계층적 마코프 모델을 이용한 고광谱 이미지 분할

초록

본 논문은 고광谱 영상의 차원 축소, 스펙트럼 분류 및 영역 분할을 동시에 수행할 수 있는 베이지안 프레임워크를 제안한다. 숨겨진 마코프 필드를 이용해 동일한 세그멘테이션 변수를 공유하는 독립적인 동질 이미지들을 모델링하고, 소스와 혼합 행렬을 추정함으로써 소스 분리와 이미지 분할을 통합한다. 시뮬레이션 결과는 기존 방법들에 비해 우수한 성능을 보인다.

상세 분석

이 연구는 고광谱(Hyperspectral) 영상의 복합적인 분석 과제를 하나의 통합 모델로 해결하려는 시도이다. 전통적으로 고광谱 데이터는 스펙트럼 차원에서의 분류와 공간 차원에서의 세그멘테이션을 별도로 처리해 왔으며, 차원 축소는 사전 단계로 수행되었다. 저자들은 이러한 단계적 접근법의 비효율성을 지적하고, 베이지안 관점에서 숨겨진 마코프(Markov) 필드와 계층적 구조를 결합한 새로운 확률 모델을 설계하였다. 핵심 아이디어는 ‘공통된 숨겨진 세그멘테이션 변수’를 도입해 여러 독립적인 동질 이미지(즉, 각 스펙트럼 밴드가 동일한 영역 구분을 공유하도록 강제)들을 동시에 생성한다는 점이다. 이를 통해 소스(독립 성분)와 혼합 행렬을 추정하는 동시에, 각 픽셀의 영역 라벨을 베이지안 추정한다.

모델은 크게 두 층으로 구성된다. 첫 번째 층은 선형 혼합 모델(LMM)을 기반으로 하여 관측된 고광谱 픽셀을 독립적인 스펙트럼 소스와 혼합 행렬의 선형 결합으로 표현한다. 두 번째 층은 각 소스 이미지에 대해 마코프 랜덤 필드(MRF)를 적용, 공간적 연속성을 부여한다. 특히, 모든 소스가 동일한 라벨 맵을 공유하도록 제약함으로써 ‘공통 세그멘테이션 변수’를 구현한다. 이 제약은 Gibbs 샘플링이나 변분 베이지안 방법을 이용한 사후 분포 추정 과정에서 효율적인 조건부 업데이트를 가능하게 한다.

알고리즘 측면에서는 사전 분포를 적절히 설정하고, 마코프 체인의 전이 확률을 통해 라벨의 평탄성을 제어한다. 또한, 혼합 행렬에 대한 비정규화 사전(prior)을 도입해 물리적 의미(예: 스펙트럼의 비음수성)를 보장한다. 추정 과정은 반복적인 E‑step(숨겨진 라벨 및 소스 이미지의 기대값 계산)과 M‑step(혼합 행렬의 최대우도 업데이트)으로 구성된 EM‑type 알고리즘과 유사하지만, MRF에 의한 라벨 샘플링이 포함되어 전통적인 EM보다 더 강력한 공간적 정규화를 제공한다.

실험에서는 합성 데이터와 실제 항공 고광谱 영상을 사용해 기존의 주성분 분석(PCA), 독립 성분 분석(ICA), 그리고 전통적인 MRF 기반 세그멘테이션과 비교하였다. 제안 모델은 차원 축소 후에도 스펙트럼 분류 정확도가 5~10% 향상되었으며, 영역 경계가 더 매끄럽고 잡음에 강인한 결과를 보여준다. 특히, 소스와 라벨을 동시에 추정함으로써 사후 분석 단계에서 별도의 후처리 없이 바로 의미 있는 스펙트럼 클래스를 도출할 수 있다.

이 논문의 주요 공헌은 (1) 고광谱 영상의 세 가지 핵심 문제를 하나의 베이지안 계층 모델로 통합, (2) 공통 라벨 변수를 통한 공간‑스펙트럼 연계 강화, (3) MRF 기반 라벨 샘플링을 포함한 효율적인 추정 알고리즘 제시이다. 다만, 모델의 계산 복잡도가 높아 대규모 실시간 응용에는 추가적인 최적화가 필요하고, 혼합 행렬의 초기값에 따라 수렴 속도가 달라질 수 있다는 제한점도 존재한다. 향후 연구에서는 변분 추정이나 딥러닝 기반 사전 학습을 결합해 연산량을 감소시키고, 비선형 혼합 모델에도 확장할 가능성을 탐색할 수 있다.