Pixel Group Processing
영상의 공간적 특징처리
✔️ 입력 영상의 한 화소와 그 주변 화소들을 입력으로 사용
✔️ 주로 컨볼루션 연산을 통해 이루어짐
컨볼루션
✔️ Convolution
✔️ 각 화소에 필터 u를 적용해 곱의 합을 구하는 연산
✔️ 컨볼루션 그 자체가 특정 목적을 갖는 것이 아니라, 필터가 정해지면 그 때 비로소 특정 효과가 결정됨
✔️ 선형 연산임
: 상수(마스크 내의 계수)에 변수(입력 영상에 있는 화소값)를 곱하고 그것들을 단순히 합함
Spatial Filtering
마스크
✔️ 목적에 따라 다양한 필터(마스크) 사용
박스
✔️ 스무딩(smoothing) 효과
✔️ 정규 마스크(normalized mask)
✔️ 결과 영상의 화소값이 원래 영상과 비슷한 범위
가우시안
✔️ 스무딩 효과
✔️ 거리에 따라 가중치 부여
샤프닝
✔️ Sharpening
✔️ 명암 대비 강조 효과
수직, 수평 에지
✔️ 에지 검출 효과
✔️ 에지 마스크 : 일종의 미분 연산자로 아주 좁은 지역에서의 값의 변화 측정
✔️ 수평 에지 : y-방향의 미분값
✔️ 수직 에지 : x-방향의 미분값
Low-Pass Filter
저주파 통과 필터
✔️ 고주파 차단 필터라고 하기도 함
✔️ 신호 성분 중 저주파 성분은 통과시키고 고주파 성분은 차단하는 필터
✔️ 잡음을 없애거나 흐릿한 영상을 얻는 용도
✔️ 모든 계수가 양수이고 전체 합이 1인 마스크 사용
✔️ 평활화 or 블러링(blurring)
High-Pass Filter
고주파 통과 필터
✔️ 저주파 차단 필터라고 하기도 함
✔️ 신호 성분 중 고주파 성분은 통과시키고 저주파 성분은 차단
✔️ 첨예화 or 샤프닝
✔️ 마스크 계수의 합은 0이기 대문에 일정하거나 서서히 변하는 밝기 영역에서 마스크 응답을 0에 가깝게 함
✔️ 마스크 중앙의 큰 양수 값과 주위의 작은 음수값으로 되어 경계선을 더욱 두드러지게 함
Gaussian Distribution
가우시안 분포
✔️ 정규 분포를 의미
✔️ 중심 극한 정리에 근거하여 수집된 자료의 분포를 근사하는 데 자주 사용됨
특징
✔️ 대칭적이며 종모양
✔️ 2개의 매개변수 평균과 표준편차에 의해 모양이 결정
: 평균을 중심으로 값이 최대, 평균에서 멀어질수록 값이 감소
: 표준편차가 커질수록 그래프가 넓고 완만해짐
✔️ 총면적(적분값)은 1이므로 확률분포로 사용 가능
Gaussian and Multi-Scale Effects
가우시안 함수
✔️ 영상처리 및 컴퓨터비전에서 가우시안 필터를 구성하는 핵심 요소
✔️ 2D 가우시안 함수가 커널 형태로 적용
1차원 가우시안 분포 그래프와 공식
✔️ 정규 분포 공식에서 평균값을 0으로 하여 유도한 분포
✔️ 표준 편차가 작을수록 높고, 표준 편차가 클수록 낮은 형태
2차원 가우시안 분포 그래프와 공식
가우시안 필터를 이용한 스무딩
표준편차 값 조절을 통한 다중 스케일 효과
✔️ σ을 조절해 스무딩 정도 조절
✔️ σ 값이 클수록 높이는 낮지만 폭은 넓어짐
-> 많은 저주파 성분을 통과시킴(가우시안의 영향력 범위 큼)
✔️ σ 값이 작을수록 높이가 높고 폭이 좁아짐
-> 적은 고주파 성분만 통과시킴
이산 공간에서 구현
✔️ σ가 가우시안 스무딩 필터링을 튀한 커널(마스크) 크기를 좌우
✔️ 샘플링 할 때 적절한 크기의 마스크 사용
-> 너무 작으면 오차 발생, 너무 크면 계산 시간 과다
✔️ 보통 6σ와 같거나 큰 가장 작은 홀수 사용
ex)
σ가 1.0인 경우 : 6보다 큰 정수 중 가장 작은 홀수인 7을 적용하여 7x7 마스크 사용
σ가 0.4인 경우 : 3x3 마스크
σ가 0.8인 경우 : 5x5 마스크
예시
응용 분야
📍 영상 처리
✔️ 가우시안 블러 : 노이즈 제거 및 부드러운 블러 효과 적용
✔️ 에지 검출 : 소벨 필터 및 캐니 에지 검출기와 결합
📍 기계학습 및 신경망
✔️ 가우시안 혼합 모델 : 클러스터링 알고리즘에서 사용
✔️ 확률적 모델링 : 베이지안 학습, 데이터 분포 모델링
📍 신호 처리 및 데이터 분석
✔️ 스무딩 : 센서 데이터 또는 주식 데이터 등에서 노이즈 제거
✔️ 커널 밀도 추정 : 확률 밀도 함수 추정
데이터 형과 컨볼루션
연산 결과를 저장하는 변수의 유효값 범위
✔️ OpenCV는 주의를 기울여 작성됨
✔️ 프로그래머가 직접 신경 써야 하는 경우도 있음 (filter2D같은 경우)
데이터 형
✔️ OpenCV는 영상 화소를 주로 numpy.uint8형으로 표현
-> 0,255 범위
✔️ [0.255] 벗어나는 경우 문제 발생
ex) 엠보싱의 경우 음수 발생 가능
