Skip to content

점 연산: Windowing, Gamma, 히스토그램 평활화, CLAHE

요약

점 연산(point operation, pixel-wise operation)은 출력 픽셀값이 같은 위치의 입력 픽셀값만의 함수인 가장 단순한 영상 처리다. 공간 정보(이웃 픽셀)를 전혀 보지 않으므로 LUT로 가속할 수 있다. 이 페이지는 가장 단순한 선형 변환과 windowing·gamma부터, 전역 히스토그램 평활화(Histogram Equalization, HE), 그 한계를 보완한 적응형 AHE, 그리고 잡음 과증폭을 억제한 CLAHE (Contrast-Limited Adaptive Histogram Equalization)까지 단순→정교 순서로 다룬다.

1. 점 연산이란

점 연산은 입력 영상 \(f(x,y)\)를 변환 함수 \(T\)로 매핑한다.

\[ g(x,y) = T\big(f(x,y)\big) \]

핵심은 \(T\)가 위치 \((x,y)\)나 이웃에 무관하고 오직 입력 강도 \(r=f(x,y)\)에만 의존한다는 점이다. 따라서 가능한 모든 입력값에 대해 \(T\)를 한 번씩만 계산해 LUT에 저장해 두면, 영상 전체를 픽셀당 O(1) 조회로 처리할 수 있다. 16-bit 입력이면 \(2^{16}=65536\) 개 엔트리만 채우면 된다.

점 연산의 본질적 한계

공간 정보를 보지 않기 때문에 점 연산만으로는 "이 영역은 어둡고 저 영역은 밝다" 같은 국소적 맥락을 반영할 수 없다. 이 한계가 뒤에 나오는 AHE/CLAHE(국소 히스토그램)와 공간 연산(smoothing/sharpening)의 등장 동기다.

2. 가장 단순한 점 연산 — 선형 변환

2.1 밝기/명암 선형 변환

\[ g = \alpha\, f + \beta \]
  • \(\alpha\) (gain) : 명암(contrast) 조절. \(\alpha>1\)이면 대조도 증가.
  • \(\beta\) (bias) : 밝기(brightness) 조절.

가장 단순하지만 동적범위를 단순 이동·확대할 뿐이라, 포화(clipping)가 쉽게 일어난다.

2.2 Windowing (window/level)

표시 가능한 좁은 밝기 구간 \([L-W/2,\,L+W/2]\)만 선형으로 펼치고 나머지는 포화시키는 구간별 선형 점 연산이다. 진단 시 관심 조직(예: 유선 조직 vs 지방)에 맞춰 window width \(W\)와 window level(center) \(L\)을 조절한다.

\[ g = \begin{cases} 0 & f \le L - W/2 \\ \dfrac{f-(L-W/2)}{W}\,(g_{\max}) & L-W/2 < f < L+W/2 \\ g_{\max} & f \ge L + W/2 \end{cases} \]

자세한 내용과 DICOM VOI LUT 연계는 windowing 참고.

2.3 Gamma 변환

\[ g = g_{\max}\left(\frac{f}{f_{\max}}\right)^{\gamma} \]

\(\gamma<1\)이면 어두운 영역을 펴고(밝게), \(\gamma>1\)이면 밝은 영역을 압축한다. 디스플레이의 비선형 응답 보정이나 톤 곡선(tone curve)으로 쓰인다. 필름·디텍터의 입출력 관계인 특성 곡선과 직접 연결된다. 본 프로젝트의 tone mapping 단계에서도 평활화된 배경(smoothed background)에 gamma를 적용한다 (contrast-enhancement, pipeline).

3. 히스토그램 평활화 (Histogram Equalization, HE)

선형/gamma 변환은 곡선을 사람이 정해야 한다. HE는 영상 자신의 히스토그램으로부터 변환 곡선을 자동으로 만든다. 아이디어는 출력 강도가 거의 균일(uniform)하게 분포하도록, 즉 누적분포함수(CDF)가 직선이 되도록 매핑하는 것이다.

정규화 히스토그램(확률) \(p(r_j)=n_j/N\)에 대해, \(L\) 레벨 영상의 변환은 CDF에 비례한다.

\[ s_k = (L-1)\sum_{j=0}^{k} p(r_j),\qquad k=0,1,\dots,L-1 \]

이는 곧 누적 히스토그램을 정규화한 1D LUT다.

HE의 장단점

  • 장점 : 파라미터가 없고 전역 대조도를 자동으로 펼친다. 동적범위를 충분히 못 쓰는 영상에 효과적.
  • 단점 : (1) 전역적이므로 영상 일부의 국소 대조도는 오히려 떨어질 수 있다. (2) 빈도가 높은 배경 레벨이 곡선을 지배해 잡음과 빈 영역을 과증폭한다. (3) 부자연스러운 톤 점프(over-enhancement)가 생긴다. 맘모처럼 넓은 배경과 미세한 병변이 공존하는 영상에서 특히 문제다.

