φυβλαςのβλογ
phyblasのブログ



opencv-python เบื้องต้น บทที่ ๙: การใช้ตัวกรองเพื่อค้นหาหรือเน้นส่วนขอบ
เขียนเมื่อ 2020/06/28 18:57
แก้ไขล่าสุด 2021/09/28 16:42

ต่อจาก บทที่ ๘

ในบทที่แล้วได้พูดถึงการใช้ตัวกรองเพื่อทำคอนโวลูชันไปแล้ว

บทนี้ก็ยังคงเป็นเรื่องของตัวกรองเช่นกัน แต่จะมาพูดถึงการใช้ตัวกรองเพื่อทำการเน้นขอบ ซึ่งมีอยู่หลายวิธีด้วยกัน




ตัวกรองเพื่อเน้นขอบ

ประโยชน์อย่างหนึ่งของการใช้ตัวกรองทำคอนโวลูชันก็คือการค้นหาส่วนที่เป็นขอบ คือบริเวณที่มีการเปลี่ยนความเข้มสีอย่างชัดเจน

ตัวกรองสำหรับเน้นขอบก็คือตัวกริงที่เมื่อนำมาใช้คอนโวลูชันกับภาพแล้วจะทำให้ได้ค่าตรงบริเวณที่เป็นขอบของภาพเป็นค่าสูงขึ้นมา

มีหลายแนวคิดในการทำตัวกรองในลักษณะแบบนั้น ที่ง่ายที่สุดก็คือตัวกรองเพรวิต (Prewitt filter) ซึ่งมีลักษณะแบบนี้



ในที่นี้ตัวกรอง Kx จะตรวจจับบริเวณที่มีการเปลี่ยนแปลงในแนวนอน (เส้นขอบแนวตั้ง) ส่วน Ky จะตรวจจับบริเวณที่มีการเปลี่ยนแปลงแนวตั้ง (เส้นขอบแนวนอน)

ที่ทำแบบนั้นได้ก็เพราะค่าของตัวกรองเรียงกันตามแนวตั้งหรือแนวนอนอย่างใดอย่างหนึ่ง โดยค่ารวมกันทั้งหมดเป็น 0 ดังนั้นถ้าเจอบริเวณที่ค่าเปลี่ยนอย่างรวดเร็วก็จะเกิดค่าเป็นบวกหรือลบอย่างชัดเจน แต่ถ้าบริเวณไหนไม่มีการเปลี่ยนแปลงก็จะเป็น 0

ลองทดสอบโดยการสร้างอาเรย์ง่ายๆขึ้นมาแล้วสร้างตัวกรองทั้ง ๒ แบบมาใช้ทำคอนโวลูชันด้วยฟังก์ชัน cv2.filter2D() แล้วดูผลที่ได้ด้วย matplotlib
import cv2
import numpy as np
import matplotlib.pyplot as plt

# ตัวกรองแนวนอน
prewittx = np.array([[-1,0,1],
                     [-1,0,1],
                     [-1,0,1]])
# ตัวกรองแนวตั้ง
prewitty = np.array([[-1,-1,-1],
                     [0,0,0],
                     [1,1,1]])
# ภาพที่ต้องการพิจารณา
arr = np.array([[0,1,1,1,0,0],
                [0,1,1,1,1,0],
                [0,1,1,1,1,1],
                [0,1,1,1,1,1],
                [0,1,1,1,1,0],
                [0,1,1,1,1,0]],
               dtype=np.float32)

plt.figure(figsize=[4,10])
plt.subplot(311) # วาดภาพเดิม
plt.imshow(arr,cmap='gray')

plt.subplot(312) # ใช้ตัวกรองแนวนอน
plt.imshow(cv2.filter2D(arr,-1,prewittx),cmap='jet')
plt.colorbar(pad=0.01,aspect=40)

plt.subplot(313) # ใช้ตัวกรองแนวตั้ง
plt.imshow(cv2.filter2D(arr,-1,prewitty),cmap='jet')
plt.colorbar(pad=0.01,aspect=40)

plt.show()


