# 디지털 이미지 처리 (Digital Image Processing)

## 1. 개요
**디지털 이미지 처리**란 컴퓨터를 이용하여 디지털 형태의 이미지를 입력받아, 특정 목적을 달성하기 위해 수학적 연산을 통해 이미지를 변형, 개선 또는 분석하는 기술을 의미한다.

디지털 이미지 처리의 주된 목적은 인간의 시각적 인지 능력을 향상시키기 위해 이미지 품질을 개선하거나, 컴퓨터가 이미지 내의 정보를 자동으로 추출하여 분석할 수 있도록 하는 것이다. 실생활에서는 스마트폰 카메라의 보정 기능, 의료용 MRI/CT 영상 분석, 자율주행 자동차의 장애물 인식, CCTV 보안 시스템 등 광범위한 분야에 적용되고 있다.

### 핵심 개념
*   **픽셀 (Pixel):** 'Picture Element'의 합성어로, 디지털 이미지를 구성하는 최소 단위의 점이다.
*   **샘플링 (Sampling):** 연속적인 아날로그 신호를 일정 간격으로 나누어 이산적인(Discrete) 값으로 변환하는 과정이다. 이는 이미지의 해상도를 결정한다.
*   **양자화 (Quantization):** 샘플링된 각 픽셀의 밝기나 색상 값을 유한한 단계의 정수 값으로 변환하는 과정이다. (예: 8비트 그레이스케일은 0~255 단계로 표현)

---

## 2. 디지털 이미지의 기본 원리
디지털 이미지는 컴퓨터 내부에서 **2차원 행렬(Matrix)** 구조로 표현된다. 각 행과 열의 교차점에 위치한 요소가 픽셀의 밝기나 색상 값을 가지며, 이미지의 크기는 행렬의 크기(가로 $\times$ 세로)와 동일하다.

### 색상 모델 (Color Models)
이미지를 표현하는 방식에 따라 다양한 색상 모델이 사용된다.

| 모델 | 특징 | 주요 용도 | 비고 |
| :--- | :--- | :--- | :--- |
| **RGB** | Red, Green, Blue의 가산 혼합 방식 | 모니터, 디스플레이, 웹 이미지 | 빛의 삼원색 기반 |
| **HSV** | Hue(색상), Saturation(채도), Value(명도) | 색상 기반 객체 검출, 이미지 편집 | 인간의 색 인지 방식과 유사 |
| **Grayscale** | 밝기 정보만 가지는 단일 채널 (0~255) | 엣지 검출, OCR, 의료 영상 | 연산량 감소 및 특징 추출 용이 |
| **CMYK** | Cyan, Magenta, Yellow, Black의 감산 혼합 | 인쇄물, 출판 | 잉크의 혼합 기반 |

---

## 3. 이미지 전처리 및 개선 (Image Enhancement)
이미지 개선은 특정 응용 분야에 맞게 이미지의 시각적 품질을 높이거나, 이후 단계의 분석을 용이하게 하기 위해 수행하는 전처리 과정이다.

### 공간 영역 처리 vs 주파수 영역 처리
*   **공간 영역 처리 (Spatial Domain):** 이미지의 픽셀 값에 직접적으로 연산을 수행하는 방식이다. (예: 밝기 조절, 대비 향상)
*   **주파수 영역 처리 (Frequency Domain):** 이미지를 공간 주파수 성분으로 변환하여 처리하는 방식이다. 픽셀 값의 급격한 변화(엣지)는 고주파 성분으로, 완만한 변화(배경)는 저주파 성분으로 나타난다.

### 주요 기법
1.  **히스토그램 평활화 (Histogram Equalization):** 이미지의 밝기 분포(히스토그램)를 균일하게 만들어 명암 대비(Contrast)를 뚜렷하게 향상시키는 기법이다.
2.  **노이즈 제거 (Noise Reduction):** 이미지 생성 과정에서 포함된 불필요한 신호를 제거한다. 특히 **중간값 필터(Median Filter)**는 픽셀 값의 중앙값을 선택함으로써 'Salt-and-pepper noise'와 같은 충격성 노이즈를 제거하는 데 매우 효과적이다.
3.  **푸리에 변환 (Fourier Transform):** 공간 영역의 이미지를 주파수 영역으로 변환하는 핵심 수학 도구이다. 이를 통해 특정 주파수 대역을 제거(Low-pass/High-pass Filter)함으로써 블러링이나 샤프닝 효과를 얻을 수 있다.

---

## 4. 이미지 필터링 및 변환
필터링은 특정 커널(Kernel) 또는 마스크(Mask)라 불리는 작은 행렬을 이미지 전체에 슬라이딩하며 연산하는 **컨볼루션(Convolution)** 과정을 통해 이루어진다.

### 컨볼루션 연산 (Convolution Operation)
이미지 $I$와 커널 $K$의 컨볼루션 연산은 다음과 같은 수식으로 정의된다.
$$(I * K)(i, j) = \sum_{m} \sum_{n} I(i-m, j-n) \cdot K(m, n)$$
이는 커널의 각 요소와 겹치는 이미지 픽셀 값을 곱하여 모두 합산함으로써 새로운 픽셀 값을 결정하는 과정이다.

