# 스플라인(Spline) 보간과 부드러운 연결 #### 스플라인 함수의 개념 스플라인 함수는 여러 구간에 걸쳐 정의된 조각별 다항식(piecewise polynomial)을 이용하여 보간 문제를 해결하는 방법이다. 구간별로 각각의 다항식을 정의하되, 경계점에서 특정 차수까지 연속성이 유지되도록 조건을 부과함으로써 전체 구간에서 부드러운(smooth) 곡선을 구성한다. 특히 스플라인 함수가 널리 쓰이는 이유는 다항식 차수가 부분적으로만 높아지고, 전체 구간이 하나의 고차 다항식으로만 구성될 때 발생하는 오실레이션 현상(고차 다항식의 불필요한 요동)을 효과적으로 줄일 수 있기 때문이다. 스플라인 보간은 다음과 같이 해석할 수 있다. 우선 데이터가 주어진 구간을 작은 서브구간(sub-interval)들로 나눈다. 각 서브구간마다 비교적 낮은 차수의 다항식을 구성하고, 이 다항식들이 접하는 경계점에서 위치, 기울기, 혹은 고차 미분값 등이 매끄럽게 이어지도록 부드러운 연결 조건을 부과한다. 이때 가장 자주 쓰이는 것은 3차(큐빅) 스플라인으로, 각 구간에서 3차 다항식을 사용하고 구간 경계에서 2차 미분까지 연속이 되도록 설정한다. #### 큐빅 스플라인의 기본 아이디어 스플라인 함수 중에서 가장 대표적인 것이 큐빅 스플라인 보간이다. 이를 위해 구간을 구성하는 노드들을 $x\_0 < x\_1 < \cdots < x\_n$ 이라 하자. 각 구간 $\[x\_k, x\_{k+1}]$에서 3차 다항식 $S\_k(x)$ 을 정의하고, 이것이 전체 영역에서 이어붙여져 하나의 스플라인 함수 $S(x)$ 가 되도록 한다. 즉, $$ S(x) = \begin{cases} S\_0(x), & x \in \[x\_0, x\_1], \ S\_1(x), & x \in \[x\_1, x\_2], \ \cdots \ S\_{n-1}(x), & x \in \[x\_{n-1}, x\_n]. \end{cases} $$ 각 $S\_k(x)$는 3차 다항식이므로 $$ S\_k(x) = a\_k + b\_k (x - x\_k) + c\_k (x - x\_k)^2 + d\_k (x - x\_k)^3 $$ 로 쓸 수 있다. 큐빅 스플라인을 만족하기 위해서는 다음 조건을 부과한다. 각 노드에서 보간 데이터값을 만족한다. 즉 $S\_k(x\_k) = y\_k$ 및 $S\_k(x\_{k+1}) = y\_{k+1}$ 이다. 스플라인 전체가 부드럽게 연결되어야 하므로, 구간 경계 $x\_k$에서 함수값뿐 아니라 1차 및 2차 미분값도 연속이 되어야 한다. 즉 $$ \begin{align} S\_k(x\_k) &= S\_{k-1}(x\_k),\\ S\_k'(x\_k) &= S\_{k-1}'(x\_k),\\ S\_k''(x\_k) &= S\_{k-1}''(x\_k). \end{align} $$ 노드 $x\_0$와 $x\_n$에서 추가적인 경계 조건을 부과해야 하는데, 가장 자주 쓰이는 것은 자연(natural) 조건과 클램프(clamped) 조건이다. 자연 조건은 양 끝단에서 2차 미분값을 0으로 두는 것이다. 클램프 조건은 양 끝단에서 1차 미분값(기울기)을 주어진 값으로 고정하는 것이다. #### 자연 경계 조건(Natural Boundary Condition) 자연 큐빅 스플라인은 양 단에서 $S''(x\_0) = 0$ 및 $S''(x\_n) = 0$ 를 만족시키도록 설정한다. 이때 각 구간에서의 3차 다항식 계수에 대해 생기는 선형 방정식 시스템을 풀면 고유하게 스플라인을 결정할 수 있다. 구체적으로 $c\_0, c\_1, \ldots, c\_n$ 이라 하는 2차 항의 계수를 도입하면, 적절한 선형 시스템 $$ \mathbf{A}, \mathbf{c} = \mathbf{r} $$ 을 구성하여 계수 벡터 $\mathbf{c}$ 를 구한 뒤, 각 구간에서 $a\_k, b\_k, c\_k, d\_k$ 를 차례대로 산출하게 된다. 여기서 행렬 $\mathbf{A}$ 는 삼변행렬(Tridiagonal Matrix)의 형태를 가지므로 비교적 계산 효율이 높고 안정적인 해법을 사용할 수 있다. #### 클램프 경계 조건(Clamped Boundary Condition) 클램프 큐빅 스플라인은 $S'(x\_0) = f'(x\_0)$, $S'(x\_n) = f'(x\_n)$ 등과 같은 미분값 조건을 이용한다. 이때도 유사한 방식으로 삼변행렬 형태의 선형 시스템이 구성되며, 주어진 기울기 정보를 통해 더 정밀하게 함수를 제어할 수 있다. #### 부드러운 연결의 의미 스플라인 보간에서 "부드럽다"라는 것은 단순히 시각적으로 곡선이 매끄럽게 이어지는 것을 넘어, 수학적으로 미분값(특정 차수)까지 연속으로 연결되는 것을 의미한다. 일반적으로 $m$차 스플라인에서 $m-1$차 미분까지 연속성을 요구한다. 큐빅 스플라인에서는 2차 미분까지 연속이어야 하므로, 구간 경계점에서 다음 조건을 만족한다. $$ \begin{align} S\_{k-1}(x\_k) &= S\_k(x\_k),\\ S\_{k-1}'(x\_k) &= S\_k'(x\_k),\\ S\_{k-1}''(x\_k) &= S\_k''(x\_k). \end{align} $$ 이러한 조건 하에서 계수를 구하면, 전체적으로 함수의 곡률(curbature)도 큰 폭으로 변하지 않고 원활하게 이어지게 된다. #### 큐빅 스플라인 계수 결정 방식 모든 구간의 시작점에서 $a\_k = S\_k(x\_k)$ 가 되고, 이를 $y\_k$로 두면, 구간 너비를 $h\_k = x\_{k+1} - x\_k$ 라 할 때 $b\_k, c\_k, d\_k$ 간에는 여러 관계식이 성립한다. 