Google Colaboratory というサービスをご存知でしょうか。
これはGoogleが教育や研究用に、
Jupyter Notebookという開発環境を誰でも簡単に利用できるようにしたものです。
つまり
Python実行環境を誰でも簡単にChromeブラウザ上に手に入れる事ができます！
さらに、コードはGoogleドライブ上に保存され共有可能です！
しかも、GPU(Tesla K80)も12時間分までなら無料で使えてしまいます！
まさに機械学習を試すにはうってつけの環境ということで、日本語の記事も増えてきているようです。
ブラウザだけでPythonが実行できてしまうGoogle Colaboratory。
今回は少しライトな使用法として、OpenCVで画像処理を試してみたいと思います。
Hello World
Colaboratoryのサイトにアクセスすると、次のような初期画面が表示されます。
2回目以降はファイル選択画面が表示されますが、ここでは新規作成をしていきましょう。
すると、以下のようなセルが表示されます。このセルにコードを書き、好きなタイミングで左の実行ボタンを押すと（またはShift+Enter）、コードが実行されます。
試しに以下のコードを入力して実行してみましょう。
|
1 |
print("Hello, world!") |
すると下のように実行結果がインラインで表示されます！
ファイルの読み込み
準備ができたところで、次に画像を読み込んでみましょう。
以下のコードを実行してみてください。OpenCVをimportして関数を利用します。
|
1 2 3 4 |
import cv2 im = cv2.imread('Lenna.jpg') print(im) |
おそらくエラーとなり、何も表示されないかと思います。
これは当然で、指定した画像の参照ができていないためです。
参照の方法として、Googleドライブと連携させることも可能ですが、少々手間がかかります。
今回のように数枚の参照であれば、専用のダイアログを利用するのがいいでしょう。
|
1 2 |
from google.colab import files upload = files.upload() |
上記のコードを実行、画像のアップを行なった後に再び先ほどのコードを実行してみてください。
エラーが解消され、画像を表す行列が表示されるはずです。
画像の表示
OpenCVで画像を表示する場合は一般的に、imshow()というメソッドを使います。しかしこれは別window上で表示するものなので、Colaboratory上ではエラーとなってしまいます。
そこで表示にはmatplotlibを利用します。これは、Python&データサイエンスの分野ではデファクトスタンダードとなっているグラフ描画ライブラリです。OpenCVもですが、Colaboratoryでは有名なライブラリはデフォルトでインストールされているのでとても便利です。下記のコードを実行してみます。
|
1 2 |
from matplotlib import pyplot as plt plt.imshow(im) |
画像が表示されました。が、何か色が変です…。青い…。
これはOpenCVで扱う画像フォーマットがBGRなのに対し、matplotlibではRGBとして扱ってしまうためです。
修正して実行します。ついでに不要な軸も非表示にします。
|
1 2 3 4 |
from matplotlib import pyplot as plt plt.axis('off') im_rgb = cv2.cvtColor(im, cv2.COLOR_BGR2RGB) plt.imshow(im_rgb) |
うまくいきました。
画像処理
ここまで来れば、基本的な画像処理アルゴリズムを試すことはできると思います。
ということで最後にサンプルとして、AKAZEによる特徴点マッチングを行ってみます。
Lennaさんと、それを回転したものをマッチングします。
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 |
import cv2 from matplotlib import pyplot as plt im_left = cv2.imread('Lenna.jpg') im_right = cv2.imread('LennaRotated.jpg') # ダウンサンプリング im_left_lowers = cv2.pyrDown(im_left) im_right_lowers = cv2.pyrDown(im_right) # AKAZE抽出器 detector = cv2.AKAZE_create() # 画像からKeypointとDescriptorを生成 kp_left, des_left = detector.detectAndCompute(im_left_lowers, None) kp_right, des_right = detector.detectAndCompute(im_right_lowers, None) # 全探索マッチング、上位２つの結果を採用 bf = cv2.BFMatcher() matches = bf.knnMatch(des_left, des_right, k=2) # データを間引き ratio = 0.5 good = [] for m, n in matches: if m.distance < ratio * n.distance: good.append([m]) # マッチング結果の描画 im_result = cv2.drawMatchesKnn(im_left_lowers, kp_left, im_right_lowers, kp_right, good, None, flags=2) # BGR -> RGB im_result_rgb = cv2.cvtColor(im_result, cv2.COLOR_BGR2RGB) plt.axis('off') plt.imshow(im_result_rgb) |
いかがでしょうか。
ファイルの参照は若干面倒ですが、ブラウザだけで試せるというのは素晴らしいです。
対話型で、かつGoogleドライブに残せるので、自習や勉強会の際にも大変役立ちそうです。
まだ参考となる資料が少ないですが、Jupyter Notebookの派生なので同じ解決策で事足りることも多い印象です。
この機会にぜひ Google Colaboratory、試してみてください。
