[OpenCV] Image Contour 추출 | 이미지 컨투어 | 객체 윤곽선 추출 | 기초적인 segmentation 방법

Image Contour (이미지 윤곽선)

이미지 컨투어 예시

 

이미지 윤곽선(contour)은 이미지에서 객체(object)의 외곽 경계를 나타내는 곡선이다. 이러한 윤곽선은 객체의 형태, 크기, 방향 등의 정보를 추출하는 데 유용하게 사용된다. 예를 들어, 이미지에서 객체의 위치나 크기를 검출하고, 개체의 외곽을 추출하거나, 개체를 분할(segmentation)하기 위해 윤곽선을 추출한다.
 
윤곽선을 추출하기 위해서는 대개 이미지의 이진화(binary) 과정이 필요하다. 이진화된 이미지에서는 흰색 픽셀은 개체를, 검은색 픽셀은 배경을 나타냅니다.
 
이진화된 이미지에서 윤곽선을 추출하는 방법은 여러 가지가 있지만 가장 간단한 방법은 cv2.findContours 함수를 사용하는 것이다. 이 함수는 바이너리 이미지에서 윤곽선을 찾아 numpy 배열 형태로 반환한다. 반환된 배열은 객체의 윤곽선을 구성하는 점들의 좌표이기 때문에 이들을 연결하면 객체의 윤곽선이 된다.

 

 

OpenCV 이미지 컨투어 : cv2.findContours 함수

contours, hierarchy = cv2.findContours(image, mode, method, contours=None, hierarchy=None, offset=None)

• image: 8-bit 단일 채널 이미지. 일반적으로 이진화된 이미지를 입력으로 사용.
• mode: 외곽선 검출 방법을 지정
  • cv2.RETR_EXTERNAL: 가장 바깥쪽의 외곽선만 검출.
  • cv2.RETR_LIST: 모든 외곽선을 검출하되, 상하위 관계를 고려하지 않음
  • cv2.RETR_CCOMP: 외곽선을 바깥쪽 외곽선과 내부 구멍을 가진 외곽선으로 구분
  • cv2.RETR_TREE: 모든 외곽선을 검출하고 상하위 관계까지 구함
• method: 외곽선 근사화 방법을 지정합니다.
  • cv2.CHAIN_APPROX_NONE: 모든 외곽선 좌표를 반환합니다.
  • cv2.CHAIN_APPROX_SIMPLE: 수평, 수직, 대각선 방향의 점들은 모두 버리고, 끝점만 남기고 다른 점들은 모두 제거하여 좌표를 반환합니다.
• contours: 검출된 외곽선 좌표를 저장하는 리스트
• hierarchy: 검출된 외곽선의 계층 정보를 저장하는 리스트
• offset: 이미지 상의 좌표 값에 대한 보정값을 입력

 

이미지 컨투어 추출 예시

 

1. 이미지 그레이 스케일 변환

 

2. 이미지 전처리

• OpenCV로 컨투어를 찾는 경우 어두운 배경에서 밝은 객체를 찾는 것이 유리하기 때문에 배경이 더 밝은 경우에 이미지 반전 사용
• 컨투어 찾는 정확도를 높이기 위해 다양한 방법으로 이미지 바이너리화
• Canny Edge, Thresholod 등의 방법을 사용하여 배경과 객체를 분리

 

3. 이미지 컨투어 찾기

• cv2.findContours 함수를 사용
• 함수 파라미터로 추출, 근사 알고리즘 변경 가능
• 오차 범위를 설정해 근사화된 컨투어 추출 가능
• 필요에 따라 컨투어 면적순으로 정렬하거나 삼각형만 찾거나 사각형만 찾는 등의 필터링 가능

import cv2

image = cv2.imread("contour.jpg")
image2 = image.copy()

# 컨투어 찾기 전 이미지 전처리
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
gray = cv2.bitwise_not(gray) # 객체보다 배경이 밝은 경우 이미지 반전

# canny edge, threshold 등 다양한 전처리 시도 -> 객체와 배경을 가장 잘 분리하는 전처리 사용
edge = cv2.Canny(gray, 100, 100)
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
adaptive_threshold= cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=2)

# 컨투어 찾기
contours, hierachy = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 컨투어 면적이 큰 순으로 정렬
sorted_contours = sorted(contours, key=cv2.contourArea, reverse=True)

for i in range(len(sorted_contours)):
    contour = sorted_contours[i]
    
    # 근사 컨투어 계산을 위한 0.01의 오차 범위 지정 
    epsilon = 0.01 * cv2.arcLength(contour, True)
    approx = cv2.approxPolyDP(contour, epsilon, True)

    cv2.drawContours(image, [contour], -1, (0,255,0), 3)
    cv2.drawContours(image2, [approx], -1, (0,255,0), 3)

    extLeft = tuple(contour[contour[:, :, 0].argmin()][0])
    extRight = tuple(contour[contour[:, :, 0].argmax()][0])
    extTop = tuple(contour[contour[:, :, 1].argmin()][0])
    extBot = tuple(contour[contour[:, :, 1].argmax()][0])

    cv2.circle(image, extLeft, 8, (0, 0, 255), -1)
    cv2.circle(image, extRight, 8, (0, 255, 0), -1)
    cv2.circle(image, extTop, 8, (255, 0, 0), -1)
    cv2.circle(image, extBot, 8, (255, 255, 0), -1)

# 결과 출력
cv2.imshow('contour', image)
cv2.imshow('approx', image2)
cv2.waitKey()
cv2.destroyAllWindows()

 

결과 시각화

좌 : 반전된 그레이 스케일 이미지, 우 : canny edge

 

좌 : thresholod, 우 : adaptive threshold

 

추출된 컨투어 시각화. 좌 : 컨투어, 우 : 근사하된 컨투어