스캐닝 소나의 센서 특성을 반영한 해저 구조 대응점 기반 영상 정합

1. 스캐닝 소나 영상 전처리(Image Preprocessing)

수중 스캐닝 소나 영상은 밝기 분포가 센서의 거리 감쇠와 반사 특성에 따라 비선형적으로 왜곡된다. 따라서 센서의 거리 감쇠와 반사 강도 불균일성을 보정하고, 노이즈를 억제하면서 구조 정보를 보존하기 위한 전처리 과정이 필요하다. 본 연구에서는 그림 2-(a)의 원본 소나 영상에 대해 대비 제한 적응 히스토그램 평활화(CLAHE, Contrast Limited Adaptive Histogram Equalization)를 적용하여 지역적 대비를 향상시키고, 감마 보정(gamma correction)을 통해 거리 감쇠에 따른 비선형 밝기 왜곡을 완화하며, 쌍방 필터(bilateral filter)로 반사 경계의 세부 구조를 유지한 채 잔류 노이즈를 억제하였다. 이 과정을 거친 영상은 그림 2-(b)와 같이 향상된 밝기 균일성과 구조적 선명도를 보인다[15]. 이후, 중간값 필터(median filter)를 반복 적용하여 고주파 점 잡음을 제거하였다. 중간값 필터는 구조적 특성상 반복 적용 시 필터링 효과가 증가하는데, 그림 3-(a)의 영상에 50회 반복 적용한 결과(그림 3-(b))에서 점 잡음이 효과적으로 제거된 것을 보고 확인할 수 있었다. 그러나 반복 횟수가 과도해질 경우 증가된 연산량에 비해 시각적 개선 효과는 제한적이다. 그림 4의 상대 변화율 수렴곡선은 1-3회에서 급격한 변화율 감소가 나타나며, 이후 점차 안정화된다. 이에 따라, 본 연구에서는 4회 반복 시점을 연산 효율성과 연산 성능이 분기되는 최적 지점으로 선정하였다.

Fig. 2.

Sonar image enhancement with CLAHE, gamma correction and bilateral filter. (a) original. (b) enhanced image.

Fig. 3.

Result of median filter 50 iterations. (a) original. (b) result.

Fig. 4.

Convergence curve of the relative change according to the number of median filter iterations.

2. 방사 밝기 안정화(Radiometric Intensity Filtering)

소나 영상은 거리 감쇠와 음향 반사 특성에 따라 배경의 밝기가 비균일하게 분포하며, 이로 인해 구조물의 실제 형태가 저주파 성분에 의해 넓게 퍼져 보이는 문제가 발생한다. 이러한 저주파 성분을 억제하고 구조물의 경계 및 형태 대비를 강화하기 위해, 영상의 2차 미분을 기반으로 한 LoG(Laplacian of Gaussian) 필터를 사용할 수 있다. LoG는 영상 𝐼(𝑥, 𝑦)에 대해 다음 식 (1)과 같이 정의된다.

여기서 𝐺_𝜎는 표준편차 𝜎를 갖는 Gaussian 커널이며, LoG는 엣지(edge)나 코너(corner) 같이 영상의 밝기 변화가 급격한 영역에서 높은 응답을 보이고, 배경의 저주파 성분을 효과적으로 억제한다. 본 연구에서는 LoG를 식 (2)의 DoG로 근사하여 사용하였다. 이 근사식은 LoG와 유사한 대역통과(band-pass) 특성을 가지면서도 연산 효율이 높다. 이를 통해 스캐닝 소나의 방사형 신호 감쇠 특성으로 인한 밝기 왜곡을 정규화 할 수 있어, 이어지는 방위 방향의 구조 응답을 효과적으로 검출할 수 있다.

3. 방위 구조 검출(Azimuthal Geometric Detection Filtering)

본 단계에서는 센서의 방사형 스캔 특성을 고려하여, 방위각(azimuth) 방향 구조적 응답을 추출하였다. 스캐닝 소나는 송신 신호가 방사형으로 확산되며, 수신 신호는 동일 반경 상의 방위각 𝜃에 따라 서로 다른 반사체로부터 수집된다. 따라서 방위각 방향의 강도 변화는 실제 구조물의 형태적 윤곽과 밀접한 관련이 있다. 이를 고려하여, 반경-방위각 공간(radial-angular domain)에서 방위각 방향의 구조 변화를 추출하는 방위각 피크 응답 샘플링(APRS, Azimuthal Peak-Response Sampling)을 적용하였다. APRS는 다음의 절차로 구성된다.