예를 들어 2차 미분 연속을 이용한 방정식을 단순화하면, 인접 구간에 대한 2차 미분값 $S\_{k-1}''(x\_k)$ 와 $S\_k''(x\_k)$ 가 동일하므로 $$ c\_{k-1} = c\_k $$ 의 형태로 귀결되지는 않지만, 이들과 밀접한 조건을 만족하는 선형 결합 식으로 표현할 수 있다. 일반적인 전개로부터 자주 쓰이는 공식들을 유도할 수 있는데, 예를 들어 $c\_k$ 의 해를 구한 뒤 $d\_k$ 는 $(c\_{k+1} - c\_k)/(3,h\_k)$ 의 꼴로, $b\_k$ 는 $\frac{y\_{k+1} - y\_k}{h\_k} - \frac{1}{3} h\_k (2c\_k + c\_{k+1})$ 꼴로 얻을 수 있다. 이 과정을 단계적으로 정리하면, 노드들에 대한 2차 미분 계수를 먼저 결정한 뒤 그 결과를 이용하여 각 구간의 3차 다항식 계수를 완성해 나간다. 매 구간에서 보간값을 미리 만족시키도록 $a\_k = y\_k$를 선택하고, 인접 두 노드 간의 기울기 조건 및 2차 미분 연속 조건을 종합하여 계수를 구하면 전체 스플라인이 완성된다. #### 수치 안정성과 삼변행렬 큐빅 스플라인 계수 결정에 필요한 선형 연립방정식은 대체로 대각선 근처만 원소를 가지는 삼변행렬(Tridiagonal Matrix) 구조를 지닌다. 이는 상대적으로 희소(sparse)하기 때문에 연산량이 적고, 수치적으로 매우 안정적으로 풀 수 있다. 일반적 해법으로 삼변행렬에 특화된 알고리즘인 Thomas 알고리즘 등을 활용하면 용이하다. #### 코드 예시(Python) ```python import numpy as np def cubic_spline_coeffs(x, y, bc_type='natural', bc_values=(0,0)): n = len(x) - 1 h = np.diff(x) alpha = np.zeros(n+1) for i in range(1, n): alpha[i] = (3/h[i])*(y[i+1] - y[i]) - (3/h[i-1])*(y[i] - y[i-1]) l = np.ones(n+1) mu = np.zeros(n+1) z = np.zeros(n+1) if bc_type == 'natural': alpha[0] = 0 alpha[n] = 0 elif bc_type == 'clamped': alpha[0] = 3*( (y[1]-y[0])/h[0] - bc_values[0] ) alpha[n] = 3*( bc_values[1] - (y[n]-y[n-1])/h[n-1] ) for i in range(1, n): l[i] = 2*(x[i+1]-x[i-1]) - h[i-1]*mu[i-1] mu[i] = h[i]/l[i] z[i] = (alpha[i] - h[i-1]*z[i-1]) / l[i] c = np.zeros(n+1) b = np.zeros(n) d = np.zeros(n) for j in range(n-1, -1, -1): c[j] = z[j] - mu[j]*c[j+1] b[j] = (y[j+1]-y[j])/h[j] - h[j]*(c[j+1]+2*c[j])/3 d[j] = (c[j+1]-c[j])/(3*h[j]) return b, c, d ``` 이 코드는 노드 벡터 `x`와 함수값 벡터 `y`가 주어졌을 때, 각 구간별 큐빅 스플라인의 계수 `b, c, d`를 계산하는 간단한 예시이다. `bc_type`을 `'natural'`로 하면 양 끝단의 2차 미분을 0으로 두고, `'clamped'`로 하면 기울기 값을 임의로 지정한다. #### NURBS(Non-Uniform Rational B-Splines) B-스플라인 기법을 더욱 확장한 대표적인 예로 NURBS가 있다. CAD, 컴퓨터 그래픽스 분야에서 복잡하고 정교한 곡선을 표현할 때 필수적으로 사용된다. B-스플라인이 실수 계수로만 구성된다면, NURBS에서는 각 기저함수에 가중치(weight)를 추가로 부여하여 곡면이나 곡선을 더욱 유연하고 정확하게 표현할 수 있게 된다. 예를 들어 원이나 타원의 정확한 표현이 가능한 기법으로도 알려져 있다. NURBS에서의 곡선은 $$ \mathbf{C}(u) = \frac{\sum\_{i=0}^{m-k-1} w\_i \mathbf{P}*i ,N*{i,k}(u)}{\sum\_{i=0}^{m-k-1} w\_i,N\_{i,k}(u)} $$ 형태로 쓸 수 있다. 여기서 $N\_{i,k}(u)$ 는 B-스플라인 기저함수, $\mathbf{P}\_i$ 는 제어점이며, $w\_i$ 는 해당 제어점에 대응되는 가중치다. 이때 분모의 합은 보통 $W(u)$ 로도 쓰이는데, 모든 B-스플라인 기저함수에 가중치가 곱해진 합이므로, 기하학적으로 일정하지 않은 비율로 곡선을 생성함을 의미한다. 매듭 벡터를 자유롭게 설계하고 가중치를 적절히 부여함으로써, 어떤 구간에서는 곡률을 집중시키고, 다른 구간에서는 부드럽게 넘길 수 있다. 또한 원, 타원, 초곡면 등 이론적으로 다항 스플라인만으로는 정확히 표현하기 까다로운 곡선들을 정밀하게 모델링할 수 있다. #### Hermite 스플라인(Hermite Spline) 스플라인을 구성하는 또 다른 관점은 Hermite 형태의 조건을 직접 활용하는 것이다. Hermite 보간에서는 각 노드에서 값뿐만 아니라 기울기(1차 미분)까지 주어졌을 때, 이를 만족하는 보간 다항식을 구한다. 