Change Detection

변화 감지는 다른 시점에 촬영된 동일 장소의 관측 데이터 간에 의미 있는 차이를 식별하기 위한 컴퓨터 비전 기술입니다. 이미지에 무엇이 나타나는지 단순히 묻는 대신, 무엇이 나타났고, 사라졌으며, 이동하고, 성장하고, 축소되었거나 상태가 변했는지 질문합니다. 시스템은 두 장의 사진, 연속된 비디오 프레임 또는 더 긴 시계열 데이터를 비교할 수 있습니다. 그 결과로 이진 변화 맵, 레이블이 지정된 영역, 변경된 객체 또는 새로 침수된 토지의 면적과 같은 측정값이 생성될 수 있습니다.

변화 감지 작동 방식#

일반적인 워크플로는 동일한 영역의 두 장 이상의 이미지로 시작합니다. **이시기 간 변화 감지(bitemporal change detection)**는 두 시점을 비교하는 반면, **다시기 간 변화 감지(multitemporal change detection)**는 시퀀스를 분석하여 고립된 이벤트와 점진적인 트렌드를 구분합니다.

비교하기 전에 이미지가 호환되도록 처리해야 합니다.

1. 정렬: 이미지 레지스트레이션을 통해 해당 장소의 대응점을 동일한 픽셀 좌표에 위치시킵니다. 그렇지 않으면 작은 카메라 이동만으로도 모든 객체 주위에 거짓 경계(false edge)가 생성될 수 있습니다.
2. 정규화: 밝기, 색상, 대기 조건 및 센서 응답이 조정됩니다. 위성 분석의 경우, 지표 반사율 제품을 사용하여 대기 효과를 줄임으로써 비교 정확도를 향상시킵니다.
3. 표현: 시스템은 원본 픽셀, 추출된 시각적 특징, 감지된 객체 또는 분할 마스크를 비교합니다. 기본 방법으로는 OpenCV 절대 이미지 차이를 사용할 수 있으며, 학습된 모델은 조명이나 시점의 사소한 차이에도 불구하고 의미 있는 변화를 인식할 수 있습니다.
4. 결정: 임계값(threshold)을 사용하여 의미 있는 변화와 노이즈를 구분합니다. scikit-image 이미지 메트릭 API에 있는 것과 같은 유사도 측정값을 통해 두 관측치가 얼마나 강하게 다른지 수치화할 수 있습니다.
5. 후처리: 작고 고립된 감지 결과는 제거하고, 인접한 픽셀을 영역으로 병합하며, 변경 사항에 “새로운 건물” 또는 “누락된 부품”과 같은 레이블을 할당할 수 있습니다.

**최소 검출 가능 변화(minimal detectable change)**는 시스템이 센서 노이즈, 레지스트레이션 오차 및 일반적인 변동으로부터 안정적으로 구분할 수 있는 가장 작은 변경 사항입니다. 이는 이미지 해상도, 객체 크기, 대비, 전처리 품질 및 선택된 임계값에 따라 달라집니다.

관련 개념 및 주요 차이점#

변화 감지는 여러 비전 작업과 겹치지만, 각각 다른 질문에 답합니다.

• **이상 감지**는 학습된 정상 정의와 다른 관측치를 식별하며, 때로는 단일 이미지만 사용하기도 합니다. 변화 감지에는 시간적 또는 기준선 비교가 필요하며, 그 변화가 비정상적임을 의미하지는 않습니다.
• **객체 검출**은 각 이미지에서 독립적으로 객체를 찾고 분류합니다. 날짜별로 검출 결과를 비교하면 추가되거나 제거된 객체를 파악할 수 있습니다.
• **이미지 세그멘테이션**은 픽셀 수준에서 레이블을 할당합니다. 변화 감지를 통해 세그멘테이션 마스크를 비교하여 변경된 모양이나 면적을 정확하게 측정할 수 있습니다.
• **객체 추적**은 비디오 프레임 전체에서 객체 ID를 유지하며 움직임과 궤적을 강조합니다. 반면 변화 감지는 주로 몇 분, 몇 달, 또는 몇 년에 걸쳐 발생할 수 있는 장면 콘텐츠나 상태의 변화에 초점을 맞춥니다.
• **데이터 드리프트(Data drift)**는 프로덕션 입력의 통계적 분포 변화를 설명합니다. 이는 모델 신뢰성과 관련된 반면, 시각적 변화 감지는 관측된 장면 내의 차이와 관련이 있습니다.

