캐니 에지 검출기는 다단계 알고리즘을 사용하여 이미지에서 광범위한 에지를 감지하는 에지 검출 연산자이다. 이는 1986년 존 F. 캐니(John F. Canny)가 개발했으며, 그가 에지 검출이 작동하는 이유를 설명하는 계산 이론도 함께 제시했다. 이 알고리즘은 컴퓨터 비전 시스템에서 처리할 데이터의 양을 줄이면서 중요한 경계를 보존하여 유용한 구조적 정보를 추출하기 위해 널리 적용된다.
이 검출기는 세 가지 기준을 충족하도록 설계되었다: 낮은 오류율(가능한 한 많은 에지를 정확히 포착), 좋은 위치화(감지된 에지가 실제 에지의 중심에 위치), 최소 응답(각 에지는 한 번만 표시되고, 노이즈로 인한 거짓 에지는 생성되지 않아야 함). 캐니는 변분법을 사용하여 가우시안 함수의 1차 도함수로 근사되는 최적 함수를 찾았다. 이러한 엄격한 정의와 기준에 대한 최적성 덕분에 가장 널리 사용되는 에지 검출 방법 중 하나가 되었다.
프로세스 개요
알고리즘은 다섯 단계로 나뉜다: 이미지를 평활화하기 위한 가우시안 필터 적용, 강도 기울기 찾기, 기울기 크기 임계값 적용으로 잘못된 응답 줄이기, 이중 임계값 적용으로 잠재적 에지 결정, 히스테리시스를 통한 에지 추적으로 강한 에지에 연결되지 않은 약한 에지 억제.
가우시안 필터
모든 에지 검출 결과는 노이즈에 쉽게 영향을 받으므로 필터링이 필수적이다. 가우시안 필터 커널을 이미지에 컨볼루션하여 평활화하고 명백한 노이즈의 영향을 줄인다. 커널 크기는 성능에 영향을 미친다: 크기가 클수록 노이즈에 대한 민감도는 낮아지지만 위치화 오류는 증가한다. 시그마 = 2인 일반적인 5x5 커널은 각 항목이 가우시안 공식 H(i,j) = 1/(2πσ²) exp(-((i-(k+1))²+(j-(k+1))²)/(2σ²))을 따르는 행렬로 주어지며, 결과는 이미지와 컨볼루션된다. 5x5 크기의 경우 행렬은 1/159배 [[2,4,5,4,2],[4,9,12,9,4],[5,12,15,12,5],[4,9,12,9,4],[2,4,5,4,2]]이며, 컨볼루션을 통해 적용된다. 5x5 크기는 대부분의 경우에 적합하지만 상황에 따라 달라질 수 있다.
강도 기울기 찾기
다음 단계는 평활화된 이미지의 강도 기울기를 찾는 것이다. 일반적으로 소벨(Sobel) 또는 프리윗(Prewitt) 연산자를 사용하여 수평 및 수직 방향의 기울기를 근사화하고, 각 픽셀에서 가장 강한 기울기의 크기와 방향을 산출한다. 기울기 방향은 다음 단계의 비최대 억제에 중요하다.
비최대 억제 및 임계값 적용
기울기 크기 임계값 적용(하한 컷오프 억제라고도 함)은 잘못된 응답을 줄이기 위해 사용된다. 비최대 억제는 일반적인 접근 방식으로, 기울기 방향에서 국소 최대값인 픽셀만 유지하여 에지를 1픽셀 너비 경계로 얇게 만든다. 그 후 이중 임계값이 적용된다: 높은 임계값은 강한 에지를 찾고, 낮은 임계값은 약한 에지를 찾는다.
히스테리시스를 통한 에지 추적
마지막 단계는 히스테리시스로, 약한 에지는 강한 에지에 연결된 경우에만 유지되고, 그 외의 모든 약한 에지는 억제된다. 이 과정은 노이즈와 약한 고립 응답을 무시하면서 깨끗하고 연속적인 에지를 생성하여 검출을 완성한다. 이 알고리즘은 많은 컴퓨터 비전 시스템에서 구현되었으며, 이미지 분할 및 특징 추출과 같은 고급 작업의 기초로 자주 사용된다.
영향 및 유산
존 F. 캐니의 1986년 연구는 기초적인 기술이 되었다. 이는 오픈소스 라이브러리에서 자주 사용되는 주요 방법이며, Deep learning 기반 접근 방식에서 에지 검출을 논의할 때 일반적인 참조 기준이다. 알고리즘의 단순성과 엄격한 설계는 비교의 기준이 되었다. 학술 연구를 넘어, Waymo 또는 Tesla 시스템과 같은 자율 주행 차량에서 차선이나 장애물 식별을 위한 전처리 단계로 활용된다. 의료 영상에서는 해부학적 구조를 delineate하는 데 도움을 주며, 산업 검사에서는 제조 라인의 결함 감지를 지원한다.
현대 개발과의 관계
Neural network 기반 방법이 발전했지만, 캐니 에지 검출기는 여전히 표준 기준선이자 신호 및 이미지 처리 교육 도구로 남아 있다. 필터링, 기울기 계산, 히스테리시스와 같은 그 원리는 더 발전된 파이프라인에서 여전히 적용된다. 최신 에지 검출 연구는 종종 캐니 결과와 비교하며, 스케줄링 또는 Dropout 단계와 같은 현대 기법에서 유사한 접근 방식이 나타난다. 또한 Data Augmentation에서 합성 에지를 생성할 때도 사용된다. 최근 수십 년 동안 Arm Holdings 및 Intel CPU와 AMD GPU가 제공하는 하드웨어 가속 덕분에 수많은 임베디드 애플리케이션에서 실시간으로 실행될 수 있게 되었다.
캐니 에지 검출기는 많은 후속 연구에 영향을 미쳤으며, 2020년대 초반에도 여전히 대학 과정에서 널리 가르쳐지고 산업계에서 사용되어 1986년 알고리즘의 지속적인 가치를 보여준다.