그람 슈미트 기반 두 단계 프린지 패턴 위상 스텝 정확도 계산

본 연구는 두 단계 위상 이동(phase‑shifting) 방법에서 발생하는 실제 위상 스텝(δ)을 정확히 추정하기 위한 새로운 알고리즘을 제시한다. 전통적인 두 단계 위상 이동은 δ₁=0, δ₂=δ 로 가정하고, 피에조 전압 등 전기‑기계식 구동을 통해 일정한 위상 차이를 유도한다. 그러나 실제 구동에서는 전압‑위상 변환 특성의 비선형성, 온도·진동 등에 의해 설계값과 실제 δ 사이에 차이가 발생한다. 이러한 차이를 보정하지 않으면 후속 위상 복원 과정에서 시스템atic 오류가 누적된다. 논문은 먼저 기존 그람‑슈미트(Gram–Schmidt, GS) 정규화 절차를 재정리한다. 두 프린지 패턴을 u₁ = b·cosφ, u₂ = b·cos(φ+δ) 로 표현하고, u₁을 정규화한 뒤 u₂를 u₁에 직교화한다. 직교화 과정에서 발생하는 내적 h와 상수 κ를 무시하면 u₂의 직교화된 형태는 −b·sinδ·sinφ 가 된다. 이후 u₂를 다시 정규화하면 두 정규화된 벡터 ˜u₁, ˜u₂ 로부터 arctan2(−˜u₂,˜u₁) 로 위상 φ̂ 를 얻는다. 이 단계는 기존 GS‑phase 추정과 동일하다. 다음으로 저자는 위상 스텝 δ 자체를 추정하기 위해 b(x)를 u₁·cosφ̂ 로 근사하고, 이를 직교화된 u₂ 식에 대입한다. 결과적으로 ˜u₁·ˆu₂ = u₁·˜u₂·sinδ + ε 와 같은 관계식이 도출된다(식 12). 여기서 ε는 잡음·모델링 오차를 의미한다. 이를 변형하면 각 픽셀마다 sinδ(x) = ˜u₁·ˆu₂ / (u₁·˜u₂) 로 표현할 수 있다(식 13). 전체 이미지에 대해 기대값을 취하면 δ = arcsin( E{m(x)} ) 가 된다(식 14), 여기서 m(x) = ˜u₁·ˆu₂ / (u₁·˜u₂) 이다(식 15). 기대값은 평균 또는 중앙값으로 구현 가능하며, 이는 독립성 가정과 잡음 평균이 0이라는 전제에 기반한다. 두 가지 폐쇄형 식이 제시된다. 첫 번째는 일반식 (14)·(15) 로, 배경 a(x)만 제거하고 진폭 b(x)의 공간 변동을 허용한다. 두 번째는 진폭이 일정(b=1)하고 완전 정규화된 경우에만 적용 가능한 식 (16) 으로, ˆu₂와 sinφ̂ 사이의 내적을 이용해 sinδ 를 직접 계산한다. 식 (16)은 계산량이 적고 실시간 적용에 유리하지만, 진폭 변동이 존재하면 오차가 크게 증가한다. 실험은 합성 데이터 10세트를 각각 세 가지 케이스에 대해 수행한다. 케이스 I은 배경이 없고 진폭이 일정한 정규화 프린지에 잡음 σ=0~1을 가하여 δ=π/3 을 추정한다. 결과는 식 (16)이 거의 오차 없이 원값을 복원함을 보여준다. 케이스 II는 진폭이 공간적으로 변하는 상황을 모사했으며, 여기서는 일반식 (14)가 진폭 변동에 강인함을 입증한다. 식 (16)은 진폭 변동을 무시하기 때문에 일부 잡음 레벨에서 해가 존재하지 않는다. 케이스 III는 배경과 진폭이 모두 변하고 잡음이 포함된 비정규화 이미지에 대해 두 가지 전처리 방법을 비교한다. 등방성 정규화(isotropic normalization)와 Gabor 필터 뱅크(GFB)를 적용했을 때, GFB가 잡음 억제와 고주파 성분 보존에서 우수하여 δ 추정 오차를 현저히 감소시킨다. 논문의 결론은 다음과 같다. (1) GS 알고리즘에 위상 스텝 추정 기능을 통합함으로써 피에조 기반 위상 이동 시스템을 실시간으로 보정할 수 있다. (2) 진폭 변동을 허용하는 일반식과 정규화 전제 하의 특수식을 구분 제시함으로써 다양한 실험 환경에 적용 가능하도록 설계하였다. (3) 전처리 단계가 최종 정확도에 미치는 영향을 정량화했으며, 특히 GFB가 높은 정확도를 제공하지만 계산 비용이 크다는 트레이드오프를 확인했다. 제한점으로는 높은 잡음 수준이나 급격한 진폭 변동 시 평균 기반 추정이 편향될 가능성이 있으며, GFB 전처리의 실시간 적용이 어려울 수 있다. 향후 연구에서는 적응형 전처리, 딥러닝 기반 잡음 억제, 다중‑스텝(>2) 시스템에 대한 확장 등을 통해 알고리즘의 견고성과 효율성을 향상시킬 필요가 있다.