• 1) 각 방위각 𝜃마다 반경 𝑟방향으로 국소 피크(local peak) 응답을 탐색한다.
• 2) 각 방위각마다 응답이 가장 강한 상위 3개의 피크값을 선택하여, 밝기 절대값이 아닌 방위 방향의 구조적으로 의미 있는 점들의 집합을 형성한다.
• 3) 위의 1~2. 과정을 전 DoG 구간마다 수행 후, 검출된 피크 응답을 누적하여 구조적으로 안정된 영역을 강조하고, 노이즈성 반응은 억제한다.

이를 수식으로 표현하면 다음 식 (3)과 같다.

위 식에서 (𝑟, 𝜃_𝑗)는 𝐷𝑜𝐺의 (𝑥, 𝑦)가 반경, 방위각을 기준으로 배열된 좌표임을 의미하며, 𝑖번째 𝐷𝑜𝐺 구간에서 𝑗번째 방위각에 대해 반경 방향으로 총 𝑘(1~3)개의 피크를 검출한 후, 모든 𝐷𝑜𝐺에서의 피크 응답을 누적한 결과는 일렬의 집합 𝑅(𝑥, 𝑦)로 표현된다. 이때의 𝑚은 𝐷𝑜𝐺 피라미드의 수에 의해 결정되고, 𝑛은 방위각 분해능에 따라 결정된다. 본 논문에서 𝐷𝑜𝐺의 수는 𝑚 = 9, 방위각 분해능과 관련된 𝑛은 3600으로 설정했다. 그림 5는 APRS를 통해 검출된 DoG 해상도 별 방위각 피크 응답 분포를 시각화한 예시다. 다만, 단일 해상도에서 검출된 피크 응답은 여전히 해상도 변화나 잔류 노이즈에 민감할 수 있다. 따라서, DoG 응답으로부터 검출된 방위각 피크 분포들의 구조적 안정성을 강화하고, 노이즈성 피크 분포를 억제하기 위해 그림 6과 같이 피크 응답을 누적한다. 그림 5와 그림 6을 통해, 영상의 중심으로부터 방사형으로 분포한 구조적 특징점들이 밝기값의 절대 크기와 무관하게 균질하게 검출됨을 확인할 수 있다. 이러한 결과는 특징점들이 영상 내 반사체의 경계와 구조 패턴을 안정적으로 표현함을 의미한다. 본 절에서 수행된 방위 구조 필터링은 해상도 간 구조적 일관성을 반영하여 구조적으로 안정된 특징 응답을 확보하는 과정을 포함한다. 이후 절에서는 이러한 안정된 구조 응답을 기반으로, 매칭 과정에서 활용할 구조적 안정성이 높은 기준점을 선별하고 두 영상 간의 대응 관계를 정량적으로 분석한다.

Fig. 5.

Distribution of azimuthal peak responses (yellow) detected from the DoG Pyramid.

Fig. 6.

Accumulated response of azimuthal peaks from the DoG.

4. 구조 기반 매칭 사전 준비(Structural Matching Preparation)

이전 절에서 수행된 방위 구조 필터링 결과는 아직 최종 매칭을 위한 후보(feature candidates) 수준에 머물러 있으며, 매칭을 위해서는 이들 중에서 의미 있는 기준점을 선별하고 영상 간 대응 관계를 구성하는 과정이 필요하다. 본 절에서는 구조적으로 안정된 응답을 기준으로 매칭에 유효한 기준점을 선별하고, 불확실도를 반영한 삼점 기반 구조 기술자를 구성하여 후속 매칭의 신뢰성을 확보하는 방법을 제안한다. 다중 해상도에서 검출된 방위각 피크 응답을 누적하면, 여러 해상도에서도 반복적으로 나타나는 구조적 패턴이 부각된다. 이 누적 응답의 강도는 해당 위치의 구조적 안정성을 나타내며, 매칭에 활용하기 위한 신뢰도 높은 기준점을 판단하는 척도로 사용할 수 있다. 본 연구에서는 이러한 구조적 안정성을 기반으로 정합 기준점을 선별하기 위해, 누적 응답이 최대치를 갖는 점을 기준점, 그 외의 점을 나머지점(remainder)으로 분류하였다. 이는 다음의 식 (4)와 같이 표현된다.

