Skip to content

영상 처리 기법 개요와 분류

요약

이 페이지는 유방촬영(mammography) 영상 처리에서 쓰이는 기법 전체를 분류 체계로 정리하고, 가장 간단한 고전 알고리즘부터 최신 알고리즘까지 연대기적 순서로 배열한 로드맵이다. 점 연산(point operation), 공간 연산(spatial operation), 다중스케일/변환영역 (multiscale/transform), 학습 기반(learning-based)의 네 축으로 나누고, 각 기법이 어느 상세 페이지에서 다뤄지는지 링크한다. 본 사이트의 모든 기법 페이지는 이 순서를 따른다.

1. 왜 분류가 필요한가

유방촬영 영상은 저대조도(low-contrast) 병변(미세석회 microcalcification, 종괴 mass)과 넓은 동적범위(wide dynamic range)(두꺼운 흉벽 근처부터 얇은 피부선까지)를 동시에 다뤄야 한다. 어떤 기법도 단독으로 모든 요구를 만족시키지 못하므로, 실무 파이프라인은 여러 기법을 순서대로 조합한다(프로젝트 파이프라인 참고). 기법을 올바르게 조합하려면 각 기법이 무엇을 입력으로 보는가(픽셀 하나? 이웃? 여러 스케일? 데이터셋?)를 기준으로 분류하는 것이 가장 유용하다.

2. 분류 체계 (Taxonomy)

분류 입력이 보는 범위 공간 정보 사용 대표 기법 상세 페이지
점 연산 (point/pixel operation) 픽셀 하나의 값 없음 windowing, gamma, contrast stretching, HE, AHE, CLAHE point-operations
공간 연산 (spatial/neighborhood) 픽셀 + 이웃 커널(kernel) 지역적 mean/Gaussian, median, bilateral, anisotropic diffusion, guided filter, NLM, Sobel/Laplacian, unsharp masking, morphology smoothing, sharpening
다중스케일/변환영역 (multiscale/transform) 여러 해상도·주파수 대역 전역+지역 Laplacian pyramid, wavelet, MUSICA, local Laplacian, homomorphic, peripheral equalization 다중스케일 분해, peripheral equalization
학습 기반 (learning-based) 데이터셋 전체로 학습한 모델 데이터 주도 CNN, U-Net, GAN, diffusion, 변분/최적화 융합 딥러닝

분류는 배타적이지 않다

실제 기법은 경계에 걸친다. 예를 들어 CLAHE는 타일(tile) 단위 점 연산이지만 타일 간 공간 보간이 들어가고, unsharp masking은 공간 필터지만 여러 σ로 적용하면 다중스케일이 된다. 분류는 "이 기법이 본질적으로 무엇을 보는가"를 이해하기 위한 도구일 뿐이다.

3. 연대기적 발전 (Chronological Progression)

본 사이트는 단순한 컨셉 → 정교한 컨셉 순서로 기술을 소개한다. 아래는 그 큰 줄기다.

timeline
    title 영상 처리 기법의 연대기적 발전
    1960s-70s : 점 연산 (windowing / gamma / LUT) : 히스토그램 평활화 HE
    1980s     : AHE (adaptive HE) : CLAHE (Pizer 1987) : Laplacian pyramid (Burt & Adelson 1983)
    1990s     : median / 선형 sharpening / unsharp masking : anisotropic diffusion (Perona-Malik 1990) : MUSICA (Philips) : CLAHE in mammography (Pisano 1998) : wavelet enhancement
    2000s     : bilateral filter : Non-Local Means (Buades 2005) : BM3D (2007)
    2010s     : guided filter (He 2010) : local Laplacian filters (Paris 2011) : CNN / U-Net denoising-enhancement
    2020s     : GAN / diffusion 기반 enhancement·denoising

순서대로 정리하면 다음과 같다(번호가 곧 학습 권장 순서다).

