[v0.10]영상처리_OpenCV_바이너리 이미지를 만드는 스레시홀딩

211230 작성

<본 블로그는 귀퉁이 서재님의 블로그를 참고해서 공부하며 작성하였습니다>

https://bkshin.tistory.com/entry/OpenCV-8-%EC%8A%A4%EB%A0%88%EC%8B%9C%ED%99%80%EB%94%A9Thresholding?category=1148027 

OpenCV - 8. 스레시홀딩(Thresholding), 오츠의 알고리즘(Otsu's Method)

 

 

 

 

1. 스레시홀딩 (Thresholding)

: 여러 값을 어떤 임계점을 기준으로 두 가지 부류로 나누는 방법

: 바이너리 이미지( 검은색과 흰색만으로 표현한 이미지) 를 만드는 가장 대표적인 방법

 

 

1) 전역 스레시홀딩

: 여러 임계값을 정한 뒤 픽셀 값이 임계값을 넘으면 255, 임계값을 넘지 않으면 0 으로 지정하는 방식

- numpy

numpy 연산을 통해 픽셀 값이 127보다 크면 255, 픽셀 값이 127보다 작거나 같으면 0으로 바꾸기

- ret, out = cv2.threshold(img, threshold, value, type_flag)

ret : 스레시홀딩에 사용한 임계값

out : 스레시홀딩이 적용된 바이너리 이미지

 

img : 변환할 이미지
threshold : 스레시홀딩 임계값
value : 임계값 기준에 만족하는 픽셀에 적용할 값
type_flag : 스레시홀딩 적용 방법

- cv2.THRESH_BINARY: 픽셀 값이 임계값을 넘으면 value로 지정하고, 넘지 못하면 0으로 지정

- cv2.THRESH_BINARY_INV : cv.THRESH_BINARY의 반대

- cv2.THRESH_TRUNC : 픽셀 값이 임계값을 넘으면 value로 지정하고, 넘지 못하면 원래 값 유지

- cv2.THRESH_TOZERO : 픽셀 값이 임계값을 넘으면 원래 값 유지, 넘지 못하면 0으로 지정

- cv2.THRESH_TOZERO_INV : cv2.THRESH_TOZERO의 반대

# 전역 스레시홀딩

import cv2
import numpy as np
import matplotlib.pylab as plt

#이미지를 그레이 스케일로 읽기
img = cv2.imread('img/gray_gradient.png', cv2.IMREAD_GRAYSCALE)

# --- ① NumPy API로 바이너리 이미지 만들기
thresh_np = np.zeros_like(img)   # 원본과 동일한 크기의 0으로 채워진 이미지
thresh_np[ img > 127] = 255      # 127 보다 큰 값만 255로 변경

# ---② OpenCV API로 바이너리 이미지 만들기
ret, thresh_cv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) 
print(ret)  # 127.0, 바이너리 이미지에 사용된 문턱 값 반환

# ---③ 원본과 결과물을 matplotlib으로 출력
imgs = {'Original': img, 'NumPy API':thresh_np, 'cv2.threshold': thresh_cv}
for i , (key, value) in enumerate(imgs.items()):
    plt.subplot(1, 3, i+1)
    plt.title(key)
    plt.imshow(value, cmap='gray')
    plt.xticks([]); plt.yticks([])

plt.show()

numpy 와 cv2.threshold 로 임계값 구현

 

 

+) type_flag 활용

# 스레시홀딩 플래그
import cv2
import numpy as np
import matplotlib.pylab as plt

img = cv2.imread('img/gray_gradient.png', cv2.IMREAD_GRAYSCALE)

_, t_bin = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
_, t_bininv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
_, t_truc = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
_, t_2zr = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
_, t_2zrinv = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

imgs = {'origin':img, 'BINARY':t_bin, 'BINARY_INV':t_bininv, \
        'TRUNC':t_truc, 'TOZERO':t_2zr, 'TOZERO_INV':t_2zrinv}
for i, (key, value) in enumerate(imgs.items()):
    plt.subplot(2,3, i+1)
    plt.title(key)
    plt.imshow(value, cmap='gray')
    plt.xticks([]);    plt.yticks([])
    
plt.show()

type_flag 파라미터에 따라 결과 도출

binary : 127 넘으면 1, 넘지 못하면 0

binary_inv : 위와 반대

trunc : 127 넘으면 1, 넘지 못하면 원본

tozero : 127 넘으면 원래값, 넘지 못하면 0

tozero_inv : 위와 반대

 

 

 

 

