OpenCV 색 공간 C++, Python

 

이 튜토리얼에서는 컴퓨터 비전에서 널리 사용되는 색상 공간에 대해 알아보고, 이를 색상 기반 분할에 활용해 보겠습니다. 또한 C++와 Python으로 작성된 데모 코드도 공유합니다.

 

1975년, 헝가리 특허 HU170062는 43,252,003,274,489,856,000(43경)의 가능성 중 단 하나의 정답만을 찾는 퍼즐을 선보였습니다. 현재 루빅큐브로 알려진 이 발명품은 2009년 1월까지 3억 5천만 개 이상 판매되며 전 세계를 휩쓸었습니다.

 

 

 

 

며칠 전 친구 마크가 컴퓨터 비전 기반 자동 루빅큐브 풀이기를 만들겠다는 아이디어를 냈을 때 정말 흥미로웠습니다. 마크는 색상 분할을 사용하여 큐브의 현재 상태를 알아내려고 했는데, 그의 색상 분할 코드는 방 안에서는 저녁 시간에는 꽤 잘 작동했지만, 방 밖에서는 낮에 제대로 작동하지 않았습니다!

 

그는 제게 도움을 요청했고, 저는 그가 어디에서 잘못했는지 바로 이해했습니다. 다른 많은 아마추어 컴퓨터 비전 애호가들처럼, 그는 색상 분할을 할 때 다양한 조명 조건의 영향을 고려하지 않았습니다. 피부색 감지, 신호등 인식 등 색상 기반 분할을 사용하는 많은 컴퓨터 비전 애플리케이션에서 이러한 문제가 발생합니다. 그의 로봇을 위한 강력한 색상 감지 시스템을 구축하는 데 어떻게 도움을 줄 수 있는지 살펴보겠습니다.

 

이 기사는 다음과 같이 구성되어 있습니다.

 

• 먼저 OpenCV에서 이미지를 읽고 이를 다양한 색상 공간으로 변환하는 방법을 살펴보고, 각 색상 공간의 다양한 채널이 어떤 새로운 정보를 제공하는지 살펴보겠습니다.
• 우리는 마크가 한 간단한 색상 분할 알고리즘을 적용하고 그 약점을 생각해 보겠습니다.
• 그런 다음 분석에 들어가 체계적인 방법을 사용하여 다음을 선택합니다.
• 올바른 색상 공간.
• 세분화를 위한 올바른 임계값.
• 결과를 확인하세요

 

다양한 색상 공간

 

이 섹션에서는 컴퓨터 비전에 사용되는 몇 가지 중요한 색 공간에 대해 살펴보겠습니다. 위키피디아에서 찾을 수 있으므로, 색 공간의 이론은 설명하지 않겠습니다. 대신, 기본적인 직관을 키우고 나중에 의사 결정에 유용한 몇 가지 중요한 속성을 알아보겠습니다.

 

같은 정육면체의 두 이미지를 불러와 보겠습니다. 기본적으로 BGR 형식으로 불러와집니다. 나중에 설명하겠지만 OpenCV 함수 cvtColor() 를 사용하여 서로 다른 색공간 간에 변환할 수 있습니다.

 

#python
bright = cv2.imread('cube1.jpg')
dark = cv2.imread('cube8.jpg')

 

//C++
bright = cv::imread('cube1.jpg')
dark = cv::imread('cube8.jpg')

 

 

첫 번째 이미지는 밝은 햇빛이 비치는 실외에서 촬영한 것이고, 두 번째 이미지는 일반적인 조명 조건의 실내에서 촬영한 것입니다.

 

다양한 조명 하에 있는 두 개의 큐브

 

 

그림 1 : 서로 다른 조명에서 촬영한 동일한 큐브의 두 이미지

 

RGB 색상 공간

 

RGB 색상 공간은 다음과 같은 속성을 갖습니다.

 

• 이는 빨간색, 녹색, 파란색 값의 선형 조합을 통해 색상을 얻는 가산 색 공간 입니다.
• 세 개의 채널은 표면에 닿는 빛의 양에 따라 상관관계가 있습니다.

