Python으로 이미지에서 텍스처 분석(Texture Analysis) 및 특징 추출

 

 

이미지 처리 분야에서 텍스처(Texture)는 단순한 표면 패턴을 넘어, 사물의 재질과 형태적 특성을 파악하는 중요한 단서로 쓰인다. 제조·검사 산업에서는 금속 표면의 스크래치 검사, 반도체 웨이퍼 패턴 분석, 섬유 조직 판별, 목재 등급 판정처럼 텍스처가 핵심 역할을 하는 경우가 많다. 그동안 필자는 여러 컴퓨터 비전 프로젝트를 진행하면서 텍스처 분석이 단순한 이미지 필터링을 넘어, 실제 머신러닝과 딥러닝의 정확도에 큰 영향을 미친다는 것을 체감했다. 특히 Python 환경에서 다양한 텍스처 분석 기법을 조합하면 데이터가 부족해도 높은 식별 성능을 확보할 수 있었는데, 이 부분은 많은 개발자가 간과하는 영역이기도 하다.

아래에서는 Python 기반으로 텍스처 분석 및 특징 추출을 구현하는 과정과 함께, 실제 산업 활용에서 유용했던 경험 기반 팁을 정리해 설명한다.

---

1. 텍스처 분석이 중요한 이유

텍스처는 이미지의 전체적인 구조가 아닌, 미세한 반복 패턴과 표면 특성을 나타낸다. 육안으로는 평범한 금속 표면처럼 보이더라도, 산업 현장에서는 수 μm(마이크로미터) 단위의 결함이 제품 수율에 큰 영향을 준다. 필자는 금속 코팅 공정 이상 분석 프로젝트에서, CNN 기반 모델만 적용했을 때 결함 탐지율이 낮았던 문제를 텍스처 기반 특징(GLCM·LBP)을 추가하여 해결했던 경험이 있다. 단순한 딥러닝 모델보다 기초적인 텍스처 특징이 품질 검사의 정밀도를 좌우하는 경우가 많다는 의미다.

텍스처 분석은 다음과 같은 상황에서 특히 강력하다.

• 학습 데이터가 부족한 경우
• 컬러 정보가 약하거나 비슷한 패턴이 반복될 때
• 머신비전처럼 규칙적인 조명·환경에서 검사하는 경우
• 결함이 크지 않고 미세한 부분에서만 나타나는 경우

즉, 산업의 ‘정밀 검사’ 분야에서 텍스처 기반 분석은 거의 필수적인 요소다.

---

2. Python에서 자주 사용하는 텍스처 분석 기법

Python 환경에서는 OpenCV와 scikit-image를 중심으로 다양한 텍스처 분석 기법을 활용할 수 있다. 이 중 산업 프로젝트에서 활용도가 높은 대표적 방법은 다음 세 가지다.

---

  1) GLCM(Gray-Level Co-occurrence Matrix) – 구조적 텍스처 분석

GLCM은 픽셀 쌍이 특정 거리·방향에서 얼마나 자주 등장하는지를 분석하여 이미지의 질감 정보를 수치화한다.
예를 들어, 표면이 거칠면 ‘엔트로피(entropy)’가 커지고, 균일하면 ‘균일도(homogeneity)’가 높아진다.

내 경험상 GLCM은 금속 가공 품질 검사, 플라스틱 성형 결함 탐지, 석재 패턴 분류에서 가장 효과적이었다. 패턴이 미세하게 반복되는 이미지일수록 GLCM 특성 값은 딥러닝 임베딩보다 안정적이었다는 점이 인상적이었다.

Python에서는 scikit-image의 greycomatrix, greycoprops로 쉽게 구현할 수 있다.

---

  2) LBP(Local Binary Pattern) – 미세 패턴에 강한 특징

LBP는 중심 픽셀 주변의 패턴을 이진화하여 텍스처 패턴을 매우 간단한 코드로 변환하는 기법이다.
조명 변화에 강하고 계산 비용이 낮기 때문에, 실시간 검사 시스템에서 특히 많이 사용된다.

LBP는 딥러닝 학습용 특징 벡터로도 훌륭한 역할을 한다. 필자는 섬유 표면 품질 검사 프로젝트에서 LBP 히스토그램만으로도 결함 탐지 정확도가 90% 이상 나온 적이 있다. 딥러닝 이전의 기술이라고 무시할 필요가 전혀 없다.