여기서 𝑅(𝑥, 𝑦)는 누적된 구조 응답값을 기반으로 형성된 누적 구조 안정성 맵으로, 각 인덱스(index)에는 0부터 최대치인 𝑅_max까지 누적 중첩수가 기록되며, 𝑇_𝑡ℎ는 구조 안정성을 판단하기 위한 임계값이다. 즉, 누적 응답값이 최대치 𝑅_max인 점은 다중 해상도에서도 구조적으로 일관된 응답을 보이는 점으로 간주되어, 매칭에 유효한 기준점으로 선택된다. 그림 7은 구조적 안정성이 높은 기준점 선별 결과를 시각화한 것으로, 노란색 점은 기준점을, 하늘색 점은 나머지점을 나타낸다. 높은 안정성을 가진 점들이 실제 구조물의 윤곽을 따라 분포함을 확인할 수 있다.

Fig. 7.

Result of structure-stable anchor selection.

소나 영상에서는 동일 구조가 거리 감쇠나 반사 조건에 따라 부분적으로 불연속적으로 검출될 수 있으므로, 본 논문은 각 구조의 신뢰도를 정량화 하기 위해 누적 구조 안정성 맵 𝑅(𝑥, 𝑦)으로부터 불확실도 𝜎_𝑛를 정의한다. 불확실도는 구조적 안정성이 높을수록 작아지며, 이 때의 분포는 삼점 조합 시 겹침(overlap) 현상을 억제하기 위해 구조 신뢰도 가중치로 활용된다. 불확실도에 대한 수식을 다음과 같이 정의한다.

식 (5)는 구조적 안정성 𝑅(𝑥, 𝑦) 주변에서의 가우시안 분포 가중함수를 나타내며, 안정성이 높을수록 표준편차 𝜎_𝑛이 작아져 가중치 영역이 좁아진다. 식 (6)은 불확실도를 𝑅(𝑥, 𝑦)의 역수 비례 형태로 정의한 것으로, 안정도가 낮은 구조에는 큰 불확실도가 부여된다. 즉 𝓍 = 𝜇일 때, 𝑓(𝓍)가 최소가 되고, 표준편차 𝜎_𝑛은 최대가 되며, 이때의 상수 κ는 해시 공간 양자화 스케일을 반영하는 정규화 상수이다. 여기서 각 구조의 피크값을 고정된 𝑓(𝜇) 대신 누적 구조 안정성 맵 𝑅(𝑥, 𝑦)로 치환하면, 누적 구조 응답값이 클수록 불확실도 𝜎_𝑛가 작아지고, 반대로 누적 구조 응답값이 작아 안정성이 낮을수록 불확실도 𝜎_𝑛가 커지게 된다.

다음은 선별된 기준점 집합 𝐴 = {𝑎_𝑖}를 기반으로, 서로 다른 세 점(𝑎_𝑖, 𝑎_𝑗, 𝑎_𝑘)을 조합하여 삼점 집합을 형성한다. 이때 불확실도가 정의된 각 구조의 신뢰 범위를 고려하여, 불확실도 분포가 중첩되는 점은 제외한다. 이 과정을 통해 하나의 구조물에만 대표성을 갖는 비중첩 삼점 조합이 형성된다. 이후 각 구조에 대해서는 해시 키(key) 기반의 기술자를 만들어 주는데, 이 때의 해시 키는 다음의 식 (7), (8), (9)의 방법으로 정의한다.

식 (7)은 세 기준점 (𝑎_𝑖, 𝑎_𝑗, 𝑎_𝑘) 사이의 거리 제곱 비율을 정규화하여, 영상의 밝기 변화에 영향을 받지 않는 구조 형태 벡터 𝐸를 정의한다. 식 (8)의 𝜃_𝑝𝑞는 점 𝑎_𝑝에서 점 𝑎_𝑞 로 향하는 벡터의 방위각을 나타낸다. 따라서 𝛷 는 세 점 (𝑎₁, 𝑎₂, 𝑎₃)이 이루는 삼각형의 세 방향 벡터 방위각 시퀀스이다. 이 시퀀스를 정렬하여 반시계 방향 순으로 배열하면, 식 (9)와 같이 두 방위각의 차이를 통해 세 개의 방위 간격 𝐺 = [𝑔₁, 𝑔₂, 𝑔₃]을 정의할 수 있다. 여기서 $$ \widehat{\Phi }$$는 정렬된 방위각 시퀀스를 의미하며, $$ {\widehat{\Phi }}_n$$은 정렬된 방위각 시퀀스의 n번째 원소를 나타낸다. 𝑔_𝑛은 연속된 두 방향 벡터 사이의 각도 차이를 의미한다. 즉, 세 점을 중심 기준으로 돌아가며 생기는 세 개의 내부 각 간격으로 해석할 수 있다.

