4. Open CV3

1. 관심 영역(ROI, Region of Interest)

• 영상 내에서 관심이 있는 영역
• cv2.selectROI()

import cv2

img1 = cv2.imread('./sun.jpg')

# x, y, w, h
x= 182
y = 21
w = 122
h = 112

roi = img1[y: y+h, x: x+w]
img2 = roi.copy()

cv2.imshow("img1", img1)
cv2.imshow("roi", img2)

cv2.waitKey()

가져온 태양 옆에 붙이기

태양 부분만 좌표로 추출

# 원하는 영역을 박스로 그리면 해당 부분이 별도의 영상으로 출력

import cv2

oldx = oldy = w = h = 0
color = (255, 0, 0)
img_copy = None
isDrag = False

def on_mouse(event, x, y, flags, param):
    global oldx, oldy, w, h, isDrag, img_copy
    if event == cv2.EVENT_LBUTTONDOWN:
        isDrag = True
        oldx = x
        oldy = y
    elif event == cv2.EVENT_MOUSEMOVE:
        if isDrag:
            img_copy = img.copy()
            cv2.rectangle(img_copy, (oldx, oldy), (x, y), color, 3)
            cv2.imshow('img', img_copy)
    elif event == cv2.EVENT_LBUTTONUP:
        if isDrag:
            isDrag = False
            if x > oldx and y > oldy:
                w = x - oldx
                h = y - oldy
                if w > 0 and h > 0:
                    cv2.rectangle(img_copy, (oldx, oldy), (x, y), color, 3)
                    cv2.imshow('img', img_copy)
                    roi = img[oldy: oldy+h, oldx: oldx+w]
                    cv2.imshow('roi', roi)
        else:
            cv2.imshow('img', img)
            print('영역이 잘 못 되었음')

img = cv2.imread('./sun.jpg')
cv2.namedWindow('img')
cv2.setMouseCallback('img', on_mouse)
cv2.imshow('img', img)
cv2.waitKey()

출력하고 싶은 부분을 마우스로 드래그 하고 왼쪽 버튼을 떼면 바로 그 부분만 출력되게 된다

 

import cv2

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

x, y, w, h = cv2.selectROI("img", img, False)

if w and h:
    roi = img[y:y + h, x: x + w]
    cv2.imshow("roi", roi)

cv2.waitKey()

이 코드를 사용하면 드래그 하고 손을 떼고 enter 키를 누르면 화면이 캡쳐된다.

 

2. 영상의 이진화(Binarization)

• 픽셀을 검은색 또는 흰색과 같이 두 분류의 값으로 나누는 작업
• 영상에서 의미있는 관심 영역(ROI)과 비관심 영역으로 구분할 때 사용
• 예) 배경과 객체를 둘로 나눌 때
• 영상의 이진화 연산을 할 때 나누는 특정값을 임계값이라고 함

cv2.threshold()
cv2.THRESH_BINARY: 픽셀값이 임계값을 넘으면 최대값으로 지정하고 넘지 못하면 0으로 지정
cv2.THRESH_BINARY_INV: THRESH_BINARY의 반대

import cv2
import matplotlib.pyplot as plt

src = cv2.imread("./cells.png", cv2.IMREAD_GRAYSCALE)
hist = cv2.calcHist([src], [0], None, [256], [0, 255])

a, dst1 = cv2.threshold(src, 100, 255, cv2.THRESH_BINARY)
b, dst2 = cv2.threshold(src, 210, 255, cv2.THRESH_BINARY)

cv2.imshow("src", src)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)

plt.plot(hist)
plt.show()
cv2.waitKey()

 

3. 오츠의 이진화 알고리즘

• 자동 이진화
• 자동으로 임계값을 구해줌. 임계값을 구분하는 가장 좋은 방법으로 사용
• 임계값을 임의로 정해 픽셀을 두 부류로 나누고 두 부류의 명암 분포를 구하는 작업을 반복하여 모든 경우의 수 중에서 두 부류의 명암 분포가 가장 균일할 때의 임계값을 선택

cv2.threshhold(영상, 임계값, 최대값, 플래그 | cv2.THRESH_OTSU)

import cv2

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

th, dst = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY |cv2.THRESH_OTSU)

print('otsh:', th)

cv2.imshow('img', img)
cv2.imshow('dst', dst)
cv2.waitKey()

