[v0.20]영상처리_경계 검출

220110 작성

<본 블로그는 귀퉁이 서재님의 블로그를 참고해서 공부하며 작성하였습니다>

https://bkshin.tistory.com/entry/OpenCV-18-%EA%B2%BD%EA%B3%84-%EA%B2%80%EC%B6%9C-%EB%AF%B8%EB%B6%84-%ED%95%84%ED%84%B0-%EB%A1%9C%EB%B2%84%EC%B8%A0-%EA%B5%90%EC%B0%A8-%ED%95%84%ED%84%B0-%ED%94%84%EB%A6%AC%EC%9C%97-%ED%95%84%ED%84%B0-%EC%86%8C%EB%B2%A8-%ED%95%84%ED%84%B0-%EC%83%A4%EB%A5%B4-%ED%95%84%ED%84%B0-%EB%9D%BC%ED%94%8C%EB%9D%BC%EC%8B%9C%EC%95%88-%ED%95%84%ED%84%B0-%EC%BA%90%EB%8B%88-%EC%97%A3%EC%A7%80?category=1148027 

OpenCV - 18. 경계 검출 (미분 필터, 로버츠 교차 필터, 프리윗 필터, 소벨 필터, 샤르 필터, 라플라시

 

 

 

 

 

 

1. 기본 미분 필터

샤프닝 (Sharpening)

: 영상의 경계를 선명하고 뚜렷하게 만든다

: 영상에서 경계를 검출하여 경계에 있는 픽셀 강조

 

1) 경계(엣지)를 검출하기 위해서는 픽셀 값이 급격하게 변하는 지점 찾기

2) 연속된 픽셀 값에 미분을 하여 찾기

3) 픽셀은 연속 공간 안에 있지 않으므로 미분 근사값 구하기

• 서로 붙어 있는 픽셀 값을 빼기
• x방향, y방향으로 각각 픽셀 값을 빼면 미분 근사값

x방향, y방향으로 각각 픽셀 값을 빼면 미분 근사값

영상 내 픽셀 값의 미분 근사값 연산을 위한 컨볼루션 커널

# 미분 커널로 경계 검출
import cv2
import numpy as np

img = cv2.imread("img/sudoku.jpg")

#미분 커널 생성 ---①
gx_kernel = np.array([[ -1, 1]])
gy_kernel = np.array([[ -1],[ 1]])

# 필터 적용 ---②
edge_gx = cv2.filter2D(img, -1, gx_kernel)
edge_gy = cv2.filter2D(img, -1, gy_kernel)
# 결과 출력
merged = np.hstack((img, edge_gx, edge_gy))
cv2.imshow('edge', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

x방향, y방향의 미분 커널을 생성하여 필터링을 적용

- x 방향 미분 필터는 세로 방향의 경계 검출!

=> 좌우 픽셀 값의 차를 기반으로 필터링

- y 방향 미분 필터는 가로 방향의 경계 검출!

=> 상하 픽셀 값의 차를 기반으로 필터링

 

왕신기

 

 

 

 

 

2. 로버츠 교차 필터 (Robert Cross Filter)

로버츠 교차 필터를 위한 컨볼루션 커널

: 대각선 방향으로 +1, -1을 배치시켜 사선 경계 검출 효과 높인다

: 노이즈에 민감하다

# 로버츠 교차 필터를 적용한 경계 검출
import cv2
import numpy as np

img = cv2.imread("img/sudoku.jpg")

# 로버츠 커널 생성 ---①
gx_kernel = np.array([[1,0], [0,-1]])
gy_kernel = np.array([[0, 1],[-1,0]])

# 커널 적용 ---② 
edge_gx = cv2.filter2D(img, -1, gx_kernel)
edge_gy = cv2.filter2D(img, -1, gy_kernel)

# 결과 출력
merged = np.hstack((img, edge_gx, edge_gy, edge_gx+edge_gy))
cv2.imshow('roberts cross', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

로버츠 교차 필터로 사선 경계 검출

- 대각선 하니까 오른쪽 위가 선명하군

- 거꾸로 해볼까

비슷하다

 

 

 

 

 

3. 프리윗 필터 (Prewitt Filter)

: x축과 y축의 각 방향으로 차분을 세 번 계산하여 경계를 검출하는 필터

: 상하/좌우 경계는 뚜렷하게 잘 검출하지만 대각선 검출이 약하다

&nbsp;x축과 y축의 각 방향으로 차분을 세 번 계산하여 경계를 검출하는 프리윗 필터

# 프리윗 마스크를 적용한 경계 검출
import cv2
import numpy as np

file_name = "img/sudoku.jpg"
img = cv2.imread(file_name)

# 프리윗 커널 생성
gx_k = np.array([[-1,0,1], [-1,0,1],[-1,0,1]])
gy_k = np.array([[-1,-1,-1],[0,0,0], [1,1,1]])

# 프리윗 커널 필터 적용
edge_gx = cv2.filter2D(img, -1, gx_k)
edge_gy = cv2.filter2D(img, -1, gy_k)

# 결과 출력
merged = np.hstack((img, edge_gx, edge_gy, edge_gx+edge_gy))
cv2.imshow('prewitt', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;기본 미분 필터&nbsp; &nbsp; &nbsp; &nbsp; 로버츠 교차 필터 (상화/좌우)&nbsp; &nbsp; &nbsp; &nbsp;프리윗 필터 (상하/좌우)

 

 

 

 

 

4. 소벨 필터 (Sovel Filter)

