opencv의 시간효율성
import cv2 as cv
import numpy as np
import time
def my_cvtGray1(bgr_img):
g = np.zeros([bgr_img.shape[0], bgr_img.shape[1]])
for r in range(bgr_img.shape[0]):
for c in range(bgr_img.shape[1]):
g[r, c] = 0.114 * bgr_img[r,c,0] + 0.587 * bgr_img[r,c,1] + 0.299 * bgr_img[r,c,2]
return np.uint8(g)
def my_cvtGray2(bgr_img):
g = np.zeros([bgr_img.shape[0], bgr_img.shape [1]])
g = 0.114 * bgr_img[:,:,0] + 0.587 * bgr_img[:,:,1] + 0.299 * bgr_img[:,:,2]
return np.uint8(g)
img = cv.imread("./.data/frieren.png")
start = time.time()
my_cvtGray1(img)
print('My time1:', time.time()-start)
start = time.time()
my_cvtGray2(img)
print('My time2:', time.time()-start)
start = time.time()
cv.cvtColor(img,cv.COLOR_BGR2GRAY)
print('OPENCV time:', time.time()-start)OpenCV는 C와 C++로 함수를 작성하고 인텔 마이크로프로세서에 최적화하는등의 노력으로 비교적 빠른 속도를 보여준다. 근데 2와 opencv에서 2가 더 빨랐음ㅇㅇ.. 상황에 맞게 쓰면 될 것 같다.
에지 검출 알고리즘에 대한 정리
에지 검출은 영상 처리에서 중요한 과정으로, 물체의 경계를 찾아내는 기술이다.
- 물체 내부: 명암(intensity)이 서서히 변함
- 물체 경계(에지): 명암이 급격히 변함
에지 연산자
에지 검출을 위한 다양한 연산자가 있다
-
1차 미분 연산자
- Sobel 연산자
- Prewitt 연산자
- Roberts 연산자
-
2차 미분 연산자
- Laplacian 연산자
- LoG (Laplacian of Gaussian)
- DoG (Difference of Gaussian)
-
최적 에지 검출기
- Canny 에지 검출기
소벨 연산자의 적용
소벨(Sobel) 연산자는 가장 널리 사용되는 에지 검출 방법 중 하나다.
-
원리: 이미지의 각 픽셀에 대해 x방향과 y방향의 기울기(gradient)를 계산
-
소벨 마스크:
Gx = [[-1, 0, 1], Gy = [[ 1, 2, 1], [-2, 0, 2], [ 0, 0, 0], [-1, 0, 1]] [-1, -2, -1]] -
적용 방법:
- 각 픽셀에 x방향 마스크(Gx)와 y방향 마스크(Gy)를 컨볼루션
- 기울기 크기 계산: G = √(Gx² + Gy²)
- 기울기 방향 계산: θ = tan⁻¹(Gy/Gx)
-
장점:
- 노이즈에 비교적 강함
- 대각선 에지 검출에 효과적
- 계산이 간단하고 빠름
-
이미지 로드 및 전처리:
import cv2 as cv img = cv.imread('./.data/seulgi3.jpg') gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)- 이미지를 로드하고 그레이스케일로 변환. 에지 검출은 보통 컬러 정보보다 명암 정보가 중요하기 때문에 그레이스케일로 변환함.
-
소벨 연산자 적용:
grad_x = cv.Sobel(gray,cv.CV_32F,1,0,ksize=3) grad_y = cv.Sobel(gray,cv.CV_32F,0,1,ksize=3)cv.Sobel함수는 이미지에 소벨 연산자를 적용함.cv.CV_32F: 출력 이미지의 데이터 타입을 32비트 부동소수점으로 지정함.1,0: x방향의 미분(가로 방향 에지 검출)0,1: y방향의 미분(세로 방향 에지 검출)ksize=3: 3x3 크기의 소벨 커널을 사용
-
결과 변환:
sobel_x = cv.convertScaleAbs(grad_x) sobel_y = cv.convertScaleAbs(grad_y)cv.convertScaleAbs함수는 음수 값을 포함할 수 있는 기울기 값을 절대값으로 변환하고 0-255 사이의 값으로 변환- 이 과정이 필요한 이유는 OpenCV에서 이미지를 표시할 때 8비트 부호 없는 정수(0-255) 형식을 사용하기 때문임
-
에지 강도 계산:
edge_strength = cv.addWeighted(sobel_x,0.5,sobel_y,0.5,0)- 각 방향(x, y)의 에지 강도를 결합하여 최종 에지 강도를 계산
- 각 방향에 0.5의 가중치를 부여하여 두 방향을 균등하게 고려
- 마지막 파라미터 0은 추가적인 값을 더하지 않는다는 의미
캐니 에지
-
이미지 로드 및 전처리:
import cv2 as cv img = cv.imread('./.data/seulgi4.jpg') gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)- 이미지를 로드하고 그레이스케일로 변환함. Canny 에지 검출은 그레이스케일 이미지에서 수행된다.
