이미지 처리에서의 에지 감지 이해하기

사람은 이미지를 볼 때 자연스럽게 객체의 가장자리를 인식하고 곡선을 따라가며 표면의 질감을 알아차립니다. 하지만 컴퓨터의 이해는 개별 픽셀 수준에서 시작됩니다.

디지털 이미지의 최소 단위인 픽셀은 한 지점의 색상과 밝기를 저장합니다. 이미지 전반에 걸쳐 픽셀 값의 변화를 추적하면 컴퓨터가 주요 세부 정보를 드러내는 패턴을 감지할 수 있습니다.

특히 이미지 처리는 픽셀 데이터를 사용해 필수 특징을 강조하고 불필요한 요소를 제거합니다. 일반적인 이미지 처리 기법 중 하나인 에지 감지는 밝기나 색상이 급격히 변하는 지점을 식별하여 객체의 윤곽을 표시하고 경계를 찾으며 구조를 더합니다.

이를 통해 컴퓨터는 형태를 분리하고 치수를 측정하며 장면의 각 부분이 어떻게 연결되는지 해석할 수 있습니다. 에지 검출은 고급 이미지 분석의 첫 단계로 자주 사용됩니다.

그림 1. 원본 이미지와 여러 에지 감지 방법의 결과를 비교한 예시. (출처)

이 글에서는 에지 검출이 무엇인지, 어떻게 작동하는지, 실제로 어떻게 활용되는지 살펴보겠습니다.

에지 감지의 개념#

에지 감지는 이미지에서 한 지점에서 다음 지점으로 밝기나 색상이 뚜렷하게 변하는 위치를 찾는 데 중점을 둡니다. 변화가 작으면 해당 영역은 매끄럽게 보입니다. 변화가 급격하면 두 영역 사이의 경계를 나타내는 경우가 많습니다.

이러한 픽셀 변화가 발생하는 몇 가지 이유는 다음과 같습니다.

• 표면 법선 불연속: 벽 모서리나 상자 가장자리처럼 두 표면이 각도를 이루며 만날 때 방향이 급격히 변하면서 이미지에 뚜렷한 경계가 생깁니다.
• 깊이 불연속: 객체가 카메라에서 서로 다른 거리에 있을 때 나타나며, 시스템이 객체를 구분하는 데 도움이 되는 시각적 분리선을 만듭니다.
• 표면 색상 또는 질감 변화: 한 영역의 색상이나 질감이 인접한 영역과 다를 때 발생하며, 시각적인 분리선을 만듭니다.
• 조명 변화: 표면에 드리운 그림자나 하이라이트를 비롯한 조명 변화로 발생하며, 표면 자체가 매끄럽거나 연속적이어도 시각적인 분리선을 만듭니다.

그림 2. 이미지에서 나타나는 다양한 유형의 에지 불연속. (출처)

에지 감지 인식은 어떻게 작동하나요?#

에지 감지는 보통 컬러 이미지를 그레이스케일 이미지로 변환하는 것부터 시작하며, 이때 각 지점은 밝기만 나타냅니다. 이를 통해 알고리즘은 색상 대신 명암 차이에 집중할 수 있습니다.

다음으로 특수 필터가 이미지를 훑으며 밝기가 갑자기 변하는 위치를 찾습니다. 이 필터는 밝기가 얼마나 급격하게 변하는지를 계산하며, 이를 그래디언트라고 합니다. 주변 지점 간 차이가 클수록 그래디언트가 커지며, 이는 에지일 가능성이 높습니다.

그런 다음 알고리즘은 이미지를 계속 다듬어 작은 세부 사항을 제거하고 가장 중요한 선과 형태만 남깁니다. 그 결과 추가 분석에 사용할 수 있는 명확한 윤곽선과 출력 이미지가 생성됩니다.

에지 감지와 이미지 처리의 발전#

에지 검출을 자세히 살펴보기 전에 에지 검출이 시간에 따라 어떻게 발전했는지 알아보겠습니다.