: 중심 픽셀의 차분 비중을 두 배로 준 필터

: x축, y축, 대각선 방향의 경계 검출에 모두 강함

: 커널의 중심에서 멀어질수록 엣지 방향성의 정확도가 떨어진다

중심 픽셀의 차분 비중을 두 배 소벨 필터

dst = cv2.Sobel(src, ddepth, dx, dy, dst, ksize, scale, delta, borderType)
- src : 입력 영상
- ddepth : 출력 영상의 dtype (-1: 입력 영상과 동일)
- dx, dy : 미분 차수 (0, 1, 2 중 선택, 둘 다 0일 수는 없음)
- ksize : 커널의 크기 (1, 3, 5, 7 중 선택)
- scale : 미분에 사용할 계수
- delta : 연산 결과에 가산할 값

# 소벨 마스크를 적용한 경계 검출
import cv2
import numpy as np

img = cv2.imread("img/sudoku.jpg")

# 소벨 커널을 직접 생성해서 엣지 검출 ---①
## 소벨 커널 생성
gx_k = np.array([[-1,0,1], [-2,0,2],[-1,0,1]])
gy_k = np.array([[-1,-2,-1],[0,0,0], [1,2,1]])
## 소벨 필터 적용
edge_gx = cv2.filter2D(img, -1, gx_k)
edge_gy = cv2.filter2D(img, -1, gy_k)

# 소벨 API를 생성해서 엣지 검출
sobelx = cv2.Sobel(img, -1, 1, 0, ksize=3)
sobely = cv2.Sobel(img, -1, 0, 1, ksize=3) 

# 결과 출력
merged1 = np.hstack((img, edge_gx, edge_gy, edge_gx+edge_gy))
merged2 = np.hstack((img, sobelx, sobely, sobelx+sobely))
merged = np.vstack((merged1, merged2))
cv2.imshow('sobel', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

위) 소벨 커널 직접 생성&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;아래) 소벨 API cv2.Sobel&nbsp;

 

 

 

 

 

5. 샤르 필터 (Scharr Filter)

: 소벨 필터 개선한 필터

샤를 필터를 위한 컨볼루션 커널

dst = cv2.Scharr(src, ddepth, dx, dy, dst, scale, delta, borderType)
- ksize가 없다

- 모든 파라미터는 cv2.Sobel()과 동일

# 샤르 마스크를 적용한 경계 검출
import cv2
import numpy as np

img = cv2.imread("img/sudoku.jpg")

# 샤르 커널을 직접 생성해서 엣지 검출 ---①
gx_k = np.array([[-3,0,3], [-10,0,10],[-3,0,3]])
gy_k = np.array([[-3,-10,-3],[0,0,0], [3,10,3]])
edge_gx = cv2.filter2D(img, -1, gx_k)
edge_gy = cv2.filter2D(img, -1, gy_k)

# 샤르 API로 엣지 검출 ---②
scharrx = cv2.Scharr(img, -1, 1, 0)
scharry = cv2.Scharr(img, -1, 0, 1)

# 결과 출력
merged1 = np.hstack((img, edge_gx, edge_gy))
merged2 = np.hstack((img, scharrx, scharry))
merged = np.vstack((merged1, merged2))
cv2.imshow('Scharr', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

- 위) 샤르 커널 직접 생성&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;아래) 샤르 API cv2.Scharr

 

 

 

 

 

6. 라플라시안 필터 (Laplacian Filter)

: 2차 미분을 적용

: 경계를 더 제대로 검출

 

dst = cv2.Laplacian(src, ddepth, dst, ksize, scale, delta, borderType)
- 파라미터는 cv2.Sobel()과 동일

# 라플라시안 마스크를 적용한 경계 검출
import cv2
import numpy as np

img = cv2.imread("img/sudoku.jpg")

# 라플라시안 필터 적용 ---①
edge = cv2.Laplacian(img, -1)

# 결과 출력
merged = np.hstack((img, edge))
cv2.imshow('Laplacian', merged)
cv2.waitKey(0)
cv2.destroyAllWindows()

2차 미분을 적용한 라플라시안 필터

- 경계 뚜렷

- 깔끔하네 근데 조금 희미한디..

 

 

 

 

 

7. 캐니 엣지 (Canny Edge)

: 한 가지 필터만 사용이 아닌, 4 단계 알고리즘에 따라 경계를 검출

 

1) 노이즈 제거

: 5 x 5 가우시안 블러링 필터로 노이즈 제거
2) 경계 그레디언트 방향 계산

: 소벨 필터로 경계 및 그레디언트 방향 검출
3) 비최대치 억제(Non-Maximum Suppression)

: 그레디언트 방향에서 검출된 경계 중 가장 큰 값만 선택하고 나머지는 제거
4) 이력 스레시홀딩

: 두 개의 경계 값(Max, Min)을 지정해서 경계 영역에 있는 픽셀들 중

큰 경계 값(Max) 밖의 픽셀과 연결성이 없는 픽셀 제거

 

edges = cv2.Canny(img, threshold1, threshold2, edges, apertureSize, L2gardient)
- img : 입력 영상
- threshold1, threshold2 : 이력 스레시홀딩에 사용할 Min, Max 값
- apertureSize : 소벨 마스크에 사용할 커널 크기
- L2gradient : 그레디언트 강도를 구할 방식 (True: 제곱 합의 루트 False: 절댓값의 합)
- edges : 엣지 결과 값을 갖는 2차원 배열

# 캐니 엣지 검출
import cv2, time
import numpy as np

img = cv2.imread("img/sudoku.jpg")

# 케니 엣지 적용 
edges = cv2.Canny(img,100,200)

# 결과 출력
cv2.imshow('Original', img)
cv2.imshow('Canny', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4단계 알고리즘의 케니 엣지 필터

- 경계 검출 굿굿

 

 

 

추억돋는다..

스도쿠