이미지 처리에서 에지 검출 이해하기

사람은 이미지를 볼 때 자연스럽게 객체의 에지를 인식하고, 곡선을 따라가며, 표면의 텍스처를 알아챕니다. 그러나 컴퓨터의 이해는 개별 픽셀 수준에서 시작됩니다.

디지털 이미지의 가장 작은 단위인 픽셀은 한 지점의 색상과 밝기를 저장합니다. 이미지 전체에서 이러한 픽셀 값의 변화를 추적하면 컴퓨터는 주요 세부 정보를 드러내는 패턴을 감지할 수 있습니다.

특히 이미지 처리는 픽셀 데이터를 사용해 핵심 특징을 강조하고 불필요한 요소를 제거합니다. 일반적인 이미지 처리 기법 중 하나인 에지 검출은 밝기나 색상이 급격하게 변하는 지점을 식별하여 객체의 윤곽을 표시하고, 경계를 나타내며, 구조를 부여합니다.

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

그림 1. 다양한 에지 검출 방법을 적용한 결과와 원본 이미지를 나란히 비교한 예시입니다. (출처)

이 글에서는 에지 검출이 무엇인지, 어떻게 작동하는지, 실제 적용 사례는 무엇인지 살펴봅니다. 시작하겠습니다!

에지 검출 개념#

에지 검출은 이미지에서 한 지점부터 다음 지점까지 밝기나 색상이 눈에 띄게 변하는 위치를 찾는 데 중점을 둡니다. 변화가 작으면 해당 영역은 매끄럽게 보입니다. 변화가 급격하면 서로 다른 두 영역 사이의 경계를 나타내는 경우가 많습니다.

이러한 픽셀 변화가 발생하는 이유는 다음과 같습니다.

• 표면 법선의 불연속성: 벽의 모서리나 상자의 가장자리처럼 두 표면이 각도를 이루며 만날 때, 방향이 급격히 변하면서 이미지에 뚜렷한 경계가 생성됩니다.
• 깊이의 불연속성: 객체가 카메라에서 서로 다른 거리에 있을 때 나타나며, 시스템이 객체를 구분하는 데 도움이 되는 시각적 분리를 만듭니다.
• 표면 색상 또는 텍스처 변화: 한 영역의 색상이나 텍스처가 인접 영역과 다를 때 발생하여 시각적인 분리를 만듭니다.
• 조명 변화: 표면의 그림자나 하이라이트를 포함한 조명 변화로 인해 발생하며, 표면 자체가 매끄럽거나 연속적이어도 시각적인 분리를 만듭니다.

그림 2. 이미지에서 나타나는 다양한 유형의 에지 불연속성입니다. (출처)

에지 검출 인식은 어떻게 작동하나요?#

에지 검출은 일반적으로 컬러 이미지를 그레이스케일 이미지로 변환하는 것부터 시작합니다. 그러면 각 지점에는 밝기만 표시됩니다. 이를 통해 알고리즘이 색상 대신 명암 차이에 집중하기 쉬워집니다.

다음으로 특수 필터가 이미지를 스캔하여 밝기가 갑자기 변하는 위치를 찾습니다. 이러한 필터는 밝기가 얼마나 가파르게 변하는지 계산하며, 이를 그래디언트라고 합니다. 그래디언트가 클수록 인접한 지점 간 차이가 크다는 뜻이며, 이는 대개 에지를 나타냅니다.

그런 다음 알고리즘은 이미지를 계속 개선하여 작은 세부 정보는 제거하고 가장 중요한 선과 형태만 유지합니다. 그 결과 추가 분석에 사용할 수 있는 명확한 윤곽과 출력 이미지가 생성됩니다.

에지 검출과 이미지 처리의 발전#

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

이미지 처리는 이미지를 정리하고 개선하기 위한 임계값 처리와 필터링 같은 단순한 규칙 기반 방법에서 시작되었습니다. 아날로그 시대에는 광학 필터, 확대기 또는 화학 처리를 사용해 사진이나 필름의 세부 정보를 드러내는 작업을 의미했습니다.

