본문 바로가기
데이터 AI 인사이트 👩🏻‍💻

[GPT랑 공부하기] 이미지 데이터 분석: 기술통계, KNN 분류, 커머스 활용과 네이버 API 연계 인사이트

by Hayley S 2025. 1. 14.

👩  : 이미지에서 기술통계란?

💻 : 이미지에서 기술통계는 이미지 데이터를 요약하고 설명하는 데 사용되는 통계적 기법입니다. 이를 통해 이미지의 주요 특성과 분포를 정량적으로 이해할 수 있습니다. 다음은 이미지에서 기술통계가 적용되는 주요 방법과 개념들입니다:

1. 픽셀 값의 기술통계

이미지는 픽셀 값의 배열로 구성됩니다. 기술통계는 픽셀 값 분포를 요약하는 데 사용됩니다.

  • 최소값 및 최대값: 이미지에서 가장 어두운 픽셀과 가장 밝은 픽셀의 값.
  • 평균값: 픽셀 값의 평균으로, 이미지의 전반적인 밝기를 나타냄.
  • 중앙값: 픽셀 값의 중앙값으로, 이상치의 영향을 줄임.
  • 표준편차: 픽셀 값의 변동성을 나타냄.
  • 왜도(Skewness) 및 첨도(Kurtosis): 픽셀 값 분포의 비대칭성과 뾰족함 정도를 측정.

2. 히스토그램 분석

  • 히스토그램은 이미지의 밝기 값(픽셀 값) 분포를 나타냅니다. 이를 통해 명암 대비, 밝기, 또는 특정 색상의 분포를 파악할 수 있습니다.

3. 채널별 통계

컬러 이미지(RGB, CMYK 등)는 여러 채널로 나뉩니다. 각 채널에 대해 별도로 기술통계를 계산할 수 있습니다.

  • 예: 빨간색, 초록색, 파란색 채널의 평균 및 표준편차.

4. 텍스처 및 패턴 통계

  • 이미지의 텍스처를 정량적으로 설명하는 데 기술통계를 사용합니다.
    • 에너지: 패턴의 강도.
    • 대비: 밝기 차이.
    • 동질성: 픽셀 간의 유사성.

5. 영역 기반 통계

이미지에서 특정 영역(ROI: Region of Interest)을 선택하여 그 부분의 통계를 계산할 수 있습니다. 예:

  • 얼굴 인식 이미지에서 눈, 코, 입 영역의 밝기 분포.

6. 공간 주파수 분석

  • 이미지의 고주파 및 저주파 요소를 분리하여 통계적으로 분석.
    • 고주파: 엣지(경계) 정보.
    • 저주파: 전체적인 색조 및 밝기.

7. 기술통계의 시각화

  • 박스플롯, 히스토그램, 히트맵 등을 사용하여 기술통계를 시각화하고, 데이터의 분포를 직관적으로 이해.

이러한 기술통계는 이미지 처리, 분석, 컴퓨터 비전, 머신러닝 등 다양한 분야에서 중요한 역할을 합니다. 예를 들어, 이미지 데이터를 전처리하거나 이상치 제거, 또는 특징을 추출하는 데 사용됩니다.

👩 : 샘플예제. 파이썬으로. 코드와 함께 인사이트 해석도. 커머스분야에서 활용사례에 기반해서.

💻 : 아래는 커머스 분야에서 상품 이미지의 밝기 분포를 분석하는 예제입니다. 상품 이미지는 고객의 클릭율 및 구매 결정에 중요한 영향을 미칠 수 있으므로, 이미지의 밝기 수준을 분석하여 품질 관리를 수행하는 데 기술통계를 활용할 수 있습니다.

예제 코드: 상품 이미지 밝기 분석

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 샘플 이미지 로드 (상품 이미지)
image_path = "sample_product_image.jpg"  # 이미지 파일 경로
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 그레이스케일 변환 (밝기 분석을 위해)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 기술 통계 계산
mean_brightness = np.mean(image_gray)
std_brightness = np.std(image_gray)
min_brightness = np.min(image_gray)
max_brightness = np.max(image_gray)

# 밝기 히스토그램
plt.hist(image_gray.ravel(), bins=256, color='gray', alpha=0.7)
plt.title("Brightness Histogram")
plt.xlabel("Pixel Brightness")
plt.ylabel("Frequency")
plt.show()

# 기술 통계 출력
print(f"Mean Brightness: {mean_brightness:.2f}")
print(f"Standard Deviation: {std_brightness:.2f}")
print(f"Min Brightness: {min_brightness}")
print(f"Max Brightness: {max_brightness}")

# 원본 이미지 시각화
plt.imshow(image_rgb)
plt.title("Product Image")
plt.axis("off")
plt.show()

 

출력 결과

  1. 히스토그램
    • 밝기 값의 분포를 그래프로 확인할 수 있습니다.
    • 히스토그램의 편향 여부를 통해 이미지가 너무 어둡거나 밝은지 판단할 수 있습니다.
  2. 기술 통계
    • Mean Brightness: 이미지의 전반적인 밝기를 나타냄.
    • Standard Deviation: 이미지 밝기 값의 변동성을 나타내어 대비 수준 평가 가능.
    • Min/Max Brightness: 가장 어두운 픽셀과 밝은 픽셀의 값을 확인해 이미지의 명암 범위를 확인.

인사이트 해석

  • 평균 밝기가 너무 낮거나(어두운 이미지), 너무 높으면(밝은 이미지) 고객의 상품 인식이 부정적일 수 있습니다.
  • 표준편차가 낮다면, 이미지가 전반적으로 단조로워 보일 수 있으며, 고객의 흥미를 끌지 못할 수 있습니다.
  • 밝기 히스토그램이 특정 밝기에 치우쳐 있다면, 상품 이미지의 조명 품질이 부족하거나 색 보정이 필요할 가능성이 있습니다.

