이산 코사인 변환 기반의 공동 스펙트럴-공간 정보 압축 및 밴드 상관 계산을 통한 고분광 특징 추출

고분광 영상(HSI)의 픽셀에 대한 예측 작업은 분류기 학습에 사용되는 특징을 신중하게 설계해야 하며, 이는 상당한 노력을 수반한다. 그러나 생성된 분류 지도는 객체 경계 및 세부 정보 측면에서 원본 영상과 큰 차이를 보이는 과도한 부드러움(over-smoothing) 문제에 시달릴 수 있다. 이러한 과도한 부드러움 문제를 해결하기 위해 우리는 스펙트럴-공간-밴드 상관관계(Spectral-Spatial-Band Correlation, SSBC) 특징을 추출하는 방법을 제안한다. SSBC 특징에서는 스펙트럴과 공간 특징의 공동 추출을 이산 코사인 변환(Discrete Cosine Transform, DCT) 기반의 정보 압축으로 간주하며, 3차원 영상에서 공동 스펙트럴-공간 정보를 추출하기 위한 디스틸레이션(자기 학습) 과정의 높은 계산 비용을 피하기 위해 평탄화(Flattening) 연산을 사용한다. 그러나 이러한 과정은 추출된 특징이 스펙트럴 정보를 상실하게 할 수 있다. 본 연구에서는 추출된 특징 내 스펙트럴 정보를 증가시키는 것이 분류 지도의 과도한 부드러움 문제를 해결하는 핵심이라고 주장한다. 따라서 고분광 영상 데이터에서 밴드 상관관계 특징을 추출할 때, 정규화된 차이 식생 지수(Normalized Difference Vegetation Index, NDVI)와 산화철(iron oxide) 지수를 개선하여 추가적인 스펙트럴 정보를 제공한다. 기존의 NDVI와 산화철 지수는 두 개의 스펙트럴 밴드를 기반으로 계산되지만, 고분광 영상의 풍부한 스펙트럴 밴드 특성과는 부적절하다는 점을 고려하여 이를 보완하였다. 네 가지 실제 고분광 영상 데이터셋을 대상으로 수행한 실험 결과, 제안한 특징이 과도한 부드러움 문제를 상당히 완화함과 동시에 최신의 딥 러닝 기반 특징과 비견되는 분류 성능을 달성함을 확인하였다.