SAR 이미지 분류를 위한 의사 제르니크 모멘트 기반 희소 표현 및 보조 원자 설계

본 논문은 합성 개구 레이더(SAR) 이미지 분류를 위해 의사-제르니크(Pseudo‑Zernike, 이하 PZ) 모멘트를 기반으로 한 희소 표현 프레임워크를 제안한다. SAR 영상은 고해상도와 전천후 촬영 능력으로 자동 목표 인식(ATR) 분야에서 핵심적인 센서이지만, 회전·스케일·이동 변동과 복잡한 잡음(클러터) 때문에 효과적인 특징 추출과 분류가 어려운 점이 있다. 기존 방법으로는 템플릿 매칭, 서포트 벡터 머신(SVM), 그리고 희소 표현 기반 분류기(SRC)가 사용되어 왔으며, 각각 계산량·사전 학습·전처리 요구사항에서 한계를 보였다. PZ 모멘트는 정규 직교 다항식 집합을 이용해 이미지의 회전·스케일·이동 불변성을 보장한다. 구체적으로, 이미지 s(x,y)를 극좌표(r,θ)로 변환한 뒤, 복소 다항식 zₘₙ(r,θ)=ρₘₙ(r)·e^{j mθ}와 내적하여 aₘₙ을 얻는다. 여기서 ρₘₙ(r)는 방사형 다항식이며, 차수 n≤N일 때 총 (N+1)²개의 독립적인 모멘트를 생성한다. 이러한 모멘트는 이미지의 고차원 픽셀 정보를 압축하면서도 잡음에 강인한 특성을 갖는다. 또한, 회전 불변성은 모멘트의 크기 |aₘₙ|만을 사용함으로써 구현된다. 특징 추출 단계에서 저자들은 PZ 모멘트를 직접 사전(dictionary) 구성에 활용한다. 훈련 이미지 집합 Gₖ(각 클래스 k) 를 Z(모멘트 기저 행렬)와 곱해 절대값을 취하면, 각 클래스별 P×Jₖ 차원의 특성 행렬 Aₖ가 얻어진다(P는 모멘트 차수에 따라 결정). 여기서 P는 원본 이미지 차원 N보다 훨씬 작아 차원 축소 효과가 있다. 다음으로, 사전의 과잉 표현성을 높이기 위해 보조 원자(auxiliary atoms)를 도입한다. 보조 원자는 기존 Aₖ의 변형으로, 클래스 내부의 관측 변동(예: 방위각에 따른 반사 강도 차이)이나 잡음에 대한 보정을 목표로 한다. 논문에서는 세 가지 생성 방식을 제시한다. 1) AuxFix: 클래스 전체 평균을 하나의 보조 원자로 사용한다. 2) AuxMov: 방위각 순서에 따라 이동 평균 윈도우를 적용해 각 훈련 샘플마다 보조 원자를 만든다. 3) AuxCorr: 상관계수 기반으로, 특정 임계값 Υ를 초과하는 높은 상관을 가진 샘플들을 선별해 보조 원자를 구성한다. 이렇게 확장된 사전 Φ=