대비 조정, 노이즈 감소, 이미지 강도 조정, 기본 에지 검출과 같은 기법은 입력 이미지를 더 선명하게 만들고 형태와 텍스처를 강조하는 데 도움이 되었습니다. 1960년대와 1970년대에는 아날로그 처리에서 디지털 처리로 전환되면서 천문학, 의료 영상, 위성 모니터링과 같은 분야에서 현대적인 분석이 가능해졌습니다.

1980년대와 1990년대에는 더 빠른 컴퓨터가 등장하면서 특징 추출, 형태 검출, 기본 객체 인식과 같은 복잡한 작업을 수행할 수 있게 되었습니다. Sobel 연산자와 Canny 같은 알고리즘은 더 정밀한 에지 검출을 제공했으며, 패턴 인식은 산업 자동화부터 광학 문자 인식을 통한 인쇄 텍스트 읽기까지 다양한 분야에 적용되었습니다.

21세기의 에지 검출과 컴퓨터 비전#

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

이중 임계값 처리(강한 에지는 유지하고 약한 에지는 제거하여 이미지를 더 선명하게 만드는 방식)와 에지 검출 같은 전통적인 이미지 처리는 고정된 규칙을 따르며 특정 작업만 처리할 수 있었습니다. 반면 컴퓨터 비전은 데이터 기반 모델을 사용하여 예제에서 학습하고 새로운 상황에 적응할 수 있습니다.

오늘날 이미징 시스템은 단순히 이미지를 향상하거나 에지를 검출하는 수준을 훨씬 넘어섭니다. 객체를 인식하고, 움직임을 추적하며, 전체 장면의 맥락을 이해할 수 있습니다.

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

예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 이러한 컨볼루션 기반 특징을 사용하여 인스턴스 세그멘테이션과 같은 고급 작업을 수행합니다. 인스턴스 세그멘테이션은 이미지 속 각 객체의 경계를 정확하게 윤곽화해야 하므로 에지 검출과 밀접한 관련이 있습니다.

에지 검출은 에지 픽셀의 강도 변화를 찾아 객체 에지를 표시하는 데 집중하는 반면, 인스턴스 세그멘테이션은 이 개념을 확장하여 에지를 검출하고, 각 객체를 분류하며, 고유한 영역으로 분리합니다.

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

에지 검출 알고리즘 및 접근 방식#

컴퓨터 비전이 발전했음에도 이미지 처리는 여전히 많은 애플리케이션에서 중요한 부분입니다. 컴퓨터 비전이 기본 이미지 전처리 단계를 기반으로 구축되는 경우가 많기 때문입니다.

객체를 검출하거나 장면을 이해하기 전에 시스템은 일반적으로 이미지를 정리하고 노이즈를 줄이며 에지를 찾아 핵심 세부 정보를 두드러지게 만듭니다. 이러한 단계는 고급 모델의 정확도와 효율성을 높입니다.

이제 에지를 검출하는 데 사용되는 가장 일반적인 이미지 처리 알고리즘과 작동 방식을 살펴보겠습니다.

Sobel 에지 검출#

Sobel 에지 검출은 이미지에서 객체의 윤곽을 찾는 데 사용되는 핵심 방법입니다. 모든 세부 정보를 한 번에 분석하는 대신 한 픽셀에서 인접한 다음 픽셀로 밝기가 급격히 변하는 영역에 집중합니다.

이러한 갑작스러운 변화는 대개 한 객체가 끝나고 다른 객체가 시작되는 지점이나 객체가 배경과 만나는 지점을 나타냅니다. Sobel은 이러한 에지를 분리하여 복잡한 이미지를 추적, 형태 검출, 객체 인식과 같은 작업에서 다른 시스템이 처리하기 쉬운 더 깔끔한 윤곽으로 변환합니다.

Sobel 에지 검출을 이미지 전체의 강도 변화를 측정하는 그래디언트 검출기로 생각할 수 있습니다. 핵심적으로 이는 컨볼루션 연산을 통해 작동합니다. 즉, 커널이라고 하는 작은 행렬을 이미지 위에서 이동시키며 인접 픽셀 값의 가중 합을 계산합니다.

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

Sobel 에지 검출 방법의 작동 방식을 자세히 살펴보겠습니다.

