search for




 

Automated Analyses of Ground-Penetrating Radar Images to Determine Spatial Distribution of Buried Cultural Heritage
매장 문화재 공간 분포 결정을 위한 지하투과레이더 영상 분석 자동화 기법 탐색
Econ. Environ. Geol. 2022 Oct;55(5):551-61
Published online October 31, 2022;  https://doi.org/10.9719/EEG.2022.55.5.551
Copyright © 2022 The Korean Society of Economic and Environmental Geology.

Moonhee Kwon1,2, Seung-Sep Kim1,3,*
권문희1,2 · 김승섭1,3*

1Department of Astronomy, Space Science and Geology, Chungnam National University, Daejeon 34134, Korea
2Archaeology Division, National Research Institute of Cultural Heritage, Daejeon 34122, Korea
3Department of Geological Sciences, Chungnam National University, Daejeon 34134, Korea
1충남대학교 우주지질학과
2국립문화재연구소 고고연구실
3충남대학교 지질환경과학과
Received September 21, 2022; Revised October 28, 2022; Accepted October 28, 2022.
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
 Abstract
Geophysical exploration methods are very useful for generating high-resolution images of underground structures, and such methods can be applied to investigation of buried cultural properties and for determining their exact locations. In this study, image feature extraction and image segmentation methods were applied to automatically distinguish the structures of buried relics from the high-resolution ground-penetrating radar (GPR) images obtained at the center of Silla Kingdom, Gyeongju, South Korea. The major purpose for image feature extraction analyses is identifying the circular features from building remains and the linear features from ancient roads and fences. Feature extraction is implemented by applying the Canny edge detection and Hough transform algorithms. We applied the Hough transforms to the edge image resulted from the Canny algorithm in order to determine the locations the target features. However, the Hough transform requires different parameter settings for each survey sector. As for image segmentation, we applied the connected element labeling algorithm and object-based image analysis using Orfeo Toolbox (OTB) in QGIS. The connected components labeled image shows the signals associated with the target buried relics are effectively connected and labeled. However, we often find multiple labels are assigned to a single structure on the given GPR data. Object-based image analysis was conducted by using a Large-Scale Mean-Shift (LSMS) image segmentation. In this analysis, a vector layer containing pixel values for each segmented polygon was estimated first and then used to build a train-validation dataset by assigning the polygons to one class associated with the buried relics and another class for the background field. With the Random Forest Classifier, we find that the polygons on the LSMS image segmentation layer can be successfully classified into the polygons of the buried relics and those of the background. Thus, we propose that these automatic classification methods applied to the GPR images of buried cultural heritage in this study can be useful to obtain consistent analyses results for planning excavation processes.
Keywords : buried cultural heritage exploration, ground-penetrating radar, image feature extraction, image segmentation, machine learning
Research Highlights
  • Spatial distribution of buried heritage is characterized from groundpenetrating radar (GPR) images.

  • Features associated with buried heritage are captured by edge detection algorithms.

  • Object-based image segmentation and classification are effective to label the GPR images associated with buried heritage.

1. 서 론

문화유산의 조사 기법은 과학 기술의 발전과 발맞추어 지속적으로 발전하고 있으며, 최근에는 3차원 디지털 기록 및 복원, 비파괴 진단과 같은 다양한 첨단 과학 기술이 도입되고 있다. 매장 문화재의 지표조사 단계에서 매장되어 있는 문화유산을 보존하며 지하 구조를 예측할 수 있는 비파괴 조사방법으로 지구물리탐사가 많이 활용된다. 특히 매장 문화재 조사에 활용되는 지구물리탐사는 고고학적으로 인간의 활동 흔적이 남아 있는 문화층을 대상으로 하며 그 깊이는 5 cm에서 5 m 이내의 천부이므로 취득한 자료는 높은 해상도를 필요로 한다.

이러한 필요조건을 충족시킬 수 있는 지구물리탐사 기법으로서 지하투과레이더(Ground Penetrating Radar, GPR)는 매장 문화재 탐사에서 널리 적용되고 있으며 국내에서는 대표적으로 경주 월성, 경주 동궁과 월지에서 지하 투과레이더 탐사가 활용되었다(National Research Institute of Cultural Heritage, 2018). 매장 문화재에 대한 대규모 발굴조사는 오랜 기간에 걸쳐 인력과 예산이 투입되므로, 유적의 존재 유무 및 범위를 파악하는 시굴조사와 지구물리탐사 결과를 비교 분석하면 유적의 전체 배치를 추정할 수 있고 발굴조사를 최소화 할 수 있다. 경주 월성 역시 본격적인 발굴조사 이전에 실시한 물리탐사 결과를 바탕으로 월성 내부의 건물지의 배치를 확인하여 기초학술 조사의 자료를 마련하였고, 2014년부터 지금까지 이어온 시·발굴 조사에서 지구물리탐사 결과와 발굴조사 결과가 상당수 일치하는 것을 확인하였다(Gyeongju National Research Institute of Cultural Heritage, 2010; 2021). 이와 같이 매장 문화재에 대한 지구물리탐사는 발굴조사의 방향을 제시할 뿐만 아니라 학술 연구 및 복원·정비를 위한 정책 제안에 활용되기 때문에 탐사 결과에서 매장 문화재의 위치에 대한 높은 정확도가 요구된다(Oh et al., 2021).

