관성 제약 픽셀별 NMF를 이용한 하이퍼스펙트럼 내부 클래스 변동성 해결 방안

초록

본 논문은 하이퍼스펙트럼 이미지에서 동일 물질군 내 스펙트럼 변동( intra‑class variability)을 고려한 새로운 선형 혼합 모델을 제안하고, 이를 기반으로 두 가지 비음수 행렬 분해(NMF) 방법인 UP‑NMF와 관성 제약을 추가한 IP‑NMF를 개발한다. 실험에서는 반합성 데이터와 실제 도시 이미지에 적용해 기존 방법보다 향상된 분해 정확도와 안정성을 입증한다.

상세 분석

논문은 먼저 기존의 선형 혼합 모델(LMM)이 모든 픽셀에 동일한 엔드멤버 스펙트럼을 가정함으로써, 조명 변화, 풍화, 재료 조성 차이 등으로 발생하는 내부 클래스 변동을 무시한다는 근본적인 한계를 지적한다. 이를 실증하기 위해 프랑스 툴루즈 도시의 VNIR·SWIR 복합 하이퍼스펙트럼 데이터를 이용해 타일, 식생, 아스팔트 등 세 클래스를 선정하고, 각 클래스 내에서 순수 픽셀을 추출해 상관계수와 PCA 투영을 분석하였다. 결과는 동일 건물·지점 내에서도 7595% 수준의 상관계수 차이가 존재하고, 서로 다른 건물·지점 간에는 6595%까지 변동이 커짐을 보여준다. 특히 조명에 의한 스케일 변동은 PCA에서 원점을 통과하는 직선 형태로 나타났지만, 실제 변동은 이 직선을 중심으로 퍼지는 형태로, 단순 스케일 팩터만으로는 설명이 부족함을 확인한다.

이러한 관찰을 토대로 저자들은 픽셀별 엔드멤버를 허용하는 확장 혼합 모델 xₚ = Σₘ cₚₘ rₘ(p) (식 2)를 제안한다. 여기서 rₘ(p) 는 픽셀 p 에서의 m번째 물질군에 해당하는 스펙트럼이며, 기존의 전역 엔드멤버 rₘ와 달리 각 픽셀마다 달라질 수 있다. 모델은 비음수와 합계 1 제약을 유지하면서, 전체 데이터 행렬 X 를 블록 대각 형태의 혼합 행렬 ˜C 와 모든 픽셀에 대한 엔드멤버 집합 ˜R 로 표현한다 (X = ˜C ˜R).

문제는 ˜R 와 ˜C 를 동시에 추정하는 것이 고차원에서 매우 ill‑posed하다는 점이다. 이를 해결하기 위해 두 단계의 알고리즘을 설계한다. 첫 번째인 Unconstrained Pixel‑by‑pixel NMF (UP‑NMF)는 Lee‑Seung 방식의 NMF 업데이트 규칙을 픽셀별로 독립 적용해 각 픽셀마다 최적의 rₘ(p) 와 cₚₘ 를 구한다. 그러나 픽셀마다 자유도가 지나치게 커져, 동일 물질군에 대한 스펙트럼이 과도하게 퍼지는(“inertia”가 큰) 현상이 관찰된다.

두 번째 단계인 Inertia‑constrained Pixel‑by‑pixel NMF (IP‑NMF)는 이러한 퍼짐을 억제하기 위해 각 물질군별 평균 스펙트럼 μₘ = (1/P) Σₚ rₘ(p) 를 정의하고, 각 픽셀 스펙트럼이 μₘ 로부터 벗어나는 정도를 정규화된 제곱합 ‖rₘ(p) – μₘ‖² 로 측정한다. 최적화 목표 함수에 λ·Σₚ‖rₘ(p) – μₘ‖² 형태의 관성 제약 항을 추가함으로써, 물질군 내부 변동을 허용하되 과도한 확산을 방지한다. λ는 사용자 정의 하이퍼파라미터이며, 실험에서는 교차 검증을 통해 적절한 값을 선택한다.

알고리즘은 교대로 (i) 현재 μₘ 를 고정하고 픽셀별 rₘ(p), cₚₘ 를 NMF 업데이트로 추정하고, (ii) 새롭게 얻은 rₘ(p) 로 μₘ 를 재계산하는 과정을 반복한다. 수렴 조건은 전체 비용 함수 감소가 미미해질 때 혹은 최대 반복 횟수에 도달했을 때이다.

실험에서는 먼저 실제 이미지에서 추출한 스펙트럼을 이용해 반합성 데이터셋을 구성하였다. 여기서는 알려진 엔드멤버 변동을 인위적으로 삽입하고, UP‑NMF와 IP‑NMF를 기존의 VCA‑FCLS, SUnSAL‑TV, 그리고 라이브러리 기반 Sparse Unmixing 등과 비교하였다. 정량적 지표인 재구성 오차(RMSE)와 스펙트럼 각도 차이(SAD)에서 IP‑NMF가 가장 낮은 값을 기록했으며, 특히 변동이 큰 타일 클래스에서 기존 방법보다 20~30% 정도 개선되었다.

마지막으로 실제 툴루즈 도시 이미지 전체에 IP‑NMF를 적용한 결과, 시각적으로도 각 건물 지붕별로 적절히 구분된 엔드멤버와 합리적인 혼합 비율이 도출되었으며, 기존 방법에서 나타났던 클래스 혼동(예: 어두운 타일과 아스팔트 간의 스펙트럼 유사성)도 크게 감소하였다.

핵심 기여는 (1) 실제 데이터 기반의 intra‑class variability 정량화, (2) 픽셀별 엔드멤버를 허용하는 새로운 혼합 모델, (3) 관성 제약을 도입해 물질군 내부 변동을 통제하면서도 유연성을 유지하는 IP‑NMF 알고리즘, (4) 반합성 및 실제 데이터에서 기존 최첨단 방법들을 능가하는 실험적 검증이다. 이 연구는 하이퍼스펙트럼 이미지에서 물질군 변동을 정밀히 모델링하고, 보다 정확한 지표 추출 및 분류에 기여할 것으로 기대된다.