영상과 사회 레포트 - 이미지 분할과 패턴 인식의 알고리즘적 접근 방식을 설명하시오.

I. 서론

사진에서 고양이를 알아보는 일보다 의외로 먼저 필요한 작업이 있다. 고양이가 사진의 어느 부분까지 차지하는지 가르는 일이다. 사람은 털의 경계와 배경을 거의 자동으로 구분하지만 컴퓨터에게 이미지는 숫자 격자다. 이미지 분할은 그 격자를 비슷한 성질이나 같은 대상으로 묶어 영역을 만드는 과정이고, 패턴 인식은 그렇게 얻은 정보에서 반복되는 특징을 찾아 범주나 상태를 판별하는 과정이다. 두 기술은 따로 배우기 쉽지만 실제 시스템에서는 긴 파이프라인 안에서 이어진다. 의료영상에서 장기의 경계를 나눈 뒤 병변 여부를 판정하고, 공장 카메라에서 제품 영역을 분리한 뒤 불량 패턴을 찾는 식이다. 알고리즘의 관점에서 보면 핵심은 어디에서 경계를 긋고 어떤 특징을 기준으로 같은 것과 다른 것을 나눌지 결정하는 데 있다.

II. 본론

1) 픽셀을 의미 있는 영역으로 나누는 분할 알고리즘

이미지 분할은 전체 영상을 서로 겹치지 않는 영역으로 나누거나 각 픽셀에 소속 범주를 붙이는 작업이다. 분할 기준은 문제마다 다르다. 밝기가 비슷한 픽셀을 하나의 영역으로 볼 수도 있고, 색이나 질감이 비슷한 부분을 묶을 수도 있다. 물체의 경계를 찾아 내부와 외부를 나누기도 한다. 목표는 원본 이미지보다 다루기 쉬운 구조를 얻는 것이다. 수백만 개의 픽셀을 그대로 분석하는 대신 도로, 보행자, 하늘처럼 의미 있는 단위로 바꾸면 뒤 단계의 판단이 쉬워진다.

고전적인 방법 가운데 임계값 분할은 가장 이해하기 쉽다. 픽셀 밝기가 정해진 값보다 크면 전경, 작으면 배경으로 나누는 방식이다. 흰 종이 위의 검은 글자처럼 배경과 대상의 명암 차이가 큰 영상에서는 매우 잘 작동한다. 문제는 조명이 고르지 않을 때다. 사진 한쪽이 어둡고 다른 쪽이 밝으면 하나의 기준값으로 전체를 나누기 어렵다. 이때 지역마다 다른 임계값을 쓰는 적응형 방법이나 영상의 밝기 분포를 보고 기준을 자동으로 찾는 방법을 쓸 수 있다.

Fu와 Mui의 1981년 분할 조사에서는 당시의 대표 접근을 특징값의 임계처리나 군집화, 경계 검출, 영역 추출로 나누었다. 이 구분은 오래됐지만 지금도 기본 원리를 이해하는 데 유용하다. 경계 기반 방식은 밝기나 색이 급격히 바뀌는 곳을 물체의 가장자리로 본다. 미분 연산으로 변화량이 큰 지점을 찾고 서로 이어 윤곽선을 만든다. 컵과 배경의 색 차이가 분명하면 경계가 잘 드러나지만 그림자나 무늬도 강한 경계로 검출될 수 있다. 끊어진 선을 어떻게 연결할지도 문제다.

영역 기반 방식은 경계를 직접 찾기보다 내부의 유사성을 본다. 작은 씨앗 지점에서 시작해 비슷한 이웃 픽셀을 붙여 가는 영역 성장법이 대표적이다. 반대로 전체 이미지를 큰 영역으로 시작해 성질이 다른 곳을 계속 쪼갤 수도 있다. 군집화는 픽셀을 색이나 위치 같은 특징 벡터로 바꾼 뒤 가까운 것끼리 묶는다. K-평균 같은 방법을 사용하면 비슷한 색을 가진 영역을 몇 개의 집단으로 나눌 수 있다. 계산 구조가 비교적 명확하지만 원하는 물체의 의미까지 자동으로 알려 주지는 않는다.