이미지 처리에서의 에지 감지 이해

인간은 이미지를 볼 때 자연스럽게 사물의 테두리를 인식하고 곡선을 따라가며 표면의 질감을 파악합니다. 그러나 컴퓨터의 경우, 이해는 개별 픽셀 수준에서 시작됩니다.

디지털 이미지의 최소 단위인 픽셀은 단일 지점의 색상과 밝기를 저장합니다. 컴퓨터는 이미지 전체에 걸친 이러한 픽셀 값의 변화를 추적함으로써 주요 세부 정보를 드러내는 패턴을 감지할 수 있습니다.

특히 image processing은 픽셀 데이터를 사용하여 핵심 특징을 강조하고 불필요한 요소를 제거합니다. 대표적인 image processing 기법 중 하나인 엣지 검출은 밝기나 색상이 급격하게 변화하는 지점을 식별하여 객체의 외곽선을 그리고 경계를 표시하며 구조를 더해줍니다.

이를 통해 컴퓨터는 형태를 구분하고 치수를 측정하며 장면의 각 부분이 어떻게 연결되는지 해석할 수 있습니다. 엣지 검출은 고도화된 image analysis의 첫 단계인 경우가 많습니다.

그림 1. 원본 이미지와 다양한 엣지 검출 방법의 출력을 나란히 보여주는 예시. (출처)

본 글에서는 에지 검출이 무엇인지, 어떻게 작동하는지, 그리고 실제 어떤 분야에 적용되는지 살펴보겠습니다. 시작해 볼까요!

에지 검출 개념#

에지 검출은 이미지에서 밝기나 색상이 한 지점에서 다음 지점으로 뚜렷하게 변하는 곳을 찾는 데 집중합니다. 변화가 작으면 해당 영역은 매끄럽게 보입니다. 변화가 급격하면 종종 서로 다른 두 영역 사이의 경계를 나타냅니다.

이러한 픽셀 변화가 발생하는 몇 가지 이유는 다음과 같습니다:

• 표면 법선 불연속성(Surface normal discontinuities): 벽의 모서리나 상자의 테두리처럼 두 표면이 각도를 이루며 만날 때, 이러한 방향의 급격한 변화는 이미지에 선명한 경계를 생성합니다.
• 깊이 불연속성(Depth discontinuities): 카메라로부터의 거리가 서로 다른 사물이 있는 곳에 나타나며, 시스템이 이를 구별하는 데 도움이 되는 시각적 분리를 생성합니다.
• 표면 색상 또는 질감 변화: 한 영역이 인접한 영역과 다른 색상이나 질감을 가질 때 발생하며, 눈에 띄는 분리를 생성합니다.
• 조명 변화: 표면의 그림자나 하이라이트를 포함한 조명 변화로 인해 발생하며, 표면 자체가 매끄럽거나 연속적일 때조차 눈에 띄는 분리를 생성합니다.

그림 2. 이미지의 다양한 엣지 불연속성 유형. (출처)

에지 검출 인식은 어떻게 작동할까요#

에지 검출은 일반적으로 컬러 이미지를 그레이스케일 이미지로 변환하여 각 지점이 밝기만을 나타내도록 하는 것에서 시작됩니다. 이렇게 하면 알고리즘이 색상 대신 밝고 어두운 차이에 집중하기가 더 쉬워집니다.

다음으로, 특수 필터가 이미지를 스캔하여 밝기가 갑자기 변하는 곳을 찾습니다. 이 필터들은 밝기가 얼마나 가파르게 변하는지 계산하는데, 이를 그래디언트라고 합니다. 그래디언트가 높을수록 인접한 지점 간의 차이가 크다는 의미이며, 이는 종종 에지를 신호합니다.

그런 다음 알고리즘은 이미지를 계속 다듬어 작은 세부 사항을 제거하고 가장 중요한 선과 모양만 남깁니다. 그 결과, 추가 분석에 사용할 수 있는 선명한 외곽선과 출력 이미지가 생성됩니다.

