2

Size: px

Start display at page:

Download "2"

ほだかたつざわ
5 years ago
Views:

画像処理基礎実験テキスト 1. 実験の目的近年, クルマに搭載されている予防安全システムが注目されている. 株式会社ののように, カメラで前方車両や周辺環境を検知し, 車両の制御に反映させる ( 要はブレーキを掛ける ) 方式がよく知られていることだろう. しかし, カメラはどのようにして物体を物体として認識しているのだろうか.

しかしながらなどに代表される有名企業でも利用されており, 初心者にも優しいシンプルさと, 大手企業でも採用される十分な奥深さを兼ね備えた言語であると言える. ライブラリも豊富でアプリケーションやアプリケーション ( デスクトップアプリケーション ) を作成する事も可能.

1 画像処理基礎実験テキスト 1. 実験の目的近年, クルマに搭載されている予防安全システムが注目されている. 株式会社ののように, カメラで前方車両や周辺環境を検知し, 車両の制御に反映させる ( 要はブレーキを掛ける ) 方式がよく知られていることだろう. しかし, カメラはどのようにして物体を物体として認識しているのだろうか. この実験では, 画像処理のプログラミングを行うことで, 物体認識の基礎を習得する. そして, 予防安全システムの理解を深めることを目的とする. 2. 下準備本実験ではというプログラミング言語を用いる. とは, 欧米を中心とした, 海外で人気のオブジェクト指向型スクリプト言語である. 言語発展の経緯, 文法上の特徴から初心者にも扱いやすい言語と言われている. しかしながらなどに代表される有名企業でも利用されており, 初心者にも優しいシンプルさと, 大手企業でも採用される十分な奥深さを兼ね備えた言語であると言える. ライブラリも豊富でアプリケーションやアプリケーション ( デスクトップアプリケーション ) を作成する事も可能. 文法の特徴は言語やようなブロック構造に ( 中カッコ ) を用いない, インデントでのブロック構造となっているため, 誰が書いても同じようなソースコードとなる. 可読性に優れている, コンパイルを必要としない, 対話型シェルにて動作確認が可能など多くの特徴がある. 3. の導入導入に際して必要な資料は全て荒川研究室のホームページる. ダウンロードが完了したら次の手順でインストールする. 1 ダウンロードしたをダブルクリックする. 2 次の手順でインストールする. に揃ってい 1

2 2

3 3 ドライブ > に移動する. 3

4 4 を実行する. 5 次のような画面が出る. 6 と入力してキーを押す. 4. ついでにやることは拡張子やなどを込みでファイル名を指定して実行する形式を取る. そのため, 拡張子が見えるようにならなければいけないので, エクスプローラーで表示タブを選び, ファイル名拡張子にチェックを入れる図. 4

5 図エクスプローラーの操作の様子 5. 入門プログラムの作り方プログラムを実行するには, テキストファイルにプログラムを記述し, ファイルを保存, 実行するという流れである. メモ帳 ( ではすべてのアプリ Ă アクセサリĂメモ帳 ) を立ち上げる. このメモ帳にプログラムを記述し, 保存は拡張子をにしなければならない. プログラムの書き方ではつつの文をステートメントという. 文の区切りは改行となっているため, つの文を記述するには, それぞれの文を改行で区切る必要がある. プログラムの中に記述された文は上から下に向かって順に実行される. ex1.py print ( Hello ) print ( Bye ) コメントの書き方ベタ打ちでメモ書きはできない命令文と勘違いしてしまうため. ただ, この文が何を行うために記述されているのかなどをプログラム中に記述しておくと, プログラムをあとで読み返したときに便利である. コメントを記述するにはコメント 5

6 とすればよい. 5.4 変数について数値を格納することができる. 数学でいう x のようなもの. 箱の中に数字が書いてある球を収めるようなイメージである. 但し, 一般的には変数には型と名前があることに注意する. ex2.py boy = Bob print (boy) ex3.py age = 19 height = print (age, height) ex5.py test_str = 012 test_str += 345 test_str += 678 test_str += 9 print (test_str) ex6.py test_str = 012 *3 print (test_str) ex7.py test_integer = 100 print (str(test_integer) + 円 ) 5.5 四則演算加減乗除は数字の前後に +, -, *, / を付ける. その他, 剰余, べき乗などがある. 6

