Chapter 4. Edge Detection

4.1 Canny Edge Dectetor [1]

절차

Smoothed imges(=Gaussin filter) : 노이즈 제거
First-difference approximation : 미분 연산을 통해 intensity가 급격한 곳 찾기
Compute gradient magnitude and orientation
- 4개의 섹터로 나눔 : Horizontal, vertical, diagonal, anti-diagonal
Nonmaximal suppression
Thresholding and connected edge preserving

4.2 SUSAN Edge Dectetor

Smallest Univalue Segment Assimilating Nucleus

Necleus : 중심 값

Coutour Detection

Contour란 같은 값을 가진 곳을 연결한 선 (eg. 등고선)

이미지 Contour란 동일한 색 또는 동일한 색상 강도(Color Intensity)를 가진 부분의 가장 자리 경계를 연결한 선

사전 작업 : 정확한 이미지 Contour를 확보하기 위해 바이너리 이미지를 사용합니다. (eg. 희색과 검은색에서 그 경계선을 찾는 알고리즘)

즉, 이미지에서 Contour를 찾기 전에 우리가 이미 배웠던 threshold나 canny edge detection을 적용

OpenCV에서 Contour 찾기는 검정색 배경에서 흰색 물체를 찾는 것과 비슷합니다. . 따라서 Contour를 찾고자 하는 대상은 흰색으로, 배경은 검정색으로 변경해야 함을 꼭 기억하세요!!

#Gray 스케일로 변환시킨 imgray를 thresholding 하여 그 값을 thresh로 합니다.
ret, thr = cv2.threshold(imgray, 127, 255, 0)


contours, hierarchy = cv2.findContours(threshold_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    """
    Goal : 윤곽선들 찾기
    첫 번째 인자로 Contour를 찾을 행렬화된 이미지를 받는다. (중요 : 바이너리 이미지)
    두 번째 인자로 Contour 찾는 알고리즘을 준다.
    . cv2.RETR_EXTERNAL: 이미지의 가장 바깥쪽의 contour만 추출
    . cv2.RETR_LIST: contour 간 계층구조 상관관계를 고려하지 않고 contour를 추출
    . cv2.RETR_CCOMP: 이미지에서 모든 contour를 추출한 후, 2단계 contour 계층 구조로 구성함. 1단계 계층에서는 외곽 경계 부분을, 2단계 계층에서는 구멍(hole)의 경계 부분을 나타내는 contour로 구성됨
    . cv2.RETR_TREE: 이미지에서 모든 contour를 추출하고 Contour들간의 상관관계를 추출함
    세 번째 인자로 찾은 컨투어를 저장할 때 방식을 준다. http://sams.epaiai.com/220534805843
    .cv2.CHAIN_APPROX_NONE: contour를 구성하는 모든 점을 저장함.
    . cv2.CHAIN_APPROX_SIMPLE: contour의 수평, 수직, 대각선 방향의 점은 모두 버리고 끝 점만 남겨둠. 예를 들어 똑바로 세워진 직사각형의 경우, 4개 모서리점만 남기고 다 버림
    . cv2.CHAIN_APPROX_TC89__1: Teh-Chin 연결 근사 알고리즘(Teh-Chin chain approximation algorithm)을 적용함
    Return : contour들과 계층관계가 저장됨
    """


cv2.drawContours(original_image, [contours[ci]], 0, (255, 0, 255), 3)
    """
    Goal : 가장 큰 윤곽선을 지닌 Contour를 그린다.
    첫 번째 인자로 Countour를 그릴 도화지가 될 이미지를 받고
    두 번째 인자로 그릴 Contour를 받는다.
    . 이 값은 cv2.findContours() 함수의 2번째 리턴 값으로 리스트형 자료임. i번째 contour의 첫 번째 픽셀 좌표는 contours[i][0]과 같이 접근 가능
    세 번째 인자로 그려질 Contour의 인덱스 번호를 지정한다./ img에 실제로 그릴 contour 인덱스 파라미터
    . 여기선 Contour의 인덱스번호를 미리 지정해서(ci) 주었으므로 0으로 준다.
    . 이 값이 음수이면 모든 contour를 그림
    네 번째 인자로 그려질 선의 색깔을 지정하고 (B,G,R)
    다섯 번째 인자로 그려질 선의 굵기를 지정한다.
    """

