워터셰드(Watershed)란? AI에서 시작점과 지형을 따라 이미지의 영역을 나누는 방법
워터셰드(Watershed)는 시작점과 지형을 따라 픽셀을 영역별로 나누는 분할 방법입니다. 마커·지형·허용 마스크의 역할, scikit-image·OpenCV의 경계값, 거리 변환·CCL과의 차이 및 과분할·시작점 누락의 주의점을 설명합니다.
거리 변환(Distance Transform)이란? AI에서 픽셀마다 가장 가까운 배경까지의 거리를 구하는 방법
거리 변환은 전경 픽셀에서 가장 가까운 배경까지의 최소 거리를 수치 지도로 표현합니다. 유클리드·택시·체스판 거리, SciPy·OpenCV 설정과 분할 시작점의 뜻, 형태학적 연산·CCL과의 차이 및 반전·해상도·경계·정규화의 주의점을 설명합니다.
형태학적 연산(Morphology)이란? AI에서 픽셀을 줄이고 늘려 이미지의 모양을 다듬는 방법
형태학적 연산은 구조 요소로 픽셀을 줄이거나 늘려 이미지의 모양을 바꾸는 방법입니다. 침식·팽창과 열림·닫힘의 차이, 이진 마스크와 회색조 예시, AI 영상 전처리·후처리의 사용처와 작은 물체·반복 횟수·경계 처리의 주의점을 정리합니다.
연결 성분 레이블링(CCL)이란? AI에서 이어진 픽셀을 묶어 영역마다 번호를 붙이는 방법
연결 성분 레이블링(CCL)은 이어진 대상 픽셀을 묶어 영역마다 정수 번호를 붙이는 방법입니다. 4방향·8방향 연결과 배경 포함 개수, OpenCV·SciPy·scikit-image의 차이, 이진화·분할과의 구분 및 붙음·끊김·영역 통계의 주의점을 설명합니다.
오츠 이진화(Otsu)란? AI에서 밝기 분포로 이미지의 임계값을 자동으로 고르는 방법
오츠 이진화(Otsu)는 이미지의 밝기 히스토그램에서 두 집단을 나눌 임계값을 자동으로 고릅니다. 집단 비중·분산과 마스크 방향의 뜻, 고정·적응형 이진화 및 이미지 분할과의 차이, 조명·동점·작은 대상의 주의점을 설명합니다.
회색조 동시 발생 행렬(GLCM)이란? AI에서 밝기 쌍의 빈도로 이미지의 질감을 표현하는 방법
회색조 동시 발생 행렬(GLCM)은 정한 거리와 방향에 있는 밝기 쌍의 빈도로 질감을 표현합니다. 쌍 집계·대칭화·정규화와 대비·에너지의 뜻, LBP·HOG와의 차이, 밝기 구간·경계·독립 평가의 주의점을 설명합니다.
캐니 에지 검출(Canny)이란? AI에서 밝기 경계를 가는 선으로 찾는 방법
캐니 에지 검출은 밝기 변화의 경계를 가늘게 정리하고 두 임계값과 연결 관계로 선을 남기는 방법입니다. 기울기·비최대 억제·히스테리시스의 순서, HOG·이미지 분할과의 차이, 평활화·입력 범위와 실전 검증의 주의점을 설명합니다.
해밍 손실(Hamming Loss)이란? AI에서 여러 라벨의 개별 판정 오류를 세는 지표
해밍 손실은 정답과 예측이 다른 개별 라벨 판정의 비율을 계산하는 평가 지표입니다. 다중 라벨의 부분 오류와 단일 라벨의 오분류율, 문서 완전 일치율·F1·해밍 거리와의 차이, 표본 가중치·라벨 희소성·미확인 정답의 주의점을 설명합니다.
평균 정밀도(AP)란? AI에서 재현율의 변화로 정밀도를 모아 순위를 평가하는 지표
평균 정밀도(AP)는 임계값별 정밀도를 재현율 증가량으로 가중합해 양성의 순위를 평가하는 지표입니다. 정밀도·F1·ROC-AUC·사다리꼴 PR 면적과의 차이, 동점·양성 라벨·클래스 평균의 뜻과 자료 비율·운영 임계값의 주의점을 설명합니다.
국소 이진 패턴(LBP)이란? AI에서 주변 밝기를 비교해 이미지의 질감을 표현하는 방법
국소 이진 패턴(LBP)은 중심과 주변 밝기를 비교한 코드를 모아 이미지의 질감을 표현하는 특징 추출 방법입니다. 주변점 수·반경·균일 패턴과 출력의 뜻, HOG·SIFT·특징 이진화와의 차이, 잡음·회전·경계 처리 및 독립 평가의 주의점을 설명합니다.
감자나라 AI 강의보기 5,000 