7 ex8.py test_integer = 100 print (test_integer + 10) # 加算 ( 足し算 ) print (test_integer 10) # 減算 ( 引き算 ) print (test_integer * 10) # 乗算 ( 掛け算 ) print (test_integer / 10) # 除算 ( 割り算 ) 5.6 if 文もしもであれば, というように, ある条件の下で何らかの処理を行う命令. if ( 条件 ) : 文条件を満足している時だけ : を忘れないように! この文を処理する tab キーなどでインデント下げること! ex11.py value = 2 if value == 1: print ('value の値は1 です ) elif value == 2: print ('value の値は2 です ) elif value == 3: print ('value の値は3 です ) else: print (' 該当する値はありません ') 5.7 for 文繰り返し処理を行うことを示す命令. 受かるまで試験を受け続ける受かるまでギャグを続ける ( 図 4) など. 7

8 図 4 受けるまでギャグをやり続けてしくじった一発屋芸人の例 : を忘れないように! for 変数 in range(a, b): 文この文を繰り返し処理する for 変数 in range(a, b): 文 1 文 2 : を忘れないように! ブロック内の文を順に繰り返し処理する tab キーなどでインデント下げること! 8

9 ex13.py for_i in range (1,11): print ( value of i :, i, t calculating i ** 3:, i ** 3 print This is out of for block ex14.py for_sample = [] for_sample.append("python") for_sample.append("-") for_sample.append("izm") for_sample.append("for") for_sample.append("statement") for_sample.append("sample") for value in for_sample: print (value) 6. 画像処理入門 6.1 ラスター画像一般的に画像というと, モノクロもしくはカラーの写真や絵のことである. ただし, 画像という言葉は特に静止した画像 ( 静止画 ) について用いられる. 動く画像 ( 動画 ) は映像と呼ばれる. 計算機上では画像や映像は細かい点の集まりで構成される. ひとつひとつの点が明るさや色を持っており, その集まりで写真や絵が構成される. そのような点のことを, 画素やピクセルという. このようなピクセルを, まるでタイル張りの床のように大量に格子状に並べれば画像ができあがる. このような型式で記録再現される画像のことをラスター画像と呼ぶ. ラスターではない画像というのもあるが, 究極のところ, 計算機で画像を扱う以上, 最後にはどんな画像もピクセルの集合として, すなわちラスター画像として扱われることになる. さて, ひとつひとつのピクセルが小さい程, 精細な画像になる. 言い替えれば, 同じような画像を表現するとき, たくさんのピクセルで表現する程, 精細な画像になる. デジカメの性能を表す言葉としてメガピクセルというのを聞いたことがあるだろう. メガとは約 100 万のことであり, メガピクセルとはひとつの画像を 100 万個くらいのピクセルで表現する, という意味である.100 万は 1000 の二乗なので, この場合, だいたい画像の縦横のピクセル数がそれぞれ 1000 個くらいということになる. このように, 画像をどのくらいの大きさのピクセル ( またはどのくらいの数のピクセル ) で表現するかということを, 解像度と呼ぶ. ちなみに, 一般的に 17 インチの液晶ディスプレイでは, 解像度は横 1280 ピクセル, 縦 1024 ピクセル位である. メガピクセルとは, この程度のスクリーンが全体を一度に表示できる限界の解像度を示す. 9

