구조 텐서

편집 역사 토론
컴퓨터 그래픽스 수치해석 마지막 수정: 2026-09-01 04:26:08

1. 개요[편집]

구조 텐서
Structure Tensor
정의$J_\rho = G_\rho * \bigl(\nabla I_\sigma\,\nabla I_\sigma^{\mathsf T}\bigr)$
다른 이름2차 모멘트 행렬 · 자기상관 행렬 · 관성 텐서 · 푀르스트너 행렬
두 스케일미분 스케일 $\sigma$ · 적분 스케일 $\rho$ — 둘 다 필요하다
고유값$\lambda_1\ge\lambda_2\ge0$ → 평탄 · 에지 · 코너
코히런시$\bigl((\lambda_1-\lambda_2)/(\lambda_1+\lambda_2)\bigr)^2 \in [0,1]$
출처Förstner–Gülch(1987) · Harris–Stephens(1988) · Bigün–Granlund(1987)

기울기 벡터를 그냥 평균 내면 방향이 상쇄돼 사라진다. 그러니 평균 내기 전에 부호를 지워 놓는다.

구조 텐서는 국소 창 안의 밝기 기울기 벡터를 그 자신과 외적한 뒤 가중 평균한 2×22\times2 대칭 준정부호 행렬로, 그 창이 “얼마나 방향성을 가진 구조인가”를 두 개의 고유값으로 요약한다. 2차 모멘트 행렬, 자기상관 행렬 등 여러 이름으로 불리지만 물건은 하나다.

Jρ(x)  =  Gρ∗(∇Iσ ∇IσT)  =  Gρ∗[Ix2IxIyIxIyIy2]J_\rho(\mathbf{x}) \;=\; G_\rho * \bigl(\nabla I_\sigma\,\nabla I_\sigma^{\mathsf T}\bigr) \;=\; G_\rho * \begin{bmatrix} I_x^2 & I_xI_y \\ I_xI_y & I_y^2 \end{bmatrix}

여기서 Iσ=Gσ∗II_\sigma = G_\sigma * I 이고 ∇Iσ\nabla I_\sigma 는 가우스 미분으로 계산한다. 이 행렬 하나가 특징점 검출의 해리스 코너, 광류의 루카스-카나데 정규방정식, 비등방성 확산의 코히런시 강화 확산, 지문 융선 방향 추정, 탄성파 자료의 층 경사 추정을 전부 같은 이론으로 묶는다. 영상 처리에서 이만큼 재활용률이 높은 2×22\times2 는 없다.

2. 왜 미분 «후» 평활인가[편집]

가장 흔한 오해부터 정리한다. 평활한 뒤 미분하는 것과 미분한 뒤 (텐서 성분을) 평활하는 것은 완전히 다른 연산이다.

평활 후 미분, 즉 ∇(Gρ∗I)\nabla(G_\rho * I) 는 가우스 미분의 선형성 때문에 그냥 기울기 벡터 하나다. 벡터 하나의 외적은 언제나 계수(rank) 1이므로 λ2=0\lambda_2 = 0 이 되고, 결국 “에지”와 “코너”를 구분할 방법이 사라진다. 게다가 기울기는 부호가 있다. 밝은 줄무늬 하나를 창이 감싸면 왼쪽 경계의 기울기와 오른쪽 경계의 기울기가 정반대 방향이라 평균이 0에 가까워진다. 방향은 분명히 있는데 평균이 방향 없음이라고 답하는 것이다.

외적 ∇I ∇IT\nabla I\,\nabla I^{\mathsf T} 는 이 문제를 정확히 해결한다. ∇I\nabla I 와 −∇I-\nabla I 가 같은 행렬을 주기 때문이다. 즉 외적은 방향(direction, 360∘360^\circ)을 버리고 배향(orientation, 180∘180^\circ 주기)만 남기며, 배향은 상쇄되지 않고 더해진다. 그러고 나서 성분별로 선형 평활을 하면 이웃들의 배향 정보가 제대로 합산된다.

이 때문에 구조 텐서에는 스케일이 두 개 있고, 둘은 역할이 다르다.

