Sharpening과 Edge Enhancement(에지 강조)¶

요약

Sharpening(첨예화)은 고주파 성분을 강조해 경계와 미세구조를 또렷하게 만드는 공간 연산이다. smoothing과 정반대로 고주파를 키워 손실된 MTF를 보강하는 효과를 낸다. 이 페이지는 가장 단순한 미분 연산자(gradient, Laplacian)에서 시작해, 고전적이면서 가장 널리 쓰이는 unsharp masking(USM)과 high-boost, 그리고 엣지보존·다중스케일·주파수영역 기반의 정교한 방법까지 단순→정교 순서로 다룬다. 미세석회 검출이라는 임상 목표와 halo/ringing 같은 부작용 관리를 함께 강조한다.

1. 동기 — 무엇을 또렷하게 하려는가¶

맘모그래피에서 sharpening의 임상 목표는 미세석회(microcalcification)와 종괴의 경계(margin) 가시성을 높이는 것이다. 미세석회는 수백 µm 크기의 작고 고대비인 구조로, 악성 군집(cluster)의 중요한 조기 징후다(맘모그램 개념). 이런 구조는 고주파 대역에 있으므로, 디텍터·산란·blur로 떨어진 고주파 MTF를 부분적으로 되살리는 것이 핵심이다.

양날의 검

고주파는 미세구조이기도 하지만 잡음이기도 하다(smoothing의 양자 잡음 참고). 무분별한 sharpening은 잡음을 함께 증폭하고 halo/ringing 아티팩트를 만든다. 그래서 sharpening은 항상 "어디를, 얼마나"의 적응적 제어가 관건이다.

2. 미분 연산자 (가장 단순)¶

밝기의 변화율(미분)이 큰 곳이 곧 엣지다.

2.1 1차 미분 — Gradient (Sobel, Prewitt)¶

\[ \nabla f = \left[\frac{\partial f}{\partial x},\ \frac{\partial f}{\partial y}\right], \qquad \lVert\nabla f\rVert = \sqrt{f_x^2 + f_y^2} \]

Sobel·Prewitt는 차분에 평활을 결합한 \(3\times3\) 커널로 \(f_x,f_y\)를 근사한다. 예: Sobel \(x\) 커널

\[ G_x = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} \]

2.2 2차 미분 — Laplacian¶

\[ \nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} \]

이산 커널(예):

\[ \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} \]

Laplacian은 엣지에서 부호가 바뀌는(zero-crossing) 응답을 주어 가는 경계 검출에 좋다.

엣지 검출 vs 엣지 강조

엣지 검출(edge detection) : 미분 결과 자체를 출력(엣지 맵). Canny, zero-crossing 등.
엣지 강조(edge enhancement/sharpening) : 미분 결과를 원본에 다시 더해 경계를 또렷하게 만든다. 예: \(g = f - \nabla^2 f\) (Laplacian sharpening). 본 페이지의 주제는 후자다.

3. Unsharp Masking (USM)과 High-boost (고전·표준)¶

가장 오래되고 가장 널리 쓰이는 sharpening. 원본에서 흐린 버전을 빼면 고주파(=mask)만 남고, 이를 원본에 더해 고주파를 부스트한다.

\[ g = f + \lambda\big(f - \mathrm{blur}(f)\big) \]

여기서 \(f-\mathrm{blur}(f)\)가 unsharp mask(고주파 성분), \(\lambda\)가 강조량이다.

유도와 high-boost 일반화

\(\mathrm{blur}=f*h_{\text{LP}}\)(저역통과)라 하면 \(f-\mathrm{blur}(f)=f*(\delta-h_{\text{LP}})\)는 고역통과(high-pass)다. 일반화한 high-boost 필터는 \(g = A\,f - \mathrm{blur}(f) = (A-1)f + \big(f - \mathrm{blur}(f)\big)\), \(A\ge1\)로 원본을 더 살린 형태다. \(A=1\)이면 순수 고역통과, \(A>1\)이면 원본+고주파.