이미지 처리는 사진을 정리하고 개선하기 위한 임계값 처리와 필터링 같은 단순한 규칙 기반 방법에서 시작되었습니다. 아날로그 시대에는 세부 정보를 드러내기 위해 광학 필터, 확대경, 화학 처리를 사용해 사진이나 필름을 다루었습니다.

대비 조정, 노이즈 감소, 이미지 강도 조정, 기본 에지 감지와 같은 기법은 입력 이미지를 더 선명하게 하고 형태와 질감을 강조하는 데 도움이 되었습니다. 1960년대와 70년대에 아날로그 처리에서 디지털 처리로 전환되면서 천문학, 의료 영상, 위성 모니터링 등의 분야에서 현대적인 분석을 수행할 길이 열렸습니다.

1980년대와 1990년대에는 컴퓨터가 빨라지면서 특징 추출, 형태 검출, 기본적인 객체 인식과 같은 더 복잡한 작업을 수행할 수 있게 되었습니다. Sobel 연산자와 Canny 에지 검출기 같은 알고리즘은 에지 검출의 정밀도를 높였고, 패턴 인식은 산업 자동화부터 광학 문자 인식을 통한 인쇄 문자 판독까지 다양한 분야에 적용되었습니다.

21세기의 에지 감지와 컴퓨터 비전#

오늘날 기술의 꾸준한 발전은 컴퓨터 비전의 발전으로 이어졌습니다. 비전 AI 또는 컴퓨터 비전은 기계가 시각 정보를 해석하고 이해하도록 가르치는 데 초점을 둔 AI의 한 분야입니다.

이미지를 더 선명하게 만들기 위해 강한 에지는 유지하고 약한 에지는 제거하는 이중 임계값 처리나 에지 감지와 같은 기존의 이미지 처리 방식은 정해진 규칙을 따르고 특정 작업만 수행할 수 있었습니다. 반면 컴퓨터 비전은 예시를 통해 학습하고 새로운 상황에 적응할 수 있는 데이터 기반 모델을 사용합니다.

오늘날 이미징 시스템은 단순히 이미지를 개선하거나 에지를 감지하는 수준을 넘어섭니다. 이미징 시스템은 객체를 인식하고 움직임을 추적하며 장면 전체의 맥락을 이해할 수 있습니다.

이를 가능하게 하는 핵심 기법 중 하나는 합성곱입니다. 합성곱 연산은 작은 필터(커널이라고도 함)를 이미지에 적용해 에지, 모서리, 텍스처와 같은 중요한 패턴을 찾는 과정입니다. 이러한 패턴은 컴퓨터 비전 모델이 객체를 인식하고 이해하는 데 사용하는 기본 요소가 됩니다.

예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 컨볼루션 기반 특징을 사용해 인스턴스 세그멘테이션과 같은 고급 작업을 수행합니다. 인스턴스 세그멘테이션은 이미지 속 각 객체의 경계를 정확하게 윤곽선으로 표시해야 하므로 에지 감지와 밀접한 관련이 있습니다.

에지 감지는 에지 픽셀의 강도 변화를 찾아 객체 에지를 표시하는 데 초점을 두는 반면, 인스턴스 세그멘테이션은 이 개념을 확장해 에지를 감지하고 객체를 분류한 다음 각 객체를 개별 영역으로 분리합니다.

그림 3. Ultralytics YOLO11과 인스턴스 세그멘테이션 사용 사례. (출처)

에지 감지 알고리즘 및 접근 방식#

컴퓨터 비전이 발전했지만 이미지 처리는 여전히 많은 애플리케이션에서 중요한 역할을 합니다. 컴퓨터 비전은 기본적인 이미지 전처리 단계를 기반으로 하는 경우가 많기 때문입니다.

