특성 곡선(Characteristic Curves)과 톤 매핑¶

요약

특성 곡선(characteristic curve)은 입력 강도(input intensity)를 출력/표시 강도 (output/display intensity)로 대응시키는 전달 함수(transfer function)다. 이 문서는 필름 시대의 H&D 곡선에서 출발해 디지털의 로그 선형화(log linearization), 감마 보정(gamma correction), 시그모이드(sigmoid) 톤 곡선, DRC(dynamic range compression), 그리고 표시 표준인 DICOM GSDF(Grayscale Standard Display Function)까지, 유방촬영 파이프라인에서 쓰이는 변환 곡선의 계보를 정리한다. 각 곡선이 왜 그 모양인지, 어디에 쓰이는지, 트레이드오프가 무엇인지를 다룬다.

1. 특성 곡선이란¶

특성 곡선은 시스템이 받은 입력값 \(x\) 와 그것이 만들어내는 출력값 \(y\) 의 관계를 나타내는 단조(monotone) 함수 \(y = f(x)\) 이다. 영상 처리에서는 보통

\(x\): 디텍터 신호 또는 로그 선형화된 감쇠량,
\(y\): 표시 장치의 휘도(luminance) 또는 8-bit 픽셀값

을 잇는 곡선을 가리킨다. 곡선의 국소 기울기가 그 휘도 구간의 대조도(contrast)를 결정한다는 점이 핵심이다. 기울기가 가파른 구간은 대조도가 높고, 평평한 구간은 대조도가 낮다.

2. 역사적 출발점: 필름의 H&D 곡선¶

필름 영상의 특성 곡선은 Hurter–Driffield(H&D) 곡선으로, 광학밀도(optical density, OD) 를 로그 노출량(log exposure) 에 대해 그린 것이다.

flowchart LR
    subgraph HD["H&D 곡선 (OD vs log E)"]
    direction LR
    T["toe<br/>(저노출, 저대조도)"] --> S["선형부<br/>(감마 = 기울기)"] --> SH["shoulder<br/>(고노출, 포화)"]
    end

toe(발가락): 저노출 영역. 기울기가 작아 어두운 영역의 대조도가 낮다.
선형부(straight-line portion): 기울기가 일정한 구간. 이 기울기가 감마(gamma) \(\gamma\) 이며 필름의 대조도를 규정한다.
shoulder(어깨): 고노출 영역. 포화되어 다시 평평해진다.
라티튜드(latitude): toe와 shoulder 사이의 유용한 노출 범위. 넓을수록 동적 범위가 크지만 평균 대조도는 낮아진다.

필름 OD는

\[ \mathrm{OD} = \log_{10}\!\left(\frac{I_0}{I}\right) \]

로 정의되며, 입사광 \(I_0\) 대비 투과광 \(I\) 의 로그 비다. 디지털에서는 이 sigmoid 형태의 toe–선형–shoulder 구조가 톤 곡선(tone curve) 으로 일반화된다. 즉 디지털 톤 매핑은 필름의 "보기 좋은" 특성을 수치적으로 재현·제어하려는 시도로 볼 수 있다.

3. 로그 선형화 (log linearization)¶

X-ray 감쇠는 Beer–Lambert 법칙에 의해 지수적이다(디텍터 참고):

\[ I = I_0 \, e^{-\mu t} \]

여기서 \(\mu\) 는 선형 감쇠계수, \(t\) 는 경로 두께다. 디텍터 신호 \(I\) 는 두께·밀도에 대해 지수적으로 변하므로 그대로 처리하면 두꺼운 부위에서 정보가 압축된다. 로그를 취하면

\[ L = \log\!\left(\frac{I_0}{I}\right) = \mu t \]

가 되어 두께·감쇠량에 선형인 양으로 바뀐다. 이는 H&D 곡선이 로그 노출량을 가로축에 쓰는 것과 같은 동기다. 본 프로젝트는 조도 맵 \(I_0\) 를 추정한 뒤 \(L\) 을 \([0, 65535]\) 의 uint16로 정규화한다.

로그 선형화의 이점

로그 영역에서는 곱셈적 효과(예: 두께 구배에 의한 배경 변화)가 덧셈으로 바뀐다. 따라서 배경 추정·차감 같은 평탄화 연산이 선형 영역보다 안정적이고, 이후 다중스케일 분해의 가산적 모델과도 잘 맞는다.