 

두 이미지를 R, G, B 구성 요소로 분할하고 이를 관찰하여 색상 공간에 대한 더 자세한 통찰력을 얻어 보겠습니다.

 

 

그림 2 : RGB 색상 공간의 각 채널(파란색(B), 녹색(G), 빨간색(R))이 별도로 표시됨

 

관찰

 

파란색 채널을 살펴보면, 실내 조명 조건에서 두 번째 이미지에서는 파란색과 흰색 조각이 비슷하게 보이지만, 첫 번째 이미지에서는 뚜렷한 차이가 있음을 알 수 있습니다. 이러한 불균일성으로 인해 이 색 공간에서 색상 기반 분할이 매우 어렵습니다. 더 나아가, 두 이미지의 값 사이에는 전반적인 차이가 있습니다. 아래에서는 RGB 색 공간과 관련된 고유한 문제점을 요약했습니다.

 

• 심각한 지각적 불균일성.
• 색차(색상 관련 정보)와 휘도(강도 관련 정보) 데이터를 혼합합니다.

 

LAB 색상 공간

 

Lab 색상 공간에는 세 가지 구성 요소가 있습니다.

 

1. L – 밝기(강도).
2. a – 녹색부터 자홍색까지의 색상 구성 요소입니다.
3. b – 파란색부터 노란색까지의 색상 구성 요소입니다.

 

Lab 색 공간은 RGB 색 공간과 상당히 다릅니다. RGB 색 공간에서는 색상 정보가 세 개의 채널로 구분되지만, 이 세 채널은 밝기 정보도 함께 인코딩합니다. 반면, Lab 색 공간에서는 L 채널이 색상 정보와는 별개로 밝기 정보만 인코딩합니다. 나머지 두 채널은 색상을 인코딩합니다.

 

다음과 같은 특성이 있습니다.

 

• 우리가 색상을 인지하는 방식에 근접한, 지각적으로 균일한 색상 공간입니다.
• 장치에 구애받지 않음(캡처나 표시).
• Adobe Photoshop에서 널리 사용됩니다.
• 복잡한 변환 방정식을 통해 RGB 색상 공간과 관련됩니다.

 

Lab 색상 공간에서 두 이미지를 세 개의 채널로 분리해 보겠습니다.

 

#python
brightLAB = cv2.cvtColor(bright, cv2.COLOR_BGR2LAB)
darkLAB = cv2.cvtColor(dark, cv2.COLOR_BGR2LAB)

 

//C++
cv::cvtColor(bright, brightLAB, cv::COLOR_BGR2LAB);
cv::cvtColor(dark, darkLAB, cv::COLOR_BGR2LAB);

 

 

LAB 구성 요소

 

그림 3: LAB 색상 공간의 명도(L) 및 색상 구성 요소(A, B).

 

관찰

 

• 그림에서 알 수 있듯이 조도의 변화는 주로 L 구성요소에 영향을 미쳤습니다.
• 색상 정보를 담고 있는 A와 B 구성요소는 큰 변화를 겪지 않았습니다.
• A 구성요소의 극단인 녹색, 주황색, 빨간색의 각각의 값은 B 구성요소에서 변경되지 않았으며 마찬가지로 B 구성요소의 극단인 파란색과 노란색의 각각의 값도 A 구성요소에서 변경되지 않았습니다.

 

YCrCb 색상 공간

 

YCrCb 색 공간은 RGB 색 공간에서 파생되었으며 다음의 세 가지 구성 요소를 갖습니다.

 

1. Y – 감마 보정 후 RGB에서 얻은 휘도 또는 루마 구성 요소입니다.
2. Cr = R – Y (빨간색 구성 요소가 루마로부터 얼마나 떨어져 있는지).
3. Cb = B – Y (푸른색 구성 요소가 루마로부터 얼마나 떨어져 있는지).

 

이 색 공간은 다음과 같은 속성을 갖습니다.

