR (Light Detection and Ranging) 등 여러 수단을 이용하여 변화탐지를 진행하려는 연구가 진행되고 있다[4]. 선명한 화질과 높은 위치정확도를 얻을 수 있는 소규모 항공영상을 이용해 변화가 빈번한 도심지역의 건축물에 대한 신축 또는 철거, 불법 건축물 단속 등 다양한 분야에 변화탐지를 접목 시키며, 항공사진 영상 매칭을 통한 건물 변화 탐지를 수행하고[5], 항공 LiDAR 영상을 이용한 두 시기 DSM으로 변화를 탐지하는 연구도 진행 되었다[4]. LiDAR 영상과 항공영상을 동시에 사용하여 DSM을 제작하여 도심의 변화를 탐지하기도 하였고[6], 저렴한 가격과 쉬운 데이터취득 등의 장점을 지닌 저가의 UAV의 보급으로 이를 활용한 연구[7] 또한 이루어지고 있다.

기존의 DSM을 이용한 변화탐지 기법은 DSM의 정확한 수직좌표 정확도가 확보되어야 변화탐지 결과의 오류가 줄어들 것으로 판단하였다. 고해상도의 항공영상을 사용하여 정확한 수직정확도로 제작된 DSM의 시계열적인 비교를 위해 단계별 Noise제거 알고리즘을 통해 변화탐지 정확도를 판단하고 기존 판독 작업 방법에 적용가능 여부를 판단해 보았다.

Ⅱ. 연구 방법

연구방법으로는 15년 항공사진을 이용하여 제작한 DSM과 16년도 항공사진을 이용하여 제작한 DSM을 수직좌표에 대해 비교한 데이터를 여러 알고리즘을 적용하여 높이값의 변화를 추적하여 건축물의 증·개축에 대한 변화를 탐지하고자 한다.

2-1 항공사진 영상정합(Image Matching)

수치사진측량에서 가장 기본적인 과정은 입체사진의 중복영역에서 공액점(epipolar point)을 찾는 것이며 아날로그나 해석식 사진측량에서는 이러한 점을 수작업 또는 해석도화기를 통해 수행하였다. 그러나 수치사진측량기술이 발달하면서 이러한 공정은 점차 자동화되고 있다.

영상정합은 입체영상 중 한쪽 영상의 특정한 위치에 해당하는 실제의 객체가 다른 영상의 어느 위치에 촬영되어 있는가를 발견하는 작업으로 양쪽 이미지에서 상응하는 위치를 발견하기 위해 유사성 측정을 이용한다. 이는 사진측량이나 로봇시각(robot vision) 등에서 3차원 정보를 추출하기 위해 필요한 주요 기술이며 수치사진측량에서는 입체영상에서 수치표고모형(DEM, Digital Elevation Model)을 생성하거나 항공삼각측량에서 점이사를 위해 적용된다.

Fig. 1.

Image matching process

2-3 변화탐지 비교방법

시계열적인 15년 항공사진과 16년 항공사진의 비교를 위해 각 해당 년도별 항공삼각측량[9] 수행 간 동일한 지상기준점을 사용하여 위치정확도의 일관성을 확보하였다. 영상정합기법 소프트웨어는 VEXCEL사의 UltraMap소프트웨어로 DSM과 True-Orthophoto를 생성하였다. 각 년도별 생성된 DSM의 비교를 위해 16년 DSM에서 15년 DSM을 중첩하여 동일한 높이값에 대한 데이터를 제거하는 방법으로 각 DSM에서의 높이 차이를 추출 하였다. 추출된 DSM에서는 수목과 도로시설물 등 Noise가 존재하므로 이를 제거하기 위해 일정 면적에 대해 segmentation하여 분류작업을 실시하였다. 추출된 변화지역에 대한 확인 작업을 위해 정사영상을 제작해 추출된 변화지역과 중첩하여 확인 작업을 실시하였다. 전체적인 연구 방법은 그림 2와 같다.

Fig. 2.

Research method

1) 년도별 DSM 제작

도심지역을 대상으로 시계열적인 비교를 위해 15년과 16년 항공사진을 사용하여 영상정합방법으로 DSM을 제작하였다[10]. 제작소프트웨어는 VEXCEL사의 UltraMap 소프트웨어를 활용하여 제작하였다. DSM의 해상도는 항공사진의 원본해상도인 10㎝를 유지하였고, 동일한 지상기준점을 사용하여 정확도를 확보하였다. 제작된 DSM은 그림 3과 같다.

Fig. 3.

Production DSM by year

Table 1.

Image matching process H/W, S/W

2) DSM 처리 방법

DSM의 비교를 위해 16년도 DSM에서 15년도 DSM을 뺀 새로운 Layer를 생성하였다. 새로 생성된 Layer는 ArcGIS 소프트웨어의 Map algebra연산을 이용하여 제작하였다.

Fig. 4.

