노이즈 이미지에서 객체 탐지를 위한 확률적 퍼콜레이션 알고리즘

초록

본 논문은 퍼콜레이션 이론과 무작위 그래프 결과를 이용해, 형태가 알려지지 않은 객체를 잡음이 섞인 흑백 이미지에서 실시간으로 탐지하는 선형 시간 알고리즘을 제안한다. 임계값을 적절히 설정하면 검정(객체) 픽셀과 백색(배경) 픽셀의 퍼콜레이션 단계가 서로 다른 임계값을 갖게 되어, 큰 검정 클러스터가 객체 영역에, 작은 클러스터가 배경에 형성된다. 알고리즘은 일관성을 보이며, 픽셀 수에 대해 지수적 정확도를 제공한다.

상세 분석

이 연구는 이미지 분석을 통계적 가설 검정 문제로 재구성하고, 잡음이 독립적으로 섞인 흑백 이미지 모델을 수학적으로 정의한다. 관측값 Yij는 실제 픽셀값 Iij(0 또는 1)와 σ·εij(εij는 알려진 분포 F)로 구성된다. 핵심 아이디어는 잡음 분포의 누적분포함수 F를 이용해 임계값 θ(N)를 설정하고, Yij≥θ(N)인 픽셀을 검정(1)으로, 그 외를 백색(0)으로 강제 변환하는 ‘thresholding’ 과정을 수행하는 것이다. 이때 θ(N)는 두 조건 (8)·(9)을 만족하도록 선택한다. 조건 (8)은 백색 픽셀에 대한 검정 변환 확률 1−F(θ/σ)이 사이트 퍼콜레이션의 임계값 psitec보다 작아야 함을 의미하고, (9)는 검정 픽셀에 대한 변환 확률 1−F((θ−1)/σ)가 psitec보다 커야 함을 의미한다. 즉, 변환 후 검정 픽셀은 초임계(percolating) 상태가 되고, 백색 픽셀은 하위임계(subcritical) 상태가 된다. 이 차이는 Z² 격자 위에서 검정 클러스터가 크게 성장하고, 백색 영역에서는 검정 클러스터가 거의 형성되지 않음으로써 객체와 배경을 구분할 수 있게 만든다.

알고리즘은 다음 단계로 구성된다. 1) 관측된 그레이스케일 이미지에 대해 위의 θ(N) 임계값을 적용해 이진 이미지로 변환한다. 2) 변환된 이진 이미지의 픽셀을 정점으로 하는 그래프 G_N을 구성하고, 인접한 같은 색 정점 사이에 에지를 추가한다. 3) 그래프에서 검정 정점 집합 V_im(N)와 백색 정점 집합 V_out(N)를 구분하고, 각각에 대해 연결된 컴포넌트(클러스터)를 탐색한다. 4) 검정 클러스터의 최대 크기 혹은 전체 클러스터 수가 사전에 정한 임계값을 초과하면 ‘객체 존재’로 판단하고, 그렇지 않으면 ‘단순 잡음’으로 결론짓는다.

복잡도 분석에 따르면, 각 단계는 픽셀 수 N²에 비례하는 연산만을 필요로 하므로 전체 알고리즘은 O(N²) 즉 선형 시간이다. 또한, 퍼콜레이션 이론에 기반한 확률적 경계 분석을 통해, 객체가 존재할 경우 검정 클러스터가 초임계 영역에 속하므로 그 존재 확률이 1−exp(−c·N²) 형태로 지수적으로 수렴한다. 반대로, 순수 잡음 상황에서는 검정 클러스터가 하위임계 영역에 머물러 거의 발생하지 않으며, 오류 제1종(거짓 양성) 확률을 α(N)으로 제어할 수 있다. α(N)은 임계값 선택과 탐색 알고리즘의 정지 규칙에 따라 조정 가능하며, 실시간 시스템에서 허용 가능한 수준으로 설정할 수 있다.

또한, 잡음 분포 F가 연속이 아니거나 평균·분산이 존재하지 않아도, (8)·(9) 조건만 만족하면 동일한 이론이 적용된다. 이는 기존의 가우시안 잡음 가정에 얽매이지 않는 큰 장점이다. 논문은 또한 θ(N) 선택을 최적화하기 위한 두 가지 함수(10)·(11)를 제시한다. 첫 번째는 검정 픽셀 변환 확률과 백색 픽셀 변환 확률이 임계값 psitec와의 거리 제곱합을 최소화하도록 하는 방식이며, 두 번째는 두 확률 차이의 부호를 이용해 최대 차이를 만드는 방식이다. 실험에서는 작은 σ(예: σ<0.3)일 때 이러한 최적 θ가 존재함을 확인하였다.

결론적으로, 이 접근법은 객체의 형태나 매끄러움에 대한 사전 가정을 전혀 두지 않으며, 불규칙하거나 분리된 객체도 높은 정확도로 탐지한다. 퍼콜레이션 이론을 이미지 분석에 직접 적용한 최초의 사례 중 하나이며, 실시간 영상 처리, 의료 영상에서의 종양 탐지, 위성 사진의 도로·건물 검출 등 다양한 분야에 적용 가능성이 크다.