큐빅 Hermite 스플라인의 기본 구간 $\[x\_k, x\_{k+1}]$에서, 위치값 $(y\_k, y\_{k+1})$ 및 구간 양 끝 기울기 $(m\_k, m\_{k+1})$ 가 주어진다면, 이에 부합하는 3차 다항식 $H\_k(x)$ 를 비교적 간단히 구할 수 있다. Hermite 보간 다항식은 다음과 같은 기저함수로 표현된다. $$ H\_k(x) = y\_k h\_{1}(t) + y\_{k+1},h\_{2}(t) + m\_k, h\_{3}(t) + m\_{k+1}, h\_{4}(t), $$ 여기서 $t = \frac{x - x\_k}{x\_{k+1} - x\_k}$ 로 보편화한 파라미터다. 기저함수 $h\_{1}(t), h\_{2}(t), h\_{3}(t), h\_{4}(t)$는 다음과 같이 정의된다. $$ \begin{align} h\_{1}(t) &= 2t^3 - 3t^2 + 1,\\ h\_{2}(t) &= -2t^3 + 3t^2,\\ h\_{3}(t) &= t^3 - 2t^2 + t,\\ h\_{4}(t) &= t^3 - t^2. \end{align} $$ 이 Hermite 형태의 기저함수들은 노드 양 끝에서의 값과 기울기에만 의존하므로, 보간 구간별로 독립된 다항식을 매끄럽게 이어붙이기가 쉽다. 전체 스플라인으로 확장하기 위해서는, 각 구간 경계에서 미분값을 어떻게 결정할지를 추가로 결정해야 한다. 경계부에서의 기울기 부여나, 또는 $C^2$ 연속을 원한다면 2차 미분까지 조건을 연계해 줄 수도 있다. #### Tension 스플라인(Tension Spline) 데이터가 노이즈를 가지거나 급격한 구간 변화가 있을 때, 단순한 다항식 보간이나 Hermite 스플라인으로는 과도한 요동(overshoot)이 발생할 수 있다. 이를 방지하고자 스플라인 자체에 텐션 파라미터를 도입하여, 곡률(curvature)을 적절히 제한하고, 곡선이 불필요하게 흔들리지 않도록 조절하는 방식을 Tension 스플라인이라고 한다. 예를 들어 1차원 스플라인 보간의 경우 텐션 항을 포함하는 미분방정식이나 변분적 접근으로부터, 각 구간에서 다음과 같은 형태의 스플라인 함수를 얻게 된다. $$ S\_k(x) = \alpha\_k \sinh(\lambda(x - x\_k)) + \beta\_k \cosh(\lambda(x - x\_k)) + \gamma\_k (x - x\_k), $$ 또는 유사한 구조의 초월함수 조합을 사용하게 된다. 여기서 $\lambda$는 텐션 파라미터이며, $\lambda$가 0에 가까우면 일반적인 큐빅 스플라인 형태와 유사해지고, $\lambda$가 커지면 곡선이 더 팽팽해져서 구간별 직선에 가까워진다. 텐션 스플라인은 물리적 선이나 케이블을 모델링하는 등 탄성 계수를 유사하게 모사해야 하는 분야에 쓰이며, 때로는 Smoothing spline과 병행하여 노이즈 저감과 곡률 제어를 동시에 수행하기도 한다. #### Hermite 계수 직접 계산 예시(Octave) ```octave function [a, b, c, d] = hermite_cubic_coeff(x0, x1, y0, y1, m0, m1) h = x1 - x0; a = y0; b = m0; c = (3*(y1 - y0)/h^2) - (2*m0 + m1)/h; d = (2*(y0 - y1)/h^3) + (m0 + m1)/h^2; end % 사용 예시 % x0 = 0; x1 = 1; % y0 = 0; y1 = 1; % m0 = 1; m1 = 2; % 구간 양 끝 기울기 % [a, b, c, d] = hermite_cubic_coeff(x0, x1, y0, y1, m0, m1); % 이제 [a, b, c, d]를 통해 구간 [x0, x1]에 대한 3차 Hermite 다항식을 % S(x) = a + b*(x - x0) + c*(x - x0)^2 + d*(x - x0)^3 로 사용 가능 ``` 이와 같은 Hermite 구간 함수를 여러 개 이어붙이면, 전체 구간의 보간 함수를 얻을 수 있다. 다만 구간 경계에서 $m\_k$를 어떻게 설정할지가 중요한데, 보통 스플라인 부드러움($C^1$, $C^2$ 등)을 확보하기 위해 시스템 전체에서 기울기 또는 이계미분이 연속되도록 식을 세우고 풀어야 한다. #### Smoothing 스플라인과 레귤러라이제이션 데이터에 노이즈가 포함되어 있어서 단순 보간으로는 의미있는 추세를 파악하기 어려운 경우가 많다. 이때 Smoothing 스플라인 개념이 유효하다. Smoothing 스플라인은 모든 점을 완벽히 통과하기보다, 어느 정도 오차를 허용하면서 곡선의 매끄러움을 극대화한다. 이를 위해 자주 쓰이는 목적함수 예시는 $$ J\[S] = \sum\_{j=0}^n \bigl(S(x\_j) - y\_j\bigr)^2 + \lambda \int \left(S''(x)\right)^2, dx. $$ 여기서 $\lambda \ge 0$은 스무딩(또는 레귤러라이제이션) 파라미터다. $\lambda = 0$이면 순수 보간 문제가 되고, $\lambda$가 커질수록 이계 미분항이 작아지도록(즉 곡률이 부드럽도록) 강제한다. 이 목적함수를 최소화하는 스플라인 함수는 특정 미분방정식을 만족하며, 일반적으로 큐빅 스플라인과 유사한 형태로 표현된다. 실제 계산 과정에서는 마찬가지로 삼변행렬 기반의 선형대수 해법으로 계수를 얻는다. 