10 図 5 ラスター画像の例 6.2 ピクセルの明るさと色前述のように, 画像をデジタル情報として表現する場合は, ひとつひとつの画素の明るさや色を数値で表現すればよい. たとえばモノクロの画像の場合, 各画素を, 明るさを表す数値ひとつで表現する. 一方, カラー画像の場合は, 各画素を, 赤の明るさ緑の明るさ青の明るさというように, 光の 3 原色についてそれぞれの明るさを表す必要があるので,3 つの数値で表現する. これらの数値は, ほとんどの場合,1 バイトか 2 バイトの数値として表現される. 例えばモノクロ画像の場合, ひとつの画素を, 1 バイトの非負整数, すなわち 0 から 255 の数で表現することが多く, その場合, 例えば 0 を黒, 255 を白として, グレーをその間の数値で表現する. この場合, モノクロは 256 階調で表現される. もっと細かい微妙な明るさ ( トーン ) の違いを表現したい場合は 2 バイトの非負整数を使う. この場合は 16 ビット, つまり 2 の 16 乗, つまり階調のモノクロトーンを表現できるが, そのかわり画像データのサイズは倍に膨れてしまう. 一方, カラー画像の場合は, ひとつの画素に, 赤 (red) 緑(green) 青(blue) の 3 つの原色 (RGB) についてそれぞれの明るさを 1 バイトで表現することが多い. この場合,1 画素は 3 バイトで表現されるため, 8 3=24 ビット, つまり 2 の 24 乗, つまり約 1677 万色の色が表現される. ほとんどのシステムでは,RGB 値は 0 から 255 の領域で表現されるようになっている. 数値が高ければ高いほど, その色チャンネルの明度は高くなる. 例えば,[255, 51, 0] は赤みがかった色だと推測することができる ( なぜなら R チャンネルの数値が最高値だから ). また [51, 102, 0] が, 緑がかった色と推測できるのは,G チャンネルの数値が最高値だからである. 6.3 HSV カラーモデル RGB の他に役立つカラーモデルが,HSV カラーモデルである. 赤や緑, 青の色度で色を表現する代わりに, 色相 ( 虹色のカラーチャートのどの領域に位置するか ) 彩度 ( 色の鮮やかさ ) 明度 ( 明るさとも言い, どの程度の光が取り入れられているか ) で表現される ( 図 5). 10

図カラーモデルカラーモデルは, いずれかの色チャンネルのつで, 画像の色を考える際に役立つ. 例えば画像の中で, 青い色相の領域に同調する部分を探すのに適している. の変化形がカラーモデルで, 色相彩度輝度から成り立っている. によく似ているが, 彩度とつ目のチャンネル ( 明度対輝度 ) の定義が異なる. test1.

11 図カラーモデルカラーモデルは, いずれかの色チャンネルのつで, 画像の色を考える際に役立つ. 例えば画像の中で, 青い色相の領域に同調する部分を探すのに適している. の変化形がカラーモデルで, 色相彩度輝度から成り立っている. によく似ているが, 彩度とつ目のチャンネル ( 明度対輝度 ) の定義が異なる. test1.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread( original.jpg ) print (img) test2.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') cv2.namedwindow('window') cv2.imshow('window',img) cv2.waitkey(0) cv2.destroyallwindows() 11

12 test2_2.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') img = cv2.cvtcolor(img, cv2.color_bgr2rgb) cv2.namedwindow('window') cv2.imshow('window',img) cv2.waitkey(0) cv2.destroyallwindows() test3.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') gray_img = cv2.cvtcolor(img, cv2.color_bgr2gray) cv2.namedwindow('window') cv2.imshow('window',gray_img) cv2.waitkey(0) cv2.destroyallwindows() 12

13 Test3_2.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') gray_img = cv2.cvtcolor(img, cv2.color_bgr2gray) print(gray_img) 6.4 セグメンテーション画像セグメンテーションの一番簡単な方法は, 閾値処理である. 閾値処理の基本的な考え方は, ピクセルのチャンネル値がある閾値を超えた場合は, 画像の各ピクセルを白いピクセルに, 超えなかった場合は, 黒いピクセルに置き換えるという考え. 通常は, 画像を 2 値画像, つまりシングルチャンネル画像に変換する. グレースケール画像はシングルチャンネル画像の一例である. Test4.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') gray_img = cv2.cvtcolor(img, cv2.color_bgr2gray) _, threshold_img = cv2.threshold(gray_img, 60, 255, cv2.thresh_binary) threshold_img = cv2.cvtcolor(threshold_img, cv2.color_gray2bgr) cv2.namedwindow('window') cv2.imshow('window',threshold_img) cv2.waitkey(0) cv2.destroyallwindows() 13

ガウスぼかしは, 画像内の各ピクセルを変換することで効果を出す. これは, 画像を正方形 ( ) のカーネルで畳み込むことで行われる. 畳み込みは, 周りにあるのピクセルの値に応じて, あるピクセルに操作を適用すること.

