웨이블릿 변환의 주요 응용 예시

신호 분석에서의 웨이블릿 변환

연속 신호나 이산 신호에 내재한 다양한 주파수 성분과 시간 정보를 동시에 파악하기 위해 웨이블릿 변환이 사용된다. 푸리에 변환이 주파수 도메인에서의 전체적 분포를 파악하기에 적합하다면, 웨이블릿 변환은 시간축과 주파수축을 동시에 고려할 수 있어 비정상 신호나 비선형 신호에 유리하다. 시간에 따라 변화하는 주파수 스펙트럼을 분석하거나 순간적으로 발생하는 이상 신호의 위치를 찾아낼 수 있다. 예를 들어, 전력 계통에서 측정된 전압이나 전류 신호를 웨이블릿 변환으로 분석하면 노이즈가 포함된 구간이나 이상이 발생하는 시점에 대한 정밀한 검출이 가능하다.

파형을 단순히 주파수영역으로만 나누는 것이 아니라 스케일 파라미터 $a$와 이동 파라미터 $b$를 활용해 다음과 같은 형태로 변환을 수행한다.

$$W_\psi(a, b) = \frac{1}{\sqrt{|a|}} \int_{-\infty}^{\infty} f(t)\,\psi\!\Big(\frac{t - b}{a}\Big)\,dt$$

여기서 $f(t)$는 분석하고자 하는 신호, $\psi$는 모함수(Mother Wavelet)를 의미한다. 스케일 $a$가 작을수록 고주파 대역이 강조되고, 스케일 $a$가 커질수록 저주파 대역이 강조된다. 이동 변수 $b$는 시간축에서의 위치 이동을 나타내며, 이를 적절히 변화시키면 시간 축 전체에서 주파수 성분이 어떻게 분포되는지를 얻어낼 수 있다. 이와 같은 시간-주파수 동시 해석은 지진 신호, 음성 신호, 각종 센서에서 수집되는 데이터 분석 등에 널리 활용된다.

이상 탐지 및 이벤트 감지

신호에서 이상 징후나 잠깐 발생하는 이벤트를 탐지할 때도 웨이블릿 변환이 이용된다. 스파이크나 이상치(outlier)가 포함된 구간은 주파수 스펙트럼에 특이한 변화를 일으키는데, 웨이블릿 변환은 특정 구간에 국소화된(highly localized) 이상 성분을 정확히 식별하도록 돕는다. 특히 웨이블릿 계수의 크기를 모니터링함으로써 이상 징후가 발생하는 구간을 찾을 수 있으며, 이를 통해 산업 분야에서는 설비 상태 진단이나 기계 부품 결함 검출 등에도 적용한다.

이상 탐지 과정을 간략히 표현하면 다음과 같은 단계로 설명된다. 먼저 원시 신호 $f(t)$를 적당한 모함수 $\psi$로 웨이블릿 변환하여 $W_\psi(a,b)$를 얻는다. 이후 특정 스케일 혹은 스케일 구간에서 웨이블릿 계수의 크기를 관찰한다. 일반적으로 정상 상태의 신호에서 계수의 분포가 일정하거나 특정 통계적 분포를 따르는데, 일정 임계값을 초과하거나 통계적 특성이 급격히 변화하는 지점을 이상 징후 발생 시점으로 판단한다. 이를 기계학습 알고리즘과 결합해 자동화하기도 한다.

이미지 처리에서의 웨이블릿 변환

디지털 이미지 처리 분야에서는 웨이블릿 변환을 통해 다중 해상도(multi-resolution) 분석이 가능하다. 이미지를 저주파 성분과 고주파 성분으로 분리하는 필터뱅크 개념을 적용하여, 이미지의 윤곽선이나 텍스처와 같은 부분적인 특성을 파악할 수 있다. 필터뱅크는 대역분할 필터와 다운샘플링, 업샘플링 과정을 통해 이산 웨이블릿 변환(DWT)을 구현한다. 2차원 이미지를 웨이블릿 변환하면 수평, 수직, 대각선 방향의 고주파 성분과 저주파 성분을 동시에 분석할 수 있어 노이즈 제거, 압축, 특징 추출 등에 두루 활용된다.

