엔트로피 기술자를 이용한 미세구조 재구성

초록

본 논문은 기존의 상관함수 대신 두 가지 엔트로피 기반 기술자(공간·조성 불균일도와 통계적 복잡도)를 활용하여 이진·그레이스케일 이미지의 미세구조를 역재구성하는 방법을 제안한다. 다중 스케일 접근을 통해 다양한 길이 척도에서 구조 정보를 포착하고, 모의 담금질(stochastic optimization) 과정을 통해 원본 패턴과 거의 구별되지 않는 재구성 결과를 얻었다.

상세 분석

이 연구는 미세구조 재구성 문제를 엔트로피 기술자(Entropic Descriptors, EDs)라는 새로운 통계량으로 재정의한다. 첫 번째 ED는 이진 패턴에서는 공간적 불균일도, 그레이스케일 이미지에서는 조성적 불균일도를 측정한다. 이는 각 스케일(픽셀 블록 크기)에서 해당 영역 내의 구성요소 분포가 얼마나 고르게 퍼져 있는지를 엔트로피 형태로 정량화한다는 의미이다. 두 번째 ED는 통계적 복잡도(Statistical Complexity)를 나타내며, 불균일도와 최대 엔트로피(완전 무작위) 사이의 거리를 결합해 구조적 조직 정도를 평가한다. 이러한 두 지표는 전통적인 2점 상관함수(g₂(r))와는 독립적인 정보를 제공한다. 특히, 상관함수가 평균적인 거리 의존성을 포착하는 반면, ED는 지역적 확률 분포의 형태와 다양성을 동시에 반영한다는 점에서 차별성을 가진다.

알고리즘은 다음과 같이 전개된다. (1) 원본 이미지에서 여러 스케일(예: 2×2, 4×4, …)에 대해 두 ED를 계산한다. (2) 초기 후보 이미지(무작위 배치)를 생성하고 동일한 스케일에서 ED를 측정한다. (3) 후보 이미지와 원본 이미지의 ED 차이를 목적함수로 정의하고, 모의 담금질(simulated annealing) 혹은 유전 알고리즘과 같은 확률적 최적화 기법을 적용해 차이를 최소화한다. 최적화 과정에서 픽셀 교환, 색상 변환 등 기본적인 마크오버(move)를 수행하며, 각 스케일의 가중치를 조절해 다중 스케일 균형을 맞춘다.

실험에서는 2가지 이진 패턴(예: 점-선 혼합 구조, 다공성 매트릭스)과 2가지 그레이스케일 이미지(예: 자연 풍경, 재료 단면)를 대상으로 검증하였다. 모든 경우에서 재구성된 이미지의 시각적 유사성은 물론, 정량적 지표(ED 차이, 구조적 상관함수 차이)에서도 원본과 거의 구별되지 않는 결과를 얻었다. 특히, 복잡도가 높은 패턴에서는 전통적인 상관함수 기반 재구성보다 ED 기반 방법이 더 빠르게 수렴하고, 미세한 텍스처까지 복원하는 데 유리함을 보였다.

이 논문의 핵심 기여는 (1) 미세구조 정보를 다중 스케일에서 포괄적으로 포착할 수 있는 두 가지 엔트로피 기술자를 제시한 점, (2) 이러한 기술자를 목적함수로 활용해 기존 상관함수 기반 역문제 해결의 한계를 극복한 점, (3) 다양한 이미지 유형에 대해 일반화 가능한 프레임워크를 제공한 점이다. 향후 연구에서는 ED를 고차원(3D 볼륨) 데이터에 확장하거나, 물리적 시뮬레이션(예: 전자 현미경 이미지)과 결합해 재료 설계에 직접 적용하는 방향이 기대된다.