Python Image 처리

이미지는 array이지만 현실 세계에서는 파일로 저장하고, 파일마다 형식이 다르게 존재하고 있음. 파일 형식에 따라 이미지를 다양한 값의 조합으로 구현함(확장자가 중요한 것은 아님)

제일 중요한 것은, 파일을 불러와서 해석할 수 있어야 함

# tensorflow - GPU
import tensorflow as tf
im = tf.io.read_file('moon.jpg')
t= tf.image.decode_image(im)
ss = tf.cast(t, 'float32')
ss/127.5 - 1 # -1 ~ 1로 만듦

# Opencv - CPU
import cv2
s = cv2.imread('moon.jpg)
s.dtype
>> dtype('uint8') #강도

python opencv는 numpy 기본으로 CPU로 vectorization을 하나 tensorflow는 GPU로 vectorization을 함. tensorflow는 대용량 데이터를 불러와서 처리를 하기 때문에 더 빠름. 프로세스는 동일하나 편의성 문제임.

이미지는 한정적(finite)으로 표현함. 연속적으로도 표현 가능.

사람은 상대적 강도로 인식을 하기 때문에 255로 나누나 가장 큰 값으로 나누는 것은 똑같이 인식을 하지만, 컴퓨터는 dtype()이 float로 변경됨

컬러는 상대적 강도, 값이 하나 밖에 없는 강도는 흑백로 컬러 이미지에서 채널 하나를 뽑으면 흑백이 됨
imshow는 default를 컬러 이미지로 봄. 흑백 이미지는 기본 colormap으로 표현하기 때문에 색 정보가 없으면 컬러 이미지로 생각함

import matplotlib
len(dir(matplotlib))
>> 101

import matplotlib.pyplot as plt
len(dir(matplotlib))
>> 160

plt.imshow(t[...,0], cmp='gray')

PIL의 경우 Pythonic한 라이브러리로 numpy 방식이 아닌 numpy 호환 형태로 데이터를 가지고 있음. 

i = tf.keras.preprocessing.image.load_img('moon.jpeg')

# tensorflow, pytorch 내부적으로 PIL 사용
type(i)
>> PIL.JpegImagePlugin.JpegImageFile

# array 출력을 어떻게 할지 정하는 것
np.set_printpoints(formatter={'int':'{:>03d}'.format}, linewidth =80)

def visualized_bw(img):
    w, h = img.shape
	plt.figure(figsize=(10,10))
	plt.imshow(img, cmap='binary')
	for i in range(w):
		for j in range(h):
			x = img[j, i]
			plt.annotate(x, xy=(j, i),
			horizontalalignment='center',
			verticalalignment='center',
			color='black' if x < 128 else 'white')

visualized_bw(img)