OpenCV 이미지 검출[3]_직선 검출, 원 검출 | 주요 특징점 검출, 이미지내의 객체를 검출한다

5. 직선 검출

직선 검출은 이미지내에서 선형적인 부분들을 검출한다.
직선 도로에서 도로의 차선이라든지, 건물의 외형들을 검출할 수 있다.
직선 검출 알고리즘은 허프 변환 (Hough Transform)을 활용해 직선을 검출한다.
허프변환은 이미지 내의 어떤 점이라도 선의 일부일 수 있다는 가정하에 직선의 방정식을 이용해 직선을 검출한다.
OpenCV에서 특히, 이분야에서는 삼각함수를 이용한 직선의 방정식을 구한다.
(이유는 그냥 직선의 방정식에는 한계들이 존재하기 때문이다.)

위와 같은 원점으로부터 각도와 거리로 직선의 방정식을 표현할 수 있다.

위 그림을 설명하겠습니다.
각도 (0’ ~ 180’)별로 원점에서 거리와 각도가 동일한 직선을 찾는 것이다.
p1점을 기준으로 a각도에서 b만큼의 직선까지의 거리가 나온 직선 A1을 기준으로하자,
그러면 P2점을 기준으로 각도를 0 부터 180 도까지 천천히 올려가면서 a각도일때 p2를 지나는 직선, B1을 찾으면 해당 직선으로부터 원점까지의 거리가 b인경우,
우린 A1직선과 B1직선을 누적 시켜서 이게 이미지내에서 직선일 경우라고 생각하는 것이다.

3개의 허프 변환

OpenCV에서는 세 종류의 변환을 지원한다.
표준 허프 변환, 멀티 스케일링 허프 변화, 점진성 확률적 허프 변환

표준 허프 변환 & 멀티 스케일링 허프 변환

허프 변환 함수는 표준 허프 변환과 멀티 스케일링 허프 변환을 동시에 지원한다.

허프 변환 함수

lines = cv2.HoughLines(
	image,
	rho,
	theta,
	threshold,
	srn = None,
	stn = None,
	min_theta = None,
	max_theta = None
)

• image : 입력이미지, 8bit 단일 채널 이미지를 사용하며 일반적으로 이진화 함수나 캐니 엣지 함수의 결과를 인수로 활용한다.
• rho : 거리, 단위는 0.0 ~ 1.0을 사용한다.
• theta : 각도, 라디안을 사용하며 0 ~ 180의 범위에서 사용한다.
• threshold : 임계값, 직선을 결정하기 위해 만족해야되는 누산 평면의 값 즉, 몇개 이상의 동일한 직선이 존재해야 해당 직선을 이미지에서 중요한 직선으로 인식할 것인지 결정한다.
• srn : 거리에 대한 약수, (여기서 부터 멀티 스케일링 허프 변환 변수)
• stn : 각도에 대한 약수, 거리와 각도는 정규화된 값이 아니므로 멀리 스케일링은 거리와 각도의 값을 조정하기 위해 srn과 stn을 사용한다.
• min_theta : 최소 각도,
• max_theta : 최대 각도, OpenCV에서는 최소, 최대 각도를 이용할 수 있다.

점진성 확률적 허프 변환

앞에 설명한 변환들은 모든 점에서 직선을 찾는다.
이렇게 할 경우 비교적 많은 시간이 들지만,
점진성 확률적 허프 변환은 이미지 픽셀중 몇개만 (확률적)
즉 임의의 점 몇개만 누적해서 계산한다.
이 알고리즘은 시작점과 끝점을 반환한다.

확률 허프 변환 함수

lines = cv2.HoughLinesP(
	image,
	rho,
	theta,
	threshold,
	minLineLength = None,
	maxLineGap = None
)

• image : 입력 이미지
• rho : 거리
• theta : 각도
• threshold : 임계값, 모두 허프 변환과 동일한 의미
• minLineLength : 최소 선 길이, 검출된 직선이 가져야할 최소한의 선 길이, 이 값도 짧은 직선은 취급 안한다.
• maxLineGap : 최대 선 간격, 검출된 선 사이의 최대 허용 간격, 이 값보다 간격이 좁은 경우 직선으로 취급 안한다.