14 ぼかし ( 妄想禁止 ) 写真にノイズが多い場合がある. どういう意味かというと, セグメント分けの邪魔になる, 小さい変則的な要素が画像に含まれている場合があるということである. この小さいノイズを取り除くためには, ガウスぼかしを使って画像の前処理をする方法がよく使われる. ぼかしは, 明度差の大きい場合や, ピクセル間で激しい変化がある場合に, それらをスムーズにするものだと思うこと. ガウスぼかしは, 画像内の各ピクセルを変換することで効果を出す. これは, 画像を正方形 ( ) のカーネルで畳み込むことで行われる. 畳み込みは, 周りにあるのピクセルの値に応じて, あるピクセルに操作を適用すること. 操作はカーネルによって決められる. つまり, のカーネルでガウスぼかしを適用すると, 全てのピクセルに対し周りののピクセルが考慮され, 平均値を出す計算が行われる. そうして, 新しくぼかされた色がピクセルに与えられる. ガウシアンカーネルサイズが大きいほど, 画像のぼかしは強くなる. 図ぼかし適用前後の比較と方向の明度分布 14

15 test5.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt img = cv2.imread('original.jpg') img_blur_small = cv2.gaussianblur(img, (5,5), 0) cv2.namedwindow('window') cv2.imshow('window',img_blur_small) cv2.waitkey(0) cv2.destroyallwindows() 値化閾値を使ったマスキング色を区別できるようになったので, 面白いことができる. 例えば 2 値画像をマスクとして使ってみよう. マスクとは, ビット演算で使われるゼロとゼロ以外の値の行列のことである. マスクを使うと, 画像を切ったり, 画像のある部分をマスクで隠したりできる. マスクは通常, ゼロの行列 ( 消したい部分 ) と, ゼロ以外の行列 ( 残したい部分 ) である. それでは屋外で撮った景色の画像から空を消したバージョンが欲しいとしよう. その場合は, 最初に, 青い色相の領域に含まれるピクセルを見つける. そうすると,1 枚の画像の中から青い空の部分を区別できるようになる. 空以外の部分の画像を取り出すには bitwise_not を使って値が逆になるようにする. そうすると青以外の部分を残すマスクができる. マスク上で bitwise_and を使うと, 画像の青以外の部分だけが残る. 15

16 test6.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt upstate = cv2.imread('sample1.jpg') upstate_hsv = cv2.cvtcolor(upstate, cv2.color_bgr2hsv) plt.imshow(cv2.cvtcolor(upstate_hsv,cv2.color_hsv2rgb)) blue_min = np.array([100,100,100], np.uint8) blue_max = np.array([140,255,255], np.uint8) mask_inverse = cv2.inrange(upstate_hsv, blue_min, blue_max) mask = cv2.bitwise_not(mask_inverse) cv2.namedwindow('window') cv2.imshow('window',mask) cv2.waitkey(0) cv2.destroyallwindows() test7.py import cv2, matplotlib import numpy as np import matplotlib.pyplot as plt upstate = cv2.imread('sample1.jpg') upstate_hsv = cv2.cvtcolor(upstate, cv2.color_bgr2hsv) plt.imshow(cv2.cvtcolor(upstate_hsv,cv2.color_hsv2rgb)) blue_min = np.array([100,100,100], np.uint8) blue_max = np.array([140,255,255], np.uint8) 16

17 mask_inverse = cv2.inrange(upstate_hsv, blue_min, blue_max) mask = cv2.bitwise_not(mask_inverse) mask_rgb = cv2.cvtcolor(mask, cv2.color_gray2rgb) masked_upstate = cv2.bitwise_and(upstate, mask_rgb) masked_replace_white = cv2.addweighted(masked_upstate, 1, cv2.cvtcolor(mask_inverse, cv2.color_gray2rgb), 1, 0) cv2.namedwindow('window') cv2.imshow('window',masked_replace_white) cv2.waitkey(0) cv2.destroyallwindows() test8.py import cv2 src = cv2.imread('sample1.jpg') #ratio を変えてみる def mosaic(src, ratio=0.1): small = cv2.resize(src, None, fx=ratio, fy=ratio, interpolation=cv2.inter_nearest) return cv2.resize(small, src.shape[:2][::-1], interpolation=cv2.inter_nearest) dst_01 = mosaic(src) cv2.namedwindow('window') cv2.imshow('window',dst_01) cv2.waitkey(0) cv2.destroyallwindows() 17