객체를 감지하거나 장면을 이해하기 전에 시스템은 일반적으로 이미지를 정리하고 노이즈를 줄이며 에지를 찾아 주요 세부 정보가 두드러지도록 합니다. 이러한 단계는 고급 모델의 정확도와 효율성을 높여 줍니다.

이제 에지를 감지하는 데 사용하는 가장 일반적인 이미지 처리 알고리즘과 작동 방식을 살펴보겠습니다.

Sobel 에지 감지#

Sobel 에지 감지는 이미지에서 객체의 윤곽선을 찾는 데 사용하는 핵심 방법입니다. 모든 세부 정보를 한꺼번에 분석하는 대신, 한 픽셀에서 인접한 다음 픽셀로 밝기가 급격하게 변하는 영역에 초점을 둡니다.

이러한 갑작스러운 변화는 보통 한 객체가 끝나고 다른 객체가 시작되는 지점이나 객체가 배경과 맞닿는 지점을 나타냅니다. Sobel은 이러한 에지를 분리해 복잡한 이미지를 더 깔끔한 윤곽선으로 변환하므로, 움직임 추적, 형상 감지, 객체 인식과 같은 작업에서 다른 시스템이 더 쉽게 처리할 수 있습니다.

Sobel 에지 감지는 이미지 전반의 강도 변화를 측정하는 그래디언트 검출기로 생각할 수 있습니다. 기본적으로 이 방식은 컨볼루션 연산을 통해 작동합니다. 커널이라고 하는 작은 행렬을 이미지 위로 이동시키면서 주변 픽셀 값의 가중합을 계산합니다.

이러한 커널은 수평 및 수직 방향의 밝기 변화를 강조하도록 설계되었습니다. 데이터에서 커널을 학습하는 딥러닝 모델과 달리 Sobel은 고정된 커널을 사용하므로 학습 없이도 에지를 효율적으로 강조할 수 있습니다.

Sobel 에지 감지 방식의 작동 원리를 자세히 살펴보겠습니다.

• 두 개의 3×3 필터 사용: 이 방식은 필터라고 하는 작은 3×3 격자 두 개를 사용합니다. 필터는 이미지 위를 수평(x 방향) 및 수직(y 방향)으로 이동하는 스텐실이라고 생각하면 됩니다. 한 격자는 수평 에지를 찾고 다른 격자는 수직 에지를 찾도록 설계되었습니다.
• 그래디언트 계산: 각 필터는 해당 방향을 따라 밝기가 얼마나 빠르게 변하는지 측정합니다. 큰 변화는 에지일 가능성이 있습니다.
• 결과 결합: 수평 및 수직 결과를 결합해 각 픽셀에서 전체 에지 강도와 방향을 결정합니다.
• 에지 감지: 그래디언트 크기가 큰 픽셀을 강한 에지로 표시합니다.
• 경계 윤곽선 표시: 이러한 에지는 객체 형상을 정의하고 이미지의 여러 영역을 분리하는 데 도움이 됩니다.

그림 4. Sobel 에지 감지는 입력 이미지의 주요 윤곽선을 강조해 에지 맵을 생성할 수 있습니다. (출처)

Canny 에지 감지#

Canny 에지 감지는 이미지에서 에지를 찾는 또 다른 인기 있는 방법입니다. 깔끔하고 정밀한 윤곽선을 생성하는 것으로 알려져 있습니다. 기본적인 에지 감지 기법과 달리, 노이즈를 걸러 내고 경계를 선명하게 하며 가장 중요한 에지에 집중하도록 세심하게 설계된 일련의 단계를 따릅니다.

Canny 에지 검출기의 작동 방식을 간략히 살펴보겠습니다.

