< * 모폴로지 연산(Morphological Calculate) * >
◆ 모폴로지 연산(Perspective Calculate)은 모폴로지 변환의 팽창(dilation)과 침식(erosion)을
기본 연산으로 사용해 고급 형태학을 적용하는 변환 연산이다.
◆ 입력 이미지가 이진화된 이미지라면 팽창과 침식 연산으로도 우수한 결과를 얻을 수 있다.
-- 그레이스케일이나 다중 채널 이미지를 사용하는 경우 더 복잡한 연산을 필요로 하다.
-- 이때 모폴로지 연산을 활용해 우수한 결과를 얻을 수 있다.
<< 열림(Opening) >>
▶ 팽창 연산자와 침식 연산자의 조합이며, 침식 연산을 적용한 다음, 팽창 연산을 적용한다.
▶ 열림 연산을 적용하면 침식 연산으로 인해 밝은 영역이 줄어들고 어두운 영역이 늘어난다.
▶ 줄어든 영역을 다시 복구하기 위해 팽창 연산을 적용하면 반대로 어두운 영역이 줄어들고 밝은 영역이 늘어난다.
-- 이로 인해 스펙클(speckle)이 사라지면서 발생한 객체의 크기 감소를 원래대로 복구할 수 있다.
<< 닫힘(Closing) >>
▶ 팽창 연산자와 침식 연산자의 조합이며, 열림과 반대로 팽창 연산을 적용한 다음, 침식 연산을 적용한다.
▶ 닫힘 연산은 팽창 연산으로 인해 어두운 영역이 줄어들고 밝은 영역이 늘어난다.
▶ 늘어난 영역을 다시 복구하기 위해 침식 연산을 적용하면 밝은 영역이 줄어들고 어두운 영역이 늘어난다.
-- 그로 인해 객체 내부의 홀(holes)이 사라지면서 발생한 크기 증가를 원래대로 복구할 수 있다..
<< 그레이디언트(Gradient) >>
▶ 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 작다.
▶ 각각의 결과를 감산한다면 입력 이미지에 객체의 가장자리가 반환된다.
▶ 그레이디언트는 밝은 영역의 가장자리를 분리하며
그레이스케일 이미지가 가장 급격하게 변하는 곳에서 가장 높은 결과를 반환한다.
<< 탑햇(TopHat) >>
▶ 입력 이미지(src)와 열림(Opening)의 조합이며,
그레이디언트 연산과 비슷하게 입력 이미지에 열림 연산을 적용한 이미지를 감산한다.
▶ 열림 연산이 적용된 이미지는 스펙클이 사라지고 객체의 크기가 보존된 결과이다.
-- 이 결과를 입력 이미지에서 감산한다면 밝은 영역이 분리되어 사라졌던 스펙클이나 작은 부분들이 표시된다.
-- 즉, 입력 이미지의 객체들이 제외되고 국소적으로 밝았던 부분들이 분리된다.
<< 블랙햇(BlackHat) >>
▶ 입력 이미지(src)와 닫힘(Closing)의 조합이며,
탑햇 연산과 비슷하게 닫힘 연산을 적용한 이미지에 입력 이미지를 감산한다.
▶ 닫힘 연산이 적용된 이미지는 객체 내부의 홀이 사라지고 객체의 크기가 보존된 결과이다.
-- 이 결과에 입력 이미지를 감산한다면 어두운 영역이 채워져 사라졌던 홀 등이 표시된다.
-- 즉, 입력 이미지의 객체들이 제외되고 국소적으로 어두웠던 홀들이 분리된다.
<< 히트미스(HitMiss) >>
▶ 히트미스(HitMiss) 연산은 앞의 연산자와 다른 형태이다.
▶ 히트미스 연산은 단일 채널 이미지에서 활용하며, 주로 이진화 이미지에 적용한다.
▶ 히트미스 연산은 이미지의 전경이나 배경 픽셀의 특정 패턴을 찾는 데 사용하는
이진 형태학으로서 구조 요소의 형태에 큰 영향을 받는다.
▶ 히트미스 연산의 커널은 기존 컨벌루션 커널과 다른 역할을 한다.
▶ 내부 요소의 값은 0 또는 1의 값만 의미가 있다.
▶ 커널 내부의 0은 해당 픽셀을 고려하지 않는다는 의미이며,
1은 해당 요소를 유지하겠다는 의미이다.
▶ 이 특성 덕분에 히트미스 연산을 모서리(Corner)를 검출하는 데 활용하기도 한다.
----< 예제 : Morphological-Calculate.py >-------------------------------------------------------------------
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()
--------------------------------------------------------------------------------------------------------
▶ dst = cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel, iterations=9)
: 생성된 구조 요소(kernel)를 활용해 모폴로지 변환을 적용한다.
• 모폴로지 함수(cv2.morphologyEx)로 모폴로지 연산을 진행한다.
• cv2.morphologyEx(원본 배열, 연산 방법, 구조 요소, 고정점, 반복 횟수,
테두리 외삽법, 테두리 색상)로 모폴로지 연산을 진행한다.
• 연산 방법에 따라, 모폴로지 연산 결과가 달라집니다. 예제의 연산 방법은 열림 연산이다.
• 연산 방법에는 기존 팽창 함수(cv2.dilate)와 침식 함수(cv2.erode)도 포함돼 있다.
■ 연산 방법 종류
속성 의미
-----------------------------------------------------------------
cv2.MORPH_DILATE 팽창 연산
cv2.MORPH_ERODE 침식 연산
cv2.MORPH_OPEN 열림 연산
cv2.MORPH_CLOSE 닫힘 연산
cv2.MORPH_GRADIENT 그레이디언트 연산
cv2.MORPH_TOPHAT 탑햇 연산
cv2.MORPH_BLACKHAT 블랙햇 연산
cv2.MORPH_HITMISS 히트미스 연산
-------------------------------------------------------------------
