공간 상관 클러터 시뮬레이션을 위한 G₀ᴬ 모델링

본 논문은 코히어런트 조명(예: B‑scan 초음파, 레이저, 소나, SAR)으로 얻어지는 이미지에서 나타나는 클러터 현상을 정량적으로 모델링하고 시뮬레이션하는 방법을 제시한다. 기존에 널리 사용되던 Kₐ 분포는 일정 수준의 이질성만을 설명할 수 있었으며, 도시·산림·극히 이질적인 지역에서는 적합도가 떨어진다. 이를 보완하기 위해 저자들은 일반화 역가우시안(GIG) 분포의 제곱근을 이용해 정의된 Gₐ 분포를 도입하고, 그 특수 경우인 두 파라미터 G₀ᴬ(α,γ,n) 를 집중적으로 연구한다. 첫 번째 섹션에서는 G₀ᴬ의 확률밀도함수와 모멘트 식을 제시한다. α는 텍스처의 거칠기를 나타내며, α ≤ −15이면 균일, −15 < α ≤ −5이면 중간 이질성, −5 < α < 0이면 극히 이질적인 영역을 모델링한다. γ는 스케일 파라미터로, γ = 1인 경우 표준화된 형태가 되며, n은 이미지의 루크 수(관측 횟수)로, n ≥ 1이다. 식(2)와 (3)에서 r차 모멘트와 평균·분산을 구할 수 있으며, α가 −½보다 작을 때만 모멘트가 유한함을 보여준다. 또한, G₀ᴬ와 정규분포의 꼬리 차이를 시각화해, G₀ᴬ가 극단적인 변동성을 잘 포착함을 확인한다. 두 번째 섹션에서는 공간 상관을 포함한 G₀ᴬ 필드 Zₐ(k,ℓ)를 정의한다. 정의 1에 따라 마진은 G₀ᴬ(α,γ,n)이며, 평균·분산·상관함수 ρ_Zₐ를 명시한다. γ와 ρ_Zₐ는 독립적이므로, 먼저 γ = 1인 표준 필드를 생성한 뒤 스케일링하면 된다. 핵심은 “Transformation Method”이다. 절차는 다음과 같다. (1) 목표 상관 구조 ρ_Zₐ를 설계한다. (2) 표준 정규 랜덤 필드 ζ(i,j)를 생성하고, 원하는 상관 τ_ζ를 부여한다. (3) ζ를 누적분포함수 Φ를 통해 균등 U(0,1) 변수로 변환한다. (4) U를 G₀ᴬ의 역누적분포 G⁻¹(·;(α,1,n)) 로 변환한다. 여기서 τ_ζ와 ρ_Zₐ 사이의 관계는 함수 Ψ(α,n) 로 정의되며, Ψ는 수치적 적분을 통해 얻는다. Ψ는 단조 증가하고 (−1,1) 구간에 제한되며, α가 크게 음수일수록 Ψ는 항등에 가까워져 가우시안과 동일해진다. 따라서 τ_ζ = Ψ⁻¹(ρ_Zₐ) 를 풀어야 하는데, 이는 전산적으로 복잡하지만 표와 그래프를 제공해 실용적인 근사값을 제시한다. τ_ζ를 실제로 구현하기 위해 저자들은 2‑D 푸리에 변환 기반의 스펙트럴 방법을 사용한다. 먼저 목표 상관 함수 ρ(k,ℓ)를 주기적으로 확장하고, 해당 함수를 푸리에 변환해 스펙트럼을 얻는다. 이후 복소 정규 난수를 생성하고, 스펙트럼과 곱한 뒤 역 FFT를 수행하면 원하는 상관을 갖는 ζ 필드가 생성된다. 이 방법은 직접 컨볼루션보다 메모리와 연산 효율이 뛰어나며, 대규모 이미지(예: 1024 × 1024)에도 적용 가능하다. 음의 상관값을 허용한다는 점은 중요한 혁신이다. 기존 Kₐ 기반 모델은 양의 상관만 다룰 수 있었으며, SAR 이미지에서 그림자 영역이 주변 픽셀과 반대로 변동하는 현상을 재현하지 못했다. G₀ᴬ와 제안된 변환 방법은 ρ_Zₐ에 음의 값을 허용함으로써 이러한 현상을 자연스럽게 시뮬레이션한다. 다만, 매우 작은 |ρ| 혹은 α가 -0.5에 가까운 경우 Ψ⁻¹의 수치적 불안정성이 발생할 수 있으며, 기계 정밀도 제한으로 인해 일부 상관 구조는 구현이 어려울 수 있다. 마지막으로, 논문은 시뮬레이션 결과를 통해 다양한 α와 n 값에 대해 τ와 ρ의 관계를 그래프로 제시하고, 실제 SAR 이미지와의 시각적·통계적 일치를 확인한다. 또한, 제공된 FORTRAN 코드와 테이블을 통해 연구자들이 손쉽게 G₀ᴬ 클러터를 생성하고, 검출 알고리즘·분류 모델·신호 처리 기법을 테스트할 수 있도록 지원한다. 전반적으로 이 연구는 복잡한 공간 상관을 갖는 클러터 모델링에 대한 이론적 기반을 확립하고, 실용적인 시뮬레이션 도구를 제공함으로써 원격탐사·레이더·초음파 분야의 연구와 응용에 큰 기여를 한다.