speckle 필터와 SAR 자동 표적 인식

고전 speckle 필터는 어떻게 동작하고, SAR 영상에서 표적을 자동으로 인식하는 과정은 어떻게 짜여 있는가?

speckle은 SAR 영상의 시각적 품질을 낮추고 AI의 특징 추출을 방해한다.

Lee 필터: MMSE 기반 적응 필터

Lee 필터는 speckle의 곱셈 모델 $I = R \cdot s$ ( $R$ : 실제 반사율, $s$ : speckle)를 가정하고, 최소 평균 제곱 오차(MMSE) 추정기를 유도해 얻으며, 그 추정기는 다음 선형 꼴이다.

\hat{R} = \bar{I} + W \cdot (I - \bar{I}), \qquad W = 1 - \frac{C_s^2}{C_I^2}

$\bar{I}$ 는 국소 윈도우 안의 평균, $C_I = \sigma_I / \bar{I}$ 는 국소 변동계수(coefficient of variation), $C_s = 1/\sqrt{L}$ 은 speckle의 이론적 변동계수( $L$ : look 수)이다.

고른 영역: $C_I \approx C_s$ → $W \approx 0$ → $\hat{R} \approx \bar{I}$ (완전히 평균한다)
경계와 점 표적: $C_I \gg C_s$ → $W \approx 1$ → $\hat{R} \approx I$ (원본을 지킨다)

$W$ 는 $[0, 1]$ 로 자른다. 필터가 국소 통계를 보고 평활화의 세기를 저절로 바꾸므로 경계를 잘 지킨다.

Refined Lee 필터: 방향을 고려한 경계 보존

표준 Lee 필터는 경계의 방향을 무시하고 정사각형 윈도우를 쓰므로 경계를 가로지르는 방향으로 영상이 흐려진다. Refined Lee 필터는 윈도우 안의 픽셀을 경계 방향별로 묶어, 경계와 나란한 방향으로만 평균한다. 순서는 다음과 같다.

국소 변동계수 $C_I$ 를 계산한다.
국소 변동계수가 낮은 고른 영역이면 윈도우 전체의 평균을 쓴다.
국소 변동계수가 매우 큰 점 표적이면 원본값을 둔다.
그 밖(경계 영역)이면 8방향의 방향 윈도우(edge-aligned window) 가운데 분산이 가장 작은 방향을 고르고, 그 방향 윈도우의 픽셀만으로 Lee 필터를 적용한다. $\hat{R} = \bar{I}_{dir} + W_{dir} \cdot (I - \bar{I}_{dir})$ 이다.

8방향은 수평, 수직, 대각선 넷, 반대각선 넷으로 이루어진다. 경계와 나란한 방향 윈도우는 고르고(분산이 작고), 경계를 가로지르는 방향 윈도우는 고르지 않으므로(분산이 크므로) 경계의 방향이 저절로 골라진다.

필터	수학적 바탕	경계 보존	점 표적 보존	계산 비용
Lee 필터	MMSE 선형 추정	양호	양호	낮음
Refined Lee	방향을 고려한 MMSE	우수	우수	중간
Frost 필터	지수 감쇠 커널	양호	우수	낮음
Gamma MAP	Gamma 분포의 MAP 추정	우수	우수	중간
DNN(SAR-CNN)	학습 기반	최우수	최우수	높음(GPU)

같은 single-look 영상에 7 × 7 평균, 7 × 7 Lee 필터, 4 × 4 픽셀 평균을 적용하면 고른 배경의 평활도(ENL, equivalent number of looks), 경계의 번짐, 점 표적의 강도가 서로 다르다. 아래 그림의 Lee 필터는 Refined Lee가 아니라 앞의 'Lee 필터' 절에서 다룬 표준 Lee 필터이다.

64 × 64 합성 장면으로, 배경 반사율 1(0 dB), 아래 오른쪽 8(9 dB), 점 표적 하나 60(17.8 dB)에 single-look speckle(지수 분포)을 곱했다. ENL은 점선 상자(배경 24 × 32픽셀)에서 1/CoV²로 쟀고(이론값은 독립한 픽셀을 평균한 수로 7 × 7 평균 49, 4 × 4 픽셀 평균 16), 경계 폭은 아래 절반의 열 평균을 dB로 바꾸어 10 %에서 90 %까지 오르는 데 걸린 열 수이며 반사율 자체로는 0.80열이다.