  1. 점 연산 — windowing / gamma / LUT : 가장 단순. 픽셀값을 함수 하나로 매핑. → point-operations, windowing, 특성 곡선, LUT
  2. 히스토그램 평활화 (HE) : 전역 히스토그램을 균일화. 여전히 점 연산. → point-operations
  3. 적응형 — AHE → CLAHE : 국소 히스토그램 + clip limit로 잡음 억제. → point-operations
  4. 선형 공간 필터 : smoothing(mean/Gaussian)과 sharpening(Sobel/Laplacian), unsharp masking. → smoothing, sharpening
  5. 비선형/에지보존 필터 : median, bilateral, anisotropic diffusion, guided filter, NLM. → smoothing
  6. 다중스케일/변환영역 : Laplacian pyramid, wavelet, MUSICA, local Laplacian. → 다중스케일 분해, contrast-enhancement
  7. Peripheral equalization / thickness modeling : 유방 주변부 두께 보상. → peripheral equalization
  8. 최적화/변분(variational, TV) : 에너지 최소화로 denoise·enhance. → 딥러닝 (변분-학습 융합 포함)
  9. 딥러닝 (CNN/U-Net/GAN/diffusion) : 데이터 주도 최신 기법. → 딥러닝

왜 이 순서인가

각 단계는 직전 단계의 한계를 극복하며 등장했다. HE의 전역 한계 → AHE의 잡음 과증폭 → CLAHE의 clip limit. 선형 smoothing의 엣지 흐림(MTF 저하) → 에지보존 필터. 단일 스케일 처리의 한계 → 다중스케일. 수작업 파라미터의 한계 → 학습 기반. 한계와 극복의 사슬을 따라가면 전체 분야가 하나의 이야기로 읽힌다.

4. 프로젝트 파이프라인과의 대응

본 프로젝트의 처리 흐름을 위 분류에 대응시키면 다음과 같다.

flowchart LR
    A[RAW 16-bit] --> B[log-linearization<br/>점 연산]
    B --> C[breast mask<br/>threshold + morphology + CC<br/>공간 연산]
    C --> D[peripheral thickness<br/>compensation<br/>다중스케일/모델]
    D --> E[guided filter +<br/>Laplacian pyramid<br/>공간+다중스케일]
    E --> F[tone mapping / DRC<br/>점+다중스케일]
    F --> G[CLAHE<br/>적응형 점 연산]
    G --> H[windowing<br/>점 연산]

5. 이 사이트를 읽는 순서

처음 읽는다면 아래 순서를 권장한다.

  1. 점 연산: Windowing, Gamma, HE, CLAHE — 가장 기본.
  2. Smoothing과 Denoising — 잡음 제거와 에지보존 필터.
  3. Sharpening과 Edge Enhancement — 에지 강조와 unsharp masking.
  4. Contrast Enhancement — 대조도 향상 종합.
  5. 다중스케일 분해 — pyramid/wavelet/MUSICA.
  6. Peripheral equalization — 주변부 균등화.
  7. 딥러닝 기반 처리 — 최신 학습 기반.

배경 지식이 필요하면 맘모그래피 개념, X-ray 물리, 디텍터, 품질지표(MTF/NPS/SNR)를 먼저 읽으면 좋다.

참고문헌

  • R. C. Gonzalez, R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018. (점 연산·공간 필터·히스토그램 처리의 표준 교재)
  • S. M. Pizer et al., "Adaptive Histogram Equalization and Its Variations," Computer Vision, Graphics, and Image Processing, vol. 39, no. 3, pp. 355–368, 1987.
  • E. D. Pisano et al., "Contrast Limited Adaptive Histogram Equalization Image Processing to Improve the Detection of Simulated Spiculations in Dense Mammograms," Journal of Digital Imaging, vol. 11, no. 4, pp. 193–200, 1998.
  • P. J. Burt, E. H. Adelson, "The Laplacian Pyramid as a Compact Image Code," IEEE Transactions on Communications, vol. 31, no. 4, pp. 532–540, 1983.
  • P. Perona, J. Malik, "Scale-Space and Edge Detection Using Anisotropic Diffusion," IEEE TPAMI, vol. 12, no. 7, pp. 629–639, 1990.
  • K. He, J. Sun, X. Tang, "Guided Image Filtering," ECCV 2010; IEEE TPAMI, vol. 35, no. 6, pp. 1397–1409, 2013.