--- layout: default title: 10. Image Segmentation subtitle: 산업비전의실제 과목 --- ----- [PINBlog Gitea Repository](https://gitea.pinblog.codes/CBNU/10_Image_Segmentation) ----- # Image Segmentation - 산업인공지능학과 대학원 2022254026 김홍열 --- # **Image Segmentation* ### **K-Means, Watershed, GrabCut을 통한 이미지 분할** 오늘은 이미지 분할(Image Segmentation)의 세 가지 대표적인 방법 즉, K-Means, Watershed, 그리고 GrabCut에 대해 알아보려고 합니다. 이미지 분할은 이미지를 의미 있는 영역으로 나누는 과정입니다. # **1. 이미지 분할이란?** 이미지 분할은 이미지를 여러 개의 세그먼트(segment)나 영역으로 나누는 과정입니다. 이를 통해 우리는 이미지 내의 특정 객체나 구조를 식별하고 분석할 수 있습니다. # **2. K-Means를 이용한 분할** - **원리**: K-Means는 클러스터링 알고리즘으로, 이미지의 픽셀 값을 기반으로 유사한 픽셀을 그룹화합니다. - **작동 방식**: 이미지의 각 픽셀에 대한 색상 값 (RGB 또는 HSV)을 사용하여 K 개의 클러스터를 형성합니다. - **사용 사례**: 이미지의 색상 기반 분할, 배경과 전경의 분리 등. --- ### 예제 코드[¶]()
K-Means
```python import cv2 import numpy as np import matplotlib.pyplot as plt image = cv2.imread('./Lenna.png').astype(np.float32) / 255. image_lab = cv2.cvtColor(image, cv2.COLOR_BGR2Lab) data = image_lab.reshape((-1, 3)) num_classes = 8 criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 50, 0.1) _, labels, centers = cv2.kmeans(data, num_classes, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS) segmented_lab = centers[labels.flatten()].reshape(image.shape) segmented = cv2.cvtColor(segmented_lab, cv2.COLOR_Lab2RGB) plt.subplot(121) plt.axis('off') plt.title('original') plt.imshow(image[:,:,[2,1,0]]) plt.subplot(122) plt.axis('off') plt.title('segmented') plt.imshow(segmented) plt.show() ```
Result ![Result](./seg1.png)
# **3. Watershed 알고리즘** - **원리**: Watershed는 이미지의 그레이디언트를 '지형'으로 간주하고, '물'을 주입하여 분리된 영역을 생성하는 방식으로 작동합니다. - **작동 방식**: 이미지의 그레이디언트를 계산한 후, 지역 최소값에서 시작하여 '물'을 주입하면서 영역을 확장합니다. - **사용 사례**: 객체의 경계 탐지, 미세한 구조물 분리 등. --- ### 예제 코드[¶]()
Watershed
```python import cv2 import numpy as np from random import randint img = cv2.imread('./lenna.png') show_img = np.copy(img) seeds = np.full(img.shape[0:2], 0, np.int32) segmentation = np.full(img.shape, 0, np.uint8) n_seeds = 9 colors = [] for m in range(n_seeds): colors.append((255 * m / n_seeds, randint(0, 255), randint(0, 255))) mouse_pressed = False current_seed = 1 seeds_updated = False def mouse_callback(event, x, y, flags, param): global mouse_pressed, seeds_updated if event == cv2.EVENT_LBUTTONDOWN: mouse_pressed = True cv2.circle(seeds, (x, y), 5, (current_seed), cv2.FILLED) cv2.circle(show_img, (x, y), 5, colors[current_seed - 1], cv2.FILLED) seeds_updated = True elif event == cv2.EVENT_MOUSEMOVE: if mouse_pressed: cv2.circle(seeds, (x, y), 5, (current_seed), cv2.FILLED) cv2.circle(show_img, (x, y), 5, colors[current_seed - 1], cv2.FILLED) seeds_updated = True elif event == cv2.EVENT_LBUTTONUP: mouse_pressed = False cv2.namedWindow('image') cv2.setMouseCallback('image', mouse_callback) while True: cv2.imshow('segmentation', segmentation) cv2.imshow('image', show_img) k = cv2.waitKey(1) if k == 27: break; elif k == ord('c'): show_img = np.copy(img) seeds = np.full(img.shape[0:2], 0, np.int32) segmentation = np.full(img.shape, 0, np.uint8) elif k > 0 and chr(k).isdigit(): n = int(chr(k)) if 1 <= n <= n_seeds and not mouse_pressed: current_seed = n if seeds_updated and not mouse_pressed: seeds_copy = np.copy(seeds) cv2.watershed(img, seeds_copy) segmentation = np.full(img.shape, 0, np.uint8) for m in range(n_seeds): segmentation[seeds_copy == (m + 1)] = colors[m] seeds_updated = False cv2.destroyAllWindows() ```