4. 감마 보정 (gamma correction)¶

가장 단순한 비선형 톤 곡선은 거듭제곱(power-law) 형태다. 입력을 \([0,1]\) 로 정규화하면

\[ y = x^{\gamma} \]

\(\gamma < 1\): 곡선이 위로 볼록 → 어두운 영역을 밝게 끌어올려 저휘도 대조도 강조(밝아짐).
\(\gamma = 1\): 항등(identity), 선형.
\(\gamma > 1\): 곡선이 아래로 볼록 → 밝은 영역을 누르고 어두운 영역을 압축(어두워짐, 고휘도 압축).

import numpy as np

def gamma_curve(x_uint16, gamma):
    # x: uint16 [0, 65535] -> 정규화 -> 거듭제곱 -> 복원
    x = x_uint16.astype(np.float32) / 65535.0
    y = np.power(x, gamma)
    return (y * 65535.0).astype(np.uint16)

유방촬영에서는 배경(저주파 성분)에 \(\gamma > 1\) 을 적용해 두꺼운 부위의 넓은 동적 범위를 압축하면서, 디테일은 따로 보존하는 식으로 쓴다(아래 DRC 절).

5. 시그모이드 / S-곡선 (sigmoid tone curve)¶

감마는 한쪽 끝(저휘도 또는 고휘도)만 압축한다. 양쪽을 동시에 압축하면서 중간 휘도의 대조도를 강조하려면 S자 형태의 시그모이드 곡선을 쓴다. 로지스틱(logistic) 형태는

\[ y = \frac{1}{1 + e^{-k\,(x - x_0)}} \]

\(x_0\): 변곡점(중심). Window Center에 해당하는 휘도를 중심에 둔다.
\(k\): 기울기(경사). 클수록 중간 대조도가 가파르다(=대조도↑, 표현 범위↓).

이 곡선은 H&D 곡선의 toe–선형–shoulder 구조를 그대로 재현한다. 양 끝(toe, shoulder)에서 기울기가 0에 수렴해 저·고 휘도를 부드럽게 압축(포화 회피)하고, 중심부에서 기울기가 최대가 되어 관심 휘도 대조도를 끌어올린다.

def sigmoid_curve(x_uint16, center=0.5, k=10.0):
    x = x_uint16.astype(np.float32) / 65535.0
    y = 1.0 / (1.0 + np.exp(-k * (x - center)))
    # toe/shoulder가 [0,1] 끝에 닿도록 재정규화
    y0, y1 = 1/(1+np.exp(k*center)), 1/(1+np.exp(-k*(1-center)))
    y = (y - y0) / (y1 - y0)
    return (np.clip(y, 0, 1) * 65535.0).astype(np.uint16)

6. DRC / 톤 매핑 (dynamic range compression)¶

DRC의 목표는 넓은 동적 범위를 표시 범위로 압축하되, 국소 대조도(디테일)는 잃지 않는 것이다. 단순히 전역 곡선만 적용하면 배경을 누르는 동시에 그 위의 미세 구조도 함께 눌린다. 해결책은 영상을 배경(저주파) + 디테일(고주파) 로 분리해 따로 다루는 것이다 (다중스케일 분해 참고).

본 프로젝트의 핵심 아이디어는 평활화한 배경에만 감마 압축을 적용하고 디테일을 다시 더하는 것이다.

import numpy as np
from scipy.ndimage import gaussian_filter

def drc_tone_map(L, gamma=0.6, sigma=30, detail_gain=1.5):
    """L: 로그 선형화 영상 (float, [0,1] 정규화 가정)."""
    s = gaussian_filter(L, sigma=sigma)        # 저주파 배경 (smoothed background)
    detail = L - s                             # 고주파 디테일
    s_compressed = np.power(np.clip(s, 0, 1), gamma)   # 배경만 압축: s' = s^gamma
    out = s_compressed + detail_gain * detail  # 디테일 재증폭 후 합성
    return np.clip(out, 0, 1)

왜 배경만 압축하는가

배경 \(s\) 에 \(\gamma<1\) 을 적용하면 두꺼운 부위(어두운 배경)가 밝아지며 동적 범위가 압축된다. 디테일 \(L-s\) 는 압축하지 않고 오히려 이득을 주어 더하므로, 전체 밝기 범위는 좁아지지만 미세석회화 같은 국소 대조도는 보존·강조된다. 이것이 톤 매핑이 windowing 단독보다 강력한 이유다.