따라서 탐사 현장자료 취득 시 GPS (Global Positioning System) 측량과 항공 사진측량을 수행하고, 사진측량으로부터 추출한 정사영상과 DEM (Digital Elevation Model) 자료를 활용하여 지형분석을 하거나 과거 항공사진과 수치지형도를 지리정보시스템 (Geographic Information System, GIS)에서 천부지층 지구물리탐사 결과와 함께 중첩함으로써 해석에 효율을 높이고 있다. 또한 탐사 결과에서 유구로 추정되는 반응을 GIS의 그리기 도구를 활용해 선을 긋거나 테두리를 표시함으로써 다른 연구자로 하여금 이해가 쉽도록 도시할 수 있다. 하지만 대규모 지구물리탐사 결과에서 육안으로 지하 영상을 관찰하며 유구의 위치를 수작업으로 표시하는 것은 많은 시간이 소요되며, 작업자의 경험과 유구 이해도에 따라 주관적 판단이 개입될 가능성이 높다. 대용량 지구물리 탐사 자료에서 규칙적인 배열이나 선형 구조를 자동적으로 우선 구분하는 것만으로도 유구 특성을 분류하는데 필요한 시간과 노력이 절감될 수 있다. 이런 의미에서 최근 다양한 분야에 적용되기 시작한 빅데이터 분석 및 기계학습(machine learning) 기반의 영상 분석 기술은 매장문화재에 대한 대규모 탐사자료의 효율적 영상분석 및 해석에 활용도가 높을 것으로 판단된다.

이 연구에서는 디지털 신호처리 기법 중 하나인 자동영상처리기술을 문화재 탐사 분야에 적용하고자 한다. 이러한 영상처리기술은 자율주행 자동차에서 카메라, 레이더와 같은 센서를 이용해 차선이나 장애물을 식별하는데 활발히 적용되고 있다(Park and Kim, 2017). 그러나 문화재 탐사와 같이, 대규모 지구물리탐사 자료에서 배경 잡음과 유구와 관련 없는 신호로부터 발굴 대상인 유구에 의한 신호만을 구별하기 위한 영상처리 기술의 적용 사례는 아직 전무한 실정이다. 따라서 이 연구에서는 지하투과레이더 탐사 영상으로부터 유구의 위치를 손쉽고 빠르게 추정할 수 있는 영상 특징 추출(Image Feature Extraction)과 영상 분할(Image Segmentation) 기법을 적용하였다. 연구지역은 유네스코 세계유산 경주역사유적 지구의 월성지구와 황룡사지구 사이에 위치한 신라왕경 중심방으로, 발굴조사가 진행 중인 주변 유적에 비해 본 연구지역은 신라의 방리제(고대 국가에서 활용된 도시구획 형태의 하나)를 구명할 지하 유구의 공간 정보가 부족한 상태이다. 이에 2016년과 2017년에 신라왕경 중심방 지역에서 대규모 지하투과레이더 탐사를 실시하였고, 그 결과로 얻어진 지하투과레이더 지하 영상 단면으로부터 유구로 추정되는 반응을 가려내기 위한 다양한 영상처리 기법의 적용 가능성을 살펴보았다.

2. 연구지역

2.1. 신라왕경 중심방의 고고학적 의의

신라왕경은 신라 및 통일신라 시기의 수도를 일컫는 말로서 주로 왕이 거주하고 정치활동을 하였던 경주 및 그 인근 지역을 말한다(신라왕경 핵심유적 복원 정비에 관한 특별법 제2조). 신라왕경을 구성하는 문화유산은 월성, 동궁과 월지, 황룡사 등으로 건물의 기초를 제외하면 남아 있는 물리적 실체가 거의 없는 고고학 유적이다(Kim, 2022). 신라왕경은 비슷한 시기의 주변 국가와는 달리 한차례도 천도한 적이 없어 독창적인 면모를 지니고 있다(Ju, 2020). 지배 체재가 지역 정치집단 중심의 부(部)에서 중앙집권으로 변화하면서 당시 월성 왕궁은 공간적으로 협소하게 자리하게 되었고 경주 분지의 남쪽으로 치우쳐 있다는 한계에서 벗어나기 위해 6세기 무렵 경주분지 중앙부에 왕경 조성을 기획하였다. 그 시작으로 북천의 범람이 잦은 황룡사 일대에 구유로를 정비하고 저습지를 메워 신궁 예정부지로 선정하였고, 황룡사 주변으로 도로가 갖춰지면서 거주구역이 형성되는 방제가 실시되었다. 이러한 점은 국립경주문화재연구소가 실시한 황룡사지 동편의 구황동 신라왕경 유적(S1E1지구)의 발굴조사 결과에서 확인할 수 있다(Gyeongju National Research Institute of Cultural Heritage, 2002). 이 유적지에는 길이 172m의 남북방향 도로와 이와 교차하는 167m의 동서방향 도로가 방형을 이루며 그 내부에선 담장, 가옥, 사찰 등의 건물지가 존재하여 계획 도시로서의 방리제(이방제)를 이해하는데 중요한 단서를 제공하였다. 그러나 도로나 방은 중심부에서부터 점차 확장되어 형성되고 자연 지형에 맞춰 크기가 다양하기 때문에(National Research Institute of Cultural Heritage and Gyeongju City, 2010) 하나의 유적만으로 주변 방의 축조시점과 구조를 함께 이해하는 데에는 한계가 있다. 그러므로 방의 크기와 내부 구조는 신라왕경의 골격과 관련이 있기 때문에 왕경의 중심 구역방이 어떤 형태로 조성되었는지를 밝히는 것은 신라왕경을 복원하는데 매우 중요한 요소가 된다(Lee, 2021).

