[논문]영상의 히스토그램 군집화에 의한 영상 대비 향상

홍석근; 이기환; 조석제

영상의 히스토그램 군집화에 의한 영상 대비 향상
A Image Contrast Enhancement by Clustering of Image Histogram 원문보기

信號處理·시스템學會論文誌 = Journal of the institute of signal processing and systems, v.10 no.4, 2009년, pp.239 - 244

홍석근 (한국해양대학교 제어계측공학과) , 이기환 (한국해양대학교 제어계측공학과) , 조석제 (한국해양대학교 컴퓨터제어전자통신공학부)

초록
AI-Helper

영상 대비 향상은 영상 처리 분야에서 중요한 역할을 한다. 히스토그램 스트레칭이나 히스토그램 균등화 등 기존 대비 향상 기법들과 히스토그램 균등화 기반의 수많은 방법들은 저대비에 소수의 화소들이 넓게 퍼져 있는 영상에 대해서 만족할만한 결과를 내지 못한다. 따라서 본 논문은 군집화 방법에 기반한 새로운 영상 대비 향상 기법을 제안한다. 히스토그램의 군집수는 원영상의 히스토그램을 분석하여 얻을 수 있다. 히스토그램 성분들을 K-means 알고리즘을 이용하여 군집화한다. 그리고 히스토그램 군집 범위와 군집의 화소수 비율을 비교하여 히스토그램 스트레칭과 히스토그램 균등화를 선택적으로 적용한다. 실험 결과로부터 제안한 방법이 기존의 대비 향상 기법들보다 더 효과적임을 확인할 수 있었다.

Abstract ▼ AI-Helper

Image contrast enhancement has an important role in image processing applications. Conventional contrast enhancement techniques, histogram stretching and histogram equalization, and many methods based on histogram equalization often fail to produce satisfactory results for broad variety of low-contrast images. So, this paper proposes a new image contrast enhancement method based on the clustering method. The number of cluster of histogram is found by analysing the histogram of original image. The histogram components is classified using K-means algorithm. And then these histogram components are performed histogram stretching and histogram equalization selectively by comparing cluster range with pixel rate of cluster. From the expremental results, the proposed method was more effective than conventional contrast enhancement techniques.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 영상의 히스토그램군 집화에 의한 영상 대비 향상 기법을 제안하였다. 영상히스토그램의 지역적인 처리를 위해 지역의 수와 범위를 산출하는 문제를 군집화 문제로 보고 K-means 알고리즘을 이용하여 히스토그램을 군집 화하였다.
본 논문에서는 영상의 히스토그램을 군집화하고 지역적인 명암도 분포특성에 따라 선택적으로 히스토그램 처리하여 영상의 명암도 대비를 향상하는 방법을 제안한다. 지역적인 히스토그램 처리를 위해 히스토그램의 분할점을 선정하는 문제를 군집화 문제로 간주한다.
본 논문은 영상 히스토그램군집화에 의한 영상 대비 향상 기법을 제안한다. 대비 향상과정에서 나타날 수 있는 전체적인 영 상 퇴색을 방지하기 위해서는 히스토그램을 지역적으로 처리하는 것이 좋다.
확장 결과를 얻을 수 있었다. 이러한 사실들을 실험을 통해 확인하였다.

