OpenCV를 사용한 이미지 처리 - 블러링 (cv2.blur, cv2.GaussianBlur)

안녕하세요 :)

 

    지난 포스팅에서 OpenCV 패키지를 사용해 이미지 파일을 읽어 오는 방법과 이미지 처리 중 더하기(cv2.add, cv2.addWeighted)에 대해 알아봤습니다. 이번 포스팅에서는 이미지 처리 중 필터링 기법 중 하나인 블러링에 대해서 다뤄보겠습니다.

 

OpenCV를 사용한 이미지 처리

 

---

 

필터링

• 이미지를 구성하고 있는 픽셀(pixel)들의 조합으로 이미지를 변형하는 방법
• 이미지를 부드럽게(흐리게) 변형하는 블러링(blurring)과 선명하게(뚜렷하게) 변형하는 샤프닝(sharpening)이 대표적

 

블러링 (cv2.blur)

• 평균 필터를 기반으로 이미지를 부드럽게(흐리게) 변형하는 기법
• 필터 내 모든 픽셀에 동일한 가중치를 주어 단순 평균함
• 잡음(noise) 제거의 전처리 용도로 주로 사용 됨

 

cv2.blur(src, ksize, borderType = 'BORDER_REFLECT_101')
- Parameters
    - src : 이미지 객체 행렬
    - ksize : 평균 필터 크기 (너비 방향 필터 크기, 높이 방향 필터 크기) → 홀수로 지정해야 함!
    - borderType : 이미지 가장자리를 처리하는 방식 (default : 'BORDER_REFLECT_101')
- Returns : 블러링 된 이미지 객체 행렬
- Return type : numpy.ndarray

 

※ borderType 종류

• BORDER_CONSTANT : 주어진 특정 값(default : 0)으로 채움
• BORDER_REPLICATE : 가장 가까운 픽셀 값을 가져 옴
• BORDER_REFLECT : 이미지 가장자리를 포함한 대칭 방향의 인접한 픽셀 값을 가져 옴
• BORDER_REFLECT_101 : 이미지 가장자리를 제외한 대칭 방향의 인접한 픽셀 값을 가져 옴

 

borderType 종류

 

    예시로 블러링의 결과를 살펴 보겠습니다. 필터(커널) 크기가 커질수록 이미지가 더 흐릿해지는 것을 확인할 수 있습니다.

# 블러링
blur9_img  = cv2.blur(base_img, (9, 9))
blur99_img = cv2.blur(base_img, (99, 99))

# 시각화
fig, subs = plt.subplots(ncols = 3, figsize = (20, 5))
for sub, img in zip(subs.flatten(), [base_img, blur9_img, blur99_img]): sub.imshow(img)
plt.show()

(왼쪽) 원본 이미지, (가운데) 필터 크기가 9인 블러링 이미지, (오른쪽) 필터 크기가 99인 블러링 이미지

 

반응형

 

---

 

가우시안 블러링 (cv2.GaussianBlur)

    앞에서 본 cv2.blur는 필터 내 모든 픽셀에 동일한 가중치를 주어 단순 평균을 한 블러링 기법입니다. 이 외에도 가우시안 필터를 적용하는 방안이 있습니다. 가우시안 필터는 필터 중앙에 큰 가중치를, 필터 가장자리로 갈수록 작은 가중치를 주기 때문에 원본 이미지의 형상을 좀 더 보존하면서 노이즈를 제거할 수 있다는 장점이 있습니다.

cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType = 'BORDER_REFLECT_101')
- Parameters
    - src : 이미지 객체 행렬
    - ksize : 필터 크기 (너비 방향 필터 크기, 높이 방향 필터 크기) → 홀수로 지정해야 함!
    - sigmaX, sigmaY : 가로축(X)과 세로축(Y)의 표준편차 (0을 입력하면 필터 크기에 의해 자동으로 결정 됨)
    - borderType : 이미지 가장자리를 처리하는 방식 (default : 'BORDER_REFLECT_101')
- Returns : 가우시안 블러링 된 이미지 객체 행렬
- Return type : numpy.ndarray

 

• 가우시안 분포 (아래 그림 참고)
  • 평균($\mu$) : 필터 중앙의 가중치
  • 분산($/simga^2$) : 필터 가장자리 부근의 가중치
  • 분산이 작을수록 필터 중앙에 위치한 픽셀 값의 가중치가 커지고, 분산이 클수록 필터 가장자리 부근에 위치한 픽셀 값들이 가중치가 커짐

$$f(x|\mu,\sigma)=\frac{1}{\sqrt{2\pi}\sigma}exp\left(-\frac{\left(x-\mu\right)^2}{2\sigma^2}\right)$$

 

가우시안 분포

 

    예시로 블러링과 가우시안 블러링 효과의 차이를 확인해 보겠습니다. 동일한 필터 크기를 적용해도 가우시안 블러링 된 이미지가 단순 블러링을 적용했을 때보다 원본 이미지의 형상을 잘 유지하면서도 블러링의 효과는 가져오는 것을 볼 수 있습니다.

# 블러링
blur99_img = cv2.blur(base_img, (99, 99))
# 가우시안 블러링
gblur_img  = cv2.GaussianBlur(base_img, (99, 99), sigmaX = 0, sigmaY = 0)

# 시각화
fig, subs = plt.subplots(ncols = 3, figsize = (20, 5))
for sub, img in zip(subs.flatten(), [base_img, blur99_img, gblur_img]): sub.imshow(img)
plt.show()

(왼쪽) 원본 이미지, (가운데) 단순 블러링 이미지, (오른쪽) 가우시안 블러링 이미지

 

---

 

여기까지 블러링에 대해 살펴봤습니다. 다음은 필터링 기법 중 하나인 샤프닝에 대해 알아보도록 하겠습니다.

감사합니다 :>