양방향 필터(Bilateral Filter)란? AI에서 거리와 밝기 차이를 함께 보고 이미지의 잡음을 줄이는 방법

TL;DR

양방향 필터는 가까이 있으면서 밝기나 색이 비슷한 픽셀에 더 큰 비중을 주어 평균내는 영상 처리 방법입니다. 주변 거리를 보는 가중치와 값의 차이를 보는 가중치를 함께 써서 경계를 덜 섞으며 잡음을 줄입니다. 사진을 앞뒤 두 번 처리한다는 뜻은 아닙니다. 작은 무늬와 약한 경계도 사라질 수 있으므로 화면의 매끈함과 실제 AI 인식 결과를 따로 확인합니다.

핵심 3줄 요약

• 핵심 1
  거리와 값의 차이를 함께 봅니다. 같이 이웃해도 색이 크게 다른 픽셀은 덜 섞습니다. 기준은 현재 중심 픽셀입니다.
• 핵심 2
  두 척도의 단위를 구분합니다. 공간 범위는 픽셀 거리, 색상 범위는 입력 밝기·색의 척도와 연결됩니다.
• 핵심 3
  경계 보존은 보장 문구가 아닙니다. 강한 처리에서는 질감과 작은 결함도 사라집니다. 원본과 후속 오류를 함께 점검합니다.

이 글에서 다룰 내용

양방향 필터를 한 문장으로 정의하면 무엇인가요?

양방향 필터는 중심 픽셀과의 공간적 거리와 밝기·색상 차이로 가중치를 정하고, 그 가중치를 정규화한 평균으로 픽셀값을 바꾸는 경계 보존 평활 필터입니다.

영문명은 Bilateral Filter이며 처리 과정은 Bilateral Filtering이라고 부릅니다. 양방향은 위치의 가까움과 값의 비슷함을 함께 본다는 이름입니다. 왼쪽에서 오른쪽으로 한 번, 반대쪽으로 한 번 훑는 처리나 두 카메라의 영상을 합치는 작업을 뜻하지 않습니다.

Tomasi·Manduchi의 원 저자 설명는 부드러운 영역에서는 비슷한 값을 평균내고 경계에서는 반대편의 다른 값을 덜 섞는 원리를 설명합니다. 가중치가 영상의 실제 값에 따라 달라지므로 고정된 커널을 모든 위치에 똑같이 적용하는 선형 필터와 구분합니다.

한 줄 정리: 가깝고 비슷한 이웃을 더 많이 섞어 새 밝기를 계산합니다. 그 이웃이 같은 물체에 속하는지 의미를 판정하는 단계는 없습니다.

쉬운 예시로 이해해 볼까요?

감자나라ai님이 한 줄의 밝기 [10,12,100] 에서 가운데 12를 처리한다고 가정해 보겠습니다. 양옆은 모두 한 픽셀 떨어져 있지만 10은 중심과 비슷하고 100은 크게 다릅니다. 거리만 따지는 평균에서는 양옆의 비중이 같습니다.

설명을 위해 이 세 위치만 이웃으로 정하고 공간 표준편차를 1픽셀, 밝기 차이 표준편차를 10으로 둡니다. 각 이웃의 거리 가중치에 밝기 차이 가중치를 곱해 평균내면 가운데 결과는 약 11.25 입니다. 오른쪽 100의 비중은 매우 작아집니다.

같은 세 위치에서 밝기 차이 가중치를 빼고 거리만 반영한 가우시안 평균은 약 35.57 입니다. 밝기 차이 표준편차를 100으로 키운 양방향 평균은 약 29.36 로 올라갑니다. 값의 차이를 넓게 허용하면 경계 반대편도 더 많이 섞인다는 예시입니다.

이 숫자는 Python 표준 라이브러리로 고정한 세 점의 지수함수와 가중평균을 계산한 결과입니다. OpenCV나 scikit-image를 실행한 사진 처리 결과가 아닙니다. 실제 함수의 이웃 모양·근사·반올림·가장자리 처리까지 이 한 줄 계산으로 재현했다고 주장하지 않습니다.

쉬운 예시: 옆에 있다는 이유만으로 다른 색까지 같은 비중으로 섞지는 않습니다. 다만 약한 색 차이를 잡음과 구별해 주는 정답 정보가 생기는 것은 아닙니다.

왜 AI에서 양방향 필터가 중요한가요?

