Method for Restoring the Spatial Resolution of KOMPSAT-3A MIR Image

KOMPSAT-3A 중적외선 영상의 공간해상도 복원 기법

Abstract

The KOMPSAT-3A is a high-resolution optical satellite launched in 2015 by Korea Aerospace Research Institute (KARI). KOMPSAT-3A provides Panchromatic (PAN-0.55 m), Multispectral (MS-2.2 m), and Mid-wavelength infrared (MIR_OR-5.5 m) image. However, due to security or military problems, MIR_OR image with 5.5m spatial resolution are provided down sampled at 33 m spatial resolution (MIR_rd). In this study, we propose spatial sharpening method to improve the spatial resolution of MIR_rd image (33 m) using virtual High Frequency (HF) image and optimal fusion factor. Using MS image and MIR_rd image, we generated virtual high resolution (5.5 m) MIR_OR^fus image and then compared them to actual high-resolution MIR_OR image. The test results show that the proposed method merges the spatial resolution of MS image and the spectral information of MIR_rd image efficiently.

KOMPSAT-3A는 2015년 한국항공우주연구원(KARI)이 발사한 고해상 광학위성으로 0.55 m 급 전정색영상(PAN), 2.2 m 급 다중 분광 영상(MS) 그리고 5.5 m 급 중적외선 영상(MIR_OR)을 제공한다. 그러나 보안 또는 군사적인 문제로 인해 공간 해상도 5.5 m MIR_OR 영상은 33 m 공간해상도로 down-sampling된 MIR_rd 영상으로 제공된다. 본 연구에서는 가상의 고주파(HP) 영상과 최적 융합 계수를 이용하여 MIR_rd 영상의 공간해상도를 복원하는 방법을 제안하였다. MS 영상과 MIR_rd 영상을 이용하여 가상의 MIR_OR^fus 영상을 제작하였으며, 이를 실제 MIR_OR 영상과 비교 분석하였다. 실험 결과, 제안된 방법이 MS 영상의 공간해상도와 MIR_rd 영상의 분광정보를 효과적으로 조합 하였다는 것을 보여주었다.

1. 서론

KOMPSAT(Korea Multi-Purpose Satellite)-3A는 2015년 3월에 발사된 고해상 광학위성으로 0.55 m급 전정색(Panchromatic; 이하 PAN) 영상, 2.2 m 급 다중 분광 (Multispectral; 이하 MS) 영상 그리고 5.5 m 급 중적외선 (Medium wave infrared; 이하 MIR_OR) 영상을 제공 한다. 특히, KOMPSAT-3A MIR_OR 영상은 전 세계적으로 유사한 성능의 영상이 제공되지 않아, 육안으로 식별이 어려운 도심지의 열섬 현상, 가뭄모니터링, 특이객체 분석 등 다양한 분야에서 고부가 가치를 창출할 수 있는 최신 연구 데이터로 인정받고 있다. 한편, KOMPAT-3A MIR_OR영상의 공간해상도는 약 5.5 m 이지만, 군사적 또는 보안상의 문제로 일반 사용자에게는 약 33 m 공간해상도로 6배 down-sampling된 영상(이하 MIR_rd)이 제공된다. 따라서 관련 분야 연구자들은 보다 정확도 높은 분석 또는 응용 분야의 확대를 위하여 고해상 MIR_OR의 수준으로 향상된 데이터 제공의 필요성을 제기하고 있다.

이와 같은 이유로 수학적인 방법을 통하여 저해상MIR_rd 영상을 실제로 제공되지 않은 고해상 MIROR의 수준으로 복원하는 연구가 진행되고 있다. 공간해상도의 복원 또는 향상과 관련된 연구는 전통적으로 Pansharpening 기법으로 알려져 있다(Hwang et al., 2007; Oh et al., 2012; Lee et al., 2014; Oh et al., 2014). 그러나 기존 개발된 Pan-sharpening 기법을 직접 적용하기에는 어려움이 있다. 왜냐 하면, 일반적인 Pan-sharpening 기법은 고해상의 참조영상이 저해상 대상영상의 분광 범위를 포괄하지만, 저해상 MIR_rd의 공간해상도 복원을 위한 참조영상(PAN 또는 MS)은 분광 범위가 서로 상이하기 때문이다. 또한, 기존 기법은 다 밴드 영상을 대상으로 하지만, 해당 연구는 단 밴드 영상을 다룬다는 차이점도 있다.