데이터가 불규칙적으로 잡음이 많을 때, $S(x\_j)$가 $y\_j$에 정확히 일치하지 않아도 되므로, 오히려 곡선이 과도하게 진동하지 않고 안정적으로 근사하게 된다. $\lambda$의 적절한 선택은 통계적 또는 경험적 방법(예: 교차검증)으로 결정할 수 있다. #### 다차원 스플라인 보간과 보간 곡면 스플라인 기법은 1차원 함수를 넘어 2차원 혹은 3차원에서도 유사한 방식으로 확장된다. B-스플라인을 2차원 격자로 구성하면, 각 방향에 대해 매듭 벡터를 독립적으로 두고, 이중합 형태의 기저함수로부터 스플라인 곡면을 구성한다. $$ S(u,v) = \sum\_{i}\sum\_{j} \alpha\_{i,j} , B\_{i,k\_u}(u),B\_{j,k\_v}(v). $$ 이때 $k\_u, k\_v$는 $u$축과 $v$축에 대한 스플라인 차수다. 3차원 CAD 모델링에서도 동일하게 NURBS 표면을 정의하여 복잡한 지오메트리를 다룬다. 실제 제품 설계나 그래픽스 분야에서는 제어점들을 적절히 배치하고 가중치를 주어 표면의 국소 부분을 편집함으로써 원하는 형태를 얻는다. #### 스플라인 보간의 오차 해석(Error Analysis) 스플라인 보간은 고차 다항식 인터폴레이션과 달리 국소적 특성과 안정성이 우수하다. 그럼에도 “보간” 자체에 내재된 오차(Remainder) 문제는 필연적으로 발생한다. 예를 들어, 큐빅 스플라인이 $f(x)$를 보간하고, $f$가 충분히 매끄러운(예: $C^4$) 함수라고 가정하자. 구간 $\[x\_k, x\_{k+1}]$ 내 임의의 점 $x$에서 다음과 같은 형태의 잔차항(오차 표현)이 존재한다. $$ f(x) - S(x) = \frac{f^{(4)}(\xi\_x)}{4!},\bigl(x - x\_k\bigr)^2 \bigl(x - x\_{k+1}\bigr)^2, $$ 어떤 $\xi\_x \in \[x\_k, x\_{k+1}]$에 대해 위 식이 성립한다. 이 식은 4차 미분값이 클수록, 그리고 구간 폭이 클수록 오차가 커짐을 보여준다. 구간의 최대 길이를 $h = \max\_k (x\_{k+1} - x\_k)$라 할 때, $x \in \[x\_0, x\_n]$ 상에서의 전체 오차 상한은 $$ \max\_{x \in \[x\_0, x\_n]} |f(x) - S(x)| \le C, h^4 \max\_{\xi \in \[x\_0, x\_n]} |f^{(4)}(\xi)| $$ 형태로 요약될 수 있다. 여기서 상수 $C$는 구간 분할 형태(등간격 또는 불균등 분할)에 따라 달라지지만, 일반적으로 $O(h^4)$의 수렴 차수를 기대할 수 있다. 이는 단일 고차 다항식 보간에서 흔히 발생하는 런게 현상(Runge phenomenon)을 완화하면서도 비교적 높은 정확도를 달성한다는 점에서 의의가 크다. #### 경계 조건의 다양화 큐빅 스플라인을 구성할 때, 양쪽 끝단($x\_0$ 및 $x\_n$)에 부여되는 조건은 보간 함수의 형태를 결정짓는 핵심 요소다. 자연(Natural) 경계 조건이나 클램프(Clamped) 경계 조건 외에도, 문제 상황에 따라 다음과 같은 특수 경계 조건을 고려할 수 있다. **주기적(Periodic) 경계 조건**: $f(x\_0) = f(x\_n)$, $f'(x\_0) = f'(x\_n)$, $f''(x\_0) = f''(x\_n)$처럼, 보간 구간이 주기로 연결되도록 설정한다. 주기적 데이터를 보간할 때 유용하다. 식으로 표현하면 $$ S(x\_0) = S(x\_n), \quad S'(x\_0) = S'(x\_n), \quad S''(x\_0) = S''(x\_n). $$ 이때 연립방정식은 양 끝 노드를 연결하는 추가 제약이 들어가므로, 적절한 주기적 삼변행렬 구조가 형성된다. **혼합형(Mixed) 경계 조건**: 자연 조건, 클램프 조건, 혹은 특정 지점의 2차 미분이나 1차 미분값을 섞어서 설정한다. 예를 들어 왼쪽은 자연 조건($S''(x\_0) = 0$), 오른쪽은 기울기 조건($S'(x\_n) = m$) 등을 혼합할 수 있다. #### 스플라인 시스템의 조건수와 안정성 스플라인 보간에서 계수를 구하기 위해 풀어야 하는 삼변행렬(Tridiagonal matrix)은 고차 다항식 보간에 비해 훨씬 더 양호한 조건수(Condition number)를 가진다. 삼변행렬 자체는 대체로 대각 요소가 우세(diagonal dominance)를 보이는 형태여서 수치적 안정성이 높다. 그 결과, 데이터 $(x\_i, y\_i)$에 작은 오차가 섞여 있더라도, 전체 보간 함수 $S(x)$에 급격한 요동이 발생하는 위험이 상대적으로 낮다. 이는 스플라인 보간이 실무 영역에서 선호되는 이유 중 하나다. #### 스플라인의 단조성(Monotonicity) 및 형태보존(Shape Preservation) 데이터가 단조 증가(또는 감소)하는 경우, 보간된 스플라인 역시 단조성을 유지하기를 바랄 때가 많다. 일반적인 큐빅 스플라인은 경계점에서의 기울기가 잘못 세팅되면 구간 내에서 음의 곡률이나 역전 현상이 발생할 수 있다. 이를 방지하기 위해 “단조 스플라인(monotone spline)” 기법이 연구되어 왔으며, 다음과 같은 아이디어를 적용한다. * $y\_{k+1} - y\_k$의 부호를 유지하도록 각 구간 기울기 및 2차 미분을 제한한다. * 혹은 Hermite 스플라인에서 구간 기울기 $m\_k$를 직접 조정하여, 스플라인이 구간 내에서 뒤집히지 않도록 제약을 부과한다. 