볼륨형 Bouligand Minkowski 프랙탈 기술자를 위한 함수형 데이터 분석 변환

초록

본 논문은 볼륨형 Bouligand‑Minkowski 프랙탈 기술자에 함수형 데이터 분석(FDA) 변환을 적용하여 텍스처 분류 성능을 향상시키는 방법을 제안한다. 원래의 프랙탈 차원 기반 기술자를 함수형 형태의 계수 공간으로 변환하고, 변환된 특징을 기존 데이터셋에 적용해 정확도 향상을 실험적으로 검증한다.

상세 분석

본 연구는 두 가지 핵심 아이디어를 결합한다. 첫 번째는 볼륨형 Bouligand‑Minkowski (VBM) 프랙탈 기술자 자체이다. VBM은 3차원 이미지(또는 2차원 이미지의 높이 맵)를 다양한 반경 r의 구형 구조체로 팽창시킨 뒤, 팽창된 부피 V(r)를 측정하고, V(r)와 r 사이의 로그‑로그 관계에서 프랙탈 차원 D를 추정한다. 이 과정에서 여러 반경에 대한 V(r) 값을 연속적인 함수 형태로 얻을 수 있으며, 이를 다중 차원 기술자(프랙탈 차원, 스케일 파라미터, 부피 값 등)로 구성한다. 그러나 이러한 기술자는 서로 상관관계가 높고, 고차원 공간에서의 노이즈 민감도가 문제점으로 지적된다.

두 번째 아이디어는 함수형 데이터 분석(FDA)이다. FDA는 관측값을 이산적인 점이 아니라 연속적인 함수로 모델링하고, 베이시스 함수(예: B‑스플라인)를 이용해 함수의 계수 벡터를 추출한다. 이렇게 하면 원본 데이터의 부드러운 변동성을 보존하면서 차원 축소와 잡음 억제가 동시에 이루어진다. 논문에서는 VBM 기술자를 “시간”(즉, 스케일 r) 변수에 대한 함수 f(r)로 간주하고, B‑스플라인 기반의 FDA 변환을 수행한다. 변환 결과는 원본 기술자와 동일한 차원 수를 유지하지만, 각 차원은 원본의 선형 결합이 아니라 독립적인 베이시스 계수이므로 상관성이 크게 감소한다.

실험 설계는 두 단계로 이루어진다. 첫 단계에서는 원본 VBM 기술자를 그대로 사용해 k‑최근접 이웃(k‑NN) 및 서포트 벡터 머신(SVM) 분류기를 적용한다. 두 번째 단계에서는 FDA 변환 후 얻은 계수 벡터를 동일한 분류기에 입력한다. 데이터셋은 텍스처 인식 분야에서 널리 사용되는 Brodatz, Outex 및 UIUC 등 3가지 공개 데이터베이스이며, 각 데이터셋은 10~20개의 클래스와 수백 개의 이미지로 구성된다. 성능 평가는 정확도, 정밀도, 재현율을 포함한 다중 지표로 수행한다.

결과는 두드러진 향상을 보여준다. 특히 고차원(>30) 기술자를 사용할 때 FDA 변환이 과적합을 억제하고, 클래스 간 경계가 명확해져 SVM의 마진이 넓어졌다. 또한, FDA 변환은 계산 비용 측면에서도 효율적이다. 베이시스 함수의 개수를 적절히 조절하면 원본 데이터 대비 30% 이하의 연산량으로 동일하거나 더 높은 정확도를 달성한다. 이러한 장점은 프랙탈 기반 특징이 이미지 분석, 재료 과학, 의료 영상 등 다양한 분야에 적용될 때 실시간 처리 요구를 만족시키는 데 기여한다.

논문의 한계점으로는 FDA 변환 시 베이시스 함수 선택과 차수 설정이 경험적이라는 점, 그리고 변환 후 특징의 해석이 직접적인 물리적 의미와 연결되기 어려워 “블랙박스” 성격이 남는다는 점을 들 수 있다. 향후 연구에서는 자동 베이시스 선택 알고리즘과 프랙탈 차원 해석을 결합한 하이브리드 모델을 제안한다.