[Computer Vision] 에지(Edge) 검출

👀 본 예제는 Window10의 VSCode, Python3.11.0로 작성되었습니다.

 

영상에서 에지(edge)는 한쪽 방향으로 픽셀 값이 급격하게 바뀌는 부분을 가리킨다.

 

즉, 어두운 영역에서 갑자기 밝아지거나 또는 반대로 밝은 영역에서 급격하게 어두워지는 부분을 에지라고 한다.

 

일반적으로 객체와 배경의 경계, 또는 객체와 다른 객체의 경계에서 에지가 발생한다.

 

이러한 에지를 찾아내는 작업은 영상 내 객체의 윤곽을 알아낼 수 있는 유용한 방법이며, 다양한 Computer Vision 시스템에서 객체 판별을 위한 전처리로 에지 검출이 사용된다.

 

기본적으로 영상에서 에지를 찾아내려면 픽셀 값의 변화율이 큰 픽셀을 선택해야 한다.

• 수학에서 함수 또는 데이터의 변화율을 미분(derivative)이라고 한다.
• 영상은 2차원 평면에서 정의된 함수이기 때문에 영상을 가로, 세로 방향으로 각각 미분해야 한다.

 

위 마스크로 중앙 차분을 이용한 영상의 미분 근사는 마스크 연산을 이용하여 구할 수 있다.

(⭐편미분 근사 수식을 그대로 적용하여 계산하려면 필터 마스크 값에 1/2를 곱해야 하지만 보통 미분 값의 상대적 크기를 중요시 하기 때문에 위와 같이 단순화시킨 마스크를 주로 사용한다.)

 

이 마스크들을 사용하여 필터링하면 가로 방향과 세로 방향으로 편미분한 정보를 담고 있는 행렬을 얻을 수 있다.

import cv2
import numpy as np

if __name__ == "__main__":
    img = cv2.imread("test.jpg",cv2.IMREAD_GRAYSCALE)
    cv2.imshow("origin",img)
    x_mask = np.array([-1,0,1])
    y_mask = np.array([[-1],[0],[1]])

    x_edge = cv2.filter2D(img,-1,x_mask)
    cv2.imshow("x_edge",x_edge)
    y_edge = cv2.filter2D(img,-1,y_mask)
    cv2.imshow("y_edge",y_edge)
    # edge 합치기
    edges = cv2.magnitude(x_edge.astype(np.float32), y_edge.astype(np.float32))

    cv2.imshow("edge",edges)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 

 

위의 결과를 보면 최종 결과에 잡음이 많이 있어 제대로 에지가 검출이 되지 않았다.

 

그래서 실제 영상에서는 1x3, 3x1 마스크 대신 잡음의 영향을 줄일 수 있도록 좀 더 큰 크기의 마스크를 이용한다.

 

여러가지의 미분 근사 마스크가 개발되었지만 그중 가장 널리 사용되는 것은 소벨 필터(Sobel Filter) 마스크 이다.

import cv2
import numpy as np

if __name__ == "__main__":
    img = cv2.imread("test.jpg",cv2.IMREAD_GRAYSCALE)
    cv2.imshow("origin",img)

    # sobel 필터 적용
    sobel_x = cv2.Sobel(img,cv2.CV_32F,1,0,ksize=3) # 수평 에지
    cv2.imshow("x_edge",sobel_x)
    sobel_y = cv2.Sobel(img,cv2.CV_32F,0,1,ksize=3) # 수직 에지
    cv2.imshow("y_edge",sobel_y)
    # edge 합치기
    edges = cv2.magnitude(sobel_x,sobel_y)
    # 정규화
    edges = cv2.normalize(edges, None, 0, 255, cv2.NORM_MINMAX).astype(np.uint8)

    # Thresholding (에지 강조)
    _, edges = cv2.threshold(edges, 50, 255, cv2.THRESH_BINARY)
    
    cv2.imshow("edge",edges)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 

임계값을 조정하여 불필요한 잡음을 제거하면 좀더 에지가 잘 검출된다.