커머스에서의 활용 사례

  1. 상품 이미지 품질 관리
    • 밝기 분포가 기준 범위를 벗어나는 이미지를 자동으로 탐지하여 수정 요청.
    • 예: 너무 어두운 이미지는 조명 보정 권장.
  2. 클릭율(CTR) 최적화
    • 밝기와 대비가 적절한 이미지를 선택하여 고객의 시각적 관심을 유도.
    • 예: 히스토그램의 표준편차가 높은 이미지는 고객의 주목도를 높일 가능성이 큼.
  3. 추천 시스템에 활용
    • 이미지 속성(밝기, 색상)을 메타데이터로 저장하여 상품 추천에 반영.
    • 예: 밝기와 색감이 유사한 상품을 선호하는 고객에게 유사한 상품 추천.
  4. 마케팅 및 브랜딩 전략
    • 특정 밝기와 색상이 브랜드 아이덴티티를 반영한다면, 모든 이미지가 일관성을 유지하도록 자동 감시.

확장 가능성

  • 추가로 색상 분석을 포함하여 고객 선호도를 기반으로 이미지 품질 최적화를 수행할 수 있습니다.
  • 딥러닝 모델과 결합하여 이미지 기반 상품 추천에 기술통계를 활용할 수 있습니다.

👩 : 물류에서 활용법은

💻 : 물류 분야에서 이미지 기술통계는 물류 프로세스의 효율성과 정확성을 개선하는 데 다양하게 활용될 수 있습니다. 아래는 기술통계를 물류에 활용하는 구체적인 방법과 Python 코드 예제를 포함한 설명입니다.

물류에서의 주요 활용 사례

1. 상품 상태 확인 (품질 관리)

  • 창고에서 촬영된 상품 이미지의 밝기, 색상, 텍스처 등을 분석하여 상품 손상 여부를 판별.
  • 기술통계를 통해 손상된 상품(흠집, 찌그러짐 등)을 자동으로 탐지.

2. 포장 상태 평가

  • 포장 이미지의 밝기와 색상 분포를 분석하여 포장이 제대로 이루어졌는지 평가.
  • 예: 특정 패턴(박스 테이프 등)이 적절히 사용되었는지 확인.

3. 바코드 및 레이블 품질 확인

  • 바코드나 라벨이 명확하게 인식될 수 있는지 이미지의 대비와 밝기 수준을 분석.
  • 저품질 이미지는 시스템에서 자동 재촬영을 요청.

4. 창고 내 조명 조건 최적화

  • 창고 내부 CCTV나 이미지 데이터를 분석하여 조명이 일정한지 확인.
  • 밝기 분포를 통해 어두운 구역을 탐지하고 조명 시스템 개선.

5. 자동 분류 및 추적

  • 컨베이어 벨트 위의 상품 이미지를 기술통계로 분석하여, 올바른 라인으로 분류.
  • 밝기, 크기, 색상 등의 데이터로 물품을 자동으로 식별.

 

Python 코드 예제: 포장 상태 평가

아래는 포장된 박스 이미지의 밝기와 대비를 분석하는 코드입니다.

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 샘플 이미지 로드 (포장된 상품 이미지)
image_path = "packaged_box.jpg"  # 포장된 상품 이미지 경로
image = cv2.imread(image_path, cv2.IMREAD_COLOR)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 기술 통계 계산
mean_brightness = np.mean(image_gray)
std_brightness = np.std(image_gray)
min_brightness = np.min(image_gray)
max_brightness = np.max(image_gray)

# 밝기 히스토그램 시각화
plt.hist(image_gray.ravel(), bins=256, color='gray', alpha=0.7)
plt.title("Brightness Histogram - Packaged Box")
plt.xlabel("Pixel Brightness")
plt.ylabel("Frequency")
plt.show()

# 기술 통계 출력
print(f"Mean Brightness: {mean_brightness:.2f}")
print(f"Standard Deviation: {std_brightness:.2f}")
print(f"Min Brightness: {min_brightness}")
print(f"Max Brightness: {max_brightness}")

# 이미지 시각화
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
plt.title("Packaged Box")
plt.axis("off")
plt.show()

 

인사이트 해석

  1. 밝기와 대비 수준 확인
    • Mean Brightness: 이미지의 전반적인 밝기. 너무 낮거나 높으면 조명 상태가 불량하거나 이미지 품질이 떨어짐.
    • Standard Deviation: 낮다면 이미지가 단조로워질 가능성. 대비가 부족하면 포장 테이프와 박스 경계를 인식하기 어려울 수 있음.
  2. 히스토그램 분석
    • 밝기 값의 분포를 통해 포장 테이프 등 특정 패턴이 적절히 표시되는지 확인.
    • 예: 테이프가 없는 부분은 특정 밝기 값으로 나타날 가능성이 큼.

 

활용 방안

1. 조명 및 이미지 품질 자동 점검

  • 카메라와 조명 상태를 실시간으로 모니터링하여 밝기 분포가 일정하지 않은 경우 조명 위치나 강도를 조정.

2. 결함 자동 탐지

  • 손상된 포장(구겨짐, 테이프 누락 등)을 분석하여 물류 관리자가 신속히 조치할 수 있도록 알림.
  • 기술통계 값을 기준으로 머신러닝 모델의 입력 데이터로 활용.

3. CCTV 기반 실시간 모니터링

  • 창고 내 어두운 구역에서 사고나 분실 위험이 증가하므로, 밝기 통계를 통해 조명 개선.

4. 배송 전 검증

  • 상품 포장 상태가 기준치를 벗어나지 않도록 출고 전에 이미지로 확인하고, 필요한 경우 재포장.

 

확장 가능성

  • AI 기반 결합: 기술통계를 딥러닝 모델과 결합해 포장 결함 탐지나 손상 탐지의 정확도를 높일 수 있음.
  • 물류 라인의 최적화: 분석 결과를 기반으로 작업 환경(조명, 카메라 위치)을 지속적으로 개선.
  • 고객 경험 개선: 손상이나 불량 포장이 최소화되므로 반품률 감소 및 고객 만족도 향상.

이와 같이 물류 프로세스에서 이미지 기술통계는 효율성, 품질, 안전성 개선에 큰 역할을 할 수 있습니다.

