컴퓨터 비젼(Computer Vision)
-
캐스케이드 분류기컴퓨터 비젼(Computer Vision)/영상 분할과 객체 검출 2022. 2. 17. 16:28
캐스케이드 분류기(Cascade Classifier) Positive 샘플(특정 목표 객체)과 Negative 샘플(목표 객체가 아닌 것) 에 대한 최소 수 백개의 영상을 이용해 학습된되는 검출기로, 1) Haar-like feature를 사용하며, 2) Adaboost 기반의 분류를 수행하며, 3) Cascade 방식을 통해 빠른 속도로 동작한다. Haar-likfe feature 사각형 형태의 필터 집합 흰색 사각형 영역 픽셀 값의 합에서 검정색 사각형 영역 픽셀 값을 뺀 결과 값을 추출 24x24 Cropped 영상에서 얼굴 판별에 유용한 Haar-like feature를 선별 위 행은 2개의 좋은 feature을 보인다. 첫 번째 feature는 눈 영역이 코 영역보다 어둡다라는 특징에 초점을 맞..
-
템플릿 매칭컴퓨터 비젼(Computer Vision)/영상 분할과 객체 검출 2022. 2. 17. 15:14
템플릿 매칭(Template Matching) 입력 영상에서 (작은 크기의) 템플릿 영상과 일치하는 부분을 찾는 기법 템플릿: 찾을 대상이 되는 작은 영상, 패치 또는 커널이라고도 불림 템플릿 매칭 함수 cv2.matchTemplate(image, templ, method, result=None, mask=None) -> result image: 입력 영상. 8비트 또는 32비트. templ: 템플릿 영상. image 보다 같거나 작은 크기이며 같은 타입으로 지정 method: 비교 방법. cv2._TM_으로 시작하는 플래그 지정. result: 비교 결과 행렬. np.ndarray, dtype=np.float32 이미지 크기가 W*H, templ의 크기가 w*h 이면, result의 크기는 (W-w+1..
-
모벤트 기반 객체 검출컴퓨터 비젼(Computer Vision)/영상 분할과 객체 검출 2022. 2. 16. 17:07
모멘트 영상의 형태를 표현하는 일련의 실수값 특정 함수 집합과의 상관 관계(correlation) 형태로 계산 Geometric moments, Central moments, Normalized central moments, Legendre moments, ... 등이 있음 Hu's Seven Invariant Moments 3차 이하의 정규화된 중심 모멘트를 조합하여 만든 7개의 모멘트 값 영상의 크기, 회전,이동, 대칭 변환에 불변 모양 비교 함수 cv2.matchShapes(contour1, contour2, method, parameter) -> retval contour1: 첫 번째 외곽선 또는 그레이스케일 영상 contour2: 두 번째 외곽선 또는 그레이스케일 영상 method: 비교 방법 ..
-
영상 분할과 객체 검출컴퓨터 비젼(Computer Vision)/영상 분할과 객체 검출 2022. 2. 16. 15:20
그랩컷 그래프 컷(graph cut) 기반의 영약 분할 알고리즘 영상의 픽셀을 그래프 정점으로 간주하고, 픽셀들을 두 개의 그룹으로 나누는 최적의 컷(Max Flow Minimun Cut)을 찾는 방식 그랩컷 영상 분할 동작 방식 사각형 지정 자동 분할 사용자가 지정한 전경/배경 정보를 활용하여 영상 분할 그랩컷 함수 cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode=None) -> mask, bgdModel, fgdModel img: 입력 영상. 8비트 3채널 영상. mask: 입출력 마스크. cv2.GC_BGD, cv2.GC_FGD, cv2.GC_PR_BGD, cv2.GC_PR_FGD, 4 개의 값으로 구성됨. (PR: probably..
-
이진 영상 처리 - 외곽선 검출컴퓨터 비젼(Computer Vision) 2022. 2. 14. 15:46
외곽선 검출 cv2.findContours(image, mode, method, contours=None, hierarchy=None, offset=None) -> contours, hierarchy 외곽선 그리기 cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineTy-e=None, hierarchy=None, maxLevel=None, offset=None) -> image
-
이진 영상 처리 - 영상의 이진화컴퓨터 비젼(Computer Vision) 2022. 2. 14. 10:43
영상의 픽셀 값을 0 또는 255로 만드는 연산 배경과 객체 또는 관심 영역과 비관심 영역을 구분하기 위해 수행 그레이스케일 영상의 이진화 g(x,y) = 0 if f(x, y)T T: Threshold 임계값 함수 cv2.thershold(src, thresh, maxval, type) -> retval, dst 자동 이진화 Otsu 이진화 방법 입력 영상이 배경과 객체 두 개로 구성되어 있다고 가정 (즉, Bimodal histogram) 임의의 임계값 T에 의해 나눠지는 두 픽셀 분포 그룹의 분산이 최소가 되는 T를 선택 일종의 최적화 알고리즘 지역 이진화 적응형 이진화 cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, bloc..
-
영상의 미분컴퓨터 비젼(Computer Vision) 2022. 2. 8. 18:16
영상의 미분의 목적 - 영상의 에지를 찾기 위함 에지(Edge) 영상에서 픽셀의 밝기 값이 급격하게 변하는 부분 일반적으로 변경과 객체, 또는 객체와 객체의 경계 기본적인 에지 검출 방법 영상을 (x, y) 변수의 함수로 간주했을 때, 이 함수의 1차 미분(1st derivative) 값이 크게 나타나는 부분을 검출 미분 마스크 1x3, 3x1의 필터는 노이즈에 취약해 3x3 필터로 수행 cv2.Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None) -> dst ddepth: 출력 영상 데이터 타입, 실수(cv2.CV_32F) 타입으로 지정하는 것이 좋음 대부분 dx=1, dy=0, ksize=3 /..
-
잡음 제거컴퓨터 비젼(Computer Vision) 2022. 2. 6. 19:25
영상의 잡음을 제거하는 필터 영상의 잡음(Noise) 영상의 픽셀 값에 추가되는 원치 않는 형태의 신호 f(x,y) = s(x,y) + n(x,y) s: 원본 신호 n: 잡음 잡음의 종류 가우시안 잡음 yt 소금&후추 잡음 아날로그 통신시, 통신 과정에서 임의의 스파크가 생길때 픽셀값이 0 또는 255가 될 때 생기는 잡음으로 현재는 보기 힘듦 잡음 제거(1): 미디언 필터 주변 픽셀들의 값들을 정렬하여 그 중앙값(median)으로 픽셀 값을 대체 소금&후추 잡음 제거에 효과적 입력 영상내의 픽셀값으로 대치 미디언 필터링 함수 cv2.medianBlur(src, ksize, dst=None) -> dst 잡음 제거(2): 양방향 필터 (Bilateral filter) 가우시안 잡음 제거에는 가우시안 필터..