An Edge-Based Formulation for the Exact Computation of High-Order Zernike Moments of 2D Shapes and Images

기술 요약: 2D 형상 및 이미지의 고차 제르니케 모멘트의 정밀 계산을 위한 에지 기반 정식화

문제 정의
제르니키 모멘트(Zernike moments)는 형상 분석, 패턴 인식, 의료 영상 분야에서 널리 사용되는 확립된 회전 불변 기술자(rotation-invariant descriptor)이다. 그러나 표준적인 계산 방식은 연속 이미지 적분을 픽셀 중심에 대한 리만 합(Riemann sum)으로 근사하는 픽셀 기반 구적법(pixel-based quadrature)에 의존하며, 이는 각 픽셀을 점 질량(Dirac $\delta$-함수)으로 취급한다. 이러한 근사는 두 가지 결정적인 한계를 초래한다:

1. 공간 에일리어싱(Spatial Aliasing): 모멘트 차수가 높아짐에 따라, 방사형 다항식은 단일 픽셀의 규모와 비슷하거나 그보다 작은 스케일에서 진동한다. 점 질량 모델은 이러한 공간적 범위를 포착하지 못하여 상당한 이산화 오차(discretization errors)를 유발한다.
2. 수치적 불안정성(Numerical Instability): 고차수(통상적으로 $n \gtrsim 50$)에서는 부동 소수점 오차와 에일리어싱의 누적으로 인해 모멘트의 정확도가 저하된다. 이는 이미지 재구성 시 대척점 위치에 "고스트 픽셀(ghost pixels, 가짜 픽셀)"을 생성하고, 분류 작업에서 기술자의 변별력을 감소시킨다.

기존 연구들은 재귀 관계(recurrence relations)를 통해 방사형 다항식 평가의 수치적 안정성을 다루어 왔으나, 근본적인 오차 원인인 연속 기저 함수와 이산 픽셀 그리드 사이의 기하학적 불일치는 표준 구현 방식에서 여전히 해결되지 않은 채 남아 있다.

방법론
저자들은 그린 정리(Green's theorem)를 적용하여 제르니키 모멘트를 정의하는 2차원 면적 적분을 이미지 경계선을 따른 1차원 선적분(line integrals)의 합으로 변환함으로써 이산화 오차를 제거하는 근본적으로 다른 접근 방식을 제안한다.

1. 그린 정리 변환:
   이미지를 픽셀 중심에 대해 합산하는 대신, 이 방법은 이미지를(또는 형상을) 조각마다 선형적인(piecewise-linear) 윤곽선으로 둘러싸인 도메인으로 취급한다. 도메인 $D$에 대한 면적 적분은 경계 $\partial D$를 따르는 선적분으로 변환된다. 다각형 형상 또는 일정한 강도를 가진 영역으로 분해된 래스터 이미지의 경우, 총 모멘트는 각 에지(edge)의 기여분의 합이 된다.

2. 정밀한 에지 적분:
   에지를 따라 계산되는 피적분 함수는 에지 파라미터 $t$에 대한 다항 함수임이 입증되었다. 구체적으로, 방사형 원시 함수(radial primitive) $Q_n^m(r)$와 각 성분이 결합되어, 결과적인 피적분 함수 $A_n^m(t)$는 최대 차수가 $n$인 다항식이 된다.

• 재귀 관계: 저자들은 수치적 소거(catastrophic cancellation) 없이 $Q_n^m(r)$, $S_n^m(r)$, 그리고 방사형 다항식 $R_n^m(r)$ 값을 효율적으로 계산하기 위해 이들의 재귀 관계를 유도하였다.
• 구적법: 변환된 피적분 함수가 다항식이므로, 선적분은 수치 구적법을 통해 정확하게 계산될 수 있다. 저자들은 효율적인 적응형 세분화(adaptive refinement)와 서로 다른 모멘트 차수 간의 함수 평가 재사용을 가능하게 하는 **클렌쇼-커티스 구적법(Clenshaw–Curtis quadrature)**을 활용한다.

3. 적용 가능성:

• 윤곽선 데이터: 이 방법은 폐쇄된 다각형 윤곽선으로 정의된 벡터 형상에 직접 적용되며, 픽셀 그리드에 대한 참조 없이 모멘트를 계산한다.
• 래스터 이미지: 디지털 이미지의 경우, 이 방법은 이미지를 정사각형 셀의 메쉬(mesh)로 취급한다. 적분은 픽셀 사이의 에지를 따라 수행된다. 결정적으로, 동일한 강도를 가진 인접 픽셀 간의 공유 에지는 상쇄되므로($\Delta I = 0$), 계산은 전체 픽셀 수가 아니라 활성 경계(강도 구배가 있는 에지)의 수에 따라 스케일링된다.
• 컬러 이미지: 이 프레임워크는 픽셀을 순수 사원수(pure quaternions)로 표현하여 RGB 채널 간의 상관관계를 포착하는 쿼터니언 제르니키 모멘트(QZM)를 계산함으로써 컬러 이미지로 확장된다.

