[python/OpenCV] 이미지 처리 예제 Q21~Q25

문제 링크

https://github.com/yoyoyo-yo/Gasyori100knock/tree/master/Question_21_30

 

yoyoyo-yo/Gasyori100knock

---

Q.21 히스토그램 정규화(ヒストグラム正規化, Histogram normalization)

​히스토그램 정규화를 적용해보자.

히스토그램을 통해 이미지가 어떤 방향으로 편향되어 있는지 알 수 있다.

예를 들어 0에 가까운 화소가 많으면 이미지는 전체적으로 어둡고,

반대로 255에 가까운 화소가 많으면 이미지는 밝아진다.

히스토그램이 한쪽으로 치우쳐 있는 것을 "다이나믹 레인지가 좁다" 라고 표현한다.

이미지가 어떤 속성을 지니고 있는지 더욱 잘 시각화하기 위해,

히스토그램을 정규화, 평탄화하는 등의 작업을 거치는 것이 필요하다.

​

히스토그램 정규화는 농도 계조 변화(gray-scale transformation) 이라고도 불리며,

[c,d]의 화소값을 가진 이미지를 [a,b]의 레인지로 변환하는 경우에 다음과 같은 식으로 표현할 수 있다.

여기서는 imori_dark.jpg를 [0, 255]의 범위에서 변환하고, matplotlib로 분포도를 살펴보자.

​

A.21 히스토그램 정규화(ヒストグラム正規化, Histogram normalization)의 답안

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

# histogram normalization
def hist_normalization(img, a=0, b=255):
	# get max and min
	c = img.min()
	d = img.max()

	out = img.copy()

	# normalization
	out = (b-a) / (d - c) * (out - c) + a
	out[out < a] = a
	out[out > b] = b
	out = out.astype(np.uint8)
	
	return out


# Read image
img = cv2.imread("assets/imori_dark.jpg").astype(np.float)
H, W, C = img.shape

# histogram normalization
out = hist_normalization(img)

# Display histogram
plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("out_his.png")
plt.show()

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

<np.where()>

​numpy.where()을 사용하면, Numpy 배열 ndarray에 대해 조건을 만족하는 요소를 치환하거나 특정 처리를 가능하게 한다.조건을 만족하는 요소는 인덱스(위치)를 취득하는 것도 가능하다.

numpy.where(condition[, x, y])

numpy.where()은 조건식 condition을 만족하는 경우 (True인 경우) 는 x, 만족하지 않는 경우 (False인 경우) y가 되는 ndarray를 리턴하는 함수이다. x,y를 생략한 경우에는 조건을 만족한 배열의 index를 반환한다.

https://note.nkmk.me/python-numpy-where/

<np.ma모듈>

​조건식으로 표현/비표현이 가능한 플롯
np.ma모듈은 마스킹된 배열 (즉,항목이 없거나 유효하지 않는 데이터가 존재하는 배열) 이 계산에 사용되지 않도록 하는 모듈이다.m
a에 관련된 공식 문서는 아래를 참고
https://docs.scipy.org/doc/numpy/reference/maskedarray.generic.html​

(cf) numpy.ma.masked_where
numpy.ma.masked_where(condition, a, copy=True)

https://docs.scipy.org/doc/numpy/reference/generated/numpy.ma.masked_where.html

<np.flatten()>​

다차원 배열을 일차원배열로 변경하는 함수예를 들면 이 함수는 2차원배열로 표현되는 이미지 데이터를 1차원배열로 변환하여 SVM에 입력하는 등에 활용할 수 있다.그러나 flatten함수는 출력을 할 때 새로운 배열을 만들기 때문에 비슷한 기능을 하는 ravel함수에 비해 속도가 느리다.

https://note.nkmk.me/python-numpy-ravel-flatten/

히스토그램관련해서 잘 정리해놓은 블로그 링크

https://webnautes.tistory.com/1274

OpenCV Python 강좌 - 히스토그램(Histogram)

---

Q.22 히스토그램 조작(ヒストグラム操作)

​히스토그램의 평균치를 m0=128, 표준편차를 s0=52이 되도록 조작해보자.

