Python版OpenCVで積分画像、DoG、DoM、Numbaで高速化する方法をソースコード付きで解説します。
積分画像
積分画像（Integral Image）は、注目画素とその左と上にある全ての画素値の和を求めた物です。
【詳細】積分画像の原理・計算式・高速化
今回は、Python言語とOpenCVの「cv2.integral」を用いて積分画像を求めてみました。
書式
dst = cv2.integral(gray)
| パラメータ名 | 説明 |
|---|---|
| src | 入力画像(グレースケール) |
| kernel | フィルタのカーネルサイズ（3なら8近傍） |
| dst | 積分画像（入力画像より幅・高さが1px大きい） |
ソースコード
サンプルプログラムのソースコードです。
#-*- coding:utf-8 -*-
import cv2
import numpy as np
def main():
# 入力画像を読み込み
img = cv2.imread("input.jpg")
# グレースケール変換
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# 画素値を表示
print("gray=\n", gray)
# 積分画像の作成
integral = cv2.integral(gray)
# 画素値を表示
print("integral=\n", integral)
if __name__ == "__main__":
main()
※動作には、OpenCVライブラリのインストールが必要です。
実行結果
サンプルプログラムの実行結果です。
■入力画像
■出力結果
gray= [[ 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 255 255 255 255 255 0 0] [ 0 0 0 255 255 255 255 255 0 0] [ 0 0 0 255 255 255 255 255 0 0] [ 0 0 0 255 255 255 255 255 0 0] [ 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0]] integral= [[ 0 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 0 0 0 0 0 0 0] [ 0 0 0 0 255 510 765 1020 1275 1275 1275] [ 0 0 0 0 510 1020 1530 2040 2550 2550 2550] [ 0 0 0 0 765 1530 2295 3060 3825 3825 3825] [ 0 0 0 0 1020 2040 3060 4080 5100 5100 5100] [ 0 0 0 0 1020 2040 3060 4080 5100 5100 5100] [ 0 0 0 0 1020 2040 3060 4080 5100 5100 5100] [ 0 0 0 0 1020 2040 3060 4080 5100 5100 5100]]
【Python/OpenCV】積分画像、DoG、DoMで高速化
Python版OpenCVで積分画像、DoG、DoM、Numbaで高速化する方法をソースコード付きで解説します。
python.joho.info
2017.08.03
【ぼかし・輪郭検出】DoGフィルタ
DoG(Difference of Gaussian)とは、 
の値が異なる2つのガウシアンフィルタ画像の差分です。
DoGフィルタは、LoGフィルタに近似できます。
そして、計算量も小さいため、LoGフィルタの代わりなどでよく用いられます。
【詳細】DoGフィルタの原理・特徴・計算式
今回は、Python言語とOpenCVを用いてDoGフィルタを実装してみました。
書式
dst = cv2.GaussianBlur(src, ksize, sigmaX)
| パラメータ名 | 説明 |
|---|---|
| src | 入力画像 |
| ksize | カーネルサイズ |
| sigmaX | ガウス分布の |
| dst | 出力画像 |
ソースコード
サンプルプログラムのソースコードです。
#-*- coding:utf-8 -*-
import cv2
import numpy as np
# DoGフィルタ
def DoG(gray, ksize, sigma1, sigma2):
# 標準偏差が異なる2つのガウシアン画像を算出
g1 = cv2.GaussianBlur(gray, ksize, sigma1)
g2 = cv2.GaussianBlur(gray, ksize, sigma2)
# 2つのガウシアン画像の差分を出力
return g1 - g2
def main():
# 入力画像を読み込み
img = cv2.imread("input.jpg")
# グレースケール変換
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# DoGフィルタ処理
dst = DoG(gray, (3,3), 1.3, 2.6)
# 結果を出力
cv2.imwrite("output.jpg", dst )
if __name__ == "__main__":
main()
※動作には、OpenCVライブラリのインストールが必要です。
実行結果
サンプルプログラムの実行結果です。
■入力画像（左）と出力画像（右）
【Python/OpenCV】DoGフィルタでぼかし・輪郭抽出
この記事では、Python版OpenCVでDoGフィルタを実装し、画像をぼかして輪郭を抽出する方法をソースコード付きで解説します。
python.joho.info
2017.08.03
【ぼかし・輪郭検出】DoMフィルタ
DoM(Difference of Median)とは、 カーネルサイズが異なる2つのメディアンフィルタ画像の差分です。
DoMフィルタは、積分画像を使って処理を高速化できます。
そのため、DoGの代わりに用いられます。
【詳細】DoMフィルタの原理・特徴・計算式
今回は、Python言語とOpenCVのメディアンフィルタを用いてDoMフィルタを実装してみました。
書式
dst = cv2.medianBlur(src, ksize)
| パラメータ名 | 説明 |
|---|---|
| src | 入力画像 |
| kernel | フィルタのカーネルサイズ（3なら8近傍） |
| dst | 出力画像 |
ソースコード
サンプルプログラムのソースコードです。
#-*- coding:utf-8 -*-
import cv2
import numpy as np
def DoM(gray, ksize1, ksize2):
# カーネルサイズの異なる2つのメディアンフィルタ処理
m1 = cv2.medianBlur(gray, ksize1)
m2 = cv2.medianBlur(gray, ksize2)
return m2 - m1
def main():
# 入力画像を読み込み
img = cv2.imread("input.jpg")
# グレースケール変換
gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# DoMフィルタ処理
dst = DoM(gray, 3, 5)
# 結果を出力
cv2.imwrite("output.jpg", dst )
