방송대 인공지능 8강: 디지털 영상 처리와 영상 분할

방송대 인공지능 8강: 디지털 영상 처리와 영상 분할

사람은 흐릿한 숫자 영상을 보고도 거의 즉시 ‘7’이라고 읽지만, 컴퓨터가 처음 받는 것은 픽셀값의 배열이다. 이 글은 아날로그 신호가 디지털 영상이 되고, 잡음이 줄고, 객체 영역과 경계가 드러나는 과정을 추적한다. 읽고 나면 표본화와 양자화를 구분하고, 잡음 형태에 맞는 필터를 고르며, 분할 문제에 임계치·영역·경계 방법 중 어떤 접근이 맞는지 판단할 수 있다.

픽셀 행렬에서 물체 이름까지는 한 번에 갈 수 없다

컴퓨터 시각(computer vision)은 인간의 시각체계에 해당하는 능력을 컴퓨터에 실현하려는 인공지능 분야다. 하지만 센서가 얻은 밝기값만으로는 어떤 픽셀이 같은 물체에 속하는지, 그 물체가 무엇인지를 알 수 없다. 그래서 시각 시스템은 입력을 즉시 이름으로 바꾸는 대신 여러 중간 표현을 거친다.

1. 영상 취득: 영상 센서는 시각 영상을, 레인지 센서는 거리 영상을, X선 단층촬영 장치는 내부 구조 영상을 얻는다.
2. 전처리: 취득 과정에서 생긴 잡음과 훼손을 줄이고 밝기·대비를 다듬어 다음 처리가 필요한 정보를 보기 쉽게 한다.
3. 영상 분할: 유사한 속성의 픽셀은 하나의 영역으로 묶고, 서로 다른 속성의 부분은 갈라놓는다.
4. 정규화: 크기·위치·방향·밝기·대비의 차이를 기준 형태로 맞춰 필요 없는 변형을 줄인다.
5. 영상 표현: 분할된 영역을 선, 에지, 모서리, 블롭 등 식별에 유용한 특징으로 바꾼다.
6. 분석·식별: 특징을 근거로 물체를 인식하고, 크기·위치를 계산하거나 결함을 검사한다.

이 처리 흐름은 글자·물체 인식, 얼굴·지문·홍채 등의 생체인식, 의료 영상 분석, 제조 공정의 결함 검사, 보안 시스템의 객체 검출·추적, 로봇과 자율주행, 사람-컴퓨터 상호작용의 입력 장치 등에 이용된다. 응용 목적이 달라지면 보존해야 할 특징과 허용할 수 있는 오류도 달라지므로, 전처리와 분할은 최종 임무를 기준으로 설계해야 한다.

이 흐름은 모든 현대 시각 시스템이 동일한 모듈로 구현된다는 뜻은 아니다. 심층 신경망은 여러 단계를 하나의 모델 안에서 학습하기도 한다. 그래도 ‘입력이 어떻게 다른 표현으로 변하는가’를 분해해 보는 것은 시스템의 실패 지점을 찾는 기준이 된다.

판단 핵심: 영상이 지저분하면 전처리, 픽셀을 물체 단위로 묶어야 하면 분할, 바뀐 형태나 밝기가 달라 식별이 흔들리면 정규화, 이름·위치·크기가 필요하면 분석 단계의 문제로 분류한다.

픽셀은 값뿐 아니라 좌표·색·연결 관계를 갖는다

디지털 영상은 사각형 격자에 배치된 픽셀(pixel)의 모음이다. M×N 크기의 256단계 흑백 영상에서 x좌표는 0부터 M−1, y좌표는 0부터 N−1이고, 픽셀값 g(x,y)는 0부터 255사이다. 픽셀값의 빈도를 밝기별로 세면 그레이 레벨 히스토그램이 된다.

컬러 영상의 한 픽셀은 하나의 수치 대신 RGB 성분의 벡터로 표현될 수 있다. 강의의 g(x,y)=(108,114,52)는 서로 다른 세 좌표를 뜻하는 것이 아니라, 같은 (x,y) 위치에서 측정한 빨강·초록·파랑 성분값을 뜻한다.

