항공라이다 번역(한국어 원본)항공라이다 자료는 지면과 지상의 모든 정보를 3차원 점 기반으로 가지고 있어 지면정보를 이용한 모델 생성과 지상의 객체정보 추출에 효과적으로 이용될 수 있다. 이러한 항공라이다 자료에서 객체정보의 효율적인 추출을 위해 지면과 비지면을 분리하는 필터링은 선행되어야 하는 중요한 처리과정이다.
본 연구에서는 효과적인 필터링을 위한 기법 선정에 도움을 주고 항공라이다 자료를 이용하여 객체정보를 추출하는 방법의 제안을 통해 추출자동화에 대한 기반을 마련하고자 하였다. 이를 위해 특성이 다른 3개 지역의 항공라이다 자료를 주요 필터링 기법들에 적용하는 실험을 실시하고 결과를 분석하였다. 그리고 건물, 수목, 가로수 정보를 추출하는 방법을 제안하고 실험을 실시하였다.
필터링 기법의 비교에서 산림, 도시, 도시와 산림이 공존하는 특성이 다른 실험지역을 대상으로 Adaptive TIN, Perspective Center Filter Algorithm, Elevation Threshold with Expand Window, Progressive Morpology 필터링 기법을 적용하였다. 필터링 실험 수행 후 추출된 지면점을 정성적·정량적으로 비교한 결과 전반적으로 Adaptive TIN 기법이 가장 양호한 것을 확인하였다.
지상 객체추출을 위해 제안한 방법에서는 건물의 영역, 수목의 위치와 개수, 가로수의 위치, 수고, 수관폭 정보를 대상으로 하며 모든 방법에서 필터링 처리를 우선 수행하였다. 건물의 영역정보 추출을 위해 제안한 방법은 평면의 방정식 기반의 초기건물점 추정, 비건물정보의 제거, 폴리곤 변환 및 일반화 기법을 사용하였다. 수목정보의 추출을 위해 비지면 자료에서 영역을 확장한 건물과 비수목정보를 제거한 후 정규화된 수치표면모델(NDSM : Normalized Digital Surface Model)을 생성하였다. 생성한 NDSM을 이용하여 국지적최대값 필터링을 기반으로 필터의 크기를 변경하면서 수목 꼭대기점의 추정을 반복하였다. 각 수관폭 단계별 추정과정에서 점밀도와 중복도 기반의 정제방법을 제안하였다. 가로수정보의 추출은 수목정보의 추출방법과 꼭대기점 추정과정까지 동일하지만 건물과 비가로수정보의 제거 시 다른 기준을 적용하는것이 다른점이다. 가로수 정보 추출방법에는 식재특성을 이용한 가로수의 영역선택, 인접 가로수간의 꼭대기점과 지면점의 교차점을 이용한 영역의 분리, 수목의 형태적 특성을 이용한 정제방법을 추가적으로 사용하였다. 제안한 객체추출방법은 도심지와 아파트 단지 지역을 대상으로 실험을 수행하였다. 실험결과는 수치지도와 항공사진을 이용하여 비교하였다. 건물영역 추출 결과에서 도심지는 약 60%, 아파트 단지는 100%의 추출율을 보였고, 건물이 병합되거나 작은 건물이 제거되는 오류가 발생하였다. 수목과 가로수 정보의 추출결과는 도심지에서 110%와 100%, 아파트 단지에서 78%와 80%의 추출율을 각각 나타냈다. 제안한 수목과 가로수 추출방법론은 크기가 다른 필터를 이용한 추출을 통해 다양한 크기의 수목과 가로수의 추출이 가능하였다. 또한 점밀도와 중복도 기반의 정제를 통해 도로시설물 등이 추출되는 오류와 1그루에서 2개 이상의 수목이 추출되는 오류를 방지 할 수 있었다.
본 연구의 결과는 항공라이다 자료처리를 위한 소프트웨어의 개발과 지상객체에 해당하는 공간정보의 구축과 갱신작업에 도움을 줄 수 있을 것으로 사료된다. |
항공라이다 번역(영어 번역본)Aerial LIDAR (LIght Detection And Ranging) data has every ground and terrestrial information presented in three dimensional points, so it can be effectively used in creating models that utilize ground information and extracting terrestrial object information. To effectively extract object information from these aerial LIDAR data, a filtering measure that separates the ground and non-ground is an important process which must be preceded.
This research aimed to help the selection of an effective filtering algorithm and provide a platform for extraction automation by suggesting a method for extracting object information from aerial LIDAR data. To achieve this, major filtering algorithms were applied to aerial LIDAR data from 3 areas with different characteristics and the results were analyzed. Also, a method for extracting information on buildings, trees, and street trees was suggested and experimented.
For the comparison of different filtering algorithms, Adaptive TIN, Perspective Center Filter Algorithm, Elevation Threshold with Expand Window, Progressive Morphology filtering algorithms were applied to different test areas which were characterized as forest only, city only, and city and forest coexisting respectively. Comparing the extracted ground points qualitatively and quantitatively after conducting the filtering experiment, the Adaptive TIN algorithm was generally the most satisfactory one.
The suggested method for terrestrial object extraction is subjected to area of buildings, location and number of trees, location of street trees, tree height, and crown diameter information and filtering was conducted before every extraction. To extract building area information, initial building point estimation based on plane equations, deletion of non-building information, polygon transformation and generalization algorithm were used. To extract tree information, information for buildings and non-trees that expanded their area were deleted from the non-ground data and a Normalized Digital Surface Model(NDSM) was created. Using the created NDSM, the peak point of trees were repeatedly estimated by changing the size of the filter based on local maxima filtering. A refinement method based on point density and consistency for each crown diameter was suggested. Extraction of street trees information uses the same extraction method and peak point estimation process as the extraction method of trees, but has a different criteria when deleting buildings and non-street trees information. For extracting street trees information, selection of street tree area using planting characteristics, area separation using the cross points of peak point and ground point between neighboring trees, a refinement method using the morphological characteristics of trees were additionally used. The suggested object extraction method was tested on downtown areas and apartment complexes. The results were compared by using the value map and aerial photos. The extraction rates of building area were approximately 60% for downtown areas, and 100% for apartment complexes, and errors like buildings being merged or small buildings being deleted occurred. The extraction rates for trees and street trees information were 110% and 100% respectively in downtown areas, and 78% and 80% respectively in apartment complexes. The suggested extraction methodology for trees and street trees makes it possible to extract trees of various sizes through different size filters. Also, errors like a street facility or a few trees being extracted were prevented by refining based on point density and duplication.
The results of this research are expected to help the development of a software for processing aerial LIDAR data and the establishment and renewal of space information that corresponds to terrestrial objects. |
