Computer Vision Theory : 이미지의 세 가지 구성요소

이미지의 세 가지 구성요소

OpenCV를 통한 이미지를 처리시 세 가지의 구성요소가 존재합니다. 이 세 가지의 구성요소는 영상 처리시 가장 중요하게 고려되어야할 속성입니다.

이미지의 크기, 정밀도, 채널입니다. 앞의 구성요소를 통하여 불러온 이미지가 어떤 속성을 가지는지 설정합니다.

이 구성요소들이 올바르게 설정되지 않는다면 영상 처리시 불필요하게 너무 많은 데이터를 처리하거나 부족한 데이터를 받아오게 됩니다.

이제, 각각의 속성들이 어떤 의미를 지니는지 알아보도록 하겠습니다.

이미지의 크기(Image Size)

먼저 이미지의 크기입니다. 이미지의 크기는 해당 필드나 변수에 할당될 이미지의 크기를 설정합니다.

이미지의 크기를 원본 이미지의 크기를 2배, 4배, 1/2배, 1/4배 등 설정할 수 있으며 또는 임의의 크기로 설정할 수 있습니다.

이미지의 크기는 데이터의 크기라 볼 수 있습니다.

고화질의 이미지의 경우, 이미지의 크기가 매우 큽니다. 그에 따라 영상 처리를 진행할 경우, 이미지의 크기 만큼 데이터가 생성되어 너무 많은 연산을 진행하게 됩니다.

많은 알고리즘에서 이미지의 크기를 변경하는 메소드 (Image Pyramid, Resize) 등을 전처리 후 적용합니다.

OpenCV에서는 변수나 필드에 설정된 이미지 크기로 원본 이미지를 불러올 경우, 오류가 발생합니다.

그 이유는 변수나 필드에 설정된 속성 값은 액자의 역할을 한다 볼 수 있습니다.

필드나 변수에 설정된 이미지의 크기에 따라 원본 이미지를 삽입하게 되는데, 이 경우 크기가 다르다면 액자의 공간에 담을 수 없습니다.

그러므로, 원본 이미지의 크기를 변경한 후 설정된 변수나 필드에 포함되어야합니다.

앞선 이미지를 회전할 경우, 액자의 크기를 변경해주지 않는다면 아래와 같은 현상이 발생합니다.

원본 이미지에서 반 시계방향으로 45° 회전하였을 경우, 각각의 모서리 부분이 잘려나가는 것을 확인 할 수 있습니다.

액자의 크기는 동일한 상태로 이미지를 회전하였을 경우, 이미지가 잘려나가거나 오류가 발생합니다.

또한, 의도하지 않은 이미지의 누락 현상이 발생합니다. 이를 해결하기 위해서 액자의 크기도 재 설정해주어야합니다.

액자의 크기까지 재 설정한 경우, 정상적으로 이미지가 잘려나가지 않게 표시되는것을 확인할 수 있습니다.

정밀도(Bit Depth)

다음으로는 정밀도입니다. 비트 깊이, 색상 깊이, 색 심도 등과 동일한 의미를 갖습니다.

정밀도란 이미지가 얼마나 많은 색상을 표현할 수 있는지를 의미합니다. 정밀도가 높을 수록 더 많은 색상을 표현할 수 있어서 데이터의 폭이 넓어지고 더 자연스러운 이미지로 표시됩니다.

반대로 정밀도가 낮을수록 육안으로 확인할 수 없을 정도의 변형됩니다.

일반적으로 유효 비트가 많을수록 데이터의 처리 결과는 더 정밀해집니다.

여기서 비트 (Bit)의 값이 색상의 표현 개수를 설정합니다.

1-Bit의 경우, 0과 1의 두 가지의 값만 가지게 되어 모든 색상을 0의 값을 지니는 색상과 1의 값을 지니는 색상으로만 표현됩니다.

중요한 점은 두 가지의 색상이 아닌 두 가지의 값으로 표현할 수 있다는 의미입니다.

8-Bit의 경우, 256 가지의 값을 가질 수 있습니다.