신라왕경 중심방 동쪽에 위치한 황룡사지, 남쪽에 위치한 동궁과 월지는 현재 발굴조사가 진행 중이며 서쪽에 위치한 인왕동 556·566번지 유적(現 선덕여자중고등학교)은 1998년 국립경주문화재연구소에 의해 발굴조사가 완료되었다. S1E1지구에서 조사된 도로유구와 인왕동 556·566번지 유적에서 발견된 건물지 및 동서·남북방향의 도로유구 특징이 유사하기 때문에(Gyeongju National Research Institute of Cultural Heritage, 2003), 이들 사이에 위치한 신라왕경 중심방(Fig. 1)을 연구하는 것은 주변 유적과의 상관 관계 뿐만 아니라 신라의 도시설계와 확장 과정, 왕경 내 방의 모습 등 학술적인 의문점을 해결하고 신라왕경의 원형을 회복하는데 큰 도움이 될 것이다. 이 논문은 문화재청 국립문화재연구원이 2016년 “유적 보존정책 지원” 및 2017년 “디지털 고고 과학기술을 활용한 문화유산 복원” 사업의 일환으로 수행한 신라왕경 중심방 지하투과레이더 탐사의 결과 영상을 활용하였다(Oh, 2021).

Figure 1. Stacked depth slices of ground-penetrating radar (GPR) data collected in the center of the Silla Kingdom, Gyeongju, South Korea. The GPR image features associated the buried ancient roads, walls and building structures are indicated by red, blue, and green boxes, respectively. The inset satellite map of the Korean Peninsula shows the study location.
3. 지하투과레이더 탐사

3.1. 현장 자료 취득

연구지역에서 가장 가까운 유적인 인왕동 556번지 유적은 지표로부터 0.3~1.0 m 깊이에서 문화층이 노출되었고 도로 경계부와 담장 사이의 거리는 0.5 m 미만으로 밝혀졌다(Gyeongju National Research Institute of Cultural Heritage, 2003). 이와 같이 얕은 층 내에서 인접하게 분포하는 각 유구를 구분하기 위해서는 10 cm 이하의 해상도를 제공하는 고해상도 지하투과레이더 탐사 기법을 적용해야 한다. 주요 탐사 지역은 신라왕경 중심방 중 선덕여자중고등학교와 황룡사지 서편의 임해로 사이의 경작지이며, 연구지역 내 동서방향으로 관통하는 물길의 남쪽 지역은 2016년(1차)에, 북쪽 지역은 2017년(2차)에 자료를 취득하였다(Fig. 1).

황룡사 주변은 예로부터 용궁으로 지칭되며 발굴조사에서도 배수시설, 우물, 하천 자갈층이 다수 발견된 저습지이다. 고지형 연구 결과 선상지 상에 구유로(동궁과 월지, 월성으로 이어지는 발천)가 존재했으며, 조사지역의 남쪽 경계와 근접한다. 이 구간은 땅이 얼어 있는 겨울철을 제외하고는 항상 물이 고여 있거나 발이 빠질 정도로 질퍽한 땅이기 때문에 현장 자료취득은 1~2월에 진행하였다. 2016년에 수행된 1차 조사에는 미국 GSSI 사의 카트 탑재형 소형 지하투과레이더 시스템을 사용하였고, 목표 심도가 1 m 내외이므로 중심주파수 400 MHz의 안테나를 선택하였다. 가로 394 m, 세로 158 m의 조사구역 내에서 탐사가 가능했던 구간은 총 31,147 m2이었으며, 측선 간격을 0.5 m로 설정하여 총 652개의 지하투과 레이더 측선 자료를 취득하였고, 해당 위치 정보는 조사지역 경계 부분에서 GPS 점 좌표를 수집 및 활용하였다. 2017년 수행된 2차 조사에는 중심주파수 200 MHz의 안테나가 12 cm 간격을 가지며 15개의 채널을 구성하는 이탈리아 IDS 사의 다중채널레이더 StreamX 200을 다목적 차량(Utility Task Vehicle)으로 견인하며 탐사를 수행하였다. 위치 정보는 Trimble R8 GNSS(Global Navigation Satellite System)를 연동하여 실시간 RTK (Real Time Kinematics) GPS 형태로 획득하였다. 논둑으로 구분된 45개의 필지의 조사면적은 46,967 m2이며, 총 측선 수는 1,143개이다.

