OpenCV - 블러처리

이미지의 잡음(noise)이나 불필요한 세부 정보를 줄여, 후속 처리(예: 엣지 검출, 이진화 등)의 정확도를 높이는 전처리 기법.

1. 왜 Smoothing/Blurring을 사용하는가

• 노이즈 감소: 카메라 센서나 압축 과정에서 생긴 고주파 잡음을 낮춰 줍니다.
• 디테일 제어: 작고 불필요한 구조(미세 엣지)를 제거해, 관심 객체의 구조적 형태를 더 뚜렷하게 만듭니다.
• 후처리 성능 향상: 엣지 검출, 이진화(thresholding) 같은 기법을 적용했을 때 오탐(false positive)을 줄이고, 처리 속도를 높여 줍니다

---

2. 주요 Blurring 함수 네 가지

(1)  Average Blur : cv2.blur(src, (k,k))

• 원리: 각 픽셀을 그 주변 이웃 픽셀의 ‘평균’으로 대체
• 특징:
  • 계산이 빠르지만, 모든 픽셀에 동일 가중치를 주기 때문에 엣지까지 뭉개질 수 있음
  • 커널 크기(k,k)가 커질수록 블러 효과가 강해짐

 

(2)  가우시안 블러 : cv2.GaussianBlur(src, (k,k), sigmaX)  ★제일 많이 사용

• 원리: 커널 내 픽셀에 가우시안 분포 기반의 가중치를 부여한 뒤, 가중 평균을 계산
           sigmaX : X축 방향의 표준편차, 블러 강도를 조절, 그냥 0 으로 사용하면 됨
• 특징:
  • 중심 픽셀에 가까울수록 더 큰 가중치를 주어, 자연스럽게 엣지를 보존
  • 노이즈가 가우시안 분포를 따르는 경우 효과적

 

(3)  미디언 블러 : cv2.medianBlur(src, k)

• 원리: 커널 영역 픽셀의 중앙값(median) 을 결과 픽셀로 사용

 

 

특징: 

• 소금–후추 노이즈(salt-and-pepper noise)에 특히 강력하며, 이상치(outlier)에 덜 민감
• Average Blur보다 엣지 보존 성능이 뛰어납니다

 

 

 

 

(4)  양방향 필터 : cv2.bilateralFilter(src, diameter, sigmaColor, sigmaSpace)

• 원리:
  • 공간적으로 가까운 픽셀뿐 아니라, 색상 값 차이가 작은 픽셀끼리만 평균을 계산하도록 조합된 필터입니다.
• 파라미터
  • diamater = kernel size
  • sigmaColor (색상/강도 공간 표준편차)
    • 정의: 픽셀 간 밝기(혹은 색상) 차이가 얼마까지 “비슷하다”고 보고 서로 섞을지를 결정.
    • 값이 작을수록:
      • 정말 비슷한 밝기/색상끼리만 섞임 → 엣지 보존 성능↑, 노이즈 제거↓
    • 값이 클수록:
      • 강도 차이가 큰 픽셀끼리도 섞임 → 더 부드러운 결과, 엣지 보존력↓
  • sigmaSpace (공간/좌표 공간 표준편차)
    • 정의: “얼마나 먼 픽셀까지” 영향을 주고받을 것인지를 결정.
    • 값이 작을수록:
      • 근처 픽셀만 고려 → 로컬하게 노이즈 제거, 세밀한 엣지 보존
    • 값이 클수록:
      • 더 먼 픽셀까지 가중합에 참여 → 넓은 영역에서 부드러운 블러
• 특징:
  • 엣지를 거의 보존하면서도 매끄러운 블러 효과를 내지만, 연산 비용이 매우 높음
  • 튜닝 가능한 파라미터가 많아 최적화가 까다로움

---

3. 언제 어떤 기법을 쓸까?

1. 간단한 노이즈 제거 : 평균 블러 또는 가우시안 블러
2. 소금–후추 노이즈 제거 : 미디언 블러
3. 엣지 보존 블러 : 가우시안 블러 또는 고급으로 양방향 필터
4. 속도 우선 : 평균 블러
5. 품질 우선 : 가우시안 블러 → 미디언 → 양방향 필터 순

 

---

출처

https://www.pyimagesearch.com/2021/04/28/opencv-smoothing-and-blurring/?_ga=2.22690555.1773329974.1749613563-254784589.1749433426

OpenCV Smoothing and Blurring - PyImageSearch