Image segmentation은 디지털 영상 처리와 분석에서 널리 사용하는 기법으로, 대개 영상 내 픽셀의 특징을 기반으로 하나의 영상을 다수의 부분이나 영역으로 분할하는 기법입니다. Image segmentation에는 배경에서 전경을 분리하거나 컬러 또는 형상의 유사성을 기반으로 픽셀 영역을 군집화하는 작업이 수반될 수 있습니다. 예를 들면, 의료 영상에서 image segmentation의 흔한 응용 사례는 환자의 뇌 또는 기타 장기에 있는 종양을 나타내는 영상의 픽셀이나 3차원 볼륨의 복셀을 감지하고 레이블을 지정하는 것입니다.
Image Segmentation이 중요한 이유
분할 문제를 효과적으로 해결하기 위해 도메인 특정 지식을 활용하는 다양한 image segmentation 알고리즘 및 기법이 개발되어 왔습니다. 이러한 응용 분야에는 의료 영상, 자율주행, 비디오 감시, 머신 비전 등이 있습니다.
의료 영상
분할과 분석은 임상 진단, 치료 계획 및 의학 연구에서 중요한 응용 사례가 있습니다. 분할을 사용하면 장기, 종양, 세포, 임플란트 또는 기타 관심 영역에 레이블을 지정하고 분석할 수 있습니다. 예를 들어, 라디오믹스를 사용하여 종양을 악성 또는 양성 종양으로 분류한 다음 후속 스캔을 통해 종양의 성장을 측정할 수 있습니다. 또는 분할된 현미경 영상에서 세포의 위치와 모폴로지를 추적하거나 제약 시험에서 골밀도를 분석할 수 있습니다. 또한 분할 마스크를 사용하여 환자 특정 수술 계획에 유용한 3D 프린팅 및 유한요소해석 등의 응용 사례를 위한 3차원 해부 모델을 생성할 수도 있습니다.
![세그먼트를 식별하기 위해 색을 적용하여 강조 표시한 Medical Imaging Toolbox의 image segmentation.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/columns/1a6dd24b-5fad-4cb4-bf87-3fee7b1ee3e1/image.adapt.full.medium.jpg/1737350005112.jpg)
(왼쪽 위부터 시계 방향) CT 스캔의 폐, MRI 스캔의 뇌, 현미경 영상의 세포 및 심장 MRI의 좌심실을 비롯한 Medical Imaging Toolbox™를 사용한 분할의 예.
자율주행
자율주행 차량 같은 자율주행 차량의 인식 기능을 설계할 때는, 의미론적 분할을 주로 적용하여 도로의 차량 및 기타 객체를 시스템이 식별하고 위치를 파악할 수 있습니다.
![동일한 영상이 옆에 있는 고속도로의 자동차 사진을 보여주는 image segmentation 예시로, 두 번째 영상에서는 세그먼트를 식별하기 위해 여러 가지 색으로 강조 표시되었습니다.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/image_1129278684.adapt.full.medium.jpg/1737350005147.jpg)
Computer Vision Toolbox™에서 의미론적 분할을 사용하여 영상에 있는 각 픽셀과 클래스 레이블(자동차, 도로, 하늘, 보행자, 자전거 등)을 연결합니다. (문서 보기.)
Image Segmentation의 작동 방식
Image segmentation의 첫 단계에서는 영상을 마스크 또는 레이블이 지정된 영상으로 표현되는 픽셀 영역 모음으로 변환하는 작업을 수반합니다.영상을 세그먼트로 분할하면 전체 영상을 처리하지 않고 영상의 중요한 세그먼트만 선택하여 처리할 수 있습니다.
널리 사용되는 기법은 픽셀 값이 급격하게 불연속적인 지점을 찾는 것인데, 일반적으로 이런 지점은 하나의 영역을 정의하는 경계를 나타냅니다.