유사하게, 데이터가 모두 양의 값이면 보간 곡선이 음수가 되지 않도록 만드는 양성(positivity) 보존 스플라인, 볼록(convex) 자료에서 곡선을 볼록하게 유지하도록 하는 볼록보존 스플라인 등 다양한 형태보존 기법이 존재한다. #### 스플라인 보간의 구현 순서(Flow Chart 예시) 다음은 큐빅 스플라인을 구현할 때 전형적으로 거치는 단계를 간략히 요약한 흐름도다. {% @mermaid/diagram content="flowchart TB A\["데이터 노드 \n (x\_i, y\_i)"] --> B\[노드 순서 정렬 및 구간 길이 h\_k 계산] B --> C\["경계 조건 선택 \n (Natural, Clamped 등)"] C --> D\["삼변행렬 \mathbf{A} \n 및 우변 \mathbf{r} 구성"] D --> E\["Thomas 알고리즘으로 \n c\_k(또는 2차 미분) 해 구하기"] E --> F\[a\_k, b\_k, c\_k, d\_k \n 각 구간 계수 최종 결정] F --> G\["스플라인 보간 함수 S(x) 완성"]" %} #### 주기적 스플라인(Periodic Spline) 예시(Python) ```python import numpy as np def periodic_cubic_spline_coeffs(x, y): # x: 주기적으로 정렬된 노드, x[0] = x[n], 또는 x[n] - x[0]가 주기 # y: 이에 대응하는 함수값. y[0]과 y[n]도 같아야 한다고 가정 # 출력: b, c, d (배열), a_k = y[k]를 가정 n = len(x) - 1 # 실제 유효 구간은 n개 h = np.diff(x) # 삼변행렬 구성 A = np.zeros((n, n)) r = np.zeros(n) # 내부 노드 방정식 (1 <= i <= n-1) for i in range(1, n): A[i-1, i-1] = 2*(h[i-1] + h[i]) if i-1 >= 1: A[i-1, i-2] = h[i-1] if i < n-1: A[i-1, i] = h[i] r[i-1] = 3*((y[i+1] - y[i])/h[i] - (y[i] - y[i-1])/h[i-1]) # 주기적 경계 조건 # i=0, i=n을 동일시하여 A 행렬에 마지막 행 추가 A_last = np.zeros(n) A_last[0] = h[0] A_last[n-1] = h[n-1] A[ n-1, :] = A_last # 우변도 주기적 조건에 맞춰 세팅 r[n-1] = 3*((y[1] - y[0])/h[0] - (y[n] - y[n-1])/h[n-1]) # 풀기 c_internal = np.linalg.solve(A, r) # c_internal은 길이 n짜리, c[n] = c[0] 이어야 함(주기) # b, d 계산 b = np.zeros(n) c = np.zeros(n+1) # c[0] = c[n] = 동일 d = np.zeros(n) # c[1..n] = c_internal, 그리고 c[0] = c[n] for i in range(1, n): c[i] = c_internal[i-1] c[0] = c[n] = c_internal[n-1] for i in range(n): b[i] = (y[i+1] - y[i])/h[i] - (2*c[i] + c[i+1])*h[i]/3 d[i] = (c[i+1] - c[i])/(3*h[i]) return b, c, d ``` 이 코드는 주기적 경계조건에 대한 간단한 예시로, `x[0] == x[n]` & `y[0] == y[n]`를 만족하는 노드(그리고 함수값) 입력을 가정하고 있다. 실제 구현 시, 삼변행렬 구성이나 크기에 대한 세심한 조정이 필요할 수 있다. #### 스플라인 보간의 고차원 확장 고차원(2D, 3D) 공간에서의 보간 문제를 해결하기 위해, 스플라인은 그 구조 자체를 확장하여 곡면(spline surface)을 구성한다. 예를 들어 2D 영역에서 $u$와 $v$를 변수로 하는 B-스플라인 곡면은 $$ S(u,v) = \sum\_{i}\sum\_{j} \alpha\_{i,j}, B\_{i,k\_u}(u),B\_{j,k\_v}(v) $$ 형태가 된다. CAD(Computer Aided Design)나 3D 그래픽스에서는 제어점들을 격자 형태로 배치하고, 각 점에 대한 가중치(weight)를 부여한 NURBS 표면(Non-uniform Rational B-Spline surface)을 광범위하게 사용한다. #### 스플라인과 웨이브렛(Wavelet) 기법 스플라인은 다중 해상도(multiresolution) 기법과 궁합이 좋으므로, 웨이브렛(transform) 영역에서도 B-스플라인 웨이브렛(biorthogonal spline wavelet)이 자주 연구된다. 이미지 처리와 신호처리에서 스플라인 기반 웨이브렛은 부드러운 필터 특성, 높은 제곱 적합성, 그리고 간결한 계수 구조를 갖게 해준다. 이처럼 스플라인은 단순 보간 문제를 넘어 다양한 수치해석 및 응용 분야에서 핵심적인 역할을 담당한다. #### 스플라인 보간의 추가적 고려사항 스플라인 보간을 실제로 수행할 때에는 단순히 구간별 다항식을 이어붙이는 것 외에도 많은 실무적 고려사항이 따른다. * 노드 간격이 균등하지 않을 경우, 구간 길이가 과도하게 큰 곳에서는 오차가 상승할 수 있다. * $f^{(4)}$의 크기가 매우 큰 구간이 존재한다면, 국소적으로 매듭을 더 촘촘히 배치하여 분할하는 것이 좋다(Adaptive Knot Placement). * 주어진 데이터에 노이즈가 많다면, 정확한 보간 대신 Smoothing spline을 써서 “오차 항”과 “매끄러움”을 절충해야 한다. * 특정 목적(단조성, 양의 값 유지 등)을 위해 미분값이나 스플라인 계수에 별도 제약을 걸어야 할 수도 있다. #### 고차 스플라인(고차원 확장, 높은 차수 등) 스플라인 이론에서 기본적으로 3차(큐빅) 스플라인이 가장 널리 쓰이지만, 문제 상황에 따라 4차 이상의 고차 스플라인이나, 2차 혹은 1차 스플라인(선형 스플라인)도 고려될 수 있다. 