
# ARIMA, SARIMA, VARIMA

---

## 소개

ARIMA, SARIMA, VARIMA는 시계열 분석에서 가장 널리 사용되는 통계 기반 모델로, 데이터의 자기상관성, 추세, 계절성을 반영하여 미래 값을 예측합니다. 이 글에서는 각 모델의 수학적 구조와 차이점, stationarity/invertibility 조건, 통계적 진단 방법, 모델 선택 기준(AIC, BIC), 자동 모델링 기법까지 체계적으로 다룹니다.

---

## 주요 내용

### 1. ARIMA 모델

ARIMA는 Autoregressive Integrated Moving Average의 약자로, 세 개의 요소로 구성됩니다:

- **AR (p)**: 자기회귀항
- **I (d)**: 차분을 통한 비정상성 제거
- **MA (q)**: 이동 평균항

#### 수식

ARIMA(p,d,q) 모델의 수식은 다음과 같습니다:

$$
\phi(B)(1 - B)^d y_t = \theta(B) \varepsilon_t
$$

- $ B $: Backshift operator ($ B y_t = y_{t-1} $)
- $ \phi(B) = 1 - \phi_1 B - \cdots - \phi_p B^p $
- $ \theta(B) = 1 + \theta_1 B + \cdots + \theta_q B^q $
- $ \varepsilon_t \sim \mathcal{N}(0, \sigma^2) $: white noise

---

### 2. Stationarity (정상성)

정상 시계열은 시간에 따라 평균과 분산이 일정합니다. 대부분의 통계적 모델은 정상성을 전제로 하므로, 비정상 시계열은 차분(d) 연산을 통해 정상화해야 합니다.

#### 판별 방법

- **ADF (Augmented Dickey-Fuller Test)**: 귀무가설은 "단위근 존재" (비정상 시계열)
- **KPSS Test**: 귀무가설은 "정상 시계열"
- **Canova-Hansen Test**: 계절적 단위근 검정

#### 예시 (Python)

```python
from statsmodels.tsa.stattools import adfuller, kpss

result = adfuller(series)
print(f"ADF p-value: {result[1]}")

kpss_result = kpss(series, regression='c')
print(f"KPSS p-value: {kpss_result[1]}")
```

---

### 3. Invertibility (가역성)

MA 모델에서 추정값의 안정성을 위해 필요합니다. MA 모형의 역함수 계수들이 단위 원 밖에 있어야 합니다.

즉, 모든 해 $z$에 대해:

$$|\theta(z)| = 0 \Rightarrow |z| > 1$$

---

### 4. ACF / PACF

- **ACF (Autocorrelation Function)**: 시계열과 자기 지연 값들 간의 상관도
- **PACF (Partial ACF)**: 다른 지연 값의 영향을 제거한 상관도

| 모델 | ACF | PACF |
|------|-----|------|
| AR(p) | 점진적 감소 | p에서 절단 |
| MA(q) | q에서 절단 | 점진적 감소 |
| ARMA(p,q) | 점진적 감소 | 점진적 감소 |

---

### 5. 모델 선택 기준: AIC, BIC

- **AIC (Akaike Information Criterion)**:
$$\text{AIC} = -2 \ln(L) + 2k$$

- **BIC (Bayesian Information Criterion)**:
$$\text{BIC} = -2 \ln(L) + k \ln(n)$$

여기서:
- $L$: 최대우도
- $k$: 모수 수  
- $n$: 샘플 수

---

### 6. Automatic ARIMA

pmdarima 패키지를 이용하면 자동으로 최적의 (p,d,q)를 탐색합니다:

```python
from pmdarima import auto_arima

model = auto_arima(series, seasonal=False, trace=True,
                   stepwise=True, suppress_warnings=True)
model.summary()
```

---

### 7. SARIMA: 계절성을 포함한 ARIMA

SARIMA는 계절적 ARIMA로, 다음과 같이 표기합니다:

$$\text{SARIMA}(p, d, q)(P, D, Q)_s$$

여기서:
- $(P,D,Q)$: 계절 ARIMA 항
- $s$: 계절 주기 (예: 12개월, 4분기 등)

#### 수식

$$\Phi(B^s)\phi(B)(1 - B)^d(1 - B^s)^D y_t = \Theta(B^s)\theta(B) \varepsilon_t$$

#### 예시 (Python)

```python
from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(y, order=(1,1,1), seasonal_order=(1,1,1,12))
result = model.fit()
print(result.summary())
```

---

### 8. VARIMA: 다변량 시계열

VARIMA는 여러 시계열 간 상호작용을 고려합니다. 각 변수는 자신의 과거값뿐 아니라 다른 변수의 과거값에 의해서도 설명됩니다.

