MATLAB 기반 디지털 이미지 상관 분석의 병렬 처리 효율성

초록

본 논문은 디지털 이미지 상관(DIC) 알고리즘을 MATLAB 환경에서 구현하고, 정수‑픽셀 및 서브‑픽셀 탐색 방법들을 다양한 병렬화 전략(서브‑이미지 병렬, 이미지 쌍 병렬)과 결합하여 성능을 평가한다. 하드웨어 차이(멀티코어 CPU, GPU)와 구현 세부사항이 실제 실행 속도에 미치는 영향을 실험적으로 분석한 결과, 이론적으로 우수한 역‑합성 가우스‑뉴턴(IC‑GN)보다 뉴턴‑라프슨(NR)과 수정된 입자군집 최적화(PSO) 조합이 더 빠르게 동작함을 확인하였다. 또한 병렬 작업 선택이 부적절하면 오히려 오버헤드가 증가해 성능이 저하될 수 있음을 강조한다. 현재 하드웨어 수준에서는 실시간 고프레임 레이트 달성이 아직 어려운 상황이다.

상세 분석

이 연구는 DIC의 핵심 두 단계인 정수‑픽셀 탐색과 서브‑픽셀 보정에 사용되는 알고리즘을 체계적으로 비교한다. 정수‑픽셀 단계에서는 전통적인 Brute Force Search(BFS), 기본 Particle Swarm Optimization(PSO), 그리고 별도 스타 서치가 통합된 수정 PSO를 구현하였다. 서브‑픽셀 단계에서는 Newton‑Raphson(NR), 역‑합성 Gauss‑Newton(IC‑GN) 두 구현(자체 구현 버전과 Baker‑Matthews 버전)을 사용하였다. 각 알고리즘은 상관 계수(Zero‑Normalized Cross‑Correlation)를 최적화 목표로 하며, 탐색 영역을 25픽셀 반경으로 제한해 실시간성을 가정하였다.

병렬화 전략은 크게 두 축으로 나뉜다. 첫째는 “sub‑image parallelism”으로, 하나의 이미지 쌍 내에서 서로 다른 서브‑이미지를 독립적으로 처리한다. 둘째는 “image‑pair parallelism”으로, 여러 이미지 쌍을 동시에 여러 워커에 할당한다. MATLAB의 parfor와 parfeval을 이용한 CPU 멀티코어 병렬과, gpuArray 기반 CUDA GPU 병렬을 모두 시험하였다. 실험 결과, GPU 전송 오버헤드가 큰 경우 CPU 기반 parfor가 더 효율적이었으며, 특히 서브‑이미지 병렬화가 데이터 복제 비용을 최소화해 전체 실행 시간을 크게 단축시켰다.

알고리즘별 성능 비교에서는 이론적으로 연산량이 적은 IC‑GN이 실제 구현에서는 메모리 복제와 MATLAB 고수준 함수 호출 비용 때문에 NR보다 느렸다. 반면, 수정 PSO는 입자 수와 세대 수를 최소화하면서도 전역 최적점을 빠르게 찾았으며, NR과 결합했을 때 최적의 정밀도와 속도를 제공했다. BFS는 모든 후보 위치를 평가해야 하는 구조적 한계로 가장 오래 걸렸다.

하드웨어 측면에서는 최신 다코어 CPU(예: 12코어)와 중급 GPU(NVIDIA RTX 3060)를 비교했을 때, GPU는 대규모 데이터 전송이 필요한 경우 오히려 병목이 되었으며, CPU 멀티코어가 보다 일관된 가속을 제공했다. 또한, 병렬 작업의 granularity가 너무 작으면 스케줄링 오버헤드가 지배적이 되어 성능이 저하되는 현상이 관찰되었다.

결론적으로, DIC 실시간 적용을 위해서는 (1) 정수‑픽셀 단계에서 수정 PSO와 같은 효율적인 전역 탐색 알고리즘 선택, (2) 서브‑픽셀 단계에서 NR과 같은 경량 최적화기 사용, (3) 작업 단위를 적절히 조정한 CPU 멀티코어 병렬화, (4) 데이터 복제와 전송을 최소화하는 메모리 관리가 필수적이다. 현재 상용 하드웨어로는 30 fps 수준 이하의 프레임 레이트가 한계이며, 보다 높은 프레임을 목표로 하려면 알고리즘 자체의 근본적인 구조 개편이나 전용 FPGA/ASIC 가속이 필요할 것으로 보인다.