3.2. 지하 구조 영상화

현장에서 취득한 지하투과레이더 자료의 후처리 보정 및 영상화는 GPR-SLICE 프로그램을 활용하여 진행되었다. 추수가 끝난 농경지에서 탐사가 수행되었기 때문에 지면에는 높이 10 cm 내외의 벼 그루터기가 일렬로 남아있고, 또한 지표면에 굴곡이 있어 안테나 너비가 1.68 m인 다중채널레이더의 경우 측선마다 지표면에 닿는 안테나의 높이가 다를 수가 있다. 이를 보정하기 위하여 각 측선의 신호 시작점을 지표면으로 맞추는 후처리 작업(zero-time correction)을 시행하였고, 그 후 이득보정(gaining)과 대역통과필터(bandpass filter)를 적용하였다(Lawrence, 2013). 후처리 보정이 완료된 자료는 깊이별 평면도(time slice)로 출력하고, 진폭이 양의 방향으로 증가할수록 흑색에, 음의 방향으로 감소할수록 황토색에 가깝도록 색상을 설정하여 상대적인 신호 진폭의 변화를 공간상에 도시하였다(Fig. 1). 이 연구에서는 1차 탐사 결과에서 0.6~0.7 m 깊이, 2차 탐사 결과에서 0.3~2.3 m 깊이의 단면도 중 유구로 추정되는 신호가 가장 잘 나타나는 지하투과레이더 깊이 단면도를 중첩하여 천부 문화층 내에서 발생하는 신호를 강화시켰다.

4. 지하투과레이더 영상 분석 결과 및 토의

4.1. 매장 문화재의 주요 특징

신라왕경 중심방에서 취득한 지하투과레이더 영상 단면은 주변의 신라왕경 유적 발굴 결과를 고려하였을 때 도로, 건물지, 담장 등으로 구성되어 있을 것으로 추정된다(Fig. 1). 도로는 통행로로써 도로의 기초가 되는 기반층, 노면을 유지하기 위한 노체, 도로의 통행면인 노면 순으로 시공하고 도로가 유실되거나 침하되는 것을 방지하기 위해 배수시설이 설치되기도 한다. 노면의 포장에는 잔자갈, 모래 등이 사용되며 한번 축조된 이후 보수를 위해 증축·개축이 이루어지게 되면 노면에 변화가 생긴다. 이러한 이유로 발굴조사에서 나타나는 도로의 너비와 두께는 일정하지 않고 일부 유실되거나 또는 수레바퀴 흔적이 보존되어 발견되기도 한다(Gyeongju National Research Institute of Cultural Heritage, 2016). 또한 이러한 특성은 지하투과레이더 영상에서도 여러 겹의 선형구조가 불규칙한 너비로 나타나며 도로 내부가 비어 보이기도 한다.

건물지의 적심석은 대형 건물 지붕의 하중을 잘 견딜 수 있도록 원형으로 굴착 후 굴광 내부에 돌과 흙을 섞어서 쌓는다. 적심석군은 2개 이상의 행과 열로 비교적 일정한 거리를 두고 평행하게 축조한다. 동일 건물지 내에서 증축이 일어난 경우 적심의 배열이 중복되기도 한다. 지하투과레이더 영상 단면에서 적심은 원형 또는 점의 형태로 나타난다(Fig. 1의 녹색 박스). 또한 담장은 지면을 굴착하고 납작한 냇돌과 할석을 이용하여 기초 석렬을 축조한 후 석축 내부에 작은 돌을 채워 넣었기 때문에 지하투과레이더 단면 상에서는 굵은 선의 형태로 관찰된다. 신라왕경 중심방 탐사 결과에서 발견할 수 있는 도로, 건물지, 담장의 사례를 Fig. 1에 각각 표시하였다. 이러한 각 유구의 배열 특성을 지하투과레이더 영상 단면에서 자동 검출 및 분류하고자 한다.

4.2. 영상 특징 추출 기법

4.2.1. 영상 특징 추출 알고리듬

영상 특징 추출 기법은 영상에 포함된 중요한 정보만 남기고 나머지 부분을 생략하여 필수적인 정보를 추출하는 방법이다(Nam, 2017). 이 연구에서는 신라왕경 중심방의 지하투과레이더 영상 단면에서 적심의 원형, 도로 및 담장의 직선 형태가 추출 대상 정보가 된다. 주어진 임의의 영상에서 선을 추출하는 방법으로는 영상의 화소 밝기가 급격하게 변하는 부분인 윤곽선(edge)을 검출하는 것과 점과 점 사이를 직선으로 연결하는 방법이 있다.

윤곽선의 경우 화소 값의 x축 방향과 y축 방향의 기울기(미분)로 연산하여 검출할 수 있다(Nam, 2017). 이 때 미분 연산자는 영상의 수평 및 수직 미분 차(differential)그리고 합에 의해 윤곽선을 검출하는 1차 미분 방식과, 영상의 수평과 수직을 둔화시키고 4방향 또는 8방향으로 윤곽선을 검출하는 2차 미분 방식을 사용할 수 있다. 1차 미분 연산자에는 소벨 연산자(Sobel operator) (Duda and Hart, 1973), 2차 미분에는 라플라시안(Laplacian) 연산자가 대표적이다(Nam, 2017). 이러한 연산자를 활용하여 윤곽선을 검출하는 캐니(Canny) 알고리듬을 이 연구에 적용하였다(Canny, 1986). 잡음에 덜 민감한 것으로 알려진 캐니 알고리듬은 잡음 제거를 위해 가우시안 필터링(Gaussian filtering)을 우선 적용한 후 소벨 연산자로 미분하여 각 화소에 대한 기울기(gradient) 크기와 방향을 얻는다. 최종적으로 불필요한 윤곽선을 제거하기 위해 윤곽선 후보들 중 적용된 히스테레시스 임계값(hysteresis thresholding)을 사용하여 유효한 윤곽선만 남긴다(Canny, 1986). 이 연구에서는 이미지를 보다 단순화하기 위하여 지하투과레이더 영상을 회색조(gray) 영상으로 변환하여 분석하였다. 하지만 캐니 알고리듬 기반의 윤곽선 추출결과 또한 영상(image)으로 얻어지기 때문에 유구의 위치 결정에는 제약이 따른다. 유구의 위치 정보를 영상 특징 추출 기법으로 결정하기 위해서 아래의 허프 변환 기반의 특징 추출 기법을 적용하였다.