  • 미분 스케일 σ\sigma — 미분을 안정시키고 잡음을 죽인다. 보통 1 화소 안팎으로 작게.
  • 적분 스케일 ρ\rho — 방향 정보를 모으는 창의 크기. 여기가 실제 튜닝 노브이며, ρ=0\rho = 0 이면 위에서 말한 계수 1 붕괴가 일어난다. 관례적으로 ρ\rho 는 σ\sigma 보다 몇 배 크게 잡는다.

ρ\rho 를 키우면 잡음에 강해지지만 서로 다른 구조가 한 창에 섞여 방향이 뭉개진다. 이 저울이 구조 텐서를 쓰는 모든 응용의 공통 고민이다.

3. 고유값이 말해 주는 것[편집]

JρJ_\rho 는 대칭 준정부호이므로 고유값 λ1≥λ2≥0\lambda_1 \ge \lambda_2 \ge 0 과 직교 고유벡터 e1,e2\mathbf{e}_1, \mathbf{e}_2 를 갖는다. e1\mathbf{e}_1 은 국소 대비가 가장 큰 방향(에지 법선), e2\mathbf{e}_2 는 그에 수직인 결이 뻗은 방향이다.

고유값국소 구조해석
λ1≈λ2≈0\lambda_1 \approx \lambda_2 \approx 0평탄기울기가 없다
λ1≫λ2≈0\lambda_1 \gg \lambda_2 \approx 0에지·직선 결배향이 하나뿐 — 조리개 문제가 발생하는 자리
λ1≈λ2≫0\lambda_1 \approx \lambda_2 \gg 0코너·접합·등방 텍스처배향이 여러 개거나 무작위

2×22\times2 이므로 고유분해가 닫힌 형식으로 나온다. 대각합과 행렬식만 쓰면

λ1,2=J11+J222±(J11−J222)2+J122,θ=12arctan⁡2J12J11−J22\lambda_{1,2} = \frac{J_{11}+J_{22}}{2} \pm \sqrt{\left(\frac{J_{11}-J_{22}}{2}\right)^{2} + J_{12}^{2}}, \qquad \theta = \frac12 \arctan\frac{2J_{12}}{J_{11}-J_{22}}

이고, θ\theta 앞의 1/21/2 이 배향의 180∘180^\circ 주기성을 그대로 반영한다. 배향장을 평균 낼 때 각도를 직접 평균하면 0∘0^\circ 와 179∘179^\circ 가 90∘90^\circ 로 뭉개지는 사고가 나는데, 텐서 성분을 평균하면 이 문제가 자동으로 사라진다. 구조 텐서가 방향 통계의 표준 도구가 된 실무적 이유다.

몇 가지 유용한 스칼라 요약치가 여기서 파생된다.

  • 에너지 tr⁡J=λ1+λ2=Gρ∗∣∇Iσ∣2\operatorname{tr} J = \lambda_1 + \lambda_2 = G_\rho * \lvert\nabla I_\sigma\rvert^2 — 국소 대비의 총량.
  • 코히런시   c=((λ1−λ2)/(λ1+λ2))2∈[0,1]\;c = \bigl((\lambda_1-\lambda_2)/(\lambda_1+\lambda_2)\bigr)^2 \in [0,1] — 배향이 얼마나 한 방향으로 몰려 있는가. 이상적 직선 결이면 1, 등방이면 0. 바이커트의 코히런시 강화 확산은 정규화하지 않은 (λ1−λ2)2(\lambda_1-\lambda_2)^2 을 쓰는데, 대비에 의존한다는 차이가 있으니 문헌을 볼 때 정의를 확인해야 한다.
  • 해리스 응답   R=det⁡J−k (tr⁡J)2\;R = \det J - k\,(\operatorname{tr} J)^2, 시-토마시 응답   λ2\;\lambda_2. 둘 다 ”λ2\lambda_2 가 충분히 큰가”를 다르게 물을 뿐이고, 유도와 비교는 특징점 검출 문서에 있다.

