[v0.12]영상처리_히스토그램(Histogram)

220104 작성

<본 블로그는 귀퉁이 서재님의 블로그를 참고해서 공부하며 작성하였습니다>

https://bkshin.tistory.com/entry/OpenCV-10-%ED%9E%88%EC%8A%A4%ED%86%A0%EA%B7%B8%EB%9E%A8?category=1148027 

OpenCV - 10. 히스토그램과 정규화(Normalize), 평탄화(Equalization), CLAHE

 

 

 

 

 

 

1. 히스토그램

:  도수 분포표를 그래프로 나타낸 것

: 무엇이 몇 개 있는지 개수를 세어 놓은 것을 그래프

 

 

cv2.calHist(img, channel, mask, histSize, ranges)

: 히스토그램을 구현

 

- img : 이미지 영상, [img]처럼 리스트로 감싸서 전달
- channel : 분석 처리할 채널, 리스트로 감싸서 전달

• 1 채널: [0], 2 채널: [0, 1], 3 채널: [0, 1, 2]

- mask : 마스크에 지정한 픽셀만 히스토그램 계산, None이면 전체 영역
- histSize : 계급(Bin)의 개수, 채널 개수에 맞게 리스트로 표현

 

• 1 채널: [256], 2 채널: [256, 256], 3 채널: [256, 256, 256]

- ranges : 각 픽셀이 가질 수 있는 값의 범위, RGB인 경우 [0, 256]

# 회색조 1채널 히스토그램
import cv2
import numpy as np
import matplotlib.pylab as plt

#--① 이미지 그레이 스케일로 읽기 및 출력
img = cv2.imread('img/tree_gray.jpg', cv2.IMREAD_GRAYSCALE)
cv2.imshow('img', img)

#--② 히스토그램 계산 및 그리기
hist = cv2.calcHist([img], [0], None, [256], [0,256])
plt.plot(hist)

print("hist.shape:", hist.shape)  #--③ 히스토그램의 shape (256,1)
print("hist.sum():", hist.sum(), "img.shape:",img.shape) #--④ 히스토그램 총 합계와 이미지의 크기
plt.show()

회색 이미지의 1채널 [0] 히스토그램

 

 

# 색상 이미지 히스토그램
import cv2
import numpy as np
import matplotlib.pylab as plt

#--① 이미지 읽기 및 출력
img = cv2.imread('img/sunflower.jpg')
cv2.imshow('img', img)

#--② 히스토그램 계산 및 그리기
channels = cv2.split(img)
colors = ('b', 'g', 'r')
for (ch, color) in zip (channels, colors):
    hist = cv2.calcHist([ch], [0], None, [256], [0, 256])
    plt.plot(hist, color = color)
plt.show()

색상 이미지의 3채널 (즉, RGB) 히스토그램

-  img는 색상 이미지이므로 3 채널 이미지

- cv2.split(img)을 해주면 빨강, 파랑, 초록의 각 1 채널 이미지로 나뉘어서 3채널을 가진다

- 하늘 영역이 많아서 파란색 분포가 크다

 

 

 

 

2. 정규화(Normalization)

: 특정 영역에 몰려 있는 경우 화질을 개선

: 이미지 간의 연산 시 서로 조건이 다른 경우 같은 조건으로 만들기

 

dst = cv2.normalize(src, dst, alpha, beta, type_flag)
- src : 정규화 이전의 데이터
- dst : 정규화 이후의 데이터
- alpha : 정규화 구간 1
- beta : 정규화 구간 2, 구간 정규화가 아닌 경우 사용 안 함
- type_flag : 정규화 알고리즘 선택 플래그 상수

• cv2.NORM_MINMAX : alpha와 beta 구간으로 정규화
• cv2.NORM_L1 : 전체 합으로 나누기
• cv2.NORM_L2 : 단위 벡터로 정규화 하기
• cv2.NORM_INF : 최댓값으로 나누기

 