 

• 휘도 및 색차 구성요소를 여러 채널로 분리합니다.
• 주로 TV 전송을 위한 압축(Cr 및 Cb 구성 요소)에 사용됩니다.
• 장치에 따라 다릅니다.

#python
brightYCB = cv2.cvtColor(bright, cv2.COLOR_BGR2YCrCb)
darkYCB = cv2.cvtColor(dark, cv2.COLOR_BGR2YCrCb)

 

//C++
cv::cvtColor(bright, brightYCB, cv::COLOR_BGR2YCrCb);
cv::cvtColor(dark, darkYCB, cv::COLOR_BGR2YCrCb);

 

 

YCrCb 색상 공간의 두 이미지를 채널로 분리한 모습이 아래와 같습니다.

 

YCrCb 구성 요소

 

 

그림 4: YCrCb 색 공간의 루마(Y) 및 크로마(Cr, Cb) 구성 요소.

 

관찰

 

• LAB와 유사한 관찰은 조도 변화에 따른 강도 및 색상 구성 요소에 대해서도 이루어질 수 있습니다.
• 실외 이미지에서는 LAB에 비해 빨간색과 주황색의 지각적 차이가 덜 균일합니다.
• 흰색은 3가지 구성 요소 모두에서 변화를 겪었습니다.

 

HSV 색상 공간

 

HSV 색상 공간에는 다음 세 가지 구성 요소가 있습니다.

 

1. H – 색조(주요 파장).
2. S – 채도(순도/색상의 음영).
3. V – 값(강도).

 

그 속성 중 일부를 나열해 보겠습니다.

 

• 가장 좋은 점은 색상을 설명하는 데 단 하나의 채널(H)만 사용하므로 색상을 지정하는 것이 매우 직관적이라는 것입니다.
• 장치에 따라 다릅니다.

 

두 이미지의 H, S, V 구성요소는 아래와 같습니다.

 

#python
brightHSV = cv2.cvtColor(bright, cv2.COLOR_BGR2HSV)
darkHSV = cv2.cvtColor(dark, cv2.COLOR_BGR2HSV)

 

//C++
cv::cvtColor(bright, brightHSV, cv::COLOR_BGR2HSV);
cv::cvtColor(dark, darkHSV, cv::COLOR_BGR2HSV);

 

 

HSV 구성 요소

 

 

그림 5: HSV 색상 공간의 색조(H), 채도(S) 및 값(V) 구성 요소.

 

관찰

 

• 두 이미지의 H 구성 요소는 매우 유사하며, 이는 조명이 바뀌어도 색상 정보가 그대로 유지됨을 나타냅니다.
• S 구성 요소도 두 이미지에서 매우 유사합니다.
• V 컴포넌트는 입사하는 빛의 양을 포착하므로 조명 변화에 따라 변합니다.
• 실외 이미지와 실내 이미지의 빨간색 부분 값 사이에는 큰 차이가 있습니다. 이는 색상이 원으로 표현되고 빨간색이 시작 각도에 있기 때문입니다. 따라서 [300, 360]에서 [0, 60] 사이의 값을 가질 수 있습니다.

 

이러한 색상 공간을 분할에 사용하는 방법

 

가장 간단한 방법

 

이제 다양한 색상 공간에 대한 아이디어를 얻었으니, 먼저 이를 사용하여 큐브에서 녹색을 감지해 보겠습니다.

 

1단계: 특정 색상의 색상 값 가져오기

 

각 색상 공간에서 녹색 값의 대략적인 범위를 구하세요. 이를 위해 아래와 같이 이미지 위에 마우스를 올리기만 하면 각 픽셀의 모든 색상 공간 값을 확인할 수 있는 대화형 GUI를 만들었습니다.

 

다양한 색상 공간의 픽셀 색상

 

 

그림 6: 야외 이미지의 다양한 색상 공간에서 픽셀과 그 값을 보여주는 데모입니다.