---

실습 코드

허프 변환 예제

import cv2
import numpy as np

src = cv2.imread("trump_card_1.jpg")
dst = src.copy()

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3), (-1, -1))

gray = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
morp = cv2.dilate(binary, kernel)
morp = cv2.erode(morp, kernel, iterations=3)
morp = cv2.dilate(morp, kernel, iterations=2)
canny = cv2.Canny(morp, 0, 0, apertureSize=3, L2gradient=True)

lines = cv2.HoughLines(canny, 1, np.pi/180, 100, srn= 50, stn=10, min_theta=0, max_theta=np.pi/2)

for i in lines:
	rho, theta = i[0][0], i[0][1]
	a, b = np.cos(theta), np.sin(theta)
	x0, y0 = a*rho, b*rho
	
	scale = src.shape[0] + src.shape[1]

	x1 = int(x0 + scale * -b)
	y1 = int(y0 + scale * a)
	x2 = int(x0 - scale * -b)
	y2 = int(y0 - scale * a)

	cv2.line(dst, (x1, y1), (x2, y2), (0, 255, 255), 2)
	cv2.circle(dst, (x0, y0), 3, (255, 0, 0), 5, cv2.FILLED)

cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

전처리가 진행된 이미지에 멀티 스케일 허프 변환을 적용한 코드이다.
허프 변환은 모든 점에 대해 직선의 방정식을 구하기 때문에
최대한 점의 성분을 제거한다.
그래서 그레이스케일, 이진화, 모폴로지 연산을 차례대로 적용했으며
모폴로지 연산을 통해 노이즈를 최대한 제거했다.
그런 다음, 캐니 엣지를 적용해 가장자리 선분만 남긴다.
그러면 허프 변환 함수는 가장자리 선분들만 이용해서 직선을 찾는 것이다.

---

6. 원 검출

원 검출은 허프 변환 알고리즘 중 하나인 허프 원 변환알고리즘을 활용해 원을 검출한다.
허프 원 변환 알고리즘은 2차원 평면이 아닌, 3차원 누산 평면을 검출한다.
2차원 공간 (x, y)에서 3차원 공간 (x, y, z)로 변한 것이다.
하지만 이러면 N^3 (n은 차원)바이트 메모리를 필요로 하기 때문에,, 우린 3차원을 2차원으로 나눠서 계산 한다.
(추후 설명은 넘어가겠다. 원 검출은 많이 사용하지 않는다..!?)

허프 원 변환 함수

circles = cv2.HoughCircles(
	image,
	method,
	dp,
	minDist,
	param1 = None,
	param2 = None,
	minRadius = None,
	maxRadius = None
)

• image : 입력 이미지, 8bit 단일 채널 그레이 스케일 형태 이미지 사용 (이진화 x)
• method : 검출 방법, 항상 2단계 허프 변환 21HT를 사용한다.
• dp : 해상도 비율, 원의 중심을 검출하는데 사용하는 누산 평면 해상도, 인수를 1로 지정할 경우 입력이미지와 동일한 해상도를 갖는다. 인수를 2로 지정할 경우 입력 이미지의 1/2 크기로 줄어든다.
• minDist : 최소 거리, 검출된 원과 원 사이의 최소 거리
• param1 : 캐니 엣지 임계값, 허프 변환에서 자체적으로 캐니 엣지를 수행하는데, 이때 사용되는 상위 임계값이다. (하위 임계값은 자동으로 상위임계값의 1/2 값을 갖는다.)
• param2 : 중간 임계값, 누산 평면에 대한 임계값으로 값이 낮을 수록 많은 원들이 검출된다.
• minRadius : 최소 반지름
• maxRadius : 최대 반지름, 원의 반지름 범위

---

허프 원 변환 예제

import cv2

src = cv2.imread("golf_ball.png")
dst = src.copy()

image = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)

circles = cv2.HoughCircles(image, cv2.HOUGH_GRADIENT, 1, 100, param1= 100, param2=35, minRadius=80, maxRadius=120)

for i in circles[0]:
	cv2.circle(dst, (i[0], i[1]), i[2], (255,255,255), 5)


cv2.imshow("dst", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()