허프 변환(Hough Transform)은 직선 또는 원의 방정식을 구성하는 매개변수를 영상 내 모든 점을 사용하여 선(line)과 원(circle)을 정의한다. 예를 들면, 직선의 경우 캐니 알고리듬으로 추출된 윤곽선 상의 영상 픽셀(pixel)들이 일직선 상에 배열되는지를 확인하게 된다. 그러나 허프 변환은 모든 점에 대해 직선의 방정식을 계산해야 하기 때문에 비교적 많은 시간이 소모된다. 이를 개선하기 위하여 이 연구에서는 임의로 선택된 픽셀 정보만을 사용하여 허프 변환을 수행하고 그 수를 증가시켜 직선을 결정하는 확률적 허프 변환(Probabilistic Hough Transform)을 사용하였다. 또한 허프 변환이 적용된 영상은 캐니 알고리듬에 의해 결정된 윤곽선 영상이기 때문에 원자료의 모든 픽셀 정보가 아닌 윤곽선 상에 위치한 픽셀 정보를 사용하게 된다. 이 연구에서 지하투과레이더의 영상 특징 추출은 오픈 소스기반의 컴퓨터 비전과 머신러닝 라이브러리를 제공하는 OpenCV (Open Source Computer Vision Library)를 활용하여 진행하였다(e.g., Kim, 2018).

4.2.2. 영상 특징 추출 기법 적용 결과 및 시사점

신라왕경 중심방의 전체 지하투과레이더 결과에 영상 특징 추출 기법을 적용하기 앞서, 하나의 구역 영상에 우선 적용해 보았다(Fig. 2a). 해당 지역은 선형의 담장과 원형의 건물 적심석군이 보이는 지역으로 문화재 유구의 분포 특징이 육안으로 확인 가능하다. 지하투과레이더 영상에서 나타난 이러한 선형 및 원형 특징을 추출하기 위하여 캐니 윤곽선(Canny edge) 검출 알고리듬(Fig. 2b)과 허프 변환 알고리듬을 적용하였다(Fig. 2c와 2d). 캐니 윤곽선 검출의 경우 1500과 5000을 히스테레시스 임계값으로 사용하였다. 우선 캐니 윤곽선 검출 결과(Fig. 2b)를 보면 기존에 알려진 신라왕경구조(Gyeongju National Research Institute of Cultural Heritage, 2002)와 매우 유사하다. 캐니 윤곽선 검출 영상은 허프 변환 선(line) 추출(Fig. 2c)과 허프 변환 원(circle) 추출(Fig. 2d) 분석에 사용되었다. 선 추출 결과의 경우 해당 지역에 위치한 선형의 담장유구 위치를 결정하는데 활용될 수 있으며, 원추출 결과의 경우 원형의 건물 적심석군의 위치를 결정하는 데 활용될 수 있음을 확인하였다. 그러나 각각의 선 구조와 원형구조를 구별하기 위하여 거리, 임계값, 직선의 최소 길이, 직선 간 최대 간격, 원의 최소/최대 반지름 등 허프 변환에 필요한 매개변수의 수동 설정이 필요했으며, 이는 허프 변환을 전체 탐사 지역에 일괄적으로 적용할 수 없음을 지시한다. Fig. 3은 2차 조사지역에 대하여 허프 변환이 적용된 결과를 보여주는데, 지하투과 레이더 영상이 가지는 신호대잡음비로 인해 검출 목표가 되는 선형 및 원형 특징이 모두 검출되지 못하는 한계점을 보였으며, 그 정확도 또한 떨어지는 것을 확인하였다. 이는 허프 변환 기반의 영상 특징 추출 기법을 적용할 때 전체 지하투과레이더 영상에 대하여 일괄 분석을 수행하기 보다는 구역별로 영상 분석을 수행하여 유구의 위치를 추적하는 것이 효과적일 수 있음을 지시한다.

Figure 2. Comparison of image features automatically extracted from the stacked GPR time slice. (a) Original GPR time slice image, (b) Result from Canny edge detection. (c) Result from Hough transform for line detection, and (d) Result from Hough transform for circle detection.
Figure 3. Linear and circular features extracted from the GPR depth slices of the entire study area by using Hough transform (a) Linear features obtained from Hough transform for line detection, (b) Circular features obtained from Hough transform for circle detection, (c) Enlarged image of the linear features extracted from the GPR slices, and (d) Enlarged image of the circular features extracted from the GPR image shown in (a).

4.3. 영상분할 기법

4.3.1. 연결 요소 분석과 객체기반 영상분석 기법

영상분할(Image Segmentation) 기법은 영상 안의 화소를 의미 있는 영역으로 분할하여 모든 화소에 레이블(label)을 붙이는 것이다. 실시간 카메라 영상을 이용하는 컴퓨터 비전과 기계학습의 일종인 딥러닝을 이용해서 영상을 분할하는 등 영상분할 기법을 적용할 수 있는 분야는 계속 늘어나고 있다. 이 연구에서는OpenCV의 연결요소 검출 알고리듬과 QGIS의 객체기반 영상분석(Object-Based Image Analysis) 기법을 각각 적용하였다.

