두 번째 제안한 진화 알고리즘에서는 영상을 16 × 16 크기의 하위 영상으로 분할하여 각 하위 영상에 대해 유전자를 할당하는 방식이다.

마지막으로 결정해야 할 중요한 문제는 영상 전체를 하나의 유전자로 모델링할 것인지, 아니면 영상을 분할하여 작은 영상으로 나눈 후에 그 영상들을 대상으로 각각 진화하게 할 것인지를 결정해야 하는 것인데, 이 논문에서는 이와 관련하여 두 가지 종류의 픽셀 기반 진화 알고리즘을 제안하였다.

여기에서는 유전자 알고리즘을 이용하여 영상을 생성하기 위한 기존의 처리 기법들에 대하여 특징별로 분류하고 그 특징 및 장단점을 각각 분석하였다.

유전자 알고리즘으로 영상을 학습하여 새로운 영상을 만들기 위해서는 다양한 진화 전략을 세우고 진행하여야 하며, 영상을 변조하고 새로운 영상을 만들기 위해서는 가장 먼저 유전자 정보를 모델링을 하는 것이 필요하다. 이 논문에서는 한 요소의 유전자 정보를 영상에서의 한 픽셀값으로 설정하였다. 또한, 추가적으로 필요한 여러 가지 진화 전략이 있지만, 이 논문에서 사용한 공통 진화 전략은 다음과 같다.

첫 번째 제안 알고리즘은 영상 전체를 하나의 유전자로 모델링하여 진화시키는 것이었으며, 두 번째 제안 알고리즘은 영상을 16 × 16 크기의 서브 영상으로 분할하여 개별적으로 진화시키는 기법이었다.

첫 번째 제안한 진화 알고리즘에서는 영상 전체의 픽셀 값들을 하나의 유전자로 모델링한다. 흑백 영상의 경우에는 하나의 영상에 하나의 유전자를 할당하는 방식이며, 컬러 영상인 경우에는 RGB로 변환된 세 영상 각각에 세 개의 유전자를 할당하는 방식을 사용하였다.

첫 번째 제안한 진화 알고리즘에서는 영상 전체의 픽셀 값들을 하나의 유전자로 모델링한다. 흑백 영상의 경우에는 하나의 영상에 하나의 유전자를 할당하는 방식이며, 컬러 영상인 경우에는 RGB로 변환된 세 영상 각각에 세 개의 유전자를 할당하는 방식을 사용하였다. 즉, 전체 영상의 픽셀 값 정보가 하나의 유전자로 모델링됨을 의미하여, 이 방법을 이용하게 되면 256 × 256 크기의 흑백 영상에 대한 유전자의 길이는 65,536이 된다.

진화 알고리즘의 비교 실험을 위해 256 × 256 크기와 512 × 512 크기의 흑백 영상 2가지와 컬러 영상 2가지를 사용하였다.

최초에 랜덤으로 생성된 유전자들을 룰렛 휠 선택 방법[15]으로 선택한 후, 단순 교차를 진행하고 일정 확률에 의해 돌연변이를 수행한 다음 적응도 순에 따라 정렬을 하고 난 후, 가장 좋은 값을 각 세대별 대표값으로 보존하는 엘리트 보존 기법을 사용하였다. 진화 대상이 영상이라는 2차원 데이터 특성에 따라 교차 방법은 그림 1과 같은 가로 분할, 세로 분할을 랜덤으로 선택하여 사용하였다.

첫 번째 제안 알고리즘은 영상 전체를 하나의 유전자로 모델링하여 진화시키는 것이었으며, 두 번째 제안 알고리즘은 영상을 16 × 16 크기의 서브 영상으로 분할하여 개별적으로 진화시키는 기법이었다. 실험 결과, 영상을 일정 크기의 분할된 영상으로 나누어 진화하는 것이 전체 영상을 하나의 유전자로 모델링하여 진화하는 것보다 진화 속도가 훨씬 빠르며, 생성된 영상 또한 훨씬 더 정교함을 알 수 있었다.

이러한 기법을 활용하여 영상뿐만 아니라 대규모 데이터를 진화시켜 목적하는 바를 이루고자 하는 경우에도, 전체 데이터를 하나의 유전자로 모델링하지 않고 데이터를 분할하여 개별적으로 진화시킨 후 그 결과를 합하는 알고리즘이 더욱 효율적인 기법이 될 수 있음을 알 수 있었다.

이상의 실험 결과에서 알 수 있듯이, 영상 전체의 픽셀 데이터를 하나의 유전자로 모델링하여 진화하는 것보다 영상을 작은 영상들로 분할하여 모델링한 후 진화시키는 것이 같은 진화 세대수에서 훨씬 더 원본에 가까운 영상이 생성됨을 파악할 수 있었다.

그림에서 알 수 있듯이, 영상 전체를 하나의 유전자로 모델링하는 경우에는 진화 횟수가 증가하여도 원본 영상에 빠르게 수렴하지 못하고 진화의 속도가 매우 느린 것을 확인할 수 있다. 특히 해상도가 높은 영상은 해상도가 낮은 영상에 비해 같은 진화 세대수에서 화질이 상대적으로 낮은 영상이 생성됨을 실험을 통해 확인할 수 있었다.

향후 연구로는 원본과 더욱 유사한 영상을 생성하기 위해서는 적절한 분할 영상의 크기를 파악할 필요가 있으며, 두 가지 이상의 영상을 이용하여 자연스러운 합성 영상을 생성하는 유전자 알고리즘을 개발할 필요가 있을 것으로 생각한다. 또한, 픽셀 기반의 유전자 모델링 뿐만 아니라 그래픽 도형 기반의 유전자 모델링을 통해 다양한 유형의 영상을 생성하는 알고리즘을 개발하면 유용하게 활용될 수 있을 것으로 예상한다.

향후 연구로는 원본과 더욱 유사한 영상을 생성하기 위해서는 적절한 분할 영상의 크기를 파악할 필요가 있으며, 두 가지 이상의 영상을 이용하여 자연스러운 합성 영상을 생성하는 유전자 알고리즘을 개발할 필요가 있을 것으로 생각한다. 또한, 픽셀 기반의 유전자 모델링 뿐만 아니라 그래픽 도형 기반의 유전자 모델링을 통해 다양한 유형의 영상을 생성하는 알고리즘을 개발하면 유용하게 활용될 수 있을 것으로 예상한다.