import cv2 as cv
import numpy as np
import math
import queue
SIGMA = 1.0
LOW_T = 0.25 * 255
HIGH_T = 0.1 * 255
def gauss(y,x,sigma):
value = math.exp(-(x**2+y**2)/(2*sigma**2))
return value/(2*math.pi*sigma**2)
SOBEL_Y = np.array([
[-1,-2,-1],
[0,0,0],
[1,2,1]
])
SOBEL_X = np.array([
[-1,0,1],
[-2,0,2],
[-1,0,1]
])
DIRECTION_LIST = [(-1,0,1,0),(-1,1,1,-1),(0,1,0,-1),(-1,-1,1,1)]
yx_list = [(-1,-1),(-1,0),(-1,1),(0,-1),(0,1),(1,-1),(1,0),(1,1)]
FILTER_SIZE = int(SIGMA*6)
if FILTER_SIZE % 2 == 0:
FILTER_SIZE += 1
print('filtersize : ',FILTER_SIZE)
ROI = cv.imread('1.jpg')
ROI_GRAY = cv.cvtColor(ROI,cv.COLOR_BGR2GRAY)
map_dy = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
map_dx = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
mag_map = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
dir_map = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]),dtype=np.uint8)
gaussblurred = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
edge_map = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
visited = np.zeros((ROI_GRAY.shape[0],ROI_GRAY.shape[1]))
gauss_filter = np.zeros((FILTER_SIZE,FILTER_SIZE))
SIZE = int(FILTER_SIZE//2)
# 가우시안 필터를 구함
for x in range(FILTER_SIZE):
for y in range(FILTER_SIZE):
# a = math.exp(-(((y-(FILTER_SIZE//2))**2) + ((x-(FILTER_SIZE//2))**2))/2*SIGMA**2)
# b = 1/(2* math.pi * SIGMA**2)
gauss_value = gauss(x-SIZE,y-SIZE,SIGMA)
gauss_filter.itemset(x,y,gauss_value)
print('gaussian filter has been created.')
# 가우시안 필터를 적용시켜 노이즈 제거
for i in range(SIZE,ROI_GRAY.shape[0]-SIZE):
for j in range(SIZE,ROI_GRAY.shape[1]-SIZE):
value = 0.0
for r in range(-SIZE,SIZE+1):
for c in range(-SIZE,SIZE+1):
value += gauss_filter.item(r+SIZE,c+SIZE) * ROI_GRAY.item(i+r,j+c)
gaussblurred.itemset(i,j,value)
print('blurred_img has been created.')
# 소벨 필터를 사용하여 엣지검출
for i in range(1,gaussblurred.shape[0]-1):
for j in range(1,gaussblurred.shape[1]-1):
value1 = 0.0
value2 = 0.0
for r in range(-1,2):
for c in range(-1,2):
value1 += SOBEL_X.item(r+1,c+1) * gaussblurred.item(i+r,j+c)
value2 += SOBEL_Y.item(r+1,c+1) * gaussblurred.item(i+r,j+c)
map_dx.itemset(i,j,value1)
map_dy.itemset(i,j,value2)
print('edge has been created.')
# x축과 y축으로 검출된 엣지를 사용하여 각 픽셀에서의 그래디언트 크기와 방향을 구함
for i in range(gaussblurred.shape[0]):
for j in range(gaussblurred.shape[1]):
magnitude = math.sqrt(map_dx.item(i,j)**2 +map_dy.item(i,j)**2)
direction = math.atan2(map_dy.item(i,j),map_dx.item(i,j)) + 90 # 엣지방향은 그래디언트 방향에 수직
direction = (direction/360)*8
mag_map.itemset(i,j,magnitude)
dir_map.itemset(i,j,direction)
print('gradient has been computed.')
# 비최대억제를 통해 가짜 엣지를 제거함
'''
비최대 억제의 경우 자신 주변의 픽셀(엣지 방향에 따라 참조픽셀 위치가 다름)들 보다
그래디언트 크기가 작으면 엣지에서 제외함.
'''
for i in range(1,gaussblurred.shape[0]-1):
for j in range(1,gaussblurred.shape[1]-1):
y1,x1,y2,x2 = DIRECTION_LIST[int(dir_map.item(i,j))%4]
y1 += i
x1 += j
y2 += i
x2 += j
if mag_map.item(i,j) <= mag_map.item(y1,x1) or mag_map.item(i,j) <= mag_map.item(y2,x2):
mag_map.itemset(i,j,0)
print('fake edges have been deleted.')
# def follow_edge(y,x):
# visited.itemset(y,x,1)
# edge_map.itemset(y,x,255)
# for y1,x1 in yx_list:
# if mag_map.item(y1+y,x1+x)>LOW_T and visited.item(y1+y,x1+x) == 0:
# follow_edge(y1+y,x1+x)
# 이력임계값을 사용하여 엣지 추정
'''
이력임계값은 우선 엣지일 확률이 높은(임계값T_high보다 큰)곳에서 엣지추적을 시작함.
그 주변 엣지들을 대상으로 픽셀이 T_low보다 큰값을 가지면 엣지로 간주.
'''
Q = queue.Queue()
for i in range(1,edge_map.shape[0]-1):
for j in range(1,edge_map.shape[1]-1):
if mag_map.item(i,j) > HIGH_T and visited.item(i,j) == 0:
# follow_edge(i,j)
Q.put((i,j))
while not Q.empty():
y, x = Q.get()
visited.itemset(y,x,1)
edge_map.itemset(y,x,255)
for y1,x1 in yx_list:
if mag_map.item(y1+y,x1+x)>LOW_T and visited.item(y1+y,x1+x) == 0:
visited.itemset(y1+y,x1+x,1)
edge_map.itemset(y1+y,x1+x,255)
Q.put((y+y1,x+x1))
print('found edges.')
cv.imshow('canny_edge',edge_map)
cv.waitKey(0)
cv.destroyAllWindows()
Canny Edge Detection 알고리즘을 사용하여 최대한 low level로 구현해본 파이썬 프로그램이다.
이해가 완벽하지 않은 상태에서 구현한 것이기 때문에, 그럴싸한 결과가 출력되지만 완벽한지 검증하지는 못했다.
또한 참고한 책에서 재귀 호출로 알고리즘이 소개되어 있었는데, 이를 적용하니 Stack Overflow가 발생하여 Queue를 사용하는 방식으로 바꾸었다.
다만 최적화는 고려하지 않았기 때문에, 그 때문에 처리 속도가 매우 느리다.