2x2x2x2x2x2x2x2=256을 의미합니다.

256 가지의 방법으로 값을 표현할 수 있습니다.

최소 8-Bit를 가질 때 유의미한 데이터를 얻게되어 색상을 표현할 수 있습니다.

8-Bit의 정밀도를 사용할 경우, 흑백의 색상을 원할하게 표현할 수 있습니다. 주로, GrayScale 메소드에서 많이 활용합니다.

OpenCV에서는 U8의 값을 가장 많이 사용합니다.

U8은 unsigned 8-bit intergers를 의미합니다.

unsigned는 부호 비트를 제거해 저장 가능한 양수의 범위를 두 배로 늘리는 역할을 합니다.

signed의 경우에는 -127~127의 값을 표현할 수 있으며, unsigned의 경우, 0~255의 값을 표현할 수 있습니다.

대부분의 색상 채널은 0~255의 값으로 색상을 표현합니다.

위의 이미지는 1-bit, 4-bit, 8-bit를 표현한 이미지입니다.

1-bit의 이미지는 binary한 이미지가 되며, 4-bit의 이미지는 저화질의 이미지가 됩니다.

8-bit의 이미지는 GrayScale의 이미지가 됩니다. 이미지의 정밀도가 높을수록 더 고화질의 이미지가 되며, 데이터의 개수가 많아집니다.

처리하는 단계의 역할에 따라 적절한 정밀도를 선정해야합니다.

채널(Channel)

마지막으로 채널은 그래픽스 이미지의 색상 정보를 포함하고 있습니다.

채널은 일반적으로 Red, Blue, Green과 추가적으로 Alpha가 존재합니다.

이외에도 Hue, Saturation, Value 등의 채널도 존재합니다.

색상을 표시할 때는 주로, 3 ~ 4 채널의 값을 사용하고, 흑백의 이미지를 표현할 때는 1 채널을 사용합니다.

3 ~ 4 개의 채널을 가질 때는 다 채널 또는 다중 채널을 뜻합니다. 1 개의 채널을 가질 때는 단일 채널을 뜻합니다.

색상 이미지 (RGB)에서 Red의 값만 추출한다해서 빨간색으로 표현되지는 않습니다.

그 이유는 한 가지의 채널로만 색상을 표현해야하기 때문입니다. 다음의 이미지에서 이미지를 채널별로 분리했을 때의 결과를 확인할 수 있습니다.

R의 성분, G의 성분, B의 성분만 따로 뽑아내서 출력했지만 흑백으로 출력됩니다.

즉, 해당 성분에 가까울수록 하얀색으로 출력되고 아닌 값은 검은색으로 출력됩니다.

이미지에서 파란 부분의 색상 정보를 확인해보겠습니다. 보시는 바와 같이 아무리 파란색이라도 약간의 적색이나 녹색이 포함되어있습니다.

만약, 파란색의 색상만 출력하고 싶다면 채널을 다 채널로 사용하고 파란색의 성분을 가지는 블루 채널을 마스크로 씌우거나 Hue의 색상을 가져와야 파란색의 색상으로 출력할 수 있습니다.

간단하게 흑백이나 특정 색상 데이터를 가져온다면 채널은 단일 채널로 사용해야합니다.

많은 함수나 메소드에서 계산 시, 데이터의 양을 줄이고 정확도를 높이기 위하여 단일 채널로 계산을 진행합니다.

우리가 OpenCV에서 알고리즘을 적용할 때, 계산 이미지를 Binary나 GrayScale을 적용하는 이유입니다.

이미지의 속성 정보에 대한 이해는 매우 중요합니다.

세 가지 구성요소를 이해하지 못한다면 여러 함수나 알고리즘을 적용하는데 큰 어려움을 겪습니다.

위의 세 가지 구성요소는 데이터를 의미합니다. 데이터를 어떻게 정제하고 확장, 축소 시킬지의 여부가 알고리즘의 정확도에 큰 영향을 미칩니다.

전처리나 후처리 작업을 진행할 때 큰 변수로 작용합니다.

• Writer by : 윤대희