공간 상관성을 활용한 고광谱 이미지 언믹싱 혁신

초록

본 논문은 고광谱 이미지의 픽셀 간 공간 상관성을 고려한 베이지안 언믹싱 프레임워크를 제안한다. 이미지 영역을 동질적인 풍부도 통계 특성을 갖는 클래스로 구분하고, 각 클래스 내에서 마코프 랜덤 필드(MRF)로 공간 의존성을 모델링한다. 선형 혼합 모델과 백색 가우시안 잡음을 가정한 뒤, 사후 분포를 마코프 체인 몬테 카를로(MCMC) 샘플링으로 추정하여 풍부도, 클래스 평균·분산, 그리고 분류 맵을 동시에 복원한다. 합성 및 실제 데이터 실험을 통해 기존 방법 대비 정확도가 크게 향상됨을 보였다.

상세 분석

이 연구는 고광谱 이미지 언믹싱에서 가장 흔히 사용되는 선형 혼합 모델(LMM)을 기반으로 하면서, 기존 연구들이 무시해 온 픽셀 간 공간 상관성을 명시적으로 모델링한다는 점에서 차별성을 가진다. 먼저 이미지 전체를 여러 개의 클래스로 구분하고, 각 클래스 내에서는 풍부도 계수(abundance)의 통계적 특성이 동일하다고 가정한다. 이러한 가정은 실제 자연 장면에서 동일한 지질학적 혹은 식생적 특성을 공유하는 영역이 존재한다는 물리적 직관에 부합한다.

클래스 내부의 공간 의존성은 마코프 랜덤 필드(MRF)로 표현한다. 구체적으로, 각 픽셀의 클래스 라벨은 주변 이웃 라벨과의 상호작용 에너지에 의해 결정되며, 이는 베르누이 혹은 Potts 모델 형태로 구현된다. MRF는 라벨링이 부드럽고 경계가 명확하게 유지되도록 유도함으로써, 풍부도 추정 시 노이즈에 대한 강인성을 제공한다.

선형 혼합 모델은 관측 스펙트럼 y_i를 엔드멤버 행렬 M과 풍부도 벡터 a_i의 곱으로 표현하고, 여기에 백색 가우시안 잡음 ε_i~N(0,σ²I)를 더한다. 베이지안 관점에서 풍부도 a_i는 클래스별 평균 μ_c와 공분산 Σ_c를 파라미터로 하는 다변량 정규분포 N(μ_c, Σ_c)에서 사전 분포를 갖는다. 하이퍼파라미터 μ_c, Σ_c, σ²는 비정보적 혹은 공변량 구조를 반영한 적절한 초사전(prior)으로 설정된다.

복잡한 결합 사후 분포는 직접적인 해석이 불가능하므로, Gibbs 샘플링 기반의 MCMC 알고리즘을 설계한다. 각 반복에서 (1) 클래스 라벨 z_i를 주변 라벨과 현재 풍부도 추정치를 이용해 조건부 사후 확률에 따라 업데이트하고, (2) 풍부도 a_i를 현재 클래스 라벨과 하이퍼파라미터에 대한 정규조건부분포에서 샘플링하며, (3) 하이퍼파라미터 μ_c, Σ_c, σ²를 공액 사전분포에 따라 갱신한다. 이러한 순환 과정은 사후 평균 또는 MAP 추정값을 얻기에 충분히 수렴한다는 점을 실험적으로 검증한다.

실험에서는 합성 데이터에서 클래스 경계가 명확히 구분되는 경우와, 실제 항공·위성 고광谱 이미지(예: AVIRIS, HYDICE)에서의 적용을 통해, 제안 방법이 전통적인 픽셀 독립적 LMM 기반 방법보다 평균 제곱오차(MSE)와 스펙트럴 각도 거리(SAD)에서 현저히 낮은 값을 기록한다. 특히, 공간적 스무딩 효과가 강한 MRF 덕분에 경계 근처의 풍부도 추정이 부드럽게 보정되며, 잡음에 민감한 픽셀에서도 안정적인 복원이 가능함을 확인한다.

이 논문의 주요 기여는 (1) 클래스 기반 공간 모델링을 통한 풍부도와 라벨의 공동 추정 프레임워크 제시, (2) 베이지안 MCMC 추론을 통한 복합 사후 분포의 효율적 샘플링, (3) 실험을 통한 실제 적용 가능성 입증이다. 다만, MCMC 샘플링의 계산 비용이 높은 점과 클래스 수 사전 지정이 필요하다는 제한점이 남아 있다. 향후 연구에서는 변분 베이지안 방법이나 딥러닝 기반 사전 학습을 통해 연산 효율성을 높이고, 자동 클래스 수 추정 메커니즘을 도입할 여지가 있다.