문맥형 페아노 스캔과 증거 마코프 체인을 이용한 빠른 이미지 분할

초록

본 논문은 2차원 이미지 픽셀을 1차원 시퀀스로 변환하는 문맥형 페아노 스캔(CPS)을 도입하고, 이를 숨은 증거 마코프 체인(HEMC)과 결합한 HEMC‑CPS 모델을 제안한다. 스토캐스틱 EM을 이용한 무지도 파라미터 추정과 베이지안 MPM 분할을 통해 합성·실제 영상에서 기존 HMF 및 전통 HMC‑PS 대비 높은 정확도와 현저한 연산 속도 향상을 입증한다.

상세 분석

이 연구는 이미지 분할을 위한 공간적 상관관계를 효율적으로 모델링하는 두 가지 혁신을 제시한다. 첫 번째는 기존의 페아노 스캔(PS)이 순차적으로 인접 픽셀을 연결하지만, 스캔 경로 상에서 실제 이웃 관계가 멀어지는 단점을 보완하기 위해 ‘문맥형’ 페아노 스캔(CPS)을 정의한다. CPS는 각 스캔 포인트에 대해 Peano 스캔 상의 전·후 이웃(⟨𝑖₋₁,𝑖₊₁⟩)뿐 아니라 이미지 좌표계에서의 네 개의 4‑인접 이웃 중 스캔에 포함되지 않는 두 이웃(𝑖′,𝑖″)을 추가 관측값으로 결합한다. 이렇게 구성된 3‑원 트리플릿(𝑥ᵢ,𝑥ᵢ′,𝑥ᵢ″)은 각 시퀀스 포인트가 주변 환경을 충분히 반영하도록 하여, 마코프 체인의 전이 확률을 보다 정확히 추정할 수 있게 만든다.

두 번째 혁신은 증거 이론(Dempster‑Shafer)을 기반으로 한 숨은 증거 마코프 체인(HEMC)이다. 전통적인 HMC는 관측값이 조건부 가우시안이라고 가정하고, 전이와 방출 확률을 직접 학습한다. 반면 HEMC는 각 상태에 대한 ‘믿음(belief) 함수’를 정의하고, 관측값이 불확실성을 포함한 집합(프레임)으로 표현된다. 이때 전이 확률은 베이즈 정리 대신 결합 규칙(Dempster’s rule)을 사용해 업데이트되며, 파라미터 추정 과정에서 불확실성을 보존한다.

논문은 CPS와 HEMC를 동시에 적용한 HEMC‑CPS 모델을 제안한다. 모델 정의는 다음과 같다.

1. 입력 이미지 𝑰는 크기 N×M이며, CPS에 의해 시퀀스 𝑠₁,…,𝑠_T (T=N·M)와 각 시퀀스 포인트에 대한 3‑원 관측 𝑦ₜ=(𝑥ₜ,𝑥ₜ′,𝑥ₜ″)가 생성된다.
2. 숨은 상태 시퀀스 𝑧₁,…,𝑧_T는 유한 클래스 집합 {1,…,K}에 속한다.
3. 조건부 확률 p(𝑦ₜ|𝑧ₜ)는 Dempster‑Shafer 프레임에서 정의된 믿음 함수 bₜ(·)로 표현되며, 이는 관측값의 다중 스케일·다중 센서 특성을 포괄한다.
4. 전이 확률 p(𝑧ₜ|𝑧ₜ₋₁)는 전통적인 마코프 전이 행렬 A와 결합 규칙을 통해 동적으로 조정된다.

파라미터 학습은 스토캐스틱 EM(SEM)으로 수행된다. E‑스텝에서는 현재 파라미터 하에 상태 후방 확률 γₜ(k)=p(𝑧ₜ=k|𝑦₁:ₜ)와 전이 기대값 ξₜ₋₁,ₜ(k,l)=p(𝑧ₜ₋₁=k,𝑧ₜ=l|𝑦₁:ₜ) 를 샘플링 기반으로 근사한다. M‑스텝에서는 베타(전이 행렬)와 믿음 함수 파라미터를 최대우도 추정한다. 이 과정은 전통적인 Gibbs 샘플링에 비해 수렴 속도가 빠르고, 메모리 요구량이 선형이다.

베이지안 MPM(Marginal Posterior Mode) 분할은 각 픽셀에 대해 argmaxₖ γₜ(k) 로 수행되며, Viterbi 기반 MAP과 비교했을 때 잡음에 대한 강건성이 향상된다. 실험에서는 합성 잡음 이미지와 실제 의료·위성 영상 10종을 대상으로, HEMC‑CPS가 HMC‑PS 대비 평균 12%~17% 낮은 분류 오류율을 기록했고, HMF 기반 CRF와 비교해 5배 이상 빠른 실행 시간을 보였다. 특히 경계가 복잡한 텍스처 영역에서 증거 기반 방출 모델이 잡음에 대한 적응성을 제공함을 확인하였다.

또한 논문은 4‑인접 이웃을 8‑인접 혹은 3‑차원 6‑인접으로 확장하는 방법을 제시하며, 이를 통해 3D 의료 영상(CT, MRI)이나 다중 스펙트럼 위성 데이터에 적용 가능함을 시사한다. 마지막으로 HMC‑CPS와 HEMC‑CPS는 이미지 외에도 시계열 지리 데이터, 환경 센서 네트워크 등 공간적 상관관계가 존재하는 모든 데이터에 일반화될 수 있음을 강조한다.

요약하면, CPS는 스캔 순서에 의한 인접성 손실을 보완하고, HEMC는 불확실성을 유지하면서 전이·방출 모델을 강화한다. 두 기법을 결합한 HEMC‑CPS는 정확도와 연산 효율성 두 축에서 기존 방법을 능가하며, 차원·센서 확장성까지 제공하는 포괄적인 프레임워크이다.