4.3.2. 연결 요소 분석 기법 적용 결과 및 시사점

지하투과레이더 영상은 신호의 진폭에 따라 색상을 다르게 표현할 수 있기 때문에, 탐사 결과 영상의 화소 값 차이를 이용하여 유구로 추정되는 신호들을 분리할 수 있다. 가장 간단한 영상분할 방법은 임의의 임계값(threshold)을 기준으로 주어진 회색조(grayscale) 영상을 기준보다 낮을 경우 0, 큰 경우 전부 1로 이진화(binarization) 하는 것이다. 이렇게 이진화를 통해 분리된 영상은 화소의 연결성을 기반으로 그룹화 할 수 있으며 같은 연결 성분에 속하는 화소에 동일 레이블을 할당함으로 영상 내에서 세부적인 분할을 수행할 수 있다. 이러한 접근 방법을 연결 요소 분석이라고 하며, 서로 연결된 성분 마다 색상을 다르게 부여하여 연결된 요소들의 분포 영상과 위치를 최종적으로 확인할 수 있다.

이 연구에서는 GPR 단면도 영상의 연결 요소를 분석하기위해 OpenCV의 ‘connectedComponents’ 함수를 이용하였다. 지하투과레이더 영상의 이진화를 위하여 임계값 120을 적용하였을 때 분할된 픽셀들이 과연결되는 경향성이 나타났기 때문에, 이를 방지하기 위하여 최종적으로 임계값 80을 적용하였다. 연결 요소 분석 결과, 검출된 레이블 개수는 총 7753개이며, 연결된 요소들은 원자료 상에서 관찰되는 유구의 분포와 일치함을 확인할 수 있다 (Fig. 4). 연결 요소 분석 기법의 경우 각 요소들의 위치 정보가 자동으로 결정된다는 장점이 있지만, 동일 유구에 의한 신호가 하나의 요소, 즉 하나의 레이블로 결정되지 않는 경우가 종종 있기 때문에 분석된 연결 요소들에 대한 추가적인 검증 및 분류가 필요함을 확인하였다.

Figure 4. Image segmentation result by analyzing the GPR depth slices shown in Figure 3a. (a) Color-coded image of connected components detected from all the survey area, (b) Enlarged image of the connected components displayed in (a), and (c) Enlarged image of the original GPR time slice for the same area with (b).

4.3.3. 객체기반 영상분석 기법 적용 결과 및 시사점

탐사 결과에 영향을 미치는 지형 또는 지장물 등의 요소를 GIS 프로그램에서 과거 항공사진이나 수치 표고 모델(Digital Elevation Model)과 중첩 비교하여 분석하고, 그리기 도구를 이용해 지도 위에 해석 결과를 강조를 할 수 있다는 장점 때문에 문화재 탐사 결과의 종합 해석을 위한 GIS 도구의 활용성이 함께 높아지고 있다. 특히, 이 연구에서 활용한 신라왕경 중심방의 지하투과레이더 탐사 자료는 GNSS의 위치 데이터를 동시에 취득하였으므로 GIS 프로그램 연동에 적합하다. 또한 GIS 프로그램 중 하나인 QGIS에서는 원격탐사용 오픈소스 라이브러리인 Orfeo Toolbox (OTB)를 활용하여 영상처리를 수행할 수 있다(Grizonnet et al., 2017). OTB는 고해상도의 광학, 멀티 스펙트럼 및 레이더 이미지를 처리할 수 있어 합성 개구 레이더(Synthetic Aperture Radar)의 영상처리에도 적용되며, 영상의 특징 추출, 영상 분할, 그리고 영상분류를 지원한다 (Yu et al., 2019).

이 연구에서는 연구지역 동서방향으로 475m, 남북방향으로 323m 길이에 걸쳐 존재하는 지하투과레이더 영상자료에 객체기반 영상분석 알고리듬을 적용하였다. 객체기반 영상분석은 래스터(raster) 형식의 화소기반 분류는 물론, 유사한 화소가 결합한 벡터 형식의 데이터도 함께 분석할 수 있는 방법으로, 영상분할과 영상분류의 분석 과정을 거친다.

우선 연구지역 남쪽에 위치한 신라왕경 중심방에 대한 2차 조사 지역에 대하여 영상 분할을 적용하였다. 영상분할 과정에서는 주어진 영상을 일정한 크기(tile)로 나누어 연산하는 대규모 평균이동(Large-Scale Mean-Shift; LSMS) 알고리듬을 적용하였다(Michel et al., 2015). 이 알고리즘은 주어진 원자료에 smoothing filter를 적용한 후 영상분할을 적용하며, 영역이 작은 분할 결과는 주변분할 영역에 병합되는 과정을 거친다. 최초 분석에서 256,873개의 분할영역이 생성되었으나, 이후 병합과정을 통해 최종적으로 17,695개의 벡터화된 다각형의 집합으로 결과가 출력되었다. 이 결과는 각 분할 영역에 대한 화소 값이 포함된 GIS shape 파일로 저장되어 다음 단계의 영상 분류에 사용된다.