👩 : 네이버 api에서 겨울여성운동화로 판매량이 많은 이미지를 분석하고 인사이트 도출하는 샘플

💻 : 아래는 네이버 쇼핑 API를 사용하여 "겨울 여성 운동화" 키워드의 판매량이 많은 상품 이미지를 가져오고, 이를 분석하는 Python 샘플 코드와 인사이트 도출 방법입니다.

작업 개요

  1. 네이버 쇼핑 API를 통해 "겨울 여성 운동화" 키워드로 상품 데이터를 가져옴.
  2. 상위 판매량 상품의 이미지를 다운로드.
  3. 각 이미지의 밝기, 대비, 색상 분포를 분석하여 인사이트 도출.
  4. 결과를 시각화 및 해석.
import requests
import cv2
import numpy as np
import matplotlib.pyplot as plt
from io import BytesIO
from PIL import Image

# 네이버 쇼핑 API 설정
client_id = "YOUR_CLIENT_ID"
client_secret = "YOUR_CLIENT_SECRET"
url = "https://openapi.naver.com/v1/search/shop.json"

# 검색 파라미터
params = {
    "query": "겨울 여성 운동화",
    "display": 5,  # 상위 5개 상품만 가져오기
    "sort": "sim",  # 인기순 정렬
}

headers = {
    "X-Naver-Client-Id": client_id,
    "X-Naver-Client-Secret": client_secret,
}

# API 요청
response = requests.get(url, headers=headers, params=params)
data = response.json()

# 상위 상품 정보 출력
for i, item in enumerate(data['items']):
    print(f"[{i+1}] 상품명: {item['title']}")
    print(f"   이미지 URL: {item['image']}")
    print(f"   가격: {item['lprice']}원")
    print()

# 이미지 분석
for i, item in enumerate(data['items']):
    print(f"분석 중: {item['title']}")

    # 이미지 다운로드
    response = requests.get(item['image'])
    img_data = BytesIO(response.content)
    img = Image.open(img_data)
    img_array = np.array(img)

    # 그레이스케일 변환
    gray_img = cv2.cvtColor(img_array, cv2.COLOR_RGB2GRAY)

    # 기술 통계 계산
    mean_brightness = np.mean(gray_img)
    std_brightness = np.std(gray_img)
    min_brightness = np.min(gray_img)
    max_brightness = np.max(gray_img)

    # 결과 출력
    print(f"   평균 밝기: {mean_brightness:.2f}")
    print(f"   밝기 표준편차: {std_brightness:.2f}")
    print(f"   최소 밝기: {min_brightness}")
    print(f"   최대 밝기: {max_brightness}")

    # 히스토그램 시각화
    plt.hist(gray_img.ravel(), bins=256, color='gray', alpha=0.7)
    plt.title(f"Brightness Histogram - 상품 {i+1}")
    plt.xlabel("Pixel Brightness")
    plt.ylabel("Frequency")
    plt.show()

    # 이미지 시각화
    plt.imshow(img)
    plt.title(f"상품 이미지 - {item['title']}")
    plt.axis("off")
    plt.show()

 

인사이트 도출

  1. 밝기 및 대비 수준
    • 밝기가 높은 이미지는 고객에게 더 긍정적인 인상을 주며 클릭율(CTR)에 영향을 줄 수 있음.
    • 밝기 표준편차(대비)가 낮은 경우, 단조롭거나 상품 디테일이 명확히 보이지 않을 가능성이 있음.
  2. 히스토그램 패턴 분석
    • 특정 밝기 값에 집중된 이미지는 조명 조건이 제한적이거나 상품의 세부 정보가 부족할 수 있음.
    • 적절한 밝기 분포를 가진 이미지는 고객의 상품 이해를 돕고 구매로 이어질 가능성이 높음.
  3. 상품 이미지 비교
    • 상위 판매량 상품 간 밝기와 색상 차이를 비교하여 공통적인 특징(예: 밝고 선명한 이미지)을 발견.
    • 판매량이 적은 상품과 비교하면 이미지 품질의 중요성을 확인 가능.

 

활용 방안

  1. 이미지 품질 기준 설정
    • 상위 판매 상품에서 공통적으로 발견된 이미지 특성(밝기, 대비 등)을 기준으로 품질 평가 시스템 구축.
    • 낮은 품질의 이미지는 개선 작업 요청.
  2. 클릭율(CTR) 예측 모델 개발
    • 상품 이미지의 기술통계(밝기, 대비 등)를 메타데이터로 추가하여 클릭율을 예측하는 머신러닝 모델 훈련.
  3. 상품 리스팅 최적화
    • 밝기와 대비가 일정 기준 이상인 이미지만 리스팅에 노출하여 구매 전환율을 높임.
  4. 시각적 브랜딩 전략
    • 상위 판매 상품에서 공통적으로 나타난 이미지 특성을 브랜딩 요소로 활용.
    • 예: 밝고 선명한 이미지 또는 특정 색조 사용.

 

결론

이 분석은 네이버 쇼핑 API와 이미지 기술통계를 활용하여 상위 판매 상품의 이미지 품질을 이해하고 개선할 수 있는 데이터 기반의 전략을 제공합니다. 이를 통해 판매율 증가 및 고객 경험 향상을 기대할 수 있습니다.

👩 : 이 작업에 필요한 이미지관련, 넘파이 관련 기초지식은

💻 : 네이버 쇼핑 API를 활용한 이미지 분석 작업을 이해하고 수행하기 위해 필요한 기본 지식은 크게 두 가지로 나눌 수 있습니다: 이미지 관련 기초 지식과 NumPy 관련 기초 지식입니다. 아래에 각 주제에 대해 설명드리겠습니다.

 

1. 이미지 관련 기초 지식

1.1 이미지 표현

  • 픽셀 값: 이미지는 픽셀로 구성된 2D 또는 3D 배열입니다.
    • 그레이스케일 이미지: 단일 채널로 구성되며, 각 픽셀은 0~255의 밝기 값을 가집니다.
    • 컬러 이미지 (RGB): 세 개의 채널(Red, Green, Blue)을 가지며, 각 채널의 픽셀 값은 0~255 사이의 값.