### 주요 필터링 기법
*   **블러링 (Blurring):** 저주파 통과 필터를 사용하여 고주파 성분(노이즈, 엣지)을 제거한다.
    *   **효과:** 이미지의 노이즈를 줄이고 전체적으로 부드러운 시각적 효과를 줌.
    *   **예시:** `[원본 이미지] → [가우시안 블러 적용] → [부드럽게 뭉개진 이미지]`
*   **샤프닝 (Sharpening):** 고주파 통과 필터를 사용하여 엣지 성분을 강조한다.
    *   **효과:** 이미지의 경계선을 뚜렷하게 만들어 세부 디테일을 강조함.
    *   **예시:** `[흐릿한 이미지] → [언샤프 마스크 적용] → [경계선이 선명한 이미지]`
*   **엣지 검출 (Edge Detection):** 픽셀 값의 변화율(기울기)이 급격한 지점을 찾아 경계선을 추출한다.
    *   **효과:** 객체의 외곽선만을 추출하여 형태 분석을 용이하게 함.
    *   **예시:** `[일반 사진] → [소벨/캐니 필터 적용] → [검은 배경에 흰색 선만 남은 스케치 이미지]`

### Python OpenCV 예제 코드
```python
import cv2
import numpy as np

# 로컬 환경 실행 기준
# 이미지 로드
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 1. 가우시안 블러 (Gaussian Blur) - 노이즈 제거 및 부드럽게
blur = cv2.GaussianBlur(img, (5, 5), 0)

# 2. 소벨 필터 (Sobel Filter) - 수직 엣지 검출
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)

cv2.imshow('Original', img)
cv2.imshow('Blur', blur)
cv2.imshow('Sobel X', sobel_x)
cv2.waitKey(0)
cv2.destroyAllWindows() # 프로세스 정상 종료를 위해 추가
```

---

## 5. 이미지 분할 및 분석 (Image Segmentation)
이미지 분할은 전체 이미지에서 관심 있는 객체(ROI, Region of Interest)만을 분리해내는 과정이다.

### 주요 기법
#### 1. 픽셀 기반 분할
*   **임계값 처리 (Thresholding):** 특정 기준값(Threshold)을 설정하여 픽셀 값이 그보다 크면 1, 작으면 0으로 변환하는 **이진화(Binarization)** 과정이다.
    *   **효과:** 그레이스케일 문서를 흑백 텍스트 이미지로 변환하여 분석 효율을 높임.
*   **모폴로지 연산 (Morphological Operations):** 이진 이미지의 형태학적 특성을 이용해 노이즈를 제거하거나 구멍을 메우는 연산이다.
    *   **침식 (Erosion):** 객체의 경계를 깎아내어 작은 노이즈를 제거하거나 인접한 객체를 분리한다.
    *   **팽창 (Dilation):** 객체의 경계를 확장하여 끊어진 선을 연결하거나 내부 구멍을 채운다.

#### 2. 영역 기반 분할
*   **지역 성장법 (Region Growing):** 유사한 특성(색상, 밝기 등)을 가진 인접 픽셀들을 하나의 영역으로 묶어 나가는 상향식(Bottom-up) 방식이다.
*   **워터셰드 알고리즘 (Watershed Algorithm):** 이미지를 지형도로 간주하고, 픽셀 값의 기울기를 따라 '물'을 채워 영역 간의 경계(댐)를 찾는 방식으로, 서로 붙어 있는 객체를 분리하는 데 효과적이다.

---

## 6. 이미지 압축 및 저장 포맷
디지털 이미지는 데이터 용량이 매우 크기 때문에, 효율적인 저장과 전송을 위해 압축 기술이 필수적이다.

### 압축 방식
*   **무손실 압축 (Lossless Compression):** 원본 데이터를 그대로 복원할 수 있는 방식이다. (예: PNG, GIF)
*   **손실 압축 (Lossy Compression):** 인간의 눈이 인지하지 못하는 정보를 삭제하여 압축률을 극대화하는 방식이다. (예: JPEG)

### 주요 저장 포맷 비교
| 포맷 | 압축 방식 | 투명도 지원 | 특징 |
| :--- | :--- | :--- | :--- |
| **JPEG** | 손실 압축 | X | 사진 저장에 최적, 용량이 작음 |
| **PNG** | 무손실 압축 | O | 웹 그래픽, 로고 등에 사용, 화질 저하 없음 |
| **GIF** | LZW (무손실 압축) | O | 인덱스 컬러 방식(256색 제한), 애니메이션 지원 |
| **TIFF** | 무손실/비압축 | O | 고해상도 인쇄, 의료/전문 영상용 |

---

## 7. 응용 분야 및 최신 동향
전통적인 디지털 이미지 처리는 수학적 필터링에 의존했으나, 최근에는 인공지능 기술과 결합하여 비약적으로 발전하고 있다.

### 주요 응용 사례
*   **의료 영상 진단:** X-ray, CT, MRI 영상에서 종양이나 병변을 자동으로 검출하고 분할한다.
*   **자율주행차:** 차선 인식, 표지판 인식, 보행자 감지 등을 위해 실시간 영상 처리를 수행한다.
*   **생체 인식:** 얼굴 인식(Face ID), 지문 인식, 홍채 인식 등을 통해 보안 인증을 수행한다.

### 최신 동향: 딥러닝 기반 처리
최근에는 사람이 직접 필터를 설계하는 대신, 데이터로부터 특징을 스스로 학습하는 **CNN (Convolutional Neural Network, 합성곱 신경망)** 기반의 접근 방식이 주류를 이루고 있다.
*   **Semantic Segmentation:** 픽셀 단위로 클래스를 분류하여 이미지의 모든 영역을 의미 있게 분할한다.
*   **Generative Models (GAN, Diffusion):** 저해상도 이미지를 고해상도로 변환(Super-Resolution)하거나, 존재하지 않는 이미지를 생성한다.