세 점의 순서를 바꾸면 순환의 시작점이 달라지므로 𝑔₁, 𝑔₂, 𝑔₃의 순서도 바뀐다. 따라서 위의 식 (10)과 같이 세 가지 순환(roll) 중 불확실도 가중 제곱합이 최소가 되는 경우를 선택하여 삼점의 기준 방향을 정준화(canonical) 한다. 이때, 𝐺^(𝑛)은 세 개의 방위 간격 𝐺의 순환 시작점을 n번째 점으로 한 경우를 나타내는 표현이며, 세 가지 순환 중에서 불확실도 가중 제곱합이 최소가 되는 즉, arg min을 만족하는 순환 (𝑟𝑜𝑙𝑙) 조합 𝐺^(𝑛)를 $$ \widehat{G}$$로 정의한다. 이 정준화 과정은 동일한 삼점 구조라도 점의 순서에 따라 기술하는 값이 달라지는 문제를 제거하여, 점 순서 불변의 구조를 가지도록 한다. 이는 결과적으로 세 점 간의 방위 차이 패턴을 기준으로 한 정준화된 방위 시퀀스를 의미하게 된다. 이후에는 기술자 𝐷 = [𝐸, $$ \widehat{G}$$]를 거리 비율과 각도 정보를 통합한 6차원 벡터로 정의한다. 또한, 정삼각, 준일렬, 이등변 형태와 같이 구조적으로 모호한 삼점은 사전 제거함으로써, 불필요한 매칭 오류를 방지하였다. 이로써 𝐷는 구조의 형태, 방향, 신뢰도를 통합적으로 기술하는 구조 기술자로 정의된다.

5. 분포 기반 구조 매칭(Uncertainty-tolerant Structural Matching)

이전 절에서 정의된 불확실도 가중 삼점 정규화 구조 기술자 𝐷는 각 영상 내 구조의 기하적 형태와 방향 관계를 통합적으로 기술한다. 본 절에서는 이 기술자를 이용하여 두 영상 간의 대응 관계를 추정하는 과정을 제안한다. 먼저, 각 영상에서 추출된 기술자 집합 $$ D_A=\left\{D_i^A\right\},D_B=\left\{D_j^B\right\}$$내에서 유사한 기하 구조를 가진 후보쌍 (𝑖, 𝑗)을 찾는다. 이때 비교는 거리 비율과 방위각 차이의 오차가 다음의 식 (11)을 만족할 때 수행하여, 불필요한 비교 연산 비용을 줄인다.

여기서 𝜏_𝐸는 거리 비율 허용 한계, 𝜏_𝜒²는 𝜎_𝑔에 의해 가중된 각도 오차 허용 한계로, 𝜎_𝑔가 작을수록 작은 오차에도 매칭이 제한되며, 𝜎_𝑔가 큰 구조는 더 완화된 기준으로 비교된다. 따라서 두 구조의 𝜎_𝑔평균을 이용한 가중 계산은 분포 간의 우도 추정과 확률 계산을 하지 않더라도, 신뢰도 기반의 허용 오차 범위를 규정하는 확률 분포의 매개 변수로 작동한다. 이렇게 얻은 후보쌍에 대해서는 최근접 탐색을 수행하여 각 기술자 𝒟_𝐴와 가장 가까운 대응 기술자 𝒟_𝐵를 탐색한다. 그림 8과 같이 탐색으로 짝지어진 두 대응쌍 사이의 대응점 간 잔차 거리(residual distance)가 임계값 이하일 때, 이들 각각을 서로의 대응점으로 판정한다. 이후 탐욕적 필터링(greedy filtering)을 적용하여, 복수의 대응점을 갖지 않도록 1:1 대응 관계를 유지한다. 즉, 한 점은 단 하나의 대응점만을 가질 수 있으며, 양방향 탐색에서 동일한 쌍으로 매칭될 때만 상호 일관성(mutual consistency)을 만족한다. 이 과정을 통해 얻어진 최종 대응쌍 집합은 상호 대응 최적 쌍을 선별하는 기준이 된다. 이 방식은 기존의 오차 기반으로 상호 대응 최적 쌍을 찾던 방식과 달리, 대응점 검증을 동시에 수행하는 일관성 기반 대응 검증의 역할도 한다. 즉, 단순 상호 최적이 아니라, 공통된 기하적 관계를 지지하는가를 기준으로 매칭을 결정한다. 그림 8와 같이 1:1 대응 관계를 유지하는 대응점만을 추렸을 때, 대응점의 수가 가장 많은 후보쌍(Hash A ⟷ Hash B)을 상호 대응 최적 쌍으로 선별한다. 이 단계에서 이미 최종 정합 파라미터를 얻었고, 실험 및 결과에서는 이를 직접 영상 정렬과 성능 평가에 사용한다.