#### VARIMA 수식

$$\Phi(B) \mathbf{y}_t = \Theta(B) \mathbf{\varepsilon}_t$$

여기서:
- $\mathbf{y}_t \in \mathbb{R}^k$: 다변량 시계열
- $\Phi(B), \Theta(B)$: 다항 행렬

---

## 코드 예시

```python
import pandas as pd
import numpy as np
from statsmodels.tsa.arima.model import ARIMA

# 예제 시계열 생성
np.random.seed(0)
y = pd.Series(np.random.randn(100).cumsum())

# ARIMA(1,1,1) 모델 적합
model = ARIMA(y, order=(1,1,1))
result = model.fit()
print(result.summary())
```

---

## 결론

ARIMA, SARIMA, VARIMA는 시계열 데이터를 통계적으로 모델링할 때 강력한 도구입니다. 데이터의 특성을 먼저 이해하고, 적절한 차분과 모형 선택, 정상성 검정, ACF/PACF 분석, 정보 기준 등을 기반으로 신중히 설계해야 합니다. 특히 계절성과 다변량 요인이 존재할 경우 SARIMA나 VARIMA를 고려해야 하며, 자동 모델 선택 도구를 보조 수단으로 활용하면 모델링 효율을 높일 수 있습니다.

---

## 참고 자료

- [Hyndman & Athanasopoulos, Forecasting: Principles and Practice](https://otexts.com/fpp3/)
- [Box, Jenkins, Reinsel, Time Series Analysis: Forecasting and Control](https://www.wiley.com/en-us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781118675020)
- [statsmodels documentation](https://www.statsmodels.org/stable/tsa.html)
- [pmdarima documentation](https://pmdarima.readthedocs.io/)


시계열 예측의 핵심 모델인 ARIMA, SARIMA, VARIMA에 대한 수학적 이해와 통계적 검정을 포함한 심층 포스트

ARIMA, SARIMA, VARIMA


# OpenCV 행렬 연산

---

## 소개

OpenCV는 이미지와 비디오를 주로 `cv::Mat` 객체로 표현하며, 이는 사실상 **행렬(Matrix)** 구조입니다. 이 포스트에서는 OpenCV의 기본적인 행렬 연산부터 고급 기능인 전치, 역행렬, 재구성(reshape)까지 다루며, Scalar/Vec 클래스, InputArray/OutputArray 인터페이스 등도 설명합니다.

---

## 주요 내용

### 1. Mat의 사칙 연산

OpenCV의 `cv::Mat` 객체는 NumPy와 유사하게 **사칙 연산을 지원**합니다.