관련된 연구로 Agam et al. (2007)은 IR(Infrared) 영상과 NDVI(Normalized Difference Vegetation Index)의 유사성을 이용하여, 공간해상도를 증대시키는 연구를 진행하였다. Jung and Park (2014)은 LANDSAT 8 TIR (Thermal Infrared)의 공간해상도 향상을 위한 융합 계수의 최적화 방안을 제안하였다. 또한, Park et al. (2018) 은 드론에 탐재되어 있는 TIR영상과 다중분광 센서를 통해 취득된 영상에 대하여 기존의 Pan-sharpening 기법을 적용하고 분석하였다. 이와 같이 국내·외 적으로 공간해상도 향상 기법에 대한 연구가 지속적으로 진행되고있다. 그러나 기존의 연구는 KOMPSAT-3A와 같은 고해상 광학영상을 대상으로 진행되지 않았으며, 해상도 향상 영상의 품질 평가를 위한 타겟 영상이 존재하지 않는다는 한계가 있다. 따라서 본 연구에서는 KOMPSAT-3A에서 제공하는 번들 영상(PAN, MS, MIR_rd)에 적합한 공간해상도 복원 기법을 제안하고, 실제로 제공되지 않는 MIR_OR과의 직접적인 비교 분석을 통해 연구의 신뢰성을 확보하고자 한다.

2. 실험지역 및 자료

실험 자료는 2017년 10월 13일 대한민국 고흥 지역을 촬영한 KOMPSAT-3A 번들 영상이다. 고흥 지역은 한반도의 최 남단에 위치하고 있으며, 해안과 농경지, 산악지로 구성되어 있다(Fig. 1). Table 1은 실험 자료의 제원을 요약하여 제시한다. 실험 자료의 처리 레벨은 1R로 기하보정이 수행되지 않은 영상이다. 일반적인 Pansharpening 기법의 경우, PAN과 MS 영상이 동시에 촬영됨으로 추가적인 기하보정 없이 1R 영상으로 실험이 가능하다. 그러나 MIR_OR 영상은 PAN 및 MS와 약간의 촬영격차가 있다(See Center Coordinates in Table 1). 따라서 본 실험을 위해서는 실험 자료의 정밀 정사보정 또는 실험 자료 간 상대기하보정이 선행되어야 한다. 본 실험을 위하여, 각각의 실험 자료들은 sub-pixel 이하의 정확도로 정밀 정사보정이 실시 되었다(UTM, GRS80, MSL). 또한, 실험의 편의성을 위하여 행과 열 방향의 공간해상도를 각각 5.5 m(MIR_OR), 33 m(MIR_rd), 0.55 m (PAN), 2.2m(MS)로 재보간하였으며,영상의크기(MIR_OR 기준)는 1,800×1,800 (pixel)으로 절취하여 사용하였다 (Fig. 1).

Fig. 1. KOMPSAT 3A test images: (a) MIR_OR (5.5 m), (b) MIR_rd (33 m), (c) PAN (0.55 m), (d) MS (2.2 m).

Table 1. Characteristics of KOMPSAT-3A test images

3. 연구방법

본 연구의 목적은 KOMPSAT-3A 번들 영상으로 제공되는 MIR_rd 영상(33 m~)의 해상도를 수학적인 방법을 통해 MIR_OR (5.5 m~)의 수준으로 복원시키는 것이다. 이를 위해 본 장에서는 수정된 Pan-sharpening 기법을 기반으로 가상의 고주파 영상 제작 및 최적의 융합 계수 도출 방안 그리고 고해상 MIR_OR 영상과의 비교 분석과정을 기술한다.

1) 수정된 Pan-sharpening

KOMPSAT-3A에서 실제로 촬영된 고해상 MIR_OR 영상은 다음 Eq. (1)과 같이 고주파 영상과 저주파 영상의 합으로 분해하여 나타낼 수 있다.

​\(\operatorname{MIR}_{O R}=\operatorname{High}\left(\operatorname{MIR}_{O R}\right)+\operatorname{Low}\left(\operatorname{MIR}_{O R}\right)\)​​​​​       (1)

위 식에서 MIR_OR은 고해상 중적외선 영상, High(MIR_OR)와 Low(MIR_OR)은 이로부터 분해된 고주파 영상과 저주파 영상이다. 만약, 전정색 영상 또는 다분광 영상에서 추출된 가상의 고주파 영상이 고해상 중적외선 영상에서 추출된 고주파 영상과 높은 상관 관계를 지니고 있다면, 저해상 MIR_rd과 가상의 고주파 영상과의 가중합으로 실제 고해상 중적외선 영상을 추정할 수 있다.