4. 총최소제곱으로 보는 관점[편집]

구조 텐서가 “최적 배향”을 준다는 주장은 실제로 최소화 문제의 답으로 유도된다. 창 안에서 기울기가 모두 어떤 단위벡터 n\mathbf{n} 에 나란하다고 가정하고, 그 가정에서 벗어난 정도를 재면

min⁡∥n∥=1 ∑xw(x) (∇I(x)Tn⊥)2  =  min⁡∥m∥=1 mTJm  =  λ2\min_{\lVert\mathbf{n}\rVert=1}\ \sum_{\mathbf{x}} w(\mathbf{x})\,\bigl(\nabla I(\mathbf{x})^{\mathsf T}\mathbf{n}^{\perp}\bigr)^2 \;=\; \min_{\lVert\mathbf{m}\rVert=1}\ \mathbf{m}^{\mathsf T} J \mathbf{m} \;=\; \lambda_2

즉 가장 작은 고유값의 고유벡터가 결의 방향이고, 그때의 잔차가 λ2\lambda_2 다. 이것은 정확히 총최소자승법의 구조이며, 산점도에 직선을 맞출 때 수직 거리를 최소화하는 그 문제와 같다. 비귄과 그란룬드(1987)가 “선형 대칭성 검출”이라는 이름으로 정리한 결과가 이것이다.1 주성분 분석과 형태가 같아 보이지만 대상이 다르다 — PCA는 점들의 좌표 산포를, 구조 텐서는 기울기 벡터의 산포를 본다.

이 관점의 부수 효과가 하나 있다. 광류의 루카스-카나데에서 정규방정식 계수행렬이 바로 JJ 이므로, λ2\lambda_2 는 그 창에서 흐름을 풀 수 있는가를 재는 값이 된다. 조리개 문제는 ”λ2\lambda_2 가 작다”의 다른 말이고, 시-토마시의 특징 선택 기준은 조건수 관리 그 자체다. 개념 셋이 하나의 행렬로 수렴한다.

5. 확산 텐서로 — 고유값만 갈아 끼운다[편집]

바이커트의 구조 지향 필터링이 구조 텐서의 가장 우아한 응용이다. 아이디어는 한 줄이다. JρJ_\rho 의 고유벡터는 그대로 두고 고유값만 원하는 것으로 바꿔 확산 텐서 DD 를 만든 뒤 ∂tI=∇⋅(D∇I)\partial_t I = \nabla\cdot(D\nabla I) 를 푼다.

  • 에지 강화 확산(EED) — e1\mathbf{e}_1(에지 법선) 방향 확산만 끄고 e2\mathbf{e}_2 방향은 살린다. 페로나-말릭이 하려던 일을 역확산 없이 하는 판본.
  • 코히런시 강화 확산(CED) — 코히런시가 높을수록 e2\mathbf{e}_2 방향으로 더 세게 확산시킨다. 끊어진 결을 이어 붙이는 용도로, 지문 융선·목재 나뭇결·탄성파 반사면·유동 가시화 사진의 줄무늬에 쓴다.

여기서 ρ\rho 평활이 왜 필수인지가 극적으로 드러난다. ρ=0\rho = 0 이면 λ2=0\lambda_2 = 0 이라 코히런시가 항상 1이 되어 CED가 잡음까지 결로 오인하고 열심히 이어 붙인다. 텐서 평활이 곧 “결의 일관성 반경”을 정하는 물리 파라미터다. 나머지 이산화·안정 조건은 비등방성 확산 문서 참고.

이 선형 텐서 평활에도 약점은 있다. GρG_\rho 는 서로 다른 두 구조가 만나는 자리(코너, T-접합)에서 텐서를 섞어 방향을 망친다. 바이커트와 브록스의 비선형 구조 텐서는 텐서 성분 자체를 가우스 대신 비선형 확산으로 평활해, 구조 경계를 넘지 않게 만든다. 텐서에 텐서 확산을 먹이는 이 재귀적 구성이 실제로 잘 듣는다는 것이 이 계열의 흥미로운 점이다.

6. 3차원과 그 너머[편집]

구조 텐서는 차원에 대해 아무것도 요구하지 않는다. dd 차원 영상이면 d×dd \times d 대칭 행렬이 되고 해석도 그대로 확장된다.

