You cannot select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
348 lines
8.4 KiB
Markdown
348 lines
8.4 KiB
Markdown
---
|
|
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[¶]()
|
|
|
|
<details>
|
|
<summary>K-Means</summary>
|
|
<div markdown="1">
|
|
|
|
```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()
|
|
|
|
```
|
|
|
|
</div>
|
|
</details>
|
|
|
|
<details>
|
|
<summary>Result</summary>
|
|
|
|
|
|
|
|
|
|
|
|
<div markdown="1">
|
|
</div>
|
|
</details>
|
|
|
|
# **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[¶]()
|
|
|
|
<details>
|
|
<summary>Watershed</summary>
|
|
<div markdown="1">
|
|
|
|
```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()
|
|
|
|
```
|
|
|
|
</div>
|
|
</details>
|
|
|
|
<details>
|
|
<summary>Result</summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
<div markdown="1">
|
|
</div>
|
|
</details>
|
|
|
|
|
|
# **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[¶]()
|
|
|
|
<details>
|
|
<summary>Grabcut</summary>
|
|
<div markdown="1">
|
|
|
|
```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()
|
|
|
|
```
|
|
|
|
</div>
|
|
</details>
|
|
|
|
<details>
|
|
<summary>Result</summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
<div markdown="1">
|
|
</div>
|
|
</details>
|
|
|
|
|
|
# **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
|