대각선으로 이어진 픽셀은 같은 영역인가

사각형 픽셀 격자에서 4-이웃은 위·아래·왼쪽·오른쪽만 포함하고, 8-이웃은 네 대각선까지 포함한다. 따라서 두 픽셀 사이의 경로가 대각선 이동을 필요로 한다면 8-이웃 기준에서는 연결되지만 4-이웃 기준에서는 끊길 수 있다.

잘못된 판단: “픽셀값이 같으면 같은 영역이다”라고 판정하면 멀리 떨어진 동일 밝기 픽셀도 하나의 물체로 묶이게 된다. 영역 판정에는 속성의 유사성과 공간적 인접성을 함께 검토해야 한다.

표본화는 위치를, 양자화는 값의 정밀도를 이산화한다

물체에서 반사된 빛은 렌즈와 영상 센서를 거쳐 전기 신호로 변한다. 이 연속 신호를 픽셀 격자와 제한된 밝기 단계로 바꾸려면 두 개의 다른 변환이 필요하다.

판단축	표본화(sampling)	양자화(quantization)
무엇을 나누는가	시간이나 공간의 위치	각 표본의 신호값
부족할 때 보이는 현상	해상도 저하, 에일리어싱	밝기·색의 단계화, 세밀한 값 손실
강의 시각 예	256×256을 16×16으로 줄일 때 형태가 거칠어짐	256단계를 2단계로 줄일 때 밝기 변화가 사라짐
점검 질문	“얼마나 촘촘히 측정했는가?”	“각 측정값을 몇 단계로 표현했는가?”

Nyquist-Shannon 표본화 이론에 따라 대역폭이 B로 제한된 신호를 복원하려면 표본화 주파수 f_s가 2B 이상이어야 한다. 학습을 위해 B=9라고 가정하면 f_s=24는 24≥18이므로 조건을 만족하지만, f_s=15는 15<18이므로 에일리어싱 위험이 있다. 이 예제의 수치는 강의 개념을 적용하기 위해 직접 구성한 연습용 가정이다.

256단계 흑백 영상은 픽셀당 0부터 255의 값을 갖는다. 양자화 단계를 16, 4, 2로 줄이면 저장할 수 있는 대표값이 줄어 비슷한 밝기가 같은 값으로 묶인다. 해상도가 낮아지는 표본화 문제와, 색조가 거칠게 끊기는 양자화 문제를 화면의 “화질 저하”라는 한 말로 묶으면 원인을 제대로 진단하기 어렵다.

전처리는 영상을 예쁘게 만드는 것이 아니라 정보를 선별하는 일이다

필터(filter)는 입력 신호에서 불필요한 요소를 억제하고 시스템에 필요한 성분을 남긴다. 저역통과 필터(LPF)는 천천히 변하는 성분을 남기고 급격한 변화를 억제해 평활화에 쓴다. 고역통과 필터(HPF)는 반대로 급격한 변화를 강조해 경계나 세부 구조를 드러낸다.

필터는 영상을 주파수 영역으로 변환해 전달함수를 곱한 뒤 역변환할 수도 있고, 공간 영역에서 필터 마스크를 직접 합성곱(convolution)할 수도 있다. 공간 영역의 3×3 필터는 현재 픽셀 주변의 아홉 값 p₁,…,p₉과 마스크 계수 m₁,…,m₉를 자리별로 곱해 더한다.

p′₅=Σ_i=1⁹m_ip_i는 “창 안의 값을 평균낸다”는 뜻이 아니다. 마스크 계수가 모두 1/9일 때만 평균이다. 가우시안 마스크는 가운데에 더 큰 가중치를 주고, 소벨 마스크는 좌우 또는 상하 방향의 밝기 차를 강조한다. 따라서 “3×3”은 범위를 말할 뿐, 필터의 기능은 계수의 패턴이 결정한다.

한 개의 이상치를 평균·가우시안·중간값은 서로 다르게 처리한다

필터 선택은 필터 이름을 외우는 문제가 아니라 잡음의 모양과 보존해야 할 구조를 판단하는 문제다. 가우시안 잡음처럼 영상 전반에 작은 변동이 퍼져 있으면 저역통과 평활화가 적합하다. 흰점과 검은점이 튀는 점 잡음은 이웃 값의 순서를 이용하는 중간값 필터가 효과적이다.