Map algebra operation

생성된 Layer는 16년 DSM에서 15년 DSM을 빼는 방식으로 생성된 레이어로 수직좌표차에 대한 차이를 제외하는 방식으로 새로운 레이어를 생성하였다. 이는 년도별 수직좌표차가 발생하는 지역에 대해 파악할 수 있는 1차원적인 수준의 데이터이다. 건축물의 경우 수직좌표차가 3m이상 발생되어 1차원적인 차분법을 이용해도 변화탐지가 가능하였다. 하지만 수목과 차량과 같은 작은 면적에 대해서는 많은 Noise가 존재하는 것을 확인할 수 있었다. 결과물은 그림 5와 같다.

Fig. 5.

Height difference occurrence area

1차원적인 차분법을 통해 생성된 레이어는 생성된 지역 +값, 제거된지역 –값, 미변화지역은 0값을 가진다.

그림 6과 같은 새로운 레이어에 대해 높이값에 따라 분류를 진행하였다. 이는 차이가 발생하는 지역에 대해 직관적인 비교결과를 도출하기 위해 필요하다. 새로 생성된 레이어의 경우 많은 잡음이 포함되어 있는데 이는 고해상도의 항공사진을 사용하여 DSM을 제작하였기 때문에 세밀화에 따른 잡음이라 볼 수 있겠다. 이 부분은 면적에 따른 분류작업을 통해 정리하였다.

Fig. 6.

Created layer

Ⅲ. 변화탐지 분석

3-1 Layer 분석

고해상도의 항공사진을 이용하여 제작된 DSM은 해상도 10㎝급의 정밀한 세밀도를 가지고 있어 주차된 차량과 계절변화에 따른 수목의 크기변화, 수목의 높이 값이 적용되어 차이가 발생하는 것을 그림 7에서 확인할 수 있었다. 하지만 좁은 면적(-1㎡ ~ 1㎡)에 대해서는 불필요한 요소들이 많아 필터링을 진행하였다. 필터링 방법으로 Morphology 필터링의 팽창과 침식연산을 통해 일정면적의 Noise를 제거하였다.

Fig. 7.

Layer analysis

Fig. 8.

Area-based filtering result (vehicle)

작은 면적에 대해 필터링을 진행한 후 변화탐지 했을 때 옥상부분에 대한 철거, 증축, 담벼락 설치 등에 대해 변화탐지 결과를 그림 9에서 확인할 수 있었다. 정량적인 분석을 위해 Raster to Polygon Vectorizing을 진행하였다. 폴리곤 수는 99,994개의 객체로 분리 되었다. 이는 픽셀을 기준으로 표현된 래스터 데이터를 경계가 정의된 폴리곤 벡터 데이터로 표현하여 분석하고자 하는 과정이다. 폴리곤 생성은 래스터를 분석하고 유사한 속성 값을 가진 연결된 셀그룹을 별도의 폴리곤으로 간주하는 방식으로 제작된다. 제작된 폴리곤 벡터는 토폴로지를 확인하고 유효성을 검사하여 겹치지 않고 일관된 경계를 가지는지 확인하였다.

Fig. 9.

Change detection

Fig. 10.

Rater to polygon vector

3-2 Noise제거를 위한 필터링

Segmentation된 데이터를 정제하기 위해 1㎡ 면적과 8㎡ 면적에 대해 모폴로지 필터링을 진행하였다. 1㎡ 면적의 경우 불필요한 잡음으로 판단되어 필터링을 진행하였고, 8㎡ 면적의 경우 밀집시가지의 주택면적보다 적은 면적에 대해서 필터링을 진행하였다. 면적기준 필터링을 위해서는 각 피처의 계산된 면적을 정의된 면적 기준과 비교하여 지정된 영역을 충족하는 데이터를 추출하여 제거하였다. 필터링된 결과는 그림 11과 같다[11].

Fig. 11.

Filtering result according to area

Fig. 12.

Filtering result analysis

면적에 따른 필터링을 진행한 레이어를 분석하기 위해 그림 9의 결과와 비교했을 때 기존 데이터보다 정제된 데이터를 확인할 수 있다. 도로나 주차장에 있는 차량은 정제되었고, 수목에 있어서 시간차에 따른 수목의 성장으로 발생하는 변화도 탐지할 수 있었다. 결과는 그림 13과 같다.

Fig. 13.

Sort by height value

3-3 기존 건축물 판독 변화탐지

기존 불법건축물 판독 방법으로 항공사진의 육안 비교를 통해 변화탐지 결과를 얻었고, 이는 변화탐지 정확도 평가를 위한 참값으로 정의한다. 건축물 판독 공정은 그림 14와 같다.

Fig. 14.

Change detection process

Fig. 15.

Building change area

Table 2.

Change detection area coordinates for reading existing buildings

Ⅳ. 연구결과

실험을 통해 시계열차 DSM을 Map Algebra와 Morphology 필터링을 통해 추출된 변화탐지지역과 기존 작업 방법인 판독시스템을 사용하여 중급기술자가 작업하여 추출된 변화탐지 지역과 변화탐지 일치 여부를 비교하였다.

