[논문 리뷰] An automatic water detection approach based on Dempster-Shafer theory for multi spectral images

Na Li, Arnaud Martin외 1명|arXiv (Cornell University)|2017. 08. 09.

Remote-Sensing Image Classification참고 문헌 22인용 수 3

한 줄 요약

이 논문은 다중스펙트럼 영상에서 근적외선 반사율 기반 스펙트럼 모델과 지도 학습 분류기 간의 융합을 위해 델름스터-섀퍼 이론을 사용하여 비지도 수자원 탐지 방법을 제안한다. 이 방법은 자동으로 주요 수역을 식별하면서도 반건조 강줄기, 그림자, 구름, 인공 구조물과 같은 모호한 특징들을 '무지'로 레이블링하여, 후속 분류 작업에 대한 중요한 불확실성 인식 출력을 제공한다. 결과적으로 7.41%의 수자원, 87.92%의 비수자원, 4.67%의 무지를 탐지하였다.

ABSTRACT

Detection of surface water in natural environment via multi-spectral imagery has been widely utilized in many fields, such land cover identification. However, due to the similarity of the spectra of water bodies, built-up areas, approaches based on high-resolution satellites sometimes confuse these features. A popular direction to detect water is spectral index, often requiring the ground truth to find appropriate thresholds manually. As for traditional machine learning methods, they identify water merely via differences of spectra of various land covers, without taking specific properties of spectral reflection into account. In this paper, we propose an automatic approach to detect water bodies based on Dempster-Shafer theory, combining supervised learning with specific property of water in spectral band in a fully unsupervised context. The benefits of our approach are twofold. On the one hand, it performs well in mapping principle water bodies, including little streams and branches. On the other hand, it labels all objects usually confused with water as `ignorance', including half-dry watery areas, built-up areas and semi-transparent clouds and shadows. `Ignorance' indicates not only limitations of the spectral properties of water and supervised learning itself but insufficiency of information from multi-spectral bands as well, providing valuable information for further land cover classification.

연구 동기 및 목표

• 다중스펙트럼 영상에서 건물지역, 그림자, 구름 등과 스펙트럼적으로 유사한 수역이 잘못 분류되는 문제를 해결하기 위해.
• 전통적인 스펙트럼 지수 방법에서 흔히 발생하는 수동 임계값 설정을 피하는 완전히 비지도인 자동화된 접근법을 개발하기 위해.
• 수자원의 스펙트럼 반응 특성과 지도 학습 결과를 델름스터-섀퍼 이론을 통해 융합하여 불확실성 인식 분류를 실현하기 위해.
• 모호하거나 구분이 어려운 특징들을 '무지'로 레이블링하여 모델의 한계를 반영하고 향후 분류 정밀도 향상에 기여하기 위해.

제안 방법

• 강한 근적외선(NIR) 흡수 특성을 기반으로 수자원을 식별하기 위해 스펙트럼 모델을 적용하며, 스펙트럼 반응 특성에서 유도된 임계값을 사용한다.
• 스펙트럼 모델의 출력을 기반으로 지도 학습(예: SVM 또는 유사 알고리즘)을 훈련시켜 수자원 탐지 정확도를 향상시킨다.
• 델름스터-섀퍼 이론을 사용해 스펙트럼 모델과 지도 학습 분류기의 증거를 융합하며, 이 두 소스를 상호 의존적인 것으로 간주하고 할당 계수를 적용한다.
• 스펙트럼 모델의 할당 계수를 지도 학습 모델의 출력을 가짜 진실값으로 사용해 계산함으로써 불확실성 정량화를 가능하게 한다.
• 세 클래스 출력을 생성한다: '수자원', '비수자원', '무지'—여기서 '무지'는 확신 없이 분류할 수 없는 특징을 포괄한다.
• 융합 과정은 각 클래스에 대한 믿음 정도를 표현하는 질량 함수를 사용하며, 최종 결정은 불확실성 하에서 가능성도와 믿음도 측도에 기반한다.

실험 결과

연구 질문

• RQ1 델름스터-섀퍼 이론은 스펙트럼 모델과 지도 학습 분류기를 완전히 비지도 환경에서 융합하여 수자원 탐지에 효과적으로 적용될 수 있는가?
• RQ2 특히 수자원과 그림자 또는 건물지역과 유사한 스펙트럼 서명의 모호함은 어떻게 공식적으로 표현하고 관리할 수 있는가?
• RQ3 기존 스펙트럼 지수 대비 이 방법은 소규모 수역(예: 강줄기) 탐지에서 얼마나 향상되었는가?
• RQ4 '무지' 클래스는 향후 분류 정밀도 향상에 기여하기 위한 모델 및 데이터 한계를 의미 있는 지표로 활용할 수 있는가?

주요 결과

• 이 방법은 기존 방법으로는 자주 간과되는 작은 강줄기까지 포함하여 영상의 7.41%를 '수자원'으로 성공적으로 탐지하였다.
• 영상의 87.92%는 높은 신뢰도로 '비수자원'으로 분류되었으며, 이는 수자원과의 강한 분리 가능성을 시사한다.
• 영상의 4.67%는 '무지'로 레이블링되었으며, 이는 반건조 강줄기, 얇은 구름, 그림자, 건물지역 등 스펙트럼적으로 수자원과 유사한 특징들을 포함한다.
• ENVI 소프트웨어를 사용한 수동 검증 결과, 주요 강과 지류를 정확히 식별하였고, 모호한 특징들이 명확히 분리되었음을 확인하였다.
• '무지' 클래스는 스펙트럼 모델과 지도 학습 분류기의 한계뿐 아니라, 특히 짧파장 적외선(SWIR) 대역이 없는 다중스펙트럼 데이터의 부족함까지 효과적으로 반영한다.
• 수동 임계값 조정이 필요 없는 점과 추가 데이터(예: 중간적외선(MIR) 대역)를 활용한 향후 정밀도 향상 지원이 가능한 불확실성 인식 출력을 제공함으로써, 기존 스펙트럼 지수보다 뛰어난 성능을 발휘한다.