CLAHE¶

CLAHE (Contrast Limited Adaptive Histogram Equalization) 는 이미지를 작은 타일(tile)로 나누어 각 타일별로 히스토그램 균등화를 적용한다. 두 가지 파라미터로 동작이 결정된다.

tileGridSize — 타일 격자 크기. 예: (8, 8) 이면 8×8 = 64개 타일.
clipLimit — 한 타일 안에서 히스토그램 피크를 자르는 한계. 너무 높으면 노이즈도 증폭, 너무 낮으면 효과 미미.

타일별 변환 후 경계 부분은 bilinear interpolation으로 부드럽게 이어 붙여 격자 흔적을 없앤다.

graph TB
  A[Image] --> T[Tile grid]
  T --> H[Per-tile histogram]
  H --> C[Clip histogram at clipLimit]
  C --> E[Per-tile equalization]
  E --> B[Bilinear blend between tiles]
  B --> O[Enhanced image]

OpenCV 한 줄 사용¶

clahe.py
import cv2
import numpy as np

def apply_clahe(img_u8: np.ndarray,
                clip_limit: float = 0.03,
                tile_grid: tuple[int, int] = (8, 8)) -> np.ndarray:
    """img_u8: uint8 grayscale."""
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_grid)
    return clahe.apply(img_u8)

16비트 입력

OpenCV CLAHE는 uint8 또는 uint16을 받지만, 보통 윈도잉으로 8비트로 줄인 뒤 적용한다. 16비트 그대로 적용하려면 clipLimit을 더 낮게 조정해야 한다.

파라미터 감각¶

`clipLimit`	효과
0.005~0.01	보수적, 노이즈 증폭 최소
0.02~0.05	mammography 일반 권장
0.10 이상	공격적, 미세 구조 강조 (노이즈도 증폭)

`tileGridSize`	효과
(4, 4)	매우 거시적, 전역 HE에 가까움
(8, 8)	일반 권장
(16, 16)	국소 대비 강조 (병변 가시화)
(32, 32)	너무 작은 영역, 타일별 통계 불안정

적용 순서¶

CLAHE의 위치는 파이프라인 끝부분이 일반적이다.

graph LR
  R[Raw] --> M[Masking]
  M --> W[Windowing or Hist Match]
  W --> D[Denoising]
  D --> C[CLAHE]
  C --> L[LP enhance]
  L --> O[Output]

노이즈가 큰 이미지에 먼저 CLAHE를 걸면 노이즈가 함께 증폭된다 → Denoising 다음에 적용
주파수 대역별 강조(Laplacian Pyramid)를 함께 쓸 때는 LP의 입력 신호 콘트라스트를 CLAHE가 미리 끌어올려두는 형태가 자연스럽다

마스크와 함께 사용¶

배경 영역까지 CLAHE에 노출시키면 타일별 통계가 왜곡된다. 보통은 Breast Masking으로 구한 마스크 안쪽에만 적용한다.

masked_clahe.py
def masked_clahe(img_u8, mask, clip_limit=0.03, tile_grid=(8, 8)):
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile_grid)
    enhanced = clahe.apply(img_u8)
    out = img_u8.copy()
    out[mask.astype(bool)] = enhanced[mask.astype(bool)]
    return out

16-bit ROI 부분 적용 (blend)¶

표시용 8비트로 줄이기 전 16비트 그대로 CLAHE를 적용하면 정보 손실을 줄일 수 있다(clip_limit은 낮게). 또한 강화 강도를 미세 조절하려면 결과를 통째로 쓰지 말고 원본과 가중 혼합(blend) 한다 — 과증폭과 노이즈를 억제하면서 대비만 일부 끌어올린다. 연산은 마스크의 ROI 박스 안에서만 수행해 비용을 줄인다(RAW→DCM 복원의 표시 렌더링 단계에서 사용).

clahe_16bit_blend.py

def clahe_roi_blend(img_u16, mask, clip_limit=1.0, tile=(16, 16), blend=0.1):
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=tile)
    ys, xs = np.where(mask > 0)
    y0, y1, x0, x1 = ys.min(), ys.max() + 1, xs.min(), xs.max() + 1
    roi = img_u16[y0:y1, x0:x1]
    enhanced = clahe.apply(roi)                                  # uint16 그대로
    blended = cv2.addWeighted(enhanced, blend, roi, 1.0 - blend, 0)
    out = img_u16.copy()
    out[y0:y1, x0:x1][mask[y0:y1, x0:x1] > 0] = blended[mask[y0:y1, x0:x1] > 0]
    return out

blend=0.1이면 CLAHE 효과를 10%만 섞는다. 미세석회화 가시화처럼 강하게 강조해야 할 때는 비중을 높인다.

한계¶

미세석회화 같은 고주파 디테일은 CLAHE만으로 충분히 강조되지 않는다 — Laplacian Pyramid 등 주파수 분해와 결합
타일 경계가 큰 균일 영역에서 부드러운 그라데이션을 도입할 수 있음 — tileGridSize를 너무 크게 잡지 않기
윈도잉 후 8비트로 양자화된 이미지에 적용하면 16비트 원본보다 정보 손실이 크다 — 가능하면 윈도잉 직전에 적용