영역 분할 접근을 통해 이미지 크기가 $N\times N$이라고 할 때 각 단계에서 저주파 대역과 세 개의 고주파 대역(수평, 수직, 대각)으로 구분된다. 예를 들어 1단계 웨이블릿 변환 후에는 저주파 대역의 크기가 $N/2\times N/2$가 되고, 이 영역에 다시 웨이블릿 변환을 수행해 다단계(multilevel) 해상도 분석을 수행한다.

오디오 및 음성 신호 처리에서의 웨이블릿 변환

오디오 신호는 시간에 따라 주파수 성분이 빠르게 변하거나 스펙트럼이 국소적으로 변동하는 특성이 있어, 시간-주파수 동시 해석 방법이 필요하다. 웨이블릿 변환을 통해 오디오 신호를 다중 해상도로 분석하면 잡음 제거와 압축, 음성 인식 등 다양한 측면에서 높은 효율을 얻을 수 있다. 특히 높은 주파수 대역의 단기 변동을 잘 추적할 수 있어, 특정 구간에서 발생하는 잡음이나 잡음 구간을 선택적으로 제거할 수 있다. 웨이블릿 임계값(thresholding)을 적용하는 방식이 대표적으로 사용되며, 이는 다음과 같은 단계로 수행된다.

먼저 신호 $x(t)$에 대해 이산 웨이블릿 변환(DWT)을 수행하여 웨이블릿 계수 집합을 구한다. 그런 뒤 특정 스케일과 방향(상하, 좌우, 대각 등)에 따라 임계값 $\lambda$를 적용하여 작은 계수를 제거하거나 축소한다. 그 후 다시 역변환(IDWT)을 수행함으로써 잡음이 억제된 신호를 얻는다. 임계값 설정은 일반적으로 계수의 표준편차나 분산을 기반으로 정해지며, 사전에 추정된 노이즈 수준에 따라 동적으로 조절되기도 한다. 이러한 방법은 음성 인식 전처리 과정이나 음악 신호 복원 등에서 널리 사용된다.

의료 신호 처리에서의 웨이블릿 변환

심전도(ECG), 뇌전도(EEG), 근전도(EMG) 등의 의료 신호는 정상 상태와 비정상 상태 사이에서 특정 파형 특성이 다르게 나타난다. 웨이블릿 변환을 통해 시간-주파수 영역에서 특정 패턴을 추출하면 질병 진단에 도움을 줄 수 있다. 예를 들어 심전도의 특징적인 P파, QRS파, T파 등이 발생하는 시점을 웨이블릿 계수 변화로 감지하거나, 뇌전도에서 발작(Seizure) 구간을 탐지하기 위해 웨이블릿 스케일별 변동 성분을 살펴보는 식이다. 이러한 응용에서는 특정 주파수 대역이 발작 구간에서만 두드러지게 나타나는 경우가 많아, 웨이블릿 변환으로 각 구간을 세밀히 분할해 분석하는 것이 매우 효과적이다. 의료 신호는 노이즈나 움직임 인공물이 섞이는 경우가 흔한데, 앞서 설명한 웨이블릿 임계값 방법을 이용해 잡음을 제거한 후 분석하면 진단의 정확도를 높일 수 있다.

금융 데이터 분석에서의 웨이블릿 변환

주가 지수나 환율, 상품 가격 등 금융 데이터는 시계열 신호의 형태로 표현된다. 이러한 데이터는 노이즈가 많고, 짧은 기간 내 급변하는 비정상 구간이 발생할 수 있다. 웨이블릿 변환을 적용하면 금융 시계열 신호를 다단계로 분해해 저주파 대역과 고주파 대역의 변동 패턴을 동시에 살펴볼 수 있다.

주가 흐름을 긴 안목으로 보면 일종의 저주파 신호로 볼 수 있지만, 단기 트렌드나 이벤트성 급변 동향은 고주파 성분으로 파악된다. 웨이블릿 변환을 통해 특정 스케일 구간에서 변동성(volatility) 지표를 추출하고 이를 위험 관리나 포트폴리오 최적화에 활용할 수 있다. 또한 이상치나 급변 구간을 탐지하기 위해 웨이블릿 계수의 크기가 일정 임계값을 초과하는 구간을 분석하는 방식도 쓰인다.

