구조적 희소성을 이용한 고광谱 혼합 해석 방법

초록

본 논문은 고광谱 이미지의 혼합 픽셀을 해석하기 위해 그래프 라플라시안으로 공간적·스펙트럼 구조를 모델링하고, 라소(L1) 정규화로 희소성을 부여한 구조적 희소 NMF(SS‑NMF)를 제안한다. 제안 기법은 인접 픽셀 간 유사성을 그래프 가중치로 연결하고, 동일 구조 내 픽셀들이 공통된 소수의 엔드멤버를 공유하도록 제약함으로써, 기존 NMF 기반 방법보다 더 정확하고 안정적인 엔드멤버와 어빌리티 추정을 가능하게 한다. 실험 결과는 다양한 잡음 수준에서 최첨단 방법들을 현저히 능가함을 보여준다.

상세 분석

SS‑NMF는 고광谱 혼합 해석(HU) 문제의 두 가지 핵심 사전 지식을 정량화한다. 첫째, 고광谱 이미지에서는 인접 픽셀들이 스펙트럼적으로 유사한 지역 구조를 형성한다는 ‘지역 평활성’ 가정이다. 이를 위해 논문은 각 픽셀을 그래프의 노드로 보고, 공간적 근접성과 스펙트럼 각도 거리(SAD)를 동시에 고려한 가중치 행렬 W를 구축한다. 이때, m×m(논문에서는 m=7) 윈도우 내에서 SAD 상위 30%에 해당하는 이웃만을 연결함으로써 경계(edge)에서의 불필요한 연결을 차단한다. 이렇게 정의된 라플라시안 L = D − W는 그래프 라플라시안 정규화 Tr(A L Aᵀ) 를 통해 학습된 어빌리티 행렬 A가 원본 데이터의 매니폴드 구조를 보존하도록 유도한다.

둘째, 실제 고광谱 픽셀은 소수의 엔드멤버만을 포함하는 ‘희소 혼합’ 특성을 가진다. 이를 반영하기 위해 라소(L1) 정규화 α‖A‖₁ 을 도입한다. 중요한 점은 라플라시안 정규화와 라소 정규화가 결합된 형태, 즉 λ Tr(A L Aᵀ) + α‖A‖₁ 이라는 구조적 희소 제약이 전체 목적함수에 포함된다는 것이다. 이 제약은 동일 그래프 클러스터에 속한 픽셀들이 비슷한 희소 어빌리티 벡터를 공유하도록 강제함으로써, 지역적 일관성과 전역적 희소성을 동시에 만족한다.

최적화는 전통적인 NMF의 곱셈 업데이트 규칙을 확장한 형태로, 라플라시안 항과 라소 항에 대한 미분을 포함한다. 라그랑주 승수와 KKT 조건을 이용해 비음수 제약을 유지하면서 수렴을 보장한다. 복잡도 분석에 따르면, 그래프 구축 단계가 O(N m²)이며, 반복 업데이트 단계는 기존 NMF와 동일한 차수의 연산을 요구한다. 따라서 대규모 고광谱 데이터에도 실용적으로 적용 가능하다.

실험에서는 두 개의 실제 고광谱 데이터셋(예: AVIRIS Cuprite, HYDICE Urban)을 사용해 SNR을 변동시킨 상황에서 비교하였다. SS‑NMF는 평균 제곱 오차(RMSE)와 스펙트럴 각도 거리(SAD) 모두에서 기존 VCA, N-FINDR, MVC‑NMF, GL‑NMF 등을 크게 앞섰으며, 특히 저 SNR(≤20 dB) 환경에서 잡음에 대한 강인성이 두드러졌다. 시각적 결과 역시 엔드멤버 스펙트럼과 어빌리티 맵이 더 명확히 구분되는 것을 확인할 수 있다.

요약하면, SS‑NMF는 (1) 그래프 라플라시안을 통한 공간·스펙트럼 구조 보존, (2) 라소 정규화를 통한 희소성 강화, (3) 두 제약을 결합한 구조적 희소 제약이라는 세 축을 통해 기존 NMF 기반 HU 방법들의 한계를 극복하고, 정량·정성 모두에서 우수한 성능을 입증한다.