대용량 위성 래스터 이미지의 HIPI 기반 분산 벡터화 시스템

초록

본 논문은 Hadoop 기반 MapReduce 환경에서 HIPI(Hadoop Image Processing Interface)를 활용해 대규모 위성 래스터 이미지를 벡터 형태로 변환하는 방법을 제시한다. 매퍼 함수만을 이용해 이미지 모자이크를 라인·폴리라인·폴리곤으로 전환하고, 리듀서는 사용하지 않는다. 변환 파이프라인은 그레이스케일 변환, 이진화, 형태학적 연산, 영역 채우기, 외곽선 추출 순으로 진행된다. 실험에서는 Landsat‑8 데이터를 3,000×3,000 픽셀 규모로 3~20장씩 처리했으며, 2대와 4대 노드 클러스터에서 실행 시간을 비교해 수평 확장성을 확인하였다. 결과는 단일 머신 대비 분산 처리 시 실행 시간이 크게 감소함을 보여준다.

상세 분석

이 연구는 위성 영상 처리에서 가장 큰 병목 중 하나인 대용량 래스터 데이터의 I/O와 메모리 요구량을 분산 컴퓨팅으로 완화하려는 시도이다. 핵심은 HIPI를 이용해 HIB(HIPI Image Bundle) 형식으로 여러 장의 이미지를 하나의 파일에 집합하고, Hadoop의 InputFormat을 커스터마이징해 이미지 블록을 매퍼에 전달한다는 점이다. 매퍼 내부에서는 OpenCV를 호출해 다음과 같은 일련의 이미지 전처리를 수행한다. 첫 단계는 FloatImage를 OpenCV 매트릭스로 변환한 뒤 그레이스케일 변환을 수행하고, Otsu 방식의 자동 임계값(graythresh)으로 이진화한다. 이후 300 px 면적 기준의 작은 객체 제거와 3×3 구조 요소를 이용한 형태학적 열림·닫힘 연산을 적용해 노이즈를 억제한다. 빈 영역은 imfill로 채우고, 10 000 px 이상의 큰 객체만을 남겨 최종 외곽선을 추출한다. 외곽선 좌표는 벡터 형태(Polyline/Polygon)로 직렬화돼 HDFS에 저장된다. 흥미로운 점은 리듀서를 전혀 사용하지 않아 매퍼 단계에서 완전한 변환이 이루어진다; 이는 각 이미지가 독립적인 작업 단위이기 때문에 가능한 설계다.

성능 평가에서는 동일한 알고리즘을 MATLAB 단일 머신에서 실행한 시간과 Hadoop 클러스터(2대·4대)에서 실행한 시간을 비교하였다. N=3(이미지 3장)일 때 MATLAB은 67 s, 2대 클러스터는 56 s, 4대 클러스터는 54 s로 약 15 % 정도의 가속을 보였다. N=20(이미지 20장)에서는 MATLAB 582 s 대비 2대 315 s, 4대 261 s로 2배 이상 속도 향상이 확인되었다. 이는 데이터 전송량이 감소하고, 벡터화된 결과가 파일 크기와 네트워크 부하를 크게 줄여 주는 효과와 일치한다.

하지만 몇 가지 한계도 존재한다. 첫째, 현재 구현은 오직 Landsat‑8의 단일 밴드(그레이스케일) 이미지에만 적용 가능하며, 다중 스펙트럼이나 고해상도(예: Sentinel‑2) 데이터에 대한 확장은 미비하다. 둘째, 매퍼 내부에서 OpenCV 호출이 Java와 JNI 경계를 오가므로 CPU 바인딩 비용이 발생할 수 있다; GPU 가속을 고려한 설계가 필요하다. 셋째, 리듀서를 배제함으로써 전역적인 후처리(예: 중복 경계 병합, 토폴로지 정제)를 수행하기 어렵다. 향후 연구에서는 이러한 전역 작업을 위한 커스텀 파티셔닝과 Reduce 단계 도입이 요구된다.

전반적으로 이 논문은 HIPI와 Hadoop을 결합해 대규모 위성 이미지의 벡터화 파이프라인을 구현한 최초 사례 중 하나이며, 데이터 전송 비용 감소와 수평 확장성을 실증적으로 보여준다. 향후 멀티밴드 지원, GPU 가속, 토폴로지 정제 기능을 추가한다면 원격 탐사 분야의 실시간 분석 및 웹 GIS 서비스에 큰 기여를 할 수 있을 것으로 기대된다.