직접 구성한 3×3 예제

배경 밝기가 모두 10인데 가운데에만 점 잡음 100이 생겼다고 가정하자. 주변 아홉 값은 (10,10,10,10,100,10,10,10,10)이다.

1. 평균 필터: (8×10+100)/9=180/9=20이다. 이상치를 줄였지만 배경값 10보다 여전히 높다.
2. 가우시안 3×3 필터: (1/16)[[1,2,1],[2,4,2],[1,2,1]]을 쓰면 (12×10+4×100)/16=520/16=32.5다. 중심의 영향을 더 크게 반영하므로 중심 이상치가 있는 이 예에서는 평균보다 결과가 높다.
3. 중간값 필터: 정렬하면 10이 여덟 개, 100이 하나이므로 다섯 번째 값은 10이다. 하나의 극단적 점 잡음을 제거하고 배경을 복원한다.

검산하면 이 예제의 원래 배경값은 10이므로 중간값 결과가 가장 가깝다. 하지만 중간값 필터가 모든 영상에서 항상 우수한 것은 아니다. 잡음이 아닌 가는 선이나 작은 점도 이상치처럼 제거될 수 있다.

증상	우선 검토할 방법	이유	주의할 손실
작은 변동이 전반에 퍼짐	평균 또는 가우시안 LPF	고주파 변동을 억제	경계가 흐려질 수 있음
흰점·검은점이 산발적으로 튄다	중간값 필터	극단값의 영향을 줄임	가는 선·작은 점이 사라질 수 있음
경계를 더 뚜렷하게 보고 싶음	고역통과·미분 필터	급격한 밝기 변화를 강조	잡음도 함께 강조될 수 있음

강의는 잡음 제거의 학습 기반 접근으로 잔차 학습을 사용하는 DnCNN과 트랜스포머 기반 SwinIR을 예로 든다. 이들은 고정 마스크의 계수를 직접 고르는 대신 데이터에서 복원 규칙을 학습한다는 점에서 전통적 필터와 구분된다.

영상 분할은 ‘무엇이 비슷한가’와 ‘어디서 달라지는가’를 묻는다

영상 분할(image segmentation)은 밝기, 색, 텍스처 등이 유사한 픽셀을 영역으로 묶어 물체의 범위를 구분하는 처리다. 필터링이 각 픽셀의 값을 바꾸는 전처리라면, 분할은 픽셀에 영역 소속을 부여한다는 점에서 목적이 다르다.

접근	주요 질문	적합한 상황	실패 원인
임계치 이진화	밝기가 T보다 큰가	전경과 배경의 밝기가 잘 나뉜다	조명 불균일, 분포 중첩
영역 성장	종자 주변이 유사한가	연결된 균일 영역이 있음	종자 선택 오류, 잡음 연결
분할과 합병	내부가 균일한가, 인접 블록을 합칠 수 있는가	여러 크기의 영역을 반복 검사해야 함	균일성 기준이 너무 엄격하거나 느슨함
경계 검출	밝기가 급격히 변하는 위치는 어디인가	물체 외곽의 변화가 뚜렷함	잡음, 끊긴 에지, 약한 대비

이진화는 흑백 영상 g(x,y)에 임계치 T를 적용해 g(x,y)>T이면 b(x,y)=1, g(x,y)≤T이면 b(x,y)=0으로 만든다. 예를 들어 T=130이면 131은 1이지만 130은 조건식의 등호 때문에 0이다. 임계치 자체를 외우는 것보다 ‘등호가 어느 쪽 조건에 포함되는가’를 식에서 확인하는 습관이 중요하다.

분할과 합병(split and merge)은 영역의 내부가 균일하지 않으면 4분 트리(quadtree)로 나누고, 인접한 영역들이 균일성 기준을 함께 만족하면 다시 합친다. “분할”만 반복한다고 이해하면 작게 쪼개진 인접 블록을 하나의 의미 있는 영역으로 복구하는 합병 단계를 놓친다.