อาเรย์ตัวอย่างในที่นี้มีการเปลี่ยนแปลงอย่างเด่นชัดในแนวนอน ผลลัพธ์จะเห็นว่าตัวกรองแนวนอนให้ค่าเป็นบวกหรือลบอย่างมากตรงบริเวณที่เป็นขอบ

ข้อควรระวังอย่างหนึ่งก็คือ เมื่อใช้ตัวกรองแบบนี้แล้วจะทำให้เกิดค่าติดลบได้ ดังนั้นถ้าข้อมูลภาพเป็น uint8 อยู่ควรเปลี่ยนชนิดข้อมูลเป็น float32 เพื่อให้มีค่าติดลบได้

ส่วนการแสดงผลใน matplotlib เมื่อมีสีเดียวแบบนี้จะแสดงสีโดยไล่จากค่าต่ำสุดไปสูงสุดอยู่แล้ว แม้จะติดลบก็สามารถแสดงผลได้ ในที่นี้ใช้สีรุ้ง พร้อมวาดแถบสีบอกค่าไว้ทางขวาด้วยเพื่อให้เห็นชัด

ลองเปลี่ยนเป็นอาเรย์แบบนี้แล้วใช้ตัวกรองดูใหม่ คราวนี้เน้นส่วนเปลี่ยนในแนวตั้ง จะเห็นว่าตัวกรองแนวตั้งเห็นค่าบวกลบชัดเจน
arr = np.array([[1,1,1,0,0,0],
                [1,1,1,1,1,1],
                [1,1,1,1,1,1],
                [1,1,1,1,1,1],
                [0,0,0,0,1,1],
                [0,0,0,0,0,0]],
               dtype=np.float32)


คราวนี้ลองเอามาใล้กับภาพที่เตรียมเอาไว้ดูบ้าง แม้จะเป็นภาพสีแต่เวลาค้นหาขอบมักจะแปลงเป็นขาวดำ ดังนั้นจะเปิดในโหมดขาวดำโดยใส่แฟล็ก cv2.IMREAD_GRAYSCALE ตอนอ่านภาพ


miku09c01.jpg

miku = cv2.imread('miku09c01.jpg',cv2.IMREAD_GRAYSCALE).astype(np.float32)

plt.figure(figsize=[6,11])

plt.subplot(311,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.colorbar(pad=0.01)

plt.subplot(312,xticks=[],yticks=[])
plt.imshow(cv2.filter2D(miku,-1,prewittx),cmap='copper')
plt.colorbar(pad=0.01)

plt.subplot(313,xticks=[],yticks=[])
plt.imshow(cv2.filter2D(miku,-1,prewitty),cmap='copper')
plt.colorbar(pad=0.01)

plt.tight_layout()
plt.show()


ผลที่ได้จะได้ภาพที่เน้นขอบในแนวตั้งและแนวนอนต่างกันไป




ตัวกรองโซเบล

ตัวกรองเพรวิตดังที่กล่าวมาข้างต้นเป็นรูปแบบตัวกรองอย่างง่ายๆซึ่งเป็นพื้นฐาน แต่ในทางปฏิบัติแล้วที่นิยมใช้จริงๆคือตัวกรองโซเบล (Sobel filter)



ข้อแตกต่างจากตัวกรองเพรวิตคือเพิ่มค่าตรงกลางจาก 1,-1 เป็น 2,-2 เพื่อเน้นตรงกลางมากขึ้น

ใน opencv ได้เตรียมฟังก์ชันสำหรับทำตัวกรองโซเบลไว้โดยไม่จำเป็นต้องสร้างเอง นั่นคือฟังก์ชัน cv2.Sobel()