#### (1) Mat vs Scalar

```cpp
cv::Mat img = cv::imread("image.jpg");
cv::Mat brighter = img + cv::Scalar(50, 50, 50); // 모든 픽셀의 BGR 채널에 +50

	•	Scalar(r, g, b)는 각 채널에 상수값을 더할 수 있음.
	•	브로드캐스팅 지원: Mat의 각 채널에 자동 적용됨.

(2) Mat vs Mat

cv::Mat A, B, result;
A = (cv::Mat_<uchar>(2,2) << 1, 2, 3, 4);
B = (cv::Mat_<uchar>(2,2) << 10, 20, 30, 40);
cv::add(A, B, result);  // 결과: 11 22 / 33 44

	•	cv::add, cv::subtract, cv::multiply, cv::divide 등 함수 제공
	•	산술 연산자 오버로딩도 지원 (+, -, *, /)

⸻

2. 행렬 변환 함수

(1) Mat::t() – 전치(Transpose)

cv::Mat A = (cv::Mat_<float>(2,3) << 1,2,3,4,5,6);
cv::Mat At = A.t();  // 크기: 3x2

(2) Mat::inv() – 역행렬(Inverse)

cv::Mat A = (cv::Mat_<double>(2,2) << 1, 2, 3, 4);
cv::Mat A_inv = A.inv();

	•	정방행렬(정사각 행렬)에 대해서만 사용 가능.
	•	Singular matrix일 경우 예외 발생 또는 NaN 반환.

(3) Mat::reshape()
	•	데이터는 유지하되 차원만 변경:

cv::Mat A = cv::Mat::eye(3, 3, CV_32F);
cv::Mat reshaped = A.reshape(0, 1);  // 1행 9열로 변환

(4) Mat::resize()
	•	메모리 크기를 변경하며 행 수 변경:

cv::Mat A(3, 3, CV_8U);
A.resize(5);  // 5행으로 재조정, 값은 자동 초기화


⸻

3. push_back() 함수
	•	행렬에 행 단위로 원소 추가:

cv::Mat A;
cv::Mat row = (cv::Mat_<int>(1,3) << 1,2,3);
A.push_back(row);  // 새로운 행이 A에 추가됨

	•	주로 벡터 리스트를 쌓아 하나의 Mat으로 만들 때 사용됨

⸻

4. cv::Vec 클래스
	•	고정 크기 벡터. 예: cv::Vec3b, cv::Vec4f

cv::Vec3b pixel(255, 128, 0);
uchar blue = pixel[0];

	•	사용 예: Mat.at<Vec3b>(y, x) → BGR 픽셀

⸻

5. cv::Scalar 클래스
	•	4채널까지 표현 가능한 상수 벡터
	•	색상, 필터 상수, 초기화 등에 자주 사용

cv::Mat img(100, 100, CV_8UC3, cv::Scalar(255, 0, 0));  // 파란 배경

	•	Scalar는 항상 BGR 순서임에 유의

⸻

6. InputArray / OutputArray
	•	OpenCV 함수는 다양한 형태의 입력/출력을 받기 위해 추상 타입 cv::InputArray, cv::OutputArray를 사용합니다.

void cv::add(InputArray src1, InputArray src2, OutputArray dst);

	•	사용자는 Mat, UMat, vector<Point> 등을 넣으면 OpenCV가 자동 변환
	•	직접 사용할 일은 거의 없지만 함수 정의를 이해할 때 필수 개념

⸻

코드 예시

#include <opencv2/opencv.hpp>
using namespace cv;

int main() {
    Mat A = (Mat_<float>(2,2) << 1, 2, 3, 4);
    Mat B = A.inv();
    std::cout << "A:\n" << A << "\nA^-1:\n" << B << std::endl;

    Mat transposed = A.t();
    std::cout << "A Transpose:\n" << transposed << std::endl;

    Scalar bias(10, 10, 10);
    Mat img(2,2,CV_8UC3, Scalar(100,100,100));
    img += bias;
    std::cout << "After Scalar Addition:\n" << img << std::endl;

    return 0;
}


⸻

결론

OpenCV의 Mat 클래스는 단순한 이미지 컨테이너를 넘어 강력한 행렬 연산 기능을 제공합니다. 이와 함께 제공되는 Scalar, Vec, InputArray와 같은 구조는 고성능 영상처리와 수치 연산을 위한 유연한 인터페이스를 제공합니다. 위의 함수와 클래스를 익숙하게 다루면 OpenCV의 거의 모든 영상처리 작업을 수월하게 구현할 수 있습니다.

⸻

참고 자료
	•	OpenCV Mat 공식 문서
	•	OpenCV Scalar
	•	OpenCV Vec
	•	InputArray/OutputArray 설명

OpenCV에서의 행렬 연산, Mat 객체의 사칙연산 및 변환 함수, Scalar, Vec 클래스, InputArray/OutputArray 개념까지 자세히 다룹니다.

OpenCV 행렬 연산


# ROS2 - 런타임에 토픽 이름 바꾸기, rqt 및 rqt_graph로 모니터링하기

---

## 소개

ROS2에서는 **노드 간 통신을 토픽(Topic)을 통해 수행**합니다. 이 글에서는 두 개의 노드를 만들고, 메시지를 발행하고 구독하면서 토픽의 흐름을 `rqt_graph`로 시각화하는 방법을 소개합니다. 또한 런타임에서 **토픽 이름을 리맵(remap)** 하는 방법도 함께 설명합니다.

---

## 주요 내용

### 1. 토픽 기반 노드 작성 예제

#### 노드 구성 요약

- **number_publisher**: 숫자를 발행하는 노드 → `/number`
- **number_counter**: `/number`를 구독하고 누적 합계를 계산하여 `/number_count`로 발행

---

#### number_publisher.py