소벨은 밝기 변화의 크기와 방향을, 라플라스는 2차 변화를 본다

에지(edge)는 밝기가 다른 두 영역 사이에서 그레이 레벨이 크게 변하는 부분이다. 1차 미분은 밝기 변화가 큰 위치에서 큰 절댓값을 만들고, 2차 미분은 1차 변화의 기울기가 바뀌는 지점에서 부호가 바뀌는 zero crossing을 만든다.

소벨(Sobel) 연산자는 수평 변화와 수직 변화를 각각의 3×3 마스크로 구한다. 결과를 e_h, e_v라고 하면 에지 강도는 √(e_h²+e_v²), 방향은 tan⁻¹(e_v/e_h)로 구한다. 학습용으로 e_h=6, e_v=8이라고 가정하면 강도는 √(36+64)=10이고 방향은 tan⁻¹(8/6)≈53.1°다. 이 예제는 강의의 식을 중간 과정까지 재현하기 위해 직접 구성했다.

라플라스(Laplace) 연산자는 ∇²g=∂²g/∂x²+∂²g/∂y²로 표현되는 2차 미분 연산자다. 강의의 3×3 근사 마스크는 [[1,−2,1],[−2,4,−2],[1,−2,1]]이다. 소벨은 두 방향 성분을 통해 강도와 방향을 얻는 데 유리하고, 라플라스는 방향을 분리하지 않는 2차 변화를 강조한다.

실패 원인: 미분은 빠른 밝기 변화를 강조하므로 진짜 경계뿐 아니라 잡음도 에지처럼 키울 수 있다. 에지가 지나치게 잘게 끊기면 연산자를 바꾸기 전에 잡음 억제가 부족했는지를 우선 검토해야 한다.

검출과 인스턴스 분할은 답해야 하는 위치의 정밀도가 다르다

기존 분할은 임계치, 영역 균일성, 밝기 미분과 같은 사람이 정한 기준을 적용한다. 심층 신경망은 학습 데이터에서 객체와 영역을 찾는 표현을 학습할 수 있다. 그런데 모델 이름보다 먼저 출력이 무엇인지를 구분해야 한다.

과제	출력 질문	결과의 형태	강의의 예
객체 검출	“무엇이 어디에 있는가?”	유형 레이블과 위치 박스	R-CNN, YOLO
인스턴스 분할	“각 개체가 차지하는 픽셀은 어디인가?”	개체별 픽셀 영역	Mask R-CNN 등

자동차를 사각형 박스로 표시하면 어느 영역에 자동차가 있는지는 알 수 있지만 차량의 정확한 외곽은 알 수 없다. 도로 점유 영역이나 개체 간 겹침을 픽셀 단위로 다루려면 인스턴스 분할과 같은 더 세밀한 출력이 필요하다. 반대로 물체의 유형과 대략적 위치만 필요하다면 검출 박스로도 목적을 달성할 수 있다.

증상에서 원인을 거꾸로 추적하면 처리 단계가 보인다

실전 문제는 “이 연산자의 정의는 무엇인가”보다 “이 영상의 실패를 어느 단계에서 고쳐야 하는가”를 묻는 경우가 많다. 다음 순서로 증상을 축소하면 필요한 방법을 선택하기 쉽다.

1. 공간 상세가 사라졌는가? 입력 해상도와 표본화 간격을 먼저 확인한다.
2. 밝기·색이 계단처럼 끊기는가? 양자화 단계가 충분한지 확인한다.
3. 작은 변동이 퍼졌는가, 극단적 점이 튀는가? 가우시안 잡음과 점 잡음을 구분해 LPF와 중간값 필터 중 후보를 고른다.
4. 영역이 잘 나뉘지 않는가? 밝기 분포가 나뉜다면 임계치, 공간적 인접성이 중요하면 영역, 경계 변화가 뚜렷하면 미분 접근을 검토한다.
5. 박스만으로 출력 목적을 달성할 수 있는가? 대략적 위치면 검출, 개체별 외곽이 필요하면 인스턴스 분할을 선택한다.
6. 전 단계의 손실을 후단이 복구할 수 있는가? 표본화에서 사라진 공간 정보나 과도한 평활화로 사라진 선은 후단에서 자동으로 돌아오지 않는다.

