천문 이미지 압축을 위한 정교 파동 변환 기반 압축 센싱

초록

본 논문은 스캔된 천문 사진판(SPP) 이미지를 압축 센싱(CS) 기법으로 처리하기 위해, 다양한 정교(orthogonal) 파동 변환을 측정 행렬로 활용하는 방법을 제안한다. 실험을 통해 Symmlet‑8, Daubechies‑4, Coiflet‑30 파동이 가장 높은 PSNR과 낮은 복원 오차를 보이며, 비선형 수축 함수를 이용한 별 검출에도 유리함을 확인하였다.

상세 분석

압축 센싱은 신호가 충분히 희소할 경우, 전통적인 샘플링 이론보다 적은 측정값만으로 원본을 복원할 수 있다는 이론적 기반을 갖는다. 논문에서는 이 이론을 천문 이미지에 적용하기 위해, 측정 행렬 A를 무작위 구형(Uniform Spherical) 분포에서 추출하고, 파동 변환 행렬 Ψ를 정교 파동(orthogonal wavelet)으로 구성하였다. Ψ는 DCT, Daubechies, Coiflet, Symmlet 등 다양한 필터를 포함하며, 각 파동은 이미지의 급격한 변화(별, 은하 등)와 부드러운 배경을 효과적으로 구분한다는 장점을 가진다.

알고리즘은 크게 네 단계로 나뉜다. 첫째, 입력 이미지를 4‑level(512×512) 혹은 5‑level(1024×1024) 정교 파동 변환으로 분해하여 근사 계수와 상세 계수를 얻는다. 둘째, 상세 계수들을 트리 구조로 재배열해 벡터 X로 만든 뒤, 압축 비율 RR=0.75에 맞춰 무작위 행렬 A와 곱해 압축 측정값 Y를 생성한다. 셋째, Abramovich의 비선형 수축 함수를 이용해 X를 복원하고, 파동 역변환을 통해 이미지 Ŝ를 재구성한다. 마지막으로 HALS(Hierarchical Alternating Least Squares) 학습 규칙을 10회 반복해 최적의 임계값 λ를 조정한다.

핵심 성능 지표는 PSNR과 복원 오차 ε이다. 실험에서는 12개의 천문 이미지(일반 사진, 스캔된 사진판 등)를 대상으로 다양한 파동을 적용했으며, Symmlet‑8이 평균 PSNR ≈ 31 dB, ε ≈ 0.0098으로 가장 우수한 결과를 보였다. Daubechies‑4와 Coiflet‑30도 비슷한 수준을 유지했지만, 필터 길이가 짧아 연산량이 적은 점에서 실용적이다. 반면 Beylkin‑18과 Vaidyanathan‑24는 복원 오차가 2‑3배 크게 나타나, 중앙에 별이 집중된 이미지에서는 성능이 떨어졌다.

또한 논문은 선형 압축(이미지 차원 축소 비율 IRL = 2ⁱ)과 비선형 압축(CS 기반)의 차이를 정량화하였다. 비선형 압축에서는 IRL이 4~5 수준(예: 512×512 → 64×64)일 때도 높은 품질을 유지한다는 점을 강조한다. 이는 파동 기반 측정 행렬이 이미지의 희소성을 효과적으로 활용함을 의미한다.

전체적으로, 정교 파동을 이용한 측정 행렬 설계가 천문 이미지의 압축·복원에 적합함을 입증했으며, 특히 중앙에 고밀도 별 군이 존재하는 경우 Symmlet‑8이 최적 선택임을 제시한다.