18 test9.py import cv2 src = cv2.imread('sample2.jpg') def mosaic(src, ratio=0.1): small = cv2.resize(src, None, fx=ratio, fy=ratio, interpolation=cv2.inter_nearest) return cv2.resize(small, src.shape[:2][::-1], interpolation=cv2.inter_nearest) #ratio を変えてみる def mosaic_area(src, x, y, width, height, ratio=0.1): dst = src.copy() dst[y:y + height, x:x + width] = mosaic(dst[y:y + height, x:x + width], ratio) return dst dst_area = mosaic_area(src, 170, 80, 70, 40) cv2.namedwindow('window') cv2.imshow('window',dst_area) cv2.waitkey(0) cv2.destroyallwindows() 18

19 レポート課題目的与えられた画像に対して, 様々な画像処理を行うことによって, カメラを使った自動車の予防安全技術の基本的な理解につなげる. 課題 (1) 次の用語について説明せよ. ( 画像の )2 値化グレースケール移動平均フィルタとガウシアンフィルタ (2) test.jpg について, 竹書房が指定暴力団にされてしまっているが, 竹書房の名誉のために, 指定暴力団の文字を消したい, もしくはぼかしたい. 目立たなくするように処理せよ. (3) 任意の画像 ( 自身で用意すること ) について, 1 グレースケール変換せよ. 2 ガウシアンカーネルを適用し, さらにその画像 ( ガウシアンカーネル適用後の画像 ) を 2 価化せよ. 境界のラインはどうなるか? 3 ガウシアンカーネルを適用した画像を 2 値化するメリットについて考察せよ. 1 および 2 について, 必ず, ソースコードと, 用意した画像の元画像, および, 処理した後の画像を添付すること. なお, レポートは word などを使って作成すること ( 手書きのレポート作成は認めない ). 1 ページ目は表紙とし, 画像処理基礎実験レポート課題と書き, クラス, 番号, 名前を必ず書くこと. 課題および課題に対する解答 ( ソースコードと処理した後の画像 ) は 2 ページ目以降に書くこと. レポート提出期限画像処理基礎実験第 3 回目実施日翌週の木曜日 9:30. 提出期限に遅れたレポートは一切受け取らない. 提出先作成したレポートの電子ファイル (word か pdf) を荒川宛 (arakawa-toshiya@aut.ac.jp) に提出すること. どうしても添付できない人, メールが使えない人は印刷して荒川研究室 (6 号館 6503 室 ) 扉の前のレポート提出 BOX に提出すること ( 必ずホチキス留めすること ). 但し, 紙面の節約のために, 基本的には電子ファイルで提出するこ 19

20 と. < 注意 > 同一のレポート内容( 考察なども含めて ) であると判断した場合は, レポートを写した側, 写させた側共に今回の実験については評価しない (0 点として扱う ). 書籍やインターネットのサイトなどを参考にした場合は, 必ずレポートの最後に参考文献として記載すること. インターネットのサイトを参考にした場合は URL と参照日を記載すること. ( 例 ) 宮崎里司 (2002) 外国人力士に見ることばの習得学日本語学 Vol.21(2002 年 10 月号 ) pp 明治書院俗字の字典 < (2002/10/27 アクセス ) なお, 参考文献として引用がなく, インターネットのサイトや他人の記述をコピペしていることが判明したレポートは, 今回の実験については評価しない (0 点として扱う ). 20

Microsoft Word - CygwinでPython.docx

Microsoft Word - CygwinでPython.docx Cygwin でプログラミング 2018/4/9 千葉数値計算は計算プログラムを書いて行うわけですがプログラムには様々な言語があるのでそのうちどれかを選択する必要がありますプログラム言語には人間が書いたプログラムを一度計算機用に翻訳したのち計算を実行するものと人間が書いたプログラムを計算機が読んでそのまま実行するものとがあります ( 若干不正確な説明ですが ) 前者をシステム言語