에지 검출과 이미지 처리의 발전#

에지 검출에 대해 더 자세히 알아보기 전에, 이것이 시간이 지남에 따라 어떻게 발전했는지 논의해 보겠습니다.

image processing은 사진을 정리하고 개선하기 위한 thresholding 및 필터링과 같은 단순한 규칙 기반 방법으로 시작되었습니다. 아날로그 시대에는 세부 묘사를 살리기 위해 광학 필터, 확대경, 화학 처리 등을 사용하여 사진이나 필름을 다루는 것을 의미했습니다.

대비 조정, 노이즈 감소, 이미지 강도 조정, 기본적인 에지 검출과 같은 기술은 입력 이미지를 더 선명하게 만들고 모양과 질감을 강조하는 데 도움이 되었습니다. 1960년대와 70년대에 아날로그에서 디지털 처리로의 전환은 천문학, 의료 영상 및 위성 모니터링과 같은 분야에서 현대적 분석의 길을 열었습니다.

1980년대와 90년대에 이르러 컴퓨터 성능이 향상되면서 특징 추출, 형상 검출, 기본적 객체 인식과 같은 더 복잡한 작업을 처리할 수 있게 되었습니다. Sobel 연산자 및 Canny와 같은 알고리즘은 더욱 정밀한 엣지 검출을 제공했으며, 패턴 인식은 산업 자동화부터 optical character recognition을 통한 인쇄 텍스트 판독에 이르기까지 모든 분야에 적용되었습니다.

21세기의 에지 검출과 컴퓨터 비전#

오늘날 기술의 꾸준한 발전은 computer vision의 발전으로 이어졌습니다. Vision AI 또는 computer vision은 기계가 시각적 정보를 해석하고 이해하도록 교육하는 데 중점을 두는 AI의 한 분야입니다.

이중 임계값 처리(강한 에지는 유지하고 약한 에지는 제거하여 이미지를 더 선명하게 만드는 기술) 및 에지 검출과 같은 기존의 이미지 처리가 고정된 규칙을 따르고 특정 작업만 처리할 수 있었던 반면, 컴퓨터 비전은 예제를 통해 학습하고 새로운 상황에 적응할 수 있는 데이터 기반 모델을 사용합니다.

요즘 이미징 시스템은 단순히 이미지를 향상하거나 에지를 감지하는 것을 훨씬 넘어섭니다. 객체를 인식하고, 움직임을 추적하며, 전체 장면의 맥락을 이해할 수 있습니다.

이를 가능하게 하는 핵심 기술 중 하나가 컨볼루션입니다. 컨볼루션 연산은 작은 필터(커널이라고도 함)가 이미지를 스캔하여 에지, 모서리, 질감과 같은 중요한 패턴을 찾는 과정입니다. 이러한 패턴은 컴퓨터 비전 모델이 객체를 인식하고 이해하는 데 사용하는 구성 요소가 됩니다.

예를 들어, Ultralytics YOLO11과 같은 computer vision 모델은 이러한 컨볼루션 기반 특징을 사용하여 인스턴스 세분화와 같은 고급 작업을 수행합니다. 인스턴스 세분화는 이미지 내 각 객체의 경계를 정확하게 외곽선으로 따야 하므로 엣지 검출과 밀접하게 연관되어 있습니다.

에지 검출은 사물 에지를 표시하기 위해 에지 픽셀의 강도 변화를 찾는 데 초점을 맞추는 반면, 인스턴스 세그멘테이션은 그 아이디어를 기반으로 에지를 감지하고 각 객체를 분류하며 자체 영역으로 분리합니다.

그림 3. Ultralytics YOLO11 및 인스턴스 세그멘테이션 사용 예시. (출처)

에지 검출 알고리즘 및 접근 방식#

컴퓨터 비전이 성장했음에도 불구하고 이미지 처리는 여전히 많은 응용 프로그램에서 중요한 부분을 차지합니다. 그 이유는 컴퓨터 비전이 종종 기본적인 이미지 전처리 단계를 기반으로 하기 때문입니다.