\(M I R_{O R} \approx M I R_{O R}^{f i s}=\alpha \cdot \operatorname{High}(P A N \text { or } M S)+M I R_{n i}\)       (2)

위 식에서 PAN과 MS는 고해상 전정색 영상과 다분광 영상을 의미하며, High(PAN or MS)는 이로부터 추출된 가상의 고주파 영상, α는 융합 계수, \(M I R_{O R}^{f_{S F}}\)는 공간해상도가 복원된 융합영상이다. 본 연구에서는 수정된 Pan-sharpening(Eq. (2))를 기반으로 가상의 고주파 영상을 선정하고, 최적 융합 계수를 제안 한다. 그리고 실제로는 제공되지 않는 고해상 MIR_OR과의 시각적 및 정량적 분석을 수행한다. 본 연구의 흐름은 다음 Fig. 2에 요약된다.

Fig. 2. Workflow for Restoring the Spatial Resolution of MIR_rd.

2) 가상의 고주파 영상 생성

가상의 고주파 영상을 추출하는 방식에 따라 MRA기반 기법과 CS 기반 기법으로 구분할 수 있다(Jeong et al., 2016). MRA 방법은 고해상 전정색 영상 또는 다분광영상에 저주파 필터링 등을 적용한 후, 차분하는 방식이고 CS 방법은 고해상 참조 영상에서 저해상 대상 영상 (예, MIR_rd)을 차분하는 방식(Choi et al., 2018)이다. PAN 영상은 단일 밴드이므로, 언급한 MRA와 CS 방법을 직접 적용할 수 있다. 반면, MS 영상은 다중 밴드(Blue, Green, Red, NIR) 영상이므로 상관성이 높은 하나의 밴드를 선택하거나, 가중 평균 등의 전처리 과정을 통해 단일 밴드로 변환하는 과정을 거쳐야 한다. 본 연구에서는 MIR_rd 영상과 MS 영상 간 다중 회기 분석을 통하여, MIR_rd 영상과 유사한 통계 특성을 지닌 단일 밴드 강도 영상 (intensity; 이하 I)을 제작하는 방식을 사용하였다(Oh et al., 2015).

MRA 방법에 따른 가상의 고주파 영상 제작은 적용되는 필터링의 종류에 따라 다양한 방식으로 구분 될 수있다. 본 연구에서는 Jung and Park(2014)이 제안한 방법을 적용하였다. 해당 연구에서는 저해상 대상 영상의 공간 해상도와 보간 효과를 고려하여, 7×7 크기로 블록평균 후 재 보간 하는 방식을 사용하였다. CS 방법에 따른 가상의 고주파 영상 제작은 PAN 또는 I 영상에서 MIR_rd 영상을 차분하는 방식으로 진행하였다.

3) 최적 융합 계수 추정

본 연구에서는 가상의 고주파 영상을 효과적으로 스케일링 할 수 있는 최적 융합 계수를 제안하고자 한다. 최적 융합 계수는 PAN 또는 I 영상에서 분리된 고주파 및 저주파 영상과 MIR_rd간의 통계 분석을 통하여 이뤄진다. 한편, Jung and Park(2014)은 가상의 고주파 영상과 저해상 열 적외선 영상간 표준편차와 최대값 및 최소값 차이의 비율에 따른 최적 융합 계수를 제안한 바 있다 (Table 2- Std. ratio, Range ratio). 본 연구에서는 새로운 융합 계수를 정의 하였으며, 이는 가상의 고주파 영상 및 가상의 저주파 영상과 MIR_rd 영상의 공분산/분산 비를 이용하여 도출된다(Table 2- Proposed 1, Proposed 2).

Table 2. Formulas for fusion factors

이 때, σ는 표준편차, cov와 var는 공분산과 분산을 의미한다. δ^HF와 δ^LF는 PAN 또는 I 영상에서 추출된 가상의 고주파 영상과 저주파 영상을 의미한다.

