영상분류 (Image Classification)
쉽게 풀면
위성사진의 각 칸을 색깔 특성을 보고 숲, 도시, 물 등으로 분류하는 작업이다. 위성사진 속 색깔을 보고 컴퓨터가 '여긴 논, 저긴 도시'라고 자동으로 색칠하는 작업이다.
왜 중요한가
위성영상의 화소를 토지피복 유형으로 분류해 산림·농경지·도시 면적을 산출하는 원격탐사의 핵심 작업으로, 토지피복 분류와 변화 탐지의 전제입니다. 최근에는 딥러닝 기반 분류가 정확도를 높여 국가 토지피복도 갱신에 실무적으로 적용되고 있습니다.
논문에서는 이렇게 쓰입니다
영상분류는 감독분류와 무감독분류로 크게 나뉘며, 이후 정확도평가를 통해 분류결과의 신뢰성을 검증한다.
감독분류와 무감독분류의 구분과 감독분류의 처리 절차를 설명한 문장이다.
조금 더 깊게 보면
감독 분류와 무감독 분류는 훈련 자료 유무로 나뉘지만, 실제 작업은 둘을 결합하고 분류 후 수작업 수정을 거치는 경우가 많습니다. 분류 정확도는 검증 자료의 표본 설계에 크게 좌우되므로 정확도 수치만 비교하면 오도될 수 있고, 화소 기반과 객체 기반 분류는 고해상도 영상에서 결과가 크게 다릅니다. 최근에는 화소 하나하나가 아니라 유사한 화소들을 먼저 세그먼트(객체)로 묶은 뒤 분류하는 객체기반영상분석(OBIA)이 확산되었는데, 특히 고해상도 영상에서 소금-후추 잡음(고립된 오분류 화소)을 줄이는 데 효과적이다. 분류 결과는 실제 현장에서 확인한 검증용 표본 자료와 대조해 전체정확도, 카파계수 등의 지표로 성능을 평가한다. 최근에는 합성곱 신경망(딥러닝) 기반 분류가 전통적 통계 기법보다 복잡한 패턴을 학습해 높은 정확도를 보이는 경우가 늘고 있다. 동일한 영상이라도 분류 항목 수를 세분화할수록 항목 간 경계가 모호해져 전체 정확도가 낮아지는 경향이 있다.
주의할 점
분광특성이 유사한 지표유형(예: 도심 나지와 도로)은 오분류가 발생하기 쉬워 보조자료 활용이 필요할 수 있다.
분류 결과 지도를 실제 정책자료로 쓰기 전에는 반드시 별도의 현장 검증 표본으로 정확도를 확인하는 절차를 거쳐야 한다. 동일한 영상이라도 분류 소프트웨어나 알고리즘 설정에 따라 결과가 달라질 수 있다.