안녕하세요. 지난 포스팅의 디지털 영상 처리 - 스무딩 공간 필터(Smoothing Spatial Filter)에서는 영상 공간에서 수행하는 대표적인 필터링 기법인 스무딩에 대해서 알아보았습니다. 이러한 스무딩 필터링은 관심 없는 객체나 노이즈를 제거하는 데 유용하게 쓰인다고 말씀드렸습니다. 오늘은 이러한 스무딩 필터들을 구현해보는 시간을 가져보도록 하겠습니다. 소스코드는 아래의 깃허브를 보시면 됩니다. github.com/skawngus1111/DIP skawngus1111/DIP Digital Image Processing exercise&code. Contribute to skawngus1111/DIP development by creating an account on GitHub. github.c..
안녕하세요. 지난 포스팅에서는 디지털 영상처리 - 공간 필터링의 기초에 대해서 알아보았습니다. 이때, 공간 필터링은 결국 영상보다 훨씬 작은 크기의 윈도우 또는 커널을 정의하고 해당 영역 안에서 미리 정의된 연산을 수행한 뒤 다음 픽셀로 옮겨서 진행하는것이라고 하였습니다. 즉, 어떤 연산을 취하는 지에 따라서 공간 필터의 이름이 바뀌게 되는 데 오늘은 다양한 공간 필터 중 가장 기초적인 스무딩 공간 필터에 대해서 알아보도록 하겠습니다. 먼저, 스무딩(smoothing) 필터란 블러링(blurring)과 노이즈 제거를 위해 사용되는 방법입니다. 블러링은 어떤 의미있는 객체를 얻기 전에 영상에서 작은 디테일을 제거하거나 선, 곡선 등의 끊김을 이어주는 것과 같은 전처리 작업을 사용됩니다. 이때, 지난 포스팅..
안녕하세요. 지난 포스팅의 디지털 영상 처리 - 히스토그램 처리 함수 구현을 마지막으로 히스토그램 처리와 관련된 이론과 실제 구현을 해보았습니다. 오늘부터는 히스토그램 처리가 아닌 공간 필터링 기법에 대해서 알아보도록 하겠습니다. 사실 지난 포스팅의 디지털 영상 처리 - 지역적 히스토그램 처리를 이해하셨다면 쉽게 이해할 수 있습니다. 왜냐하면 거의 비슷한 알고리즘을 사용하기 때문입니다. 다른 점은 내부 연산이 다르며 동일한 점은 영상보다 작은 크기의 윈도우를 정의하고 한 픽셀씩 이동시키면서 진행합니다. 바로 알아보도록 하죠. 1. 공간 필터링의 메커니즘(The Machanics of Spatial Filtering) 공간 필터링은 상단의 그림을 보시면 더욱 쉽게 이해하실 수 있습니다. 일단 2가지는 먼저..
안녕하세요. 지난 포스팅의 디지털 영상 처리 - 지역적 히스토그램 처리를 마지막으로 히스토그램과 관련된 이론적인 내용을 모두 끝냈습니다. 오늘은 그 동안 알아본 히스토그램(Histogram), 히스토그램 평활화(Histogram Equalization), 히스토그램 지정(Histogram Matching), 지역 히스토그램 평활화(Local Histogram Equalization)을 구현해보겠습니다. 이미 지난 포스팅에서 자세한 내용은 알아보았기 때문에 간단하게 결과 그림과 코드만 제공해드리도록 하겠습니다. 만약 코드를 사용하고 싶으시면 해당 코드들은 제 아래의 깃허브 링크에 정리해놓았으니 확인해보시길 바랍니다. github.com/skawngus1111/DIP skawngus1111/DIP Digit..
안녕하세요. 지난 포스팅의 디지털 영상 처리 - 히스토그램 지정(Histogram Matching)에서는 히스토그램 평활화보다 좀 더 일반화된 개념인 히스토그램 지정에 대해서 알아보았으며 연속 데이터에서는 문제가 없었으나 이산 데이터의 경우에는 $G(z)$가 "엄밀 단조 증가(strictly monotone increasing)"가 아니었기 때문에 발생할 수 있는 모호성 문제를 해결하기 위해 간단한 알고리즘을 추가하였습니다. 이를 통해 임의의 목표 확률분포로 바꿀 수 있다는 것을 알았으며 이산 데이터의 경우에는 약간의 차이를 보이긴 하지만 그래도 충분히 좋은 성능을 보인다는 것을 알게 되었습니다. 또한 히스토그램 평활화를 수행했을 때보다 약간의 노력을 들여 저희가 원하는 확률분포로 지정하였을 때 출력 영..
안녕하세요. 지난 포스팅의 디지털 영상 처리 - 히스토그램 평활화(Histogram Equalization)에 이어서 조금 더 일반화된 히스토그램 기반 영상 처리 방법인 히스토그램 지정에 대해서 알아보도록 하겠습니다. 기존의 히스토그램 평활화는 이론적으로 임의의 픽셀 강도 확률 분포를 가지는 입력 영상을 균등확률분포을 가지는 출력 영상으로 변환시키게 된다는 것을 알 수 있었습니다. 여기서 확장하여 균등확률분포가 아니라 저희가 원하는 임의의 확률분포를 가지는 출력 영상으로 변환시킬 수 있지 않을까요? 해당 방법이 바로 히스토그램 지정(Histogram Matching)입니다. 이전에 히스토그램 평활화를 설명할 때 도입했던 $p_{r}(r), p_{z}(z)$를 다시 한번 사용하도록 하겠습니다. 일단은 두 ..
안녕하세요. 지난 포스팅의 디지털 영상 처리 - 영상 히스토그램(image historgram)에서는 영상을 히스토그램으로 변환하였을 때 밝기와 대비에 따른 히스토그램의 분포의 차이를 알아보았습니다. 그 결과로 낮은 대비를 가지는 영상을 높은 대비로 바꾸어주려면 히스토그램의 분포를 넓게 퍼뜨려주어야한다는 사실을 알았습니다(하단의 그림을 보시면 쉽게 이해할 수 있습니다.). 오늘은 높은 대비로 만드는 가장 대표적인 알고리즘인 히스토그램 평활화에 대해서 알아보겠습니다. 이제부터는 히스토그램 평활화 알고리즘를 명확하게 정의하기 위해서 몇 가지 가정을 추가하도록 하겠습니다. 먼저, $r$을 입력 영상의 밝기라고하면 $r \in [0, L-1]$를 만족합니다. 따라서 $r = 0, L-1$은 각각 검은색과 흰색을..
안녕하세요. 지난 포스팅에서는 디지털 영상 처리 - 밝기 변환 함수에 대해서 알아보았습니다. 그 중에서도 대표적인 변환인 영상 반전, 영상 로그 변환, 감마 변환 등을 직접 매트랩 코드를 이용하여 구현까지 해보았습니다. 오늘은 좀 더 어려운 개념으로서 히스토그램 처리에 대해서 알아보겠습니다. 코드는 아래 링크에서 다운받으실 수 있습니다. github.com/skawngus1111/DIP.git skawngus1111/DIP Digital Image Processing exercise&code. Contribute to skawngus1111/DIP development by creating an account on GitHub. github.com 지난 포스팅에서 제가 사용했던 용어 중 영상 대비(con..