 

2단계: 세분화를 위한 임계값 적용

 

이미지에서 녹색 픽셀 값과 비슷한 값을 가진 모든 픽셀을 추출합니다. 각 색 공간에 대해 ±40의 범위를 설정하고 결과가 어떻게 나타나는지 확인합니다. OpenCV 함수 inRange를 사용하여 녹색 픽셀의 마스크를 구한 후, 비트 AND 연산을 사용하여 해당 마스크를 사용하여 이미지에서 녹색 픽셀을 추출합니다.

 

또한, 한 픽셀을 다른 색상 공간으로 변환하려면 먼저 1차원 배열을 3차원 배열로 변환해야 합니다.

 

#python
bgr = [40, 158, 16]
thresh = 40
 
minBGR = np.array([bgr[0] - thresh, bgr[1] - thresh, bgr[2] - thresh])
maxBGR = np.array([bgr[0] + thresh, bgr[1] + thresh, bgr[2] + thresh])
 
maskBGR = cv2.inRange(bright,minBGR,maxBGR)
resultBGR = cv2.bitwise_and(bright, bright, mask = maskBGR)
 
#convert 1D array to 3D, then convert it to HSV and take the first element
# this will be same as shown in the above figure [65, 229, 158]
hsv = cv2.cvtColor( np.uint8([[bgr]] ), cv2.COLOR_BGR2HSV)[0][0]
 
minHSV = np.array([hsv[0] - thresh, hsv[1] - thresh, hsv[2] - thresh])
maxHSV = np.array([hsv[0] + thresh, hsv[1] + thresh, hsv[2] + thresh])
 
maskHSV = cv2.inRange(brightHSV, minHSV, maxHSV)
resultHSV = cv2.bitwise_and(brightHSV, brightHSV, mask = maskHSV)
 
#convert 1D array to 3D, then convert it to YCrCb and take the first element
ycb = cv2.cvtColor( np.uint8([[bgr]] ), cv2.COLOR_BGR2YCrCb)[0][0]
 
minYCB = np.array([ycb[0] - thresh, ycb[1] - thresh, ycb[2] - thresh])
maxYCB = np.array([ycb[0] + thresh, ycb[1] + thresh, ycb[2] + thresh])
 
maskYCB = cv2.inRange(brightYCB, minYCB, maxYCB)
resultYCB = cv2.bitwise_and(brightYCB, brightYCB, mask = maskYCB)
 
#convert 1D array to 3D, then convert it to LAB and take the first element
lab = cv2.cvtColor( np.uint8([[bgr]] ), cv2.COLOR_BGR2LAB)[0][0]
 
minLAB = np.array([lab[0] - thresh, lab[1] - thresh, lab[2] - thresh])
maxLAB = np.array([lab[0] + thresh, lab[1] + thresh, lab[2] + thresh])
 
maskLAB = cv2.inRange(brightLAB, minLAB, maxLAB)
resultLAB = cv2.bitwise_and(brightLAB, brightLAB, mask = maskLAB)
 
cv2.imshow("Result BGR", resultBGR)
cv2.imshow("Result HSV", resultHSV)
cv2.imshow("Result YCB", resultYCB)
cv2.imshow("Output LAB", resultLAB)

 

 

//C++ code
cv::Vec3b bgrPixel(40, 158, 16);
// Create Mat object from vector since cvtColor accepts a Mat object
Mat3b bgr (bgrPixel);
 
//Convert pixel values to other color spaces.
Mat3b hsv,ycb,lab;
cvtColor(bgr, ycb, COLOR_BGR2YCrCb);
cvtColor(bgr, hsv, COLOR_BGR2HSV);
cvtColor(bgr, lab, COLOR_BGR2Lab);
//Get back the vector from Mat
Vec3b hsvPixel(hsv.at<Vec3b>(0,0));
Vec3b ycbPixel(ycb.at<Vec3b>(0,0));
Vec3b labPixel(lab.at<Vec3b>(0,0));
 
int thresh = 40;
 