잡음과 윤곽 사이의 절충을 비교합니다

OpenCV 공식 평활 필터 안내는 가우시안 평균과 양방향 필터의 차이를 보여줍니다. 영상 인식 앞에서 작은 흔들림을 줄이는 후보로 검토하되 필요한 윤곽까지 흐려지는지 확대해 봅니다. 필터가 스스로 대상을 학습하거나 분류하는 것은 아닙니다.

표면 무늬가 사라지는 비용을 드러냅니다

scikit-image 공식 잡음 제거 예제에서는 처리 강도에 따라 평평한 색 영역이 생기는 모습을 비교합니다. 제품의 큰 외곽만 필요하면 유용할 수 있지만 표면의 미세 균열이나 질감이 정답 단서라면 같은 변화가 손실입니다. 매끈한 화면을 바로 성능 향상으로 부르지 않습니다.

핵심 인사이트: 잡음과 작은 신호는 모두 밝기의 변화로 기록됩니다. 필터의 경계 보존 성질만으로 어떤 변화가 업무에 필요한지 결정하지 못합니다.

양방향 필터는 어떤 순서로 작동하나요?

1. 중심과 이웃의 범위를 정합니다

처리할 픽셀을 중심으로 주변 위치를 고릅니다. 이웃 범위와 공간 표준편차는 관련되지만 같은 설정은 아닙니다. 범위는 어느 위치까지 후보로 넣을지 정하고 공간 가중치는 그 안에서 먼 위치의 비중을 줄입니다. 색상 영상에서는 비교할 색 표현도 조건입니다.

2. 거리와 값의 차이에 가중치를 줍니다

가우시안 방식에서는 중심에서 멀수록 공간 가중치가 작아지고 중심과 밝기·색이 다를수록 값 가중치도 작아집니다. 둘을 곱해 이웃별 비중을 만듭니다. 회색조와 여러 색상 채널의 거리 계산은 다를 수 있어 구현별 정의를 확인합니다.

3. 가중치의 합으로 나누어 평균냅니다

각 이웃값에 가중치를 곱해 더한 뒤 가중치의 총합으로 나눕니다. 정규화하지 않으면 이웃 구성이 달라지는 것만으로 밝기가 달라집니다. 같은 위치 거리라도 중심값이 바뀌면 값 가중치가 달라지므로 영상 전체의 고정 변환표 하나로 표현하지 않습니다.

4. 새 영상과 사라진 세부를 확인합니다

중심을 옮기며 출력값을 구해 결과 영상을 만듭니다. 반복 적용하면 첫 처리에서 바뀐 값이 다음 처리의 기준이 되므로 여러 번의 결과도 별도 조건입니다. 원본, 처리 영상과 차이 영상을 함께 보고 문자 획·질감·물체 가장자리를 나누어 확인합니다.

실전 팁: 공간 범위와 값 범위를 한꺼번에 크게 바꾸지 마세요. 한 조건씩 바꾸고 입력의 최소·최대 밝기와 처리 시간을 함께 기록하면 차이의 원인을 찾기 쉽습니다.

주요 설정과 결과는 어떻게 읽나요?

OpenCV의 이웃 지름과 두 sigma를 구분합니다

OpenCV bilateralFilter 공식 API에서 d 는 이웃의 지름입니다. 양수이면 이웃 크기를 직접 정하고 0 이하이면 공간 sigma로 계산합니다. sigmaSpace 를 키우면 범위 안에서 먼 위치의 영향이 커지지만 양수로 고정한 지름 밖의 픽셀까지 포함하지는 않습니다.

sigmaColor 가 크면 값의 차이가 큰 이웃도 더 섞습니다. API는 8비트 또는 실수형의 1채널·3채널 입력과 같은 크기·자료형의 출력을 안내하며 입력과 출력의 같은 메모리 사용은 지원하지 않는다고 명시합니다. 이웃을 크게 하면 처리 비용도 함께 확인합니다.

scikit-image는 값 범위와 채널 축을 확인합니다

scikit-image denoise_bilateral 공식 API의 sigma_spatial 은 공간 거리, sigma_color 는 밝기·색 차이의 표준편차입니다. 문서는 색상 거리를 색 벡터 사이의 유클리드 거리로 설명합니다. 기본 sigma_color=None 은 영상의 표준편차를 사용하므로 사진마다 같은 고정 강도라는 뜻이 아닙니다.

