이미지 모멘트는 디지털 이미지의 픽셀 강도에서 계산되는 통계적 측정값이다. 픽셀 값의 가중 평균을 나타내며, 면적, 중심, 방향, 모양 복잡성과 같은 이미지의 기하학적 속성을 설명하는 스칼라 수치 집합을 생성한다. 모멘트는 적절히 정규화될 때 특정 변환(예: 평행 이동, 회전, 크기 조정)에 대해 불변하므로, 강력한 이미지 분석에 유용하다. 이는 컴퓨터 비전의 기초 도구로 작용하며, 픽셀 단위 매칭 없이도 시각적 패턴의 효율적 표현과 비교를 가능하게 한다.
이미지 모멘트는 일반적으로 각 픽셀이 강도 값을 갖는 이진 또는 회색조 이미지에서 계산된다. 강도 함수 \(I(x, y)\)를 가진 디지털 이미지의 경우, 차수 \((p+q)\)의 원시 모멘트는 모든 픽셀에 걸쳐 \(x^p y^q I(x, y)\)의 합으로 정의된다. 이러한 원시 모멘트는 이미지 전체의 강도 분포를 포착한다. 그러나 원시 모멘트는 이미지의 위치에 의존하므로, 대신 중심 모멘트가 자주 사용된다. 중심 모멘트는 이미지의 중심을 기준으로 계산되어 평행 이동 불변성을 제공한다. 추가 정규화는 스케일 불변 모멘트를 생성하고, 중심 모멘트의 조합은 회전 불변 기술자(예: 1962년에 도입된 Hu의 7개 불변 모멘트)를 생성할 수 있다.
이미지 모멘트의 개념은 질량 분포를 설명하는 확률 이론과 역학에 뿌리를 두고 있다. 이미지 처리에서 1960-70년대에 모양 분석을 위해 대중화되었다. 그 이후로, 객체 감지, 글자 인식, 및 의료 이미징 분야에서 표준 기술이 되었다. 이들의 계산 단순성과 낮은 차원성은 실시간 애플리케이션에 적합하며, 딥러닝과 같은 더 복잡한 특징보다 세부 정보를 잃을 수 있다.
컴퓨터 비주에서의 응용
이미지 모멘트는 모양 설명 및 매칭이 필요한 작업에서 컴퓨터 비주에 광범위하게 사용된다. 예를 들어, 광학 글자 인식(OCR)에서 모멘트는 기하학적 특성을 통해 글자와 숫자를 식별하는 데 도움을 준다. 산업 검사에서 제조 부품의 모멘트를 참조와 비교하여 불량의 존하부를 확인한다. 모멘트는 비디오 시퀀스에서 객체 추적을 가능하게 하며, 이때 1차 모멘트에서 파생된 중심은 안정적인 추적 지점을 제공한다. 또한, 동일 장면의 이미지를 정렬하는 이미지 등록에서, 평행 이동과 회전을 추정해야 하는데, 이를 모멘트에서 파생할 수 있다.
모멘트 유형 및 특성
각각 고유한 특성을 가진 여러 모멘트 유형이 존재한다. 원시 모멘트는 가장 간단하지만 변환에 불변하지 않다. 중심을 기준으로 정의된 중심 모멘트는 평행 이동 불변이다. 면적(0차 모멘트)으로 스케일된 정규화된 중심 모멘트는 스케일 불변성을 제공한다. Hu의 모멘트는 중심 모멘트의 점근 비선형 조합으로, 평행 이동, 스케일, 회전에 불변이며 모양 인식에 널리 사용된다. 1980년에 소개된 Zernike 모멘트는 단위 디스크 위의 직교 다항식을 사용하여 더 나은 노이즈 저항성과 낮은 정보 중복을 제공한다. Legendre 모멘트는 Legendre 다항식 기반으로 직교 기술자도 제공한다. 고급 모멘트는 고차 세부 정보를 포착하여 더 차별적인 모양 분석을 가능하게 한다.
계산 및 구현
이미지 모멘트 계산은 간단하며 효율적이다. 이산 이미지의 경우, 차원 \((p+q)\)의 원시 모멘트는 모든 픽셀을 반복하고 \(x^p y^q\) 곱하기 강도를 합산하여 계산된다. 중심은 1차 모멘트에서 얻는다: \(\bar{x} = m_{10}/m_{00}\) 및 \(\bar{y} = m_{01}/m_{00}\), 여기서\(m_{00}\)는 총 강도(이진 이미지의 면적)이다. 중심 모멘트는 이 중심을 기준으로 계산된다. 실제로 적분 이미지(합과 장)를 사용하여 어떤 직사각형 영역에 대해 일정 시간 계산을 이루며 실시간 처리에 유용하다. OpenCV와 같은 라이브러리는 모멘트 계산에 내장 함수를 제공하여 애플리케이션에서 사용을 용이하게 한다.
현대 머신러닝과의 관계
이미지 모멘트는 고전 기술이지만 Machine learning 및 Deep learning 시대에서 여전히 중요한 역할을 한다. 전통 분류기의 수작성 기능으로 사용되거나 Neural network 모델에 입력하기 전에 정규화된 이미지로 만드는 전처리 단계로 사용된다. 예를 들어, 모멘트는 이미지를 정렬하거나 표준 방향으로 크로핑하여 Convolutional neural network (CNN) 기반 시스템의 성능을 향상시킬 수 있다. 그러나 Residual Network (ResNet) 및 U-Net 같은 딥러닝 모델은 일반적으로 원시 픽셀에서 직접 특징을 학습하여 명시적 모멘트 계산을 덜 필요로 한다. 그럼에도 모멘트는 직관적 기하학적 요약을 제공하여 학습된 표현을 보완할 수 있으므로 해석성에서 여전히 가치가 있다. 혼합 하이브리드 접근에서는 제한된 학습 데이터 상황에서 강건성을 강화하기 위해 모멘트를 학습된 특징과 결합할 수 있다.
제한 사항 및 확장
이미지 모멘트에는 제한이 있다. 전역 기술자이므로 전체 이미지를 요약하여 지역적 변동을 모호하게 할 수 있다. 여러 객체가 있는 복잡한 장면에서는 전체 이미지의 모멘트가 의미가 없으며, 분할 후 각 연결 성분에 대해 계산한다. 또한 특히 고차원 모멘트는 강도 변동을 증폭하므로 노이즈에 민감하다. 이를 완화하기 위해 Zernike 같은 직교 모멘트가 잡음이 많은 환경에서 선호된다. 확장은 색상 채널의 모멘트를 계산하는 색상 모멘트와 모멘트를 다중 해상도 분석과 결합하는 웨이브렛 모멘트를 포함한다. 변형은 색 이미지 및 다중 스케일 분석에 적용을 확장한다.
<!--
주소: 요약하면, 이미지 모멘트는 이미지 모양과 분포를 설명하는 장축하고 수학적 기반의 방법을 지공한다. 불변성과 계산 효율성은 컴퓨터 비주에서 지속적인 사용을 보장하고, 현대 일반 Artificial intelligence 방법의 진화를 고려한에서도 그렇다. 고전적 이미지 분석과 현대 학습 기반 접근법을 연결하는 다리 역할을 하며, 기하학적이해를 위한 간단한강력한 도구를 제공한다. -->