cv::Scalar minBGR = cv::Scalar(bgrPixel.val[0] - thresh, bgrPixel.val[1] - thresh, bgrPixel.val[2] - thresh)
cv::Scalar maxBGR = cv::Scalar(bgrPixel.val[0] + thresh, bgrPixel.val[1] + thresh, bgrPixel.val[2] + thresh) 
 
cv::Mat maskBGR, resultBGR;
cv::inRange(bright, minBGR, maxBGR, maskBGR);
cv::bitwise_and(bright, bright, resultBGR, maskBGR);
 
cv::Scalar minHSV = cv::Scalar(hsvPixel.val[0] - thresh, hsvPixel.val[1] - thresh, hsvPixel.val[2] - thresh)
cv::Scalar maxHSV = cv::Scalar(hsvPixel.val[0] + thresh, hsvPixel.val[1] + thresh, hsvPixel.val[2] + thresh) 
 
cv::Mat maskHSV, resultHSV;
cv::inRange(brightHSV, minHSV, maxHSV, maskHSV);
cv::bitwise_and(brightHSV, brightHSV, resultHSV, maskHSV);
 
cv::Scalar minYCB = cv::Scalar(ycbPixel.val[0] - thresh, ycbPixel.val[1] - thresh, ycbPixel.val[2] - thresh)
cv::Scalar maxYCB = cv::Scalar(ycbPixel.val[0] + thresh, ycbPixel.val[1] + thresh, ycbPixel.val[2] + thresh) 
 
cv::Mat maskYCB, resultYCB;
cv::inRange(brightYCB, minYCB, maxYCB, maskYCB);
cv::bitwise_and(brightYCB, brightYCB, resultYCB, maskYCB);
 
cv::Scalar minLAB = cv::Scalar(labPixel.val[0] - thresh, labPixel.val[1] - thresh, labPixel.val[2] - thresh)
cv::Scalar maxLAB = cv::Scalar(labPixel.val[0] + thresh, labPixel.val[1] + thresh, labPixel.val[2] + thresh) 
 
cv::Mat maskLAB, resultLAB;
cv::inRange(brightLAB, minLAB, maxLAB, maskLAB);
cv::bitwise_and(brightLAB, brightLAB, resultLAB, maskLAB);
 
cv2::imshow("Result BGR", resultBGR)
cv2::imshow("Result HSV", resultHSV)
cv2::imshow("Result YCB", resultYCB)
cv2::imshow("Output LAB", resultLAB)

 

야외 이미지의 녹색 색상에 대한 초기 결과

 

 

그림 7 : RGB가 좋아 보입니다. 아마도 여기서 시간을 낭비하고 있는 것일 수도 있습니다.

 

몇 가지 추가 결과

 

RGB와 LAB만으로도 색상을 감지하기에 충분하고, 크게 고민할 필요가 없는 것 같습니다. 좀 더 결과를 살펴보겠습니다.

 

실내 이미지의 녹색 색상에 대한 초기 결과

 

그림 8: 실내 이미지에 동일한 임계값을 적용해도 모든 색상 공간에서 녹색 큐브를 감지할 수 없습니다.

 

따라서 어두운 이미지에서는 동일한 임계값이 적용되지 않습니다. 노란색을 감지하기 위해 동일한 실험을 수행하면 다음과 같은 결과가 나옵니다.

 

야외 이미지의 노란색에 대한 초기 결과

 

그림 9: 밝은 이미지에서 얻은 동일한 기법과 임계값(노란색)을 사용하여 노란색 조각을 감지해 봅니다. HSV와 YCrCb는 아직 성능이 좋지 않습니다.

 

실내 이미지의 노란색에 대한 초기 결과

 

그림 10: 밝은 정육면체에서 얻은 임계값을 사용하여 노란색 조각을 감지하려고 시도합니다. 모든 색공간이 다시 실패합니다.

