개강한 공대생 개강한 공대생

이미지를 처리할 때, 다른 색상 공간으로 바꿔서 작업하는 게 종종 필요하다.RGB에서 그레이스케일로 변환하거나, HSV 같은 다른 색상 공간으로 바꾸는 것처럼 말이다.다음 함수를 이용하여 바꿀 수 있다. void cvtColor(Mat src, Mat dst, int code, int dstCn = 0) OpenCV에서 제공하는 색상 공간 변환 함수다.파라미터에 대해 설명하자면code는 변환하려는 색상 공간을 지정하는 코드다. 그레이스케일인지.. RGB인지..dstCn은 목적지 색상 공간에서 사용될 채널 수다. 0으로 설정하면, 원본 이미지와 변환할 목적지 색상 공간에 맞게 자동으로 결정된다.예를 들어, BGR을 그레이로 변환할 때는 1 채널이 필요하고, BGR을 HSV로 변환할 때는 3 채널이 필요하니..

색상 이미지를 처리하는 다양한 방법에 대해 소개하겠다.  Intensity transformation, Histogram equalization, Spatial filtering 이 세 가지 기법은 색상 이미지를 처리할 때 사용된다.근데 RGB 컬러 공간에서 각 채널에 이런 기술들을 적용하는 건 일반적이지 않다.대신에 intensity channel만 따로 떼어내서 여기에만 적용한다.그래서 컬러 공간을 HSI나 YUV(YCbCr)로 변환한 후에 작업을 진행하는 방식이다.왜냐면 RGB 채널에 각각 적용하면 이상하게 나올 수 있다. HSI 컬러 공간을 사용하는 이유는HSI는 색상을 Hue, Saturation, Intensity로 나누니까 이미지의 강도만 따로 제어하는 게 가능하다.그리고 특정한 색상 범위의..

색 모델들에 대해 알아보자 HSI HSI는 색을 나타내는 세 가지 요소로 이루어져 있다.Hue(색상): 빛의 파장 중 지배적인 색깔Saturation(채도): 색의 순도나, 얼마나 깨끗한 색인지Intensity(명도): 밝기, 즉 색이 얼마나 밝은지 HSI는 HSV랑 비슷하고, 구별할 필요 없다.채도(S)가 높으면 색이 더 선명하고, 명도(I)가 높으면 더 밝은 색이 된다. YCbCr (YUV) Y: 밝기를 나타낸다.Cb: 파란색과 밝기 간의 차이. B - Y로 계산된다.Cr: 빨간색과 밝기 간의 차이, R - Y  그레이스케일 이미지  색상(Hue)과 채도(Saturation)가 모두 0이다. 밝기(Lightness)만 변할 수 있다. 즉, 그 이미지에서 유일하게 조절되는 게 밝기다.

빛의 기본 색에는 세 가지가 있는데파랑, 초록, 빨강이 있다. 그리고 2차 색이라는 것이 있는데, 이 기본 색을 섞으면 나오는 색깔을 2차 색이라고 한다.마젠타(빨강 + 파랑), 노랑(빨강 + 초록), 청록(파랑 + 초록)이 있다. 마지막으로 무채색은 색이 없는 상태를 뜻하는데, 하얀색이 있다.

상관관계는 두 변수 사이에 관계가 있다는 걸 보여주는 거다.하지만, 하나가 다른 하나의 원인이 된다는 걸 의미하지는 않는다.쉽게 말해서, 두 변수가 같이 변한다고 해서 한 변수가 다른 변수를 변화시켰다는 건 아니다. 예를 들어, 자동차의 주행 거리(Mileage)와 연료 소비량(Fuel consumption)은 상관관계가 있다. 주행 거리가 길어지면 연료 소비도 늘어나니까.여기서 인과관계도 존재한다. 왜냐하면 주행 거리가 길어질수록 자연스럽게 연료 소비도 많아지기 때문이다. 그래서 이 경우엔 상관관계와 인과관계가 모두 존재한다. 인과관계는 한 변수가 다른 변수의 원인이 되는 관계를 뜻한다. 상관관계는 예측에 사용할 수 있지만, 인과관계는 예측과 정책 결정에 모두 사용할 수 있다. 상관관계는 있지만 인과관..

두 변수 간의 관계를 측정하는 방법으로 크게 두 가지가 있다. 1. 공분산(Covariance) 공분산은 두 변수가 어떤 방향으로 변하는지를 나타내는 지표다.만약 두 변수가 같은 방향으로 변하면 공분산은 양수고, 반대 방향으로 변하면 공분산은 음수다.하지만 공분산은 단위에 의존하니까, 단위가 달라지면 해석이 어렵다. 샘플에서 공분산을 계산하려면 이 공식을 쓴다. xi​: 첫 번째 변수의 각 데이터 값.xˉ: 첫 번째 변수의 평균.yi​: 두 번째 변수의 각 데이터 값.yˉ: 두 번째 변수의 평균.n: 샘플의 개수.각각의 x값에서 평균을 빼고, 각각의 y값에서도 평균을 빼서 그 두 값을 곱한 후 다 더하고 그 값을 샘플 수 - 1로 나누면 샘플의 공분산을 구할 수 있다. 모집단에서 공분산을 구할 땐 아래 ..

상자 그림(Box Plot)은 주로 데이터의 분포와 극단값(outliers)을 쉽게 확인할 수 있고, 상자 그림은 사분위수로 만들어져 있다. 상자의 끝은 1사분위수(Q1)와 3사분위수(Q3) 위치를 나타낸다.Q1 (첫 번째 사분위수) = 445Q3 (세 번째 사분위수) = 525상자 안에 있는 세로선은 중앙값(중위수, Q2)을 나타낸다.Q2 (중앙값, 메디안이라고 부른다) = 475 상자 그림(Box Plot)에서 Outlier를 판별하는 기준은 다음과 같다.1. IQR(Interquartile Range) 계산IQR은 Q3 - Q1, 즉 3사분위수와 1사분위수의 차이다. 여기서는 525 - 445 = 80이 된다. 2. Lower Limit (하한선)하한선은 Q1에서 1.5배의 IQR을 뺀 값이다.공식..

Outlier란 데이터 세트에서 너무 크거나 너무 작은 값을 말한다.쉽게 말하면, 평범한 데이터들이랑 비교했을 때 확 튀는 값들이다. outlier를 찾는 방법 중 하나는 z-점수를 사용하는 건데, z-점수가 -3보다 작거나 +3보다 큰 값은 보통 outlier로 간주된다고 한다. Outlier는 몇 가지 이유로 발생할 수 있다.1. 잘못 기록된 데이터일 수 있다. 2. 데이터 세트에 잘못 포함된 값일 수도 있다. 3. 하지만 가끔은 그냥 그 데이터 세트에 정상적으로 포함된 값일 수도 있다.  아무리 특정 데이터가 극단적인 값처럼 보여도 z-점수가 절대값 3을 넘지 않으면 outlier로 취급되지 않는다.