1.2 이미지 형식

  • 이미지 파일 형식: JPEG, PNG, BMP 등.
  • 로드 및 저장:
    • cv2.imread (OpenCV): 이미지를 NumPy 배열로 읽어들임.
    • cv2.imwrite (OpenCV): 이미지를 파일로 저장.
    • Pillow의 Image.open: 이미지를 메모리로 읽고 처리.

1.3 이미지 변환

  • 그레이스케일 변환: cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)를 사용.
  • 리사이징: 이미지를 원하는 크기로 변경. 
    resized_image = cv2.resize(image, (width, height))
  • 히스토그램 계산: 픽셀 값의 분포를 계산. 
    hist = cv2.calcHist([gray_image], [0], None, [256], [0, 256])

1.4 이미지 시각화

  • matplotlib.pyplot.imshow: 이미지를 시각화할 때 사용. 
    plt.imshow(image, cmap='gray')
plt.axis("off")
plt.show()

 

2. NumPy 관련 기초 지식

2.1 NumPy 배열

  • 이미지 데이터는 기본적으로 NumPy 배열로 표현됩니다.
    • 그레이스케일 이미지: 2D 배열 (예: (height, width)).
    • 컬러 이미지 (RGB): 3D 배열 (예: (height, width, 3)).
  • NumPy 배열 생성: 
    import numpy as np
array = np.array([[1, 2], [3, 4]])

2.2 배열 조작

  • 배열의 크기 확인: 
    print(image_array.shape)
  • 배열의 특정 값 접근: 
    pixel_value = image_array[0, 0]  # 좌상단 픽셀
  • 배열 슬라이싱: 
    cropped_image = image_array[50:100, 50:100]  # 50~100 픽셀 범위로 자르기

2.3 통계 계산

  • 평균: np.mean(array)
  • 표준편차: np.std(array)
  • 최소/최대 값: np.min(array), np.max(array)

2.4 배열 연산

  • 이미지 밝기 조정: 
    brighter_image = image_array + 50  # 모든 픽셀 값에 50 추가
  • 픽셀 값 제한: 
    normalized_image = np.clip(image_array, 0, 255)  # 픽셀 값이 0~255 사이로 제한

 

예제 작업

이미지를 NumPy로 처리하는 기본 코드

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 이미지 로드
image = cv2.imread("sample.jpg")  # 컬러 이미지 (BGR)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)  # BGR -> RGB 변환
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 그레이스케일 변환

# 이미지 크기와 채널 확인
print("Original Image Shape:", image.shape)  # 예: (height, width, 3)

# 기술 통계 계산
mean_brightness = np.mean(image_gray)
std_brightness = np.std(image_gray)
min_brightness = np.min(image_gray)
max_brightness = np.max(image_gray)

print(f"Mean Brightness: {mean_brightness:.2f}")
print(f"Standard Deviation: {std_brightness:.2f}")
print(f"Min Brightness: {min_brightness}")
print(f"Max Brightness: {max_brightness}")

# 밝기 히스토그램 시각화
plt.hist(image_gray.ravel(), bins=256, color='gray', alpha=0.7)
plt.title("Brightness Histogram")
plt.xlabel("Pixel Brightness")
plt.ylabel("Frequency")
plt.show()

 

배운 내용을 활용하기 위한 기본 지식

  1. 이미지 데이터 처리의 기본 원리:
    • 이미지 데이터는 픽셀 값의 배열로 처리되며, NumPy를 사용해 변환과 분석을 수행합니다.
  2. 통계 계산을 통해 의미 있는 정보 추출:
    • 밝기와 대비 같은 간단한 통계도 클릭율이나 고객 반응을 예측하는 중요한 지표가 될 수 있습니다.
  3. 시각화:
    • 이미지나 히스토그램을 시각화하여 분석 결과를 쉽게 이해할 수 있습니다.

👩 : 기술통계와 연관한 이미지 분석 고급기슬도. 네이버 api연계 인사이트 도출 포함하여

💻 :

이미지 분석 고급 기술을 활용한 네이버 API 연계 인사이트 도출

고급 이미지 분석 기법과 네이버 API를 연계해 더 정교한 인사이트를 도출하는 과정을 다룹니다. 이 작업에서는 단순 기술통계를 넘어서 이미지의 고급 특성(텍스처, 색상, 경계선 분석)을 분석하여, 상품 경쟁력을 높이기 위한 중요한 정보를 제공합니다.

 

1. 고급 이미지 분석 기법

아래는 고급 이미지 분석 기법입니다.

1.1 색상 분석 (Color Analysis)

  • RGB 이미지의 각 채널 통계를 계산하거나 특정 색상이 이미지에서 차지하는 비율을 계산.
  • 활용 사례: 고객이 선호하는 색조의 운동화가 어떤 색상인지 파악.

1.2 텍스처 분석 (Texture Analysis)

  • 텍스처는 이미지의 세부적인 패턴으로, 상품의 재질을 나타낼 수 있음.
  • GLCM(Gray-Level Co-occurrence Matrix) 또는 LBP(Local Binary Patterns)를 사용.
  • 활용 사례: 신발의 재질(가죽, 니트, 스웨이드 등)을 구별.

1.3 경계선 및 에지 분석 (Edge Analysis)

  • 이미지의 주요 윤곽선과 모서리를 추출하여 형태를 분석.
  • Canny Edge Detection 또는 Sobel Filter를 사용.
  • 활용 사례: 신발의 전체적인 실루엣 분석.

1.4 딥러닝 기반 특징 추출 (Feature Extraction using Deep Learning)

  • Pre-trained 모델(예: VGG, ResNet)을 사용해 고수준 특징 벡터를 추출.
  • 활용 사례: 상품 이미지를 자동으로 클러스터링하거나, 유사한 상품 추천.

