SAR 이미지 잡음 제거를 위한 확률 거리와 비국소 평균

본 논문은 Synthetic Aperture Radar(SAR) 영상에서 흔히 나타나는 스페클 노이즈를 감소시키기 위한 두 가지 새로운 필터링 방법을 제안한다. 스페클은 SAR 시스템의 코히어런스 특성으로 인해 발생하는 곱셈형 잡음으로, 이미지의 시각적 품질을 저하시킬 뿐 아니라 후속 처리(분할, 분류 등)의 정확성을 크게 떨어뜨린다. 기존에는 다중룩 처리, Lee 필터, Improved Sigma 필터, SRAD와 같은 방법들이 사용되어 왔지만, 이들 대부분은 잡음 억제와 세부 구조 보존 사이에서 트레이드오프가 존재한다. 본 연구는 이러한 한계를 극복하고자, 정보 이론에서 유도된 확률 거리(stochastic distances)를 이용해 픽셀 주변 샘플이 동일한 통계적 분포를 공유하는지를 검정한다. 구체적으로, 강도 영상이 Gamma(L, L/λ) 분포를 따른다고 가정하고, 각 샘플 집합에 대해 최대우도 추정(MLE)으로 파라미터(L, λ)를 구한다. 이후 (h, φ)-다이버전스 프레임워크 내에서 Kullback‑Leibler(KL) 발산을 기반으로 한 검정 통계량 S_KL을 정의하고, 이를 χ² 분포에 근사시켜 p‑값을 계산한다. 첫 번째 제안인 Stochastic Distances Nagao‑Matsuyama(SDNM) 필터는 5×5 윈도우를 9개의 서브 영역(중심 3×3 포함)으로 나누고, 각 영역의 파라미터를 독립적으로 추정한다. 중심 영역과 다른 영역 간에 수행되는 KL 기반 검정에서 p‑값이 사전에 정해진 유의수준 η보다 크면 해당 영역을 평균에 포함한다. 이렇게 선택된 영역들의 평균값이 최종 필터링 결과가 된다. 만약 모든 주변 영역이 거부될 경우, 기본 3×3 평균값을 사용한다. 이 방식은 기존 Nagao‑Matsuyama 필터가 단순히 색상 차이나 분산을 기준으로 영역을 선택하던 것을, 통계적 적합성 검정으로 대체함으로써 더 정교한 영역 선택이 가능하도록 한다. 두 번째 제안인 Stochastic Distance Nonlocal Means(SDNLM) 필터는 비국소 평균(NL‑means) 아이디어를 차용한다. 중심 픽셀의 3×3 패치를 기준으로 24개의 이웃 패치를 비교하고, 각각에 대해 동일 분포 검정을 수행한다. 검정 결과 p‑값에 따라 가중치 w(1,i)를 부여하는데, w는 0(거부), 1(완전 수용), 혹은 2·(p‑값−η/2)/η 형태의 연속값을 갖는다. 이 부드러운 임계값 함수는 이진 수용/거부보다 더 많은 정보를 활용하도록 하며, 특히 스페클과 같은 비가우시안 잡음에 대해 더 안정적인 가중치를 제공한다. 최종 필터링 값은 가중치가 부여된 이웃 픽셀들의 가중 평균으로 계산된다. 성능 평가는 두 단계로 진행된다. 첫 번째는 Monte‑Carlo 시뮬레이션을 통한 합성 데이터 실험이며, 여기서는 세 가지 상황(다양한 L값과 평균 λ)을 설정하고 100번의 독립 복제 실험을 수행한다. 평가 지표는 ENL(Equivalent Number of Looks), 선 대비(Line Contrast), 에지 보존(Edge Gradient/Variance), UIQI(Universal Image Quality Index) 등이다. 결과는 Improved Sigma 필터가 ENL 측면에서 가장 높은 스페클 억제 효과를 보였지만, 세부 구조 보존에서는 SDNM과 SDNLM이 우수함을 보여준다. 특히 SDNLM은 선 대비와 에지 보존 지표에서 가장 낮은(좋은) 값을 기록했다. 두 번째는 실제 L‑밴드 PolSAR 이미지(덴마크 EMISAR 센서) 적용이다. 원본 HH 강도 밴드와 네 개의 필터링 결과(Improved Sigma, SRAD, SDNM, SDNLM)를 시각적으로 비교하고, 무참조 이미지 품질 지표인 BRISQUE와 ENL을 정량적으로 평가한다. BRISQUE 점수는 SDNLM이 37.38로 가장 낮아 가장 자연스러운 결과를 제공했으며, ENL 역시 기존 필터에 비해 크게 감소하지 않아 세부 구조를 보존함을 확인할 수 있다. 결론적으로, 확률 거리 기반 검정과 가중치 설계를 통해 스페클 감소와 세부 보존 사이의 트레이드오프를 효과적으로 완화시켰다. SDNM은 지역 기반으로 빠른 연산이 가능하고, SDNLM은 비국소 평균을 활용해 더 넓은 영역의 정보를 통합한다는 장점이 있다. 두 방법 모두 Gamma 모델에 기반한 통계적 검정을 핵심으로 삼아, 기존의 가우시안 가정 기반 NL‑means와는 차별화된 접근을 제공한다. 향후 연구에서는 다중밴드·다중편파 데이터에 대한 확장, 파라미터 자동 선택 메커니즘, 그리고 실시간 구현을 위한 최적화 등이 제안될 수 있다.