해 보기

7 × 7 평균의 배경 ENL, 경계 폭, 점 표적 강도를 확인하라.
관찰
배경 ENL이 57.7(이론 49)로 가장 매끄럽지만 경계 폭이 4.81열로 번지고, 점 표적은 5.3 dB로 떨어져 배경에 거의 묻힌다.
7 × 7 Lee 필터의 같은 세 값을 7 × 7 평균과 비교하라.
관찰
ENL은 23.3으로 평균보다 낮지만 경계 폭은 3.25열로 가장 좁고, 점 표적이 20.4 dB로 남는다. 국소 변동계수가 큰 자리에서 원본을 지키기 때문이다. 남은 것은 speckle이 곱해진 픽셀 그대로의 값이고, 참 반사율은 17.8 dB이다. 4 × 4 픽셀 평균의 ENL은 21.1(이론 16)이다.

딥러닝 방법은 이 트레이드오프를 데이터에서 배운다. SAR speckle 제거 사례의 DnCNN-SAR는 고른 영역은 매끄럽게, 경계와 점 표적은 그대로 두는 것을 목표로 한다.

SAR 자동 표적 인식(ATR)

SAR ATR은 SAR 영상에서 표적을 자동으로 찾고 분류하는 전체 처리 과정이다. 군사와 민간 모두에서 SAR AI의 주된 쓰임이며, 표준 처리는 세 단계로 이루어진다.

탐지(detection): CFAR나 CNN 탐지기로 표적 후보 영역(ROI)을 뽑는다. 목표는 높은 탐지 확률 $P_D$ 를 지키면서 false alarm을 줄이는 것이다. CFAR는 통계 기반이라 빠르고, CNN은 학습 기반이라 클러터를 잘 거른다.
식별(discrimination / pre-screening): 탐지된 ROI에서 표적이 아닌 후보(false alarm, 클러터 덩어리)를 지운다. 형태 특징(종횡비, 면적), 강도 특징, 간단한 CNN 분류기를 쓴다. 계산이 적고 빠른 것이 목표이다.
분류(classification): 식별한 표적 ROI를 클래스(전차, 장갑차, 선박 등)로 나눈다. 깊은 CNN(ResNet, EfficientNet)이나 Transformer 기반 분류기를 쓴다. MSTAR가 대표적인 benchmark이다(10클래스 차량 분류, 99 % 넘는 정확도 달성).

MSTAR(moving and stationary target acquisition and recognition)는 X-band SAR로 찍은 지상 군용 표적 데이터셋으로, SAR ATR 연구의 표준 benchmark이다(19장). 표적은 BMP-2, BTR-70, T-72 등 지상 차량 10종이고, 분해능 0.3 m, 전 방위(0~360°)에서 찍었으며, 표준 부각(depression angle)은 15°/17°이다. 17°로 학습하고 15°로 테스트해, 부각이 바뀌어도 성능이 유지되는지 평가한다. 어려운 점은 부각, 표적 구성(configuration), 표면 조건이 바뀌면 표적의 모습도 바뀐다는 것이다.

최근 연구는 넷을 다룬다. 도메인 시프트(domain shift): 학습 데이터와 다른 레이다 파라미터(주파수, 분해능, 입사각)에서 성능이 떨어지므로 도메인 적응으로 줄인다. 적은 학습 샘플(few-shot): 새 표적 클래스를 샘플 수십 장만으로 배우는 few-shot learning과 meta-learning을 쓴다. 해석 가능성: 군사 응용에서는 분류 근거를 설명해야 하므로 CAM, Grad-CAM으로 주목 영역을 보인다. 시뮬레이터 데이터: 실제 SAR 표적 데이터가 드물어 SAR 시뮬레이터(RaySAR, DIRSIG)가 만든 합성 영상을 학습에 더한다. 남은 과제는 합성 영상과 실제 영상의 차이(sim-to-real gap)를 줄이는 것이다.

SAR chip(표적을 중심으로 잘라 낸 작은 영상)에서는 차량의 형상보다 강한 산란점(엔진, 금속 표면)의 배치가 분류 단서이다. 광학에서는 색과 질감이, SAR에서는 기하학적 산란 구조가 분류를 정한다. MSTAR의 실제 chip은 19장에 있다.