 

2. 네이버 쇼핑 API 연계 고급 이미지 분석

아래는 네이버 쇼핑 API에서 데이터를 가져와 고급 분석을 수행하는 Python 예제입니다.

import requests
import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.feature import greycomatrix, greycoprops
from io import BytesIO
from PIL import Image
import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras.applications.vgg16 import preprocess_input

# 네이버 쇼핑 API 설정
client_id = "YOUR_CLIENT_ID"
client_secret = "YOUR_CLIENT_SECRET"
url = "https://openapi.naver.com/v1/search/shop.json"

# 검색 파라미터
params = {
    "query": "겨울 여성 운동화",
    "display": 5,  # 상위 5개 상품 가져오기
    "sort": "sim",  # 인기순 정렬
}

headers = {
    "X-Naver-Client-Id": client_id,
    "X-Naver-Client-Secret": client_secret,
}

# API 요청
response = requests.get(url, headers=headers, params=params)
data = response.json()

# 상위 상품 정보 출력
for i, item in enumerate(data['items']):
    print(f"[{i+1}] 상품명: {item['title']}")
    print(f"   이미지 URL: {item['image']}")
    print(f"   가격: {item['lprice']}원")
    print()

# VGG16 모델 로드 (특징 추출용)
vgg_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3))

# 이미지 분석
for i, item in enumerate(data['items']):
    print(f"분석 중: {item['title']}")

    # 이미지 다운로드
    response = requests.get(item['image'])
    img_data = BytesIO(response.content)
    img = Image.open(img_data).resize((224, 224))  # 모델 입력 크기로 리사이징
    img_array = np.array(img)

    # 1. 색상 분석
    r_mean, g_mean, b_mean = np.mean(img_array[:, :, 0]), np.mean(img_array[:, :, 1]), np.mean(img_array[:, :, 2])
    print(f"   평균 색상 - R: {r_mean:.2f}, G: {g_mean:.2f}, B: {b_mean:.2f}")

    # 2. 텍스처 분석 (GLCM)
    gray_img = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2GRAY)
    glcm = greycomatrix(gray_img, distances=[1], angles=[0], levels=256, symmetric=True, normed=True)
    contrast = greycoprops(glcm, 'contrast')[0, 0]
    dissimilarity = greycoprops(glcm, 'dissimilarity')[0, 0]
    print(f"   텍스처 - Contrast: {contrast:.2f}, Dissimilarity: {dissimilarity:.2f}")

    # 3. 딥러닝 특징 추출
    img_preprocessed = preprocess_input(np.expand_dims(img_array, axis=0))
    features = vgg_model.predict(img_preprocessed).flatten()
    print(f"   딥러닝 특징 벡터 크기: {features.shape}")

    # 이미지 시각화
    plt.imshow(img)
    plt.title(f"상품 이미지 - {item['title']}")
    plt.axis("off")
    plt.show()

 

3. 인사이트 도출

1. 색상 분석

  • 판매량이 높은 상품에서 특정 색상의 평균값이 반복적으로 나타난다면, 고객이 선호하는 색조를 유추할 수 있습니다.
  • 예: 밝은 톤의 베이지 및 흰색 계열이 많다면 겨울 시즌에 고객이 이러한 색상을 선호한다고 판단 가능.

2. 텍스처 분석

  • 대비(Contrast)가 높은 상품은 재질이 독특하거나 고급스럽게 보일 가능성이 큽니다.
  • 유사성(Similarity)이 높은 상품은 부드럽고 균일한 텍스처를 가지며, 캐주얼한 상품으로 인식될 가능성이 높습니다.

3. 딥러닝 특징 벡터

  • 추출된 특징 벡터를 기반으로 유사 상품을 자동으로 클러스터링하거나, 새로운 상품이 기존 군집과 얼마나 유사한지 분석.
  • 예: 고객이 특정 브랜드의 신발을 클릭했다면, 같은 군집에 있는 유사한 신발을 추천.

 

4. 활용 방안

1. 판매 전략

  • 상위 판매 상품에서 색상, 텍스처, 디자인의 공통점을 파악하여 인기 있는 스타일을 중심으로 상품 구성.

2. 추천 시스템

  • 딥러닝 기반의 특징 벡터를 활용해 유사한 상품을 추천.
  • 고객의 클릭 데이터를 분석해 개인화된 추천 제공.

3. 상품 리스팅 최적화

  • 기술통계 및 고급 분석 결과를 기반으로 판매 성과가 낮은 상품의 이미지 품질을 개선.
  • 예: 밝기, 색상, 텍스처가 상위 판매 상품과 유사하도록 이미지 최적화.

4. 브랜드 관리

  • 색상 및 텍스처 분석을 통해 브랜드의 시각적 정체성을 강화.
  • 예: 특정 색조를 브랜드의 대표 이미지로 사용.

 

결론

위 과정을 통해 단순 판매량 분석에서 한 걸음 더 나아가, 상품 이미지의 색상, 텍스처, 고급 특징을 파악할 수 있습니다. 이 데이터를 활용하면 개인화 추천, 브랜드 전략 강화, 판매 최적화 같은 다각적인 효과를 얻을 수 있습니다.

👩 : 딥러닝, 욜로를 제외하고 커머스에서의 이미지 분석

💻 :

딥러닝과 YOLO를 제외한 커머스에서의 이미지 분석은 기존의 컴퓨터 비전 기술과 통계적 접근을 활용하여 효과적으로 이루어질 수 있습니다. 이런 방법들은 상대적으로 가볍고 빠르며, 특정 문제 해결에 충분히 강력한 도구가 될 수 있습니다. 아래에서는 주요 기술과 커머스에서의 활용 방안을 설명합니다.

1. 사용 가능한 이미지 분석 기술

1.1 이미지 기술 통계

  • 밝기/대비 분석: 이미지를 정량적으로 분석하여 밝기와 대비 수준 확인.
    • 활용 사례: 상품 사진의 밝기 기준 설정(너무 어두운 이미지는 클릭율 감소).
  • 히스토그램 분석:
    • 각 채널(RGB, 그레이스케일)의 히스토그램 분포를 분석.
    • 활용 사례: 이미지 색조와 고객 선호도 연계.

1.2 경계선 및 윤곽선 분석

  • Edge Detection: 이미지의 윤곽선을 추출하여 상품의 형태를 분석.
    • 사용 기술: Canny Edge Detection, Sobel Operator.
    • 활용 사례: 상품 실루엣 분석(예: 신발 모양 식별).