-
Canny 에지 검출 적용
canny1 = cv.Canny(gray,50,150) canny2 = cv.Canny(gray,100,200)-
cv.Canny함수는 입력 이미지에 Canny 에지 검출 알고리즘을 적용 -
이 함수는 두 개의 임계값(threshold)을 사용
- 첫 번째 임계값(낮은 임계값): 에지의 시작점을 결정
- 두 번째 임계값(높은 임계값): 확실한 에지를 결정
-
canny1은 더 낮은 임계값(50,150)을 사용하므로 더 많은 에지를 감지 -
canny2는 더 높은 임계값(100,200)을 사용하므로 더 중요한 에지만 감지
-
-
결과 표시
cv.imshow('gray',gray) cv.imshow('canny1',canny1) cv.imshow('canny2',canny2)- 원본 그레이스케일 이미지와 두 가지 다른 임계값 설정으로 생성된 Canny 에지 검출 결과를 표시
Canny 에지 검출기 작동 단계
1. 노이즈 제거(가우시안 블러 적용)
2. 기울기 계산(소벨 연산자 사용)
3. 비최대 억제(Non-maximum suppression)
4. 이중 임계값 처리(Double thresholding)
5. 에지 연결(Hysteresis)
에지 맵에서 경계선 찾기
이 코드는 이미지에서 에지를 검출한 후 윤곽선(contours)을 찾고 그리는 과정을 수행.
-
이미지 로드 및 전처리
img = cv.imread("./.data/seulgi4.jpg") gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)- 컬러 이미지를 로드하고 그레이스케일로 변환한다.
-
캐니 에지 검출
canny = cv.Canny(gray,100,200)- 그레이스케일 이미지에 캐니 에지 검출 알고리즘을 적용한다.
- 임계값 100, 200을 사용하여 에지를 감지한다.
-
윤곽선 찾기
contour, hierarchy = cv.findContours(canny, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)cv.findContours함수는 이진 이미지(에지 이미지)에서 윤곽선을 찾는다.cv.RETR_LIST: 모든 윤곽선을 계층 구조 없이 리스트로 검출한다.cv.CHAIN_APPROX_NONE: 윤곽선의 모든 점을 저장한다(압축 없음).
-
윤곽선 필터링
lcontour = [] for i in range(len(contour)): if contour[i].shape[0] > 100: lcontour.append(contour[i])- 윤곽선의 점 개수가 100개 이상인 것만 선택한다.
- 이 과정은 작은 노이즈나 불필요한 세부 윤곽선을 제거하는 데 도움이 된다.
-
윤곽선 그리기
cv.drawContours(img,lcontour,-1,(0,255,0),3)- 원본 이미지 위에 필터링된 윤곽선을 그린다.
-1: 모든 윤곽선을 그린다.(0,255,0): 녹색으로 윤곽선을 그린다.3: 윤곽선의 두께를 3픽셀로 설정한다.
-
결과 표시
cv.imshow('Original',img) cv.imshow('Canny',canny)- 윤곽선이 그려진 원본 이미지와 캐니 에지 이미지를 표시한다.
허프 변환
허프 변환은 이미지에서 직선, 원, 타원과 같은 기하학적 형태를 검출하는 데 사용되는 알고리즘이다. 이 알고리즘은 이미지 공간의 점들을 매개변수 공간으로 변환함으로써 작동한다.
원형 허프 변환
원은 중심점(x₀, y₀)과 반지름(r)에 의해 정의된다: (x - x₀)² + (y - y₀)² = r²
원형 허프 변환에서는 이미지의 각 에지 픽셀이 매개변수 공간(중심점과 반지름으로 정의된 3차원 공간)에서 가능한 모든 원의 중심들의 집합으로 변환된다.