이것은 히스토그램의 다이나믹 레인지를 변경하는 것이 아니라,

히스토그램의 평균을 변경하는 작업임에 주의하라.

평균치 m、표준편차s를 변경하기 위해서는 다음과 같은 식을 사용한다.

​

A.22 히스토그램 조작(ヒストグラム操作)의 답안

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


# histogram manipulation
def hist_mani(img, m0=128, s0=52):
	m = np.mean(img)
	s = np.std(img)

	out = img.copy()

	# normalize
	out = s0 / s * (out - m) + m0
	out[out < 0] = 0
	out[out > 255] = 255
	out = out.astype(np.uint8)

	return out


# Read image
img = cv2.imread("assets/imori_dark.jpg").astype(np.float)

out = hist_mani(img)

# Display histogram
plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("out_his.png")
plt.show()

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

---

Q.23 히스토그램 평탄화(ヒストグラム平坦化, Histogram equalization)

​히스토그램 평탄화를 적용해보자.

히스토그램 평탄화란 히스그램을 평탄하게 변경하는 조작으로,

위에서 언급한 평균치나 표준편차 등을 필요로 하지 않고, 히스토그램값을 균형을 조정한다.

이것은 아래의 식과 같이 정의되어 있다.

S ... 화소치의 모든 수

Zmax ... 화소치의 최대값

h(z) ... 농도z의 수

​

A.23 히스토그램 평탄화(ヒストグラム平坦化, Histogram equalization)의 답안

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

# histogram equalization
def hist_equal(img, z_max=255):
	H, W, C = img.shape
	S = H * W * C * 1.

	out = img.copy()

	sum_h = 0.

	for i in range(1, 255):
		ind = np.where(img == i)
		sum_h += len(img[ind])
		z_prime = z_max / S * sum_h
		out[ind] = z_prime

	out = out.astype(np.uint8)

	return out


# Read image
img = cv2.imread("assets/imori.jpg").astype(np.float)

# histogram normalization
out = hist_equal(img)

# Display histogram
plt.hist(out.ravel(), bins=255, rwidth=0.8, range=(0, 255))
plt.savefig("out_his.png")
plt.show()

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

https://tat-pytone.hatenablog.com/entry/2019/06/30/083010

ヒストグラム平坦化・コントラスト制限付適応ヒストグラム平坦化によるカラー画像のコントラスト補正 - Pythonでいろいろやってみる

https://code-graffiti.com/histograms-with-opencv-in-python/

【Python】OpenCVを使ったヒストグラム – calcHist(), equalizeHist()

---

Q.24 감마 보정(ガンマ補正, Gamma correction)

​imori_gamma.jpg에 대해 감마보정을 적용해보자.

감마 보정이란 , 카메라 등의 매체의 경유에 의해 화소값이 비선형적으로 변환하는 경우를 일컫는다.

디스플레이 등에서 이미지를 그대로 표시하면 화면이 어두워지기 때문에,

RGB의 값을 미리 크게 변환하여 앞서 말한 디스플레이의 특성을 극복하기 위한 보정의 한 방법이다.

​

비선형 변환은 다음의 식이 적용된다.

단, x는 [0,1]로 정규화되어 있는 것이며, c는 상수, g는 감마의 특성 (일반적으로 2.2)

​

그리고 감마보정은 다음의 식이 적용된다.

​

 

A.24 감마 보정(ガンマ補正, Gamma correction)의 답안

코드 작성 전에 아래의 깃 허브 주소에서 imori_gamma.jpg를 다운로드 받아 assets파일에 저장하자.

https://github.com/yoyoyo-yo/Gasyori100knock/blob/master/Question_21_30/imori_gamma.jpg

yoyoyo-yo/Gasyori100knock

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


# gamma correction
def gamma_correction(img, c=1, g=2.2):
	out = img.copy()
	out /= 255.
	out = (1/c * out) ** (1/g)

	out *= 255
	out = out.astype(np.uint8)

	return out


# Read image
img = cv2.imread("assets/imori_gamma.jpg").astype(np.float)

# Gammma correction
out = gamma_correction(img)

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

https://newtechnologylifestyle.net/opnecv%E3%81%A7%E3%82%AC%E3%83%B3%E3%83%9E%E8%A3%9C%E6%AD%A3%E3%82%92%E8%A1%8C%E3%81%A3%E3%81%A6%E3%81%BF%E3%82%8B/