7. 표시 표준: DICOM GSDF와 perceptual linearization¶

지금까지의 곡선은 "영상값을 어떻게 만들 것인가"였다. 마지막 질문은 "표시 장치가 그 값을 어떤 휘도로 내보내야 사람 눈에 균일하게 보이는가"이다.

사람의 명암 인지(contrast sensitivity)는 휘도에 따라 비선형이다. Barten의 대조도 민감도 함수(contrast sensitivity function, CSF) 모델은 주어진 휘도 수준에서 사람이 겨우 구별할 수 있는 최소 대조도, 즉 JND(just-noticeable-difference) 를 예측한다. DICOM PS3.14의 GSDF(Grayscale Standard Display Function) 는 이 Barten 모델을 적분해, 표시 장치의 디지털 입력(Presentation Value, P-Value)을 JND 인덱스에 선형이 되도록 휘도로 매핑하는 표준 곡선을 정의한다.

\[ \text{P-Value} \;\xrightarrow{\;\text{GSDF}\;}\; \text{Luminance } L\ (\mathrm{cd/m^2}) \]

왜 단순 선형이 아니라 인지적 균일성인가

표시값을 휘도에 선형으로 매핑하면, 어두운 영역에서는 한 단계 차이가 여러 JND를 건너뛰어(밴딩, banding) 보이고 밝은 영역에서는 여러 단계가 1 JND 미만이라 낭비된다. GSDF는 인접한 표시값 사이의 휘도 차가 어디서나 일정한 수의 JND가 되도록 한다. 이렇게 perceptual linearization을 하면 같은 영상이 휘도 특성이 다른 여러 모니터에서 일관되게 보인다. GSDF는 실무에서 LUT(presentation LUT)로 구현된다.

8. 곡선 계보 비교¶

곡선	수식	모양	주요 용도	장점	단점
선형(linear)	\(y = ax + b\)	직선	windowing, rescale	정량성 보존, 단순	동적 범위 압축 불가
감마(gamma)	\(y = x^{\gamma}\)	단조 볼록	한쪽 휘도 압축, 배경 압축	단순, 빠름	한쪽 끝만 압축
로그(log)	\(y = \log(I_0/I)\)	오목	감쇠 선형화	곱→합 변환, 동적 범위↓	저신호 잡음 증폭
시그모이드(sigmoid)	\(y = \frac{1}{1+e^{-k(x-x_0)}}\)	S자	톤 곡선, 양끝 압축	양끝 동시 압축+중간 강조	파라미터 튜닝 필요
GSDF	Barten CSF 적분 (해석해 없음)	인지 곡선	디스플레이 표준화	모니터 간 일관성, 인지 균일	표시 단계 전용, 장치 보정 필요

9. 파이프라인에서의 위치¶

본 프로젝트에서 곡선들은 다음 순서로 쓰인다.

로그: RAW → \(L = \log(I_0/I)\) (영상값 생성, §3).
감마/DRC: 평활화 배경 \(s' = s^{\gamma}\) + 디테일 재증폭 (톤 매핑, §6).
선형/시그모이드: WW/WC windowing으로 표시 8-bit 매핑(windowing).
GSDF: 모니터 presentation LUT로 인지적 균일 표시(LUT).

참고문헌¶

DICOM PS3.14, Grayscale Standard Display Function (GSDF). NEMA.
Barten PGJ. Contrast Sensitivity of the Human Eye and Its Effects on Image Quality. SPIE Press, 1999.
Barten PGJ. "Physical model for the contrast sensitivity of the human eye." Proc. SPIE 1666 (1992): 57–72.
Hurter F, Driffield VC. "Photochemical Investigations and a New Method of Determination of the Sensitiveness of Photographic Plates." J. Soc. Chem. Ind. 9 (1890): 455–469.
Bushberg JT, Seibert JA, Leidholdt EM, Boone JM. The Essential Physics of Medical Imaging, 4th ed. Wolters Kluwer, 2020.
Pisano ED, et al. "Image processing algorithms for digital mammography: a pictorial essay." RadioGraphics 20(5) (2000): 1479–1491.