Thresholding

**임계값 처리(thresholding)**는 그레이스케일 이미지를 픽셀 단위의 이진 결정---유지 또는 폐기, 전경 또는 배경, 에지인지 아닌지---으로 변환합니다. 단순함에도 불구하고 이는 비전 파이프라인 전반에 등장합니다: 명시적인 이미지 이진화로서, 그리고 밝기나 점수를 컷오프와 비교하는 검출기와 디스크립터 내부에서 암묵적으로.

전역 임계값 처리

가장 단순한 형태는 전체 이미지에 하나의 임계값 $T$ 를 적용합니다.

$B(x, y) = \begin{cases} 1 & \text{if } I(x, y) > T \\ 0 & \text{otherwise} \end{cases}$

$T$ 를 수동으로 선택하는 것은 취약하므로, Otsu 방법은 밝기 히스토그램으로부터 이를 자동으로 선택합니다: 결과로 생기는 두 픽셀 클래스의 클래스 간 분산을 최대화하는 $T$ 를 선택합니다.

$\sigma_B^2(T) = \omega_0(T)\, \omega_1(T)\, \big(\mu_0(T) - \mu_1(T)\big)^2$

여기서 $\omega_0, \omega_1$ 은 $T$ 아래/위에 있는 픽셀의 비율이고 $\mu_0, \mu_1$ 은 그들의 평균 밝기입니다. 클래스 간 분산을 최대화하는 것은 클래스 내 분산을 최소화하는 것과 동치입니다---즉 히스토그램을 두 개의 모드로 가장 잘 분리하는 임계값입니다.

적응형(로컬) 임계값 처리

단일 전역 $T$ 는 불균일한 조명(그림자, 비네팅) 아래에서 실패합니다. 적응형 임계값 처리는 지역 이웃으로부터 픽셀별 임계값을 계산합니다.

$T(x, y) = m_W(x, y) - C$

여기서 $m_W$ 는 픽셀 주변 윈도우 $W$ 에 대한 (단순 또는 가우시안 가중) 평균이고 $C$ 는 작은 상수입니다. 각 픽셀은 자신의 지역 임계값과 비교됩니다. 이것이 피듀셜 마커 검출기(ArUco, AprilTag)가 흑백 마커 그리드를 추출하기 전에 이미지를 안정적으로 이진화하는 방법입니다.

히스테리시스 임계값 처리

Canny 에지 검출은 두 개의 임계값을 사용합니다. 그래디언트 크기가 $T_{\text{high}}$ 보다 큰 픽셀은 강한 에지로 받아들여지며, $T_{\text{low}}$ 와 $T_{\text{high}}$ 사이의 픽셀은 강한 에지에 연결되어 있을 때만 유지됩니다. 이는 길고 약한 에지 구간을 보존하면서 고립된 노이즈 응답을 제거합니다---하나의 컷오프가 좋은 구조를 잘라내거나 너무 많은 노이즈를 허용할 때 기억해 둘 만한 트릭입니다.

특징점 파이프라인 내부의 암묵적 임계값

임계값 처리는 대부분의 특징점 관련 기법에 내재되어 있습니다.

FAST는 원 위의 픽셀들 중 연속된 호(arc)가 $I_p + t$ 보다 밝거나 $I_p - t$ 보다 어두울 때만 픽셀 $p$ 를 코너로 선언합니다. 임계값 $t$ 는 검출되는 코너 수를 직접 제어하며, 특징점 수를 안정적으로 유지하기 위해 이미지별 또는 그리드 셀별로 적응되는 경우가 많습니다.
BRIEF/ORB 디스크립터는 픽셀 쌍 간 밝기를 1비트로 임계값 처리하여 비교한 시퀀스입니다---각 디스크립터 비트가 작은 임계값 검사입니다.
검출기 응답(Harris 점수, DoG 대비, 매칭 점수)은 모두 비최대 억제 전에 최소 응답 임계값으로 필터링됩니다.
다이렉트 방법은 그래디언트 크기가 임계값을 초과하는 픽셀만 선택하는데, 오직 그래디언트가 큰 픽셀만이 포토메트릭 정합을 제약하기 때문입니다.

SLAM에서의 의미

SLAM 시스템은 임계값으로 가득 차 있으며, 이를 잘 선택하는 표준 기법을 아는 것이 견고한 시스템과 취약한 시스템을 가릅니다. 적응형 임계값 처리는 조명 변화 속에서도 마커 및 특징점 기반 파이프라인이 계속 동작하게 해주고, FAST 임계값은 이후 모든 모듈이 의존하는 특징점의 밀도와 안정성을 좌우하며, 히스테리시스 방식의 이중 임계값 로직은 여러 수락/거부 결정(예: 매칭 필터링)으로 일반화됩니다. SLAM 프론트엔드가 실내에서 실외로 넘어갈 때 죽는다면, 하드코딩된 전역 임계값이 흔한 원인입니다.