  • 3차원 볼륨. μ\muCT나 공초점 현미경 볼륨에서 3×33\times3 구조 텐서의 최소 고유벡터가 국소 섬유 방향을 준다. 복합재의 유리섬유 배향 분포, 골소주 방향, 근섬유 주행 방향을 정량화하는 표준 도구이며, 결과를 배향 텐서로 평균해 유한요소법 물성 모델에 그대로 넘긴다.
  • 시공간 텐서. (x,y,t)(x,y,t) 3차원에서 ∇I=(Ix,Iy,It)\nabla I = (I_x,I_y,I_t) 로 텐서를 만들면, 최소 고유벡터가 곧 시공간 궤적의 방향이고 여기서 광류가 떨어진다. 루카스-카나데를 3차원 배향 추정으로 다시 쓴 것이 정확히 이 형태다.
  • 확산 텐서 영상(DTI)과의 관계. 둘 다 3×33\times3 대칭 텐서장을 고유분해해 방향과 이방성(FA 대 코히런시)을 읽는다는 점에서 분석 도구가 사실상 같다. 다만 대상은 다르다 — DTI의 텐서는 물 분자 확산이라는 물리량을 측정한 것이고, 구조 텐서는 영상 밝기에서 계산해 낸 것이다. 이름과 수식이 닮았다고 같은 물건이라 말하면 안 된다.

7. 실전 메모[편집]

  • 미분 커널이 방향을 왜곡한다. 소벨 3탭 미분은 대각선 부근에서 기울기 각도를 수 도씩 편향시키고, 이 오차가 텐서로 그대로 전파된다. 방향이 결과인 응용에서는 샤르 마스크나 가우스 미분을 써야 한다(에지 검출 참고).
  • 컬러 영상. 채널별로 텐서를 만들어 더한다. 채널별 기울기를 먼저 더하면 반대 부호가 상쇄되어 색 경계가 사라진다 — 다시 한 번, 평균은 외적 이후에.
  • 비용. 성분 3개(대칭이므로) 각각에 분리 가능 가우스 평활 두 번이면 끝이라 화소당 상수 시간이다. 2×22\times2 고유분해도 닫힌 형식이라 사실상 공짜. 실시간 예산에서 부담이 되는 부분은 거의 없다.
  • 정규화 없이 문턱을 잡지 마라. λ\lambda 는 대비의 제곱 차원이라 노출·감마에 따라 자릿수가 흔들린다. 문턱은 코히런시처럼 무차원화한 양에 걸거나, 영상별 분위수로 잡는 것이 안전하다.2

한 줄 요약. 구조 텐서는 “방향은 상쇄되지만 배향은 상쇄되지 않는다”는 관찰 하나를 2×22\times2 행렬로 굳힌 것이고, 그 대가로 코너 검출·광류·이방성 확산·섬유 배향 분석이 같은 언어를 쓰게 됐다.3

8. 관련 문서[편집]

9. Footnotes[편집]

  1. Bigün, J. & Granlund, G. H. (1987). “Optimal Orientation Detection of Linear Symmetry”, ICCV. 같은 해에 푀르스트너와 귈히가 측지 사진측량 쪽에서, 이듬해에 해리스와 스티븐스가 로봇 비전 쪽에서 사실상 같은 행렬에 도달했다. 세 분야가 서로를 모른 채 같은 2×22\times2 를 발명한 셈이고, 그래서 이 행렬의 이름이 넷이나 된다. ↩

  2. 문턱 문제로 하루를 날려 본 사람이라면 안다. 카메라 노출을 반 스톱 올렸더니 코너가 두 배로 잡히는 현상은 버그가 아니라 λ∝(대비)2\lambda \propto (\text{대비})^2 라는 차원 해석의 결과다. 고정 문턱은 조명이 고정된 산업 검사에서만 안전하다. ↩

  3. 구조 텐서를 두고 “관성 텐서와 같은 것 아니냐”고 하는 사람이 종종 있는데, 형태가 2차 모멘트라는 점만 같고 대상이 다르다. 강체의 관성 텐서는 질량 분포의 2차 모멘트, 구조 텐서는 기울기 벡터의 2차 모멘트다. 다만 “2차 모멘트를 고유분해하면 주축이 나온다”는 발상 자체는 같아서, 물리 전공자가 이 개념을 처음 볼 때 유난히 빨리 알아듣는다. ↩