• 이미지 평활화: 먼저 가우시안 필터로 이미지에 블러를 적용합니다. 이 평활화 기법은 에지로 잘못 인식될 수 있는 노이즈와 작은 세부 정보를 줄여 줍니다.
• 밝기 변화 감지: 그런 다음 알고리즘은 그래디언트 계산을 사용해 밝기의 급격한 변화를 찾고 해당 변화의 강도와 방향을 측정합니다.
• 에지 세선화: 감지된 각 선에서 가장 강한 지점만 남기고 약한 지점은 제거해 선명하고 깔끔한 에지를 만듭니다.
• 에지 분류: 각 픽셀의 밝기 변화가 임계값을 기준으로 강한 에지, 약한 에지 또는 에지가 아닌 것으로 분류됩니다.
• 최종 정리: 강한 에지와 연결된 약한 에지는 유지하고 나머지는 모두 제거해 선명하고 연결된 경계만 남깁니다.

그림 5. Canny 에지 검출기 사용 전 원본 이미지와 그에 대응하는 사용 후 결과 이미지. (출처)

노이즈를 걸러 내면서 정확한 결과를 제공하므로 Canny 에지 감지는 정밀도가 중요한 분야에서 널리 사용됩니다. 예를 들어 의료 영상, 위성 지도 제작, 문서 스캔, 로봇 비전과 같은 산업 분야에서 활용됩니다.

그래디언트 기반 에지 감지와 가우시안 기반 에지 감지#

지금까지 살펴본 에지 감지의 두 가지 예는 Sobel과 Canny입니다. 둘 다 에지를 찾는 것을 목표로 하지만 문제에 접근하는 방식은 서로 다릅니다.

Sobel, Prewitt, Scharr와 같은 그래디언트 기반 방법은 그래디언트라고 하는 밝기의 급격한 변화를 찾아 에지를 감지합니다. 이미지를 훑으며 이러한 변화가 가장 큰 지점을 표시합니다. 이러한 방법은 단순하고 빠르며 이미지가 선명할 때 잘 작동합니다. 그러나 노이즈에 민감해 밝기의 미세한 변화도 에지로 오인할 수 있습니다.

Canny 또는 가우시안 라플라시안과 같은 가우시안 기반 방법은 이 문제를 해결하기 위해 이미지를 먼저 흐리게 처리하는 단계를 추가합니다. 가우시안 필터를 사용하는 경우가 많은 이 평활화 과정은 잘못된 에지를 만들 수 있는 미세한 변화를 줄입니다. 평활화 후에도 이러한 방법은 밝기의 급격한 변화를 찾지만, 노이즈가 많거나 품질이 낮은 이미지에서 더 깔끔하고 정확한 결과를 제공합니다.

그림 6. 그래디언트 기반 에지 감지와 가우시안 기반 에지 감지. 이미지 제공: 저자.

에지 감지의 실제 활용 사례#

에지 감지의 작동 방식을 더 잘 이해했으니 이제 실제 상황에서 어떻게 적용되는지 살펴보겠습니다.

균열 식별을 위한 에지 감지 활용#

교량과 고층 건물 같은 대형 콘크리트 구조물을 검사하는 일은 까다롭고 위험한 작업인 경우가 많습니다. 이러한 구조물은 길게 뻗어 있거나 높은 곳에 있어 기존 검사 방식은 시간이 오래 걸리고 비용이 많이 들며 위험할 수 있습니다. 또한 이러한 검사에는 일반적으로 비계, 로프 접근, 근접 수동 측정 또는 사진 촬영이 필요합니다.

2019년 연구자들은 고해상도 카메라를 장착한 드론으로 콘크리트 표면의 상세한 입력 이미지를 촬영하는 더 안전하고 빠른 방법을 시험했습니다. 이후 다양한 에지 감지 기법으로 이미지를 처리해 균열을 자동으로 식별했습니다.

이 연구는 이 방법을 통해 위험 지역에 사람이 직접 접근해야 할 필요성을 크게 줄이고 검사를 신속하게 진행할 수 있음을 보여 주었습니다. 하지만 정확도는 여전히 조명 조건, 이미지 선명도, 드론의 안정적인 운용과 같은 요인에 영향을 받았습니다. 경우에 따라 오탐을 제거하려면 사람의 검토가 필요했습니다.

