연산자 기반 영상 정보 이론 엔트로피 용량 비가역성

초록

본 논문은 영상 시스템을 연산자들의 합성으로 모델링하고, 각 연산자의 특이값 스펙트럼을 이용해 정보 흐름을 정량화한다. 연산자 엔트로피, 정보 용량, 비가역성 지수를 정의하여 감쇠·블러·샘플링 등 물리적 변환이 정보에 미치는 영향을 분석한다. 이 프레임워크는 선형·비선형·확률적 연산자 모두에 적용 가능하며, 기존 해상도·대조·SNR 지표를 보완한다.

상세 분석

논문은 먼저 영상 시스템을 “소스‑전파‑검출”이라는 3단계 연산자 체인으로 분해한다. 각 연산자는 힐베르트 공간 H(예: L²(Ω)) 위에서 정의된 유계 연산자 O이며, 특이값 분해 O = UΣV*를 통해 입력 모드와 출력 모드 사이의 에너지 전달을 명시한다. 특이값 σ_i가 0이면 해당 모드는 완전히 소멸하고, σ_i가 작을수록 노이즈 한계 이하로 억제된다. 이러한 스펙트럼 정보를 기반으로 세 가지 핵심 지표를 제시한다.

1. 연산자 엔트로피 H(O): σ_i²를 전체 에너지 ∑σ_j²로 정규화한 λ_i = σ_i²/∑σ_j²를 사용해 H(O)=−∑λ_i log λ_i 로 정의한다. 이는 정보가 얼마나 고르게 여러 모드에 퍼져 있는지를 측정한다. 엔트로피가 높을수록 연산자는 다양한 주파수·공간 모드를 보존하고, 낮을수록 특정 모드에 집중하거나 소멸시킨다. 예를 들어 균일 감쇠는 모든 σ_i를 동일하게 스케일링하므로 H(O)는 변하지 않지만, 블러 연산자는 고주파 σ_i를 크게 감소시켜 엔트로피를 감소시킨다.

2. 연산자 정보 용량 I_ε(O): 노이즈 수준에 따라 복원 가능한 최소 특이값 임계값 ε를 설정하고, σ_i≥ε인 모드의 개수를 “유효 랭크”라 정의한다. 이 유효 랭크를 로그 스케일로 변환한 것이 정보 용량이며, 실제 복원 가능한 자유도 수와 직접 연결된다. 따라서 용량은 연산자의 스펙트럼이 얼마나 넓게 퍼져 있는가와 노이즈 한계에 얼마나 민감한가를 동시에 반영한다.

3. 비가역성 지수 I_ε(O): σ_i≤δ(수치적 영)인 모드와 ε<σ_i<ε′(복원 가능하지만 약한) 모드를 구분해, 전체 모드 대비 소멸·억제된 비율을 측정한다. 연산자 체인을 여러 번 적용하면 비가역성 지수가 누적되며, 이는 물리적 변환이 정보를 영구적으로 손실시키는 정도를 정량화한다. 특히 비선형 전파 연산자나 산란에 의한 모드 혼합은 비가역성을 급격히 증가시킬 수 있다.

논문은 선형·비선형·확률적 연산자를 모두 포괄하도록 일반화한다. 비선형 연산자는 국소적인 야코비안(선형화)으로 특이값을 근사하고, 확률적 연산자는 조건부 기대 연산자로서 평균적인 스펙트럼 축소 효과를 갖는다. 이러한 일반화는 X‑ray, 광학, 초음파 등 다양한 영상 modality에 동일한 수학적 틀을 적용할 수 있게 한다.

마지막으로, 감쇠, 블러, 샘플링을 구체적인 예시로 들어 각각이 엔트로피, 용량, 비가역성에 미치는 영향을 정량적으로 시뮬레이션한다. 감쇠는 엔트로피는 유지하나 용량을 감소시키고, 블러는 엔트로피와 용량을 모두 감소시키며, 샘플링은 엔트로피와 용량을 급격히 절단한다. 이러한 결과는 기존의 해상도·대조·SNR 지표가 포착하지 못하는 “모드 손실”을 명확히 드러낸다.

전체적으로 이 프레임워크는 물리적 변환 자체가 정보를 어떻게 재분배·압축·소멸시키는지를 연산자 스펙트럼 수준에서 정량화함으로써, 시스템 설계와 최적화, 그리고 복원 알고리즘의 이론적 한계를 새로운 관점에서 조명한다.