객체를 감지하거나 장면을 이해하기 전에 시스템은 일반적으로 이미지를 정리하고 노이즈를 줄이며 에지를 찾아 주요 세부 정보를 돋보이게 합니다. 이러한 단계는 고급 모델을 더 정확하고 효율적으로 만듭니다.

다음으로, 에지를 감지하는 데 사용되는 가장 일반적인 이미지 처리 알고리즘과 그 작동 방식을 살펴보겠습니다.

Sobel 에지 검출#

Sobel 에지 검출은 이미지에서 사물의 윤곽을 찾는 데 사용되는 핵심 방법입니다. 모든 세부 사항을 한꺼번에 분석하는 대신, 밝기가 한 픽셀에서 다음 이웃 픽셀로 급격하게 변하는 영역에 집중합니다.

이러한 급격한 변화는 일반적으로 한 사물이 끝나고 다른 사물이 시작되는 지점, 또는 사물이 배경과 만나는 지점을 나타냅니다. Sobel은 이러한 에지를 분리함으로써 복잡한 이미지를 움직임 추적, 모양 감지 또는 객체 인식과 같은 작업을 위해 다른 시스템이 더 쉽게 처리할 수 있는 더 깨끗한 윤곽선으로 변환합니다.

Sobel 에지 검출은 이미지 전반에 걸쳐 강도가 어떻게 변하는지 측정하는 그래디언트 감지기로 생각할 수 있습니다. 핵심적으로, 이는 커널이라고 불리는 작은 행렬을 이미지 위로 슬라이딩하고 이웃 픽셀 값의 가중 합계를 계산하는 컨볼루션 연산을 통해 작동합니다.

이 커널들은 수평 및 수직 방향으로 밝기 변화를 강조하도록 설계되었습니다. 커널이 데이터로부터 학습되는 딥러닝 모델과 달리, Sobel은 훈련 없이도 효율적으로 에지를 강조하기 위해 고정된 커널을 사용합니다.

Sobel 에지 검출 방법의 작동 방식을 더 자세히 살펴보겠습니다:

• 두 개의 3×3 필터 사용: 이 방법은 필터라고 불리는 두 개의 작은 3×3 그리드를 사용합니다. 이들을 수평(x-방향) 및 수직 방향(y-방향)으로 이미지 위를 슬라이딩하는 스텐실처럼 생각하십시오. 한 그리드는 수평 에지를 찾도록 설계되었고, 다른 하나는 수직 에지를 위한 것입니다.
• 그래디언트 계산: 각 필터는 밝기가 얼마나 빨리 변하는지와 그래디언트 방향을 찾습니다. 큰 변화는 가능한 에지를 의미합니다.
• 결과 결합: 수평 및 수직 결과를 결합하여 각 픽셀에서의 전체 에지 강도와 방향을 결정합니다.
• 에지 감지: 그래디언트 크기가 큰 픽셀을 강한 에지로 표시합니다.
• 경계선 따기: 이러한 에지는 사물 모양을 정의하고 이미지 내 서로 다른 영역을 분리하는 데 도움이 됩니다.

그림 4. Sobel 엣지 검출은 입력 이미지의 주요 외곽선을 강조하고 엣지 맵을 생성할 수 있습니다. (출처)

Canny 에지 검출#

Canny 에지 검출은 이미지에서 에지를 찾는 또 다른 인기 있는 방법입니다. 깨끗하고 정밀한 윤곽선을 만드는 것으로 유명합니다. 기본적인 에지 검출 기술과 달리, 노이즈를 필터링하고 경계를 선명하게 하며 가장 중요한 에지에 집중하기 위해 신중하게 설계된 일련의 단계를 따릅니다.

