이미지 처리에서의 임계값 설정이란 무엇인가?

이 글에서 다루는 개념에 대한 시각적 설명을 보려면 아래 동영상을 시청하십시오.

인간은 이미지를 일관성 있고 의미 있는 그림으로 보지만, 컴퓨터는 이미지를 디지털 이미지의 가장 작은 구성 요소인 작은 픽셀들의 그리드로 봅니다. 이미지 처리라고 불리는 과정에서, 이러한 픽셀들을 조정하거나 분석하여 이미지를 개선하고 유용한 정보를 추출할 수 있습니다.

일반적인 이미지 처리 기술 중 하나를 이미지 임계값 처리라고 합니다. 이 방법은 각 픽셀을 설정된 값과 비교하여 그레이스케일 이미지(각 픽셀이 회색 음영을 나타냄)를 흑백 이미지로 변환합니다. 이는 중요한 영역과 배경 사이를 명확하게 분리합니다.

임계값 처리는 이미지를 의미 있는 영역으로 분할하여 분석을 용이하게 하는 기술인 이미지 분할에서 자주 사용됩니다. 이는 기계가 시각적 데이터를 해석하도록 돕는 첫 번째 단계인 경우가 많습니다. 본 기사에서는 임계값 처리가 무엇인지, 어떻게 작동하는지, 그리고 실제 환경에서 어떻게 적용되는지 살펴보겠습니다. 시작해 볼까요!

Link to this section이미지 임계값 처리의 기본 용어#

임계값 처리가 어떻게 작동하는지 알아보기 전에, 먼저 그 이면에 있는 기본 개념과 이미지 처리에서의 활용 방법에 대해 자세히 살펴보겠습니다.

Link to this section이진 이미지 임계값#

이미지를 작업하면서 그 안의 객체를 배경으로부터 분리하고 싶다고 가정해 보겠습니다. 이를 수행하는 한 가지 방법은 임계값 처리입니다. 이는 이미지를 단순화하여 모든 픽셀이 완전히 검은색이거나 완전히 흰색이 되도록 만듭니다. 결과는 이진 이미지이며, 각 픽셀은 0(검은색) 또는 255(흰색) 값을 갖습니다. 이 단계는 이미지의 중요한 부분을 명확하게 두드러지게 만들기 때문에 이미지 처리에서 종종 유용합니다.

그림 1. 그레이스케일 이미지와 임계값 처리 후의 이진 결과. (출처: blog.devops.dev)

Link to this section히스토그램#

마찬가지로 이미지 전반에 걸쳐 밝기 값이 어떻게 분포되어 있는지 이해하고 싶다면 히스토그램이 도움이 될 수 있습니다. 히스토그램은 검은색(0)부터 흰색(255)까지 각 픽셀 강도가 얼마나 자주 나타나는지를 보여주는 그래프입니다.

히스토그램을 보면 이미지가 어두운지, 밝은지, 아니면 그 중간인지 알 수 있습니다. 패턴과 대비 수준을 한눈에 파악할 수 있으므로 이미지를 흑백으로 변환할 때 적절한 임계값을 선택하기가 더 쉬워집니다.

Link to this section전경과 배경#

이미지가 임계값 처리되면 전경과 배경이라는 두 부분으로 나뉩니다. 일반적으로 흰색으로 표시되는 전경은 텍스트, 모양 또는 감지하려는 객체와 같은 중요한 요소를 강조합니다. 검은색으로 표시되는 배경은 그 외의 모든 것입니다. 이러한 분리는 기계가 이미지에서 중요한 부분에 집중하도록 돕습니다.

Link to this section세그멘테이션#

앞서 언급했듯이 분할은 밝기나 질감과 같은 특징을 기반으로 이미지를 의미 있는 영역으로 나눕니다. 임계값 처리는 이를 수행하는 간단한 방법이며 컴퓨터 비전 파이프라인의 첫 번째 단계인 경우가 많습니다.

컴퓨터 비전은 인간과 마찬가지로 기계가 시각적 데이터를 처리하고 해석할 수 있도록 하는 AI의 한 분야입니다. 처리 초기 단계에서 임계값 처리를 사용하면 컴퓨터 비전 시스템이 객체를 배경에서 분리할 수 있어 이후 단계인 감지나 인식의 정확도를 높일 수 있습니다.

Link to this section전역 임계값 처리(Global thresholding)#

이제 임계값 처리가 무엇인지 더 잘 이해했으니, 이미지를 임계값 처리하는 방법과 이미지 처리에서의 다양한 임계값 처리 유형을 살펴보겠습니다.