 

 

Sobel 마스크를 사용하는 방법은 구현이 간단하고 빠르게 동작하기 때문에 많이 사용되나, 그래디언트 크기만을 기준으로 에지 픽셀을 검출하기 때문에 임계값에 민감하고 에지 픽셀이 두껍게 표현되는 문제점이 있다.

 

이런 단점을 해결하기 위해 다음의 조건을 만족하는 Canny Edge가 나왔다.

• 정확한 검출 : 에지를 검출하지 못하거나 또는 에지가 아닌데 에지로 검출하는 확률 최소화.
• 정확한 위치 : 실제 에지의 중심을 찾아야함.
• 단일 에지 : 하나의 에지는 하나의 점으로 표현.

 

Canny는 다음과 같은 수행과정을 통해 결과가 나온다.

1. 가우시안 필터링
2. 그래디언트 계산(3x3 Sobel 마스크를 사용)
3. 비최대 억제
4. 이중 임계값을 이용한 히스테리시스 에지 트래킹

 

이렇게 복잡한 과정을 따로 거치치 않고 Canny 함수로 쉽게 사용할 수 있다.

import cv2

if __name__ == "__main__":
    img = cv2.imread("test.jpg",cv2.IMREAD_GRAYSCALE)
    cv2.imshow("origin",img)
    canny = cv2.Canny(img,threshold1=100,threshold2=200)
    cv2.imshow("canny",canny)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 

임계값을 조절해 좀 더 섬세하게 검출 할 수 있다.

 

 

이렇게 검출한 에지를 가지고 직선 검출을 할 수 있다.

 

영상에서 직선을 찾는 방법은 허프 변환(Hough Transform) 기법이 널리 사용된다.

• 2차원 xy 좌표에서 직선의  방정식을 파라미터 공간으로 변호나하여 직선을 찾는 알고리즘이다.

Hough transform - Wikipedia

 

import cv2
import numpy as np
if __name__ == "__main__":
    img = cv2.imread("test.jpg")
    cv2.imshow("origin",img)

    img_g = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    edges = cv2.Canny(img_g,50,150)

    lines = cv2.HoughLinesP(edges,1,np.pi / 180, threshold=100,minLineLength=50,maxLineGap=10)

    if lines is not None:
        for line in lines:
            x1, y1, x2, y2 = line[0]
            cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 초록색으로 직선 그리기
    
    cv2.imshow("Canny Edges", edges)
    cv2.imshow("Detected Lines", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

 

 

허프변환 방법은 직선뿐만 아니라 원도 검출할 수 있다.

import cv2
import numpy as np

if __name__ == "__main__":
    # 이미지 읽기
    img = cv2.imread("test3.jpg")
    cv2.imshow("Original Image", img)

    # 그레이스케일 변환
    img_g = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # Canny 엣지 검출
    edges = cv2.Canny(img_g, 50, 150)

    # 허프 변환을 사용하여 원 검출 (엣지 이미지 사용)
    circles = cv2.HoughCircles(edges, 
                                cv2.HOUGH_GRADIENT, 
                                dp=1, 
                                minDist=30,  # 원 간의 최소 거리 조정
                                param1=50,  # Canny 엣지 검출의 상한값 조정
                                param2=30,   # 원 검출의 임계값 조정
                                minRadius=10, # 최소 반지름 조정
                                maxRadius=100) # 최대 반지름 조정

    # 원 그리기
    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            # 원의 중심 그리기
            cv2.circle(img, (i[0], i[1]), 5, (0, 255, 0), -1)
            # 원 그리기
            cv2.circle(img, (i[0], i[1]), i[2], (255, 0, 0), 2)

    # 결과 이미지 표시
    cv2.imshow("Canny Edges", edges)
    cv2.imshow("Detected Circles", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()