ลำดับ ชื่อ สิ่งที่ต้องใส่ ชนิดข้อมูล
1 src อาเรย์รูปภาพ np.array
2 ddepth ชนิดตัวแปรในอาเรย์ flag (int)
3 dx ขนาดตัวกรองแกน x int
4 dy ขนาดตัวกรองแกน y int

หากต้องการตัวกรองโซเบลแนวนอน (กรองขอบแนวตั้ง) ให้ใส่เป็น cv2.Sobel(ภาพ,-1,1,0) ถ้าต้องการตัวกรองในแนวตั้ง (กรองขอบแนวนอน) ให้ใส่ cv2.Sobel(ภาพ,-1,0,1)

ลองใช้กับภาพเดิมที่ใช้ในตัวอย่างที่แล้วแต่เปลี่ยนเป็นตัวกรองโซเบลแทน
miku = cv2.imread('miku09c01.jpg',0).astype(np.float32)
plt.figure(figsize=[6,11])

plt.subplot(311,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.colorbar(pad=0.01)

plt.subplot(312,xticks=[],yticks=[])
plt.imshow(cv2.Sobel(miku,-1,1,0),cmap='copper')
plt.colorbar(pad=0.01)

plt.subplot(313,xticks=[],yticks=[])
plt.imshow(cv2.Sobel(miku,-1,0,1),cmap='copper')
plt.colorbar(pad=0.01)

plt.tight_layout()
plt.show()





ตัวกรองชาร์

ใน opencv ยังมีเตรียมตัวกรองอีกอันที่คล้ายกับตัวกรองโซเบล คือตัวกรองชาร์ (Scharr filter) โดยฟังก์ชันcv2.Scharr()



วิธีการใช้คล้ายกับตัวกรองโซเบล ผลที่ได้ก็ใกล้เคียงกัน

ตัวอย่าง ลองใช้กับภาพเดิม
miku = cv2.imread('miku09c01.jpg',0).astype(np.float32)
plt.figure(figsize=[6,11])

plt.subplot(311,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.colorbar(pad=0.01)

plt.subplot(312,xticks=[],yticks=[])
plt.imshow(cv2.Scharr(miku,-1,1,0),cmap='copper')
plt.colorbar(pad=0.01)

plt.subplot(313,xticks=[],yticks=[])
plt.imshow(cv2.Scharr(miku,-1,0,1),cmap='copper')
plt.colorbar(pad=0.01)

plt.tight_layout()
plt.show()





ตัวกรองลาปลาเชียน

ทั้งตัวกรองเพรวิต, ตัวกรองโซเบล และตัวกรองชาร์ ซึ่งแนะนำมาในตัวอย่างที่ผ่านมานั้นจะเน้นขอบที่ปรากฏในแนวตั้งหรือแนวนอนอย่างใดอย่างหนึ่ง ส่วนกรณีที่ต้องการเน้นขอบทั้ง ๒ แนวเท่าๆกันนั้นอาจใช้ตัวกรองลาปลาเซียน (Laplacian filter)



จะเห็นว่ามีสมมาตรในแนวตั้งและแนวนอน

ตัวกรองลาปลาเซียนนี้มีที่มาจากตัวดำเนินการลาปลาเซียน ∇2 ซึ่งทำการคำนวณอนุพันธ์ย่อยอันดับที่สองของทั้งในแนวแกน x และ y

ต่อไปเป็นหลักการคำนวณซึ่งเป็นที่มาของตัวกรองลาปลาเซียน (ตรงนี้เป็นคณิตศาสตร์ระดับมหาวิทยาลัย ถ้าไม่สนใจรู้ลึกถึงขนาดนั้นอาจอ่านข้ามไปดูโค้ดได้เลย)

ให้ M(x,y) เป็นค่าความเข้มในตำแหน่ง (x,y) อนุพันธ์ย่อยทั้งในแกน x และ y อาจคำนวณได้โดย