Table 3.

Change detection area comparison

기존 판독방법과 본 연구결과를 중첩하여 비교한 결과 전체 30개 지역 중 22개의 지역에 대해 변화탐지가 일치하였다. 이는 기존 건축물 판독작업에 있어 고해상도 항공사진을 이용하여 영상정합기법을 활용한 DSM을 통해 시계열적인 비교를 했을 때, 수직좌표의 차이에 의한 분석을 통해 변화탐지시 74% 수준의 결과를 보여주었다. 이는 고해상도의 항공사진을 통한 영상정합기법으로 DSM을 제작하여 단계별 필터링 작업으로 통해 정확도를 확보하여 건축물 판독작업에 활용이 가능한 것으로 확인 되었다.

변화탐지의 정확한 판단을 위해서는 판독사의 주관적이고 경험적인 판단이 필요하지만 고해상도의 항공사진을 이용한 영상정합기법으로 제작된 DSM을 정제작업을 통해 새로운 레이어를 생성하여 변화탐지할 경우 육안으로 검수하는 시간에 대한 단축과 단순 착오로 인한 실수를 미연에 방지할 수 있을 것이다.

Fig. 16.

Change detection results and orthoimage overlay

Ⅴ. 결 론

고해상도 항공사진을 영상정합기법으로 DSM을 생성하여 Map Algebra와 Morphology 필터링을 통해 Noise를 제거한 결과 기존 건축물 판독 결과와 비교하여 74%수준의 변화탐지 결과를 얻었다. 하지만 정확한 건축물의 면적을 표현하기에는 한계가 있어 변화지역에 대한 지점확인 수준으로 적용이 가능하다. 이로써 건축물 판독의 인력기반의 업무에서 영상정합기법을 통해 제작한 DSM을 활용한다면 불법건축물 판독의 효율성을 확보할 수 있는 보조적인 자료로 활용 가능하다. 판독사의 경험적인 판단요소에서 비롯되는 변화탐지 품질에 대한 이슈 또한 이러한 보조적인 데이터를 활용한다면 극복할 수 있을 것이다.

본 연구를 진행하면서 수직방향의 항공사진만을 활용하여 DSM(Digital Surface Model)을 제작하였는데 다방향 경사이미지를 활용한다면 수직 및 지표면 근처의 데이터 구축에 있어 세밀도가 많이 높아질 것으로 예상되며, 정확도도 향상될 것으로 예상된다. 국지적인 지역에 대한 변화탐지를 위해서는 신속한 촬영을 위해 UAV를 활용하는 방법도 연구가 필요해 보인다.

References

• J. Bialas, T. Oommen, U. Rebbapragada, and E. Levin, “Object-Based Classification of Earthquake Damage from Highresolution Optical Imagery Using Machine Learning,” Journal of Applied Remote Sensing, Vol. 10, No. 3, 036025, September 2016. [https://doi.org/10.1117/1.JRS.10.036025]
• J. H. Park, “Change Detection of High Resolution ImageUsing Object-Based Classification,” The Korean Society for Geo-Spatial Information System, Vol. 2016, No. 10, pp. 241-242,
• Z. Lv, T. Liu, Y. Wan, J. A. Benediktsson, and Z. Zhang, “Post-Processing Approach for Refining Raw Land Cover Change Detection of Very High-Resolution Remote Sensing Images,” Remote Sensing, Vol. 10, No. 3, pp. 472, March 2018.
• K. A. Choi and I. P. Lee, “Automatic Change Detection of Urban Areas Using LiDAR Data,” Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 26, No. 4, pp. 341-350, 2008 (in Korean with English abstract).
• J. Zhang, Z. X. Zhang, H. Fan, Z. Fang and Z. Liu, “Change Detection in Urban Area Based on Stereo Image Pairs from Different Duration,” International Archives of Photogrammetry and Remote Sensing, Vol. 33, pp. 1203-1208, 2000.
• Du, S., Zhang, Y., Qin, R., Yang, Z., Zou, Z., Tang, Y., and Fan, C. (2016), “Building Change Detection Using Old Aerial Images and New LiDAR Data,” Remote Sensing, Vol. 8, No. 1030, pp. 1-20.
• W. Boonpook, Y. Tan, H. Liu, B. Zhao, and L. He, “UAV-Based 3D Urban Environment Monitoring,” ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 4, No. 3, pp. 37-43, 2018. [https://doi.org/10.5194/isprs-annals-IV-3-37-2018]
• H. S. Ju, GeoInformatics, KISS, 2011
• NGII, Aerial Photogrammetry Work Regulations, Notice of National Geographic Information Institute, No. 2020-5165, 2019.
• H. Hirschmüller, 2008, “Stereo Processing by Semi-Global Matching and Mutual Information,” pp. 328-341, February 2008.
• X. Huang and T. Zhang, Morphological Building Index (MBI) and Its Applications to Urban Areas, in Urban Remote Sensing, 2nd ed. CRC Press, pp. 33-49, 2018.