파라미터(이미지 편집 툴의 USM 3요소와 동일):

amount (\(\lambda\)) : 고주파를 얼마나 더할지. 클수록 강하지만 과증폭.
radius (\(\sigma\) of blur) : 어느 스케일의 디테일을 강조할지. 작으면 미세 디테일, 크면 큰 구조의 국소 대비.
threshold : 이 값 이하의 작은 차이는 강조하지 않음 → 평탄 영역 잡음 증폭 방지.

import cv2
import numpy as np

def unsharp(img, sigma=1.5, amount=1.0, threshold=0):
    blur = cv2.GaussianBlur(img.astype(np.float32), (0, 0), sigma)
    mask = img.astype(np.float32) - blur
    if threshold > 0:
        mask[np.abs(mask) < threshold] = 0
    out = img.astype(np.float32) + amount * mask
    return np.clip(out, 0, np.iinfo(img.dtype).max).astype(img.dtype)

USM의 부작용

Halo / overshoot : 강한 엣지 양쪽에 밝은/어두운 띠(과도 강조)가 생긴다.
Ringing : 엣지 주변 진동.
잡음 증폭 : 평탄 영역의 양자 잡음이 부풀려진다(threshold로 완화). radius/amount를 키울수록 심해지므로 보수적 설정이 안전하다.

4. 적응형 / 에지보존 기반 Sharpening (개선)¶

USM은 영상 전역에 같은 \(\lambda\)를 쓴다. 개선된 방법은 "엣지에서만" 또는 "잡음이 아닌 곳에서만" 강조한다.

국소 대비(local contrast) 적응 : 지역 분산·gradient에 따라 \(\lambda\)를 가변. 평탄 영역(=잡음 우려)에서는 약하게, 구조가 있는 영역에서는 강하게.
에지보존 분해 기반 : bilateral/guided filter로 base/detail을 나누고 detail만 증폭한다. 흐린 버전이 엣지를 보존하므로 halo가 크게 줄어든다. 본 프로젝트의 guided filter base/detail 분해가 정확히 이 구조를 따른다(pipeline).
gradient 기반 게이팅 : Sobel 크기로 엣지 마스크를 만들어 그 영역에만 sharpening 적용.

5. 다중스케일 Unsharp (정교)¶

단일 \(\sigma\)의 USM은 한 스케일만 강조한다. 여러 \(\sigma\)(여러 radius)의 unsharp mask를 가중 합성하면 미세석회(작은 σ)와 종괴 경계(큰 σ)를 동시에 강조할 수 있다.

\[ g = f + \sum_{k} \lambda_k\big(f - \mathrm{blur}_{\sigma_k}(f)\big) \]

이것은 본질적으로 다중스케일 분해(Laplacian pyramid)의 각 대역을 가중하는 것과 같다. MUSICA·local Laplacian으로 이어지는 자연스러운 일반화다 (contrast-enhancement).

6. 주파수영역 / Homomorphic Filtering (한 단락)¶

컨볼루션은 주파수영역의 곱이므로, sharpening은 고역통과(high-pass)·고주파 강조(high-frequency emphasis) 필터로도 구현된다: \(H(u,v) = a + b\,H_{\text{HP}}(u,v)\)로 저주파를 남기고 고주파를 부스트한다. Homomorphic filtering은 영상을 조도(illumination, 저주파)와 반사(reflectance, 고주파)로 보고 \(\log\) 영역에서 저주파를 누르고 고주파를 키워, 동적범위 압축과 대비 강조를 동시에 달성한다(contrast-enhancement).

7. 부작용·아티팩트 관리와 검증¶

halo/overshoot : amount/radius를 낮추거나 에지보존 분해를 쓴다.
잡음 증폭 : threshold, 적응형 게이팅, denoising 선행.
검증 : 강조 효과는 MTF 상승으로, 부작용은 NPS/SNR로 정량 확인한다. MTF가 1을 크게 넘으면 과증폭이고, 잡음 영역 NPS가 급증하면 잡음을 부풀린 것이다. 임상 검증(병변 검출률)이 최종 기준이다.

참고문헌¶

R. C. Gonzalez, R. E. Woods, Digital Image Processing, 4th ed., Pearson, 2018. (Sharpening Spatial Filters, Frequency Domain Filtering)
A. P. Dhawan, G. Buelloni, R. Gordon, "Enhancement of Mammographic Features by Optimal Adaptive Neighborhood Image Processing," IEEE Transactions on Medical Imaging, vol. 5, no. 1, pp. 8–15, 1986.
W. M. Morrow et al., "Region-Based Contrast Enhancement of Mammograms," IEEE Transactions on Medical Imaging, vol. 11, no. 3, pp. 392–406, 1992.
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.