Fig. 8.

Matching result between two triplet-based structure hashes, showing only twenty inlier correspondences.

1. 실험 환경 및 데이터셋

본 연구에서 사용된 소나 영상은 Kongsberg 社의 ‘1171 High Resolution Scanning Sonar’ 모델로부터 취득한 스캐닝 소나 영상이다. 실험의 목표는 스캐닝 소나의 센서 특성을 반영해, 밝기 왜곡과 감쇠에도 강인한 구조 대응 정합을 수행하여 수중 로봇의 상대적 위치·자세를 추정하는 것이다. 실험에서 사용하는 영상은 475 pixels 반경으로 360° 회전하고 있으며, 공통된 구조물을 공유하고 있는 2개의 영상을 한 쌍씩 짝지어서 총 다섯 쌍, 10개의 영상으로 구성하였다. 실험에 사용될 각 정합 쌍에 대한 실험 데이터셋은 그림 9와 같다. 제안하는 방법의 정합 성능을 평가하기 위하여 사전에 취득한 정합 참값과 기존 방법[13,14]의 정합 성능을 비교대상으로 활용하였다. 본 연구에 사용되는 정합 참값 데이터의 경우에는 사전에 취득된 항법 정보가 없어, 사전에 수동으로 모자이크하여 취득한 정합 결과를 참값으로 구성하였다[13,14]. 제안하는 방법을 비교하기 위한 실험 데이터셋의 참값은 표 1과 같이 2차원 회전, 이동 정보로 표현되며, 각 단위로 이동 정보는 pixel 단위, 회전 정보는 degree 단위를 사용하였다. 표 1의 실험 데이터셋 (a)~(e)는 표 2, 표 3, 그림 9, 그림 10, 그림 11의 (a)~(e)와 각각 대응한다.

Fig. 9.

Five pairs of scanning sonar image datasets used in the experiments (a)-(e).

Table 1.

Ground truth of registration for datasets (a)-(e).

Table 2.

Results of the proposed method for datasets (a)-(e).

Table 3.

Comparison of translation and rotation errors between the proposed method and the previous methods [13],[14].

Fig. 10.

Mosaicking results using ground-truth registration for scanning sonar image datasets (a)-(e).

Fig. 11.

Mosaicking results of the proposed method for scanning sonar image datasets (a)-(e).

2. 성능 평가 및 결과 분석

제안한 정합 알고리즘의 성능은 다섯 쌍의 스캐닝 소나 데이터셋 (a)∼(e)에 대해 평가하였다. 정합 결과는 수동 모자이크를 이용해 생성한 참값(표 1)을 기준으로 비교하였으며, 이동 오차와 회전 오차 두 지표를 절대값으로 산출하였다. 제안하는 방법의 정합 결과는 표 2에 정리되어 있으며, 그림 10과 그림 11은 각각 참값과 제안하는 방법의 정합 결과를 이용해 생성한 모자이크 영상이다. 영상 정합 결과(표 2)를 통해 제안하는 방법의 모든 데이터셋에 대해 평균 이동 오차는 4.60 pixels, 평균 회전 오차는 0.29°로 측정되었으며, 이는 제안 알고리즘이 소나 영상의 밝기 왜곡이나 음향 그림자 등 센서 특성에 기인한 불연속성에도 불구하고 안정적으로 정합이 수렴함을 보여준다.