압축 및 부호화에서의 웨이블릿 변환

JPEG2000 이미지 압축 방식은 웨이블릿 변환을 사용해 이미지 데이터를 다단계로 분해한 뒤, 각각의 대역에서 특징적인 계수를 부호화한다. 기존의 DCT(이산 코사인 변환) 기반 방식보다 경계면이나 세밀한 부분 손실을 최소화하고, 다양한 해상도로 디코딩이 가능하다는 이점이 있다.

디지털 오디오나 동영상 압축에서도 웨이블릿 기반 접근이 연구 및 적용되어 왔으며, 중요한 세부 정보를 상대적으로 보존하면서 불필요한(사람이 감지하기 어려운) 고주파 대역 신호를 제거하여 압축 효율을 높인다. 웨이블릿 다중 해상도 구조는 압축율과 화질(또는 음질)의 균형 조절을 용이하게 하며, 특정 부분만 확대 혹은 복원하는 접근에도 유리하다.

머신러닝 및 패턴 인식에서의 웨이블릿 변환

웨이블릿 변환을 통해 신호나 이미지 데이터를 전처리하면 특징 벡터를 손쉽게 추출할 수 있다. 예컨대 이미지 분류 문제에서 다단계 웨이블릿 변환을 수행하면, 저주파 영역에서는 전체적인 윤곽이나 질감을, 고주파 영역에서는 날카로운 에지나 미세한 부분을 강조할 수 있다. 이를 기반으로 각 레벨에서 추출된 계수 통계량(예: 평균, 분산, 에너지 분포)을 특징량으로 삼아 머신러닝 알고리즘(예: SVM, 랜덤 포레스트, 신경망)에 입력한다.

음성 인식이나 필기체 인식 등에서도 유사한 원리로 웨이블릿 계수를 이용해 중요한 고주파 성분을 부각시키고, 노이즈나 불필요한 낮은 세부 사항을 억제함으로써 분류 성능을 높인다. 특히 웨이블릿 패킷(Wavelet Packet) 기법을 통해 특정 대역을 세분화해 특징을 추출하기도 하지만, 이는 좀 더 발전된 분야이므로 여기서는 다루지 않는다.

구조 건강 모니터링(SHM)에서의 웨이블릿 변환

교량, 건물, 항공기 등 대형 구조물에 설치된 센서로부터 진동이나 가속도 신호를 수집하면, 웨이블릿 변환을 통해 구조물의 상태와 결함 여부를 실시간으로 모니터링할 수 있다. 진동 데이터가 시간적으로 비정상적이거나 특정 주파수 대역에서 이상하게 변하면 구조물에 손상이 생기거나 균열이 발생했다고 의심할 수 있다.

대형 구조물에 진동 센서를 여러 개 부착하면, 얻어지는 센서 신호 $\mathbf{x}(t)$는 위치에 따라 다양한 특성을 보인다. 이 때 웨이블릿 변환으로 각 센서 신호를 여러 스케일로 분해한 뒤, 결함이 발생했을 때 변화가 나타나는 특정 스케일 혹은 주파수 대역의 웨이블릿 계수를 집중적으로 모니터링한다. 주파수 대역별 에너지나 통계량을 추적해 비정상 징후를 조기에 발견하며, 상태 판단 알고리즘과 결합해 자동으로 경보를 발생시킬 수도 있다.

생체 신호 이미지 분석에서의 웨이블릿 변환

뇌 자기공명영상(MRI), 초음파 영상, 망막 영상 등 2차원 및 3차원 영상 데이터를 다루는 의학 분야에서도 웨이블릿 변환을 적용할 수 있다. 이러한 영상은 무질서한 패턴이 많아 전통적인 에지 검출이나 영역 분할 기법만으로는 진단 목적에 부합하는 정확도를 얻기 어려울 때가 있다. 웨이블릿 변환으로 영상을 다중 해상도로 분해하면, 의료진이 관심을 갖는 병변(Biopsy 대상 부위)이나 종양 영역에 대한 특성을 국소적으로 추출할 수 있다. 특히 고주파 대역에 두드러진 특징을 지닌 병변 부위를 찾아내거나, 저주파 대역에서 전체적인 뼈대 구조를 파악하는 식으로 분석한다. 여러 스케일에 걸쳐 특정 계수 패턴이 나타나는지 살펴봄으로써, 조기 암 진단 등의 정밀 분석에 기여하기도 한다.