강인한 볼록 최적화로 프랙탈 특징 결합 텍스처 분할

본 논문은 텍스처 이미지의 분할을 프랙탈 기반 특징인 지역 정규성(Hölder 지수)과 지역 분산(η)을 동시에 추정하고, 이를 하나의 강인한(Strongly) 볼록 최적화 문제로 모델링하는 새로운 프레임워크를 제시한다. 서론에서는 프랙탈 특징이 생물학적 조직, 토모그래피 병리, 예술 작품 등 다양한 실제 응용에서 중요한 역할을 함에도 불구하고, 기존의 무감독 텍스처 분할 방법은 특징 선택이 임의적이며 두 단계(특징 추정 → 클러스터링)로 구성돼 최적이 아니라고 지적한다. 특히, 기존 연구는 정규성만을 사용하거나, 정규성을 TV 정규화로 평탄화하면서 분산 정보를 완전히 무시하는 한계가 있었다. 관련 연구 파트에서는 Gabor, 파워‑스펙트럼, 전통적인 프랙탈 차원, 그리고 최근의 웨이블릿 리더를 이용한 정규성 추정 방법들을 정리한다. 특히, 웨이블릿 리더는 다중 스케일에서 로그‑스케일 선형 회귀를 통해 정규성과 분산을 동시에 추정할 수 있는 이론적 근거를 제공한다. 기존의 TV‑ROF 기반 정규성 평탄화는 두 단계 절차이며, 분산을 고려하지 않아 경계 검출 정확도가 떨어진다. 본 연구의 핵심 기여는 다음과 같다. (1) 정규성·분산을 동시에 추정하는 목적 함수를 설계하고, 두 가지 정규화 전략을 도입한다. ‘Joint’ 전략은 TV(v)+α TV(h) 형태로 각각의 변화를 독립적으로 억제하고, ‘Coupled’ 전략은 TV_α(v,h) 형태로 두 특징이 같은 위치에서 동시에 변할 때만 페널티를 부여한다. (2) 데이터 적합항 Φ(v,h;L)=½∑_j,k (v_jk + j h_jk – log₂ L_jk)² 를 사용해 선형 회귀와 동일한 최소제곱 손실을 유지하면서, 강인한 볼록성을 증명한다. 이는 최적화 가속에 필수적인 속성이다. (3) 비미분 가능성 때문에 전통적인 경사 하강법이 부적합함을 인식하고, 두 종류의 근접(Proximal) 알고리즘을 설계한다. Dual‑FISTA는 이중 문제를 풀어 가속 파라미터를 Nesterov식으로 선택해 O(1/k²) 수렴을 보장한다. Primal‑Dual는 Chambolle‑Pock 프레임워크를 적용해 Φ의 근접 연산자를 명시적으로 도출하고, TV 항에 대한 프로젝션을 효율적으로 구현한다. 두 알고리즘 모두 메모리 사용량을 O(N) 로 유지하면서 대규모 이미지에 적용 가능하도록 설계되었다. 실험을 위해 ‘piecewise homogeneous fractal texture’ 모델을 제안한다. 각 영역은 서로 다른 정규성(H)과 분산(Σ) 값을 갖는 프랙탈 프로세스로 합성되며, 이를 통해 정확한 라벨과 특징값을 사전에 알 수 있다. 대규모 Monte‑Carlo 시뮬레이션(10⁴ 개 샘플)에서 정규성 단독, 정규성+분산 공동 사용, 그리고 joint vs coupled 정규화 전략을 비교하였다. 결과는 두 특징을 동시에 최적화했을 때 경계 검출 정확도(F‑measure)가 평균 12 % 이상 향상되고, 특히 분산 변화가 뚜렷한 영역에서 큰 이득을 보였다. 알고리즘 측면에서는 Primal‑Dual가 약 1.3 배 빠른 수렴을 보였으며, Dual‑FISTA는 구현이 간단하고 메모리 요구가 낮아 제한된 환경에 유리했다. 마지막으로 공개 텍스처 데이터베이스(예: Brodatz, UIUC, KTH‑TIPS)와 실제 의료 영상에 적용해, 기존 최첨단 방법(DeepLab, K‑means+TV, 기존 TV‑ROF)과 비교하였다. 제안된 방법은 유사하거나 더 높은 분할 품질을 유지하면서, 강인한 볼록 최적화 기반이라 파라미터 선택이 비교적 직관적이고, 대규모 이미지에서도 실시간에 가까운 처리 속도를 보였다. 결론적으로, 프랙탈 특징의 공동 추정과 강인한 볼록 최적화는 텍스처 분할 정확도와 계산 효율성을 동시에 개선할 수 있음을 입증했으며, 의료·재료·예술 등 다양한 분야에 적용 가능함을 시사한다.