영상 분류 자동화를 위해 OTB의 ‘TrainVectorClassfier’를 사용하여 훈련 모델을 생성하였다. 훈련데이터는 담장이나 도로와 같이 유구 구조를 포함하는 다각형 영역(polygon layer)을class 1로, 토양에 의한 반사 신호가 약한 다각형 영역을 class 2로 지정하여 생성하였다(Fig. 5a). 이 레이어와 LSMS 벡터 레이어가 교차하는 영역에서 속성을 결합하고 훈련데이터(70%)와 검증데이터(30%)로 분리하였다(Fig. 5b). 훈련데이터와 검증데이터의 각 분할 영역의 RGB(Red-Green-Blue) 평균, 분산을 훈련 값으로 사용하여 훈련모델을 생성하였다. 생성된 훈련모델을 이용하여 2차 조사지역 LSMS 벡터 레이어 전체에 랜덤포레스트(Random forest) 알고리듬의 분류기(VectorClassfier)를 적용한 결과, 탐사 결과에서 유구로 추정되는 신호를 포함하는 분할영역이 class 1로 분류되었다(Fig. 6). 또한 2차 조사지역의 훈련모델을 1차 조사지역 LSMS 벡터 레이어에 바로 적용하였을 때에도 유구에 의한 신호를 포함하는 분할영역이 일관성 있게 분류되는 것을 확인할 수 있었다.

Figure 5. Data preparation for image classification with random forest approach. (a) Example of selected layers for training. Class 1 with pink-filled polygons indicates the areas where the buried heritages are expected, whereas class 2 with green-filled polygons is associated with the areas where no buried targets are expected (e.g., soil layer). (b) Polygons selected for training (dark green) and validation (dark red) to build a classification model.
Figure 6. Image classification result for the study area. The polygon layers of the 2017 GPR data are successfully classified into class 1 (i.e., buried heritage) and class 2 (i.e., background). Only class 1 polygons classified in the 2017 data are filled with green. The same classification model developed from the 2017 GPR data as shown in Figure 5b is applied to classify the 2016 data. Although the 2016 data are not incorporated into the classification model, the polygons associated with the buried heritages are consistently classified as class 1 (purple-filled polygons).
5. 결 론

역사시대 건물은 지상의 목조 구조는 없어지고 건물터만 남아 건물의 흔적이 발굴조사를 통해 발견된다. 오랜시간 건물을 지탱하던 땅 속의 석조 구조는 배열이 흩어지거나 멸실되기도 한다. 석재 구조물은 흙에 비해 강한 전자기적 대비에 지하투과레이더 탐사 결과에서 가장 두드러지는 특징으로 나타난다. 지표조사 단계에서 수행하는 지구물리탐사는 발굴조사의 방향을 제시하며, 해석 결과를 지도 또는 도면에 중첩하기 위해 지구물리탐사 결과물을 깊이별 평면도로 출력한다. 지구물리탐사 결과에서 발견되는 건물지, 도로, 담장석은 원형의 다소 규칙적인 배열이나 선형 또는 방형의 구조를 결과 영상에서 자동으로 탐지한다면 해석의 질을 높일 수 있다. 이 연구는 경주 신라왕경 중심방에서 수행된 지하투과레이더 영상 단면도에 영상 특징 추출 및 영상 분할 알고리듬을 적용하였다. 영상 특징 추출 기법으로는 윤곽선 검출, 확률적 허프변환의 선 검출과 허프 변환 원 검출을 사용하였다. 상대적으로 좁은 영역을 가지는 지하투과레이더 영상 단면도 해석에서는 그 유용성을 확인할 수 있었으나, 전체 연구 영역에 적용하였을 때는 유구의 선형 및 원형구조가 효과적으로 검출되지 않았다. 영상분할 방식에서는 연결 요소 분석과 객체기반 영상분할 기법을 적용하였다. 연결 요소 분석의 경우, 연결된 선형 또는 사각형 반응이 각각 다른 색상으로 표현될 수 있으므로 요소간 구별이 손쉽게 이루어지지만 요수 갯수가 많기 때문에 추가적인 분석이 필요하다. 객체 영상분할의 경우 영상 분할된 결과에 대한 기계학습 기반의 영상 분류 자동화가 적용 가능하다는 이점을 확인하였다. 또한 이 경우, 연구지역에서 탐사 지역이 추후 확장된다면, 동일한 분류모델을 이용하여 지하투과레이더 상의 반응을 분류할 수 있게 되므로 매장 유구 분석에 있어 보다 일관성 있는 결과를 생산할 수 있을 것으로 판단된다.

사 사

이 논문에 대하여 세심한 수정과 의견을 제공해 주신 두 분의 심사위원님들께 감사드립니다. 이 연구는 충남대학교 학술연구비에 의해 지원되었습니다.