짧은 점검 활동: “영상의 작은 문자가 평활화 후 사라졌고, 임계치를 바꿔도 돌아오지 않았다”는 상황의 원인을 설명해 보자. 임계치보다 앞선 평활화에서 문자를 이루는 고주파 구조가 제거되었을 가능성을 우선 검토해야 한다.

핵심 개념 정리

• 표현의 사다리: 컴퓨터 시각은 센서 입력을 전처리·분할·정규화·특징 표현을 거쳐 식별 결과로 바꾼다.
• 디지털화의 두 축: 표본화는 측정 위치를, 양자화는 각 측정값의 대표 단계를 정한다.
• 필터의 선택: 전반적 작은 잡음은 평활화, 산발적 극단값은 중간값, 밝기 경계는 고주파·미분 필터를 우선 검토한다.
• 분할의 선택: 밝기 분포가 나뉜다면 임계치, 인접 유사성이 중요하면 영역 기반, 급격한 변화가 중요하면 경계 기반 접근을 사용한다.
• 출력의 정밀도: 객체 검출은 유형과 박스를, 인스턴스 분할은 개체별 픽셀 영역을 출력한다.

새로운 영상 문제를 만나면 알고리즘 이름부터 고르지 말고, ‘입력에 무슨 정보가 남아 있는가→잡음이나 변형 중 무엇을 줄여야 하는가→픽셀을 무엇을 기준으로 묶거나 갈라야 하는가→최종 출력은 박스인가 픽셀 영역인가’의 순서로 판단한다. 이 사고 흐름을 쓰면 표본화부터 심층 신경망 분할까지를 ‘영상의 표현이 어떻게 바뀌는가’라는 하나의 문제로 연결할 수 있다. 9강의 영상 정규화와 패턴 식별은 이렇게 만든 영역과 특징을 비교 가능한 형태로 다듬고 분류하는 다음 단계다.

예상문제 10선

1. 강의의 컴퓨터 시각 처리 흐름을 입력에서 분석까지 올바르게 나열한 것은?

① 영상 분할→영상 취득→전처리→정규화→식별 ② 영상 취득→정규화→전처리→영상 표현→분할 ③ 전처리→영상 취득→영상 표현→정규화→분할 ④ 영상 취득→전처리→영상 분할→정규화→영상 표현→분석

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ④

• ① 오답: 분할할 디지털 영상을 먼저 취득해야 하므로 분할이 입력보다 앞선 수 없다.
• ② 오답: 정규화는 전처리와 분할 뒤의 기준 형태 변환이며, 분할은 표현 뒤가 아니다.
• ③ 오답: 취득하지 않은 영상을 전처리할 수 없고, 분할을 지나치게 뒤로 배치했다.
• ④ 정답: 센서 취득 후 잡음을 줄이고 영역을 나눈 뒤, 변형을 보정하고 특징으로 표현해 분석한다.

2. 표본화와 양자화를 올바르게 구분한 것은?

① 표본화는 밝기 단계만, 양자화는 픽셀 위치만 결정한다. ② 표본화는 측정 위치를 이산화하고, 양자화는 각 표본의 값을 제한된 대표값으로 바꾼다. ③ 표본화는 에지 방향을, 양자화는 연결성을 계산한다. ④ 표본화와 양자화는 모두 픽셀을 객체 이름으로 변환한다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ②

• ① 오답: 두 과정의 대상을 거꾸로 설명했다. 위치는 표본화, 값은 양자화의 대상이다.
• ② 정답: 연속 신호의 위치를 격자로 나누는 것과 각 격자의 값을 제한된 단계로 표현하는 것은 다른 변환이다.
• ③ 오답: 에지 방향은 소벨, 연결성은 이웃 기준과 관련된 후속 처리다.
• ④ 오답: 객체 이름을 결정하는 것은 분석·식별 단계이며 디지털화의 역할이 아니다.

3. 같은 밝기의 픽셀이 대각선으로만 연결된 영상을 하나의 영역으로 보고자 한다. 적합한 이웃 기준은?