OpenCVでガンマ補正を行ってみる - AI人工知能テクノロジー

위의 링크를 참고해서 작성한 코드는 아래와 같다.

import cv2
import numpy as np
 
gamma = 2.2
 
gamma_cvt = np.zeros((256,1),dtype = 'uint8')
 
for i in range(256):
    gamma_cvt[i][0] = 255 * (float(i)/255) ** (1.0/gamma)

img_org = cv2.imread("assets/imori_gamma.jpg")
img_gamma = cv2.LUT(img_org,gamma_cvt)
 
cv2.imshow("original",img_org)
cv2.imshow("gamma",img_gamma)
cv2.waitKey(0)
cv2.destroyAllWindows()

<cv2.LUT()>

LUT는 Look Up Table의 약자로 화소값 0~255의 각 입력치에 대해 출력치가 0~255 중 어디에 속하는지를 미리 표로 작성해,
이미지의 농도 변환을 할 때 하나 하나 계산하지 않고 표의 값을 참조하도록 하여 계산량을 줄이는 방법이다
예를 들어 화소값을 반으로 하는 경우, LUT는 다음과 같이 표를 작성한다.

입력값	출력값
0	0
1	0
...	...
127	63
...	...
255	277

HD사이즈(1280*720)의 경우, 화소값이 921600개이므로, 이미지의 농도 변환을 하기 위해 보통 계산을 921600회 실시하게 된다. LUT를 사용하면 '256회 계산' + '921600회의 참고'가 되므로 계산하는 데 드는 비용을 줄일 수 있다. 감마보간법 등, 계산식이 복잡할수록 효과가 커진다.

http://optie.hatenablog.com/entry/2018/03/03/141427#221-LUT%E3%81%A8%E3%81%AF

Python3 & OpenCV で画像処理を学ぶ[3] 〜 トーンカーブ と LUT を理解する実装実験 - Optie研

---

Q.25 최근방보간법(最近傍補間, Nearest Neighbor)

​최근방보간를 이용해 이미지가 1.5배 확장시켜보자.

최근방 보간은 이미지의 확대할 때, 최근방에 있는 화소를 그대로 사용하는 것이다.

이미지 확대하는 여러 방법 중 심플하고 처리속도가 빠르다는 장점이 있지만, 화질이 급격하게 떨어지는 것이 단점이다.

다음의 식으로 보간된다.

- I' ...확대 후의 이미지

- I ... 확대 전의 이미지

- a ... 확대률

- [ ] ... 반올림

​

A.25 최근방이웃 보간법(最近傍補間, Nearest Neighbor)의 답안

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


# Nereset Neighbor interpolation
def nn_interpolate(img, ax=1, ay=1):
	H, W, C = img.shape

	aH = int(ay * H)
	aW = int(ax * W)

	y = np.arange(aH).repeat(aW).reshape(aH, -1)
	x = np.tile(np.arange(aW), (aH, 1))
	y = np.round(y / ay).astype(np.int)
	x = np.round(x / ax).astype(np.int)

	out = img[y,x]

	out = out.astype(np.uint8)

	return out


# Read image
img = cv2.imread("assets/imori.jpg").astype(np.float)

# Nearest Neighbor
out = nn_interpolate(img, ax=1.5, ay=1.5)

# Save result
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.imwrite("out.jpg", out)

https://algorithm.joho.info/programming/python/opencv-resize-nearest-interpolation-py/

【Python/OpenCV】画像の拡大・縮小（最近傍補間法、バイリニア補間法、バイキュービック補間法）

위의 링크를 참고하여 작성한 코드는 아래에

import cv2
import numpy as NumPy

img = cv2.imread("assets/imori.jpg")

out = cv2.resize(
    img, (img.shape[1]*2, img.shape[0]*2), interpolation=cv2.INTER_NEAREST)

cv2.imshow("result",out)
cv2.waitKey(0)
cv2.destroyAllWindows()