จากนั้นคำนวณอนุพันธ์อันดับสอง



ลาปลาเซียนได้จากการเอาอนุพันธ์ย่อยอันดับสองทั้งหมดมารวมกัน ได้เป็น



ดังนั้นจึงได้ตัวกรองออกมาในลักษณะที่มี -4 ตรงกลาง และ +1 ที่บนล่างซ้ายขวา

ใน opencv มีฟังก์ชันสำหรับทำลาปลาเซียน คือ cv2.Laplacian()

ลองสร้างอาเรย์ง่ายๆขึ้นมาแล้วใช้ตัวกรองลาปลาเซียนกรองดู
arr = np.array([[0,1,1,1,0,0,0],
                [0,1,1,1,1,0,0],
                [0,0,1,1,1,1,0],
                [0,0,1,1,1,1,0],
                [0,0,1,1,1,1,0],
                [0,0,0,0,1,0,0],
                [0,0,0,0,0,0,0]],
               dtype=np.float32)

plt.figure(figsize=[4,7])
plt.subplot(211)
plt.imshow(arr,cmap='gray')
plt.subplot(212)
plt.imshow(cv2.Laplacian(arr,-1),cmap='jet')
plt.colorbar(pad=0.01,aspect=40)
plt.tight_layout()
plt.show()


ผลลัพธ์จะเห็นว่าตรงที่เป็นจุดเปลี่ยนจะเป็นบวกและลบอย่างชัดเจนขึ้นมา ส่วนจุดที่ห่างไกลจากจุดเปลี่ยนจะเป็น 0 ดังนั้นส่วนขอบจึงถูกเน้นได้ด้วยตัวกรองนี้

คราวนี้ลองนำมาใช้กับภาพเดิมจากในตัวอย่างที่แล้ว
miku = cv2.imread('miku09c01.jpg',0).astype(np.float32)
plt.figure(figsize=[6,7.5])

plt.subplot(211,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.colorbar(pad=0.01)

plt.subplot(212,xticks=[],yticks=[])
plt.imshow(cv2.Laplacian(miku,-1),cmap='copper')
plt.colorbar(pad=0.01)

plt.tight_layout()
plt.show()


ผลที่ได้จะเน้นส่วนที่เป็นขอบไม่ว่าจะแนวไหน




ตัวกรองสร้างลายนูน

ตัวกรองอีกรูปแบบสำหรับทำเน้นขอบก็คือการทำเป็นลายนูน (emboss)

ตัวกรองสร้างลายนูนมีลักษณะแบบนี้



ลักษณะจะใกล้เคียงกับตัวกรองโซเบล แต่อยู่ในแนวเฉียง

ตัวอย่าง ใช้กับภาพเดิมจากตัวอย่างที่แล้ว

ใน opencv ไม่ได้เตรียมฟังก์ชันสำหรับสร้างลายนูนไว้โดยเฉพาะ จึงต้องสร้างตัวกรองขึ้นเองแล้วนำมาใช้ใน cv2.filter2D()

miku = cv2.imread('miku09c01.jpg',0).astype(np.float32)
emboss = np.array([[-2,-1,0],
                   [-1,1,1],
                   [0,1,2]])

plt.figure(figsize=[6,7.5])
plt.subplot(211,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.colorbar(pad=0.01)
plt.subplot(212,xticks=[],yticks=[])
plt.imshow(cv2.filter2D(miku,-1,emboss),cmap='copper')
plt.colorbar(pad=0.01)
plt.tight_layout()
plt.show()


เมื่อใช้ตัวกรองสร้างลายนูนแล้วก็ทำให้ภาพดูมีมิติขึ้นมา




วิธีการค้นหาขอบของคันนี

อีกวิธีที่นิยมใช้ในการค้นหาของก็คือการใช้วิธีการของคันนี (Canny) วิธีนี้ประกอบไปด้วยหลายขั้นตอนเพื่อทำการคัดกรองเอาส่วนที่เป็นขอบ ในนั้นมีการใช้ตัวกรองเกาส์และตัวกรองโซเบลเข้าร่วมด้วย