① 8-이웃 연결성 ② 4-이웃 연결성 ③ 그레이 레벨 양자화 ④ Nyquist 표본화

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ①

• ① 정답: 8-이웃은 상하좌우에 네 대각선을 더하므로 대각선 경로를 연결로 인정한다.
• ② 오답: 4-이웃은 상하좌우만 포함하므로 대각선으로만 이어진 경로를 끊어진 것으로 볼 수 있다.
• ③ 오답: 양자화는 픽셀값의 단계를 정하며 인접 경로의 허용 방향을 정하지 않는다.
• ④ 오답: Nyquist 조건은 신호 복원을 위한 표본 주파수와 관련되며 픽셀 이웃 관계가 아니다.

4. 주변 3×3 픽셀값이 (3,2,6,4,3,5,2,3,4)일 때 3×3 평균 필터의 중심 출력은?

① 3.0 ② 3.3 ③ 약 3.6 ④ 32

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ③

• ① 오답: 중심 입력값 3을 그대로 복사했으며 이웃 아홉 값의 합성곱을 수행하지 않았다.
• ② 오답: 아홉 값의 합은 32이므로 30/9가 아니라 32/9를 계산해야 한다.
• ③ 정답: 합이 32이고 각 계수가 1/9이므로 32/9≈3.56, 즉 약 3.6이다.
• ④ 오답: 32는 이웃값의 합이며, 평균 필터의 1/9 계수를 곱하지 않은 중간값이다.

5. 배경은 비슷한 밝기로 유지되지만 무작위의 흰점과 검은점이 늀다. 우선 적용할 필터로 가장 적합한 것은?

① 중간값 필터 ② 라플라스 필터 ③ 소벨 필터 ④ 고역통과 필터

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ①

• ① 정답: 중간값은 이웃의 극단적 큰 값과 작은 값의 영향을 억제하므로 점 잡음에 적합하다.
• ② 오답: 라플라스는 2차 미분으로 급격한 변화를 강조하므로 점 잡음도 강조할 수 있다.
• ③ 오답: 소벨은 밝기 변화의 방향과 강도를 구하는 경계 검출용이며 점 잡음 제거용이 아니다.
• ④ 오답: 고역통과 필터는 극단적 점의 빠른 밝기 변화를 더 크게 만들 수 있다.

6. 소벨 연산자와 라플라스 연산자의 비교로 올바른 것은?

① 소벨은 픽셀 중간값을, 라플라스는 픽셀 평균을 선택한다. ② 소벨은 2차 미분, 라플라스는 1차 미분을 이용한다. ③ 두 연산자 모두 임계치를 이용한 이진화만 수행한다. ④ 소벨은 두 방향의 1차 미분으로 강도와 방향을 구하고, 라플라스는 2차 미분으로 경계 변화를 강조한다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ④

• ① 오답: 중간값과 평균은 평활화 필터의 연산이며 소벨·라플라스의 미분 기능이 아니다.
• ② 오답: 미분 차수를 거꾸로 기술했다. 소벨은 1차, 라플라스는 2차다.
• ③ 오답: 임계치 이진화는 밝기값을 두 영역으로 나누는 다른 분할 방법이다.
• ④ 정답: 소벨은 e_h와 e_v를 결합하고, 라플라스는 x·y방향 2차 미분을 합한다.

7. 임계치 T=130이고 b(x,y)=1 if g(x,y)>T, 0 if g(x,y)≤T일 때 g(x,y)=130의 출력은?

① 1, 입력이 임계치와 같기 때문이다. ② 0, 등호가 g(x,y)≤T 조건에 포함되기 때문이다. ③ 130, 임계치는 값을 변경하지 않기 때문이다. ④ 0.5, 임계치와 같은 경우는 두 영역의 평균이기 때문이다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ②

• ① 오답: 1은 엄격히 큰 g(x,y)>T에만 부여되며 같은 값은 포함하지 않는다.
• ② 정답: 문제의 조건식은 임계치와 같은 경우를 0인 분기에 명시적으로 포함한다.
• ③ 오답: 이진화 출력 b(x,y)는 0또는 1이며 원래 그레이 레벨을 복사하지 않는다.
• ④ 오답: 이진화는 중간값 0.5를 사용하지 않고 두 레이블로만 구분한다.

8. 분할과 합병 알고리즘의 처리를 올바르게 설명한 것은?

