이미지 처리에서 임계값 설정이란 무엇인가요?

이 글에서 다루는 개념을 시각적으로 설명하는 영상은 아래에서 확인할 수 있습니다.

사람은 이미지를 일관되고 의미 있는 그림으로 인식하지만, 컴퓨터는 이미지를 디지털 이미지의 가장 작은 구성 요소인 아주 작은 픽셀로 이루어진 격자로 봅니다. 이미지 처리라는 과정에서 이러한 픽셀을 조정하거나 분석하여 이미지를 개선하고 유용한 정보를 추출할 수 있습니다.

일반적인 이미지 처리 기법 중 하나가 이미지 임계값 처리입니다. 이 방법은 각 픽셀을 지정된 값과 비교하여 그레이스케일 이미지(각 픽셀이 회색 음영을 나타내는 이미지)를 흑백 이미지로 변환합니다. 이를 통해 중요한 영역과 배경을 명확하게 구분할 수 있습니다.

임계값 처리는 이미지를 분석하기 쉽도록 의미 있는 영역으로 나누는 기법인 이미지 세분화에 자주 사용됩니다. 일반적으로 기계가 시각 데이터를 해석하도록 돕는 첫 단계 중 하나입니다. 이 글에서는 임계값 처리가 무엇인지, 어떻게 작동하는지, 실제 환경에서 어디에 적용되는지 살펴보겠습니다. 시작해 보겠습니다!

이미지 임계값 처리의 기본 용어#

임계값 처리가 작동하는 방식을 자세히 살펴보기 전에, 먼저 그 기반이 되는 기본 개념과 이미지 처리에서의 활용 방식을 알아보겠습니다.

이진 이미지 임계값#

이미지에서 객체와 배경을 분리한다고 가정해 보겠습니다. 이를 수행하는 한 가지 방법이 임계값 처리입니다. 임계값 처리는 모든 픽셀이 완전히 검은색 또는 완전히 흰색이 되도록 이미지를 단순화합니다. 그 결과 각 픽셀이 0(검은색) 또는 255(흰색)의 값을 갖는 이진 이미지가 생성됩니다. 이 단계는 이미지의 중요한 부분을 명확하게 부각하므로 이미지 처리에서 유용하게 사용됩니다.

그림 1. 임계값 처리 전 그레이스케일 이미지와 처리 후 이진 출력. (출처: blog.devops.dev)

히스토그램#

마찬가지로 이미지 전체의 밝기 값이 어떻게 분포하는지 파악하려면 히스토그램이 도움이 됩니다. 히스토그램은 검은색(0)부터 흰색(255)까지 각 픽셀 강도가 나타나는 빈도를 보여 주는 그래프입니다.

히스토그램을 보면 이미지가 어두운지, 밝은지, 또는 그 중간인지 확인할 수 있습니다. 패턴과 대비 수준을 한눈에 파악할 수 있으므로 이미지를 흑백으로 변환할 때 적절한 임계값을 선택하기도 쉬워집니다.

전경과 배경#

이미지에 임계값 처리를 적용하면 전경과 배경이라는 두 부분으로 나뉩니다. 일반적으로 흰색으로 표시되는 전경은 감지하려는 텍스트, 형태 또는 객체와 같은 중요한 요소를 강조합니다. 검은색으로 표시되는 배경은 그 외의 모든 부분입니다. 이러한 분리를 통해 기계가 이미지에서 중요한 부분에 집중할 수 있습니다.

세그멘테이션#

앞서 언급했듯이 세분화는 밝기나 텍스처와 같은 특징을 기반으로 이미지를 의미 있는 영역으로 나눕니다. 임계값 처리는 이를 수행하는 간단한 방법이며, 컴퓨터 비전 파이프라인의 첫 단계 중 하나로 자주 사용됩니다.

컴퓨터 비전은 기계가 사람처럼 시각 데이터를 처리하고 해석할 수 있도록 하는 AI의 한 분야입니다. 컴퓨터 비전 시스템은 처리 초기에 임계값 처리를 사용하여 객체와 배경을 분리할 수 있으므로, 감지나 인식과 같은 후속 단계가 정확하게 작동하기 쉬워집니다.

전역 임계값 처리#

이제 임계값 처리가 무엇인지 더 잘 이해했으므로, 이미지에 임계값 처리를 적용하는 방법과 이미지 처리에서 사용되는 다양한 임계값 처리 유형을 살펴보겠습니다.