제안 방법

있다. BBHE 와 DSIHE는 영상의 밝기 보전 (brightness preserving)과 물체와 배경을 따로 분리하여 적용하기 위하여 히스토그램을 둘로 나누어 처리한다. 이는 영상의 전반적인 퇴색을 방지할 뿐만 아니라 물체와 배경의 명암도 범위를 고려하여 개별적으로 처리하기 때문에 원영상의 밝기를 보전하면서 효과적으로 개선할 수 있다.
NASA 원영상을 동일한 방법으로 처리하고 비교하였다. 가장 어두운 곳에 다수의 화소가 분포되어 있어서 균등화 결과 과도하게 밝아졌음을 볼 수 있다.
때까지 반복하였다. 각각 군집들의 범위와 화소 수 비율과의 관계를 이용하여 히스토그램 스트레칭과 균등화를 선택적으로 적용하였다. 그리고 평균 명암도 거리를 구하여 일정한 임계치 이하로 떨어질 때까지 히스토그램을 새롭게 규정하고 앞의 순서를 반복하였다.
히스토그램을 군집화할 때 군집의 경계로 간주할 수 있는 특징은 그림 5에 표현된 히스토그램의 주된 골(valley)이다. 따라서 군집수를 결정하기 위하여 원영상의의 히스토그램에서 골들의 위치를 찾아내고 골의 개수를 구한다.
본 논문에서는 직관적인 골을 결정하기 위해 히스토그램 평탄화(smoothing)와 양자화를 이용한다.
새롭게 갱신된 히스토그램의 평균 명암도 거리와 앞에서 구한 평균 명암도 거리의 차가 문턱치 이하이면 알고리즘을 중단한다.
향상 기법을 제안하였다. 영상히스토그램의 지역적인 처리를 위해 지역의 수와 범위를 산출하는 문제를 군집화 문제로 보고 K-means 알고리즘을 이용하여 히스토그램을 군집 화하였다.
원 영상을 각각 균등화, 스트레칭 그리고 제안한 방법을 통해 얻은 결과를 비교하였다. 실험에 사용한 영상은 Cameraman과 NASA 이다.
원영상의 히스토그램을 분석하여 군집의 수를 결정하고 각 군집의 중심값을 임의로 할당한 후 군집의 중심이 수렴할 때까지 반복하였다. 각각 군집들의 범위와 화소 수 비율과의 관계를 이용하여 히스토그램 스트레칭과 균등화를 선택적으로 적용하였다.
집단의 중심까지의 거리가 최소화되도록 특징들을 군집화하는 알고리즘이다. 제안한 방법은 원영상의 히스토그램에서 명암도와 해당 명암도의 화소수를 특징으로 하여 히스토그램을 K개의 군집으로 나눈다. 이 전 단계에서 K가 결정되었으면 다음과 같은 과정을 수행하여 군집화한다[6].
그러기 위해서는 히스토그램을 나누는 임계점의 위치와 개수를 산출하는 것이 중요하다. 제안한 방법은 임계점의 위치와 개수를 군집화 기법을 이용하여 산출한다. 군집화는 K-means 알고리즘을 이용한다.
평균 명암도 측정 후 다시 K-means 알고리즘을 적용하여 히스토그램을 갱신하고 평균 명암도 거리를 측정한다. 새롭게 갱신된 히스토그램의 평균 명암도 거리와 앞에서 구한 평균 명암도 거리의 차가 문턱치 이하이면 알고리즘을 중단한다.

대상 데이터

원 영상을 각각 균등화, 스트레칭 그리고 제안한 방법을 통해 얻은 결과를 비교하였다. 실험에 사용한 영상은 Cameraman과 NASA 이다.

데이터처리

제안한 방법의 성능을 실험을 통해 확인하였다. 원 영상을 각각 균등화, 스트레칭 그리고 제안한 방법을 통해 얻은 결과를 비교하였다.

이론/모형

K-means 알고리즘을 이용하여 K개로 군집화하고 각 군집의 화소수의 비율만큼 군집의 범위를 재조정한다. 그리고 군집의 명암도 범위와 새롭게 규정할 히스토그램의 명암도 범위를 비교하여 히스토그램 스트레칭법과 히스토그램균등화법을 선택적으로 적용한다.
제안한 방법은 임계점의 위치와 개수를 군집화 기법을 이용하여 산출한다. 군집화는 K-means 알고리즘을 이용한다. 그리고 히스토그램균등화와 히스토그램 스트레칭을 지역에 따라 선택적으로 적용하여 대비를 향상시킨다.
그리고 군집의 명암도 범위와 새롭게 규정할 히스토그램의 명암도 범위를 비교하여 히스토그램 스트레칭법과 히스토그램균등화법을 선택적으로 적용한다. 이때 각 군집의 명암도 범위를 개선될 히스토그램의 명암도 범위와 비교하여 범위가 좁을 경우, 확장된 명암도 범위에 해당 군집의 화소들을 효과적으로 분포시키기 위해 히스토그램 스트레칭을 적용하고 반대로 넓을 경우, 재분포될 범위가 축소되기 때문에 히스토그램 균등화를 적용한다.
지역적인 히스토그램 처리를 위해 히스토그램의 분할점을 선정하는 문제를 군집화 문제로 간주한다. 원영상의 히스토그램 분포 형태와 특성을 분석하여 군 집수를 결정한 후 K-means 알고리즘을 이용하여 히스토그램을 군집화한다. 그리고 각 군집의 범위와 원영상의 화소 수 비율을 이용하여 히스토그램 스트레칭과 히스토그램 균등화를 선택적으로 적용함으로써 기존의 방법들이 안고 있었던 히스토그램균등화의 문제점을 개선시킬 수 있었다.
제안한 방법은 군집화를 위해 K-means 알고리즘을 이용한다. 그러기 위해서는 K개의 평균, 즉 군집의 수를 임의로 정해야 한다.