```python
import rclpy
from rclpy.node import Node
from example_interfaces.msg import Int64

class NumberPublisher(Node):
    def __init__(self):
        super().__init__("number_publisher")
        self.publisher_ = self.create_publisher(Int64, "number", 10)
        self.timer_ = self.create_timer(1.0, self.publish_number)
        self.get_logger().info("Number Publisher has been started")

    def publish_number(self):
        msg = Int64()
        msg.data = 2
        self.publisher_.publish(msg)
        self.get_logger().info(f"Publishing: {msg.data}")

def main(args=None):
    rclpy.init(args=args)
    node = NumberPublisher()
    rclpy.spin(node)
    rclpy.shutdown()

if __name__ == '__main__':
    main()
```

---

#### number_counter.py

```python
import rclpy
from rclpy.node import Node
from example_interfaces.msg import Int64

class NumberCounterNode(Node):
    def __init__(self):
        super().__init__("number_counter")
        self.subscriber_ = self.create_subscription(Int64, "number", self.callback_counter, 10)
        self.publisher_ = self.create_publisher(Int64, "number_count", 10)
        self.counter_ = 0
        self.get_logger().info("Number Counter has been started")

    def callback_counter(self, msg):
        self.counter_ += msg.data
        out_msg = Int64()
        out_msg.data = self.counter_
        self.publisher_.publish(out_msg)
        self.get_logger().info(f"Received {msg.data}, Published Sum: {self.counter_}")

def main(args=None):
    rclpy.init(args=args)
    node = NumberCounterNode()
    rclpy.spin(node)
    rclpy.shutdown()

if __name__ == '__main__':
    main()
```

---

### 2. 런타임에서 토픽 이름 바꾸기 (Remapping)

런타임에 토픽 이름을 바꾸는 방법은 `--ros-args -r` 옵션을 사용하는 것입니다.

#### 예시:

```bash
ros2 run my_package number_publisher --ros-args -r number:=input_number
ros2 run my_package number_counter --ros-args -r number:=input_number -r number_count:=output_number
```

이렇게 하면 실제 노드 코드는 수정하지 않고도 `/number` → `/input_number`, `/number_count` → `/output_number`로 리맵됩니다.

---

### 3. rqt 및 rqt_graph로 모니터링

ROS2에서는 시각적으로 토픽 흐름을 확인할 수 있는 도구가 있습니다.

#### 1. rqt 실행

```bash
rqt
```

- 다양한 플러그인에서 Topic Monitor나 Logger Level을 활용 가능

#### 2. rqt_graph 실행

```bash
rqt_graph
```

- 실행 중인 노드와 토픽 간 관계를 노드-토픽 그래프로 보여줌
- 노드는 파란색, 토픽은 초록색으로 표시됨
- Dynamic/Static, Hide debug, Hide parameter 등 필터 옵션으로 정리 가능

#### 예상 결과