![여러 텍스트 단락이 포함된 동일한 페이지를 나란히 보여주는 두 개의 영상. 왼쪽 영상에는 어두워서 판독할 수 없는 영역이 있고, 오른쪽의 처리된 영상에서는 가독성이 개선되었습니다.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/columns_copy_717473630/1a6dd24b-5fad-4cb4-bf87-3fee7b1ee3e1/image.adapt.full.medium.jpg/1737350005320.jpg)
Image Processing Toolbox의 adaptthresh
함수를 사용한 가변 영상 이진화. 이진 영상으로 변환하면 영상 속 텍스트의 가독성을 개선할 수 있습니다. (MATLAB 코드 보기.)
널리 사용되는 또 다른 접근법은 한 영상의 영역들간의 유사성을 검출하는 것입니다. 이런 접근법을 따르는 기법으로는 영역 확장, 군집화, 이진화 등이 있습니다.
![영역을 식별하기 위한 image segmentation의 세 가지 예로, 원본 영상과 분할된 영상을 나란히 비교합니다.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/columns_copy_974518203/1a6dd24b-5fad-4cb4-bf87-3fee7b1ee3e1/image.adapt.full.medium.jpg/1737350005375.jpg)
색 값, 형태 또는 텍스처를 기준으로 Image Processing Toolbox를 사용한 영역 분할. (문서 보기.)
더 알아보기
MATLAB을 사용한 Image Segmentation
MATLAB®으로 다음과 같은 작업을 수행할 수 있습니다.
- 앱을 사용하여 대화형 방식으로 다양한 분할 기법 탐색
- 내장 image segmentation 알고리즘을 사용한 영상 분석 워크플로 단순화
- 딥러닝 수행을 통한 Image segmentation
앱을 사용한 대화형 방식의 영상 이진화
영상 분할기 앱
대화형 방식의 영상 분할기 앱을 사용하면 반복적으로 여러 방법을 시도하여 영상을 분할하고 원하는 결과를 얻을 수 있습니다. 예를 들어, 앱을 사용하여 자동차 영상을 분할하고 더욱 정교화할 수 있습니다.
색 이진화 앱
색 이진화 앱을 통해 다양한 컬러스페이스를 기반으로 대화형 방식으로 영상의 색을 조작함으로써 컬러 영상에 이진화를 적용할 수 있습니다. 예를 들어, 색 이진화 앱으로 컬러 영상에 대해 포인트 클라우드 컨트롤을 사용하여 이진 마스크를 생성할 수 있습니다.
다양한 Image Segmentation 기법 사용
MATLAB 및 Image Processing Toolbox™의 함수를 사용하여 이진화, 군집화, 그래프 기반 분할, 영역 확장 등의 다양한 Image Segmentation 기법 및 Segment Anything Model 같은 딥러닝 기법을 실험하고 지식을 쌓을 수 있습니다.
이진화
이진 영상을 생성하려면 imbinarize
함수를 사용하여 2차원 또는 3차원 회색조 영상에 대해 이진화를 수행할 수 있습니다. RGB 컬러 영상에서 이진 영상을 생성하려면 rgb2gray
함수를 사용하여 먼저 RGB 컬러 영상을 회색조 영상으로 변환해야 합니다.
![원본 컬러 영상과 변환된 이진 영상을 나란히 비교하는 스크린샷.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/image.adapt.full.medium.jpg/1737350005615.jpg)
Image Processing Toolbox의 imbinarize
함수를 사용하여 컬러 영상을 이진 영상으로 변환합니다. (MATLAB 코드 보기.)
군집화
이 기법을 통해 특정 군집화 알고리즘을 사용하여 분할된 레이블 지정 영상을 생성할 수 있습니다. imsegkmeans
는 k-평균 군집화 기반 분할을 사용하여 영상을 컬러스페이스 내의 군집으로 분할합니다.
![흑백 타일 바닥 위에 있는 연한 갈색 개의 원본 영상과 강조 표시된 세그먼트를 보여주는 처리된 영상을 나란히 비교하는 스크린샷.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/image_259051918.adapt.full.medium.jpg/1737350005641.jpg)
imsegkmeans
k-평균 군집화 기법을 사용하여 바닥의 무늬가 있는 배경을 분할합니다. (MATLAB 코드 보기.)
