Computer Graphics - 실습 3주차

---

sobel filter

• 1D 미분 필터와 blur를 주는 필터를 convolution 연산을 통해 얻은것
• 이미지의 수직, 수평 특징을 추출하는 필터이다.

sobel filter 실습

get_soble()메소드 : sobel mask 생성

def get_sobel():
    derivative = np.array([[-1,0,1]])
    blur = np.array([[1],[2],[1]])

    x = np.dot(blur,derivative)
    y = np.dot(derivative.T,blur.T)
    return x,y

sobel filter main

if __name__ == '__main__':
    src = cv2.imread('../image/edge_detection_img.png', cv2.IMREAD_GRAYSCALE)

    sobel_x,sobel_y = get_sobel()

    dst_x = my_filtering(src, sobel_x, 'zero')
    dst_y = my_filtering(src, sobel_y, 'zero')
    dst = np.hypot(dst_x,dst_y)

    # 0~1 사이의 값으로 변경 후 0~255로 변경
    dst_x_Norm = ((dst_x - np.min(dst_x))/np.max(dst_x-np.min(dst_x))*255+0.5).astype(np.uint8)
    dst_y_Norm = ((dst_y - np.min(dst_y))/np.max(dst_y-np.min(dst_y))*255+0.5).astype(np.uint8)

    dst_x2 = np.sqrt(dst_x**2)
    dst_y2 = np.sqrt(dst_y**2)

    cv2.imshow('src', src)
    cv2.imshow('dst_x ', dst_x)
    cv2.imshow('dst_y ', dst_y)
    cv2.imshow('dst_x2 ', dst_x2)
    cv2.imshow('dst_y2 ', dst_y2)
    cv2.imshow('dst_x_Norm', dst_x_Norm)
    cv2.imshow('dst_y_Norm ', dst_y_Norm)


    cv2.waitKey()
    cv2.destroyAllWindows()

• dst_x -> dst_x_Norm
  • 데이터 타입의 변화
  • float -> int
• np.sqrt(sobel_x2 + sobel_y2) 이렇게 합치기!

---

DoG (Derivative of Gaussian)

• 가우시한 필터 후 미분 필터를 적용
• 가우시안 필터를 먼저 미분하고 연산하면 2번 필터링 할것이 1번 필터링으로 줄어든다.

수행절차

get_DoG_filter : DoG mask생성

def get_DoG_filter(fsize,sigma=1):
    #TODO
    #DoG mask완성

    y,x = np.mgrid[-(fsize//2):(fsize//2)+1,-(fsize//2):(fsize//2)+1]

    DoG_x = (-x/sigma**2) *np.exp(-((x**2 + y**2)/(2*sigma**2)))
    DoG_y = (-y/sigma**2) *np.exp(-((x**2 + y**2)/(2*sigma**2)))

    return DoG_x,DoG_y

DoG main

def main():
    src = cv2.imread('../image/Lena.png', cv2.IMREAD_GRAYSCALE)

    #DoG mask 생성.
    DoG_x, DoG_y = get_DoG_filter(fsize=3,sigma=1)

    dst_x = my_filtering(src, DoG_x, 'zero')     # 𝐷𝑜𝐺(x) = 𝐺′(𝑥) ∗ 𝐼
    dst_y = my_filtering(src, DoG_y, 'zero')     # 𝐷𝑜𝐺(y) = 𝐺′(y) ∗ 𝐼


    # 𝐷𝑜𝐺 𝑥 ,𝐷𝑜𝐺(𝑦)의 magnitude를 계산.
    dst = np.sqrt(dst_x**2+dst_y**2)
    print('dst',dst)
    print('dst/255' ,dst/255)

    # 0~1 사이의 값으로 변경 후 0~255로 변경
    dst = ((dst - np.min(dst))/np.max(dst-np.min(dst))*255+0.5).astype(np.uint8)
    print('dst',dst)

    cv2.imshow('dst_x', dst_x/255)
    cv2.imshow('dst_y ', dst_y/255)
    cv2.imshow('dst ', dst)

    cv2.waitKey()
    cv2.destroyAllWindows()

결과

결과
dst_x : 수직 특징을 추출
dst_y : 수평 특징을 추출
dst = 수평 + 수직 => dst_x + dst_y을 단순히 하면 안되고!!
		거리 구하는 것 처럼 np.sqrt(dst_x**2+dst_y**2) 이런 식으로 구해야 한다.

dst =  np.sqrt(dst_x**2+dst_y**2)

• dst를 이미지로 출력할때 0-1이나 0-255로 바꾸어 주어야 한다.

dst = np.sqrt(dst_x**2+dst_y**2)
print(dst)
print(dst/255)

dst = ((dst - np.min(dst))/np.max(dst-np.min(dst)) * 255+0.5).astype(np.uint8)
print(dst)

위의 결과 console

• 맨 처음은 원래 dst값 <- int도 float도 아닌값
• dst/255를 해준후에 imshow()를 해야 한다.
• 또는 dst = ((dst - np.min(dst))/np.max(dst-np.min(dst)) * 255+0.5).astype(np.uint8)
• 0~1 사이의 값으로 변경 후 0~255로 변경