정합 결과의 정성적 평가를 위해, 그림 10과 그림 11의 모자이크 결과를 비교하였다. 그림 10의 참값 기반 모자이크에서는 각 데이터셋에서 주요 구조물이 연속적으로 연결된 정합 결과를 보여준다. 이에 대응하는 그림 11의 제안하는 방법 결과에서도, 구조물의 윤곽 및 상대적 위치 관계가 단절 없이 유지되는 것을 확인할 수 있다. 특히, 직선 구조물이나 반복적인 형상 등 인공적인 구조물을 포함하는 데이터셋 (a)~(c)에서는 구조물의 분절 현상이나 방사 왜곡에도 정합 성능이 안정적으로 유지되며, 데이터셋 (d), (e)에서는 자연물 외의 구조물의 정보가 한정적임에도 불구하고 정합성능이 안정적으로 유지된다.

표 3과 그림 12는 제안하는 알고리즘과 기존 방법[13,14]의 절대 오차 비교 결과를 나타낸다. 본 논문에서 제안하는 방법을 기존 방법과 비교하여 평가하기 위해, 기존 방법에서도 데이터셋 (a)~(e)를 동일하게 사용하였다. 표 3의 결과를 보면, 두 기존 방법들은 다른 데이터셋에 비해 유독 데이터셋 (d), (e)에서 정합 성능이 불안정한 것을 볼 수 있다. 데이터셋 (d)의 경우에는 동일한 자연구조물을 기준으로 좌우 위치에서 각각 촬영한 영상인데, 이런 영상의 경우 같은 구조물에 대해서도 각 영상에 서로 다른 방향으로 방사 왜곡이 발생하게 된다. 따라서, ICP 기반의 정합 방법[13]은 구조물의 밝기 성분만을 가지고 두 영상을 정합 하는 데에 한계가 존재하게 된다. 데이터셋 (e)의 경우에는 ICP에 사용할 매칭점의 수가 현저히 부족하고, 두 영상 간의 중첩 영역 또한 현저히 좁기 때문에 중첩 영역 추정을 통한 ICP 기반 정합 성능이 저하되는 결과를 보여주게 된다.

Fig. 12.

Comparison of absolute error distributions between the proposed method and the previous methods [13],[14]. The left and right plots represent translation and rotation errors, respectively.

토폴로지컬 디스크립터를 이용한 정합 방법의 경우에는 관측되는 관심영역 간의 위상관계를 바탕으로 기술자를 생성하고 이를 비교하는 방식으로 영상 정합을 하게 되는데, 데이터셋 (d), (e)의 경우에는 1) 관심영역이 지나치게 한 곳에 밀집되어 있고, 2) 관측되는 관심영역의 수가 현저히 부족하며, 3) 관심영역에 서로 다른 방향으로 왜곡이 발생하고 있다. 이러한 원인으로 인해 정합의 성능이 불안정한 모습을 보인다. 이에 반해, 제안하는 방법은 데이터셋 (d)의 구조물 정보를 DoG와 APRS로 가공하여 사용하기 때문에, 서로 다른 방향으로 방사 왜곡이 발생한 구조물에 대해서도 안정적인 정합 성능을 보여준다. 게다가, 구조물의 밝기 정보가 아닌 구조적 안정성 정보를 바탕으로 기준점을 선별하기 때문에 중첩 영역이 현저히 좁은 데이터셋 (e)에서도 안정적으로 구조물 간의 관계를 정의할 수 있다.

데이터셋 (c)를 보면, 기존 방법[13]의 이동오차가 다른 방법들보다 작은 것을 확인할 수 있다. 해당 데이터셋에서 관측되는 구조물들은 전부 중첩 영역 내에 위치하고 있으며, 그 외 구역에서는 별다른 구조물이 관측되지 않는다. 이런 영상 특징으로 인해, 다른 데이터셋에 비해 유독 데이터셋 (c)에서 중첩 영역이 ICP 기반 정합 성능 향상에 크게 기여하고 있다고 해석할 수 있다. 다만, 데이터셋 (c)의 영상 중심에 강한 저주파 노이즈가 관측되는데, ICP에 사용될 매칭점 추정 과정에서 해당 노이즈가 포함되었고, 이로 인해 ICP 기반의 회전 값 추정에서는 큰 회전 오차를 보였다.

표 3과 그림 12를 통해 전체 데이터셋에 대한 정합 성능을 평가하면, 제안하는 방법은 이동·회전 오차가 기존 방법[13,14]에 비해 작기에 정합 성능이 우수하다고 평가할 수 있다. 게다가, 오차의 편차 또한 기존 방법[13,14]에 비해 작은데, 이를 통해 제안하는 알고리즘의 정합 성능이 비교 대상과 비교해서 전반적으로 여러 데이터셋에 일관되고 안정적이게 동작한다는 걸 알 수 있다.