신호 및 이미지 처리 모듈
SciPy는 유용한 신호 처리와 이미지 처리 도구를 제공합니다.
이를 통해 시간/공간 데이터에 필터를 적용하고, 주파수를 분석하며, 이미지를 활용한 연산을 수행할 수 있습니다.
주요 모듈은 다음과 같습니다.
scipy.signal: 오디오, 시계열, 이미지 등 1D/2D 신호를 다룹니다.scipy.ndimage: 고급 이미지 처리 기능을 제공합니다.
예제 1: 저역통과 필터링
signal.butter()로 저역통과 필터를 설계하고, signal.filtfilt()로 위상 지연 없이 적용합니다.
버터워스 저역통과 필터
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal, misc
# 샘플링 파라미터
fs = 500.0 # Hz
t = np.arange(0, 1.0, 1/fs)
# 잡음이 섞인 신호 생성
sig = np.sin(2*np.pi*5*t) + 0.5*np.sin(2*np.pi*50*t)
# 저역통과 필터 설계 (차단 주파수 10 Hz)
b, a = signal.butter(N=4, Wn=10/(fs/2), btype='low')
# 필터 적용 (영위상 왜곡)
filtered = signal.filtfilt(b, a, sig)
# 결과 플로팅
plt.plot(t, sig, label="Original", alpha=0.5)
plt.plot(t, filtered, label="Filtered", linewidth=2)
plt.xlabel("Time [s]")
plt.ylabel("Amplitude") # 진폭
plt.title("Low-Pass Butterworth Filter") # 저역통과 버터워스 필터
plt.legend()
plt.show()
예제 2: 스펙트로그램
signal.spectrogram()을 사용해 시간에 따라 변하는 신호의 주파수 성분을 시각화합니다.
스펙트로그램
f, t_spec, Sxx = signal.spectrogram(sig, fs)
plt.pcolormesh(t_spec, f, Sxx, shading='gouraud')
plt.ylabel("Frequency [Hz]") # 주파수
plt.xlabel("Time [s]") # 시간
plt.title("Spectrogram") # 스펙트로그램
plt.show()
스펙트로그램은 오디오, 기계 진동, 지진파 등 시간에 따라 변하는 주파수 패턴을 분석할 때 유용합니다.
예제 3: 이미지 블러링
signal.convolve2d()로 가우시안 커널을 이용해 이미지를 흐리게 만듭니다.
합성곱으로 가우시안 블러 적용
# 샘플 이미지 불러오기
face = misc.face(gray=True)
# 가우시안 블러 커널 생성
kernel_size = 15
sigma = 3.0
x = np.linspace(-sigma, sigma, kernel_size)
gauss_kernel_1d = np.exp(-x**2 / (2 * sigma**2))
gauss_kernel_1d /= gauss_kernel_1d.sum()
gauss_kernel_2d = np.outer(gauss_kernel_1d, gauss_kernel_1d)
# 합성곱 적용
blurred_face = signal.convolve2d(face, gauss_kernel_2d, mode='same', boundary='symm')
# 원본과 블러 이미지 표시
plt.subplot(1, 2, 1)
plt.imshow(face, cmap='gray')
plt.title("Original")
plt.axis('off')
plt.subplot(1, 2, 2)
plt.imshow(blurred_face, cmap='gray')
plt.title("Blurred")
plt.axis('off')
plt.show()
핵심 요약
- 1D/2D 신호의 필터링과 주파수 분석에는
scipy.signal을 사용하세요. - 고급 이미지 처리 작업에는
scipy.ndimage가 적합합니다.
다음 내용이 궁금하다면?
코드프렌즈 PLUS 멤버십 가입 or 강의를 등록해 주세요!