OpenCV Review 05

2400·2025년 3월 10일

컨볼루션 적용(가우시안 스무딩, 엠보싱)

import cv2 as cv  
import numpy as np

img = cv.imread("./.data/seulgi4.jpg")

img = cv.resize(img, dsize=(0, 0), fx=0.5, fy=0.5)

gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

cv.putText(gray, 'seulgi', (10, 20), cv.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)

cv.imshow('Original', gray)

# 다양한 크기의 가우시안 블러 적용 후 결과를 수평으로 연결
# 왼쪽부터 5x5, 9x9, 15x15 커널 크기 순서
smooth = np.hstack((cv.GaussianBlur(gray, (5, 5), 0.0),
                    cv.GaussianBlur(gray, (9, 9), 0.0),
                    cv.GaussianBlur(gray, (15, 15), 0.0)))

# 블러 처리된 이미지들을 가로로 연결하여 표시
cv.imshow('smooth', smooth)

# 엠보싱 필터 정의 (좌상단에서 우하단 방향으로 양각 효과)
femboss = np.array([[-1.0, 0.0, 0.0],
                    [0.0, 0.0, 0.0],
                    [0.0, 0.0, 1.0]])

# 그레이스케일 이미지를 16비트 정수형으로 변환 (음수 값 처리를 위해)
gray16 = np.int16(gray)

# 엠보싱 필터 적용 (올바른 방법)
# filter2D 결과에 128을 더해 음수 값을 양수 범위로 이동시키고, 0-255 범위로 클리핑
emboss = np.uint8(np.clip(cv.filter2D(gray16, -1, femboss) + 128, 0, 255))

# 엠보싱 필터 적용 (문제 있는 방법 1)
# 클리핑 없이 128 더하기 - 오버플로우 발생 가능
emboss_bad = np.uint8(cv.filter2D(gray16, -1, femboss) + 128)

# 엠보싱 필터 적용 (문제 있는 방법 2)
# 8비트 이미지에 직접 적용 - 음수 값이 래핑되어 의도하지 않은 결과 생성
emboss_worse = cv.filter2D(gray, -1, femboss)

# 세 가지 방법으로 처리된 엠보싱 결과 이미지 표시
cv.imshow('Emboss', emboss)  # 올바른 방법
cv.imshow('Emboss_bad', emboss_bad)  # 문제 있는 방법 1
cv.imshow('Emboss_worse', emboss_worse)  # 문제 있는 방법 2

# 키 입력 대기 (아무 키나 누를 때까지 창 유지)
cv.waitKey()

# 모든 OpenCV 창 닫기
cv.destroyAllWindows()

기하연산

동차 좌표(Homogeneous Coordinates)

일반 2D 좌표 (x,y)를 (x,y,w)로 표현하는 방식으로, 보통 w=1로 설정
장점: 이동, 회전, 크기 변환 등을 하나의 행렬 곱셈으로 표현 가능
3x3 변환 행렬로 다양한 기하 변환을 일관되게 처리

동차 행렬(Homogeneous Matrix)

동차 좌표 시스템에서 변환을 나타내는 행렬
하나의 행렬로 여러 변환(이동, 회전, 크기 등)을 표현 가능

3가지 기본 기하 변환

이동 변환(Translation)
- 좌표 이동: (x,y) → (x+tx, y+ty)
- 동차 행렬: [1 0 tx; 0 1 ty; 0 0 1]
회전 변환(Rotation)
- 각도 θ만큼 원점 중심으로 회전
- 동차 행렬: [cosθ -sinθ 0; sinθ cosθ 0; 0 0 1]
크기 변환(Scaling)
- x, y 방향으로 크기 변경
- 동차 행렬: [sx 0 0; 0 sy 0; 0 0 1]

영상의 기하 변환

픽셀 단위의 이미지에 기하 변환 적용
변환 후 화소 위치가 정수가 아닌 경우가 발생
입력 영상과 출력 영상의 화소 간 대응 관계를 찾기 위해 영상 보간 필요

영상 보간(Image Interpolation)

변환 후 비정수 좌표의 화소값을 추정하는 방법
주요 보간 방법:
1. 최근접 이웃 보간(Nearest Neighbor): 가장 가까운 화소값 사용
2. 쌍선형 보간(Bilinear): 주변 4개 화소의 가중 평균
3. 쌍입방 보간(Bicubic): 주변 16개 화소를 사용한 3차 다항식 보간

영상 기하 변환은 컴퓨터 비전에서 이미지 정렬, 왜곡 보정, 특징점 추적 등 다양한 응용에 활용된다.

보간을 이용한 영상 변환

import cv2 as cv

img = cv.imread("./.data/frieren.png")

# 올바른 슬라이싱 문법: img[y1:y2, x1:x2]
patch = img[250:350, 170:270]  # y좌표(250~350), x좌표(170~270) 영역 추출

# 원본 이미지에 사각형 그리기
img = cv.rectangle(img, (170, 250), (270, 350), (255, 0, 0), 3)

# 다양한 보간법으로 패치 크기 5배 확대
patch1 = cv.resize(patch, dsize=(0, 0), fx=5, fy=5, interpolation=cv.INTER_NEAREST)
patch2 = cv.resize(patch, dsize=(0, 0), fx=5, fy=5, interpolation=cv.INTER_LINEAR)
patch3 = cv.resize(patch, dsize=(0, 0), fx=5, fy=5, interpolation=cv.INTER_CUBIC)

# 결과 표시
cv.imshow('Original', img)
cv.imshow('Resize nearest', patch1)     # 최근접 이웃 보간법
cv.imshow('Resize bilinear', patch2)    # 쌍선형 보간법
cv.imshow('Resize bicubic', patch3)     # 쌍입방 보간법

cv.waitKey()
cv.destroyAllWindows()