예를 들어 전역 임계값 처리는 이진 이미지를 생성하는 가장 간단한 방법 중 하나입니다. 이미지 전체에 단일 강도 값을 적용합니다. 이 임계값보다 밝은 픽셀은 흰색이 되고, 어두운 픽셀은 검은색이 됩니다. 이를 통해 객체와 배경을 분리할 수 있습니다.

이 방법은 이미지의 조명이 균일하고 대비가 강할 때 가장 잘 작동합니다. 하지만 조명이 고르지 않거나 대비가 낮은 영역에서는 단일 임계값이 세부 정보를 놓치거나 가장자리를 흐리게 만들 수 있습니다.

이를 해결하기 위해 Otsu 임계값 처리와 같은 방법을 사용합니다. 값을 수동으로 설정하는 대신 Otsu의 임계값 처리 방법은 이미지의 히스토그램을 분석하고 픽셀 강도를 전경과 배경으로 가장 잘 분리하는 임계값을 선택합니다.

그림 2. Otsu 임계값 처리 적용 전후의 토성 이미지. (출처)

로컬(적응형) 임계값 처리#

전역 임계값 처리와 달리 적응형 또는 로컬 임계값 처리는 이미지의 서로 다른 부분에 대해 임계값을 별도로 계산합니다. 따라서 그림자가 있는 스캔 문서나 텍스처가 있는 표면처럼 조명이 고르지 않은 이미지에서 더 효과적입니다.

이미지를 작은 영역으로 나누고 각 블록에 대한 로컬 임계값을 계산하여 작동하며, 이를 통해 전경과 배경 사이의 대비를 유지할 수 있습니다. 이 접근 방식은 이미지 전체에서 조명이 달라지는 텍스트 인식, 의료 영상, 표면 검사와 같은 작업에 널리 사용됩니다.

이미지 처리에서 적응형 임계값 처리에 사용되는 일반적인 접근 방식으로는 적응형 평균 임계값 처리와 적응형 가우시안 임계값 처리가 있습니다. 적응형 평균 임계값 처리에서는 로컬 주변 영역의 평균 픽셀 강도를 중심 픽셀의 임계값으로 사용합니다. 반면 적응형 가우시안 임계값 처리는 가우시안 윈도우를 사용한 가중 평균을 적용하여 중심에 가까운 픽셀에 더 높은 중요도를 부여합니다.

이미지 처리에서 임계값 처리의 실제 활용 사례#

이제 실제 애플리케이션에서 이미지 임계값 처리가 어디에 사용되는지 살펴보겠습니다.

문서 이진화 및 OCR을 위한 이미지 임계값 처리#

오래된 책과 손으로 쓴 편지는 보존하거나 인쇄 문자 및 손글씨를 읽는 기술인 OCR(광학 문자 인식)을 사용하여 디지털 텍스트로 변환하기 위해 스캔하는 경우가 많습니다. 텍스트를 추출하기 전에 일반적으로 문서를 정리하거나 전처리해야 합니다. 스캔한 이미지에는 그림자, 바랜 잉크 또는 고르지 않은 조명이 있는 경우가 많아 문자 인식이 어려울 수 있습니다.

선명도를 높이기 위해 임계값 처리를 사용하여 그레이스케일 이미지를 이진 형식으로 변환하면 배경에서 텍스트를 분리하는 데 도움이 됩니다. 글자와 같은 어두운 영역은 검은색이 되고 밝은 배경은 흰색으로 바뀌므로 OCR 시스템이 텍스트를 훨씬 쉽게 읽을 수 있습니다.

그림 3. 역사적 문서와 임계값 처리된 이미지의 예. (출처)

의료 이미지 처리에서의 임계값 처리 활용#

마찬가지로 의료 영상에서는 X선 이미지의 뼈나 폐와 같은 특정 구조를 스캔 이미지에서 분리하기 위해 임계값 처리를 흔히 사용합니다. 그레이스케일 이미지를 이진 형식으로 변환하면 관심 영역을 주변 조직과 쉽게 분리하고 추가 분석을 위해 이미지를 준비할 수 있습니다. 더 복잡한 경우에는 다중 레벨 임계값 처리를 적용하여 이미지를 여러 개의 서로 다른 영역으로 나눌 수 있으며, 이를 통해 다양한 유형의 조직이나 구조를 동시에 식별할 수 있습니다.

그림 4. 흉부 X선에 다중 레벨 임계값 처리 방법 적용. (출처: sciencedirect.com)

이미지 처리에서 임계값 처리의 장단점#

다음은 이미지 처리에서 임계값 처리를 사용할 때의 주요 이점입니다.