주요 기여

1. 정밀한 윤곽선 기반 정식화: 선적분의 합으로 표현되는, 조각마다 선형적인 윤곽선에 의해 둘러싸인 영역의 제르니키 모멘트에 대한 정밀한 공식 유도. 이 정식화는 이산화 또는 구적 오차를 도입하지 않는다.
2. 래서 이미지로의 확장: 조각마다 일정한 강도를 가진 래스터 이미지에 대해 정밀한 제르니키 모멘트를 계산하도록 정식화를 적응시킴. 이는 표준적인 점 질량 근사와 대조되는, 조각마다 일정한 이미지의 정밀한 적분을 제공한다.
3. 알고리즘 효율성: 2D 면적 적분을 1D 선적분으로 축소함으로써, 정밀한 2D 면적 구적법($O(N^4)$)에서 $O(N^3)$(여기서 $N$은 최대 차수)으로 이론적 계산 복잡도를 줄였다. 실제로는 적응형 구적법을 통해 거의 선형적인 스케일링을 달inea 한다.
4. 포괄적인 검증: 저자들은 이미지 재구성, 형상 분석, 문자 분류에 걸친 실험적 증거를 제시한다.

결과
다양한 복잡성을 가진 이미지(천연 컬러 이미지, 기하학적 기어, 단일 픽셀 테스트, QR 코드, 한자)에 대한 수치 실험 결과는 다음과 같다:

• 저/중차수: 에지 기반 방법은 낮은 차수($M \le 100$)에서 고전적인 픽셀 기반 방법과 동일한 정확도를 보인다.
• 고차수 안정성: 고차수($M = 500$)에서 픽셀 기반 방법은 심각한 에일리어싱을 겪는다.
  • 재구성: 단순한 형상(예: 단일 흰색 픽셀)의 픽셀 기반 재구성은 대칭성 파괴로 인해 대척점 위치에 "고스트 픽셀"을 나타낸다. 반면, 에지 기반 재구성은 아티팩트(artifact)가 없다.
  • QR 코드: QR 코드의 픽셀 기반 재구성은 고차수에서 심하게 저하되어 알아볼 수 없게 되지만, 에지 기반 재구성은 선명하고 읽기 쉬운 상태를 유지한다.
  • 분류: 5개의 한자를 이용한 분류 작업에서, 픽셀 기반 제르니키 불변량은 차수가 $M=100$에서 $M=500$으로 증가할 때 정확도가 96.9%에서 90.1%로 떨어졌다. 반면, 에지 기반 불변량은 $M=500$에서 97.3%에 도달하며 정확도를 유지하거나 오히려 약간 향상시켰다.
• 계산 비용: 현재 에지 기반 방법은 표준 이미지 크기에 대해 선적분 평가로 인해 픽셀 기반 방법보다 느리다(37~74배). 그러나 이 방법은 매우 쉽게 병렬화가 가능하며, 계산 부담은 이미지의 면적이 아닌 둘레(활성 에지)에 비례한다.

의의 및 주장
본 논문은 제안된 에지 기반 정식화가 고차 제르니키 모멘트 계산에서의 고질적인 문제인 공간 에일리어싱을 해결한다고 주장한다. 이미지를 연속적인 조각별 상수 필드로 취급하고 경계를 통해 정밀하게 적분함으로써, 이 방법은 픽셀 기반 근사가 도달할 수 없는 수학적 엄밀성을 달성한다.

저자들은 딥러닝이 이미지 분석을 지배하게 되었음에도 불구하고, 모멘트 기반 기술자가 설명 가능성, 제한된 학습 데이터, 정밀한 기하학적 특성 규명이 필요한 응용 분야에서 여전히 중요하다는 점을 강조한다. 제안된 방법은 전통적인 방식이 실패하는 고차수에서도 이러한 기술자들이 안정적이고 변별력을 유지할 수 있도록 보장한다. 이 연구는 본 프레임워크가 단순한 이론적 개선을 넘어, 고차 모멘트를 포함한 고충실도 형상 분석 및 재구성 작업에 있어 실질적인 필수 요소임을 시사한다. 언급된 향려 방향으로는 다른 직교 모멘트(Legendre, Chebyshev)로의 일반화 및 다각형 표면 메쉬로부터 계산되는 3D 제르니키 모멘트로의 확장이 포함된다.