ฟังก์ชันสำหรับใช้ตัวกรองคันนีใน opencv คือ cv2.Canny() ค่าที่ต้องใส่ในฟังก์ชันเป็นดังนี้

ลำดับ ชื่อ สิ่งที่ต้องใส่ ชนิดข้อมูล
1 image อาเรย์รูปภาพ np.array
2 threshold1 ค่าจุดเปลี่ยน 1 int
2 threshold2 ค่าจุดเปลี่ยน 2 int

ในที่นี้ threshold1 และ threshold2 คือค่าจุดเปลี่ยนสำหรับคัดกรองว่าตรงไหนควรจะเป็นขอบ โดยภายในกระบวนการของวิธีนี้จะมีการคำนวณค่าความน่าจะเป็นขอบของแต่ละจุดอยู่ จากนั้นค่านั้นจะถูกนำมาพิจารณาโดยดูค่ากรองต่ำสุดและสูงสุดดังนี้

จุดที่ค่าต่ำกว่าค่ากรองต่ำสุด 0 (ไม่ใช่ขอบ)
จุดที่ค่าอยู่ระหว่าง
ค่ากรองต่ำสุดและสูงสุด
ถ้าไม่มีจุดที่ค่าสูงกว่าค่ากรองสูงสุดอยู่ข้างๆ
ถ้ามีจุดที่ค่าสูงกว่าค่ากรองสูงสุดอยู่ข้างๆ 255 (เป็นขอบ)
จุดที่ค่าสูงกว่าค่ากรองสูงสุด

threshold1 และ threshold2 ที่ใส่ลงไปนี้ตัวหนึ่งจะเป็นค่ากรองสูงสุด อีกตัวเป็นค่ากรองต่ำสุด จะใส่ตัวไหนเป็นค่ามากกว่าก็ได้ ใส่สลับกันก็ไม่มีผลต่างกัน

อาเรย์ภาพที่ใช้กับตัวกรองนี้ใช้เป็น uint8 เท่านั้น ไม่ต้องแปลงเป็น float32 เหมือนอย่างวิธีอื่นที่กล่าวมาข้างต้น

ผลที่ได้จากตัวกรองคันนีจะออกมาเป็นค่าที่มีแค่ ๒ ค่า คือส่วนที่เป็นขอบและส่วนที่ไม่เป็นขอบเท่านั้น โดยส่วนที่เป็นขอบจะได้ค่าเป็น 255 และที่ไม่ใช่ขอบจะเป็น 0 ชนิดข้อมูลที่ได้ก็จะเป็น uint8 เสมอ

ลองใช้กับภาพเดิมจากในตัวอย่างที่แล้ว
miku = cv2.imread('miku09c01.jpg',0)
plt.figure(figsize=[6,9])
plt.subplot(211,xticks=[],yticks=[])
plt.imshow(miku,cmap='gray')
plt.subplot(212,xticks=[],yticks=[])
plt.imshow(cv2.Canny(miku,50,100),cmap='copper')
plt.tight_layout()
plt.show()


ลองอีกตัวอย่างเพื่อเปรียบเทียบผลลัพธ์ระหว่างค่าจุดเปลี่ยนต่างกัน


rin09c01.jpg
rin = cv2.imread('rin09c01.jpg',0)
plt.figure(figsize=[6,7.5])
thr = [(0,50),(0,100),(50,100),(50,150),(100,150),(100,200)]
for i in range(6):
    plt.subplot(321+i,xticks=[],yticks=[],title='threshold = (%d,%d)'%thr[i])
    carin = cv2.Canny(rin,thr[i][0],thr[i][1])
    plt.imshow(carin,cmap='copper')

plt.tight_layout()
plt.show()