# 히스토그램 정규화
import cv2
import numpy as np
import matplotlib.pylab as plt

#--① 그레이 스케일로 영상 읽기
img = cv2.imread('img/hist_unequ.jpg', cv2.IMREAD_GRAYSCALE)

#--② 직접 연산한 정규화
img_f = img.astype(np.float32)
img_norm = ((img_f - img_f.min()) * (255) / (img_f.max() - img_f.min()))
img_norm = img_norm.astype(np.uint8)

#--③ OpenCV API를 이용한 정규화
img_norm2 = cv2.normalize(img, None, 0, 255, cv2.NORM_MINMAX)

#--④ 히스토그램 계산
hist = cv2.calcHist([img], [0], None, [256], [0, 255])
hist_norm = cv2.calcHist([img_norm], [0], None, [256], [0, 255])
hist_norm2 = cv2.calcHist([img_norm2], [0], None, [256], [0, 255])

cv2.imshow('Before', img)
cv2.imshow('Manual', img_norm)
cv2.imshow('cv2.normalize()', img_norm2)

hists = {'Before' : hist, 'Manual':hist_norm, 'cv2.normalize()':hist_norm2}
for i, (k, v) in enumerate(hists.items()):
    plt.subplot(1,3,i+1)
    plt.title(k)
    plt.plot(v)
plt.show()

 

희미한 이미지                                        공식으로 정규화                                   cv2.normalize로 정규화

히스토그램

- 정규화 전에는 픽셀 값이 중앙에 모임

- 정규화 후에는 픽셀 값이 전체적으로 퍼져서 화질이 개선

 

 

 

 

3. 평탄화 (Equalization)

: 각각의 값이 전체 분포에 차지하는 비중에 따라 분포를 재분배

: 명암 대비를 개선하는 데 효과적

: 전체 영역에 골고루 분포가 되어 있을 때 좋은 이미지

 

1) 히스토그램 평탄화 (Histogram Equalization)

: 좌측처럼 특정 영역에 집중되어 있는 분포를 오른쪽처럼 골고루 분포하도록 하는 작업을 히스토그램 평탄화

출처: Wikipedia

dst = cv2.equalizeHist(src, dst)
- src : 대상 이미지, 8비트 1 채널
- dst(optional) : 결과 이미지

 

+) 회색조 이미지 평탄화

# 회색조 이미지에 평탄화 적용
import cv2
import numpy as np
import matplotlib.pylab as plt

#--① 대상 영상으로 그레이 스케일로 읽기
img = cv2.imread('img/yate.jpg', cv2.IMREAD_GRAYSCALE)
rows, cols = img.shape[:2]

#--② 이퀄라이즈 연산을 직접 적용
hist = cv2.calcHist([img], [0], None, [256], [0, 256]) #히스토그램 계산
cdf = hist.cumsum()                                     # 누적 히스토그램 
cdf_m = np.ma.masked_equal(cdf, 0)                      # 0(zero)인 값을 NaN으로 제거
cdf_m = (cdf_m - cdf_m.min()) /(rows * cols) * 255      # 이퀄라이즈 히스토그램 계산
cdf = np.ma.filled(cdf_m,0).astype('uint8')             # NaN을 다시 0으로 환원
print(cdf.shape)
img2 = cdf[img]                                         # 히스토그램을 픽셀로 맵핑

#--③ OpenCV API로 이퀄라이즈 히스토그램 적용
img3 = cv2.equalizeHist(img)

#--④ 이퀄라이즈 결과 히스토그램 계산
hist2 = cv2.calcHist([img2], [0], None, [256], [0, 256])
hist3 = cv2.calcHist([img3], [0], None, [256], [0, 256])

#--⑤ 결과 출력
cv2.imshow('Before', img)
cv2.imshow('Manual', img2)
cv2.imshow('cv2.equalizeHist()', img3)
hists = {'Before':hist, 'Manual':hist2, 'cv2.equalizeHist()':hist3}
for i, (k, v) in enumerate(hists.items()):
    plt.subplot(1,3,i+1)
    plt.title(k)
    plt.plot(v)
plt.show()