• 두 개의 3×3 필터 사용: 이 방법은 필터라고 하는 두 개의 작은 3×3 격자를 사용합니다. 이를 이미지 위에서 수평(x 방향) 및 수직(y 방향)으로 이동하는 스텐실이라고 생각할 수 있습니다. 한 격자는 수평 에지를 찾고 다른 격자는 수직 에지를 찾도록 설계되었습니다.
• 그래디언트 계산: 각 필터는 밝기가 얼마나 빠르게 변하는지와 그래디언트 방향을 찾습니다. 큰 변화는 에지일 가능성을 의미합니다.
• 결과 결합: 수평 및 수직 결과를 결합하여 각 픽셀에서 전체 에지 강도와 방향을 결정합니다.
• 에지 검출: 그래디언트 크기가 높은 픽셀을 강한 에지로 표시합니다.
• 경계 윤곽화: 이러한 에지는 객체 형태를 정의하고 이미지에서 서로 다른 영역을 분리하는 데 도움이 됩니다.

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

Canny 에지 검출#

Canny 에지 검출은 이미지에서 에지를 찾는 또 다른 널리 사용되는 방법입니다. 깔끔하고 정밀한 윤곽을 생성하는 것으로 알려져 있습니다. 기본 에지 검출 기법과 달리 노이즈를 필터링하고, 경계를 선명하게 하며, 가장 중요한 에지에 집중하도록 세심하게 설계된 일련의 단계를 따릅니다.

Canny 에지 검출기의 작동 방식을 간단히 살펴보겠습니다.

• 이미지 평활화: 먼저 이미지를 Gaussian 필터로 흐리게 처리합니다. Gaussian 필터는 에지로 오인될 수 있는 노이즈와 작은 세부 정보를 줄이는 평활화 기법입니다.
• 밝기 변화 검출: 그런 다음 알고리즘은 그래디언트 계산을 사용하여 밝기의 급격한 변화를 스캔하고 해당 변화의 강도와 방향을 측정합니다.
• 에지 세선화: 검출된 각 선을 따라 가장 강한 지점만 유지하고 약한 지점은 제거하여 선명하고 깔끔한 에지를 생성합니다.
• 에지 분류: 각 픽셀을 밝기 변화의 임계값에 따라 강한 에지, 약한 에지 또는 에지가 아닌 픽셀로 분류합니다.
• 최종 정리: 강한 에지와 연결된 약한 에지는 유지하고 나머지는 모두 제거하여 명확하게 연결된 경계만 남깁니다.

그림 5. Canny 에지 검출기를 적용한 후의 원본 이미지와 해당 출력 이미지입니다. (출처)

Canny 에지 검출은 노이즈를 필터링하면서 정확한 결과를 제공하므로 정밀도가 중요한 분야에서 널리 사용됩니다. 예를 들어 의료 영상, 위성 매핑, 문서 스캔, 로봇 비전과 같은 산업에서 사용됩니다.

그래디언트 기반 에지 검출과 Gaussian 기반 에지 검출 비교#

지금까지 살펴본 에지 검출의 두 가지 예는 Sobel과 Canny입니다. 두 방법 모두 에지를 찾는 것을 목표로 하지만 문제에 접근하는 방식은 서로 다릅니다.

Sobel, Prewitt, Scharr와 같은 그래디언트 기반 방법은 그래디언트라고 하는 밝기의 급격한 변화를 찾아 에지를 검출합니다. 이미지를 스캔하여 이러한 변화가 가장 큰 위치를 표시합니다. 이러한 방법은 단순하고 빠르며 이미지가 선명할 때 잘 작동합니다. 그러나 노이즈에 민감하여 밝기의 미세한 변화가 에지로 오인될 수 있습니다.

Canny 또는 Laplacian of Gaussian과 같은 Gaussian 기반 방법은 이 문제를 처리하기 위해 이미지를 먼저 흐리게 만드는 단계를 추가합니다. 일반적으로 Gaussian 필터를 사용하는 이 평활화 과정은 가짜 에지를 만들 수 있는 작은 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 검출과 Gaussian 기반 에지 검출 비교입니다. 이미지 제공: 저자.

에지 검출의 실제 적용 사례#

에지 검출의 작동 방식을 더 잘 이해했으니, 실제 상황에서 어떻게 적용되는지 살펴보겠습니다.