จะเห็นว่ายิ่งกำหนดค่าต่ำก็จะยิ่งคัดกรองเอาจุดที่เป็นขอบมามาก แต่ก็มีส่วนที่อาจไม่ได้ต้องการปนมามากขึ้น



อ่านบทถัดไป >> บทที่ ๑๐



-----------------------------------------

囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧囧

ดูสถิติของหน้านี้

หมวดหมู่

-- คอมพิวเตอร์ >> เขียนโปรแกรม >> opencv
-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> numpy
-- คอมพิวเตอร์ >> เขียนโปรแกรม >> python >> matplotlib

ไม่อนุญาตให้นำเนื้อหาของบทความไปลงที่อื่นโดยไม่ได้ขออนุญาตโดยเด็ดขาด หากต้องการนำบางส่วนไปลงสามารถทำได้โดยต้องไม่ใช่การก๊อปแปะแต่ให้เปลี่ยนคำพูดเป็นของตัวเอง หรือไม่ก็เขียนในลักษณะการยกข้อความอ้างอิง และไม่ว่ากรณีไหนก็ตาม ต้องให้เครดิตพร้อมใส่ลิงก์ของทุกบทความที่มีการใช้เนื้อหาเสมอ

目次

日本による名言集
モジュール
-- numpy
-- matplotlib

-- pandas
-- manim
-- opencv
-- pyqt
-- pytorch
機械学習
-- ニューラル
     ネットワーク
javascript
モンゴル語
言語学
maya
確率論
日本での日記
中国での日記
-- 北京での日記
-- 香港での日記
-- 澳門での日記
台灣での日記
北欧での日記
他の国での日記
qiita
その他の記事

記事の類別



ติดตามอัปเดตของบล็อกได้ที่แฟนเพจ

  記事を検索

  おすすめの記事

ตัวอักษรกรีกและเปรียบเทียบการใช้งานในภาษากรีกโบราณและกรีกสมัยใหม่
ที่มาของอักษรไทยและความเกี่ยวพันกับอักษรอื่นๆในตระกูลอักษรพราหมี
การสร้างแบบจำลองสามมิติเป็นไฟล์ .obj วิธีการอย่างง่ายที่ไม่ว่าใครก็ลองทำได้ทันที
รวมรายชื่อนักร้องเพลงกวางตุ้ง
ภาษาจีนแบ่งเป็นสำเนียงอะไรบ้าง มีความแตกต่างกันมากแค่ไหน
ทำความเข้าใจระบอบประชาธิปไตยจากประวัติศาสตร์ความเป็นมา
เรียนรู้วิธีการใช้ regular expression (regex)
การใช้ unix shell เบื้องต้น ใน linux และ mac
g ในภาษาญี่ปุ่นออกเสียง "ก" หรือ "ง" กันแน่
ทำความรู้จักกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง
ค้นพบระบบดาวเคราะห์ ๘ ดวง เบื้องหลังความสำเร็จคือปัญญาประดิษฐ์ (AI)
หอดูดาวโบราณปักกิ่ง ตอนที่ ๑: แท่นสังเกตการณ์และสวนดอกไม้
พิพิธภัณฑ์สถาปัตยกรรมโบราณปักกิ่ง
เที่ยวเมืองตานตง ล่องเรือในน่านน้ำเกาหลีเหนือ
ตระเวนเที่ยวตามรอยฉากของอนิเมะในญี่ปุ่น
เที่ยวชมหอดูดาวที่ฐานสังเกตการณ์ซิงหลง
ทำไมจึงไม่ควรเขียนวรรณยุกต์เวลาทับศัพท์ภาษาต่างประเทศ

月別記事

2023年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2022年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2021年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2020年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

2019年

1月 2月 3月 4月
5月 6月 7月 8月
9月 10月 11月 12月

もっと前の記事

ไทย

日本語

中文