희미한 이미지                            공식으로 정규화                             cv2.normalize로 정규화

평탄화한 히스토그램

- 명암 대비가 낮은 부둣가 이미지의 화질이 개선

- 깃발에 적힌 단어가 더 뚜렷하게 됨

- 부둣가 바닥이 좀더 밝아짐

 

 

+) 색상 이미지 평탄화

# 색상 이미지에 대한 평탄화 적용
import numpy as np, cv2

img = cv2.imread('img/yate.jpg') #이미지 읽기, BGR 스케일

#--① 컬러 스케일을 BGR에서 YUV로 변경
img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV) 

#--② YUV 컬러 스케일의 첫번째 채널에 대해서 이퀄라이즈 적용
img_yuv[:,:,0] = cv2.equalizeHist(img_yuv[:,:,0]) 

#--③ 컬러 스케일을 YUV에서 BGR로 변경
img2 = cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR) 

cv2.imshow('Before', img)
cv2.imshow('After', img2)
cv2.waitKey()
cv2.destroyAllWindows()

색상 이미지의 평탄화

- 평탄화 사용 후 이미지가 더 선명

- 요트가 더 밝아지고 화질이 좋아짐

- 전체적으로 더 밝아짐

- 이미지의 선명도가 높아짐

 

 

 

 

4. CLAHE (Contrast Limited Adaptive Histogram Equalization)

평탄화

: 이미지의 밝은 부분이 날라감

: 경계선을 알아볼 수 없음

: 이를 막기 위해 이미지를 일정한 영역(tileGridSize 파라미터) 으로 나누어 평탄화 적용

: 하지만 노이즈가 생겨 문제가 발생

 

CLAHE

: 어떤 영역이든 지정된 제한 값(아래 코드에서 clipLimit 파라미터)을 넘으면 그 픽셀은 다른 영역에 균일하게 배분하여 적용

출처: Wikipedia

clahe = cv2.createCLAHE(clipLimit, tileGridSize)
- clipLimit : 대비(Contrast) 제한 경계 값, default=40.0
- tileGridSize : 영역 크기, default=8 x 8
- clahe : 생성된 CLAHE 객체

 

clahe.apply(src)

: CLAHE 적용
- src : 입력 이미지

# CLAHE 적용
import cv2
import numpy as np
import matplotlib.pylab as plt

#--①이미지 읽어서 YUV 컬러스페이스로 변경
img = cv2.imread('img/clahe.png')
img_yuv = cv2.cvtColor(img, cv2.COLOR_BGR2YUV)

#--② 밝기 채널에 대해서 이퀄라이즈 적용
img_eq = img_yuv.copy()
img_eq[:,:,0] = cv2.equalizeHist(img_eq[:,:,0])
img_eq = cv2.cvtColor(img_eq, cv2.COLOR_YUV2BGR)

#--③ 밝기 채널에 대해서 CLAHE 적용
img_clahe = img_yuv.copy()
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8)) #CLAHE 생성
img_clahe[:,:,0] = clahe.apply(img_clahe[:,:,0])           #CLAHE 적용
img_clahe = cv2.cvtColor(img_clahe, cv2.COLOR_YUV2BGR)

#--④ 결과 출력
cv2.imshow('Before', img)
cv2.imshow('CLAHE', img_clahe)
cv2.imshow('equalizeHist', img_eq)
cv2.waitKey()
cv2.destroyAllWindows()

원본                                        CLAHE                                            평탄화

- 평탄화 할 때는 밝아져서 이미지가 날라감

- CLAHE 할 때는 픽셀을 균일하게 배분하여 이미지가 개선됨

- CLAHE 적용할 때는 CLAHE 객체 생성하고, 객체에 apply() 함수 적용하기 !

 

 

 

 

 

재밌다. 수업시간에 배운 이야기들이군..!