RGB 채널이 마지막 축이면 channel_axis=-1 을 지정하고 회색조는 채널 축이 없음을 구분합니다. win_size 는 이웃 창 크기, bins 는 색 가중치의 이산화 정밀도입니다. bins를 영상의 밝기 단계 수나 결과 영역 수로 해석하지 않습니다.

라이브러리 사이에서 숫자와 경계를 그대로 옮기지 않습니다

scikit-image 공식 자료형 안내처럼 img_as_float 는 uint8 입력을 0~1 척도로 바꾸지만 이미 실수인 배열은 자동으로 같은 범위에 재조정하지 않습니다. astype(float) 만 적용한 0~255 배열과 같은 조건이 아닙니다. 색 sigma도 실제 처리 척도에 맞춰 비교합니다.

scikit-image의 기본 mode="constant" 와 cval=0 은 영상 밖의 값을 처리하는 조건입니다. mode="reflect" 처럼 다른 경계 방식은 끝부분의 결과를 바꿀 수 있습니다. OpenCV의 borderType 과 같은 이름·기본값이라고 가정하지 말고 영상 중앙과 가장자리를 따로 봅니다.

양방향 필터와 헷갈리는 용어는 무엇이 다른가요?

가우시안 필터·중앙값 필터와의 차이

기본 가우시안 평활화는 위치 거리에 따른 가중평균입니다. 양방향 필터는 중심과의 값 차이도 반영합니다. 중앙값 필터는 주변값을 순서대로 보아 가운데 값을 고릅니다. 충격성 잡음과 작은 색 흔들림처럼 잡음 조건을 나누어 비교하며 한 방법이 언제나 더 좋다고 정하지 않습니다.

히스토그램 평활화·캐니와의 차이

히스토그램 평활화는 누적 밝기 분포에 따라 대비를 재배치합니다. 양방향 필터는 위치가 있는 이웃을 평균내므로 같은 원래 밝기도 주변에 따라 다른 결과를 받습니다. 캐니 에지 검출은 경계 위치의 지도를 만들지만 양방향 필터의 출력은 밝기·색을 가진 영상입니다.

비교 정리: 양방향 필터는 이웃값의 선택적 평균, 히스토그램 평활화는 밝기 대응의 재배치, 캐니는 경계 후보 검출입니다. 평활화라는 이름이 같아도 계산과 출력은 다릅니다.

실전에서는 어디에 쓰이나요?

문서와 제품 이미지의 전처리 후보를 검토합니다

문자 인식 전의 잡음 완화나 제품 외곽 분석 앞의 표면 단순화를 시험할 때 무처리 영상과 함께 비교합니다. 얇은 글자 획·작은 찍힘·표면 질감이 사라지는지 확인합니다. 필터를 거쳤다는 사실만으로 인식이 좋아졌거나 결함이 없다고 판정하지 않습니다.

영상 처리 흐름의 중간 결과를 보관합니다

필터 전후를 남기면 뒤의 이진화나 특징 추출에서 실패했을 때 어느 단계가 단서를 지웠는지 찾기 쉽습니다. 여러 프레임에서는 밝기가 흔들리면서 질감이 들쭉날쭉해지는지도 봅니다. 개별 이미지의 필터만으로 시간 방향의 안정성까지 보장하지 않습니다.

양방향 필터를 적용할 때 어떤 순서로 확인하나요?

1. 입력과 지켜야 할 세부를 고정합니다

같은 해상도·잘라낸 영역·색공간·자료형으로 시작합니다. 가는 문자 획과 제품의 미세 무늬처럼 없어지면 안 되는 부분을 먼저 표시합니다. 흑백 영상과 RGB 영상의 설정을 분리하고 채널 순서·축도 기록합니다. 저장 전후의 값 범위까지 비교 대상입니다.

2. 작은 예시와 실패 영상을 함께 시험합니다

앞의 세 점 예시, 완만한 밝기 변화, 강한 경계와 약한 경계를 각각 확인합니다. 영상 가장자리도 포함해 무처리·가우시안·양방향 후보를 나란히 놓습니다. 공간 범위와 값 범위 중 하나만 바꾸고 색이 평평해지는 위치와 남는 잡음을 기록합니다.

