Python과 OpenCV를 이용한 이미지 처리 기초

Python과 OpenCV를 활용한 이미지 처리 기초는 컴퓨터 비전 분야에서 매우 중요한 주제입니다. 이미지 처리는 다양한 필터링 기술을 통해 원본 이미지를 변형하고, 노이즈를 제거하거나 특별한 효과를 추가할 수 있는 방법을 제공합니다. 이 글에서는 이미지 블러링을 포함한 다양한 필터링 기법과 그 원리를 살펴보겠습니다.

이미지 필터링의 기본 개념

이미지는 음성 신호와 유사하게 주파수로 분석할 수 있습니다. 일반적으로 밝기 변화가 큰 부분은 고주파 영역으로, 부드러운 배경은 저주파 영역으로 구분됩니다. 필터링은 주파수 성분을 조작하여 이미지를 변형하는 과정으로, 고주파 성분을 제거하면 이미지가 흐릿해지고, 저주파 성분을 제거하면 경계선이 더 잘 드러납니다.

저주파 및 고주파 필터의 활용

Low-pass Filter (LPF)와 High-pass Filter (HPF)는 이러한 필터링 기법의 두 가지 주요 방식입니다. LPF는 이미지에서 노이즈를 제거하거나 블러 효과를 위해 사용되며, HPF는 이미지의 경계선을 강조하는 데 적합합니다. OpenCV의 cv2.filter2D() 기능을 사용하면 이러한 필터를 이미지에 적용할 수 있습니다.

커널을 통한 필터링 작업

필터링의 핵심 요소인 커널은 행렬 형태로 나타납니다. 필터링 과정에서 각 픽셀에 커널을 적용하여 결과 이미지를 계산하는 방식입니다. 예를 들어, 일반적으로 5×5 크기의 커널을 사용할 수 있으며, 이는 다음과 같이 정의될 수 있습니다:

K = 1/25 * 
[
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1],
[1, 1, 1, 1, 1]
]

각 픽셀에 대해 이 커널을 적용하면, 해당 픽셀의 새로운 값은 커널이 놓인 영역의 평균값으로 변경됩니다.

다양한 블러링 기법

OpenCV는 여러 가지 블러링 기법을 제공하는데, 이들 각각은 특정한 목적을 가지고 있습니다. 여기서는 가장 일반적인 블러링 기법을 소개하겠습니다.

1. 평균화(Averaging)

가장 기본적인 블러링 기법인 평균화는 주어진 커널을 이미지에 적용하여 해당 영역의 평균값으로 픽셀을 대체합니다. 이 과정은 cv2.blur() 또는 cv2.boxFilter() 함수로 구현할 수 있습니다.

2. 가우시안 블러링(Gaussian Blurring)

가우시안 블러링은 가우시안 함수를 기반으로 한 커널을 사용하여 이미지의 픽셀값을 조정합니다. 이는 이미지의 자연스러운 흐릿함을 유지하면서 노이즈를 제거하는 데 효과적입니다. cv2.GaussianBlur() 함수를 통해 구현됩니다.

3. 중앙값 필터링(Median Filtering)

중앙값 필터링은 커널 내의 모든 픽셀값을 정렬하고, 그 중간값을 선택하여 새로운 픽셀 값을 결정합니다. 이 기법은 ‘소금과 후추’ 노이즈를 효과적으로 제거하는 데 유용합니다. cv2.medianBlur() 함수를 사용하여 이를 쉽게 적용할 수 있습니다.

4. 양방향 필터링(Bilateral Filtering)

양방향 필터는 이미지의 경계선을 부드럽게 하면서 주요 특징을 보존하는 데 초점을 맞춥니다. 이는 두 개의 가우시안 필터를 결합하여 경계선 근처의 픽셀값을 고려하여 조정합니다. cv2.bilateralFilter()를 통해 구현할 수 있습니다.

예시 코드

다음은 다양한 블러링 기법을 비교하는 간단한 예제 코드입니다:

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('images/lena.jpg')
images = []
# 일반 블러
dst1 = cv2.blur(img, (7, 7))
images.append(dst1)
# 가우시안 블러
dst2 = cv2.GaussianBlur(img, (5, 5), 0)
images.append(dst2)
# 중앙값 블러
dst3 = cv2.medianBlur(img, 9)
images.append(dst3)
# 양방향 필터링
dst4 = cv2.bilateralFilter(img, 9, 75, 75)
images.append(dst4)
# 결과를 보여주기
titles = ['Original', 'Blur', 'Gaussian Blur', 'Median Blur', 'Bilateral']
for i in range(5):
  plt.subplot(3, 2, i + 1)
  plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
  plt.title(titles[i])
  plt.xticks([]), plt.yticks([])
plt.show()

각 필터링 기법의 결과를 비교하면, 다양한 블러링 방식이 어떻게 이미지의 특성을 달리하는지를 이해하기 쉬울 것입니다.

결론

Python과 OpenCV를 활용한 이미지 처리의 기초를 살펴보았습니다. 이미지 필터링은 다양한 애플리케이션에서 중요한 역할을 하며, 각각의 필터는 특정한 상황에 맞게 응용될 수 있습니다. 이러한 기법들을 잘 이해하고 활용하면, 더욱 창의적이고 효과적인 이미지 처리 작업이 가능할 것입니다.

자주 찾는 질문 Q&A