[TIL] 230417 - 영상처리 7주차 특징 추출

Jimin·2023년 4월 17일

에지들은 I^2(m, n)의 zero-crossing point(제로 교차점)에서 찾을 수 있음
Laplacian 연산자는 일반적으로 영상의 로컬 분산이 작은 영역에 나타나는 많은 거짓 에지 등고선(false edge ㅇ)을 생성함
이런 많은 거짓 등고선을 제거하는 방법은 로컬 분산 σ^2이 충분히 커야한다는 것임

중요한 정보는 가운데에 주로 있음
thersholding 국부 지역의 가운데 값을 사용함

1차원: sobel
2차원: Laplacian
zero-crossing은 굉장히 조밀하게 나옴

for (int i = w/2; w < H - w/2; i++) {
	for (int j = w/2; j < W - w/2; j++) {
    	float tmp_s = 0;
        for (int k = -w/2; k <= w/2; k++) 
        	for (int l = -w/2; l <= w/2; l++) 
            	tmp_s += inImg[i+k][j+l];
           
        tmp_s = tmp_s / (w * w);
        
        float tmp_v = 0;
        for (int k = -w/2; k <= w/2; k++) 
        	for (int l = -w/2; l <= w/2; l++) 
            	tmp_v += (inImg[i+k][j+l] - tmp_s) * (inImg[i+k][j+l] - tmp_s);
                tmp_v /= (w * w);
                
        var[i][j] = tmp_v;
    }
}

Local Variance : thresholing으로 국부 분산 값들의 평균을 사용함
Global Variance
-> Variance: 큰 변화가 있는지 알려줌

Gradient -> sobel
2nd-order(Laplacian) => Canny operator
- 1px 두께 edge, 연결도 시켜줌, 영점에 가장 가까운 위치도 찾아줌

2차 미분: 크기 상관 없음 변곡점이 중요함!

부드럽게 처리해서 다시 미분해보자

미세한 edge 줄이기
1. 분산
2. LPF

Smoothing(Average) -> 미세한 경계(edge)가 zero가 됨!
평균처리: 표준 정규 분포 곡선 사용 -> Gaussian Fuction

블러링이 많이 된 가우시안, 블러링이 적게 된 가우시안을 비교함
G(σ1) - G(σ2)를 한 값이나 위의 사진에 있는 예시처럼 박스 필터를 사용해서 구한 차이 값이나 동일함 그러나 박스 필터 값을 사용하는 게 훨씬 빠름

정리:
특징 추출: 경계 -> 기울기, 미분
1. Gradient operator
2. Laplacian operator -> too 민감 -> local variance로 thresholding -> edge를 연결하고 자잘한 경계를 없애기 위해 -> LOF or DOG (box filter를 사용해 blurring차이를 구하는 방법이 훨씬 빠름)

Laplacian of Gaussian(LOG)

가우스와 라플라시안의 합성곱 (상승 적분)
G: Gaussian smoothing operator
모양 때문에 Mexican hat operator라고도 불림

LOG는 가우스 함수의 σ에 해당하는 대역 통과 필터(BPF)
θ가 큰 값을 가질 경우 더 많은 흐림과 강한 에지를 얻을 수 있음
그렇지 않으면 픽셀 이동이 적은 미세한 가장자리와 작은 디테일이 생성됨

Separable Decomposition of LOG

updating...

Nonlinear Gradient and Laplacian Operators

Nonlinear Gradient

W = MxM window
noise와 granularity(미세함)에 민감하지 않음 -> 좋은 거!
valley 뿐만 아니라 peak도 감지함

곱셈이 없기 때문에 구현이 매우 쉬움
또한 형태학적 경사 연산자와 밀접한 관계가 있으며 unbias 특성(?)을 가지고 있음

Valley Detectors and HVS-based Sketch Operators

Valley detectors

국소 휘도 최소인 계곡의 전형적인 프로파일
실질적으로 valley detector은 valley 뿐만 아니라 edge도 감지하는 것이 바람직함

한 가지 해결책은 이미지와 선형적으로 결합될 때 valley에 대한 최적의 반응을 가지지만 스텝 에지에 대한 잔류 반응을 갖는 단일 연산자를 사용하는 것임

HVS-based sketch operators

인간의 관찰자는 밝은 지역의 관찰자보다 어두운 지역의 가장자리(edge)와 계곡(valley)에 더 민감함
따라서 인간의 시각 시스템과 유사한 방식으로 물체를 인식하고 분석하려면 국소 강도에 따라 스케치 특징(valley와 edge)을 추출해야 함
Entropy Operator