이진화(Binarization)

✍ 오늘은 이진화, 자동 이진화(Otsu), 지역 이진화에 대해서 글로 남기려 합니다.

🙋‍♂️ 이진화(Binarization) 란?

✍ 영상의 각각의 픽셀 값을 0 또는 255로 만드는 연산으로써 배경과 객체를 구분하기 위한 경우에 많이 사용합니다.

✍ 이진화는 보통 그레이 스케일의 입력 이미지를 받아 사용하며 대표적으로 T : 임계값, 문턱 치, Threshold라고 불리는 값으로 조절하며 수식은 아래와 같습니다.

 

g(x, y) = { 0          if f(x, y) <= T

              { 255      if f(x, y)   > T

 

✅  이미지 비교

왼쪽부터 원본, T(Threshold : 210) 설정한 결과, T(100) 설정한 결과

✅  구현 소스

import sys
import cv2
 
src = cv2.imread("cells.png", cv2.IMREAD_GRAYSCALE)
 
if src is None:
    print("Image load failed !!")
    sys.exit()
 
_, rst = cv2.threshold(src, 210, 255, cv2.THRESH_BINARY)
_, rst2 = cv2.threshold(src, 100, 255, cv2.THRESH_BINARY)
 
# return 의 첫 번째 인자는 설정되어있는 Threashold 값이 반환 되기때문에 _로 처리
# cv2.THRESH_BINARY와 더불어 cv2.THRESH_BINARY_INV, 등 여러가지 Type을 설정 할 수 있다.
 
cv2.imshow('src', src)
cv2.imshow('rst', rst)
cv2.imshow('rst2',rst2)
 
cv2.waitKey()
cv2.destroyAllWindows()

cv2.THRESH_BINARY : T 보다 이상인 픽셀 값에 대해서 255로 바꾸고 그렇지 않다면 0으로 이진화

cv2.THRESH_BINARY_INV : T 보다 이상인 픽셀 값에 대해서 0으로 바꾸고 그렇지 않다면 255로 이진화

cv2.THRESH_TRUNC : T 보다 이상인 픽셀 값에 대해서 T 값으로 바꾸고 그렇지 않다면 기본 픽셀 값으로 이진화

cv2.THRESH_TOZERO : T 보다 이상인 픽셀 값에 대해서 기본 픽셀 값으로 바꾸고 그렇지 않다면 0으로 이진화

cv2.THRESH_TOZERO_INV : T 보다 이상인 픽셀 값에 대해서 0으로 바꾸고 그렇지 않다면 기본 픽셀 값으로 이진화

cv2.THRESH_OTSU : Otsu Algorithm 방식으로 임계값을 자동 결정

cv2.THRESH_TRIANGLE : Triangle Algorithm 방식으로 임계값을 자동 결정

 

✏️ 위 방식 중 가장 일반적으로 사용되는 방법은 BINARY, BINARY_INV, OTSU 가 있으며

저는 밑에 예시로 하나 더 기록해 두려고 합니다.

 

✅  예시

왼쪽부터 원본, 이진화를 시키고 싶은 영역

 

Cell 이미지의 Histogram

✍ 예시로써 검은색 세포 부분들에 대해서 이진화를 시키고 싶다면

Histogram으로 픽셀 분포도를 확인 후 적절한 Threshold Value를 찾아서 이진화를 진행하면 됩니다.

✍ 저는 Histogram이 Bimodal 인 것을 확인 후 최대와 최솟값에서 나누기 2를 진행 한 값으로 이진화를 시켜 보았습니다.

 

이진화가 완성된 Cell 이미지

✍ 완벽하게 된 것은 아니지만 어느 정도 수준에서는 됐다고 판단됩니다.

 

✅  구현 소스

import sys
import numpy as np
import cv2
 
src = cv2.imread('cells.png', cv2.IMREAD_GRAYSCALE)
 
if src is None:
    print('Image load failed!')
    sys.exit()
 
def getGrayHistImage(hist):
    imgHist = np.full((100,256), 255, dtype=np.uint8)
 
    histMax = np.max(hist)
    for x in range(256):
        pt1 = (x, 100)
        pt2 = (x, 100 - int(hist[x,0] * 100 / histMax))
        cv2.line(imgHist, pt1, pt2, 0)
 
    return imgHist
 
hist = cv2.calcHist([src], [0], None, [256], [0, 256])
histImg = getGrayHistImage(hist)
 
min = np.min(src)
max = np.max(src)
result = (max-min) / 2
 
print("min : ", min, ", max : ", max, ", (max - min) / 2  : ", result)
 
_, rst = cv2.threshold(src, result, 255, cv2.THRESH_BINARY)
 
cv2.imshow('histImg', histImg)
cv2.imshow('rst', rst)
cv2.waitKey()
cv2.destroyAllWindows()
 

 

 

🙋‍♂️ 자동 이진화(Otsu Algorithm) 란?

