OpenCV를 사용한 이미지 데이터 전처리

이미지 데이터 전처리 과정 학습하기

---

시작하기 전에

• opencv-python 라이브러리 설치
• 구글 드라이브 연동 (google colab 사용시)
• 사용 데이터 : 책 “머신러닝 데이터 전처리 입문 - ch5”의 데이터를 사용

# 라이브러리 설치
!pip install opencv-python

import cv2
import numpy as np

# 버전확인
print(cv2.__version__)
print(np.__version__)

# 구글 드라이브 마운트
from google.colab import drive
drive.mount("/content/drive")
DATA_PATH='*colab 데이터 폴더 경로*'
print(DATA_PATH)

---

데이터 이해

데이터 살펴보기

%matplotlib inline
import cv2 
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread(DATA_PATH + '/ants/swiss-army-ant.jpg')
print(img.shape)
# print 결과 : (261, 280, 3)
# 의미 : 이미지의 배열 구성 : 세로값 261, 가로값 280, 컬러 채널 3(R, G, B)
# 이미지 배열 구성 확인
# 세로 사이즈
print(len(img)) # 261
# 가로 사이즈
print(len(img[0])) # 280
# 컬러 체널
print(len(img[0][0])) # 3

# 이미지 픽셀 값 확인
# print(img)
# print(img[:3])

plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.show()

데이터 그레이 스케일

• 그레이 스케일(gray scale) : 채널3(rgb)로 이루어진 데이터를 채널1으로 변환
• 하는 이유 : 연산 속도와 메모리사용량을 줄이기 위함

# 그레이 스케일
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

#이미지 사이즈 확인
print(gray_img.shape)
# print 결과 : (261, 280)

#이미지 표시
plt.imshow(gray_img, cmap='gray')
plt.show()

데이터 이진화

• 그레이스케일 이미지보다 더 정보를 줄여서 특징량을 돋보이게 함.
• 픽셀값이 경계값보다 크면 백(255), 작으면 흑(0)으로 주어 흑백 이미지로 변환 : 이미지 임계처리
• 참고사항
  • 오츠의 이진화 알고리즘 : 명암 분포가 가장 균일할 때의 임계값을 선택하는 알고리즘

# 데이터 이진화
ret, bin_img = cv2.threshold(gray_img,
                             128, 255, # 경계값 투입
                             cv2.THRESH_BINARY)

# 데이터 구성 알아보기
print(bin_img)
print(bin_img.shape)
# [[  0   0   0 ...   0   0   0]
#  [  0   0   0 ...   0   0   0]
#  [  0   0   0 ... 255   0   0]
#  ...
#  [  0   0   0 ...   0   0   0]
#  [  0   0 255 ...   0   0   0]
#  [  0   0   0 ...   0   0   0]]
# (261, 280)

# 이미지 표시
plt.imshow(bin_img, cmap='gray')
plt.show()

---

데이터 전처리 과정 - PCA

데이터 수집

# 이미지 폴더 지정
import os
import cv2
import numpy as np
import pandas as pd

# 이미지 폴더 지정
dirs = ['ants', 'bees']

# 이미지의 픽셀값과 레이블을 보전하기 위한 리스트 생성

pixels = [] # 설명변수
labels = [] # 목적변수

for i, d in enumerate(dirs):

  # 파일명을 취득
  files = os.listdir(DATA_PATH + '/' + d)
  
  for f in files:
    # 이미지를 그레이 스케일로 READ
    img = cv2.imread(DATA_PATH + '/' + d + '/' + f, 0)
    
    # 이미지 리사이징
    img = cv2.resize(img, (128,128))
    
    # 픽셀값을 보전
    img = np.array(img).flatten().tolist()
    pixels.append(img)

    #  이미지의 Label을 리스트에 보존
    labels.append(i)

# 픽셀값을 데이터 프레임 형식으로 변환
pixels_df = pd.DataFrame(pixels)
pixels_df = pixels_df/255 # 정규화

# Label을 데이터 프레임 형식으로 변환
labels_df = pd.DataFrame(labels)
labels_df = labels_df.rename(columns = {0:'label'})

# 2개의 데이터 프레임을 수평결합
img_set = pd.concat([pixels_df, labels_df], axis=1)
img_set.head()

모폴로지 변환

• 모폴로지(Morphology) 기법
  • 홀 채우기, 잡음 제거 등 이진화 과정에서 발생하는 불명확한 물체 영역을 명확하게 함
  • 압축, 팽창, 오프닝, 클로징 등의 처리를 함
• 압축(Erosion)
  • 이미지의 필터를 슬라이드하면서 필터의 픽셀값을 정리
  • 필터의 픽셀값이 전부 1(백)일 경우에만 1, 그렇지 않은 경우 0 출력
  • 객체의 돌출부를 제거하는데 유용
  • 배경 노이즈를 제거하는데 유용
  • 객체 내부 노이즈는 확대시키는 단점이 존재

# 이미지 불러오기
img = cv2.imread(DATA_PATH + '/ants/swiss-army-ant.jpg', 0)

# 이진화 이미지로 변환
ret, bin_img = cv2.threshold(img, 128,255,cv2.THRESH_BINARY)

# 이미지 압축
kernel = np.ones((3,3), np.uint8) # (3*3) : 필터 크기 / np.uint8 : 데이터타입

img_el = cv2.erode(bin_img, kernel, iterations=1) # 필터 kernel를 적용하고 압축
plt.imshow(img_el, cmap='gray')

• 팽창(Dilation)
  • 압축과 반대되는 처리
  • 필터의 픽셀값이 하나라도 1(백)이면 1 출력
  • 압축과 반대로 배경의 노이즈 확대, 객체 내부 노이즈 제거

    img_dl = cv2.dilate(bin_img, kernel, iterations=1)
    plt.imshow(img_dl, cmap='gray')
  

• 오프닝(Opening)
  • 압축 후 팽창
• 클로징(Closing)
  • 팽창 후 압축

PCA에 의한 차원 압축

from sklearn.decomposition import PCA

# 주성분분석의 누적 기여율 95%까지 추출하겠다
pca = PCA(0.95)

pixels_pca = pca.fit_transform(pixels_df)

# 주성분 확인
print(pca.n_components_)
plt.plot(pca.explained_variance_ratio_)
plt.show()

# PCA를 적용한 설명변수와 목적변수 결합
img_set_pca = pd.concat([pd.DataFrame(pixels_pca), labels_df], axis=1)
img_set_pca.head()

# PCA적용 전후 이미지

# 적용 전
plt.imshow(np.array(pixels_df)[4].reshape(128,128), cmap='gray')
plt.show()

# 적용 후 복원
pixels_low = pca.inverse_transform(pixels_pca)
plt.imshow(pixels_low[4].reshape(128,128), cmap='gray')
plt.show()