# 픽셀 값 재조정

## 개요

**픽셀 값 재조정**(Pixel Value Rescaling)은 디지털 이미지 처리 과정에서 각 픽셀의 색상 또는 밝기 값을 특정 범위로 변환하는 전처리 기법입니다. 이 과정은 이미지의 시각적 품질을 개선하거나, 머신러닝 및 딥러닝 모델 학습 시 입력 데이터의 일관성을 확보하기 위해 필수적인 단계로 사용됩니다. 특히 딥러닝에서는 입력값의 스케일이 모델의 수렴 속도와 성능에 큰 영향을 미치므로, 픽셀 값 재조정은 매우 중요한 역할을 합니다.

이 문서에서는 픽셀 값 재조정의 개념, 주요 방법, 활용 사례, 그리고 구현 예시를 중심으로 설명합니다.

---

## 픽셀 값 재조정의 필요성

디지털 이미지는 일반적으로 각 채널(RGB 등)의 픽셀 값을 **0에서 255** 사이의 정수로 표현합니다. 그러나 이러한 원시 값은 다음과 같은 문제를 유발할 수 있습니다:

- **수치적 불안정성**: 큰 값(예: 255)은 기울기 소실(gradient vanishing)이나 기울기 폭주(gradient explosion)를 유발할 수 있음
- **모델 학습 효율 저하**: 입력값의 스케일이 크면 최적화 알고리즘이 느리게 수렴
- **비정규화된 데이터 분포**: 다양한 이미지의 밝기 및 대비 차이로 인해 모델이 일반화하기 어려움

이러한 문제를 해결하기 위해 픽셀 값을 더 작은 범위(예: 0~1 또는 -1~1)로 조정하는 것이 일반적입니다.

---

## 주요 재조정 방법

### 1. 정규화 (Normalization)

가장 흔히 사용되는 방법으로, 픽셀 값을 특정 범위로 선형 변환합니다.

#### 0과 1 사이로 스케일링
$$
I_{\text{scaled}} = \frac{I}{255}
$$

- **특징**: 모든 픽셀 값을 0.0 ~ 1.0 범위로 변환
- **장점**: 계산이 간단하고, 대부분의 딥러닝 프레임워크에서 기본적으로 지원
- **사용 예**: TensorFlow, PyTorch의 `ToTensor()` 변환

#### -1과 1 사이로 스케일링
$$
I_{\text{scaled}} = \frac{I}{127.5} - 1
$$

- **특징**: 평균이 0에 가까운 분포 형성
- **장점**: GAN(Generative Adversarial Network) 등에서 자주 사용되며, 기울기 안정성 향상
- **사용 예**: StyleGAN, DCGAN 등 생성 모델

---

### 2. 표준화 (Standardization)

픽셀 값을 평균과 표준편차를 기준으로 정규분포 형태로 변환합니다.

$$
I_{\text{standardized}} = \frac{I - \mu}{\sigma}
$$

- $\mu$: 데이터셋 전체의 평균 픽셀 값
- $\sigma$: 데이터셋 전체의 표준편차

- **장점**: 데이터 분포를 정규화하여 모델의 일반화 성능 향상
- **사용 예**: ImageNet 기반 사전 학습 모델 사용 시, 다음과 같은 통계값 사용:
  - 평균: `[0.485, 0.456, 0.406]`
  - 표준편차: `[0.229, 0.224, 0.225]`

---

## 적용 사례

### 딥러닝 이미지 분류

CNN(Convolutional Neural Network) 기반 모델(예: ResNet, VGG) 학습 시, 입력 이미지를 0~1 또는 표준화된 값으로 변환하면:

- 학습 속도 향상
- 더 안정적인 그래디언트 흐름
- 과적합 감소

### 의료 영상 처리

의료 이미지(예: MRI, CT)는 픽셀 값의 범위가 매우 다양할 수 있습니다. Hounsfield 단위(CT)와 같은 물리적 스케일을 유지하면서도, 모델 입력을 위해 특정 범위로 재조정합니다.

예: CT 영상에서 -1000(HU) ~ 3000(HU) 범위를 -1 ~ 1로 매핑

---

## 구현 예시 (Python)

다음은 Python 기반의 대표적인 라이브러리에서 픽셀 값 재조정을 수행하는 코드 예시입니다.

### OpenCV + NumPy
```python
import cv2
import numpy as np

# 이미지 로드 (BGR 형식)
image = cv2.imread('image.jpg')

# 0~1 정규화
image_normalized = image / 255.0

# -1~1 정규화
image_scaled = (image / 127.5) - 1.0
```

### PyTorch Transform 사용
```python
from torchvision import transforms

transform = transforms.Compose([
    transforms.ToTensor(),           # 0~255 → 0~1 자동 변환
    transforms.Normalize(
        mean=[0.485, 0.456, 0.406],
        std=[0.229, 0.224, 0.225]
    )
])
```

---

## 참고 자료 및 관련 문서

- [Image Preprocessing in Deep Learning - Towards Data Science](https://towardsdatascience.com/image-preprocessing-in-computer-vision-and-deep-learning-1aeb7a432e95)
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*. MIT Press.
- PyTorch 공식 문서: `torchvision.transforms`
- OpenCV 공식 문서: `cv2.normalize()`

---

## 결론

픽셀 값 재조정은 이미지 전처리의 핵심 단계로, 모델 성능 향상과 안정적인 학습을 위해 반드시 고려되어야 합니다. 목적에 따라 정규화, 표준화 등의 방법을 선택하고, 데이터 특성과 모델 아키텍처에 맞게 적절한 스케일을 적용하는 것이 중요합니다. 특히 딥러닝 분야에서는 표준화된 전처리 파이프라인이 성능 차이를 크게 만들 수 있으므로, 신중한 설계가 필요합니다.