Python OpenCV 강좌 : 제 27강 - 모폴로지 연산

모폴로지 연산(Morphological Calculate)

모폴로지 연산(Perspective Calculate)은 모폴로지 변환의 팽창(dilation)과 침식(erosion)을 기본 연산으로 사용해 고급 형태학을 적용하는 변환 연산입니다.

입력 이미지가 이진화된 이미지라면 팽창과 침식 연산으로도 우수한 결과를 얻을 수 있습니다.

하지만, 그레이스케일이나 다중 채널 이미지를 사용하는 경우 더 복잡한 연산을 필요로 합니다.

이때 모폴로지 연산을 활용해 우수한 결과를 얻을 수 있습니다.

열림(Opening)

$$ open = dilate(erode(src)) $$

팽창 연산자와 침식 연산자의 조합이며, 침식 연산을 적용한 다음, 팽창 연산을 적용합니다.

열림 연산을 적용하면 침식 연산으로 인해 밝은 영역이 줄어들고 어두운 영역이 늘어납니다.

줄어든 영역을 다시 복구하기 위해 팽창 연산을 적용하면 반대로 어두운 영역이 줄어들고 밝은 영역이 늘어납니다.

이로 인해 스펙클(speckle)이 사라지면서 발생한 객체의 크기 감소를 원래대로 복구할 수 있습니다.

닫힘(Closing)

$$ close = erode(dilate(src)) $$

팽창 연산자와 침식 연산자의 조합이며, 열림과 반대로 팽창 연산을 적용한 다음, 침식 연산을 적용합니다.

닫힘 연산은 팽창 연산으로 인해 어두운 영역이 줄어들고 밝은 영역이 늘어납니다.

늘어난 영역을 다시 복구하기 위해 침식 연산을 적용하면 밝은 영역이 줄어들고 어두운 영역이 늘어납니다.

그로 인해 객체 내부의 홀(holes)이 사라지면서 발생한 크기 증가를 원래대로 복구할 수 있다.

그레이디언트(Gradient)

$$ gradient = dilate(src) - erode(src) $$

팽창 연산자와 침식 연산자의 조합이며, 열림 연산이나 닫힘 연산과 달리 입력 이미지에 각각 팽창 연산과 침식 연산을 적용하고 감산을 진행합니다.

입력 이미지와 비교했을 때 팽창 연산은 밝은 영역이 더 크며, 반대로 침식 연산은 밝은 영역이 더 작습니다.

각각의 결과를 감산한다면 입력 이미지에 객체의 가장자리가 반환됩니다.

그레이디언트는 밝은 영역의 가장자리를 분리하며 그레이스케일 이미지가 가장 급격하게 변하는 곳에서 가장 높은 결과를 반환합니다.

탑햇(TopHat)

$$ tophat = src - open(src) $$

입력 이미지(src)와 열림(Opening)의 조합이며, 그레이디언트 연산과 비슷하게 입력 이미지에 열림 연산을 적용한 이미지를 감산합니다.

열림 연산이 적용된 이미지는 스펙클이 사라지고 객체의 크기가 보존된 결과입니다.

이 결과를 입력 이미지에서 감산한다면 밝은 영역이 분리되어 사라졌던 스펙클이나 작은 부분들이 표시됩니다.

즉, 입력 이미지의 객체들이 제외되고 국소적으로 밝았던 부분들이 분리됩니다.

• Tip : 탑햇 연산은 열림 연산에서 사라질 요소들을 표시합니다.

블랙햇(BlackHat)

$$ blackhat = close(src) - src $$

입력 이미지(src)와 닫힘(Closing)의 조합이며, 탑햇 연산과 비슷하게 닫힘 연산을 적용한 이미지에 입력 이미지를 감산합니다.

닫힘 연산이 적용된 이미지는 객체 내부의 홀이 사라지고 객체의 크기가 보존된 결과입니다.

이 결과에 입력 이미지를 감산한다면 어두운 영역이 채워져 사라졌던 홀 등이 표시됩니다.

즉, 입력 이미지의 객체들이 제외되고 국소적으로 어두웠던 홀들이 분리됩니다.

• Tip : 블랙햇 연산은 닫힘 연산에서 사라질 요소들을 표시합니다.

히트미스(HitMiss)

히트미스(HitMiss) 연산은 앞의 연산자와 다른 형태입니다.

히트미스 연산은 단일 채널 이미지에서 활용하며, 주로 이진화 이미지에 적용합니다.

히트미스 연산은 이미지의 전경이나 배경 픽셀의 특정 패턴을 찾는 데 사용하는 이진 형태학으로서 구조 요소의 형태에 큰 영향을 받습니다.

히트미스 연산의 커널은 기존 컨벌루션 커널과 다른 역할을 합니다.

내부 요소의 값은 0 또는 1의 값만 의미가 있습니다.

커널 내부의 0은 해당 픽셀을 고려하지 않는다는 의미이며, 1은 해당 요소를 유지하겠다는 의미입니다.

이 특성 덕분에 히트미스 연산을 모서리(Corner)를 검출하는 데 활용하기도 합니다.

• Tip : 제한 조건 - 8-bit unsigned integers, 1-Channel

메인 코드

import numpy as np
import cv2

src = cv2.imread('office.jpg')

kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (9, 9))
dst = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel, iterations=9)

cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

세부 코드

dst = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel, iterations=9)

생성된 구조 요소(kernel)를 활용해 모폴로지 변환을 적용합니다.

모폴로지 함수(cv2.morphologyEx)로 모폴로지 연산을 진행합니다.

cv2.morphologyEx(원본 배열, 연산 방법, 구조 요소, 고정점, 반복 횟수, 테두리 외삽법, 테두리 색상)로 모폴로지 연산을 진행합니다.

연산 방법에 따라, 모폴로지 연산 결과가 달라집니다. 예제의 연산 방법은 열림 연산입니다.

연산 방법에는 기존 팽창 함수(cv2.dilate)와 침식 함수(cv2.erode)도 포함돼 있습니다.

추가 정보

연산 방법 종류

출력 결과