1.3 컬러 분석

  • 색상 공간 변환:
    • 이미지 데이터를 HSV(Hue, Saturation, Value) 또는 LAB 색상 공간으로 변환하여 분석.
    • 특정 색상의 비율 계산(예: 빨간색 비율이 30% 이상인 상품 탐색).
    • 활용 사례: 고객이 선호하는 컬러 기반 상품 추천.

1.4 패턴 및 텍스처 분석

  • Local Binary Patterns (LBP):
    • 이미지의 텍스처 특징을 정량화하여 제품의 재질 특성 분석.
    • 활용 사례: 신발의 소재(스웨이드, 메쉬 등) 구별.
  • GLCM (Gray-Level Co-occurrence Matrix):
    • 텍스처의 대조, 동질성, 에너지 등을 계산하여 제품의 표면 질감 분석.
    • 활용 사례: 고급 재질(가죽, 부드러운 섬유) 판별.

1.5 형태 분석

  • 이미지의 형태를 분석하여 상품의 크기, 비율, 대칭성 등을 확인.
    • 예: OpenCV의 contour detection을 활용해 제품 경계를 분석.
    • 활용 사례: 상품 크기 기준에 따라 카테고리화(예: 가방 크기 분류).

 

2. Python 코드 예제

예제: 상품 이미지의 색상, 밝기, 텍스처 분석

import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage.feature import greycomatrix, greycoprops

# 샘플 이미지 로드
image_path = "sample_product.jpg"  # 분석할 상품 이미지
image = cv2.imread(image_path)
image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 1. 밝기 및 대비 분석
mean_brightness = np.mean(image_gray)
std_brightness = np.std(image_gray)
print(f"Mean Brightness: {mean_brightness:.2f}")
print(f"Brightness Std Dev: {std_brightness:.2f}")

# 2. 색상 분석 (RGB 평균)
r_mean = np.mean(image_rgb[:, :, 0])
g_mean = np.mean(image_rgb[:, :, 1])
b_mean = np.mean(image_rgb[:, :, 2])
print(f"Mean Color - R: {r_mean:.2f}, G: {g_mean:.2f}, B: {b_mean:.2f}")

# 3. 텍스처 분석 (GLCM)
glcm = greycomatrix(image_gray, distances=[1], angles=[0], levels=256, symmetric=True, normed=True)
contrast = greycoprops(glcm, 'contrast')[0, 0]
homogeneity = greycoprops(glcm, 'homogeneity')[0, 0]
print(f"Texture Contrast: {contrast:.2f}")
print(f"Texture Homogeneity: {homogeneity:.2f}")

# 4. 이미지 및 히스토그램 시각화
plt.figure(figsize=(10, 5))

# 원본 이미지
plt.subplot(1, 2, 1)
plt.imshow(image_rgb)
plt.title("Product Image")
plt.axis("off")

# 밝기 히스토그램
plt.subplot(1, 2, 2)
plt.hist(image_gray.ravel(), bins=256, color='gray', alpha=0.7)
plt.title("Brightness Histogram")
plt.xlabel("Pixel Brightness")
plt.ylabel("Frequency")
plt.show()

 

3. 커머스에서의 활용 사례

3.1 상품 사진 품질 관리

  • 품질 기준에 맞지 않는 이미지를 자동 탐지.
    • 너무 어둡거나 밝은 사진 제거.
    • 색상 및 대비 조정을 통해 상품 디테일 강화.

3.2 상품 색상 선호도 분석

  • 고객이 선호하는 색상을 파악하여 재고 및 생산 계획 최적화.
    • 예: 여름철에 선호되는 밝은 톤과 겨울철 선호되는 어두운 톤 비교.

3.3 상품 카테고리 분류

  • 텍스처 및 형태 분석을 통해 상품 자동 분류.
    • 예: 운동화, 슬립온, 부츠를 형태와 텍스처 특징으로 분류.

3.4 상품 추천

  • 이미지 색상과 텍스처 정보를 기반으로 유사한 상품 추천.
    • 예: 밝은 색상의 신발을 좋아하는 고객에게 유사한 밝은 톤의 신발 추천.

3.5 브랜드 컨셉 분석

  • 경쟁사의 이미지를 분석해 자사와의 차별화 전략 수립.
    • 예: 특정 브랜드의 제품 사진이 고대비 이미지라면, 대비를 강화한 촬영 기법 적용.

 

4. 추가 확장 아이디어

1. 실시간 분석

  • 업로드된 이미지를 실시간으로 분석하여 품질이 기준에 맞지 않을 경우 즉각 경고.

2. 사용자 생성 콘텐츠(UGC) 분석

  • 고객이 업로드한 리뷰 이미지에서 상품 색상, 품질, 텍스처를 분석해 제품의 실제 사용 환경 평가.

3. 시장 동향 분석

  • 네이버 쇼핑 API와 연계하여 특정 카테고리의 트렌드 색상, 텍스처를 분석.
    • 경쟁력 있는 상품 기획에 활용.

 

결론

딥러닝과 YOLO를 제외한 이미지 분석도 기술통계, 텍스처 분석, 색상 분석 등 다양한 기법을 통해 커머스에서 유의미한 인사이트를 제공할 수 있습니다. 이러한 기술은 비용 효율적이며 빠르게 적용 가능하여 상품 품질 관리, 마케팅 전략 최적화, 고객 경험 개선 등 다방면에서 활용될 수 있습니다.

👩 : 이미지 추천시스템의 원리

💻 :

이미지 추천 시스템의 원리

이미지 추천 시스템은 사용자가 선호할 가능성이 높은 이미지를 예측하여 제공하는 시스템으로, 컴퓨터 비전, 추천 알고리즘, 사용자 행동 데이터를 결합하여 작동합니다. 아래는 이미지 추천 시스템의 주요 원리와 핵심 구성 요소를 설명합니다.