+) 오츠의 이진화 알고리즘

: 오츠의 알고리즘은 임계값을 임의로 정해 픽셀을 두 부류로 나누고 두 부류의 명암 분포를 구하는 작업을 반복

: 모든 경우의 수 중에서 두 부류의 명암 분포가 가장 균일할 때의 임계값을 선택

: 반복적인 시도 없이 한 번에 임계값을 찾을 수 있는 방법

 

cv2.threshold() 함수의 마지막 파라미터 cv2.THRESH_OTSU

# 오츠의 알고리즘을 적용한 스레시홀딩
import cv2
import numpy as np
import matplotlib.pylab as plt

# 이미지를 그레이 스케일로 읽기
img = cv2.imread('img/newspaper.jpg', cv2.IMREAD_GRAYSCALE) 
# 경계 값을 130으로 지정  ---①
_, t_130 = cv2.threshold(img, 130, 255, cv2.THRESH_BINARY)        
# 경계 값을 지정하지 않고 OTSU 알고리즘 선택 ---②
t, t_otsu = cv2.threshold(img, -1, 255,  cv2.THRESH_BINARY | cv2.THRESH_OTSU) 
print('otsu threshold:', t)                 # Otsu 알고리즘으로 선택된 경계 값 출력

imgs = {'Original': img, 't:130':t_130, 'otsu:%d'%t: t_otsu}
for i , (key, value) in enumerate(imgs.items()):
    plt.subplot(1, 3, i+1)
    plt.title(key)
    plt.imshow(value, cmap='gray')
    plt.xticks([]); plt.yticks([])

plt.show()

임계값 설정 바이너리이미지, 오츠의 알고리즘 바이너리 이미지

=> 바이너리 이미지 변환 후 글씨 선명

=> 바이너리 최적의 임계값은 130 설정

=> 오츠의 알고리즘 최적의 임계값은 114

=> 오츠의 알고리즘이 최적의 임계값을 자동으로 찾아준다

=> 모든 경우의 수에 대해 조사해야 하므로 속도가 빠르지 않다

 

 

 

 

2) 적응형 스레시홀딩 (Adaptive Thresholding)

: 이미지를 여러 영역으로 나눈 뒤, 그 주변 픽셀 값만 활용하여 임계값을 구함

 

cv2.adaptiveThreshold(img, value, method, type_flag, block_size, C)
img : 입력영상
value : 임계값을 만족하는 픽셀에 적용할 값
method : 임계값 결정 방법

- cv2.ADAPTIVE_THRESH_MEAN_C : 이웃 픽셀의 평균으로 결정
- cv2.ADAPTIVE_THRESH_GAUSSIAN_C : 가우시안 분포에 따른 가중치의 합으로 결정
type_flag : 스레시홀딩 적용 방법 (cv2.threshod()와 동일)
block_size : 영역으로 나눌 이웃의 크기(n x n), 홀수
C : 계산된 임계값 결과에서 가감할 상수(음수 가능)

# 적응형 스레시홀딩 적용
import cv2
import numpy as np 
import matplotlib.pyplot as plt 

blk_size = 9        # 블럭 사이즈
C = 5               # 차감 상수 
img = cv2.imread('img/sudoku.jpg', cv2.IMREAD_GRAYSCALE) # 그레이 스케일로  읽기

# ---① 오츠의 알고리즘으로 단일 경계 값을 전체 이미지에 적용
ret, th1 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

# ---② 어뎁티드 쓰레시홀드를 평균 적용
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,\
                                      cv2.THRESH_BINARY, blk_size, C)
# 가우시안 분포 적용
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, \
                                     cv2.THRESH_BINARY, blk_size, C)

# ---③ 결과를 Matplot으로 출력
imgs = {'Original': img, 'Global-Otsu:%d'%ret:th1, \
        'Adapted-Mean':th2, 'Adapted-Gaussian': th3}
for i, (k, v) in enumerate(imgs.items()):
    plt.subplot(2,2,i+1)
    plt.title(k)
    plt.imshow(v,'gray')
    plt.xticks([]),plt.yticks([])

plt.show()

전역 스레시홀딩을 적용한 바이너리 이미지

=> 전역의 오츠는 더 그늘지고 어두워지는 현상 발견

=> 적응의 평균은 가우시안보다 더 선명, 잡티 더 발견

=> 적응의 가우시안은 선명도 떨어짐, 잡티 덜 발견

 

==> 적응형 스레시홀딩 알고리즘

- 전체 이미지에 총 9개의 블록을 설정 (이미지 9등분)

- 각 블록별로 임계값을 정합니다.

- cv2.ADAPTIVE_THRESH_MEAN_C를 파라미터로 전달하면 각 블록의 이웃 픽셀의 평균으로 임계값

- cv2.ADAPTIVE_THRESH_GAUSSIAN_C를 파라미터로 전달하면 가우시안 분포에 따른 가중치의 합으로 임계값

- 정해진 임계값을 바탕으로 각 블록별로 스레시홀딩

- 전역 스레시홀딩을 적용한 것보다 더 선명하고 부드러운 결과

 

==> 대부분의 이미지는 그림자가 있거나 조명 차이가 있기에

전역 스레시홀딩보다 적응형 스레시홀딩을 더 많이 사용

 

 

 

 

후... 끝