• 리소스 사용량이 적습니다: 임계값 처리는 저전력 디바이스에서 잘 작동하며 클라우드 액세스나 고성능 하드웨어가 필요하지 않으므로 임베디드 시스템과 오프라인 환경에 적합합니다.
• 해석하기 쉽습니다: 단순한 로직 덕분에 임계값 처리 결과를 쉽게 이해하고 디버깅할 수 있으며, 이는 투명성이 중요한 헬스케어나 문서 처리와 같은 분야에서 매우 중요합니다.
• 테스트가 빠릅니다: 임계값 처리를 사용하면 팀이 초기 프로젝트 단계에서 세분화 아이디어를 빠르게 탐색한 후 더 복잡한 모델로 전환할 수 있습니다.

이미지 임계값 처리는 여러 상황에서 유용하지만 몇 가지 한계도 있습니다. 다음은 임계값 처리와 관련하여 고려해야 할 과제입니다.

• 적응성이 부족합니다: 임계값 처리는 고정된 규칙을 따르며, 수동으로 조정하지 않는 한 새로운 조명 조건이나 데이터의 변동에 맞게 조정되지 않습니다.
• 노이즈에 민감합니다: 그림자나 반사로 인한 작은 밝기 변화도 결과에 영향을 줄 수 있으며, 특히 세부 정보가 많거나 텍스처가 있는 이미지를 처리할 때 그러합니다.
• 정적이며 규칙 기반입니다: AI 모델과 달리 임계값 처리는 데이터에서 학습하거나 시간이 지나면서 개선되지 않습니다. 설계된 제한적인 조건 내에서만 작동합니다.

이미지 임계값 처리를 넘어: 컴퓨터 비전이 적합한 경우#

임계값 처리는 통제된 환경의 단순한 세분화 작업에 효과적입니다. 그러나 여러 객체나 배경 노이즈가 포함된 복잡한 이미지를 처리할 때는 어려움을 겪는 경우가 많습니다. 고정된 규칙에 의존하므로 대부분의 실제 애플리케이션에 필요한 유연성이 부족합니다.

이러한 한계를 넘어선 많은 최첨단 시스템은 이제 컴퓨터 비전을 사용합니다. 임계값 처리와 달리 비전 AI 모델은 복잡한 패턴과 특징을 감지하도록 학습되므로 훨씬 더 정확하고 적응성이 뛰어납니다.

예를 들어 Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 실시간으로 객체를 감지하고 이미지를 세분화할 수 있습니다. 따라서 자율주행 차량에서 교통 신호를 감지하거나 농업 분야에서 작물 문제를 식별하는 작업에 적합합니다.

특히 Ultralytics YOLO11은 컴퓨터 비전 작업을 다양하게 지원하며, 여기에는 이미지의 각 객체를 개별적으로 세분화하는 인스턴스 세분화가 포함됩니다. 또한 객체의 위치나 자세를 판단하는 포즈 추정, 비디오 프레임 전체에서 객체의 움직임을 추적하는 객체 추적 등 다른 비전 기반 작업도 수행할 수 있습니다.

그림 5. YOLO11을 사용하면 객체를 쉽게 감지하고 세분화할 수 있습니다. (출처)

임계값 처리는 간단한 작업이나 초기 아이디어 테스트에 효과적이지만, 속도와 정확성, 유연성이 필요한 애플리케이션은 일반적으로 컴퓨터 비전으로 처리하는 것이 더 적합합니다.

핵심 요점#

임계값 처리는 객체와 배경을 빠르고 쉽게 분리할 수 있으므로 이미지 처리에서 중요한 도구입니다. 스캔 문서, 의료 이미지, 공장에서의 제품 결함 검사에 효과적으로 사용할 수 있습니다.

그러나 이미지와 비디오가 더욱 복잡해지면 이미지 임계값 처리와 같은 기본 이미지 처리 방법으로는 어려움을 겪을 수 있습니다. 이때 고급 컴퓨터 비전 모델이 활용될 수 있습니다. Ultralytics YOLO11과 같은 모델은 더 많은 작업을 이해하고 수행하며, 여러 객체를 동시에 감지하고 실시간으로 작동할 수 있어 다양한 사용 사례에 유용합니다.

AI에 대해 더 알고 싶으신가요? 커뮤니티와 GitHub 저장소를 확인해 보세요. 솔루션 페이지에서 로보틱스 분야의 AI와 농업 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 옵션을 확인하고 지금 컴퓨터 비전 개발을 시작해 보세요!