Canny 에지 검출기가 어떻게 작동하는지에 대한 간단한 개요입니다:

• 이미지 스무딩: 이미지는 먼저 가우시안 필터로 흐리게 처리됩니다. 이는 에지로 오인될 수 있는 노이즈와 작은 세부 사항을 줄이는 스무딩 기술입니다.
• 밝기 변화 감지: 그런 다음 알고리즘은 그래디언트 계산을 사용하여 변화의 강도와 방향을 측정함으로써 밝기의 급격한 변화를 스캔합니다.
• 에지 얇게 만들기: 감지된 각 선을 따라 가장 강한 지점만 유지하고 약한 지점은 제거하여 선명하고 깨끗한 에지를 만듭니다.
• 에지 분류: 각 픽셀은 밝기 변화의 임계값을 기반으로 강함, 약함 또는 에지 아님으로 레이블이 지정됩니다.
• 최종 정리: 강한 에지와 연결된 약한 에지는 유지되고, 나머지는 모두 폐기되어 깨끗하고 연결된 경계만 남습니다.

그림 5. Canny 엣지 검출기를 사용한 후의 원본 이미지 및 각 출력 이미지. (출처)

노이즈를 필터링하면서 정확한 결과를 제공하기 때문에 Canny 엣지 검출은 정밀도가 중요한 분야에서 널리 사용됩니다. 예를 들어 medical imaging, 위성 매핑, 문서 스캔, 로봇 비전 등의 산업에서 사용됩니다.

그래디언트 기반 vs. 가우시안 기반 에지 검출#

지금까지 살펴본 두 가지 에지 검출 예시는 Sobel과 Canny입니다. 둘 다 에지를 찾는 것을 목표로 하지만 문제에 접근하는 방식은 다릅니다.

그래디언트 기반 방법(Sobel, Prewitt, Scharr 등)은 그래디언트라고 알려진 밝기의 급격한 변화를 찾아 에지를 검출합니다. 이들은 이미지를 스캔하고 이 변화가 가장 강한 지점을 표시합니다. 이러한 방법은 간단하고 빠르며 이미지가 깨끗할 때 잘 작동합니다. 그러나 노이즈에 민감하여, 밝기의 미세한 변화가 에지로 오인될 수 있습니다.

가우시안 기반 방법(Canny 또는 라플라시안 오브 가우시안 등)은 이 문제를 해결하기 위해 이미지를 먼저 흐리게 만드는 추가 단계를 추가합니다. 종종 가우시안 필터로 수행되는 이 스무딩 처리는 거짓 에지를 생성할 수 있는 미세한 변화를 줄입니다. 스무딩 후, 이러한 방법들은 여전히 선명한 밝기 변화를 찾지만 결과는 노이즈가 많거나 저품질인 이미지에 대해 더 깨끗하고 정확합니다.

그림 6. 그래디언트 기반 vs. 가우시안 기반 에지 검출. 저자 이미지.

에지 검출의 실제 응용#

에지 검출이 어떻게 작동하는지 더 잘 이해했으니, 이제 실제 상황에서 어떻게 적용되는지 살펴보겠습니다.

에지 검출을 사용하여 균열 식별하기#

교량이나 고층 건물과 같은 대형 콘크리트 구조물을 검사하는 것은 종종 어렵고 위험한 작업입니다. 이러한 구조물은 거리가 길거나 높이가 높아 전통적인 검사 방식은 느리고 비용이 많이 들며 위험합니다. 또한 이러한 검사는 일반적으로 비계, 로프 접근, 수동 근접 측정 또는 사진 촬영을 필요로 합니다.

2019년에는 흥미로운 접근 방식이 연구되었는데, 연구원들은 고해상도 카메라가 장착된 드론을 사용하여 콘크리트 표면의 상세한 입력 이미지를 캡처하는 보다 안전하고 빠른 방법을 테스트했습니다. 그런 다음 이 이미지들을 다양한 edge detection 기법으로 처리하여 균열을 자동으로 식별했습니다.

연구에 따르면 이 방법은 위험한 지역에 직접 사람이 접근할 필요성을 크게 줄이고 검사 속도를 높였습니다. 그러나 정확도는 여전히 조명 상태, 이미지 선명도 및 안정적인 드론 작동과 같은 요인에 따라 달라졌습니다. 경우에 따라 오탐을 제거하기 위해 사람의 검토가 여전히 필요했습니다.