예를 들어, 전역 임계값 처리는 이진 이미지를 만드는 가장 쉬운 방법 중 하나입니다. 이는 전체 이미지에 단일 강도 값을 적용합니다. 이 임계값보다 밝은 픽셀은 흰색이 되고, 어두운 픽셀은 검은색이 됩니다. 이는 배경으로부터 객체를 분리하는 데 도움이 됩니다.

이미지 조명이 고르고 대비가 강할 때 가장 잘 작동합니다. 하지만 조명이 고르지 않거나 대비가 낮은 영역에서는 단일 임계값으로 인해 세부 사항이 누락되거나 가장자리가 흐려질 수 있습니다.

이를 처리하기 위해 오츠(Otsu)의 임계값 처리와 같은 방법이 사용됩니다. 오츠의 임계값 처리 방법은 값을 수동으로 설정하는 대신 이미지의 히스토그램을 분석하여 픽셀 강도를 전경과 배경으로 가장 잘 분리하는 임계값을 선택합니다.

그림 2. 오츠의 임계값 처리를 적용하기 전과 후의 토성 이미지. (출처)

Link to this section로컬(적응형) 임계값 처리#

전역 임계값 처리와 달리, 적응형 또는 로컬 임계값 처리는 이미지의 각 부분에 대해 임계값을 별도로 계산합니다. 이 방식은 그림자가 있는 스캔 문서나 질감이 있는 표면과 같이 조명이 고르지 않은 이미지에 더 효과적입니다.

이미지를 작은 영역으로 나누고 각 블록에 대한 로컬 임계값을 계산하여 전경과 배경 사이의 대비를 유지하도록 작동합니다. 이 접근 방식은 조명이 이미지 전반에 걸쳐 변하는 텍스트 인식, 의료 영상, 표면 검사와 같은 작업에서 널리 사용됩니다.

이미지 처리에서 적응형 임계값 처리에 대한 몇 가지 일반적인 접근 방식으로는 적응형 평균 임계값 처리와 적응형 가우시안 임계값 처리가 있습니다. 적응형 평균 임계값 처리에서는 로컬 주변의 평균 픽셀 강도가 중심 픽셀의 임계값으로 사용됩니다. 반면 적응형 가우시안 임계값 처리는 가우시안 윈도우가 있는 가중 평균을 사용하며, 중심에 더 가까운 픽셀에 더 높은 가중치를 둡니다.

Link to this section이미지 처리에서 임계값 처리의 실제 응용#

다음으로, 이미지 임계값 처리가 실제 응용 분야에서 어디에 사용되는지 살펴보겠습니다.

Link to this section문서 이진화 및 OCR을 위한 이미지 임계값 처리#

오래된 책이나 손으로 쓴 편지는 보존하거나 인쇄된/손으로 쓴 문자를 읽는 기술인 OCR(광학 문자 인식)을 사용하여 디지털 텍스트로 변환하기 위해 종종 스캔됩니다. 텍스트를 추출하기 전에 문서는 일반적으로 정리 또는 전처리 과정이 필요합니다. 스캔된 이미지에는 종종 그림자, 희미해진 잉크 또는 고르지 않은 조명이 있어 문자 인식이 어려울 수 있습니다.

선명도를 높이기 위해 임계값 처리를 사용하여 그레이스케일 이미지를 이진 형식으로 변환함으로써 배경으로부터 텍스트를 분리합니다. 글자와 같은 어두운 영역은 검은색이 되고 밝은 배경은 흰색이 되어 OCR 시스템이 텍스트를 훨씬 쉽게 읽을 수 있게 됩니다.

그림 3. 역사적 문서와 그에 대한 임계값 처리 이미지 예시. (출처)

Link to this section의료 이미지 처리에서 임계값 처리 사용#

마찬가지로 의료 영상 분야에서도 X-ray 이미지의 뼈나 폐와 같이 스캔 내 특정 구조를 분리하기 위해 임계값 처리가 흔히 사용됩니다. 그레이스케일 이미지를 이진 형식으로 변환하면 주변 조직으로부터 관심 영역을 더 쉽게 분리하고 추가 분석을 위해 이미지를 준비할 수 있습니다. 더 복잡한 경우 다단계 임계값 처리를 적용하여 이미지를 여러 고유 영역으로 나눔으로써 서로 다른 유형의 조직이나 구조를 동시에 식별할 수 있습니다.

