최대우도와 퍼지 로직을 결합한 토지피복 분류 기법

초록

본 논문은 전통적인 최대우도(Maximum Likelihood) 분류기에 퍼지 로직을 도입하여 공간·스펙트럼·텍스처 정보를 동시에 활용하는 토지피복 분류 체계를 제안한다. 퍼지 멤버십 함수를 통해 각 픽셀의 클래스 소속 가능성을 연속적으로 표현하고, 이를 기반으로 다중 특성 융합을 수행한다. 실험 결과, 제안 기법은 기존 최대우도 분류와 비교해 전반적인 정확도와 Kappa 계수를 현저히 향상시켰으며, 특히 경계가 모호한 토지 유형에서 강인한 성능을 보였다.

상세 분석

본 연구는 원격탐사 이미지 분류에서 가장 널리 사용되는 최대우도(Maximum Likelihood, ML) 분류기의 근본적인 한계—즉, 픽셀 단위의 독립성 가정과 이진적인 클래스 할당 방식을 극복하고자 퍼지 로직(Fuzzy Logic)을 결합한 새로운 프레임워크를 설계하였다. 먼저, 입력 영상은 다중 스펙트럼(Multispectral) 혹은 고분광(Hyperspectral) 데이터로 가정하고, 각 밴드별 반사율 값을 정규화한 뒤, 공간적 연속성을 보강하기 위해 3×3 혹은 5×5 윈도우 기반의 텍스처 지표(예: GLCM 기반 에너지, 엔트로피)를 추가로 추출한다. 이렇게 구성된 피처 벡터는 기존 ML 분류기의 확률 밀도 함수(PDF) 추정 단계에 그대로 투입되지만, 클래스별 확률값을 바로 이진 라벨로 전환하지 않는다. 대신, 각 클래스에 대해 퍼지 멤버십 함수를 정의하여 “소속 가능도”를 0~1 사이의 연속값으로 표현한다. 멤버십 함수는 가우시안형 혹은 삼각형형을 선택적으로 적용할 수 있으며, 실험에서는 가우시안형이 가장 안정적인 결과를 제공하였다.

퍼지 멤버십 값은 이후 ‘퍼지 평균(Fuzzy Mean)’과 ‘퍼지 공분산(Fuzzy Covariance)’을 계산하는 데 사용된다. 이는 전통적인 ML이 평균과 공분산을 고정된 샘플 집합에서 추정하는 것과 달리, 각 샘플에 가중치를 부여함으로써 경계 영역에서의 불확실성을 정량화한다. 또한, 공간적 연속성을 강화하기 위해 인접 픽셀들의 멤버십 값을 평균화하는 ‘퍼지 공간 스무딩(Fuzzy Spatial Smoothing)’ 절차를 도입하였다. 이 과정은 이미지의 잡음에 대한 내성을 높이고, 토지피복 경계가 흐릿한 경우에도 부드러운 클래스 전이를 가능하게 한다.

알고리즘 흐름은 다음과 같다. (1) 사전 학습 단계에서 각 클래스별 가우시안 PDF 파라미터와 초기 퍼지 멤버십 함수를 추정한다. (2) 테스트 단계에서 각 픽셀에 대해 스펙트럼·텍스처 피처를 계산하고, 해당 피처를 이용해 클래스별 가우시안 확률값을 구한다. (3) 확률값을 퍼지 멤버십 함수에 매핑하여 소속 가능도를 얻고, (4) 퍼지 공간 스무딩을 적용해 최종 멤버십 값을 업데이트한다. (5) 최종 클래스 라벨은 최대 멤버십 값을 가진 클래스로 결정한다.

성능 평가는 전체 정확도, 평균 정확도, Kappa 계수 외에도 클래스별 사용자·생산자 정확도, 그리고 경계 정확도를 측정하기 위해 ‘오류 행렬(Confusion Matrix)’과 ‘경계 F1-score’를 활용하였다. 실험에 사용된 데이터셋은 미국 국립공원 지역의 Landsat 8 다중 스펙트럼 이미지와, 동일 지역의 고해상도 UAV 촬영 영상이다. 결과적으로, 퍼지 로직을 결합한 ML 분류기는 전통적인 ML 대비 평균 정확도가 약 4.3%p 상승하고, Kappa 계수는 0.78에서 0.85로 개선되었다. 특히, 수목과 건축물 경계 구역에서 오류율이 크게 감소했으며, 이는 퍼지 공간 스무딩이 경계 불확실성을 효과적으로 완화했음을 의미한다.

한계점으로는 퍼지 멤버십 함수의 형태와 파라미터 설정이 결과에 민감하게 작용한다는 점이다. 현재는 경험적 튜닝에 의존하고 있어, 자동 파라미터 최적화 기법이 추가된다면 더욱 일반화된 적용이 가능할 것으로 보인다. 또한, 고차원 고분광 데이터에서의 계산 복잡도가 증가하는 문제도 존재한다. 향후 연구에서는 차원 축소(예: PCA, Autoencoder)와 결합한 퍼지 ML 모델을 개발하고, 실시간 처리 가능성을 검증할 계획이다.