의료 영상에 에지 감지 적용하기#

X선 및 MRI 영상에는 노이즈라고 하는 시각적 방해 요소가 있는 경우가 많아 미세한 세부 정보를 확인하기 어려울 수 있습니다. 이로 인해 의사는 종양의 에지를 찾거나 장기의 윤곽선을 추적하거나 시간에 따른 미묘한 변화를 관찰하는 데 어려움을 겪을 수 있습니다.

최근 한 의료 영상 연구에서는 Sobel, Canny, Prewitt, 라플라시안과 같은 일반적인 에지 감지 방법이 노이즈가 있는 이미지를 얼마나 잘 처리하는지 시험했습니다. 연구진은 이미지에 다양한 유형과 수준의 노이즈를 추가한 뒤, 각 방법이 중요한 특징의 윤곽선을 얼마나 정확하게 표시하는지 확인했습니다.

Canny는 노이즈가 심한 경우에도 대체로 가장 깔끔한 에지를 생성했지만 모든 사례에서 가장 뛰어난 것은 아니었습니다. 일부 방법은 특정 노이즈 패턴에서 더 잘 작동했으므로 완벽한 단일 해법은 없습니다.

그림 7. 노이즈가 증가해도 Canny(d–f)는 Sobel(g–i)보다 더 선명한 에지를 제공합니다. (출처)

이는 컴퓨터 비전과 같은 기술이 왜 중요한지를 보여 줍니다. 고급 알고리즘과 비전 AI 모델을 결합하면 이러한 솔루션은 기본적인 에지 감지를 넘어 까다로운 조건에서도 더 정확하고 신뢰할 수 있는 결과를 제공할 수 있습니다.

에지 감지의 장점#

에지 감지와 이미지 처리를 사용하면 다음과 같은 이점이 있습니다.

• 더 나은 데이터 압축: 에지 감지를 사용하면 핵심 특징만으로 이미지를 표현할 수 있어 필수 정보를 유지하면서 파일 크기를 줄일 수 있습니다. 이를 통해 저장 및 전송 효율성이 향상됩니다.
• 더 정밀한 객체 위치 파악: 에지 검출은 객체 경계를 정확하게 식별하여 시스템의 객체 위치 파악 및 추적 성능을 개선합니다. 이는 로보틱스 분야의 비전 AI 및 자율주행차와 같은 애플리케이션에 도움이 됩니다.
• 다중 스케일 특징 감지: 에지 감지 기법은 다양한 스케일에서 이미지를 분석해 작은 세부 정보와 큰 형상을 모두 포착할 수 있습니다. 이러한 유연성은 텍스처 분석부터 장면 이해까지 다양한 작업에 유용합니다.

에지 감지를 위한 이미지 처리의 한계#

이미지 처리에서 에지 감지는 여러 이점을 제공하지만 몇 가지 과제도 따릅니다. 고려해야 할 주요 한계는 다음과 같습니다.

• 복잡한 텍스처 관련 문제: 복잡하거나 반복적인 패턴이 있는 이미지에서는 에지 감지가 관련 없는 에지나 오탐 에지를 많이 생성하는 경우가 많아 후속 분석이 복잡해지고 신뢰성이 낮아집니다.
• 조명에 대한 민감성: 밝기 변화, 그림자, 반사로 인해 에지 검출기가 조명 변화를 객체 경계로 잘못 해석해 일관되지 않은 결과를 낼 수 있습니다.
• 객체 식별 불가: 에지는 객체가 시작하고 끝나는 위치를 강조하지만 객체가 무엇인지는 보여 주지 않습니다. 감지된 에지에 의미나 레이블을 부여하려면 추가 처리가 필요합니다.

컴퓨터 비전을 에지 감지에 활용할 수 있는 경우#

에지 감지는 눈과 뇌가 함께 작동해 세상을 이해하는 방식에서 착안했습니다. 인간의 시각에서 시각 피질의 특수 뉴런은 에지, 선, 경계에 매우 민감합니다.