그림 4. 흉부 X-ray에 다단계 임계값 처리 방법 사용. (출처: sciencedirect.com)

Link to this section이미지 처리에서 임계값 처리의 장단점#

이미지 처리에서 임계값 처리를 사용할 때의 주요 이점은 다음과 같습니다:

• 자원 효율성: 임계값 처리는 저전력 기기에서도 잘 작동하며 클라우드 액세스나 고성능 하드웨어가 필요하지 않아 임베디드 시스템 및 오프라인 설정에 적합합니다.
• 해석 용이성: 간단한 논리로 인해 임계값 처리 결과는 이해하고 디버깅하기 쉽습니다. 이는 투명성이 중요한 의료 또는 문서 처리와 같은 분야에서 매우 중요합니다.
• 빠른 테스트: 임계값 처리를 통해 팀은 더 복잡한 모델로 넘어가기 전 프로젝트 초기 단계에서 분할 아이디어를 빠르게 탐색할 수 있습니다.

이미지 임계값 처리는 많은 시나리오에서 유용하지만, 몇 가지 한계도 있습니다. 고려해야 할 몇 가지 임계값 처리 관련 과제는 다음과 같습니다:

• 적응성 부족: 임계값 처리는 고정된 규칙을 따르며, 수동 조정 없이 새로운 조명 조건이나 데이터 변화에 적응하지 못합니다.
• 노이즈에 민감함: 그림자나 반사로 인한 작은 밝기 변화가 결과에 영향을 줄 수 있으며, 특히 세밀하거나 질감이 있는 이미지를 작업할 때 그렇습니다.
• 정적 및 규칙 기반: AI 모델과 달리 임계값 처리는 데이터로부터 학습하거나 시간이 지남에 따라 개선되지 않습니다. 오직 설계된 좁은 조건 내에서만 작동합니다.

Link to this section이미지 임계값 처리를 넘어서: 컴퓨터 비전이 올바른 도구일 때#

임계값 처리는 통제된 환경에서의 간단한 분할 작업에는 잘 작동합니다. 그러나 여러 객체가 있거나 배경 노이즈가 있는 복잡한 이미지를 처리할 때는 어려움을 겪는 경우가 많습니다. 고정된 규칙에 의존하기 때문에 임계값 처리는 대부분의 실제 응용 분야에 필요한 유연성이 부족합니다.

이러한 한계를 극복하기 위해 많은 최첨단 시스템이 이제 컴퓨터 비전을 사용합니다. 임계값 처리와 달리 비전 AI 모델은 복잡한 패턴과 특징을 감지하도록 훈련되어 훨씬 더 정확하고 적응력이 뛰어납니다.

예를 들어, Ultralytics YOLO11과 같은 컴퓨터 비전 모델은 실시간으로 객체를 감지하고 이미지를 분할할 수 있습니다. 이는 자율 주행 차량의 교통 신호 감지나 농업 분야의 작물 문제 식별과 같은 작업에 이상적입니다.

특히 YOLO11은 이미지 내 각 객체를 별도로 분할하는 인스턴스 분할과 같은 다양한 컴퓨터 비전 작업을 지원합니다. 또한 포즈 추정(객체의 위치나 자세 결정) 및 객체 추적(비디오 프레임에서 객체가 이동함에 따라 따라가기)을 포함한 기타 비전 기반 작업도 수행할 수 있습니다.

그림 5. YOLO11은 객체 감지 및 분할을 쉽게 만듭니다. (출처)

임계값 처리는 간단한 작업이나 초기 아이디어 테스트에는 잘 작동하지만, 속도, 정확성, 유연성이 필요한 응용 분야는 일반적으로 컴퓨터 비전을 사용하는 것이 좋습니다.

Link to this section핵심 요약#

임계값 처리는 배경에서 객체를 분리하는 데 빠르고 사용하기 쉽기 때문에 이미지 처리에서 중요한 도구입니다. 스캔 문서, 의료 이미지 및 공장에서의 제품 결함 확인 작업에서 잘 작동합니다.

하지만 이미지와 비디오가 더 복잡해짐에 따라 이미지 임계값 처리와 같은 기본적인 이미지 처리 방법은 어려움을 겪을 수 있습니다. 바로 그 지점에서 고급 컴퓨터 비전 모델이 역할을 할 수 있습니다. YOLO11과 같은 모델은 더 많은 작업을 이해하고 수행하며, 한 번에 여러 객체를 감지하고 실시간으로 작동할 수 있어 많은 사용 사례에 유용합니다.

AI에 대해 더 알고 싶으신가요? 저희 community와 GitHub repository를 확인해 보세요. AI in robotics와 computer vision in agriculture에 대해 알아보기 위해 솔루션 페이지를 탐색해 보세요. our licensing 옵션을 발견하고 오늘 바로 컴퓨터 비전 개발을 시작하세요!