4. 적응형 히스토그램 평활화 (AHE)

HE의 "전역" 한계를 푸는 가장 직접적인 방법은 영상을 작은 영역(타일, tile)으로 나눠 각 영역마다 자기 히스토그램으로 HE를 수행하는 것이다. 이것이 AHE(Adaptive HE, Pizer 1987)다. 국소 맥락을 반영하므로 국소 대조도가 크게 향상된다.

AHE의 치명적 약점 — 잡음 과증폭

균질한(거의 평탄한) 타일에서는 히스토그램이 좁은 구간에 몰려 있어, CDF 기울기가 매우 커진다. 그 결과 작은 잡음 변동이 큰 강도 차이로 증폭된다. 균질 영역일수록 잡음이 더 심하게 부풀려지는 역설이 생긴다.

5. CLAHE — Contrast-Limited Adaptive Histogram Equalization

AHE의 잡음 과증폭을 억제하기 위해 clip limit를 도입한 것이 CLAHE다(Pizer 1987 변형; 의료영상 표준 기법).

핵심 아이디어 두 가지:

  1. Clip limit (대조도 제한) : 각 타일 히스토그램에서 어떤 빈(bin)의 빈도가 임계값을 넘으면 그 초과분을 잘라내고, 잘라낸 양을 모든 빈에 고르게 재분배한다. 이렇게 하면 CDF 기울기에 상한이 생겨, 균질 영역의 잡음 증폭이 제한된다.
  2. 타일 경계 쌍선형 보간(bilinear interpolation) : 타일마다 독립 LUT를 쓰면 경계에서 블록 아티팩트가 생긴다. CLAHE는 인접 4개 타일의 변환을 쌍선형 보간으로 섞어 경계를 매끄럽게 만든다.
flowchart LR
    A[타일 분할] --> B[타일별 히스토그램]
    B --> C[clip limit 적용<br/>초과분 재분배]
    C --> D[타일별 CDF/LUT]
    D --> E[타일 경계<br/>쌍선형 보간]
    E --> F[출력]

5.1 맘모그래피에서의 CLAHE

Pisano 등(1998)은 치밀 유방(dense breast) 맘모그램에서 CLAHE가 시뮬레이션된 spiculation (방사상 구조)의 검출을 향상시킴을 보였다. 동시에 clip limit가 너무 크면 잡음·아티팩트가 강조되어 위양성을 늘릴 수 있어, 임상에서는 약하게(보수적으로) 적용하는 것이 통념이다.

5.2 Python 예시 (OpenCV)

import cv2
import numpy as np

# img: uint8 또는 uint16 그레이스케일
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
enhanced = clahe.apply(img)
  • clipLimit : clip limit. 클수록 대조도 강조가 강하고 잡음 증폭 위험이 커진다.
  • tileGridSize : 타일 격자 수. 작을수록 더 국소적(=AHE에 가까움).

프로젝트에서의 CLAHE 사용

본 프로젝트는 CLAHE를 표시용(for-presentation) 단계에서, 그것도 유방 마스크 내부에만 약하게 blend하여 적용한다. 즉 배경(공기)에는 적용하지 않고, 톤 매핑된 영상에 CLAHE 결과를 부분적으로 섞어 국소 대비를 살리되 잡음 과증폭을 피한다. 이후 windowing으로 표시 범위를 정한다. 전체 흐름은 프로젝트 파이프라인 참고.

6. 히스토그램 매칭 / Specification

HE가 출력 히스토그램을 "균일"하게 만드는 특수한 경우라면, 히스토그램 매칭(histogram matching, specification)은 출력이 임의로 지정한 목표 히스토그램을 따르도록 매핑한다. 입력 영상의 CDF \(G_{in}\)와 목표 CDF \(G_{ref}\)에 대해 \(T = G_{ref}^{-1}\circ G_{in}\)로 LUT를 구성한다. 동일 장비·동일 프로토콜의 영상 간 밝기/대조도 표준화(normalization)나 기준 영상 톤으로의 정렬에 유용하다. 균일 분포를 목표로 하면 HE와 같아진다.

참고문헌

  • R. C. Gonzalez, R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018. (Ch. 3: Intensity Transformations and Histogram Processing)
  • 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.
  • K. Zuiderveld, "Contrast Limited Adaptive Histogram Equalization," in Graphics Gems IV, Academic Press, 1994, pp. 474–485.
  • 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.