이미지 분할을 위한 λ 연결성 자동 결정 방법

본 논문은 이미지 분할에서 영역 성장 기반의 λ‑연결성 기법이 갖는 핵심 파라미터인 λ 값을 자동으로 결정하는 방법을 제안한다. λ‑연결성은 그래프 이론에 기반해 인접 픽셀 간 유사도 μ(·,·) 를 정의하고, 경로상의 최소 연결 강도 β 를 이용해 두 픽셀 사이의 연결 강도 C(x,y)를 구한다. 사용자는 C(x,y)≥λ 인 경우 두 픽셀을 동일 컴포넌트에 포함시키며, λ 값에 따라 분할의 세밀함이 달라진다. 기존 연구에서는 경험적 선택, 골든 컷, 스패닝 트리 기반 탐색 등으로 λ 를 정했지만, 객관적이고 자동화된 기준이 부족했다. 이를 해결하기 위해 저자는 두 가지 통계적 최적화 원리를 λ 선택에 적용한다. 첫 번째는 최대 엔트로피 원리이다. 전통적인 이진 임계값 선택에서는 전경과 배경의 엔트로피 합을 최대화하는 t 를 찾는다. λ‑연결성에서는 각 λ‑연결 컴포넌트를 전경으로 보고, 각 컴포넌트 내부 엔트로피 H_i(λ)를 계산한다. 전체 엔트로피 H(λ)=∑_i H_i(λ)를 구하고, 이를 최대화하는 λ_e 를 선택한다. 이 과정은 각 영역 내부의 정보 불확실성을 최소화하고, 영역 간 경계가 뚜렷해지도록 한다. 두 번째는 최소 분산(Otsu) 원리이다. Otsu 방법은 전체 히스토그램을 두 클래스로 나누어 클래스 내 분산의 가중합을 최소화하는 임계값을 찾는다. λ‑연결성에 적용하면, 각 컴포넌트의 밝기 분산 σ_i^2(λ)를 구하고, 가중 평균 분산 σ^2(λ)=∑_i w_i σ_i^2(λ) (w_i는 컴포넌트 비중)를 최소화하는 λ_v 를 선택한다. 이는 각 영역이 가능한 한 균일한 밝기 분포를 갖도록 강제하여 잡음에 강하고 의미 있는 구조를 보존한다. 실험에서는 뼈 밀도 CT 영상과 표준 테스트 이미지(Lena)를 대상으로 λ_e와 λ_v 를 각각 구하고, 기존 골든 컷(λ≈0.96~0.97)과 비교하였다. 뼈 영상에서는 λ_e=0.95, λ_v≈0.98이 얻어졌으며, 결과 분할은 골든 컷과 유사하거나 더 명확한 경계를 제공한다. 특히 λ_e=0.95 로 분할된 이미지에서는 뼈 구조가 연속적으로 연결되어 해부학적 의미를 잘 보존한다. Lena 이미지에서는 λ_e≈0.99 로 거의 전체를 하나의 연결 컴포넌트로 묶어, 얼굴과 어깨 부위의 연속성을 잘 포착한다. 이는 λ‑연결성 자체가 임계값 기반 분할보다 연속적인 강도 변화를 더 자연스럽게 반영함을 시사한다. 또한 논문은 제안 방법을 Mumford‑Shah 모델과 연결한다. Mumford‑Shah는 경계 길이, 내부 평활성, 재구성 오차를 동시에 최소화하는 변분 모델이며, λ‑연결성에서 얻은 최적 λ는 내부 평활성(분산 최소화)과 경계 정의(엔트로피 최대화)를 동시에 만족시키는 파라미터로 해석될 수 있다. 따라서 λ‑연결성 최적화는 Mumford‑Shah에 대한 초기값 제공 혹은 하이브리드 알고리즘 설계에 활용 가능하다. 결론적으로, 본 연구는 λ‑연결성 기반 이미지 분할에서 λ 값을 자동으로 결정하는 두 가지 통계적 기준(최대 엔트로피, 최소 분산)을 제시하고, 실험을 통해 그 타당성을 검증하였다. 제안된 방법은 파라미터 선택의 주관성을 크게 감소시키며, 기존 방법보다 일관된 분할 품질을 제공한다. 또한 Mumford‑Shah와의 연계 가능성을 제시함으로써, 변분 기반 모델과 그래프 기반 영역 성장 모델을 결합한 새로운 분할 프레임워크 개발에 기여할 수 있다.