합성개구음향영상 분할을 위한 가능성 기반 클러스터링과 K‑최근접 이웃 비교 연구

본 논문은 합성개구음향(SAS) 이미지의 고해상도 해저 텍스처 분할을 목표로, 가능성 이론을 적용한 두 가지 알고리즘인 Possibilistic Fuzzy Local Information C‑Means(PFLICM)와 Possibilistic K‑Nearest Neighbors(PKNN)를 비교·평가한다. 가능성 접근법은 전통적인 확률 기반 모델과 달리 멤버십 값이 1에 합산될 필요가 없으며, 이를 통해 이상치와 새로운 텍스처를 낮은 가능성으로 자연스럽게 구분할 수 있다. PFLICM은 기존의 FLICM(지역적 정보 반영)과 PFCM(가능성 기반 퍼지 클러스터링)을 결합한 반지도 학습 클러스터링 기법이다. 목표 함수는 멤버십(u)와 전형성(t) 두 변수를 동시에 최소화하며, G ₍cₙ₎ 항을 통해 인접 슈퍼픽셀 간의 공간적 일관성을 강화한다. 전형성은 합계 제약이 없으므로, 특정 데이터가 어느 클러스터에도 잘 맞지 않을 경우 모든 전형성 값이 낮게 유지되어 새로운 텍스처를 탐지한다. PKNN은 전통적인 K‑Nearest Neighbors에 가능성 가중치를 도입한 지도 학습 분류기이다. 학습 단계에서 각 샘플에 퍼지 멤버십 ˜µ를 부여하고, 테스트 샘플에 대해 거리 기반 가능성 가중치 wₚ(x, yₖ)를 계산한다. 클래스별 신뢰도(confidence)는 K개의 최근접 이웃의 퍼지 멤버십과 가중치를 평균한 값이며, 이 역시 합계가 1이 되지 않아 어느 클래스에도 속하지 않는 경우를 표현한다. 실험은 98장의 SAS 이미지(모래 파동, 평탄, 암석, 크레이터 4가지 클래스)와 3‑폴드 교차 검증을 사용했다. 각 이미지에 대해 34차원 특징(8가지 Sobel 방향, 4가지 마스크 크기, 두 종류 lacunarity)을 추출하고, Fast Normalized Cuts with Linear Constraints를 이용해 슈퍼픽셀을 생성했다. 슈퍼픽셀별 평균 특징을 클러스터링·분류에 입력하였다. 파라미터는 PFLICM: a = 14, b = 1.4, m = 1.8, q = 2.8, 클러스터 수 = 4; PKNN: k = 6, m = 2, η = 0.01 로 수동 설정하였다. 정량적 평가는 각 슈퍼픽셀에 대해 전형성(또는 전형성 × 멤버십) 최대값을 라벨로 선택해 혼동 행렬을 작성하였다. 두 알고리즘 모두 평탄 영역에서 높은 정확도를 보였으며, 크레이터와 같은 희소 클래스에서는 샘플 부족으로 성능이 저하되었다. 시각적 결과에서는 PKNN의 전형성 맵이 올바른 영역에서 더 높은 값을 나타내어 클래스 간 경계가 뚜렷했으며, PFLICM은 부드러운 멤버십으로 경계가 다소 흐릿했다. 복잡도 측면에서 학습 단계는 PFLICM이 O(m c² i)이며, PKNN은 kd‑tree 기반으로 O(m log² m + m k log m + m l k)이다. 테스트 단계에서는 PFLICM이 O(n c²)로 학습 샘플 수에 독립적인 반면, PKNN은 O(n k log m + n l k)로 학습 데이터 규모에 로그 수준의 비용이 추가된다. 따라서 대규모 테스트 환경에서는 PFLICM이 더 효율적이다. 라벨링 비용도 차이가 있다. PKNN은 학습 단계에서 모든 슈퍼픽셀에 정확한 라벨이 필요하지만, PFLICM은 클러스터 중심에만 라벨을 부여하면 되므로 라벨링 작업량이 크게 감소한다. 결론적으로, 두 방법은 각각 장단점을 가지고 있다. PKNN은 높은 응답과 명확한 경계가 필요하고 라벨링이 충분히 확보된 경우에 유리하며, PFLICM은 라벨링 비용을 최소화하면서 대규모 테스트에 빠르게 적용할 수 있다. 향후 연구에서는 두 알고리즘을 결합하거나 전형성 기반 후처리를 도입해 희소 클래스 검출률을 개선하고, 실시간 해저 탐사 시스템에 적용하는 방안을 탐색할 수 있다.