 

1. 이미지 추천 시스템의 주요 원리

1.1 이미지 특징 추출

이미지를 수치화하여 추천에 사용할 수 있는 벡터 형식으로 변환.

  • 저수준 특징 (Low-Level Features):
    • 색상, 밝기, 텍스처, 경계선 등.
    • 예: 특정 색상의 비율이 높은 상품 추천.
  • 고수준 특징 (High-Level Features):
    • 객체, 장면 정보, 심미적 요소 등.
    • 딥러닝 모델(예: CNN)을 사용해 고차원 임베딩 벡터 생성.

1.2 사용자 행동 분석

사용자의 선호도와 행동 데이터를 수집하여 분석.

  • 클릭 데이터, 구매 기록, 찜하기, 별점 등.
  • 사용자가 클릭하거나 구매한 이미지의 특징과 유사한 이미지를 추천.

1.3 추천 알고리즘

추천 알고리즘은 사용자와 이미지 간의 관계를 모델링하여 가장 관련성 높은 이미지를 제공.

  • 콘텐츠 기반 필터링(Content-Based Filtering):
    • 사용자가 선호했던 이미지의 특징과 유사한 이미지를 추천.
  • 협업 필터링(Collaborative Filtering):
    • 비슷한 선호도를 가진 다른 사용자가 좋아한 이미지를 추천.
  • 하이브리드 방식(Hybrid Filtering):
    • 콘텐츠 기반과 협업 필터링을 결합.

1.4 유사도 계산

이미지 간의 유사도를 측정하여 추천.

  • 코사인 유사도(Cosine Similarity): 이미지 특징 벡터 간의 각도를 측정.
  • 유클리디안 거리(Euclidean Distance): 이미지 특징 벡터 간의 직선 거리.
  • 맨해튼 거리(Manhattan Distance): 이미지 특징 벡터의 축을 따라 이동한 거리.

 

2. 이미지 추천 시스템의 구성 요소

2.1 이미지 처리 및 임베딩

  • 이미지 데이터를 입력으로 받아 특징 벡터를 생성.
  • 기법:
    • 전통적 기법: SIFT, HOG 등.
    • 심층 학습: ResNet, VGG, EfficientNet 등 Pretrained CNN 모델 사용.

2.2 사용자 데이터 처리

  • 사용자 활동 데이터를 기반으로 행동 패턴을 추출.
  • 예: 구매 빈도, 클릭 히스토리, 선호 색상/스타일.

2.3 추천 알고리즘 엔진

  • 알고리즘 선택:
    • 사용자의 과거 선호도를 기반으로 추천.
    • 이미지 간의 특징 유사성을 기반으로 추천.

2.4 후처리

  • 추천된 이미지를 정렬하거나 필터링.
    • 예: 최신 상품 우선, 특정 카테고리 제외.

 

3. 이미지 추천 시스템의 예제

Python 기반 예제: 콘텐츠 기반 필터링

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# 예제 이미지 특징 벡터 (사용자와 이미지를 포함)
user_vector = np.array([0.5, 0.7, 0.3])  # 사용자 선호 벡터
image_vectors = np.array([
    [0.6, 0.8, 0.2],  # 이미지 1
    [0.3, 0.4, 0.9],  # 이미지 2
    [0.7, 0.6, 0.3],  # 이미지 3
])

# 코사인 유사도 계산
similarities = cosine_similarity(user_vector.reshape(1, -1), image_vectors)

# 유사도 정렬
sorted_indices = np.argsort(-similarities[0])  # 높은 유사도 순으로 정렬
print("추천 이미지 순서:", sorted_indices)

# 추천 결과
for idx in sorted_indices:
    print(f"추천 이미지 {idx + 1} (유사도: {similarities[0][idx]:.2f})")

 

4. 이미지 추천 시스템의 활용 사례

4.1 커머스

  • 상품 추천: 사용자가 본 상품과 유사한 스타일의 상품 추천.
  • 컬렉션 생성: 특정 색상이나 텍스처가 포함된 상품을 묶어서 제공.

4.2 사진 공유 플랫폼

  • 사용자가 업로드한 사진과 유사한 이미지를 추천하여 관심 확장.

4.3 미디어 및 엔터테인먼트

  • 포스터, 썸네일 기반으로 영화, 드라마, 콘텐츠 추천.

4.4 패션 및 스타일링

  • 사용자가 클릭한 의상과 유사한 색상, 패턴, 텍스처를 가진 상품 추천.

 

5. 고급 추천 시스템 구현을 위한 확장

5.1 하이브리드 추천 시스템

  • 콘텐츠 기반 필터링과 협업 필터링 결합.
  • 예: 비슷한 이미지를 보여주면서 다른 사용자의 선호도를 반영.

5.2 이미지 전처리 및 클러스터링

  • K-Means 또는 DBSCAN 같은 알고리즘을 사용해 이미지 특징을 클러스터링.
  • 클러스터 기반으로 유사 상품 추천.

5.3 피드백 기반 추천

  • 추천 결과에 대한 사용자의 피드백(좋아요/싫어요)을 학습하여 모델을 지속적으로 개선.

5.4 대규모 데이터 처리

  • Apache Spark 또는 Hadoop을 사용해 대규모 이미지 데이터를 효율적으로 처리.

 

결론

이미지 추천 시스템은 사용자 선호도와 이미지 간의 관계를 수치화하여 최적의 이미지를 제공하는 시스템입니다. 콘텐츠 기반 및 협업 필터링, 유사도 계산, 고급 특징 분석 등을 활용하면 커머스, 패션, 미디어 등 다양한 분야에서 강력한 추천 기능을 구현할 수 있습니다.

 

👩 : 이미지로 KNN과 같은 분류 세그멘테이션

💻 :

K-Nearest Neighbors (KNN) 기반 이미지 분류와 세그멘테이션

K-Nearest Neighbors(KNN)는 거리 기반 분류 알고리즘으로, 이미지를 특정 클래스(라벨)로 분류하거나 세그멘테이션(각 픽셀을 클래스로 분류하는 작업)에 활용할 수 있습니다. KNN은 딥러닝을 사용하지 않으면서도 단순하고 직관적인 방식으로 이미지를 분류하거나 세그멘테이션하는 데 유용합니다.

