Filtering 기법

Average Filtering기법은 주변의 값들의 평균을 내서 평균화하는 필터이다.

이미지를 픽셀단위로 한칸씩 이동하면서 적용되며 주위의 픽셀의 평균값으로 대체된다.

import cv2 as cv
from google.colab.patches import cv_imshow

img = cv.imread('/content/baseball.jpg')

blur3 = cv.blur(img,(3,3))
blur5 = cv.blur(img,(5,5))
blur7 = cv.blur(img,(7,7))

cv_imshow(img)
cv_imshow(blur3)
cv_imshow(blur5)
cv_imshow(blur7)

average filter의 kernel size가 커질 수록 주변의 픽셀값의 영향을 많이 받기 때문에 원본 영상에 비해 blur한 영상이 추출된다.

---

Image sharpening이란 영상을 blur시키는 것과 반대개념으로 영상의 경계선을 날카롭게 만드는 것이다.

구현은 다음과 같다.

import numpy as np
detail5 = np.int32(img) - np.int32(blur5)

shapened_img_5_2 = np.int32(img) + 2*detail5
shapened_img_5_5 = np.int32(img) + 5*detail5
shapened_img_5_10 = np.int32(img) + 10*detail5

원본 영상에서 원본 영상을 blur처리한 영상의 차이의 값을 이용한다. 이 차이에 α값을 곱해주어 sharpening 효과의 정도를 조절한다.

 

α의 크기가 증가할 수록 sharpening 효과가 심해진 것을 볼 수 있다.

---

Gaussian filter란 가우시안 분포를 영상처리에 적용한 필터이다.

Gaussian blur 함수

median filter, average filter등과 마찬가지로 영상의 잡음을 줄이기 위해 사용된다.

 

Gaussian filter를 사용할때 시간복잡도를 생각해보면

다음과 같은 N^2*M^2의 상대적으로 큰 시간복잡도가 발생한다.

하지만 (2D)3*3 filter를 적용시키지 않고 (1D)1*3 filter와 (1D)3*1 filter의 convolution(합성곱)dmf 이용한다면 시간복잡도는 줄이면서 (2D)3*3 filter와 같은 효과를 낼 수 있다.

 

다음 코드로 살펴볼 수 있다.

kernel1d = cv.getGaussianKernel(7,2)

kernel2d = np.outer(kernel1d, kernel1d.transpose())

output_1 = cv.filter2D(src = img,ddepth = -1, kernel = kernel2d)

output_2_1 = cv.filter2D(src = img,ddepth = -1, kernel = kernel1d)
output_2_2 = cv.filter2D(src = output_2_1,ddepth = -1, kernel = kernel1d.transpose())

output_1의 결과는 영상에 2D(7*7) Gaussian filter를 적용한 output이고 output_2_2의 결과는 1D * 1D Gaussain filter의 적용한 결과이다.

동일한 결과가 나온 것을 볼 수 있다.