Contrast Enhancement(대조도 향상)¶

요약

Contrast enhancement(대조도 향상)는 진단상 중요한 조직 간 밝기 차이를 키우는 모든 기법의 총칭이다. 점 연산(HE/CLAHE), 공간 연산(unsharp), 다중스케일(MUSICA), 톤 매핑/DRC, 딥러닝까지 여러 분류를 가로지른다. 이 페이지는 그 전체를 전역(global) → 국소(local/adaptive) → 다중스케일 → tone mapping/DRC → 현대적(변분·딥러닝) 순서, 즉 단순→정교로 조망하고, 다른 페이지(점 연산·다중스케일)와의 중복·차이를 정리한다.

1. 왜 맘모그래피에 대조도 향상이 어려운가¶

대조도(contrast)는 인접 영역 간 밝기 차이다. X-ray에서 그 차이는 조직별 감쇠계수 (\(\mu\)) 차이와 선량·에너지에서 비롯된다(X-ray 대조도/물리). 유방촬영의 어려움은 두 요구가 상충한다는 데 있다.

저대조도 병변 : 유선 조직 배경에서 종괴·미세석회의 밝기 차이가 매우 작다 → 대비를 키워야 한다.
넓은 동적범위 : 두꺼운 흉벽 근처(저신호)부터 얇은 피부선·주변부(고신호)까지 한 영상에 공존 → 전역적으로 펼치면 일부 영역이 포화된다.

DRC(Dynamic Range Compression)의 동기

그래서 현대 맘모 처리는 전역 동적범위는 압축하면서 국소 대비는 보존·증폭하는 DRC 전략을 쓴다. "큰 밝기 차이는 줄이고, 작은(국소) 디테일은 살린다"는 것이 핵심이며, 본 프로젝트의 tone mapping이 바로 이 방식이다(아래 6절, pipeline).

2. 전역 대조도 향상 (가장 단순)¶

영상 전체에 같은 변환을 적용. 모두 점 연산이라 LUT로 가속된다.

2.1 Contrast stretching / Normalization¶

관심 강도 구간을 출력 전 범위로 선형 확장. 이상치에 강건하도록 percentile min-max를 흔히 쓴다(예: 1·99 백분위수로 클리핑 후 스트레치).

\[ g = \frac{f - p_{\text{low}}}{p_{\text{high}} - p_{\text{low}}}\,(g_{\max}) \]

import numpy as np
lo, hi = np.percentile(img[mask > 0], [1, 99])   # 마스크 내부 통계
out = np.clip((img - lo) / (hi - lo), 0, 1)

본 프로젝트도 percentile 기반 normalization을 사용한다.

2.2 Gamma / Sigmoid 톤 곡선¶

비선형 톤 곡선으로 특정 밝기 구간의 대비를 키운다. gamma는 특성 곡선과 연결되고, sigmoid는 중간 톤 대비를 키우면서 양 끝을 부드럽게 압축(부드러운 windowing)한다.

2.3 히스토그램 평활화 (HE)¶

영상 히스토그램으로 톤 곡선을 자동 생성. 전역적이라 국소 대비 저하·잡음 과증폭의 한계가 있다. 자세한 수식·장단점은 point-operations 참고.

3. 국소/적응형 대조도 향상 (개선)¶

전역 방법이 "한 곡선을 모든 곳에" 적용하는 한계를 풀기 위해, 위치마다 다른 변환을 쓴다.

CLAHE : 타일 단위 + clip limit + 경계 보간. 국소 대비를 살리면서 잡음 증폭을 억제하는 대표적 적응형 기법. 수식·맘모 활용·OpenCV 예시는 point-operations 참고.
지역 통계 기반(local contrast) : 지역 평균 \(\mu_{\text{loc}}\)과 표준편차 \(\sigma_{\text{loc}}\)로 \(g = \mu_{\text{loc}} + k\,(f-\mu_{\text{loc}})\)처럼 국소 편차를 증폭. unsharp masking과 사실상 같은 가족이다(sharpening).
Retinex / Homomorphic : 영상을 조도(illumination)와 반사(reflectance)로 분리해 \(\log\) 영역에서 저주파(조도)를 누르고 고주파(반사·대비)를 살린다. 조명 불균일과 동적범위를 동시에 다루는 고전적 DRC 접근.

4. 다중스케일 대조도 향상 (정교)¶

대비는 본질적으로 스케일 의존적이다(미세석회의 대비와 종괴의 대비는 다른 스케일). 다중스케일 방법은 영상을 여러 대역으로 분해해 대역별로 다르게 증폭한다.