4. 결과 및 분석

1) 가상의 고주파 영상 제작

PAN 영상과 단일 밴드로 변환된 I 영상에 각각 MRA방법과 CS 방법을 적용하여 서로 다른 4 가지 가상의 고주파 영상을 제작하였다(Fig. 3(b-e)). 또한, 영상 내의 불필요한 노이즈를 최소화하기 위하여, 각각의 가상의 고주파 영상에서 95% 신뢰 수준에 해상하는 임계값 1.96을 기준으로 DN(Digital Number)의 범위를 제한하였다. 이와 더불어 제작된 가상의 고주파 영상과의 특성 비교를 위하여, MIROR로부터 실제 고주파 영상(Fig. 3(a))을 추출하였다. Fig. 3은 실제 고주파 영상과 가상의 고주파 영상을 도시하며, Fig. 4은 Fig. 3(a) 영상의 A 지역을 확대하여 나타낸 것이다. 일반적으로 고주파 영상은 주변 화소 값의 변화가 큰 지역이 강조되어 표현된다. 즉, PAN 또는 I 영상에서 추출된 고주파 영상은 태양에너지에 대한 지표 반사도의 차이가 큰 지역이 강조되어 나타난다. 반면, MIR_OR에서는 지표 반사도의 차이와 더불어 지표의 온도 차이가 큰 지역이 강조되어 나타날 수 있다. 왜냐하면, 3.3-5.2 (µm)의 파장대역을 지닌 KOMPSAT-3A MIR_OR은 열 적외선이나 반사적외선과는 달리 태양복사의 반사된 에너지와 지표 자체의 복사된 에너지가 복합되어 나타나기 때문이다(Boyd and Petitcolin, 2004). 이러한 특징은 PAN 또는 MS 영상을 이용한 MIRrd 영상의공간해상도 복원 가능성을 높일 수 있다. 왜냐하면, 성공적인 Pan-sharpening 기법의 적용은 대상 영상과 참조 영상간 유사성이 크다는 기본 가정이 성립되어야 하기 때문이다(Oh, 2017).

Fig. 3. HP images: (a) HP-MIROR, (b) Virtual HP-PAN (MRA), (c) Virtual HP-PAN (CS), (d) Virtual HP-I (MRA), (e) Virtual HP-I (CS).

Fig. 4. Zone A of Fig. 3(a): (a) HP-MIROR, (b) Virtual HP-PAN (MRA), (c) Virtual HP-PAN (CS), (d) Virtual HP-I (MRA), (e) Virtual HP-I (CS).

하지만 관측되는 파장대역이 서로 다른 두 영상으로부터 추출된 고주파 영상이 완벽하게 일치하기는 어렵다. 다만, 두 고주파 영상간 일정 부분 상관 관계가 존재함으로 그 차이가 최소화된 영상을 선택하는 것이 바람직할 것이다. 시각적인 비교 결과, MRA 기법으로 추출된 고주파 영상(Fig. 3(b), (d))이 CS 기법으로 추출된 고주파 영상(Fig. 3(c), (e)) 보다 실제 고주파 영상과 유사한 특성을 보였다. 또한, 동일하게 MRA 기법을 적용한 경우, 고해상 참조 영상에 따라 세부적인 특성 차이가 있었다. Fig. 3(b), (d)의 경우, 농경지 지역은 서로 유사한 공간 특성을 나타냈지만, 산지지역에서는 Fig. 3(d)가 실제 고주파 영상에 가까웠다. 이러한 특성 차이는 Fig. 3(a)의 A지역을 확대하여 나타낸 Fig. 4(b), (d)에서 보다 뚜렷하게 확인할 수 있다. 뿐만 아니라, Fig. 4(a)의 파란색 박스로 표시한 부분의 경우, Fig. 3(d)의 확대 영상인 Fig. 4(d)가 실제 고주파 영상과 가장 유사한 특징을 나타냄을 재차 확인할 수 있다. 이와 같은 결과는 정량적인 분석 결과와도 일치한다(Table 3). 정량적인 분석은 2가지 평가지표를 통해 진행되었다. Corr.은 두 영상간 유사성을 평가하며, NAE는 두 영상간 정규화된 절대오차를 나타낸다(Memon et al., 2016). 시각 및 정량적인 분석 결과 MS영상으로부터 변화된 I 영상에 MRA 방법을 적용하여 추출된 가상의 고주파 영상이 실제 고주파 영상에 가장 유사한 것으로 판단하였다. 이에 본 연구에서는 해당 가상 고주파 영상을 기반으로 다양한 융합 계수의 적용을 통해 저해상 MIR_rd 영상의 공간해상도를 복원하고 그 성능을 비교 분석하였다.

