관심영역 기반 크라우드소싱 영상데이터의 복사학적 품질평가방법 = ROI-Based Radiometric Quality Assessment Method for Crowdsourced Imagery

국문 초록 (Abstract)

본 연구는 크라우드소싱 환경에서 수집된 영상데이터의 활용성을 높이기 위해, 관심영역(region of interest, ROI) 기반 복사학적 품질평가 방법을 제안하였다. 제안 방법은 전방 영상에서 소실점을 추정하여 상부(하늘·건물)와 하부(도로·차량) 영역을 분리한 뒤, 하부 영역에 대해 선명도(Laplacian variance, Tenengrad score), 밝기·명암 대비(entropy), NR-IQA 지표(BRISQUE)를 산출한다. 또한 segment anything model을 활용해 도로 영역 마스크를 생성하고, 전체 대비 도로 비율을 ROI로 산정하고 계산하였다. 이렇게 산출된 다중 품질지표를 학습 데이터로 하여support vector machine 분류기를 구축하고, 10-fold 교차검증으로 성능을 평가하였다. 실험에는 서울 수서역 일대에서 취득한 전방 영상 3,551장을 사용하였으며, precision 0.9715, recall 0.9852, F1-score 0.9782를 달성하였다. 본방법은 ROI 중심의 정량적 품질평가를 통해 크라우드소싱 영상데이터의 자동 검수에 대한 일반화 가능성을 확보하였으며, 대규모 공간정보 갱신 과정에서 데이터 적합성 향상과 검수 비용 절감에 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This study proposes a region-of-interest(ROI)–based radiometric quality assessment method to enhance the usability of imagery collected through crowdsourcing. The proposed approach estimates the vanishing point in forwardlooking images to separate the upper (sky/buildings) and lower (road/vehicles) regions. For the lower region, radiometric quality indicators are computed, including sharpness (Laplacian variance, Tenengrad score), brightness/ contrast (entropy), and a no-reference image quality metric (BRISQUE). In addition, the segment anything model is employed to generate road masks and calculate the road-area ratio, defined as ROI. These multi-dimensional indicators are used to train a support vector machine classifier, which is evaluated through 10-fold cross-validation.
The experiment utilized 3,551 forward-looking images captured around Suseo Station, Seoul, achieving a precision of 0.9715, recall of 0.9852, and F1-score of 0.9782. The proposed ROI-centric quantitative assessment approach demonstrates strong generalization capability for automated quality verification of crowdsourced imagery, offering potential benefits for improving data fitness-for-use and reducing inspection costs in large-scale geospatial updates.