다중 σ unsharp 합성 : 여러 radius의 unsharp mask를 가중 합성(sharpening).
MUSICA (Multiscale Image Contrast Amplification, Philips) : Laplacian-pyramid 류 다중스케일 분해 후, 각 대역 계수에 비선형 게인(작은 계수는 강하게, 큰 계수는 약하게)을 적용해 약한 디테일을 부각하고 강한 엣지의 과증폭을 막는, 상용 맘모 처리의 사실상 표준 개념.
Laplacian pyramid contrast / local Laplacian filters (Paris 2011) : 대역별·국소 계수 조작으로 halo 없이 국소 대비를 조절. 다중스케일의 자세한 이론은 다중스케일 분해 참고.

5. (요약 흐름)¶

flowchart TD
    G[전역: stretch / gamma / HE] --> L[국소: CLAHE / local contrast / retinex]
    L --> M[다중스케일: unsharp 합성 / MUSICA / local Laplacian]
    M --> T[Tone mapping / DRC]
    T --> D[현대: 변분 / 딥러닝]

6. Tone Mapping / DRC — 전역 압축 + 국소 대비 보존¶

DRC의 핵심 레시피는 영상을 평활 배경(base)과 디테일(detail)로 분해한 뒤, 배경은 압축하고 디테일은 보존·증폭하는 것이다(HDR tone mapping과 동일한 발상).

프로젝트의 tone mapping

본 프로젝트는 guided filter + Laplacian pyramid로 base/detail을 분해한 뒤 다음을 수행한다.

black-point clip : 배경 하한을 잘라 헛된 동적범위 제거.
gamma on smoothed background (global suppression) : 평활화된 배경에 gamma를 적용해 큰 밝기 차이(전역 동적범위)를 압축.
detail re-amplification (regional/detail) : 분해한 디테일 성분을 다시 증폭해 국소 대비를 되살림.

이렇게 전역 압축과 국소 대비 보존을 분리해 다루므로, 두꺼운/얇은 영역을 한 화면에 담으면서도 미세 구조의 대비를 유지한다. 이후 CLAHE를 마스크 내부에 약하게 blend하고 windowing으로 마무리한다. 주변부 밝기 불균일은 peripheral equalization이 별도로 보상한다. 전체 흐름은 프로젝트 파이프라인 참고.

7. 현대적 방법 (최신)¶

변분/최적화(variational) : 대비 향상을 에너지 최소화로 정식화. Total Variation(TV) 정칙화로 잡음을 억제하면서 대비를 키우거나, 히스토그램 형태를 제약으로 거는 최적화 기반 HE 변형 등.
딥러닝 기반 enhancement : CNN/U-Net으로 저대조도→고대조도 매핑을 학습하거나, GAN으로 지각적으로 자연스러운 강조를, diffusion으로 잡음 억제와 대비 향상을 동시에 수행한다. 데이터 주도라 수작업 파라미터 튜닝을 줄여 주지만, 일반화·아티팩트·검증 부담이 크다. 자세한 내용은 딥러닝 기반 처리 참고.

8. 비교표¶

방법	전역/국소	잡음 영향	대표 사용처
Contrast stretching / normalization	전역	낮음(증폭 거의 없음)	동적범위 정규화, 전처리
Gamma / sigmoid 톤 곡선	전역	낮음	디스플레이 톤, DRC 배경 압축
HE	전역	높음(과증폭)	빠른 자동 대비 확장
CLAHE	국소	중간(clip로 억제)	맘모 국소 대비, 표시용
Local contrast / unsharp	국소	높음(엣지보존시 완화)	미세구조 강조
Retinex / homomorphic	국소+전역	중간	조명 불균일, DRC
MUSICA / local Laplacian	다중스케일	중간(대역 게인 제어)	상용 맘모 처리
Tone mapping / DRC	전역+국소	낮음~중간	넓은 동적범위 압축
딥러닝	데이터 주도	학습 의존	최신 연구·제품

참고문헌¶

R. C. Gonzalez, R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018.
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. Vuylsteke, E. Schoeters, "Multiscale Image Contrast Amplification (MUSICA)," Proc. SPIE Medical Imaging, vol. 2167, pp. 551–560, 1994.
A. F. Laine, S. Schuler, J. Fan, W. Huda, "Mammographic Feature Enhancement by Multiscale Analysis," IEEE Transactions on Medical Imaging, vol. 13, no. 4, pp. 725–740, 1994.
S. Paris, S. W. Hasinoff, J. Kautz, "Local Laplacian Filters: Edge-Aware Image Processing with a Laplacian Pyramid," ACM Transactions on Graphics, vol. 30, no. 4, 2011.
E. H. Land, "An Alternative Technique for the Computation of the Designator in the Retinex Theory of Color Vision," PNAS, vol. 83, no. 10, pp. 3078–3080, 1986.