 

4. 지역  이진화

• 균일하지 않은 조명 환경에서 사용하는 이진화 방법
• 전체 구역을 N등분하고 각각의 구역에 이진화를 한 뒤에 이어 붙이는 방법
• 여러개의 임계값을 이용할 수 있음

# rice.png 이미지를 이용하여 가로 4등분, 세로 4등분하고 자동 이진화를 적용해보자
# 전역(자동) 이진화

import cv2
import numpy as np

img = cv2.imread("./rice.png", cv2.IMREAD_GRAYSCALE)

# 전역 이진화
_, dst1 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

#  지역 이진화
dst2 = np.zeros(img.shape, np.uint8)
bw = img.shape[1] // 4
bh = img.shape[0] // 4

for y in range(4):
    for x in range(4):
        img_ = img[y*bh: (y+1)*bh, x*bw: (x+1)*bw]
        dst_ = dst2[y*bh: (y+1)*bh, x*bw: (x+1)*bw]
        cv2.threshold(img_, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU, dst_)

cv2.imshow("img", img)
cv2.imshow("dst1", dst1)
cv2.imshow("dst2", dst2)
cv2.waitKey()

5. 적응형 이진화

• 영상을 여러 영역으로 나눈 뒤, 그 주변 픽셀값만 활용하여 임계값을 구함
• 노이즈를 제거한 뒤에 Otsu 이진화를 적용

cv2.adaptiveThreshold()
    cv2.ADAPTIVE_THRESH_MEAN: 이웃 픽셀의 평균으로 결정-> 선명하지만 잡티가 많아짐
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C: 가우시안 분포에 따른 가중치의 합으로 결정-> 선명도는 조금 떨어지지만 잡티가 적음
    * 블록사이즈: 3이상의 값. 정방행렬. 블록 사이즈가 클수록 연산 시간이 오래 걸림

import cv2
import matplotlib.pyplot as plt

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

th, dst1 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)

dst2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 9, 5)
dst3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 9, 5)

dic = {"img": img, "dst1": dst1, "dst2": dst2, "dst3": dst3}

for i, (k, v) in enumerate(dic.items()):
    plt.subplot(2, 2, i+1)
    plt.title(k)
    plt.imshow(v, "gray")

plt.show()

 

6. 이미지 유사도

• 픽셀 값의 분포가 서로 비슷하다면 유사한 이미지일 확률이 높음

cv2.compareHist()
    cv2.HISTCMP_CORREL: 상관관계(1: 완전 일치, -1: 완전 불일치, 0: 무관계)
    cv2.HISTCMP_CHISQR: 카이제곱(0: 완전 일치, 무한대: 완전 불일치)
    cv2.HISTCMP_INTERSECT: 교차(1: 완전 일치, 0: 완전 불일치)
    cv2.BHATTACHARYYA: 밀도함수(0: 완전 일치, 1: 완전 불일치)

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

img1 = cv2.imread("./taekwonv1.jpg")
img2 = cv2.imread("./taekwonv2.jpg")
img3 = cv2.imread("./taekwonv3.jpg")
img4 = cv2.imread("./dr_ochanomizu.jpg")

imgs = [img1, img2, img3, img4]
hists = []

for i, img in enumerate(imgs):
    plt.subplot(1, len(imgs), i+1)
    plt.title("img%d" % (i+1))
    plt.axis("off")
    plt.imshow(img[:, :, ::-1])
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    hist = cv2.calcHist([hsv], [0, 1], None, [180, 256], [0, 180, 0, 256])
    cv2.normalize(hist, hist, 0, 1, cv2.NORM_MINMAX)
    hists.append(hist)

query = hists[0]
methods = {"CORREL": cv2.HISTCMP_CORREL, "CHISQR": cv2.HISTCMP_CHISQR, "INTERSECT": cv2.HISTCMP_INTERSECT}

for j, (name, flag) in enumerate(methods.items()):
    print("%-10s" % name, end="\t")
    for i, (hist, img) in enumerate(zip(hists, imgs)):
        ret = cv2.compareHist(query, hist, flag)
        if flag == cv2.HISTCMP_INTERSECT:
            ret = ret/np.sum(query)
        print("img%d:%7.2f" % (i+1, ret), end="\t")
    print()
plt.show()