이러한 시각적 단서는 한 객체가 끝나고 다른 객체가 시작되는 지점을 빠르게 파악하는 데 도움이 됩니다. 단순한 선화도 즉시 알아볼 수 있는 이유는 뇌가 형상과 객체를 식별할 때 에지에 크게 의존하기 때문입니다.

컴퓨터 비전은 이러한 능력을 모방하면서 한 단계 더 나아갑니다. Ultralytics YOLO11과 같은 모델은 기본적인 에지 강조와 이미지 개선을 넘어섭니다. 객체를 감지하고 정밀하게 윤곽선을 표시하며 실시간으로 움직임을 추적할 수 있습니다. 이러한 심층적인 이해 능력 덕분에 에지 감지만으로 충분하지 않은 상황에서 모델은 필수적인 역할을 합니다.

Ultralytics YOLO11을 사용해 에지를 더 정확하게 감지하기#

다음은 에지 감지를 기반으로 이를 넘어서는 Ultralytics YOLO11 지원 주요 컴퓨터 비전 작업입니다.

• 객체 탐지: 이미지나 동영상에 있는 여러 객체를 식별하고 각각 주위에 바운딩 박스를 그려 위치를 표시하므로, 무엇이 어디에 있는지 명확하게 파악할 수 있습니다.
• 인스턴스 세그멘테이션: 객체를 픽셀 단위로 분할하여 객체가 서로 겹치거나 불규칙한 형태여도 깔끔하고 정밀한 윤곽선을 생성합니다.
• 이미지 분류: 시각적 특징을 바탕으로 객체나 전체 이미지에 레이블을 지정하여 대규모 데이터 집합을 더 쉽게 정리하고 해석할 수 있도록 합니다.
• 포즈 추정: 객체나 사람의 위치, 방향 또는 자세를 파악하는 작업으로, 움직임을 모니터링하거나 시간에 따른 구조적 변화를 감지하는 데 도움이 됩니다.
• 객체 추적: 동영상 프레임을 따라 움직이는 객체를 추적하여 일관된 식별을 유지하고 장기간 정확하게 관찰할 수 있도록 합니다.

컴퓨터 비전으로 인프라의 에지 감지하기#

전통적으로 에지 검출에 의존해 온 애플리케이션을 컴퓨터 비전으로 개선한 좋은 사례는 인프라 및 산업 자산의 균열 탐지입니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 Crack-Seg와 같은 데이터셋으로 학습시켜 도로, 교량, 파이프라인의 균열을 정확하게 식별할 수 있습니다. 같은 기법을 항공기 정비, 건물 검사, 제조 품질 관리에도 적용하면 검사 속도와 안전성을 높일 수 있습니다.

그림 8. 균열 세그멘테이션에 YOLO11을 사용하는 예. (출처)

핵심 요점#

에지 감지는 단순한 초기 방법에서 복잡한 이미지의 미묘한 경계까지 찾아낼 수 있는 고급 기법으로 크게 발전했습니다. 에지 감지는 중요한 세부 정보를 드러내고 핵심 영역을 강조하며 심층 분석을 위해 이미지를 준비하는 데 도움이 되므로 이미지 처리의 핵심 요소입니다.

컴퓨터 비전에서 에지 감지는 형상을 정의하고 객체를 분리하며 유용한 정보를 추출하는 데 중요한 역할을 합니다. 의료 영상, 산업 검사, 자율주행, 보안 등 다양한 분야에서 정확하고 신뢰할 수 있는 시각적 이해를 제공하는 데 사용됩니다.

커뮤니티에 참여하고 GitHub 저장소를 살펴보며 AI에 대해 자세히 알아보세요. 직접 비전 AI 프로젝트를 시작하려면 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문해 헬스케어 AI 및 리테일 비전 AI와 같은 애플리케이션에 대해 자세히 알아보세요.