의료 영상에 에지 검출 적용#

X-레이와 MRI에는 종종 노이즈라고 알려진 시각적 방해 요소가 포함되어 있어 미세한 세부 사항을 보기 어렵게 만들 수 있습니다. 이는 의사들이 종양의 에지를 찾거나, 장기의 윤곽을 추적하거나, 시간이 지남에 따라 미묘한 변화를 모니터링하려고 할 때 도전이 됩니다.

최근의 medical imaging study에서는 Sobel, Canny, Prewitt, Laplacian과 같은 일반적인 엣지 검출 방법이 노이즈가 있는 이미지를 얼마나 잘 처리하는지 테스트했습니다. 연구원들은 이미지에 다양한 유형과 수준의 노이즈를 추가하고 각 방법이 중요한 특징의 외곽선을 얼마나 정확하게 그릴 수 있는지 확인했습니다.

Canny는 노이즈가 심할 때도 보통 가장 깨끗한 에지를 생성했지만, 모든 경우에서 최고는 아니었습니다. 어떤 방법은 특정 노이즈 패턴에서 더 잘 작동했으므로 완벽한 단일 솔루션은 없습니다.

그림 7. 노이즈가 증가함에 따라 Canny(d–f)가 Sobel(g–i)보다 더 선명한 엣지를 제공합니다. (출처)

이는 computer vision과 같은 기술이 왜 중요한지 잘 보여줍니다. 고급 알고리즘과 vision AI models을 결합함으로써, 이러한 솔루션은 기본 엣지 검출을 넘어 까다로운 조건에서도 더욱 정확하고 신뢰할 수 있는 결과를 제공할 수 있습니다.

에지 검출의 장점#

에지 검출과 이미지 처리를 사용할 때의 몇 가지 이점은 다음과 같습니다:

• 더 나은 데이터 압축: 에지 검출을 사용하면 이미지를 주요 특징만 사용하여 표현할 수 있으므로 필수 정보를 유지하면서 파일 크기를 줄일 수 있습니다. 이는 저장 및 전송을 더 효율적으로 만듭니다.
• 더 정밀한 객체 로컬라이제이션: 엣지 검출은 객체 경계를 정확하게 식별함으로써 시스템의 객체 위치 파악 및 추적 능력을 향상시키며, 로보틱스 분야의 비전 AI in robotics 및 자율주행 차량과 같은 응용 분야에 이점을 제공합니다.
• 다중 스케일 특징 검출: 에지 검출 기술은 다양한 스케일에서 이미지를 분석하여 작은 세부 사항과 더 큰 모양을 모두 포착할 수 있습니다. 이러한 유연성은 질감 분석에서 장면 이해에 이르기까지 다양한 작업에서 유용합니다.

이미지 처리를 에지 검출에 사용할 때의 제한 사항#

이미지 처리에서 에지 검출에는 많은 이점이 있지만, 몇 가지 도전 과제도 따릅니다. 고려해야 할 몇 가지 주요 제한 사항은 다음과 같습니다:

• 복잡한 질감 문제: 복잡하거나 반복되는 패턴이 있는 이미지에서 에지 검출은 종종 많은 거짓 또는 무관한 에지를 생성하여 추가 분석을 복잡하게 만들고 신뢰성을 떨어뜨립니다.
• 조명에 민감함: 밝기, 그림자 및 반사의 변화로 인해 에지 검출기가 조명 변화를 사물 경계로 오해할 수 있으며, 이는 일관되지 않은 결과로 이어집니다.
• 객체 식별 불가: 에지는 사물이 어디서 시작되고 끝나는지를 강조하지만, 해당 사물이 무엇인지는 보여주지 않습니다. 감지된 에지에 의미나 레이블을 지정하려면 추가 처리가 필요합니다.

컴퓨터 비전을 에지 검출에 사용할 수 있는 경우#

에지 검출은 우리의 눈과 뇌가 협력하여 세상을 이해하는 방식에서 영감을 받았습니다. 인간 시각의 경우, 시각 피질의 특수 뉴런은 에지, 선 및 경계에 매우 민감합니다.

