컴퓨터 비전 소개

학습 목표

이 레슨을 완료하면:

• •컴퓨터가 이미지를 어떻게 인식하는지 이해합니다
• •픽셀과 채널의 개념을 배웁니다
• •이미지 데이터의 구조를 파악합니다
• •컴퓨터 비전의 주요 응용 분야를 알게 됩니다

---

핵심 메시지

"컴퓨터에게 이미지는 숫자들의 배열일 뿐입니다." 우리가 보는 고양이 사진은 컴퓨터에게는 수십만 개의 숫자 행렬입니다. 이 숫자들에서 패턴을 찾아내는 것이 컴퓨터 비전의 핵심입니다.

---

1. 컴퓨터 비전이란?

비유: 시각장애인이 점자를 통해 글을 읽듯이, 컴퓨터는 숫자를 통해 이미지를 "읽습니다". 우리가 눈으로 보는 것을 컴퓨터가 숫자로 이해하도록 번역하는 것이 컴퓨터 비전입니다.

주요 응용 분야

---

2. 이미지의 디지털 표현

픽셀(Pixel)이란?

픽셀(Pixel) = Picture + Element (그림 요소)

이미지의 가장 작은 단위입니다. 디지털 이미지는 수많은 픽셀들이 격자 형태로 배열된 것입니다.

---

3. 채널(Channel)의 이해

흑백 이미지 (1채널 = Grayscale)

각 픽셀은 0~255 사이의 밝기 값 하나만 가집니다.

• •0: 완전한 검정
• •255: 완전한 흰색

텐서 Shape: (H, W) 또는 (H, W, 1)

예: MNIST 이미지는 (28, 28, 1)

컬러 이미지 (3채널 = RGB)

각 픽셀은 R, G, B 세 가지 값의 조합입니다.

텐서 Shape: (H, W, 3) 또는 (C, H, W)

RGB 색상 조합 예시

---

4. 텐서로 표현하기

이미지 텐서 Shape

딥러닝에서 이미지는 텐서(다차원 배열)로 표현됩니다.

단일 이미지:

• •흑백: (H, W) 또는 (1, H, W)
• •컬러: (C, H, W) - PyTorch 방식
• •컬러: (H, W, C) - TensorFlow/NumPy 방식

배치 이미지 (PyTorch):

• •Shape: (N, C, H, W)
• •N = 배치 크기, C = 채널 수, H = 높이, W = 너비
• •예: (64, 3, 224, 224) = 64개의 224×224 컬러 이미지

🔬 실습: 이미지 텐서 다루기

python
⚠️ 로컬 실행 필요복사
import torch
import numpy as np
import matplotlib.pyplot as plt

# ═══════════════════════════════════════════════════════════════
# 📊 이미지 텐서의 구조 이해하기
# ═══════════════════════════════════════════════════════════════

# 랜덤 컬러 이미지 생성 (H, W, C) - NumPy 방식
np.random.seed(42)
image_numpy = np.random.randint(0, 256, size=(32, 32, 3), dtype=np.uint8)

print("=" * 50)
print("📊 이미지 텐서 구조")
print("=" * 50)
print(f"NumPy 이미지 shape: {image_numpy.shape}")
print(f"  → (Height, Width, Channels) = (32, 32, 3)")

# PyTorch 텐서로 변환 (C, H, W) - PyTorch 방식
image_torch = torch.from_numpy(image_numpy).permute(2, 0, 1).float() / 255.0

print(f"\nPyTorch 텐서 shape: {image_torch.shape}")
print(f"  → (Channels, Height, Width) = (3, 32, 32)")

# 배치 차원 추가
batch = image_torch.unsqueeze(0)  # (1, 3, 32, 32)
print(f"\n배치 텐서 shape: {batch.shape}")
print(f"  → (Batch, Channels, Height, Width) = (1, 3, 32, 32)")

# 시각화
fig, axes = plt.subplots(1, 3, figsize=(12, 4))

# RGB 각 채널 시각화
channels = ['Red', 'Green', 'Blue']
for i, (ax, name) in enumerate(zip(axes, channels)):
    ax.imshow(image_numpy[:, :, i], cmap='gray')
    ax.set_title(f'{name} Channel')
    ax.axis('off')

plt.suptitle('RGB Channel Separation of Color Image', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

print("\n💡 핵심: PyTorch는 (N, C, H, W), NumPy는 (H, W, C) 순서를 사용합니다!")

---

5. 정규화의 중요성

왜 정규화가 필요한가?

원본 픽셀값 범위: 0 ~ 255

정규화 방법

🔬 실습: 이미지 정규화

python
실행복사
import numpy as np
import matplotlib.pyplot as plt

# ═══════════════════════════════════════════════════════════════
# 📊 이미지 정규화 비교
# ═══════════════════════════════════════════════════════════════

np.random.seed(42)

# 원본 이미지 (0-255 범위)
original = np.random.randint(0, 256, size=(8, 8), dtype=np.uint8).astype(float)

# 방법 1: [0, 1] 범위로 정규화
norm_01 = original / 255.0

# 방법 2: [-1, 1] 범위로 정규화
norm_11 = (original - 127.5) / 127.5

# 방법 3: 표준화 (평균 0, 표준편차 1)
mean, std = original.mean(), original.std()
standardized = (original - mean) / std

print("=" * 55)
print("📊 정규화 방법 비교")
print("=" * 55)
print(f"원본:        min={original.min():>6.1f}, max={original.max():>6.1f}")
print(f"[0,1]:       min={norm_01.min():>6.3f}, max={norm_01.max():>6.3f}")
print(f"[-1,1]:      min={norm_11.min():>6.3f}, max={norm_11.max():>6.3f}")
print(f"표준화:      min={standardized.min():>6.3f}, max={standardized.max():>6.3f}")
print(f"             mean={standardized.mean():>6.3f}, std={standardized.std():>6.3f}")

# 시각화
fig, axes = plt.subplots(1, 4, figsize=(14, 3))

titles = ['Original (0-255)', '[0, 1] Norm', '[-1, 1] Norm', 'Standardized']
images = [original, norm_01, norm_11, standardized]

for ax, img, title in zip(axes, images, titles):
    im = ax.imshow(img, cmap='viridis')
    ax.set_title(title, fontsize=11)
    ax.axis('off')
    plt.colorbar(im, ax=ax, fraction=0.046)

plt.suptitle('Image Normalization Methods Comparison', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()

print("\n💡 정규화는 학습 안정성과 수렴 속도를 크게 향상시킵니다!")

---

핵심 요약

---

학습 체크리스트

• • 픽셀과 이미지의 관계를 설명할 수 있다
• • RGB 채널의 의미를 이해한다
• • 텐서 Shape (N, C, H, W)를 해석할 수 있다
• • 정규화의 필요성을 설명할 수 있다

다음 강의 예고

"합성곱 연산" - CNN의 핵심인 합성곱이 어떻게 이미지의 특징을 추출하는지 배웁니다!