[openCV] openCV 기본 함수 정리 + (간단한 응용프로그램 만들기)

이미지는 배열로 구성되있어서 정수와, + - / *등의 연산이 가능하다. 

아래 코드를 이해하는데 도움될 데이터의 형태는 아래 사진과 같다.
데이터의 형태를 지정해주는 이유는 이미지는 RGB값으로 데이터 형태를 유지하는데 이를 변경하거나 옵션을 주기위해서 다른 데이터 타입으로 변경했다가 다시 uint8로 변경한다 아래의 코드의 주석들을 보면 좀더 이해하기 쉬울것이다.

 

---

이미지 밝기 조절

import cv2
GRAY = 0
COLOR = 1

# 1을 넣으면 되지만 굳이 상수는 만들어서 넣는 이유는 가독성 때문이다.
img = cv2.imread('a.jpg', COLOR) 
img2 = img+100 # 이미지 밝게 처리
img3 = img-100 # 이미지 어둡게 처리

cv2.imshow('img', img)
cv2.imshow('img2',img2) 
cv2.imshow('img3',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

 

img+100을 하게 되면, 이미지 내에 있는 모든 배열의 벨류값에 100을 더해주게 된다.
그런데 위와같이 하게되면 포화연산처리가 안되어서 이미지의 색상값들이 이상하게 나올것이다.

---

* 포화연산이란? 픽셀값이 255를 넘으면 255로, 0 미만이면 0으로 처리하는 연산 *

예를들어, 흰색 값이 255이면 여기에 100을 더하면 355가 된다. 하지만 이미지에서 색상 max가 255이므로(uint8)
355-255 = 100의 값을 같게 된다. 그러면 검은색도 아니고 흰색도아닌 회색이 나오게 되는데,
이미지의 밝기를 높혀줄때, 흰색 부분은 그대로 있고 검은 부분만 올려주고 싶을때 포화연산처리를 해주면
포화되는 값들을 막음으로서 255+100을 해줘도 100의 값이 되지 않고 255(max값)을 유지 시켜준다.
반대의 경우도 같다. min값을 0으로 제한 시킨다.

---

 

함수: numpy.clip(src, 최소값, 최대값) => 배열 src 요소중 최소값보다 작은 것은 모두 최소값으로, 최대값보다 큰 값은 모두 최대값으로 대체해줌

import cv2
import numpy as np

GRAY = 0
COLOR = 1
img = cv2.imread('a.jpg', COLOR)

img2 = np.clip(img.astype('int32')+100,0,255).astype('uint8') # 이미지 밝게 처리
img3 = np.clip(img.astype('int32')-100,0,255).astype('uint8') # 이미지 어둡게 처리
cv2.imshow('img2',img2)
cv2.imshow('img3',img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

함수 사용해 어두운 이미지와 밝은 이미지 출력

import numpy as np
import cv2

def saturate_bright(p, num):
    pic = p.copy() # 깊은 복사로 타입을 변환
    pic = pic.astype('int32') # 2,147,483,647의 값을 갖는 타입으로 변경
    pic = np.clip(pic+num, 0, 255) # 받아온 숫자로 밝기를 높혀줌
    pic = pic.astype('uint8') # 타입을 다시 변경시켜줌. 그러면 사진 안 깨짐. 이유는 2
    return pic

def saturate_dark(p, num):
    pic = p.copy()
    pic = pic.astype('int32')
    pic = np.clip(pic-num, 0, 255) # 받아온 숫자를 밝기를 빼서 낮혀줌
    pic = pic.astype('uint8') # 타입을 다시 변경시켜줌. 그러면 사진 안 깨짐.
    return pic

GRAY = 0
COLOR = 1
img = cv2.imread('a.jpg', COLOR)

img2 = saturate_bright(img, 100)  #이미지 밝게 처리
img3 = saturate_dark(img, 100)  #이미지 어둡게 처리
cv2.imshow('img', img)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