✍ 일반적으로 이진화 진행 시 사용자의 경험에 의한 T(Threshold) 값을 정하기 마련이지만

사용자가 T값을 정하지 않고 임의의 임계값 T에 의해 나눠지는 두 픽셀 분포 그룹의 분산이 최소가 되는 T를 선택하는

즉, 일종의 최적화 알고리즘(Optimization Algorithm)입니다.

 

✍ 1979년에 발표된 논문이지만 최적화가 잘되어있기 때문에 이진화 진행 시 자주 사용하는 알고리즘 이기도 합니다.

 

✅  예시

쌀알 이미지

쌀알 이미지의 Histogram

✍ 위에서 설명한 일반적인 이진화 방법으로 진행하려고 한다면 어떻게 될까요?

일반적인 이진화 방법으로 이진화 진행시 결과 모습

✍ 위 사진과 같이 이상한 모습으로 이진화가 되었습니다 왜 그럴까요?

결론부터 말하자면 Bimodal Histogram이 아니기 때문에 아까의 방식으로는 원활하게 진행되지 않은 것입니다.

왼쪽부터 Cell 이미자와 Rice 이미지의 Histogram 차이점

✍ 이번에는 Otsu Algorithm을 사용하여 이진화를 진행해 보겠습니다.

Otsu Algorithm을 사용한 결과 이미지

✍ 이미지 밑 부분의 쌀알 부분은 이진화가 잘 되지 않았지만 대부분 잘된 것을 확인할 수 있습니다.

위와 같이 Bimodal이 아닌 경우에는 Otsu 방법을 사용하여 이진화를 진행하는 것도 좋은 방법이라고 생각이 듭니다.

 

✅  구현 소스

 

import sys
import numpy as np
import cv2
 
src = cv2.imread('rice.png', cv2.IMREAD_GRAYSCALE)
 
if src is None:
    print('Image load failed!')
    sys.exit()
 
def getGrayHistImage(hist):
    imgHist = np.full((100,256), 255, dtype=np.uint8)
 
    histMax = np.max(hist)
    for x in range(256):
        pt1 = (x, 100)
        pt2 = (x, 100 - int(hist[x,0] * 100 / histMax))
        cv2.line(imgHist, pt1, pt2, 0)
 
    return imgHist
 
hist = cv2.calcHist([src], [0], None, [256], [0, 256])
histImg = getGrayHistImage(hist)
 
Tvalue, rst = cv2.threshold(src, 0, 255, cv2.THRESH_OTSU)
 
print("Threshold Vlaue : ", Tvalue)
 
cv2.imshow('rst', rst)
cv2.imshow('histImg', histImg)
 
cv2.waitKey()
cv2.destroyAllWindows()

🙋‍♂️ 지역 이진화 란?

✍ 균일하게 이진화가 되지 않은 이미지에 대해서 구역을 나누어서 각각 이진화를 진행하는 것을 뜻합니다.

✍ 쉬운 예시로는 위에서 설명한 Otsu 방법으로 이진화를 진행하였을 때 이미지의 윗부분은 이진화가 잘되었지만

이미지의 아랫부분은 잘되지 않았기 때문에 지역 이진화를 활용하여 구역을 나누어서 따로 이진화를 진행시킨 후

합치면 균일하게 이진화가 잘된 이미지를 만들 수 있습니다.

 

✍ 이때 고려해야 할 부분은

1. 얼마만큼 구역을 나눌 것인가?

2. 구역마다 겹치는 곳을 허용할 것인가 아닌가?

3. 구역을 나누었는데 배경 혹은 객체만 존재한다면 어떻게 처리할 것인가?

 

✅  결과 이미지

지역 이진화를 사용하여 이진화를 시킨 결과 이미지

✅  비교 이미지

왼쪽부터 전역 이진화와 지역 이진화

✅  구현 소스

import sys
import numpy as np
import cv2
 
src = cv2.imread('rice.png', cv2.IMREAD_GRAYSCALE)
 
if src is None:
    print('Image load failed!')
    sys.exit()
 
rst = np.zeros(src.shape, np.uint8)
# 검정색으로 원본이미지의 크기만큼 만든다.
 
bw = src.shape[1] // 4
bh = src.shape[0] // 4
 
for y in range(4):
    for x in range(4):
        _src = src[y*bh:(y+1)*bh, x*bw:(x+1)*bw]
        _rst = rst[y*bh:(y+1)*bh, x*bw:(x+1)*bw]
        cv2.threshold(_src, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU, _rst)
        
cv2.imshow('rst', rst)
cv2.waitKey()
cv2.destroyAllWindows()

 

✍ 또한 위 방법 말고도 OpenCV에서 제공하는 지역 이진화 방법도 존재합니다.

cv2.adaptiveThreshold()

하지만 이 함수는 동작이 느리고 결과 이미지가 원활하지 않아

나중에 사용할 일이 있다면 검토 후 적용해봐야 할 것 같다는 생각이 듭니다.

 

본 학습 내용은 "OpenCV를 활용한 컴퓨터비전과 딥러닝" 을 참고하였음을 알려드립니다.