타당한 타원·타원체 적합을 위한 이상치 제거 기법

초록

본 논문은 타원·타원체 모델링 과정에서 발생하는 다양한 형태의 이상치를 효과적으로 제거하기 위해 두 단계로 구성된 알고리즘을 제안한다. 첫 단계에서는 그래프 라플라시안을 이용한 근접 기반 이상치 탐지를 수행하고, 두 번째 단계에서는 RANSAC과 유사한 모델 기반 검증을 통해 남은 이상치를 걸러낸다. 실험 결과, 제안 방법은 기존 방법에 비해 높은 견고성을 보이며, 복잡한 잡음 환경에서도 정확한 타원·타원체 적합을 가능하게 한다.

상세 분석

제안된 알고리즘은 “근접 기반”과 “모델 기반” 두 가지 검출 메커니즘을 순차적으로 적용함으로써 각각의 약점을 보완한다. 첫 단계에서는 입력 점들을 정점으로 하는 완전 그래프를 구성하고, 거리 기반 가중치를 부여한 뒤 라플라시안 행렬을 계산한다. 라플라시안의 두 번째 고유벡터(페이즈 전이 벡터)를 이용해 정점들을 두 그룹으로 분할하고, 고유벡터 값의 절대값이 큰 정점을 잠재적 이상치 후보로 선정한다. 이 과정은 데이터가 밀집된 영역과 희소한 영역을 자연스럽게 구분하므로, 클러스터형 이상치나 고립된 잡음에 강인하다. 그러나 순수히 거리만을 고려하기 때문에, 모델에 부합하지만 주변 점과 거리가 먼 정상점(예: 타원 곡선의 끝 부분)도 이상치로 오분류될 위험이 있다. 이를 보완하기 위해 두 번째 단계에서는 RANSAC과 유사한 샘플링-검증 절차를 도입한다. 먼저 초기 모델 파라미터를 최소 3개의 점(2D 타원) 혹은 9개의 점(3D 타원체)으로 추정하고, 전체 데이터에 대한 잔차를 계산한다. 잔차가 사전 정의된 임계값 이하인 점들을 인라이어로 간주하고, 인라이어 집합이 충분히 커질 때까지 반복한다. 이때 첫 단계에서 이미 제거된 명백한 이상치는 샘플링 대상에서 제외되므로, RANSAC의 반복 횟수가 크게 감소한다. 결과적으로 계산 비용은 크게 절감되면서도, 모델에 부합하지만 거리 기반 기준에 의해 놓친 이상치를 효과적으로 탐지한다. 알고리즘의 핵심 장점은 (1) 그래프 라플라시안을 통한 전역적인 구조 파악, (2) RANSAC의 로컬 모델 검증을 결합함으로써 다양한 형태의 잡음에 대한 강인성 확보, (3) 두 단계가 상호 보완적으로 작동해 전체 복잡도를 낮춘다. 한계점으로는 라플라시안 고유벡터 계산이 O(N³) 수준의 비용을 요구한다는 점과, 임계값 설정이 데이터 특성에 따라 민감하게 작동한다는 점이 있다. 향후 연구에서는 스펙트럴 클러스터링의 근사 방법이나 적응형 임계값 전략을 도입해 실시간 응용에 적용할 가능성을 탐색할 수 있다.