트랙바를 이용한 이미지 밝기 조절 앱

import numpy as np
import cv2


def saturate_bright(p, num):
    pic = p.copy()  # 깊은 복사로 타입을 변환
    pic = pic.astype('int16')
    pic = np.clip(pic + num, 0, 255)  # 받아온 숫자로 밝기를 높혀줌
    pic = pic.astype('uint8')  # 타입을 다시 변경시켜줌. 그러면 사진 안 깨짐.
    return pic


def saturate_dark(p, num):
    pic = p.copy()  # 깊은 복사로 타입을 변환
    pic = pic.astype('int16')
    pic = np.clip(pic - num, 0, 255)  # 받아온 숫자를 밝기를 빼서 낮혀줌
    pic = pic.astype('uint8')  # 타입을 다시 변경시켜줌. 그러면 사진 안 깨짐.
    return pic


GRAY = 0
COLOR = 1
img = cv2.imread('a.jpg', COLOR)

cv2.imshow('img', img)
cv2.createTrackbar('brighter', 'img', 0, 100, lambda pos: cv2.imshow('img', saturate_bright(img, pos)))
cv2.createTrackbar('darker', 'img', 0, 100, lambda pos: cv2.imshow('img', saturate_dark(img, pos)))
cv2.waitKey(0)
cv2.destroyAllWindows()

---

이미지의 명암비를 조절하는 방법

명암비란 이미지의 밝은 부분과 어두운 부분의 밝기 차를 의미.
명암비 조절은 이미지의 밝은 부분은 더 밝게,
이미지의 어두운 부분은 더 어둡게 함으로써 이미지 윤곽을 뚜렷하게 처리하므로 활용도 높음

 *명암비 효율적 조절
픽셀 중간값인 128을 기준으로 이 보다 큰 값은 더 밝게 만들고
 128보다 작은 값은 더 어둡게 만듦으로써 대비를 크게 함
 dst(x, y) = src(x, y) + (src(x, y)-128) * alpha

import numpy as np
import cv2

def saturate_contrast(p, num):
    pic = p.copy()
    pic = pic.astype('int16')
    pic = np.clip(pic + (pic - 128) * num, 0, 255)
    pic = pic.astype('uint8')
    return pic


GRAY = 0
COLOR = 1
img = cv2.imread('a.jpg', COLOR)

# 명암비를 1보다 작게 주면 밝기 차가 줄어들고 전반적으로 어두어짐
# 함수에서 pic * num << 이와같이 곱해줌을 유의하자
img1 = saturate_contrast(img, 2)

# 명암비를 1보다 크게 주면 밝기 차가 커지고 흰색 영역이 넓어짐
img2 = saturate_contrast(img, 0.5)


cv2.imshow('img', img)
cv2.imshow('img1', img1)
cv2.imshow('img2', img2)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

트랙바를 이용해서 이미지의 명암을 조절하는 앱

import numpy as np
import cv2


def saturate_contrast_deep(p, num):
    pic = p.copy()
    pic = pic.astype('int16')
    pic = np.clip(pic + (pic - 128) * num, 0, 255)
    pic = pic.astype('uint8')
    return pic

def saturate_contrast_shallow(p, num):
    pic = p.copy()
    pic = pic.astype('int16')
    pic = np.clip(pic + (pic - 128) * ((-1/100)*num), 0, 255)
    pic = pic.astype('uint8')
    return pic


GRAY = 0
COLOR = 1
img = cv2.imread('a.jpg', COLOR)

cv2.imshow('img', img)
cv2.createTrackbar('deep', 'img', 0, 10, lambda pos: cv2.imshow('img', saturate_contrast_deep(img, pos)))
cv2.createTrackbar('shallow', 'img', 0, 50, lambda pos: cv2.imshow('img', saturate_contrast_shallow(img, pos)))
cv2.waitKey(0)
cv2.destroyAllWindows()

---

히스토그램 분석

Histogram <출처:Cambridgeincolor in Color>

위 그림의 아래 그래프를 보면 X축이 색의 강도(0 ~ 255), Y축이 X축에 해당하는 색의 갯수 입니다. 그래프만 보면 이미지 밝기의 분포가 중간값은 거의 없고, 어둡고 밝은 색 분포가 많다는 것을 알 수 있습니다. 실제 원본 이미지를 보면 그래프만 보고 분석한 결과와 유사합니다.