Result ![Result](./seg2.png) ![Result](./seg3.png)
# **4. GrabCut 알고리즘** - **원리**: GrabCut은 사용자의 간단한 주석(예: 전경과 배경의 대략적인 경계)을 기반으로 이미지를 분할합니다. - **작동 방식**: 초기 주석을 기반으로 그래프 컷(Graph Cut) 알고리즘을 사용하여 최적의 분할을 찾습니다. - **사용 사례**: 객체 추출, 이미지 편집, 배경 제거 등. --- ### 예제 코드[¶]()
Grabcut
```python import cv2 import numpy as np img = cv2.imread('./lenna.png', cv2.IMREAD_COLOR) show_img = np.copy(img) mouse_pressed = False y = x = w = h = 0 def mouse_callback(event, _x, _y, flags, param): global show_img, x, y, w, h, mouse_pressed if event == cv2.EVENT_LBUTTONDOWN: mouse_pressed = True x, y, = _x, _y show_img = np.copy(img) elif event == cv2.EVENT_MOUSEMOVE: if mouse_pressed: show_img = np.copy(img) cv2.rectangle(show_img, (x, y), (_x, _y), (0, 255, 0), 3) elif event == cv2.EVENT_LBUTTONUP: mouse_pressed = False w, h = _x - x, _y - y cv2.namedWindow('image') cv2.setMouseCallback('image', mouse_callback) while True: cv2.imshow('image', show_img) k = cv2.waitKey(1) if k == ord('a') and not mouse_pressed: if w * h > 0: break cv2.destroyAllWindows() labels = np.zeros(img.shape[:2], np.uint8) labels, bgdModel, fgdModel = cv2.grabCut(img, labels, (x, y, w, h), None, None, 5, cv2.GC_INIT_WITH_RECT) show_img = np.copy(img) show_img[(labels == cv2.GC_PR_BGD) | (labels == cv2.GC_BGD)] //= 3 cv2.imshow('image', show_img) cv2.waitKey() cv2.destroyAllWindows() label = cv2.GC_BGD lbl_clrs = {cv2.GC_BGD: (0, 0, 0), cv2.GC_FGD: (255, 255, 255)} def mouse_callback(event, x, y, flags, param): global mouse_pressed if event == cv2.EVENT_LBUTTONDOWN: mouse_pressed = True cv2.circle(labels, (x, y), 5, label, cv2.FILLED) cv2.circle(show_img, (x, y), 5, lbl_clrs[label], cv2.FILLED) elif event == cv2.EVENT_MOUSEMOVE: if mouse_pressed: cv2.circle(labels, (x, y), 5, label, cv2.FILLED) cv2.circle(show_img, (x, y), 5, lbl_clrs[label], cv2.FILLED) elif event == cv2.EVENT_LBUTTONUP: mouse_pressed = False cv2.namedWindow('image') cv2.setMouseCallback('image', mouse_callback) while True: cv2.imshow('image', show_img) k = cv2.waitKey(1) if k == ord('a') and not mouse_pressed: break elif k == ord('1'): label = cv2.GC_FGD - label cv2.destroyAllWindows() labels, bgdModel, fgdModel = cv2.grabCut(img, labels, None, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_MASK) show_img = np.copy(img) show_img[(labels == cv2.GC_PR_BGD) | (labels == cv2.GC_BGD)] //= 3 cv2.imshow('image', show_img) cv2.waitKey() cv2.destroyAllWindows() ```
Result ![Result](./seg4.png) ![Result](./seg5.png) ![Result](./seg6.png) ![Result](./seg7.png)
# **5. 결론** 이미지 분할은 컴퓨터 비전의 핵심 작업 중 하나로, 다양한 알고리즘과 기법이 개발되어 왔습니다. K-Means, Watershed, GrabCut은 그 중에서도 널리 사용되는 방법들입니다. 각 방법은 특정 상황과 요구 사항에 따라 장점과 단점을 가지므로, 적절한 알고리즘을 선택하는 것이 중요합니다. 이렇게 이미지 분할의 세 가지 대표적인 방법을 간략하게 소개하는 블로그 포스트를 작성해 보았습니다. 다음 포스트에서는 실제 코드 예제와 함께 각 방법의 실제 응용 사례를 살펴보는 것도 좋을 것 같습니다! --- ### 참고[¶]() - 산업비전의실제 과목, 박태형 교수 - ChatGPT