패스트캠퍼스 챌린지 22일차 - Ch4. 필터링

4-5. 잡음 제거(1)

영상 잡음 (Noise)

    기존 값에 추가된 원치 않는 형태의 신호. 아래와 같은 수식으로 표현한다.

f(x,y) = s(x,y) + n(x,y)
f: 출력, s: 원본, n: 잡음

     가우시안 잡음(Gaussian noise), 소금&후추 잡음(Salt&Pepper noise) 등이 있다.

 

미디언 필터 (Median Filter)

    Kernel 크기로 선택된 픽셀 값들을 순서대로 정렬하여 그 중앙값(Median)으로 anchor 값을 교체한다.

    소금&후추 잡음 제거에 효과적이다.

미디언 필터 원리 (출처: FastCampus) 

    미디언 필터 함수: cv2.medianBlur(src, ksize, dst) -> dst

     src는 입력 영상, dst는 src와 동일한 크기와 타입을 갖는 출력 영상으로 각 채널별로 처리된다.

     ksize는 커널의 크기로 1보다 큰 홀수로 지정해야한다.

미디언 필터에 사용된 기본 영상

커널 사이즈에 따른 미디언 필터 적용 결과. 왼쪽부터 3,5,7 순으로 커널 사이즈가 증가하였다.

---

4-6. 잡음 제거(2)

양방향 필터 (Bilateral filter)

    기준 픽셀과 이웃 픽셀과의 거리, 픽셀 값의 차이를 함께 고려하여 블러링 정도를 조절

     영상 전체에 동일한 필터를 적용하는 평균값 필터, 가우시안 필터와 다르게 에지가 아닌 부분에만 블러 효과를 주기 때문에 에지를 보존해서 에지 보전 잡음 제거 필터(edge-preserving noise removal filter) 중의 하나이다.

양방향 필터 수식 (출처: FastCampus)

기존 가우시안 필터와 양방향 필터 적용의 차이 (출처: FastCampus/CSIE)

    양방향 필터링 함수: cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, dst, borderType) -> dst

     src는 1채널 또는 3채널의 8-bit 또는 실수형의 입력 영상으로 dst는 입력 영상과 동일한 크기와 타입을 갖는 출력 영상

     d는 필터링에 사용될 이웃 픽셀의 거리로 -1로 입력하면 sigmaSpace 값에 의해 자동 결정 (잘모르겠으면 -1 사용!)

     sigmaColor는 색 공간에서 필터의 표준 편차, sigmaSpace는 좌표 공간에서 필터의 표준 편자 (Sigma 값이 연산 처리 속도에 영향을 줄 수 있으므로 잘 고려해서 선정해야한다.)

     borderType는 가장자리 픽셀 처리 방식

양방향 필터 테스트에 사용한 기본 영상

공간 편차를 높여보며 양방향 필터를 테스트해본 결과

---

인증 타임

미디언 필터는 커널 사이즈를 키울수록 그 결과가 뚜렷하게 달라짐을 볼 수 있었는데 양방향 필터는 공간 편차를 2 늘리는 것으로는 드라마틱한 효과를 볼 수 없었던거 같다. 색 편차와 공간 편차를 더 다양하게 조절해 봤어야할거 같다.

 

벌써 수업을 들은지 3주가 지났다. 급하게 많아졌던 출장과 긴 연휴로 초기에 계획했던 수강양을 다 따라가진 못하고 있지만 매일 수업 듣고 기록하는데 의의를 두고 있다. 개인적으로 기대하고 있는 파트는 후반부에 있는 영상처리 ML 모델 적용 부분인데  기간 안에 들을 수 있도록 노력해봐야겠다. (물론 기간 안에 못 들어도 강의는 무제한 제공이기 때문에 늦어지는 한이 있어도 다 듣고 포스팅 할 예정이다.)

 

4-5. 공부 인증 사진

4-6. 공부 인증 사진

 

---

#패스트캠퍼스 #패캠챌린지 #직장인인강 #직장인자기계발 #패스트캠퍼스후기 #OpenCV를 활용한 컴퓨터비전과 딥러닝 올인원 패키지 Online

 

패스트캠퍼스(FastCampus) 강의 둘러보러 가기 

↓ ↓ ↓ 

https://bit.ly/37BpXiC

패스트캠퍼스 [직장인 실무교육]

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성되었습니다.

---