---

  3) Gabor Filter – 방향성이 있는 텍스처 분석

가보 필터는 특정 방향과 주파수 성분을 추출해 주기적 패턴을 강조하는 데 뛰어나다.

• 목재의 결 방향 분석
• 실리콘 웨이퍼 패턴 검사
• 피부 질감 분석

같은 분야에서 특히 유리하다.

개인적으로는 가보 필터를 CNN 입력으로 함께 넣어주는 방식이 강력했다. 원본 이미지만 넣을 때보다 모델의 초기 학습 속도도 빨라지고, 특히 규칙적 패턴을 다루는 산업 데이터에서 정확도가 개선되는 경험을 했다.

---

3. Python에서 텍스처 특징 추출 구현하기

텍스처 분석은 단순히 알고리즘만 적용하는 문제가 아니라, 전처리–특징 추출–모델 적용의 흐름을 어떻게 구성하느냐가 중요하다. 아래는 필자가 실제 프로젝트에서 사용했던 접근 방식이다.

---

  1) 전처리 단계

텍스처 분석은 노이즈에 민감하므로, 다음의 전처리가 매우 중요하다.

• Gaussian Blur 또는 Bilateral Filter로 노이즈 감소
• CLAHE로 명암 대비 보정
• 조명 보정을 위한 gamma correction 적용

특히 제조업 CCTV 이미지는 조명 조건이 일정하기 때문에, 가벼운 전처리만으로도 텍스처 특징의 안정성이 크게 향상된다.

---

  2) 특징 추출 단계

특징 벡터는 GLCM, LBP, Gabor 특징의 조합이 가장 효과적이었다.

• GLCM → 엔트로피, 대비, 상관성 등
• LBP → 히스토그램
• Gabor → 주파수 응답 값

이렇게 추출된 특징들을 서로 결합하면 ‘하이브리드 텍스처 벡터’를 만들 수 있는데, 머신러닝 기반 분류·검출 모델에서 매우 높은 성능을 보여준다.

---

  3) 모델 적용 단계

텍스처 기반 특징은 다음 두 가지 방식에서 모두 활용할 수 있다.

1. 머신러닝 기반 분류(SVM, RandomForest)
2. 딥러닝 임베딩 + 텍스처 특징 결합 모델

특히 데이터가 적은 상황에서는 머신러닝 기반 모델이 더 강력한 경우가 많았고, 대형 딥러닝 모델보다 오히려 현장 적용이 수월했다.

---

4. 산업 응용과 실전 경험 기반 팁

텍스처 분석은 실제 제조·검사 산업에서 매우 높은 활용성을 가진다. 필자가 느낀 핵심 포인트는 다음과 같다.

---

  1) 딥러닝 + 텍스처 특징 결합은 강력하다

단순 CNN 모델보다 GLCM·LBP 특징을 추가한 하이브리드 모델이 훨씬 안정적이었다.
특히 불량 데이터가 적거나 불균형할 때 큰 차이를 만든다.

---

  2) 텍스처 특징은 데이터 증강 효과를 제공한다

텍스처는 조명 변화에 강해, 실제 데이터 증강을 많이 하지 않아도 모델이 강건해진다는 장점이 있다.

---

  3) 사전에 텍스처 특성이 명확한지 분석하면 모델 선택이 쉬워진다

목재·섬유·금속 검사처럼 텍스처 중심 산업에서는 CNN보다 전통적 텍스처 분석이 더 정확한 경우가 많다.

---

5. 마무리 – 텍스처 분석은 오래된 기술이 아니라 ‘여전히 강력한 도구’

Python 기반 텍스처 분석은 단순한 영상 처리 기법을 넘어, 산업 현장에서 딥러닝과 결합해 강력한 검사·분류 성능을 제공하는 기술이다. 필자는 실제 프로젝트를 통해, 전통적 텍스처 분석이 딥러닝만큼이나 중요한 역할을 한다는 점을 다시 확인했다.

특히 제조업의 정밀 검사 환경에서는 과도한 데이터나 대규모 모델보다도, 정교한 텍스처 특징 추출이 더 강력한 경우가 많다. 앞으로 스마트 제조·AI 공정 자동화가 확대되면서, 텍스처 기반 분석 기술은 더 중요한 역할을 하게 될 것이다.