3. 후속 업무의 오류와 비용을 확인합니다

설정을 고른 영상과 최종 평가 영상을 분리하고 문자 오류·검출 누락·오탐을 비교합니다. 학습 때와 운영 때 입력 전처리가 다르면 성능이 바뀔 수 있으므로 같은 규칙을 적용합니다. 처리 시간과 메모리도 재며 실시간 처리 가능 여부는 실제 환경에서 확인합니다.

사용할 때 무엇을 주의해야 하나요?

첫째, 경계를 무조건 보존한다고 믿지 않습니다. 밝기 차이가 작은 경계는 평균에 섞일 수 있고 큰 잡음은 오히려 다른 값으로 남을 수 있습니다. 눈에 띄는 윤곽만 보고 약한 문자나 작은 결함을 놓치지 않는지 확인합니다.

둘째, 질감 제거를 잡음 제거와 같게 보지 않습니다. 강한 처리로 표면이 평평해지면 자연스러운 무늬도 함께 사라집니다. 분류나 결함 검사가 그 무늬를 단서로 쓴다면 오히려 실패가 늘 수 있습니다. 원본은 덮어쓰지 않고 별도로 보관합니다.

셋째, 색상과 자료형의 변환을 따로 점검합니다. RGB와 BGR 순서, 채널별 처리와 색 벡터 처리, 정수와 실수의 밝기 범위를 구분합니다. 숫자가 같아도 단위가 다르면 같은 필터 강도가 아니며 화면 표시의 자동 범위 조정도 결과를 오해하게 만듭니다.

넷째, 반복 횟수와 실행 비용을 숨기지 않습니다. 여러 번 적용한 결과를 한 번의 결과와 같은 조건으로 비교하지 않습니다. 큰 이웃과 반복 처리는 시간을 더 쓸 수 있습니다. 작은 예제의 실행 속도를 전체 해상도와 운영 장치의 성능으로 일반화하지 않습니다.

주의: 매끈한 영상은 원래 장면의 정확한 복원이나 더 높은 AI 정확도를 뜻하지 않습니다. 보정한 밝기와 원래 측정값을 구별하고 필요한 세부와 후속 오류를 함께 검수합니다.

자주 묻는 질문

Q1. 양방향은 사진을 두 번 처리한다는 뜻인가요?

아닙니다. 위치 거리와 밝기·색 차이를 함께 반영한다는 이름입니다. 반복 적용 횟수와는 별개이며 출력에서 다시 계산하면 기준 픽셀값도 달라집니다.

Q2. 양방향 필터는 딥러닝 모델인가요?

이 글의 필터는 정한 가중치 계산으로 영상을 바꾸는 고전 영상 처리입니다. 정답 라벨로 신경망을 학습하지 않으며 AI 인식 흐름의 전처리 후보로 결합합니다.

Q3. 색 sigma를 크게 하면 경계도 더 잘 지켜지나요?

반드시 그렇지는 않습니다. 큰 값은 색 차이가 큰 이웃을 더 허용합니다. 잡음이 줄어도 경계와 질감이 함께 섞일 수 있어 공간 범위를 고정한 비교가 필요합니다.

Q4. OpenCV 설정을 scikit-image에 그대로 넣어도 되나요?

입력의 밝기 척도·자료형·이웃 정의·채널 축·경계 처리가 다를 수 있습니다. 같은 이름의 sigma라도 실제 값 단위를 확인하고 결과를 별도로 비교합니다.

Q5. 처리한 사진이 선명하면 AI 정확도도 높아지나요?

화면의 외곽이 또렷해도 작은 정답 단서가 사라질 수 있습니다. 원본과 처리 영상의 실제 문자 인식·검출 오류를 독립 평가 자료에서 확인해야 합니다.

출처

마무리

양방향 필터는 거리와 값의 차이에 따라 이웃의 비중을 조절하는 경계 보존 평활 방법입니다. 공간 범위와 색 범위, 입력 척도와 영상 가장자리를 구분하면 같은 이름의 설정으로도 결과가 달라지는 이유를 이해하기 쉽습니다.

처음 적용한다면 작은 밝기 배열에서 가중치의 차이를 확인한 뒤 실제 영상으로 넓혀 보세요. 원본과 출력, 설정과 처리 시간을 함께 남기고 필요한 윤곽·질감·후속 인식 오류를 따로 검토합니다. 덜 거친 화면보다 실제 업무의 오류가 줄었는지가 선택 기준입니다.