 

그런데 왜 결과가 이렇게 나쁠까요? 임계값을 40으로 대충 추측했기 때문입니다. 값을 바꿔가며 모든 이미지에 적합한 값을 찾을 수 있는 인터랙티브 데모도 만들었습니다. 스크린샷을 확인해 보세요. 하지만 다른 이미지가 나왔을 때 다시 작동하지 않는 경우도 있습니다. 맹목적으로 시행착오를 거쳐 임계값을 정할 수는 없습니다. 그렇게 하면 색 공간의 힘을 제대로 활용하지 못하게 됩니다.

 

올바른 임계값을 찾기 위한 체계적인 방법이 필요합니다.

 

색상 공간을 가지고 놀기 위한 데모

그림 11: 주어진 이미지의 모든 색상 공간에서 특정 색상을 감지하기 위해 다양한 값을 사용해 실험하는 데모의 스크린샷입니다.

 

더 나은 솔루션을 위한 몇 가지 데이터 분석

 

1단계: 데이터 수집

 

다양한 조명 조건에서 큐브 이미지 10장을 수집하고, 각 색상을 개별적으로 잘라 6가지 색상에 대한 데이터 세트 6개를 얻었습니다. 색상이 얼마나 변하는지 시각적으로 확인할 수 있습니다.

 

그림 : 조명 조건에 따른 색상 변화 표시

 

2단계: 밀도 플롯 계산

 

특정 색상(예: 파란색 또는 노란색)이 다양한 색 공간에서 어떻게 분포하는지 확인하세요. 밀도 플롯 또는 2D 히스토그램은 주어진 색상의 값 변화를 보여줍니다. 예를 들어, 파란색 이미지의 파란색 채널은 이상적으로 항상 255의 값을 가져야 하지만, 실제로는 0에서 255 사이의 값을 가집니다.

 

BGR 색상 공간에 대한 코드만 보여드립니다. 모든 색상 공간에 대해 이 코드를 작성해야 합니다.

 

1. 먼저 파란색 또는 노란색 조각의 이미지를 모두 불러옵니다.

 

#python
B = np.array([])
G = np.array([])
R = np.array([])
im = cv2.imread(fi)

 

채널을 분리하고 각 이미지의 값을 추가하여 각 채널에 대한 배열을 만듭니다.

 

#python
b = im[:,:,0]
b = b.reshape(b.shape[0]*b.shape[1])
g = im[:,:,1]
g = g.reshape(g.shape[0]*g.shape[1])
r = im[:,:,2]
r = r.reshape(r.shape[0]*r.shape[1])
B = np.append(B,b)
G = np.append(G,g)
R = np.append(R,r)

 

matplotlib의 히스토그램 플롯을 사용하여 2D 히스토그램을 그립니다.

 

#python
nbins = 10
plt.hist2d(B, G, bins=nbins, norm=LogNorm())
plt.xlabel('B')
plt.ylabel('G')
plt.xlim([0,255])
plt.ylim([0,255])

 

관찰 : 유사한 조명

 

밀도 플롯 유사 조명

 

그림 13: 파란색의 두 개의 유사한 밝은 이미지에 대한 색상 채널 값의 변화를 보여주는 밀도 플롯

 

밀도 플롯 유사 조명

 

그림 14: 노란색에 대한 2개의 유사한 밝은 이미지에 대한 색상 채널 값의 변화를 보여주는 밀도 플롯

 

유사한 조명 조건에서 모든 플롯이 매우 조밀하게 배치된 것을 확인할 수 있습니다. 주의할 점은 다음과 같습니다.

 

• YCrCb와 LAB는 다른 것보다 훨씬 더 컴팩트합니다.
• HSV에서는 S 방향(색 순도)에는 변화가 있지만 H 방향에는 변화가 거의 없습니다.

 

관찰 : 다른 조명

 

밀도 플롯 다른 조명

 

그림 15: 파란색에 대한 다양한 조명 하에서 색상 채널의 값 변화를 보여주는 밀도 플롯

 

밀도 플롯 다른 조명

 

그림 16: 노란색에 대한 다양한 조명 하에서 색상 채널의 값 변화를 보여주는 밀도 플롯

 

조명이 크게 변하면 다음 사항을 확인할 수 있습니다.