 

1. KNN을 사용한 이미지 분류

원리

  1. 이미지의 특징 벡터를 추출합니다.
    • 저수준 특징: 색상, 텍스처, 경계선 등.
    • 고수준 특징: 이미지 전역 또는 지역 패턴.
  2. 특징 벡터를 학습 데이터셋에 저장.
  3. 새로운 이미지에 대해 KNN 알고리즘을 사용하여 가장 가까운 이웃(K개의 데이터 포인트)을 찾고, 다수결로 클래스를 결정합니다.

 

Python 예제: 간단한 이미지 분류

import cv2
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import accuracy_score

# 데이터 로드 및 전처리 (샘플 데이터)
def load_images(image_paths, labels):
    images = []
    for path in image_paths:
        img = cv2.imread(path, cv2.IMREAD_COLOR)
        img = cv2.resize(img, (64, 64))  # 이미지 크기 조정
        images.append(img.flatten())  # 평탄화하여 벡터로 변환
    return np.array(images), np.array(labels)

# 샘플 데이터 경로 및 레이블
image_paths = ["class1_img1.jpg", "class1_img2.jpg", "class2_img1.jpg", "class2_img2.jpg"]
labels = [0, 0, 1, 1]  # 클래스 레이블

# 데이터 로드
X, y = load_images(image_paths, labels)

# 데이터셋 분리
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42)

# KNN 모델 학습
knn = KNeighborsClassifier(n_neighbors=3)  # K=3
knn.fit(X_train, y_train)

# 테스트 예측
y_pred = knn.predict(X_test)
print("Accuracy:", accuracy_score(y_test, y_pred))

 

2. KNN을 사용한 이미지 세그멘테이션

원리

  1. 픽셀 특징 벡터를 생성:
    • 각 픽셀의 색상 정보(RGB 값).
    • 추가적으로, 위치 정보(x, y)를 포함할 수 있음.
  2. 모든 픽셀을 학습 데이터로 사용하여 KNN 모델 학습.
  3. 테스트 이미지의 각 픽셀을 클래스로 분류.

 

Python 예제: 간단한 이미지 세그멘테이션

from sklearn.neighbors import KNeighborsClassifier
import numpy as np
import cv2

# 샘플 이미지 로드 및 크기 조정
image = cv2.imread("segmentation_sample.jpg")
image_resized = cv2.resize(image, (100, 100))
image_flattened = image_resized.reshape(-1, 3)  # 픽셀 RGB 값 벡터화

# 라벨링된 이미지 데이터 (픽셀에 대한 라벨 제공)
# 예: 라벨 이미지에서 픽셀 값(0, 1, 2...)이 클래스 레이블을 나타냄
label_image = cv2.imread("label_sample.jpg", cv2.IMREAD_GRAYSCALE)
label_resized = cv2.resize(label_image, (100, 100))
labels = label_resized.flatten()

# KNN 모델 학습
knn = KNeighborsClassifier(n_neighbors=5)
knn.fit(image_flattened, labels)

# 테스트 이미지 세그멘테이션
segmented_labels = knn.predict(image_flattened)
segmented_image = segmented_labels.reshape(100, 100)  # 원래 크기로 복원

# 결과 시각화
cv2.imshow("Segmented Image", segmented_image.astype("uint8") * 50)  # 클래스에 색상을 매핑
cv2.waitKey(0)
cv2.destroyAllWindows()

 

3. 결과 시각화

분류

  • 분류 결과를 히트맵 또는 텍스트로 표현.
  • 예: 이미지가 클래스 0(예: 강아지)인지, 클래스 1(예: 고양이)인지 출력.

세그멘테이션

  • 각 픽셀에 대해 클래스 레이블을 부여하여 색상으로 시각화.
  • 클래스별 색상을 매핑하여 세그멘테이션 이미지를 생성.

 

4. KNN의 장점과 한계

장점

  • 직관적이고 간단: 딥러닝이나 복잡한 모델 없이 구현 가능.
  • 설명 가능성: 이웃 데이터를 기반으로 예측하므로 결과 해석이 쉬움.
  • 비학습 방식: 데이터 추가 시 간단히 확장 가능.

한계

  • 대규모 데이터에서 느림: 모든 데이터 포인트와의 거리를 계산하므로, 데이터가 많아지면 비효율적.
  • 고차원 데이터에서 성능 저하: 고차원의 데이터에서는 거리 기반 모델의 정확도가 떨어질 수 있음.
  • 모델 최적화: K 값, 거리 계산 방법 등을 튜닝해야 함.

 

5. 실제 활용 사례

  1. 상품 카테고리 분류:
    • 커머스 이미지 데이터를 학습하여 신발, 가방, 의류 등의 카테고리를 자동 분류.
  2. 객체 세그멘테이션:
    • 상품 이미지의 배경과 객체를 분리하여 제품만 추출.
  3. 단순 이상치 탐지:
    • KNN 기반으로 상품 이미지에서 특정 패턴(예: 손상된 제품)을 감지.
  4. 모바일 애플리케이션:
    • 간단한 필터링, 라벨링, 분류 작업을 실시간으로 수행.

 

KNN은 단순하면서도 강력한 모델로, 커머스와 같은 산업에서 이미지 분류 및 세그멘테이션 작업에 적합합니다. 필요에 따라 적절한 전처리와 최적화로 효율적인 시스템을 구축할 수 있습니다.

저작자표시 비영리 변경금지

'데이터 AI 인사이트 👩🏻‍💻' 카테고리의 다른 글

딥러닝 학습 순서  (0) 2025.01.16
K-Nearest Neighbors (KNN)  (0) 2025.01.14
[GPT랑 공부하기] 컴퓨터 비전과 OpenCV 라이브러리  (0) 2025.01.14
[데이터분석 커리어패스] 어떤 커리어가 나에게 맞을까?  (0) 2025.01.10
[파이썬] Run 안될 때 확인 방법 (가상환경 확인, Print, Run Python File)  (0) 2024.12.29

관련글

티스토리툴바