전기자기 최적화를 활용한 다중 임계값 이미지 분할 알고리즘

초록

본 논문은 전기자기 최적화(EMO) 알고리즘을 이용해 다중 임계값(MT) 분할을 수행한다. 히스토그램에서 무작위 샘플을 추출해 입자(population)를 구성하고, Otsu와 Kapur의 객관식 함수를 적합도 평가에 사용한다. EMO의 인력·반발 메커니즘으로 후보 해를 진화시켜 최소 반복 횟수로 최적 임계값을 찾으며, 실험을 통해 기존 전통적 방법 대비 계산량이 크게 감소하고 분할 품질이 향상됨을 입증한다.

상세 분석

EMO(Electromagnetism‑Like Optimization) 알고리즘은 입자 각각을 전하로 모델링하고, 전하량을 적합도에 비례시켜 인력·반발을 계산한다. 높은 적합도를 가진 입자는 양전하가 크게 부여되어 다른 입자를 끌어당기고, 낮은 적합도 입자는 음전하가 되어 주변 입자를 밀어낸다. 이러한 물리적 메커니즘은 탐색 단계에서 전역 탐색 능력을, 수렴 단계에서는 지역 탐색 능력을 동시에 제공한다는 점에서 차별화된다.

다중 임계값 분할은 이미지 히스토그램을 여러 구간으로 나누어 각 구간을 하나의 클래스로 정의한다. 전통적인 완전 탐색 방식은 조합 폭이 급격히 증가해 계산량이 비현실적이지만, EMO는 무작위 샘플링을 통해 후보 임계값 집합을 히스토그램 내에서 효율적으로 탐색한다. 후보 입자는 k개의 임계값을 순서대로 정렬한 벡터이며, 각 입자의 적합도는 Otsu의 클래스 간 분산 혹은 Kapur의 엔트로피를 이용해 평가된다. Otsu는 클래스 간 분산을 최대화함으로써 밝기 대비를 강조하고, Kapur는 정보 엔트로피를 최대화해 텍스처 정보를 보존한다. 두 객관식 함수를 선택적으로 적용함으로써 사용자는 분할 목적에 맞는 최적화 목표를 설정할 수 있다.

EMO 연산은 크게 전하 계산, 힘 벡터 합산, 이동 단계로 구성된다. 전하 계산 시 적합도 정규화를 통해 전하값을 0~1 사이로 제한하고, 힘 벡터는 모든 다른 입자와의 거리와 전하 곱에 비례한다. 이동 단계에서는 입자를 현재 위치와 힘 벡터 방향으로 일정 비율(학습률)만큼 이동시키며, 경계 조건을 초과하면 반사 혹은 클리핑을 적용한다. 이러한 절차를 반복하면서 입자 군집은 전역 최적점 근처로 수렴한다.

실험에서는 표준 이미지(예: Lena, Cameraman, Baboon)와 다양한 잡음 수준을 가진 이미지에 대해 2~5개의 임계값을 설정하였다. 성능 평가는 PSNR, SSIM, 그리고 분할 시간으로 이루어졌으며, EMO‑Otsu와 EMO‑Kapur 모두 전통적 완전 탐색 Otsu/Kapur 대비 10배 이상 빠른 수렴을 보였다. 특히 고차원(다중 임계값) 상황에서 EMO는 지역 최적에 빠지는 현상이 적고, 잡음에 강인한 임계값을 찾아내는 경향이 있었다.

하지만 몇 가지 한계도 존재한다. 첫째, 초기 입자 분포가 균등하지 않을 경우 수렴 속도가 저하될 수 있다. 둘째, 파라미터인 인구 규모와 이동 비율을 데이터마다 튜닝해야 하는 부담이 있다. 셋째, EMO는 기본적으로 연속적인 탐색 공간을 전제로 하므로, 히스토그램이 매우 이산적이거나 빈도가 낮은 구간이 많을 경우 전하 계산이 불안정해질 수 있다. 이러한 점들은 향후 적응형 파라미터 제어 혹은 하이브리드 메타휴리스틱과의 결합을 통해 보완될 여지가 있다.