이러한 시각적 단서는 우리가 한 사물이 끝나고 다른 사물이 시작되는 지점을 빠르게 결정하도록 돕습니다. 이것이 단순한 선 그림조차 즉각적으로 인식될 수 있는 이유입니다. 우리 뇌는 모양과 사물을 식별하기 위해 에지에 크게 의존합니다.

컴퓨터 비전은 이러한 능력을 모방하는 것을 목표로 하지만 한 걸음 더 나아갑니다. Ultralytics YOLO11과 같은 모델은 기본적인 에지 강조 및 이미지 향상을 넘어섭니다. 실시간으로 객체를 감지하고, 정밀하게 외곽선을 따며, 움직임을 추적할 수 있습니다. 이러한 더 깊은 수준의 이해는 에지 검출만으로는 충분하지 않은 시나리오에서 필수적입니다.

Ultralytics YOLO11을 사용하여 더 정확하게 에지 감지하기#

다음은 엣지 검출을 기반으로 하고 이를 넘어서는 Ultralytics YOLO11 지원 주요 컴퓨터 비전 태스크입니다:

• 객체 감지: 각 객체 주위에 경계 상자(bbox)를 그려 이미지나 비디오 내의 여러 객체를 식별하고 위치를 파악하여, 무엇이 존재하고 각 객체가 어디에 위치하는지에 대한 명확한 뷰를 제공합니다.
• 인스턴스 세그멘테이션: 사물을 픽셀 수준으로 분해하여 객체가 겹치거나 불규칙한 모양을 가지고 있더라도 깨끗하고 정밀한 윤곽선을 생성합니다.
• 자세 추정(Pose estimation): 이 작업의 목표는 객체나 사람의 위치, 방향 또는 자세를 결정하는 것이며, 이는 움직임을 모니터링하거나 시간에 따른 구조적 변화를 감지하는 데 도움이 됩니다.
• 객체 추적(Object tracking): 이 작업은 비디오 프레임을 통해 이동하는 객체를 따라가며, 정확한 장기 관찰을 위해 일관된 식별을 보장합니다.
• 이미지 분류(Image classification): 시각적 특징을 기반으로 객체나 전체 이미지에 라벨을 할당하여 방대한 데이터 세트를 더 쉽게 구성하고 해석할 수 있게 합니다.

컴퓨터 비전을 활용한 인프라 내 에지 감지#

기존에 엣지 검출에 의존하던 애플리케이션을 컴퓨터 비전이 어떻게 개선하는지 보여주는 좋은 예는 인프라 및 산업 자산의 균열 검출입니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 학습시켜 도로, 교량, 파이프라인의 균열을 정확하게 식별할 수 있습니다. 동일한 기법을 항공기 정비, 건물 검사, 제조 품질 관리에도 적용하여 검사 속도를 높이고 안전성을 향상할 수 있습니다.

그림 8. 균열 세분화에 YOLO11을 사용하는 예시. (출처)

핵심 요약#

에지 감지는 초기 단계의 단순한 방법부터 복잡한 이미지에서도 미세한 경계를 찾아낼 수 있는 고급 기술까지 비약적인 발전을 이루었습니다. 이는 중요한 세부 정보를 도출하고 핵심 영역을 강조하며 더 깊은 분석을 위해 이미지를 준비하는 데 도움을 주어 이미지 처리의 핵심적인 부분이 되었습니다.

컴퓨터 비전에서 에지 감지는 형태를 정의하고 객체를 분리하며 유용한 정보를 추출하는 데 중요한 역할을 합니다. 이 기술은 의료 영상, 산업 검사, 자율 주행, 보안 등 다양한 분야에서 정확하고 신뢰할 수 있는 시각적 이해를 제공하기 위해 사용됩니다.

our community에 참여하고 GitHub repository를 탐색하여 AI에 대해 더 자세히 알아보세요. 나만의 vision AI 프로젝트를 시작하려면 licensing options을 확인해 보세요. 솔루션 페이지를 방문하여 AI in healthcare 및 vision AI in retail과 같은 애플리케이션에 대해 자세히 알아보세요.