```
/number_publisher → /number → /number_counter → /number_count
```

---

## 결론

이번 포스트에서는 ROS2에서 토픽 기반 노드 통신 구조를 구현하고, 런타임에서 토픽 이름을 동적으로 바꾸는 방법, 그리고 rqt_graph로 통신 흐름을 시각화하는 과정을 실습했습니다. 실시간 디버깅과 구조 파악을 위해 rqt는 필수적인 도구이며, remap 기능은 동일한 노드를 다양한 상황에서 유연하게 재사용하는 데 매우 유용합니다.

---

## 참고 자료

- [ROS2 CLI - Remapping arguments](https://docs.ros.org/en/humble/How-To-Guides/Node-arguments.html)
- [rqt_graph 공식 문서](https://docs.ros.org/en/humble/Concepts/About-RQt.html)
- [ROS2 Topics 튜토리얼](https://docs.ros.org/en/humble/Tutorials/Beginner-CLI-Tools/Understanding-ROS2-Topics/Understanding-ROS2-Topics.html)

ROS2의 토픽 통신 구조와 실시간 모니터링을 위한 rqt, rqt_graph 사용법, 런타임 remapping까지 예제와 함께 설명합니다.

ROS2 - 런타임에 토픽 이름 바꾸기, rqt 및 rqt_graph로 모니터링하기


## ARIMA란?

ARIMA (AutoRegressive Integrated Moving Average)는 시계열 데이터를 다음 3가지 요소로 모델링합니다:

### AR (자기회귀): 과거 관측값이 현재 값에 영향을 줌  
$$y_t = \phi_1 y_{t-1} + \phi_2 y_{t-2} + \cdots + \phi_p y_{t-p} + \varepsilon_t$$

### I (차분): 평균이 시간에 따라 달라지는 **비정상 시계열**에 대해, 차분으로 **정상화**  
$$\Delta y_t = y_t - y_{t-1}$$

### MA (이동 평균): 과거 오차(백색잡음)의 선형 결합으로 현재 값을 설명  
$$y_t = \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}$$

> **ARIMA(p,d,q)**로 모델을 표현함

---

## 왜 차분을 하는가?

- **평균이 시간에 따라 변하는 것** = 비정상 시계열
- 예: 주가, 방문자 수처럼 시간이 지남에 따라 증가하는 데이터
- 차분을 통해 평균을 일정하게 만들어야 정상성 가정이 만족됨

---

## SARIMA란?

SARIMA (Seasonal ARIMA)는 ARIMA에 **계절성 구조**를 포함한 확장 모델입니다.  
기호는 다음과 같습니다:

**SARIMA(p,d,q)(P,D,Q)<sub>s</sub>**

- (p,d,q): 비계절 ARIMA 파라미터  
- (P,D,Q): 계절 ARIMA 파라미터  
- s: 계절 주기 (예: 월간 데이터 → s = 12)

---

## 수식 (Backshift Operator 사용)

**Backshift Operator**: $B y_t = y_{t-1}$

- **AR**: $$\phi(B) y_t = \varepsilon_t$$
- **MA**: $$y_t = \theta(B) \varepsilon_t$$
- **ARIMA**: $$\phi(B)(1 - B)^d y_t = \theta(B) \varepsilon_t$$
- **SARIMA**: $$\Phi(B^s)(1 - B^s)^D \phi(B)(1 - B)^d y_t = \Theta(B^s)\theta(B) \varepsilon_t$$

---

## 로그우도와 모형 추정

모델 적합 시 **로그우도 함수** $$\log L(\phi, \theta, \sigma^2)$$ 를 최대화하여 모수를 추정함  

- 잔차가 **백색잡음인지** 확인 → 모형이 잘 적합되었는지 판단  
- **AIC, BIC**로 모델 간 비교 가능

---

> ✅ ARIMA/SARIMA는 단기 예측과 시계열 해석에 널리 쓰이는 통계적 모델입니다.

ARIMA와 SARIMA의 개념을 수식과 함께 직관적으로 정리합니다.

ARIMA, SARIMA 정리


## Mat 기본 구조

OpenCV에서 `cv::Mat`은 이미지, 행렬 데이터를 저장하는 핵심 클래스입니다.  
`Mat`은 **행(Row) × 열(Col) × 채널(Channel)** 구조를 가지며, 메모리 연속성과 데이터 포인터를 기반으로 동작합니다.

---

## 주요 접근 방법

### Mat::at

지정한 위치의 픽셀 값을 읽거나 씁니다. 타입 명시 필수입니다.