실제 애플리케이션 사례#

지구 관측 및 재해 평가: 분석가들은 위성 이미지를 비교하여 삼림 벌채, 도시 팽창, 해안선 이동, 산불 피해 또는 홍수를 매핑합니다. 위성 이미지 분석에서는 다중 스펙트럼 데이터와 세그멘테이션을 결합하여 변경된 각 영역을 분류할 수 있습니다. USGS Earthshots 컬렉션은 전후 Landsat 이미지가 환경 변화를 어떻게 드러내는지 보여주며, NASA는 실용적인 로그 차이 변화 감지 워크플로를 제공합니다. NOAA 연안 토지 피복 및 변화(NOAA Coastal Land Cover and Change)와 같은 장기 프로그램은 이러한 비교 결과를 홍수 계획 및 연안 관리를 위한 정보로 변환합니다.

산업 검사: 고정 카메라는 생산 단계 전후의 조립 상태를 비교할 수 있습니다. 검출을 통해 누락된 볼트나 새로 배치된 부품을 찾아낼 수 있으며, 세그멘테이션을 통해 균열이나 손상된 표면을 측정할 수 있습니다. 자동화된 제조업 시각 검사에서는 감지되지 않은 변경으로 인해 결함이 있는 제품이 다음 공정으로 넘어갈 수 있으며, 오탐(false alarm)은 불필요한 라인 중단과 수동 검토를 유발할 수 있습니다.

Ultralytics YOLO를 활용한 변화 감지#

Ultralytics YOLO는 변화 감지 파이프라인의 시의적절한 의미론적 지각 단계를 제공할 수 있습니다. 예를 들어, 커스텀 YOLO26 세그멘테이션 모델은 YOLO predict 모드를 통해 정렬된 전후 이미지를 처리할 수 있습니다.

from ultralytics import YOLO

# Load a segmentation model trained for relevant objects or regions
model = YOLO("yolo26n-seg.pt")

# Run inference on an aligned image pair
sources = ["before.jpg", "after.jpg"]
results = model(sources)

# Save semantic predictions for comparison
output_names = ["before_predictions.jpg", "after_predictions.jpg"]

for result, output_name in zip(results, output_names, strict=True):
    result.save(filename=output_name)

이 워크플로는 각 관측치에 대한 객체 마스크와 레이블을 생성합니다. 다운스트림 애플리케이션은 해당 클래스를 일치시키고 존재 여부, 위치 또는 마스크 영역을 비교할 수 있습니다. 특화된 카테고리의 경우, 팀은 페어링된 이미지를 어노테이션하고, 커스텀 모델을 학습하며, Ultralytics 플랫폼을 사용하여 배포를 관리할 수 있습니다.

실무적 과제 및 모범 사례#

신뢰할 수 있는 변화 감지에는 단순한 이미지 차감 그 이상의 작업이 필요합니다. 카메라 움직임, 그림자, 계절별 식생, 반사, 구름, 가려짐 현상(occlusion)은 실제 변화와 유사하게 보일 수 있습니다. 팀은 시점과 센서 설정을 일관되게 유지하고, 비교 전에 이미지를 정렬하며, 대표적인 "변화 없음" 변동으로 학습을 수행하고, 검증 데이터를 사용하여 임계값을 선택해야 합니다.

평가 시에는 구조적 변화로 잘못 레이블된 그림자와 같은 **거짓 양성(false positive)**과, 누락된 작은 결함과 같은 **거짓 음성(false negative)**을 모두 측정해야 합니다. 적절한 균형은 결과의 영향력에 따라 달라집니다. 재해 매핑은 재현율(recall)을 우선시할 수 있는 반면, 대량 검사 라인은 과도한 경고를 방지하기 위해 더 엄격한 정밀도(precision)가 필요할 수 있습니다. 모호하거나 영향력이 큰 결과의 경우 여전히 사람이 직접 검토하는 과정이 중요합니다.