 Histogram은 이미지의 밝기의 분포를 그래프로 표현한 방식입니다.
히스토그램을 이용하면 이미지의 전체의 밝기 분포와 채도(색의 밝고 어두움)를 알 수 있습니다.
 cv2.calcHist(img,channel,mask,histSize,range)
 img: 이미지 배열
 channel: 분석할 칼라
 mask: 분석할 영역. None이면 이미지 전체
 histSize: 히스토그램 크기. x축 값 개수
 range: x축 값 범위

 calcHist = 히스토그램 계산기
 cv2.calcHist(이미지의 배열, 분석할 칼라, 분석할 영역(None 이면 전체), x축 값 개수, x축 값 범위)
즉, 해당 이미지를 넣고, 0의 칼라를 분석한다. 영역은 전체이면서, x축값은 256개로 0부터 255까지 지정한다.
 hist = cv2.calcHist([img], [0], None, [256], [0, 256])

 subplot(m,n,p)는 현재 Figure를 mxn 그리드로 나누고, p로 지정된 위치에 좌표축을 만듭니다.
 MATLAB®은 행을 기준으로 서브플롯 위치의 번호를 매깁니다.
첫 번째 서브플롯은 첫 번째 행의 첫 번째 열이고,
두 번째 서브플롯은 첫 번째 행의 두 번째 열이 되는 방식으로 진행됩니다.
지정된 위치에 좌표축([1,2])이 있는 경우 이 명령은 그 좌표축을 현재 좌표축으로 지정합니다.

import cv2
from matplotlib import pyplot as plt

img = cv2.imread('a.jpg', 0)
hist = cv2.calcHist([img], [0], None, [256], [0, 256])
plt.subplot(2, 1, 1), plt.imshow(img, 'gray')
plt.subplot(2, 1, 2), plt.plot(hist, color='r')
plt.show()

---

히스토그램 평활화

평활화는 어두운 픽셀과 밝은 픽셀의 값들을 평준화 시킨다는 말이다.
즉 픽셀 값들을 평준화 시키면 그만큼 선명도가 올라가게된다.

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


def saturate_contrast2(p, num):
    pic = p.copy()
    pic = pic.astype('int32')
    pic = np.clip(pic + (pic - 128) * num, 0, 255)
    pic = pic.astype('uint8')
    return pic


def e_hist(src):
    hist, bins = np.histogram(src.flatten(), 256, [0, 256])
    cdf = hist.cumsum()  # 누적합. 각 빈의 누적합 계산
    cdf_m = np.ma.masked_equal(cdf, 0)  # 속도개선을 위해 0인 부분 제외

    # 히스토그램 평활화
    cdf_m = (cdf_m - cdf_m.min()) * 255 / (cdf_m.max() - cdf_m.min())

    # Mask처리를 했던 부분을 다시 0으로 변환
    cdf = np.ma.filled(cdf_m, 0).astype('uint8')
    src = cdf[src]
    return src


GRAY = 0
COLOR = 1
img = cv2.imread('b.jpg', GRAY)

img1 = saturate_contrast2(img, 2)
img2 = e_hist(img1)  # equalizeHist() 함수를 구현한 함수.
img3 = cv2.equalizeHist(img1)  # equalizeHist()함수를 사용.

hist1 = cv2.calcHist([img2], [0], None, [256], [0, 256])
hist2 = cv2.calcHist([img3], [0], None, [256], [0, 256])
plt.subplot(4, 1, 1), plt.imshow(img1, 'gray')
plt.subplot(4, 1, 2), plt.imshow(img2, 'gray')
plt.subplot(4, 1, 3), plt.plot(hist1, color='r') # e_hist()함수를 사용.
plt.subplot(4, 1, 4), plt.plot(hist2, color='r') # equalizeHist()함수를 사용.

plt.show()

 

---

이미지에 and, or, not, xor 연산 수행

# 이미지 연산은 각 픽셀의 b, g, r bit 별로 수행 한다
# bitwise_and()함수는 img1 과 img2의 값이 일치하면 True를 반환해준다. 연산자인 and(&) 를 생각하면 쉽다.
# bitwise_or()함수는 img1 또는 img2의 값이 1이면 True를 반환한다.
# bitwise_not() 함수는 파라메터에 입력된 값을 반대로 돌려준다. 즉, 1이면 0, 0이면 1 이렇게 반전된다.
# bitwise_xor() 함수는 bitwise_or()함수와 비슷한데, img1 또는 img2의 값이 같을경우에만 0을 반환해준다.