코드 분석
circle = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, 1, 200, param1=150, param2=20, minRadius=50, maxRadius=120)gray: 입력 그레이스케일 이미지cv.HOUGH_GRADIENT: 검출 방법1: 해상도 비율 (입력과 출력 이미지 크기의 비율)200: 검출된 원들 사이의 최소 거리 (픽셀 단위)param1=150: 내부적으로 사용되는 캐니 에지 검출기의 높은 임계값param2=20: 원 중심 검출을 위한 축적 임계값 (값이 작을수록 더 많은 원이 검출됨)minRadius=50: 검출할 원의 최소 반지름maxRadius=120: 검출할 원의 최대 반지름
그 후에는 검출된 각 원을 원본 이미지에 그린다
for i in circle[0]:
cv.circle(img, (int(i[0]), int(i[1])), int(i[2]), (255,0,0), 2)여기서 i[0]과 i[1]은 원의 중심 좌표이고, i[2]는 반지름이다. 원은 파란색(255,0,0)으로 그려지며 선의 두께는 2픽셀임
허프 변환의 응용
원형 허프 변환은 다음과 같은 분야에서 유용하게 사용된다:
- 동전 검출 및 계수
- 과일이나 둥근 물체 검출
- 홍채 검출
- 시계 및 원형 게이지 인식
- 공 추적(스포츠 영상 분석)
슈퍼 화소 분할
-
라이브러리를 임포트
skimage: scikit-image 라이브러리로, 이미지 처리 기능을 제공numpycv2
-
샘플 이미지를 로드
img = skimage.data.coffee() cv.imshow("coffee", cv.cvtColor(img, cv.COLOR_RGB2BGR))skimage.data.coffee()는 scikit-image에 내장된 커피 이미지를 로드함- RGB 형식의 이미지를 OpenCV의 BGR 형식으로 변환하여 표시
-
첫 번째 SLIC 슈퍼 픽셀 분할을 수행
slic1 = skimage.segmentation.slic(img, compactness=20, n_segments=600) sp_img1 = skimage.segmentation.mark_boundaries(img, slic1) sp_img1 = np.uint8(sp_img1 * 255.0)compactness=20: 슈퍼 픽셀의 모양을 조절하는 매개변수로 값이 클수록 더 정규적인 모양이 된다.n_segments=600: 생성할 슈퍼 픽셀의 대략적인 개수이다.mark_boundaries원본 이미지에 슈퍼 픽셀 경계를 표시한다.- 경계가 표시된 이미지를 0-255 범위의 정수로 변환한다.
-
두 번째 SLIC 슈퍼 픽셀 분할을 수행한다.
slic2 = skimage.segmentation.slic(img, compactness=40, n_segments=600)
sp_img2 = skimage.segmentation.mark_boundaries(img, slic2)
sp_img2 = np.uint8(sp_img2 * 255.0)- 결과 이미지를 표시
cv.imshow('Super pixels (compact 20)', cv.cvtColor(sp_img1, cv.COLOR_RGB2BGR))
cv.imshow('Super pixels (compact 40)', cv.cvtColor(sp_img2, cv.COLOR_RGB2BGR))- 두 슈퍼 픽셀 이미지를 RGB에서 BGR로 변환하여 OpenCV로 표시
정규화 절단 알고리즘을 이용한 영역 분할
-
필요한 라이브러리 임포트
import skimage # 이미지 처리 라이브러리 import numpy as np # 수치 연산 라이브러리 import cv2 as cv # OpenCV 이미지 처리 라이브러리 import time # 실행 시간 측정을 위한 라이브러리 -
샘플 이미지 로드
coffee = skimage.data.coffee() # scikit-image에 내장된 커피 이미지 로드 -
세그멘테이션 시간 측정 시작
start = time.time() # 현재 시간 기록 -
SLIC 슈퍼픽셀 분할:
slic = skimage.segmentation.slic(coffee, compactness=20, n_segments=600, start_label=1)- SLIC(Simple Linear Iterative Clustering) 알고리즘으로 이미지를 슈퍼픽셀로 분할
compactness=20: 슈퍼픽셀의 모양 규칙성을 조절(값이 클수록 더 정규적인 모양)n_segments=600: 생성할 슈퍼픽셀의 대략적인 개수start_label=1: 레이블 번호의 시작값
-
영역 인접 그래프(RAG) 생성
g = skimage.graph.rag_mean_color(coffee, slic, mode='similarity')- 슈퍼픽셀을 노드로 하는 그래프를 생성
- 각 노드(슈퍼픽셀)간의 색상 유사도에 기반한 가중치를 계산
-
정규화 컷 알고리즘 적용
ncut = skimage.graph.cut_normalized(slic, g)- 생성된 그래프에 정규화 컷 알고리즘을 적용하여 최종 세그멘테이션을 수행
- 이 알고리즘은 그래프를 의미적으로 일관된 부분으로 분할
-
처리 시간 출력
print(coffee.shape, 'Coffee:', time.time()-start, '초 소요')- 이미지 크기와 세그멘테이션에 소요된 시간을 출력
-
세그멘테이션 결과 시각화
marking = skimage.segmentation.mark_boundaries(coffee, ncut) ncut_coffee = np.uint8(marking * 255.0)- 원본 이미지에 세그멘테이션 결과의 경계를 표시
- 결과 이미지를 8비트 정수형으로 변환
-
결과 표시 및 종료
cv.imshow('Normalized cut', cv.cvtColor(ncut_coffee, cv.COLOR_RGB2BGR)) cv.waitKey() cv.destroyAllWindows()- 결과 이미지를 OpenCV로 표시(RGB를 BGR로 변환 필요)
시즌 2의 공부기록 - Artificial Intelligence & AeroSpace