① 불균일한 영역도 분할하지 않고 최초 크기를 유지한다. ② 영역을 작게 나누기만 하고 인접 영역을 다시 검사하지 않는다. ③ 내부가 균일하지 않은 영역을 4분 트리로 나누고, 인접 영역이 함께 균일하면 합친다. ④ 모든 영역을 그레이 레벨 하나로 양자화한 뒤 연결성을 무시한다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ③

• ① 오답: 내부 균일성을 만족하지 못하는 것이 바로 영역을 더 나누는 조건이다.
• ② 오답: 분할 후 인접 블록의 균일성을 다시 검사해 합치는 과정까지 있어야 과도한 쪼개짐을 줄일 수 있다.
• ③ 정답: 분할과 합병은 두 방향의 연산을 균일성 기준에 따라 반복하는 영역 기반 알고리즘이다.
• ④ 오답: 그레이 레벨을 하나로 만들면 영역을 구분할 속성 차이가 사라진다.

9. 객체 검출과 인스턴스 분할의 결정적 차이를 올바르게 설명한 것은?

① 객체 검출은 픽셀 외곽만, 인스턴스 분할은 박스만 출력한다. ② 객체 검출은 유형과 대략적 위치를, 인스턴스 분할은 개체별 픽셀 영역을 출력한다. ③ 객체 검출은 잡음만, 인스턴스 분할은 양자화 오차만 제거한다. ④ 두 과제는 출력 형태가 같고 모델 이름만 다르다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ②

• ① 오답: 출력 형태를 거꾸로 설명했다. 검출은 일반적으로 박스, 인스턴스 분할은 픽셀 영역을 제공한다.
• ② 정답: 이 차이 때문에 물체 존재와 대략적 위치만 필요한지, 정확한 외곽이 필요한지에 따라 과제를 선택한다.
• ③ 오답: 잡음 제거는 전처리, 양자화는 디지털 입력 형성의 문제로 검출·분할의 출력 목적과 다르다.
• ④ 오답: 두 과제는 대략적 위치와 픽셀 외곽이라는 서로 다른 정밀도의 출력을 목표로 한다.

10. 영상의 가는 선이 평활화 후 사라졌다. 임계치만 조정하면 복구될 것이라는 판단을 교정한 것으로 가장 적합한 것은?

① 임계치를 조정하면 평활화에서 제거된 픽셀 정보가 다시 생성된다. ② 임계치 이진화는 언제나 전처리 전에 실행되므로 평활화와 관계없다. ③ 가는 선의 손실은 표본화 주파수를 무조건 낮추면 해결된다. ④ 평활화가 선의 고주파 구조를 이미 제거했다면 후단 임계치로는 정보를 복구할 수 없으므로 필터 선택과 크기를 먼저 재검토해야 한다.

정답입니다.

오답입니다. 답안을 다시 선택해 보세요.

정답 및 해설 보기

정답: ④

• ① 오답: 임계치는 남아 있는 밝기값을 나누는 기준일 뿐, 이미 사라진 공간 정보를 새로 만들지 못한다.
• ② 오답: 일반적 파이프라인에서 전처리된 영상이 분할의 입력이 되므로 평활화 손실은 임계치 결과에 영향을 준다.
• ③ 오답: 표본화 주파수를 낮추면 공간 해상도와 상세 정보가 더 줄어들 수 있다.
• ④ 정답: 후단의 분할 기준을 바꾸기 전에 전단의 필터가 보존해야 할 선까지 잡음으로 억제했는지를 재검토해야 한다.

참고 자료와 작성 기준

이 글은 해당 차시 강의자료를 바탕으로 학습 목적에 맞게 재구성한 비공식 학습자료입니다. 처리 단계 사이의 인과관계, 직접 구성한 계산 예제, 오류 진단 절차와 문제 해설은 학습자의 이해를 돕도록 구성하고 검토했습니다.

• 작성·편집: 올에이클래스 학습연구팀
• 주요 근거: 한국방송통신대학교 컴퓨터과학과 『인공지능』 8강 “컴퓨터 시각과 패턴인식(1)” 강의록(2025년 제작 파일)
• 보충 자료: 외부 보충 자료 없음
• 편집 원칙: 올에이클래스 편집 정책
• 최종 내용 검토: 2026-08-17