본 연구는 방대한 크기 원격 탐사 영상 자료의 효율적인 분석을 위한 RAG (Region Adjancency Graph) 기반 영상 분할 기법을 제안하고 있다. 제안된 알고리즘은 계산의 효율성을 위하여 CN-chain 연결과 저장 기억의 효율성을 위하여 sliding 다중 창을 사용한다. RAG에 의한 지역 합병은 최선의 결합을 위한 edge을 발견과 합병에 따른 graph의 갱신의 과정이다. CN-chain 연결법은 가장 유사한 인접 지역의 연결을 형성하면서 최선의 edge를 발견하여 합병을 해 나가는 과정으로 영상 자료 크기의 증가에 따라 단지 증가 배수만큼만 분석 시간을 증가시킨다. 합병에 의해 변하는 RAG의 효율적인 갱신을 위하여 RNV(Regional Neighbor Vector)를 사용하였다. 방대한 크기 자료 분석은 막대한 기억 용량의 시스템을 필요로 한다. 제안된 수평적인 구조의 sliding 다중 창 작업은 필요한 기억 용량을 현저히 감소시켜 가능한 분석 자료의 크기를 증대시켰을 뿐 아니라 계산 시간의 감소를 초래하였다. 본 연구는 simulation 자료를 사용하여 광범위하게 제안된 알고리즘의 성능을 실험하였으며 실험 결과는 알고리즘의 효율성을 입증하였다.
This study proposes RAG (Region Adjancency Graph)-based image segmentation for large imagery in remote sensing. The proposed algorithm uses CN-chain linking for computational efficiency and multi-window operation of sliding structure for memory efficiency. Region-merging due to RAG is a process to find an edge of the best merge and update the graph according to the merge. The CN-chain linking constructs a chain of the closest neighbors and finds the edge for merging two adjacent regions. It makes the computation time increase as much as an exact multiple in the increasement of image size. An RNV (Regional Neighbor Vector) is used to update the RAG according to the change in image configuration due to merging at each step. The analysis of large images requires an enormous amount of computational memory. The proposed sliding multi-window operation with horizontal structure considerably the memory capacity required for the analysis and then make it possible to apply the RAG-based segmentation for very large images. In this study, the proposed algorithm has been extensively evaluated using simulated images and the results have shown its potentiality for the application of remotely-sensed imagery.
