도시 SAR 이미지 디스펙클링을 위한 새로운 비용 함수와 CNN 설계

초록

본 논문은 도시 환경의 SAR 이미지에서 스펙클을 제거하기 위해 10층 컨볼루션 신경망을 설계하고, 공간적 일관성과 스펙클 통계 특성을 동시에 보존하도록 MSE와 Spectral Information Divergence(SID)를 선형 결합한 새로운 비용 함수를 제안한다. 시뮬레이션 데이터와 실제 SAR 이미지에 대해 기존 PPB 필터와 비교했을 때 세부 구조 보존과 과도한 평활화 방지에서 우수한 성능을 보인다.

상세 분석

이 연구는 SAR 이미지의 스펙클을 멀티플리케이티브 잡음으로 모델링하고, 그 확률 분포를 감마 함수(Γ(L))로 가정한다. 전통적인 로컬·비로컬 필터가 구조 보존에 한계를 보이는 점을 인식하고, 최근 활발히 적용되고 있는 딥러닝 기반 접근법을 채택한다. 핵심 기여는 두 가지 손실 함수를 가중합한 비용 함수 C=λC₁+C₂이다. C₂는 필터링된 이미지 ˆX와 청정 레퍼런스 X 사이의 평균 제곱 오차(MSE)로, 공간적인 차이를 최소화한다. C₁은 Spectral Information Divergence(SID)를 변형하여 추정된 스펙클 비율 이미지 ˆN과 실제 스펙클 N 사이의 통계적 차이를 측정한다. SID는 원래 하이퍼스펙트럼 분야에서 스펙트럼 분포 차이를 정량화하기 위해 고안된 지표이며, 여기서는 단일 밴드 SAR 이미지에 적용해 스펙클의 확률적 특성을 보존하도록 유도한다. λ는 두 손실 간 균형을 조절하는 하이퍼파라미터이며, 논문에서는 λ=1로 설정한 것으로 보인다.

네트워크 구조는 10개의 3×3 컨볼루션 레이어와 ReLU 활성화를 사용한다. 첫 번째와 마지막 레이어를 제외하고는 모두 64개의 필터를 가지고 있으며, 배치 정규화와 풀링은 적용되지 않아 파라미터 수를 최소화하고 학습 안정성을 확보한다. 입력은 단일 채널 SAR 이미지 Y이며, 출력은 청정 이미지 ˆX와 동시에 스펙클 비율 ˆN을 예측하도록 설계되었다(실제 구현에서는 ˆX만을 출력하고, 손실 계산 시 ˆN은 Y/ˆX로 추정).

학습 데이터는 세 가지 공개 데이터셋(UCID, BSD, Google Maps)에서 추출한 그레이스케일 이미지에 스펙클을 시뮬레이션해 만든다. 특히 도시 환경을 반영하기 위해 Google Maps 이미지가 주요 학습 소스로 사용되었으며, 이는 실제 SAR 이미지의 복잡한 구조와 다양한 스케일을 반영한다. 학습은 SGD with momentum을 사용하고, 학습률 η=2×10⁻⁶, 배치 크기 65×65 패치 30,000개(훈련)와 12,000개(검증)로 설정하였다.

실험에서는 시뮬레이션 데이터와 실제 SAR 이미지 두 가지 경우에 대해 기존 대표 필터인 PPB와 비교하였다. 정량적 평가는 M-index를 사용했으며, 이는 ENL(동질 영역 평활도)과 구조 보존(비율 이미지 균일도)을 동시에 고려한다. 제안 방법은 시뮬레이션 데이터에서 M-index 5.59·6.55(clip1·clip2)로 PPB(10.65·10.27)보다 크게 개선했으며, 실제 데이터에서도 PPB보다 약간 높은 M-index(8.36 vs 7.29)임에도 불구하고 시각적으로 세부 구조(차량, 나무, 지붕 등)를 더 잘 보존한다. 이는 손실 함수가 스펙클 통계 보존을 강제함으로써 과도한 평활화를 방지하고, 동시에 MSE가 공간적 정확성을 유지하도록 만든 결과이다.

한계점으로는 강한 산란체(고반사체) 처리에서 약간의 잔여 잡음이 남을 수 있으며, 실제 레퍼런스가 없는 상황에서 완전한 무감독 학습이 아직 구현되지 않았다. 향후 연구에서는 무감독 혹은 자기지도 학습을 통해 청정 레퍼런스 없이도 스펙클을 효과적으로 제거하는 방법을 탐색할 계획이다.

전반적으로 이 논문은 스펙클 통계와 이미지 구조 보존을 동시에 고려한 비용 함수 설계가 SAR 디스펙클링에 실질적인 성능 향상을 가져올 수 있음을 실험적으로 입증했으며, 도시 환경과 같이 복잡한 텍스처를 가진 SAR 이미지 처리에 유용한 방향성을 제시한다.