 

• 이상적으로는 색상 채널에 대해 가장 컴팩트하고 집중된 밀도 플롯을 갖춘 색상 공간에서 작업하고 싶습니다.
• RGB 밀도 플롯이 크게 증가합니다. 이는 채널 값의 편차가 매우 크고 임계값을 설정하는 것이 큰 문제임을 의미합니다. 더 높은 범위를 설정하면 원하는 색상과 유사한 색상을 감지하고(False Positives), 더 낮은 범위를 설정하면 다른 조명에서 원하는 색상을 감지하지 못합니다(False Negatives).
• HSV에서는 H 구성 요소만 절대 색상 정보를 포함하기 때문에, YCrCb(Cr과 Cb)와 LAB(A와 B)에서는 두 개의 노브를 사용하여 색상을 지정하는 반면, HSV에서는 노브 하나만(H) 조정하면 되므로 제가 가장 선호하는 색상 공간이 되었습니다.
• YCrCb와 LAB 색공간을 비교해 보면 LAB 색공간의 밀도가 더 높습니다. 따라서 저에게는 LAB 색공간이 차선책입니다.

 

최종 결과

 

이 마지막 섹션에서는 두 번째 섹션에서 했던 것과 같은 방식으로 밀도 플롯에서 임계값을 가져와 각 색 공간에 적용하여 파란색과 노란색 부분을 감지한 결과를 보여드리겠습니다. HSV, YCrCb, LAB 색 공간에서 작업할 때는 강도(Intensity) 성분에 대해 신경 쓸 필요가 없습니다. 색상 성분에 대한 임계값만 지정하면 됩니다. 결과를 생성하기 위해 사용한 값은 그림에 표시되어 있습니다.

 

데모 이미지

 

그림 17 : 데모 이미지 1

 

데모 이미지 1에 대한 결과

 

그림 18: 데모 이미지 1에서 노란색 감지 결과

 

데모 이미지 1의 결과

 

그림 19: 데모 이미지 1의 파란색 감지 결과

 

데모 이미지

 

그림 20 : 데모 이미지 2

 

데모 이미지 2의 결과

 

그림 21: 데모 이미지 2에서 노란색 감지 결과

 

데모 이미지 2의 결과

 

그림 22: 데모 이미지 2에서 파란색 감지 결과

 

데모 이미지

 

그림 23 : 데모 이미지 3

 

데모 이미지 3에 대한 결과

 

그림 24: 데모 이미지 3에서 노란색 감지 결과

 

데모 이미지 3의 결과

 

그림 25: 데모 이미지 3에서 파란색 감지 결과

 

위 결과에서는 밀도 플롯에서 직접 값을 가져왔습니다. 밀도 플롯에서 가장 밀도가 높은 영역에 속하는 값을 선택할 수도 있는데, 이는 색상 범위를 더욱 정밀하게 제어하는 ​​데 도움이 됩니다. 이렇게 하면 일부 구멍과 흩어진 픽셀이 남게 되는데, 이는 침식(Erosion)과 팽창(Dilation) 후 필터링(Filtering)을 통해 제거할 수 있습니다.

 

색상 공간의 다른 유용한 응용 프로그램

 

• 히스토그램 평활화는 일반적으로 회색조 이미지에서 수행됩니다. 그러나 RGB 이미지를 YCbCr로 변환하고 Y 채널에 대해서만 히스토그램 평활화를 수행하여 컬러 이미지의 평활화를 수행할 수 있습니다.
• 두 이미지 간의 색상을 Lab 색상 공간으로 변환하여 전송합니다.
• Google 카메라나 Instagram과 같은 스마트폰 카메라 애플리케이션의 많은 필터는 이러한 색 공간 변환을 활용해 멋진 효과를 만듭니다!

 

PS: 루빅큐브를 푸는 데 관심이 있다면, 이 단계별 가이드를 참고하세요.