픽셀‑레벨 이미지 융합을 위한 퍼지 로직 기반 품질 평가

초록

본 논문은 다중 센서 영상의 픽셀‑레벨 융합을 퍼지 로직으로 수행하고, 기존의 웨이브렛 변환 및 유전 알고리즘 기반 가중 평균 DWT와 비교하여 IQI, MIM, RMSE, PSNR, FF, FS, FI, 엔트로피 등 8가지 정량 지표로 품질을 평가한다. 실험 결과 퍼지 기반 방법이 전반적으로 우수한 성능을 보인다.

상세 분석

이 연구는 이미지 융합 분야에서 퍼지 로직을 적용한 픽셀‑레벨 접근법을 제안한다는 점에서 의미가 있다. 기존 연구들(웨이브렛 기반, 유전 알고리즘을 이용한 가중 평균 DWT 등)은 주로 변환 도메인에서 계수 선택 혹은 가중 평균을 통해 정보를 결합한다. 반면 본 논문은 입력 영상의 각 픽셀을 0‑255 범위의 퍼지 집합으로 변환(fuzzification)한 뒤, 사전에 정의된 6개의 규칙 집합을 이용해 멤버십 값을 수정하고, 디퍼지화(defuzzification) 과정을 통해 최종 융합 영상을 생성한다. 이 과정은 전통적인 계수‑레벨 결합보다 연산 흐름이 단순해 보이지만, 규칙 설계와 멤버십 함수 선택이 결과 품질에 결정적인 영향을 미친다.

논문은 품질 평가를 위해 8가지 지표를 사용한다. IQI와 MIM은 각각 이미지 간 유사도와 상호 정보량을 정량화하며, RMSE와 PSNR은 왜곡 정도를 측정한다. FF, FS, FI는 융합된 정보의 양, 대칭성, 종합적인 효율성을 나타내는 특수 지표이며, 엔트로피는 정보량의 통계적 복잡성을 반영한다. 실험에서는 파노크리틱‑멀티스펙트럼, 그리고 공개 데이터셋(이미지퓨전.org) 세 종류를 대상으로 비교했으며, 표 1에 제시된 결과에서 퍼지 기반 방법이 대부분의 지표에서 최고 점수를 획득했다. 특히 FS(융합 대칭성)와 FI(융합 지수)에서 현저히 낮은(또는 높은) 값을 보여, 두 입력 영상의 정보를 균형 있게 반영함을 확인할 수 있다.

하지만 몇 가지 한계도 존재한다. 첫째, 퍼지 규칙과 멤버십 함수가 실험에 맞게 수동으로 튜닝되었으며, 일반화 가능성을 검증하기 위한 교차 검증이나 다른 센서 조합에 대한 테스트가 부족하다. 둘째, 연산 복잡도에 대한 정량적 분석이 없으며, 실시간 응용(예: 군사 감시)에서의 효율성을 평가하지 않았다. 셋째, 비교 대상이 두 가지 방법에 국한돼 있어 최신 딥러닝 기반 융합 기법과의 비교가 이루어지지 않았다. 따라서 향후 연구에서는 자동 규칙 학습(예: 퍼지 신경망)이나 하이브리드 모델을 도입하고, 다양한 데이터셋과 실시간 성능을 검증할 필요가 있다.