```cpp
cv::Mat img = cv::imread("sample.jpg");
cv::Vec3b pixel = img.at<cv::Vec3b>(y, x);  // BGR
pixel[0] = 255; // Blue 채널만 수정

Mat::ptr

행 단위로 포인터 접근. 반복문 최적화 시 유용합니다.

for (int y = 0; y < img.rows; ++y) {
  cv::Vec3b* row_ptr = img.ptr<cv::Vec3b>(y);
  for (int x = 0; x < img.cols; ++x) {
    row_ptr[x][1] = 255; // Green 채널
  }
}


⸻

부분 행렬 접근

Mat::rowRange / Mat::colRange

행 또는 열의 범위를 지정해 서브행렬을 생성합니다.

cv::Mat roi = img.rowRange(100, 200).colRange(50, 150);  // ROI

이 방식으로 만든 행렬은 얕은 복사(shallow copy) 로, 원본과 메모리를 공유합니다.

⸻

깊은 복사 vs 얕은 복사

얕은 복사 (Shallow copy)
	•	.clone() 또는 .copyTo() 를 사용하지 않으면 모두 얕은 복사
	•	서브매트릭스도 얕은 복사

cv::Mat A = cv::imread("image.jpg");
cv::Mat B = A;      // 얕은 복사
B.at<uchar>(0,0) = 0;  // A에도 영향을 줌

깊은 복사 (Deep copy)

cv::Mat A = cv::imread("image.jpg");
cv::Mat B = A.clone(); // 깊은 복사
B.at<uchar>(0,0) = 0;  // A는 변하지 않음


⸻

MatIterator_

OpenCV 행렬을 반복하는 범용 반복자입니다.

cv::Mat m(3, 3, CV_8UC1, cv::Scalar(1));
cv::MatIterator_<uchar> it, end;
for (it = m.begin<uchar>(), end = m.end<uchar>(); it != end; ++it)
  *it = 100; // 모든 원소를 100으로 설정


⸻

행렬 정보 참조

속성	설명
mat.rows	행 수
mat.cols	열 수
mat.channels()	채널 수 (ex. RGB는 3)
mat.depth()	데이터 타입 (ex. CV_8U)
mat.type()	전체 타입 정보 (ex. CV_8UC3)
mat.size()	Size(cols, rows) 반환
mat.total()	전체 원소 수 (= rows × cols)
mat.elemSize()	한 원소의 byte 크기
mat.empty()	행렬이 비어있는지 여부
mat.isContinuous()	메모리가 연속적인지 확인 (루프 최적화에 중요)
mat.isSubmatrix()	서브행렬 여부 (ROI 여부)


⸻

예제

cv::Mat img = cv::Mat::zeros(100, 100, CV_8UC3);
std::cout << "행: " << img.rows << ", 열: " << img.cols << std::endl;
std::cout << "채널 수: " << img.channels() << std::endl;
std::cout << "타입: " << img.type() << std::endl;
std::cout << "총 원소 수: " << img.total() << std::endl;
std::cout << "요소 크기(Byte): " << img.elemSize() << std::endl;


⸻

✅ Mat 객체는 OpenCV의 모든 이미지/행렬 처리를 위한 중심이며, 위 메서드와 정보 속성의 이해는 필수입니다.

OpenCV의 핵심 자료구조 Mat을 다루는 주요 메서드와 행렬 정보 조회 방법을 정리합니다.

OpenCV Mat 기본 사용법 정리


# OpenCV2 Mat

## 개요

OpenCV2에서 `cv::Mat`은 이미지 및 행렬 데이터를 저장하고 처리하는 **핵심 클래스**입니다.  
픽셀 단위 접근부터 고급 필터링까지, 거의 모든 이미지 처리 연산이 `Mat` 객체를 중심으로 이루어집니다.  
이 문서에서는 `cv::Mat` 생성자의 종류와 역할을 **OpenCV2 기준**으로 정리하고,  
각 생성자가 실제로 어떻게 사용되는지 살펴보겠습니다.