if __name__ == "__main__":
main()
※動作には、OpenCVライブラリのインストールが必要です。
実行結果
サンプルプログラムの実行結果です。
■入力画像（左）と出力画像（右）
【Python/OpenCV】DoMフィルタでぼかし・輪郭抽出
この記事では、Python版OpenCVでDoMフィルタを実装し、画像をぼかして輪郭を抽出する方法をソースコード付きで解説します。
python.joho.info
2017.08.03
Numbaで高速化
Python用数値計算ライブラリ「NumPy」の配列の要素にfor文でアクセスすると、処理速度が急低下する問題があります。
for文を使わずに「NumPyのメソッド」や「他のライブラリ」で処理を実装するのが鉄則ですがどうしてもfor文を使いたい場合があります。
そんなときは「Numba」ライブラリを使うことで元のソースコードをほとんど弄らずに高速化できます。
ソースコード
サンプルプログラムのソースコードです。
NumPy
#-*- coding:utf-8 -*-
import cv2
import numpy as np
import time
def filter2d(src, kernel, fill_value=-1):
# カーネルサイズ
m, n = kernel.shape
# 畳み込み演算をしない領域の幅
d = int((m-1)/2)
h, w = src.shape[0], src.shape[1]
# 出力画像用の配列
if fill_value == -1: dst = src.copy()
elif fill_value == 0: dst = np.zeros((h, w))
else:
dst = np.zeros((h, w))
dst.fill(fill_value)
for y in range(d, h - d):
for x in range(d, w - d):
# 畳み込み演算
dst[y][x] = np.sum(src[y-d:y+d+1, x-d:x+d+1]*kernel)
return dst
def main():
# 入力画像をグレースケールで読み込み
gray = cv2.imread("input2.jpg", 0)
# 処理開始時間の計測
start = time.time()
# カーネル（縦方向の輪郭検出用）
kernel = np.array([[1/9, 1/9, 1/9],
[1/9, 1/9, 1/9],
[1/9, 1/9, 1/9]])
# 方法1(NumPyで実装)
dst1 = filter2d(gray, kernel, -1)
# 処理終了時刻の計測
end = time.time()
# 処理時間の表示
print("処理時間" + str(end-start) + "[sec]")
# 結果を出力
cv2.imwrite("output1.jpg", dst1)
if __name__ == "__main__":
main()
NumPy+Numba
#-*- coding:utf-8 -*-
import cv2
import numpy as np
import time
import numba
@numba.jit
def filter2d(src, kernel, fill_value=-1):
# カーネルサイズ
m, n = kernel.shape
# 畳み込み演算をしない領域の幅
d = int((m-1)/2)
h, w = src.shape[0], src.shape[1]
# 出力画像用の配列
if fill_value == -1: dst = src.copy()
elif fill_value == 0: dst = np.zeros((h, w))
else:
dst = np.zeros((h, w))
dst.fill(fill_value)
for y in range(d, h - d):
for x in range(d, w - d):
# 畳み込み演算
dst[y][x] = np.sum(src[y-d:y+d+1, x-d:x+d+1]*kernel)
return dst
def main():
# 入力画像をグレースケールで読み込み
gray = cv2.imread("input2.jpg", 0)
# 処理開始時間の計測
start = time.time()
# カーネル（縦方向の輪郭検出用）
kernel = np.array([[1/9, 1/9, 1/9],
[1/9, 1/9, 1/9],
[1/9, 1/9, 1/9]])
# 方法1(NumPyで実装)
dst1 = filter2d(gray, kernel, -1)
# 処理終了時刻の計測
end = time.time()
# 処理時間の表示
print("処理時間" + str(end-start) + "[sec]")
# 結果を出力
cv2.imwrite("output1.jpg", dst1)
if __name__ == "__main__":
main()
OpenCV
#-*- coding:utf-8 -*-
import cv2
import numpy as np
import time
def main():
# 入力画像をグレースケールで読み込み
gray = cv2.imread("input.jpg", 0)
# 処理開始時間の計測
start = time.time()
# 方法3(OpenCVで実装)
dst3 = cv2.blur(gray, ksize=(3,3))
# 処理終了時刻の計測
end = time.time()
# 処理時間の表示
print("処理時間" + str(end-start) + "[sec]")
# 結果を出力
cv2.imwrite("output3.jpg", dst3)
if __name__ == "__main__":
main()
実行結果
結果は以下の通りになりました。
■実行環境
| 項目 | 説明 |
|---|---|
| 入力画像 | グレースケール画像(440×450[px]) |
| OS | Windows10 Home Premium 64bit |
| メモリ容量 | 4GB |
| CPU | Core i3-2330M 2.20GHz |
■結果
| – | 処理速度[sec] |
|---|---|
| NumPy | 3.2753376960754395[sec] |
| NumPy+Numba | 1.225313425064087[sec] |
| OpenCV | 0.13230109214782715[sec] |
Numbaを使うと3倍くらい速くなりました。
ただし、今回の画像処理の場合ではOpenCVの方がさらに10倍程度速くなりました。
NumbaはGPUを使うなど色々な設定が出来るので、もうちょっと弄ればより速くなると思います。
【Numba】NumPy + for文の高速化
この記事では、Pythonライブラリ「Numba」でNumPy配列とfor文の処理速度を高速化してみたので紹介します。
python.joho.info
2017.10.17
【Python版OpenCV超入門】使い方とサンプルコードを解説
Python版OpenCVで画像処理プログラミングを行う方法を入門者向けにソースコード付きで解説するページです。
python.joho.info
2024.06.30
コメント