다중밴드 광학 이미지 해상도 차이를 극복한 강인한 융합 기반 변화 탐지

1. 서론 원격 탐사에서 다중시점·다중센서 데이터를 활용한 변화 탐지는 중요한 연구 분야이다. 기존의 무감독 변화 탐지 기법은 두 이미지가 동일한 공간·스펙트럼 해상도를 가질 때 픽셀‑단위 차분이나 변화 벡터 분석(CVA) 등을 적용한다. 그러나 재난 상황, 급박한 임무, 방위·보안 등에서는 서로 다른 센서가 제공하는 이미지만 이용 가능할 수 있다. 이 경우 단순 리샘플링(‘worst‑case’ 접근)으로 해상도를 맞추면 정보 손실이 크고, 기존의 고해상도·저스펙트럼 ↔ 저해상도·고스펙트럼 전용 방법도 적용 범위가 제한적이다. 2. 문제 정의 및 모델링 두 관측 이미지 Y₁∈ℝ^{m_{λ1}×m₁}, Y₂∈ℝ^{m_{λ2}×m₂}를 각각 Y₁ = L₁ X₁ R₁ + N₁, Y₂ = L₂ X₂ R₂ + N₂ 와 같이 모델링한다. 여기서 X₁, X₂는 동일한 고해상도·고스펙트럼 차원을 갖는 잠재 이미지이며, L₁, L₂는 스펙트럼 감소 행렬(센서 스펙트럼 응답을 반영), R₁, R₂는 블러·다운샘플링을 포함한 공간 감소 행렬이다. N₁, N₂는 가우시안 잡음으로 가정한다. 두 잠재 이미지 사이의 차이 ΔX = X₂ − X₁는 실제 변화 정보를 담고 있으며, 변화 영역이 공간적으로 희소하다는 가정을 ℓ₁ 정규화(또는 TV)로 구현한다. 3. 최적화 프레임워크 베이지안 MAP 추정을 통해 다음 목적함수를 정의한다. J(X₁, X₂, ΔX) = ‖Y₁ − L₁ X₁ R₁‖_F² + ‖Y₂ − L₂ X₂ R₂‖_F² + λ ‖ΔX‖₁ subject to X₂ = X₁ + ΔX. 교대 최소화 전략을 채택한다. ① ΔX 고정 → X₁, X₂를 각각 선형 시스템의 닫힌 형태 해(푸리에 변환을 이용한 역연산)로 업데이트한다. ② X₁, X₂ 고정 → ΔX는 ℓ₁ 정규화가 적용된 소프트‑쓰레싱 연산으로 간단히 구한다. 각 단계는 수렴성을 보장하며, 반복 횟수는 경험적으로 10~20회면 충분하다. 4. 시나리오별 구현 논문은 여섯 가지 가능한 시나리오를 제시한다. (a) 두 이미지 모두 고해상도·저스펙트럼, (b) 고해상도·저스펙트럼 ↔ 저해상도·고스펙트럼, (c) 저해상도·고스펙트럼 ↔ 고해상도·저스펙트럼, (d) 두 이미지 모두 저해상도·고스펙트럼, (e) 동일 해상도·다중밴드, (f) 기타 혼합 형태. 각 경우에 맞는 L₁, L₂, R₁, R₂를 정의하고, 전처리 단계에서 정합(geometric alignment)과 노이즈 추정 등을 수행한다. 5. 실험 및 결과 실제 데이터셋으로는 Landsat‑8 (30 m, 7 밴드), Sentinel‑2 (10 m, 13 밴드), WorldView‑3 (0.3 m, 8 밴드) 등을 사용하였다. 각 시나리오별로 제안 방법, ‘worst‑case’ 사전 처리, 그리고 최근 제안된 3‑step 융합 방법(문헌