그래프 기반 분할
lazy snapping과 같은 그래프 기반 분할 기법을 통해 영상을 전경 영역과 배경 영역으로 분할할 수 있습니다. MATLAB에서는 프로그래밍 방식으로(lazysnapping
) 또는 영상 분할기 앱을 사용하여 대화형 방식으로 영상을 분할할 수 있습니다.
![보라색 천 위에 채소가 있는 원본 영상과 천(배경)이 제거된 처리된 영상을 나란히 비교하는 스크린샷.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/image_1324777538.adapt.full.medium.jpg/1737350005665.jpg)
Image Processing Toolbox의 lazysnapping
함수를 사용하여 전경과 배경 영역을 분리합니다. (MATLAB 코드 보기.)
영역 확장
영역 확장은 간단한 영역 기반(픽셀 기반 방식으로도 분류됨) image segmentation 방법입니다. 널리 활용되는 알고리즘은 activecontour
로서, 초기 시드 점에 인접한 픽셀을 검사하여 인접 픽셀을 영역에 추가할지 반복적으로 판단합니다. 영상 분할기 앱을 사용하여 영상에 대해 이러한 분할을 수행할 수도 있습니다.
딥러닝을 사용한 Image Segmentation
CNN(컨벌루션 신경망)을 사용하는 딥러닝 기법인 의미론적 분할을 통해 영상 내 모든 픽셀을 클래스 레이블과 연결할 수 있습니다. 의미론적 분할의 응용 사례로는 자율주행, 산업용 검사, 로보틱스, 의료 영상 및 위성 영상 분석 등이 있습니다. 자세한 내용은 딥러닝을 사용한 의미론적 분할 예제를 참조하세요.
![image segmentation 수행을 위해 신경망을 왼쪽에서 오른쪽으로 순회하는 영상의 시각적 표현.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/columns_copy_9745182_530846819/1a6dd24b-5fad-4cb4-bf87-3fee7b1ee3e1/image.adapt.full.medium.jpg/1737350005814.jpg)
의미론적 분할 기법의 개략도.
영상 및 이에 대응하는 레이블 지정 영상으로 의미론적 분할 신경망을 설계하고 훈련하며, 훈련된 신경망을 사용하여 새로운 영상에 레이블을 지정할 수 있습니다. 훈련 영상에 레이블을 지정하려면 영상 레이블 지정기, 비디오 레이블 지정기 또는 Ground Truth 레이블 지정기 앱을 사용할 수 있습니다.
![Image Processing Toolbox에 있는 영상 레이블 지정기 앱의 스크린샷으로, 분할된 영상의 강조 표시된 각 세그먼트에 대한 레이블을 볼 수 있습니다.](https://kr.mathworks.com/discovery/image-segmentation/_jcr_content/mainParsys/band/mainParsys/lockedsubnav/mainParsys/columns_copy_9745182_387834851/1a6dd24b-5fad-4cb4-bf87-3fee7b1ee3e1/image.adapt.full.medium.jpg/1737350005865.jpg)
영상 레이블 지정기 앱을 사용한 의미론적 분할 수행.
자료
문서, 예제, 비디오 등을 통해 여러분의 지식을 확장할 수 있습니다.
관련 주제
MATLAB 및 Simulink 제품과 흔히 함께 사용되는 비슷한 주제를 살펴볼 수 있습니다.
30일 무료 평가판
시작하기웹사이트 선택
번역된 콘텐츠를 보고 지역별 이벤트와 혜택을 살펴보려면 웹사이트를 선택하십시오. 현재 계신 지역에 따라 다음 웹사이트를 권장합니다: United States
또한 다음 목록에서 웹사이트를 선택하실 수도 있습니다.
사이트 성능 최적화 방법
최고의 사이트 성능을 위해 중국 사이트(중국어 또는 영어)를 선택하십시오. 현재 계신 지역에서는 다른 국가의 MathWorks 사이트 방문이 최적화되지 않았습니다.
미주
- América Latina (Español)
- Canada (English)
- United States (English)
유럽
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)