에지 검출을 활용한 균열 식별#

교량이나 고층 건물과 같은 대형 콘크리트 구조물을 검사하는 일은 어려우며 위험한 작업인 경우가 많습니다. 이러한 구조물은 넓은 거리에 걸쳐 있거나 높은 곳에 위치할 수 있어 기존 검사는 느리고 비용이 많이 들며 위험합니다. 또한 일반적으로 비계, 로프 접근, 수동 근접 측정 또는 사진 촬영이 필요합니다.

2019년에는 고해상도 카메라를 장착한 드론으로 콘크리트 표면의 상세한 입력 이미지를 촬영하는 더 안전하고 빠른 방법이 연구되었습니다. 그런 다음 이러한 이미지에 다양한 에지 검출 기법을 적용하여 균열을 자동으로 식별했습니다.

이 연구는 이 방법이 위험 지역에 사람이 직접 접근해야 할 필요성을 크게 줄이고 검사를 신속하게 진행할 수 있음을 보여주었습니다. 그러나 정확도는 여전히 조명 조건, 이미지 선명도, 드론의 안정적인 작동과 같은 요인에 좌우되었습니다. 일부 경우에는 오탐을 제거하기 위해 사람의 검토가 여전히 필요했습니다.

의료 영상에 에지 검출 적용하기#

X선과 MRI에는 노이즈라고 하는 시각적 방해 요소가 포함되는 경우가 많아 미세한 세부 정보를 보기 어렵게 만들 수 있습니다. 이는 의사가 종양의 에지를 찾거나, 장기의 윤곽을 추적하거나, 시간에 따른 미묘한 변화를 모니터링할 때 문제가 됩니다.

최근 의료 영상 연구에서는 Sobel, Canny, Prewitt, Laplacian과 같은 일반적인 에지 검출 방법이 노이즈가 있는 이미지를 얼마나 잘 처리하는지 테스트했습니다. 연구진은 이미지에 다양한 유형과 수준의 노이즈를 추가한 후 각 방법이 중요한 특징의 윤곽을 얼마나 정확하게 표시하는지 확인했습니다.

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

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

이는 컴퓨터 비전과 같은 기술이 중요한 이유를 보여줍니다. 고급 알고리즘과 비전 AI 모델을 결합하면 이러한 솔루션은 기본적인 에지 검출을 넘어 어려운 조건에서도 더 정확하고 신뢰할 수 있는 결과를 제공할 수 있습니다.

에지 검출의 장점#

에지 검출과 이미지 처리를 사용하면 얻을 수 있는 이점은 다음과 같습니다.

• 향상된 데이터 압축: 에지 검출을 사용하면 핵심 특징만으로 이미지를 표현할 수 있어 필수 정보는 유지하면서 파일 크기를 줄일 수 있습니다. 따라서 저장 및 전송 효율성이 향상됩니다.
• 더 정밀한 객체 위치 파악: 객체 경계를 정확하게 식별하면 시스템이 객체를 찾고 추적하는 성능이 향상됩니다. 이는 비전 로보틱스의 AI 및 자율주행 차량과 같은 애플리케이션에 도움이 됩니다.
• 다중 스케일 특징 검출: 에지 검출 기법은 다양한 스케일에서 이미지를 분석하여 작은 세부 정보와 큰 형태를 모두 포착할 수 있습니다. 이러한 유연성은 텍스처 분석부터 장면 이해까지 다양한 작업에 유용합니다.

에지 검출을 위한 이미지 처리의 한계#

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

• 복잡한 텍스처 관련 문제: 복잡하거나 반복되는 패턴이 있는 이미지에서는 에지 검출이 거짓 에지나 관련 없는 에지를 많이 생성하는 경우가 많아 추가 분석이 복잡해지고 신뢰성이 떨어집니다.
• 조명에 대한 민감성: 밝기 변화, 그림자, 반사로 인해 에지 검출기가 조명의 변화를 객체 경계로 잘못 해석할 수 있으며, 그 결과가 일관되지 않을 수 있습니다.
• 객체 식별 불가: 에지는 객체가 시작되고 끝나는 위치를 강조하지만 객체가 무엇인지는 보여주지 않습니다. 검출된 에지에 의미나 라벨을 할당하려면 추가 처리가 필요합니다.