차수를 높이면 개별 구간에서의 매끄러움이 증가하고, 충분히 부드러운 함수라면 구간 수를 줄여도 동일한 오차 범위를 기대할 수 있다. 하지만 차수가 지나치게 커지면 각 구간에 대한 계수 개수가 늘어나고, 경계 접합 조건(연속 미분차수)이 복잡해진다. 주어진 데이터가 매우 적으면서 높은 차수로 갈 경우, 오히려 Hermite나 B-스플라인 같은 특수 형식을 활용하는 것이 더 낫다. B-스플라인은 차수를 올릴 때 자동적으로 더 넓은 지지영역(support)을 가지는 기저함수들을 이용하므로, 구간별 다항식 조건을 직접 세우는 번거로움이 줄어든다. 반면 Hermite 타입 구성은 경계에서의 기울기나 고차 미분값 지정이 중요하므로, 일부 응용에서는 편리하지만, 일반적인 보간 문제에는 추가 정보(기울기 등)가 필요하여 제한적이기도 하다. #### T-스플라인(T-Spline) 스플라인 곡면이나 곡선을 모델링하는 과정에서, 매듭 벡터와 제어점 배치를 부분적으로만 정교하게 수정하고자 할 때 T-스플라인이 유용하다. T-스플라인은 매듭선(knot line)이 격자 형태로 완전히 일치하지 않아도, 필요한 영역만 국소적으로 매듭을 세분하여 정밀도를 높일 수 있는 스플라인 형식이다. 전통적 NURBS 표면에 비해, 불필요하게 전체 그리드가 세밀해지는 문제를 피할 수 있다. 이런 국소적 매듭 배치는 CAD/CAE 분야에서 모델 크기를 크게 늘리지 않고도 영역별 정밀도를 올리는 장점을 제공한다. #### 등각해석(Isogeometric Analysis)과 NURBS 최근 여러 공학 분야에서 등각해석(Isogeometric Analysis, IGA)이 각광받고 있다. 이는 전통적 유한요소해석(FEM)과 CAD에서 쓰이는 NURBS 기반의 형상 표현을 통합하려는 시도다. 기존의 FEM에서는 해석 격자(mesh)와 CAD 형상이 분리되어 있어서, 복잡한 형상에 해석 격자를 매핑하는 데 드는 전처리 과정이 매우 번거롭다. 반면 IGA에서는 처음부터 NURBS(혹은 T-스플라인 등)를 이용하여 모델을 정의하고, 이 기하학적 기저(스플라인 기저)를 그대로 해석에서도 사용한다. 이를 통해 CAD 모델과 해석 모델이 동일한 기저 함수를 공유하게 되어, 이산화(discretization) 과정에서 발생하는 형상 오차(geometry approximation error)를 크게 줄이고, 메시 재생성 과정을 효율화할 수 있다. 다만 NURBS 기반 기저함수는 전통적 폴리노미얼 기반 유한요소보다 차수가 높고, 불균일 매듭 배치나 가중치가 들어가므로, 해석 알고리즘 구현이 복잡해지는 면이 있다. #### 지역적 세분화(Refinement)과 적응형 스플라인(Adaptive Spline) 스플라인 보간에서 전체 구간을 균일하게 분할하는 것이 항상 최적일 수는 없다. 어떤 구간에서는 함수가 급격히 변동하고, 다른 구간에서는 비교적 완만하다면, 급격한 변동 구간에만 촘촘한 노드를 배치해 주는 “적응형(Adaptive)” 전략이 효과적이다. 이때 구간마다 분할을 재조정하거나, B-스플라인 매듭 벡터를 적절히 세분하여, 오차 추정치가 큰 곳에만 국소적으로 분할을 추가한다. 적응형 스플라인에서는 다음과 같은 절차를 반복한다. 1. 초기 매듭 분할에서 스플라인 보간을 수행한다. 2. 구간별 오차(또는 잔차)를 평가한다. 3. 오차가 큰 구간을 더 세분한다. 매듭 벡터를 증분하고 스플라인을 재계산한다. 4. 원하는 정밀도에 도달할 때까지 2)와 3)을 반복한다. 이러한 전략을 사용하면 불필요하게 전체 구간 분할을 과도하게 세밀하게 만들 필요가 없고, 데이터나 대상 함수가 많이 요동하는 부분에 집중적으로 자원을 쏟을 수 있다. B-스플라인의 국소적 특성 덕분에, 새로운 매듭을 삽입해도 기존 구간의 스플라인은 크게 바뀌지 않아 효율적인 재계산이 가능하다. #### Box-스플라인(Box Spline) 2차원 격자에서 다변수 스플라인 보간을 편리하게 구현하는 방법 중 하나가 Box-스플라인이다. Box-스플라인은 다차원 B-스플라인의 일반화로 볼 수 있으며, 특정 방향 격자나 삼각형 격자 구조 등에서 조각별 다항식을 구성하고, 미분 연속성을 유지하도록 설계된 함수족이다. * 2D에서의 정규 사각 격자(lattice)뿐 아니라, 삼각형 격자에도 적용 가능하다. * CAD 혹은 이미지 처리에서 필터/마스크 형태로 Box-스플라인 기저를 쓸 수 있다. 단순한 1D B-스플라인과 달리, 2D 이상에서는 매듭 배치 방식이 훨씬 다양해진다. Box-스플라인의 이론적 배경은 좀 복잡하지만, 국소성 및 매끄러움이라는 스플라인 본연의 장점을 다차원으로 확장한다는 점에서 중요하다. #### Wavelet 변환과 스플라인 계열 웨이브렛 변환(Wavelet Transform)은 주파수(스케일)와 위치(시간 혹은 공간) 정보를 동시에 활용할 수 있는 신호 분석 기법이다. 여러 웨이브렛 중에서도 스플라인 웨이브렛(특히 biorthogonal spline wavelet)이 이미지 압축, 노이즈 제거 등에 널리 쓰인다. 이 스플라인 웨이브렛의 기저함수는 B-스플라인을 바탕으로 대역통과 필터를 구성하며, 다음과 같은 장점을 갖는다. * 부드러운(매끄러운) 형태를 유지하므로, 경계나 에지(Edge)에서 인공적인 노이즈를 적게 유발한다. * 다항식 시그널(저주파 구간) 재현력이 높고, 국소화 특성을 갖는다. * 정수 계수 변환(리프팅 스킴) 등을 통해 빠르고 손실 없는 압축 기법을 구현할 수 있다. 이처럼 스플라인은 단순 보간을 넘어서, 다중해상도 해석(Multiresolution Analysis)과 함께 쓰일 때 시공간적 국소화와 매끄러운 스펙트럼 해석이 동시에 가능해진다. #### 스플라인을 이용한 경계값 문제(Boundary Value Problem) 접근 스플라인은 수치적 보간/근사뿐 아니라, 미분방정식을 푸는 데에도 쓰일 수 있다. 