import cv2

img1 = cv2.imread('1.jpg')
img2 = cv2.imread('2.jpg')

img3 = cv2.bitwise_and(img1, img2)
img4 = cv2.bitwise_or(img1, img2)
img5 = cv2.bitwise_not(img2)
img6 = cv2.bitwise_xor(img1, img2)

imgh1 = cv2.hconcat([img1, img2, img3])
imgh2 = cv2.hconcat([img4, img5, img6])

res = cv2.vconcat([imgh1, imgh2])

cv2.imshow('img', res)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

트랙바를 사용하여 두 이미지 합성 비율을 조절하는 앱

두이미지의 픽셀 값을 더하여 이미지를 합성한다.
그냥 하면 포화문제로 포화연산을 넣어추가 작업한다.

import cv2


def s(pos):
    # addWeighted
    pic = cv2.addWeighted(img1, (100 - pos) / 100, img2, pos / 100, 0)
    cv2.imshow('img', pic)


# 이미지 두개가 달라서 사이즈 같게 설정
img1 = cv2.imread('a.jpg', 1)
img1 = cv2.resize(img1, (320, 270))
img2 = cv2.imread('b.jpg', 1)
img2 = cv2.resize(img2, (320, 270))

cv2.imshow('img', img1)
cv2.createTrackbar('bright', 'img', 0, 100, s)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

마스크 연산

추출하고 싶은 객체를 제외한 나머지 배경을
0으로 처리하면 배경은 검정색, 객체는 그대로인 이미지가 된다.
이를 합성하려는 이미지와 더하면 배경은 0이므로 합성하는 이미지의 내용 그대로,
객체는 위로 붙게된다.

import cv2

daum_logo = cv2.imread('daum.png', 1)
img1 = cv2.imread('c.jpg', 1)
h, w, c = daum_logo.shape
# 배경이미지의 변경할(다음 로고 넣을) 영역
roi = img1[150:150 + h, 150:150 + w]

# 다음 글자 추출
# 로고를 흑백처리
# 이미지 이진화 => 배경은 검정. 글자는 흰색
mask = cv2.cvtColor(daum_logo, cv2.COLOR_BGR2GRAY)
mask[mask[:] == 255] = 0
mask[mask[:] > 0] = 255

# 마스크 인버트는 bitwise_not함수로 글자만 추출해 낸다.
# mask반전.  => 배경은 흰색. 글자는 검정
mask_inv = cv2.bitwise_not(mask)

#  위에 마스크에서 추출한 부분을 로고에 더해줌으로 마스크만 빼냄
# 마스크와 로고 칼라이미지 and하면 글자만 추출됨
daum = cv2.bitwise_and(daum_logo, daum_logo, mask=mask)
#  로이와 마스크를 합쳐냄. 측 배경에서 글자부분만 파냄.
# roi와 mask_inv와 and하면 roi에 글자모양만 검정색으로 됨
back = cv2.bitwise_and(roi, roi, mask=mask_inv)
# 더해서 결과 값을 만들어낸다.
# 로고 글자와 글자모양이 뚤린 배경을 합침
dst = cv2.add(daum, back)
#  원본 이미지에 넣어준다.
# roi를 제자리에 넣음
img1[150:150 + h, 150:150 + w] = dst
cv2.imshow('img1', img1)
cv2.waitKey(0)
cv2.destroyAllWindows()

---

{이미지 -(차)} 를 사용해서 움직이는 객체만 추출하는 앱 만들기

두 이미지 빼기 연산으로 차를 구할 수 있음
# dst(x, y) = src1(x, y) - src2(x, y)

import cv2

cap = cv2.VideoCapture(0)  # 카메라 오픈
cap.set(3, 300)
cap.set(4, 200)

prev_frame = None
# 영상 읽기
ret, prev_frame = cap.read()

while True:
    ret, frame = cap.read()
    if ret:  # 정상 읽기일 때만

        f = cv2.absdiff(prev_frame, frame)
        cv2.imshow('img', f)  # 영상을 윈도우에 출력
        prev_frame = frame

    k = cv2.waitKey(1)
    if k == 27:  # 입력한 키가 esc이면
        break
cap.release()
cv2.destroyAllWindows()

 

---

- 참고 블로그 -

opencv-python.readthedocs.io/en/latest/index.html

OpenCV-Python Study documentation! — gramman 0.1 documentation