References
  1. Canny, J. (1986) A Computational Approach To Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, v.8(6), p.679-698. doi: 10.1109/TPAMI.1986.4767851
    CrossRef
  2. Cultural Heritage Administration-Department of Restoration and Maintenance of Core Heritage Sites of the Silla Kingdom's Capital (2021) The Capital of Silla Reawakens in 2021, Design Gongbang Press, 66p. (in Korean).
  3. Duda, R., Hart, P. (1973) Pattern Classification and Scene Analysis. John Wiley and Sons, p.271-2.
  4. Grizonnet et al. (2017) Orfeo ToolBox: open source processing of remote sensing images. Open Geospatial Data, Software and Standards, v.2(15). DOI 10.1186/s40965-017-0031-6
    CrossRef
  5. Gyeongju National Research Institute of Cultural Heritage (2002) Silla Wanggyeong Excavation Report-Hwangnyongsaji East Side S1E1 District, Papyrus Press, jeonju (in Korean).
  6. Gyeongju National Research Institute of Cultural Heritage (2003) A Report on the Excavation of 556 and 566 Inwang-dong, Gyeongju, Seojaemunhwasa, Daegu, p.14-20. (in Korean).
  7. Gyeongju National Research Institute of Cultural Heritage (2010) Current Status and Tasks of Wolseong Research in Gyeongju, Icom, Daegu, p.89-114. (in Korean).
  8. Gyeongju National Research Institute of Cultural Heritage (2016) The Streets of Silla’s Capital, Design Gongbang Press, Seoul, p.14-392. (in Korean).
  9. Gyeongju National Research Institute of Cultural Heritage (2021) Gyeongju Wolseong Prelimiary Excavation Survey Report, Design gongbang press, Seoul, 49p. (in Korean).
  10. Michel, J., D. Youssefi and M. Grizonnet, (2015) Stable Mean-Shift Algorithm and Its Application to the Segmentation of Arbitrarily Large Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, v.53(2), p.952-964, doi: 10.1109/TGRS.2014.2330857.
    CrossRef
  11. Ju, B.D. (2020) Understanding the Silla Wanggyeong, Julusung press, Seoul (in Korean).
  12. Kim, D.G. (2018) OpenCV Programming with python, Kame Press, Seoul (in Korean).
  13. Kim, E.Y. (2022) The analysis for attributes of OUV of the capital of Shilla Kingdom. Korean Journal of Cultural Heritage Studies, v.55(1), p.151-174. (in Korean with English abstract). doi: 10.22755/KJCHS.2022.55.1.151
  14. Kim, H.O. and Yeom, J.M. (2012) A Study on Object-Based Image Analysis Methods for Land Cover Classification in Agricultural Areas. Journal of the Korean Association of Geographic Information Studies, v.15(4), p.26-41. (in Korean with English abstract). http://dx.doi.org/10.11108/kagis.2012.15.4.026
    CrossRef
  15. Kim, J.S. and Kim, D.Y. (2022) Target Detection Method using Lightweight Mean shift Segmentation and Shape Features, Proceedings of the Korean Society of Computer Information Conference, Daejeon, v.30(1), p.41-44. (in Korean).
  16. Lawrence, B.C. (2013) Ground-Penetrating Radar for Archaeology-Third edition, AltaMira Press, Lanham, 14p.
  17. Lee, J.J. (2021) Paleogeomorphic Analysis of Gyeongju, Symposium on the task of the Paleogemorphic Research of Gyeongju, Gyeongju National Research Institute of Cultural Heritage, Gyeongju, p.3-20. (in Korean).
  18. Lee, S.J. (2019) The Development Process and the Archaeological Boundary of the Silla Kingdom, Symposium on Space and Function of Wolseong and The Capital of Silla Kingdom, Gyeongju National Research Institute of Cultural Heritage·Yeongnam Archaeological Society, Gyeongju, pp.10-23. (in Korean).
  19. Nam, T.H. (2017) Digital Image Processing Basics, B.D. info, Seoul, 326p. (in Korean).
  20. National Research Institute of Cultural Heritage (2006) Excavation and Prospection, Geumgang Press, Daejeon, p.47-52. (in Korean).
  21. National Research Institute of Cultural Heritage and Gyeongju City (2010) Hwangnyongsa Research Series v.6 - A Study on the Restoration of Hwangnyongsa Temple, Korean Disability Economist Daejeon Chungnam Printing Business Group, Deajeon, p.370-482. (in Korean).
  22. National Research Institute of Cultural Heritage (2018) Geophysical Prospection for Archaeology 2018, CN Printech Press, Daejeon, p.68-77.
  23. Oh, H.D. (2021) Large-scale Archaeological Prospection of Silla’s Capital, Gyeongju through High-resolution GPR Survey, Doctoral Dissertation, Pusan National University, p.70. (in Korean with English abstract)
  24. Oh, H.D. Kwon, M.H. and Stoyakin, M.A. (2021) Geophysical Prospection on the Ancient Tombs of Katartobe Burial Ground in Kazakhstan, Vestnik NSU. Series: History and Philology. v.20(3), p.36-45. (In Russian with English abstract). https://doi.org/10.25205/1818-7919-2021-20-3-36-45
    CrossRef
  25. Park, S.H. and Kim, Y.G. (2017) A Study of Detecting Curved Lane by Hough Transform for Autonomous Driving, The Korean Institute of Information Scientists and Engineers. v.2017(12), p.2104-2106. (in Korean).
  26. Yu, B.H., Park, H.C. and Lee, S.M. (2019) Improvement of Random-Forest OBIA Algorithm for Tree Anomaly Detection in UAV Imagery: Focused on the Birobong-Peak Area of Sobaeksan National Park, Proceedings of Korean Society of Environment & Ecology. Conference, v.29(1), 54p.
  27. Yu, H.E., Jung I.S., Lim, B.S. and Nam, M.J. (2021) Introduction to Useful Attributes for the Interpretation of GPR Data and an Analysis on Past Cases. Geophysics and Geophysical Exploration, v.24(3), p.113-130. (in Korean with English abstract). https://doi.org/10.7582/GGE.2021.24.3.113

 

October 2022, 55 (5)