예를 들어 2차 상미분방정식을 $$ -y''(x) = f(x), \quad x \in \[a,b], $$ 라는 형태로 두고, 경계 조건(디리클레 혹은 뉴만)을 부과한 뒤, 스플라인 기반의 근사치를 구할 수 있다. 이때 구간을 나누고, 각 구간에서 3차 혹은 그 이상의 스플라인 기저를 사용하여 해 $y(x)$를 근사하는 방법을 “스플라인 칼로칸(Spline collocation)” 혹은 “스플라인 갈킨(Spline Galerkin)” 방법으로 부르기도 한다. 전통적인 다항식 기반 유한요소(FEM)와 유사하게, 스플라인은 구간별 다항식이면서도 국소미분 연속성이 좋으므로, 연립 방정식이 잘 조건화된 형태로 얻어진다. 그리고 B-스플라인을 기저로 활용하면, 매듭점의 세분화를 통해 적응형 메시에 가까운 효과도 낼 수 있다. #### 실무에서의 주의 사항 스플라인 보간을 현실 문제에 적용할 때 다음과 같은 사항들을 염두에 두면 좋다. * 너무 적은 노드로 스플라인을 구성하면 구간 폭 $h$가 커져서, 이론적 오차 상한이 빠르게 증가할 수 있다. * 너무 많은 노드를 사용하면 계산 복잡도가 증가하며, 노드 간격이 너무 짧은 구간에서는 반대로 부정확한(기계 오차에 민감한) 계산이 일어날 수도 있다. * 데이터의 스케일이 매우 크거나, $x\_i$가 비정상적으로 분산되어 있을 경우에는, 먼저 적절히 스케일링(정규화)을 수행하거나, 구간 분할을 재설계하는 편이 안정성 측면에서 유리하다. * Hermite 계열이나 클램프 스플라인을 사용할 때에는 정확한 기울기나 미분정보를 사전에 얻거나 추정해야 한다. 잘못된 기울기 정보는 구간 내 보간 함수를 크게 훼손한다. * 주기적 데이터에 대해서는 주기적 스플라인(Periodic Spline)을 반드시 고려해야 한다. 자연 혹은 클램프 조건으로는 인위적인 단절이 생겨 잘못된 전역 형태가 나올 수 있다. *** 스플라인은 간단히 말해 “조각별 다항식을 매끄럽게 이어붙인 곡선”이지만, 그 응용 범위는 대단히 넓고 이론적으로도 풍부하다. B-스플라인, Hermite 스플라인, NURBS, 텐션 스플라인, 스무딩 스플라인, Box-스플라인, T-스플라인, Isogeometric Analysis에 이르기까지, 다양한 응용 분야와 확장이 존재한다. 또한 적응형 기법, 형태 보존 기법, 주기적/혼합 경계조건 등 구체적인 문제 상황에 맞춰 스플라인 구조를 설계할 수 있다. #### 씬-플레이트 스플라인(Thin-Plate Splines) 씬-플레이트 스플라인은 2차원 상에서 곡면(interpolation surface)을 구성할 때 사용되는 보간 기법의 하나로, 물리적으로는 “얇은 금속판”을 특정 점에서 붙잡아(고정해) 둔 상태에서의 최적 변형(minimal bending energy)을 수학적으로 모사한 것이다. 주로 2D 점 집합에 대한 보간 혹은 맵핑(예: 이미지 왜곡 보정)에 많이 응용된다. 씬-플레이트 스플라인은 부드럽게 이어지도록 곡면 에너지를 최소화하는 문제에서 유도된다. 점들 $(x\_i, y\_i)$ 가 2차원 평면 상에 주어졌을 때, 이를 만족하는 스플라인 곡면 $z = f(x,y)$ 을 구하고자 하면, 다음과 같은 변분 문제를 최소화하는 $f(x,y)$ 를 찾는다. $$ \mathcal{J}\[f] = \sum\_{i=1}^n \bigl( f(x\_i, y\_i) - z\_i \bigr)^2 + \lambda \iint\_{\Omega} \left\[ \left(\frac{\partial^2 f}{\partial x^2}\right)^2 + 2 \left(\frac{\partial^2 f}{\partial x \partial y}\right)^2 + \left(\frac{\partial^2 f}{\partial y^2}\right)^2 \right] , dx,dy, $$ 여기서 $\lambda$는 스무딩 파라미터이며, 두 번째 항은 “씬-플레이트” 에너지를 나타낸다. $\lambda=0$이면 모든 점을 완벽히 통과하는(즉 에러가 0인) 보간 문제가 되고, $\lambda>0$이면 너무 과도하게 요동하지 않도록 얇은 판의 ‘굽힘 에너지’를 줄이려는 스무딩 문제가 된다. 이를 해석적으로 풀면, 방사형 기저(Radial Basis) 형태의 특수 해가 나타나는데, 구체적으로 $$ f(\mathbf{x}) = \alpha\_0 + \alpha\_1 x + \alpha\_2 y + \sum\_{i=1}^n \beta\_i ,\phi\Bigl(|\mathbf{x} - \mathbf{x}\_i|\Bigr), $$ 로 표현 가능하다. 여기서 $\phi(r) = r^2 \ln(r)$ 와 같은 함수를 사용하며, $\beta\_i$ 및 $\alpha\_j$는 계수다. 이 식을 “씬-플레이트 스플라인”이라고 부른다. * $\mathbf{x}=(x,y)$, * $\mathbf{x}\_i = (x\_i, y\_i)$, * $|\mathbf{x} - \mathbf{x}\_i|$는 2D 유클리드 거리. 씬-플레이트 스플라인의 큰 장점은 국소적으로 매우 부드러운 보간 곡면을 생성하면서, 전체 영역에 걸쳐 매끄러운(대체로 $C^2$ 이상) 표면을 유지한다는 것이다. 변분적 관점에서, 곡률에 해당하는 2차 미분 항들을 최소화하기 때문에, 물리적 판(bending plate)의 최적 변형을 수학적으로 모사한다. 