ㅁ 이미지 처리

ㅇ 정의:
이미지 데이터를 분석 가능한 형태로 만들기 위해 불필요한 요소를 제거하거나 보정하는 과정.

ㅇ 특징:
– 데이터의 품질을 높이고 분석의 정확성을 향상시키는 역할을 한다.
– 다양한 기술과 알고리즘이 사용되며, 데이터 유형에 따라 방법이 달라진다.

ㅇ 적합한 경우:
– 이미지 데이터에 노이즈나 왜곡이 포함되어 있을 때.
– 분석 또는 모델링을 위해 이미지의 품질을 높여야 할 때.

ㅇ 시험 함정:
– 이미지 정제 기술의 선택 기준을 묻는 문제에서 특정 조건을 혼동할 수 있다.
– 노이즈 제거와 데이터 증강을 혼동할 가능성이 있다.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 이미지 정제는 데이터 분석 전처리 과정의 일부로, 품질 향상을 목적으로 한다.
X: 이미지 정제는 데이터 증강과 동일한 개념이다.

================================

1. 노이즈 제거

ㅇ 정의:
이미지 데이터에서 불필요하거나 원치 않는 신호(노이즈)를 제거하는 과정.

ㅇ 특징:
– 노이즈 유형에 따라 필터링 기법이 달라진다.
– Gaussian 노이즈, Salt-and-Pepper 노이즈 등 다양한 유형이 있다.
– 주로 공간 필터링, 주파수 필터링 기법을 활용한다.

ㅇ 적합한 경우:
– 이미지 데이터의 품질이 낮아 분석에 방해가 되는 경우.
– 노이즈가 모델의 학습 성능에 부정적인 영향을 미치는 경우.

ㅇ 시험 함정:
– Gaussian 필터와 Median 필터의 차이를 정확히 이해하지 못하면 오답을 고를 수 있다.
– 노이즈 제거가 항상 데이터의 품질을 높이는 것은 아니라는 점을 간과할 수 있다.

ㅇ 시험 대비 “패턴 보기” 예시:
O: Median 필터는 Salt-and-Pepper 노이즈 제거에 효과적이다.
X: Gaussian 필터는 모든 유형의 노이즈에 대해 최적의 성능을 제공한다.

ㅁ 추가 학습 내용

노이즈 제거 기술과 관련된 구체적인 알고리즘 예시 및 성능 평가 지표에 대한 학습 내용은 다음과 같습니다:

1. **노이즈 제거 알고리즘**:
– **Gaussian 필터**:
– 입력 이미지에 Gaussian 분포를 기반으로 한 커널을 적용하여 노이즈를 제거하는 방법.
– 주변 픽셀 값을 가중 평균하여 부드러운 이미지를 생성.
– 주로 Gaussian 노이즈 제거에 효과적.
– **Median 필터**:
– 입력 이미지의 각 픽셀 주변 값의 중간값을 계산하여 해당 픽셀 값을 대체.
– 엣지를 보존하면서 Salt-and-Pepper 노이즈 제거에 효과적.
– **Wiener 필터**:
– 입력 이미지의 주파수 영역에서 신호와 노이즈의 스펙트럼을 분석하여 최적화된 필터링을 수행.
– 신호 대 노이즈 비율(SNR)을 고려하여 노이즈를 최소화.
– 선명도를 유지하면서 노이즈 제거에 효과적.

2. **성능 평가 지표**:
– **PSNR (Peak Signal-to-Noise Ratio)**:
– 원본 이미지와 복원된 이미지 간의 차이를 측정하는 지표.
– 값이 높을수록 복원된 이미지가 원본 이미지에 가까움을 의미.
– 계산식: PSNR = 10 * log10(MAX^2 / MSE), 여기서 MAX는 최대 픽셀 값, MSE는 평균 제곱 오차.
– **SSIM (Structural Similarity Index Measure)**:
– 원본 이미지와 복원된 이미지 간의 구조적 유사성을 평가하는 지표.
– 값은 0에서 1 사이이며, 1에 가까울수록 두 이미지가 구조적으로 유사함을 의미.
– 밝기, 명암비, 구조 정보를 종합적으로 비교.

노이즈 제거 알고리즘과 성능 평가 지표를 이해하면 시험 문제에서 알고리즘 선택 이유를 설명하거나 결과를 분석하는 데 도움이 됩니다.