가우시안 필터 (Gaussian Filter)
가우시안 필터(Gaussian Filter)는 영상 처리(image processing) 및 신호 처리(signal processing) 분야에서 널리 사용되는 저역 통과 필터(low-pass filter)의 일종으로, 가우스 함수(Gaussian function)를 커널(kernel)로 사용하여 데이터를 평활화(smoothing)하거나 블러링(blurring)하는 데 적용된다. 수학자 카를 프리드리히 가우스(Carl Friedrich Gauss)의 이름에서 유래하였으며, 통계학의 정규 분포(normal distribution)와 동일한 함수 형태를 기반으로 한다.
수학적 정의
1차원 가우시안 함수는 다음과 같이 정의된다.
$$ G(x) = \frac{1}{\sqrt{2\pi\sigma^{2}}} e^{-\frac{x^{2}}{2\sigma^{2}}} $$
2차원 가우시안 함수는 각 차원에 대한 두 가우시안 함수의 곱으로 표현된다.
$$ G(x, y) = \frac{1}{2\pi\sigma^{2}} e^{-\frac{x^{2}+y^{2}}{2\sigma^{2}}} $$
여기서 $x$는 수평축 상의 원점으로부터의 거리, $y$는 수직축 상의 원점으로부터의 거리, $\sigma$(시그마)는 가우시안 분포의 표준편차(standard deviation)를 나타낸다. 이 함수를 2차원에 적용하면 중심점으로부터 동심원(concentric circles) 형태의 등고선을 가지는 표면이 생성된다.
원리 및 특성
가우시안 필터는 단순 평균 필터(box filter)와 달리, 대상 픽셀에 가까운 이웃 픽셀일수록 더 높은 가중치를 부여하고 멀어질수록 가중치를 낮추는 방식으로 동작한다. 이는 공간적으로 인접한 픽셀 간의 상관관계가 더 높다는 직관적 사실을 반영한 것이다.
주요 특성은 다음과 같다.
- 저역 통과 필터(Low-pass Filter): 가우시안 함수의 푸리에 변환(Fourier transform) 역시 가우시안 함수이므로, 가우시안 필터를 적용하면 이미지의 고주파 성분(high-frequency components)이 감쇠된다. 이로 인해 블러링 효과가 발생한다.
- σ(표준편차)의 역할: σ 값이 클수록 가우시안 분포가 완만해져 블러링 효과가 커지고, σ 값이 작을수록 분포가 뾰족해져 블러링 효과가 작아진다.
- 분리 가능성(Separability): 2차원 가우시안 필터는 두 개의 1차원 가우시안 필터의 외적(outer product)으로 분리 가능하므로, 계산 효율성을 높일 수 있다.
- 커널 크기: 일반적으로 커널의 크기는 σ에 6을 곱한 값보다 큰 최소의 홀수로 설정된다.
응용
가우시안 필터는 다음과 같은 다양한 분야에서 활용된다.
- 이미지 노이즈 제거: 디지털 이미지에서 발생하는 무작위 노이즈를 감소시키는 데 사용된다.
- 스케일 공간 표현(Scale-space Representation): 컴퓨터 비전(computer vision) 알고리즘에서 다양한 스케일의 이미지 구조를 분석하기 위한 전처리 단계로 활용된다.
- 고역 통과 필터(High-pass Filter): 원본 이미지에서 가우시안 블러가 적용된 이미지를 차감하여 이미지의 디테일(edge) 성분을 추출할 수 있다.
- 이미지 샤프닝(Sharpening): 원본 이미지에 추출된 디테일 성분을 더하여 이미지의 선명도를 향상시킬 수 있다.
- 그래픽 소프트웨어: Adobe Photoshop, GIMP 등 대부분의 이미지 편집 소프트웨어에서 "Gaussian Blur"라는 이름으로 기본 필터 기능으로 제공된다.
평균 필터와의 비교
평균 필터(box filter)는 커널 내 모든 픽셀에 동일한 가중치를 부여하는 반면, 가우시안 필터는 중심으로부터의 거리에 따라 가중치를 차등 적용한다. 이로 인해 가우시안 필터는 평균 필터보다 더 자연스러운 블러링 결과를 생성하며, 인공적인 경계선 아티팩트(artifact)가 덜 발생하는 장점이 있다.