## 주요 내용

•	cv::Mat() 기본 생성자: 빈 행렬 생성  
•	cv::Mat(int rows, int cols, int type): 크기와 데이터 타입 지정  
•	cv::Mat(Size size, int type): `cv::Size` 객체를 통한 크기 지정  
•	cv::Mat(int rows, int cols, int type, const Scalar& value): 초기값을 함께 설정  
•	cv::Mat(const Mat& m, const Range& rowRange, const Range& colRange): 행/열 부분 선택 복사  
•	사용자 데이터를 공유하는 `cv::Mat` 포인터 생성자  
•	행렬을 생성하지 않고 초기화하는 `create()` 함수와의 차이  
•	주요 타입 상수 설명: `CV_8UC1`, `CV_8UC3`, `CV_32FC1` 등  
•	자동 메모리 관리 및 Shallow Copy / Deep Copy 차이  

## 핵심 포인트

• OpenCV2 Mat의 핵심 개념  
• 실용적인 활용 방안  
• 주의사항 및 팁

- `cv::Mat()` 생성자는 실제 데이터를 할당하지 않으며, 이후 `create()`로 초기화하거나 외부 데이터를 바인딩할 수 있습니다.  
- `Mat`은 C++에서 스마트 포인터처럼 작동하며, 내부 참조 카운터를 통해 메모리를 자동 관리합니다.  
- 다차원 배열도 생성 가능하지만, 2D 이미지가 가장 일반적입니다.  
- 이미지 입출력 시 `imread()`, `imwrite()`와 함께 자주 사용되며, 채널 수 및 비트 깊이에 따라 타입 설정이 중요합니다.  
- 메모리 복사 이슈를 피하려면 `.clone()` 또는 `.copyTo()` 사용을 고려하세요.

## 마무리

OpenCV2 Mat에 대해 살펴보았습니다. 이 내용이 여러분의 개발 여정에 도움이 되기를 바랍니다.  
다양한 생성자 사용법과 예제를 이해하면, 이미지 처리의 효율성과 유연성이 크게 향상됩니다.  
추후에는 `Mat`을 활용한 이미지 필터링, 변환, 영역 추출 등 고급 기법도 다룰 예정입니다.

---

**태그:** opencv2, opencv2 mat

•	cv::Mat() 기본 생성자: 빈 행렬 생성

OpenCV2 Mat


# ROS2 - publisher, subscriber, topic

## 개요

ROS2에서 노드 간 통신의 핵심인 Publisher, Subscriber, Topic에 대해 자세히 알아보겠습니다.

## 주요 내용

ROS 2에서 Publisher는 메시지를 발행하고, Subscriber는 Topic을 통해 이를 수신합니다.

### Publisher (발행자)
- 메시지를 특정 Topic에 발행하는 역할
- 다른 노드들이 구독할 수 있도록 데이터를 제공

### Subscriber (구독자)
- 특정 Topic을 구독하여 메시지를 수신하는 역할
- Publisher가 발행한 데이터를 처리

### Topic (토픽)
- Publisher와 Subscriber 간의 통신 채널
- 메시지 타입과 이름이 정확히 일치해야 통신 가능
- 1:N, N:1, N:N 통신 모두 지원

### 실습 예제

Python으로 간단한 Publisher/Subscriber를 구현할 수 있습니다:

```python
# Publisher 예제
import rclpy
from rclpy.node import Node
from std_msgs.msg import String

class SimplePublisher(Node):
    def __init__(self):
        super().__init__('simple_publisher')
        self.publisher_ = self.create_publisher(String, 'topic', 10)
        self.timer = self.create_timer(0.5, self.timer_callback)

    def timer_callback(self):
        msg = String()
        msg.data = 'Hello ROS2!'
        self.publisher_.publish(msg)
```

## 핵심 포인트

• **Topic 이름 통일**: Publisher와 Subscriber가 동일한 Topic 이름을 사용해야 함
• **메시지 타입 일치**: 송수신하는 메시지 타입이 정확히 일치해야 함
• **QoS 설정**: 통신 품질을 위한 QoS(Quality of Service) 설정 중요
• **비동기 통신**: Publisher와 Subscriber는 독립적으로 동작

## 마무리

ROS2의 Publisher/Subscriber 패턴은 분산 시스템에서 효율적인 노드 간 통신을 가능하게 합니다. Topic을 통한 느슨한 결합은 시스템의 확장성과 유지보수성을 크게 향상시킵니다.

---

**태그:** ROS2


ROS 2에서 Publisher는 메시지를 발행하고, Subscriber는 Topic을 통해 이를 수신합니다. Topic은 노드 간 통신을 위한 채널입니다.