따라서 이미지 워핑(image warping), 의학 영상에서 2D/3D 변환, 지형이나 해양 표면 보간 등에 자주 활용된다. #### 방사형 기저 함수(Radial Basis Function, RBF) 스플라인 씬-플레이트 스플라인도 일종의 방사형 기저 함수를 쓰는 스플라인 기법이다. 일반적으로 $d$차원 공간에서 임의의 점 $\mathbf{x} \in \mathbb{R}^d$ 를 보간하기 위해, 다음과 같은 형태를 가질 수 있다. $$ f(\mathbf{x}) = \sum\_{i=1}^n \gamma\_i ,\phi\Bigl(|\mathbf{x} - \mathbf{x}\_i|\Bigr) ;+; p(\mathbf{x}), $$ 여기서 $\phi$는 방사형 기저 함수로, 씬-플레이트의 경우 $\phi(r) = r^2 \ln r$, 멀티쿼드릭(Multiquadric)인 경우 $\phi(r) = \sqrt{r^2 + c^2}$, 가우시안(Gaussian)인 경우 $\phi(r) = e^{-c,r^2}$ 등을 쓸 수 있다. $p(\mathbf{x})$는 보통 다항식(Polynomial) 항이다(차수는 변분 조건 등에 따라 달라짐). RBF 스플라인은 차원이 높아질수록 고전적인 다항식 스플라인으로는 처리하기 어려운 불규칙 노드 배치를 효과적으로 다룰 수 있다. 예를 들어, 3D 스캐닝 데이터나, 임의 분산된 수치 해석 격자에서의 보간 등에 유리하다. RBF 기반의 보간은 매트릭스 방정식 $$ \sum\_{j=1}^n \gamma\_j ,\phi\Bigl(|\mathbf{x}\_i - \mathbf{x}\_j|\Bigr) + p(\mathbf{x}\_i) = z\_i $$ (필요시 다항식 항에 대한 조건 추가) 을 풀어서 $\gamma\_j$와 다항식 계수들을 구하면 되는데, 방사형 기저가 정의하는 행렬이 종종 양의 정부호(Positive definite)에 가깝기 때문에 수치 안정성이 나쁘지 않은 편이다. 다만 노드가 매우 많아질 경우 $O(n^2)$ \~ $O(n^3)$의 연산비용이 부담이 될 수 있으므로, 적절한 빠른 RBF 알고리즘 혹은 국소화 기법을 연구하기도 한다. #### 베지어 곡선(Bezier Curve)과 스플라인의 비교 컴퓨터 그래픽스나 CAD에서 자주 등장하는 베지어 곡선은 스플라인과 유사하게 제어점(Control Point)을 두고, 곡선을 정의한다. 가장 널리 알려진 큐빅 베지어 곡선은 4개의 제어점 $\mathbf{P}\_0, \mathbf{P}\_1, \mathbf{P}\_2, \mathbf{P}\_3$ 으로부터 $$ \mathbf{B}(t) = (1 - t)^3 \mathbf{P}\_0 + 3t(1 - t)^2 \mathbf{P}\_1 + 3t^2 (1 - t) \mathbf{P}\_2 + t^3 \mathbf{P}\_3, \quad t \in \[0,1] $$ 로 정의된다. 이는 베지어 기저다. B-스플라인 곡선은 노드(매듭)와 차수에 따라 복수의 구간을 다루며, 베지어 곡선은 하나의 구간(파라미터 $t \in \[0,1]$)에서 제어점 4개로 완성된 단일 다항식을 제공하는 형태다. 베지어 곡선을 여러 구간에 걸쳐 이어붙여 “피스와이즈 베지어 스플라인”을 만들 수도 있으나, 이 경우 경계에서 연속 미분 조건을 만족시키려면 제어점이 서로 공유되어야 한다. B-스플라인이 그 과정을 좀 더 일반화하면서, 매듭을 통해 국소적으로 스플라인을 제어하는 방식을 도입한 것이라 볼 수 있다. CAD 표준에서 베지어 곡선과 스플라인(특히 NURBS) 개념이 모두 쓰이지만, 곡면 설계나 복잡한 형상을 위해선 B-스플라인 또는 NURBS가 좀 더 확장성이 뛰어나다. #### 역사적 배경 “스플라인”이라는 용어는 원래 조선이나 건축에서 곡선을 부드럽게 그리기 위해 사용하는 유연한 자(尺, 혹은 얇은 나무조각)에서 유래했다. 곡선을 그리고자 하는 지점들을 박은 못이나 지지점에 이 얇은 자를 대었을 때, 물리적으로 에너지를 최소화하는(굽힘 에너지가 최소) 형태로 휘어지는데, 이것이 수학적으로는 곡률의 적분을 최소화하는 변분 문제와 연결된다. 컴퓨터 시대에 들어 1940\~1960년대부터 수치해석, 항공기 날개 형상 설계 등에서 이 개념이 확장되어, I. J. Schoenberg, C. de Boor 등이 기여한 B-스플라인 이론이 확립되었다. 이어 CAD/CAE 분야와 컴퓨터 그래픽스 분야가 폭발적으로 성장하면서, NURBS, T-스플라인 등 다양한 변종이 계속 개발되고 있다. #### 응용 분야 * **CAD/CAE**: 차량, 항공기, 선박 등의 곡면 설계에서 필수적. NURBS나 T-스플라인 등의 스플라인 계열이 널리 쓰인다. * **이미지 처리**: 스플라인 보간(또는 Spline Resampling)은 디지털 이미지 확대/축소, 회전에 필수적이며, B-스플라인 웨이브렛이나 씬-플레이트 스플라인 변환 기법도 이용된다. * **수치해석**: FEM과 결합한 isogeometric analysis(IGA)에서 스플라인 기저가 쓰인다. * **지형정보(DEM) 처리**: 고도 데이터가 불규칙하게 배치된 경우, 스플라인 기반 RBF를 써서 지형 표면을 근사하거나, 씬-플레이트 스플라인으로 워핑한다. * **의학 영상**: 영상 정합(Registration) 과정에서 씬-플레이트 스플라인, B-스플라인 등으로 서로 다른 촬영 기법에서 얻은 영상을 부드럽게 합성한다. *** 스플라인 보간은 단순 구간 분할에 기반한 다항식 이어붙이기에서 출발하였으나, 수많은 변종과 확장을 거쳐 현대의 수치해석, CAD, 그래픽스, 영상처리 등 폭넓은 분야에서 핵심 도구로 자리 잡았다.