Contour활용 #1 : 도형 정보 수집

도형의 특징 정보 도출 : 이미지 모멘트 이용

- 이미지 모멘트 : 객체의 무게중심, 객체의 면적 등과 같은 특성을 계산할 때 유용(`cv2.moments`)


모멘트 종류는 3가지이며 아래와 같이 총 24개의 값을 가집니다.
1. 공간 모멘트(Spatial Moments) : m00, m10, m01, m20, m11, m02, m30, m21, m12, m03
2. 중심 모멘트(Central Moments) : mu20, mu11, mu02, mu30, mu21, mu12, mu03
3. 평준화된 중심 모멘트(Central Normalized Moments) : nu20, nu11, nu02, nu30, nu21, nu03

활용 예

# 첫번째 contour에 대한 이미지 모멘트를 구함
contour = cv2.contours[0]
mmt = cv2.moments(contour)

# 무게 중심 (x,y)
cx = int(mmt['m10']/mmt['m00'])
cy = int(mmt['m01']/mmt['m00'])

# Contour Area(=면적)
Contour_Area =  mmt['m00'] # 또는 cv2.contourArea(contour)로도 구할수 있음

#Contour Perimeter(=호의 길이)
cv2.arcLength(contour, TRUE) # 2nd 인자에서 해당 Contour이 폐곡선(TRUE)인지 열린곡선(FALSE)인지 지정

Orientation(방향) : Contour의 최적 타원의 기울어진 각도로 구합니다. (x, y), (MajorAxis, MinorAxis), angle = cv2.fitEllipse(cnt) [참고]

Contour활용 #2 : Convex Hull [출처]

Convex Hull = Convex Hull이란 contours point를 모두 포함하는 볼록한 외관선, 볼록 곡선은 오목한 부분이 전혀 없는 선

아래 그림에서 붉은 선이 Convex Hull을 나타내고 화살표의 차이가 convexity defect라고 합니다.

convexity defect는 contours와 hull과의 최대차이를 나타냅니다.

convexHull(cnt)는 Contour의 오목한 부분(Convexity Defects)을 체크하고 이를 보정하는 역할을 수행합니다.

cnt = contours[1] # contours[1]은 원본 이미지에서 찾은 contour들 가운데 2번째 contour입니다. 이녀석을 선택한 이유는 2번째 contour가 도형 바깥쪽을 감싸는 contour라서, 이미지에 따라 변함
check = cv2.isContourConvex(cnt) #Contour가 Convex Hull 인지 체크 TRUE / FALSE
hull = cv2.convexHull(cnt)
cv2.drawContours(img1, [hull], 0, (0, 255, 0), 3)

특징 검출

점(코너) 기반 접근

1) Moravec`s Corner Detector -> 1977년 : Moravec이 코너점 찾는방법을 시작(1977) 2) Harris Corner Detector -> 1988년 : 해리스코너 방법으로 Harris/Plessey 코너검출기 제안됨 3) Shi and Tomasi Corner Detector ~ 4) SUSAN(Smallest Univalue Segment Assimilating Nucleus) Corner Detector 5) Trajkovic and Hedley Corner Detector 6) Wang and Brady Corner Detector 7) High-Speed Corner Detector 8) FAST(Features from Accelerated Segment Test) Corner Detector -> openSURF에서 이방법으로 동작하는 예제가 있음

영역 기반 접근

1) Harris Laplace Detector 2) Harris Affine Detector 3) Hessian Affine Detector 4) EBR(Edge-Based Region) Detector 5) IBR(Intensity-Based Region) Detector 6) MSER(Maximally Stable Extremal Region) Detector 7) Salient Region Detector

http://www.youtube.com/watch?v=ce2fXbCG3kw

[1]: john canny, "A Computational Approach to Edge Detection, 1986

ch04_Edge_Contour_Detection