컴퓨터 비전을 에지 검출에 사용할 수 있는 경우#

에지 검출은 세상을 이해하기 위해 눈과 뇌가 함께 작동하는 방식에서 영감을 얻었습니다. 인간의 시각에서는 시각 피질의 특수 뉴런이 에지, 선, 경계에 매우 민감하게 반응합니다.

이러한 시각적 단서는 한 객체가 끝나고 다른 객체가 시작되는 위치를 빠르게 판단하는 데 도움이 됩니다. 따라서 단순한 선화도 즉시 알아볼 수 있습니다. 뇌가 형태와 객체를 식별할 때 에지에 크게 의존하기 때문입니다.

컴퓨터 비전은 이러한 능력을 모방하면서 한 단계 더 발전시키는 것을 목표로 합니다. Ultralytics YOLO11과 같은 모델은 기본적인 에지 강조와 이미지 향상을 넘어섭니다. 객체를 검출하고, 정밀하게 윤곽을 표시하며, 실시간으로 움직임을 추적할 수 있습니다. 이러한 심층적인 이해는 에지 검출만으로는 충분하지 않은 상황에서 모델을 필수적으로 만듭니다.

더 정확한 에지 검출을 위해 Ultralytics YOLO11 사용하기#

Ultralytics YOLO11은 에지 검출을 기반으로 하며 이를 넘어서는 다음과 같은 주요 컴퓨터 비전 작업을 지원합니다.

• 객체 검출: 이미지나 비디오에서 여러 객체를 식별하고 위치를 찾으며, 각 객체 주위에 바운딩 박스를 그려 무엇이 존재하고 각 객체가 어디에 위치하는지 명확하게 보여줍니다.
• 인스턴스 세그멘테이션: 객체를 픽셀 수준으로 분해하여 객체가 겹치거나 불규칙한 형태를 가진 경우에도 깔끔하고 정밀한 윤곽을 생성합니다.
• 포즈 추정: 여기서는 객체나 사람의 위치, 방향 또는 자세를 파악하여 움직임을 모니터링하거나 시간에 따른 구조적 변화를 감지하는 데 도움을 줍니다.
• 객체 추적: 비디오 프레임을 거쳐 이동하는 객체를 추적하여 일관된 식별을 유지하고 장기간 정확하게 관찰할 수 있도록 합니다.
• 이미지 분류: 시각적 특징을 기반으로 객체 또는 전체 이미지에 레이블을 할당하여 대규모 데이터 세트를 더 쉽게 구성하고 해석할 수 있도록 합니다.

컴퓨터 비전을 활용한 인프라의 에지 감지#

전통적으로 에지 감지에 의존하던 애플리케이션을 컴퓨터 비전으로 향상한 좋은 예로 인프라 및 산업 자산의 균열 감지를 들 수 있습니다. Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 학습시켜 도로, 교량, 파이프라인의 균열을 정확하게 식별할 수 있습니다. 동일한 기법을 항공기 유지보수, 건물 검사, 제조 품질 관리에도 적용하여 검사를 신속하게 진행하고 안전성을 향상할 수 있습니다.

그림 8. 균열 세그멘테이션에 YOLO11을 사용하는 예시입니다. (출처)

핵심 요점#

에지 감지는 단순한 초기 방법부터 복잡한 이미지에서 미세한 경계까지 식별할 수 있는 고급 기법에 이르기까지 크게 발전해 왔습니다. 에지 감지는 중요한 세부 정보를 드러내고 핵심 영역을 강조하며 추가 분석을 위해 이미지를 준비하는 데 도움을 주므로, 이미지 처리의 핵심 요소입니다.

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

커뮤니티에 참여하고 GitHub 리포지토리를 살펴보며 AI에 대해 더 알아보세요. 자체 비전 AI 프로젝트를 시작하려는 경우 라이선스 옵션을 확인해 보세요. 솔루션 페이지를 방문하여 헬스케어 분야의 AI 및 리테일 분야의 비전 AI와 같은 애플리케이션에 대해 더 알아보세요.