빠른 공간 가변 타원형 필터링을 위한 박스 스플라인

이미지 처리에서 가장 널리 사용되는 스무딩 연산은 Gaussian 필터이다. 전통적인 isotropic Gaussian은 1‑D Gaussian을 두 축에 독립적으로 적용하는 방식으로 빠르게 구현할 수 있지만, 이미지 내의 방향성 구조를 보존하지 못한다는 한계가 있다. 이를 보완하기 위해 anisotropic Gaussian을 구현하려는 연구가 진행돼 왔으며, Geusebroek 등은 2‑D anisotropic Gaussian을 두 개의 1‑D Gaussian으로 분해하는 재귀 기법을 제안했다. 그러나 이 방법은 비격자 방향에 대한 보간이 필요해 구현 복잡도가 증가한다. Lam 등은 네 개의 기본 축(수평, 수직, 두 대각선)을 이용해 ‘triple‑axis’ 방식으로 보간을 회피했지만, 여전히 공간‑불변 필터링에 국한되었다. 공간‑가변(linear space‑variant) 필터링은 각 픽셀마다 서로 다른 공분산 Σ(n)을 갖는 필터를 적용해야 하므로, 전통적인 FFT 기반 컨볼루션이 적용되지 않는다. 기존 접근법은 (i) 실시간으로 연속 Gaussian을 샘플링해 적용하는 방법(연산량이 크게 증가) 혹은 (ii) 미리 정의된 필터 집합을 LUT에 저장하고 인덱싱하는 방법(유연성 제한)이다. 이러한 한계를 극복하기 위해 본 논문은 ‘방사형 균일 박스 스플라인(radially‑uniform box spline)’이라는 새로운 스플라인 군을 도입한다. **1. 방사형 균일 박스 스플라인의 정의** N개의 박스 분포 φ_{a_k,θ_k}(x)를 회전각 θ_k=(k‑1)π/N 로 균일하게 배치하고, 각각을 스케일 a_k 로 확장한다. 이들을 순차적으로 컨볼루션하면 β_{N,a}(x)=∗_{k=1}^N φ_{a_k,θ_k}(x) 가 얻어진다. 여기서 a=(a_1,…,a_N) 은 스케일 벡터이며, N이 커질수록 β_{N,a}는 Gaussian에 점점 가까워진다(중심극한정리와 유사). **2. 공분산 제어와 Gaussian 근사** β_{N,a}의 2차 모멘트는 스케일 벡터와 회전각만으로 명시적으로 계산 가능하다. 따라서 원하는 타원형 공분산 Σ를 직접적으로 매핑하는 스케일 변환 공식이 존재한다. 이 공식에 따라 a를 조정하면, 필터의 크기(스케일), 길이(길이비), 회전각을 연속적으로 제어할 수 있다. 결과적으로, 임의의 anisotropic Gaussian을 β_{N,a}로 고정 오차 내에서 근사한다. **3. 1‑D 공간‑가변 평균 연산** 연산 (3)에서 연속적인 스케일 a(n) 를 갖는 박스 평균을 수행하기 위해, 저자들은 ‘pre‑integration + finite‑difference’ 전략을 사용한다. 박스 함수 β_a(x)는 Δ_a Δ^{-1}_1 β_1(x+τ) 로 표현될 수 있으며, 여기서 Δ_a는 유한 차분 연산, Δ^{-1}_1은 누적합(런닝‑섬) 연산이다. 이 관계를 이용하면, 전체 이미지에 대해 한 번의 누적합을 수행하고, 각 픽셀마다 Δ_{a(n)} 연산만 적용하면 된다. 연산 비용은 픽셀당 하나의 덧셈과 하나의 곱셈으로 고정된다. **4. 2‑D 확장 및 알고리즘** 2‑D 경우, 방향성을 포함한 박스 분포 φ_{a,θ}(x)=β_a(u_θ^T x)·δ(u_{θ⊥}^T x) 로 정의한다. N개의 φ_{a_k,θ_k} 를 컨볼루션하면 β_{N,a}(x) 가 얻어지며, 이는 1‑D 박스 함수들의 텐서 곱 형태로 분해 가능하다. 따라서 2‑D 공간‑가변 평균은 (i) 각 축에 대해 1‑D 누적합을 수행해 전역 프리‑인테그레이션을 만든다, (ii) 각 픽셀마다 스케일 벡터 a(n) 에 대응하는 Δ_{a_k(n)} 연산을 순차적으로 적용한다. 구현상 필요한 고정 다항식 계수는 사전 계산해 저장한다. **5. 계산 복잡도 및 구현** 알고리즘은 입력 이미지 크기와 무관하게 픽셀당 O(1) 연산을 보장한다. 메모리 요구량도 누적합 이미지와 스케일 매핑 테이블 정도에 불과하다. 또한, 연산이 순수한 덧셈·곱셈이므로 CPU와 GPU 모두에서 높은 파이프라인 효율을 얻을 수 있다. **6. 실험 및 비교** (논문에 포함된 실험 내용 요약) - 동일한 연산 시간 내에서 다양한 타원형 필터를 적용해 기존 3‑axis 방식보다 부드러운 경계와 정확한 방향성을 제공한다. - 스케일·길이·회전 각을 연속적으로 변형해도 시각적 품질이 유지되며, Gaussian 근사 오차는 N이 4~6 정도일 때 이미 0.01 이하로 감소한다. - 메모리 사용량은 LUT 기반 방법 대비 10배 이상 절감된다. **7. 결론** 본 연구는 방사형 균일 박스 스플라인을 이용해 공간‑가변 타원형 필터링을 O(1) 연산으로 구현함으로써, 실시간 이미지 처리, 비디오 스트리밍, 의료 영상 등에서 고해상도·고속 필터링이 요구되는 응용에 적합한 새로운 패러다임을 제시한다. 향후 연구에서는 3‑D 볼륨 데이터에 대한 확장과, 비선형 변형(예: diffusion)과의 결합이 기대된다.