Table 3. Quantitative analysis between actual HP and 4 virtual HP images

2) 융합 계수에 따른 해상도 복원

본 절에서는 선정된 가상의 고주파 영상과 다양한 융합 계수에 따른 해상도 복원 실험을 진행하였다. 해상도 복원 영상 \(M I R_{O R}^{fus}\)은 보간된 MIR_rd 영상과 융합 계수로 스케일링 된 가상의 고주파 영상의 합산으로 생성된다. 이를 위하여 저해상 MIR_rd 영상을 스플라인 보간법을 사용하여, 고해상 MIR_OR 영상의 크기로 변환 하였다. 본 실험에서는 총 4가지의 융합 계수에 따라 생성된 복원영상의 비교하고, 분석 하였다. Fig. 5(a-d)는 각각 MIR_OR, MIRrd, I, HP-I 영상을 나타낸다. Fig. 5(e-h)는 MIR_rd와 Virtual-HP I (MRA), 그리고 융합 계수에 따른 복원 영상을 나타낸다. Fig. 5(e-h)의 복원 영상에 적용된 융합 계수는 각각 0.89 (std. ratio), 0.93 (range ratio), 0.44 (proposed 1), 0.80 (proposed 2) 이다(Table 4). 융합 계수는 앞서 생성된 가상의 고주파 영상(Virtual-HP I (MRA))의 주입비율 즉, 공간 해상도의 향상과 분광 정보의 보존 사이의 trade-off 관계를 제어하기 위해 사용된다. 융합 계수가 높을수록 공간 해상도는 향상되지만, 대상 영상의 분광정보가 손실될 가능성이 높다. Fig. 6은 Fig. 5(a)의 B지역을 확대하여 나타낸다. Fig. 6의 (a)와 (c)는 MIR_rd와 MS영상의 다중 회기 분석으로 생성된 I 영상을 나타낸다. Fig. 6(a)의 파란색 및 흰색 박스는 MIR_OR 영상과 I 영상의 차이점을 특징적으로 보여준다. 파란색 박스는 태양광 전지판이 설치되어 있는 지역이고, 흰색 박스는 콘크리트 포장 도로이다. 태양광 전지판의 경우, MIR_OR 영상에서는 밝게 나타나는 반면, I 영상에서는 어둡게 나타났다. 반면, 콘크리트 도로의 경우, MIR_OR 영상에서는 어둡게 나타나지만 I 영상에서는 밝게 나타났다. 한편, 본 연구는 제시된 MIR_rd영상의 특성을 최대한 보존하면서, 공간 해상력은 향상시키는데 주된 목적이 있다. 해상도가 복원된 융합영상(Fig. 6(e-f))과 MIR_OR 영상(Fig. 6(a))를 시각적으로 비교하였을 경우, 일정 부분 차이가 나타난다. 이와 같은 이유는, trade-off를 적절하게 제어되었더라도 주입되는 가상의 고주파 영상(Fig.4(d))과 실제 고주파 영상(Fig. 4(a)) 간 일정부분의 분광특성 차이가 있기 때문이다. 또한, 가상의 고주파 영상과 저해상 MIR_rd간 기하가 완벽하게 일치되지 않았을 수 있다. 전술한 바와 같이, MS 영상과 MIR_OR 영상의 촬영 시간과 촬영 위치가 완벽하게 일치하지 않는다. 비록, 각각의 영상에 대한 정밀 정사보정이 선행되었을 지라도 subpixel 단위 에서는 미세한 위치 오차가 발생될 수 있다. 하지만 이와 같은 저해 요인에도 불구하고, Fig. 6(b) 영상의 해상력을 복원하는 것은 큰 의미가 있다(Jung and Park, 2014). 이와 같은 관점에서 상대적으로 trade-off 관계를 최소화한 영상을 선정하고자 하였다. 융합 계수에 따른 복원 영상의 trade-off 관계는 Fig. 6(f)(α=0.93)와 Fig. 6(g)(α=0.44)에서 명확하게 드러난다. 최적의 융합계수는 복원된 영상에서 MIRrd 영상의 분광특성을 유지하면서 객체를 구별할 수 있도록 하는 융합 계수 중 최소값으로 결정할 수 있다. 시각적인 분석 결과, Fig. 6(a)에서 흰색 박스로 표시된 콘크리트 도로와 가장 유사한 밝기 값을 지니며, 객체 구별의 가독성이 상대적으로 높은 영상은 Fig. 6(g)로 판단 되었다. 그러나 이와 같은 판단은 객관적이기 보다는 관측자의 견해에 따라 달라 질 수 있다.

Fig. 5. Reference and resorting images: (a) MIROR, (b) MIRrd, (c) I, (d) Virtual-HP I (MRA), (e) std. ratio, (f) Range ratio, (g) proposed 1, (h) proposed 2.

Fig. 6. Zone B of Fig. 5(a): (a) MIROR, (b) MIRrd, (c) I, (d) Virtual-HP I (MRA), (e) std. ratio, (f) Range ratio, (g) proposed 1, (h) proposed 2.

Table 4. Quality indices: MIROR image and four different fusion images

시각적 분석과 더불어, 4가지 평가지표에 따른 정량적 분석을 실시하였다(Table 4). 분석에 사용된 평가지표는 총 세가지로 ERGAS, Q, Spatial 이다(Oh, 2017). ERGAS와 Q는 분광정보의 보존 정도를 나타내며, 이상적인 값은 각각 0과 1이다. 또한, Spatial은 공간 해상력의 보존 정도를 나타내며 이상적인 값은 1이다. 이와 같은 지표는 타겟 영상과 복원 영상 간 유사성 비교를 통해 진행되며, 본 연구에서는 MIR_OR 영상을 타겟 영상으로 사용하였다. 분석 결과, Proposed 1이 모든 수치에서 가장 우수한 결과를 나타냈으며, Proposed 2가 그 뒤를 이었다. 한편, 공간 해상력 지수(Spatial)는 융합 계수가 가장 높은 Range ratio(α=0.92)의 수치가 높을 것으로 예상할 수 있으나 실제로는 3번째 순위를 나타냈다. 이와 같은 이유는 공간 해상력 지수의 경우, 타겟 영상과 융합 영상의 고주파 성분을 추출한 후, 상관 계수를 측정하여 계산되기 때문이다. 만약, 타겟 영상을 MIR_OR 영상이 아닌 I 영상으로 선택한다면, Range ratio(α=0.92)가 공간 해상력 지수에서 가장 높은 순위를 나타냈을 것이다. 결론적으로 시각적 평가와 정략적 평가 모두에서 Proposed 1이 최적의 융합 계수를 추정한 것으로 판단되었다. 다만, 제안된 방법은 추가적인 보완이 필요할 것으로 생각된다. Fig. 5, 6에서 확인 한 바와 같이, 주입되는 가상의 고주파 영상이 실제 고주파 영상과 여전히 차이가 있기 때문이다. 향 후에는 가상의 고주파 영상이 실제 고주파 영상에 좀 더 유사한 분광 특성을 지니도록 지역적 단위의 변환 연구가 필요할 것으로 사료된다.

5. 결론

본 연구에서는 KOMPSAT-3A 번들 영상에서 제공하는 저해상 MIR_rd 영상의 해상도(33 m)를 원 해상도(5.5 m)로 복원하는 것을 목적으로 한다. 이를 위하여, 가상의 고주파 영상을 선정하고, 최적의 융합 계수를 제안하였다. 본 연구에서는 대한민국 고흥을 촬영한 KOMPSAT-3A번들 영상으로 실험을 진행하고, 실제로 공개되지 않는 고해상 MIR_OR영상과 비교 평가를 진행하였다. 총 4가지 융합 계수에 따라 생성된 복원 영상에 대한 시각적 및 정량적 평가를 수행한 결과, 다음과 같은 결론을 얻을 수 있었다.

첫째, PAN 영상과 MS 영상을 활용하여, 4가지 가상의 고주파 영상을 생성하였다. 실험결과, MS 영상으로 생성된 I 영상에 MRA 기법을 적용하였을 경우, 상대적으로 실제 고주파 영상과 상대적으로 유사한 특성을 나타냈다.

둘째, 2가지 융합 계수 추정 기법을 제안하였으며, 시각적 및 정량적 평가결과 Proposed 1을 사용한 경우가 가장 우수한 결과를 나타냈다.

셋째, 본 연구에서 제안한 기법을 이용하여, 저해상 MIR_rd 영상의 해상력을 상당부분 복원하였지만 실제 MIR_OR 영상과는 일정부분 차이가 있었다. 향후 연구에서는 가상의 고주파 영상 생성 기법에 대한 추가 연구가 필요할 것으로 사료된다.