성능/효과

원영상의 히스토그램 분포 형태와 특성을 분석하여 군 집수를 결정한 후 K-means 알고리즘을 이용하여 히스토그램을 군집화한다. 그리고 각 군집의 범위와 원영상의 화소 수 비율을 이용하여 히스토그램 스트레칭과 히스토그램 균등화를 선택적으로 적용함으로써 기존의 방법들이 안고 있었던 히스토그램균등화의 문제점을 개선시킬 수 있었다.
히스토그램을 살펴보면 어두운 부분의 향상 정도는 (b)와 거의 유사하다. 반면 중간 이상 명암도 영역에서는 제안한 방법에 따라 선택적으로 히스토그램 처리를 함으로써 과도한 대비 확장을 막을 수 있었다. 제안한 방법으로 얻은 군 집수는 4였다.
히스토그램균등화 결과(b)와 제안한 방법의 결과(d)를 비교해보면 밝은 화소의 분포가 제안한 방법으로 인해 개선되었음을 알 수 있다. 이로 인해 영상 상단의 수평선 부근과 중앙에 위치한 활주로에서 과도하게 밝아지는 현상을 개선할 수 있음을 확인할 수 있었다. 제안한 방법으로 얻은 군집의 수는 2였다.
스트레칭도 히스토그램 상으로 대비가 확장되었으나 영상은 여전히 어둡다. 제안한 방법으로 처리했을 때 다수의 화소가 분포된 어두운 영역이 밝은 쪽으로 과도하게 이동하는 것을 방지할 수 있었고 스트레칭보다 동적 범위를 더 넓힘으로써 우수한 대비 향상 효과를 얻을 수 있었다. 군집의 수는 3이었다.
제안한 방법은 기존의 히스토그램균등화가 안고 있는 문제점인 전체적인 퇴색을 막을 수 있었으며 지역적인 특성에 따라 히스토그램 스트레칭을 적용함으로써 더 나은 대비 확장 결과를 얻을 수 있었다. 이러한 사실들을 실험을 통해 확인하였다.

참고문헌 (7)

D. Menotti, A. Araujo, L. Pappa, L. Najman, and J. Facon, "Contrast Enhancement in Digital Imaging Using Histogram Equalization," Phd thesis, UFMG, DDC, 2008. http://wavelet.dcc.ufmg.br/thesismenotti.pdf
R. Gonzalez and R. Woods, Digital Image Processing, Third edition, Prentice-Hall, pp. 104,2008.
Teong-Tage Kim, "Contrast Enhancement Using Brightness Preserving Bi-Histogram Equalization," IEEE Trans on Consumer Electronics, Vol. 43, No. 1, pp. 1-8, 1997.

상세보기
Y. Wan, Q. Chen and B. Zhang, "Image Enhancement Based On Equal Area Dualistic Sub-Image Histogram Equalization Method," IEEE Trans on Consumer Electronics, Vol. 45, No. 1, pp. 68-75, 1999.

상세보기
V. Caselles, "Shape Preserving Local Histogram Modification," IEEE Transactions of image processing, Vol. 8, No. 2, pp. 220-230, 1999.

상세보기
Z. Chen, B. Abidi, D. Page, and M. Abidi, "Gray Level Grouping(GLG) : An Automatic Method for Optimized Image Contrast Enhancement - Part I : The Basic Method," IEEE Trans on Image Processing, Vol. 15, No, 8, pp. 2290-2302, 2006.

상세보기
J. T. Tou and R. C. Gonzalez, Pattern Recognition Principles, Addison-Wesley Publishing Company, pp. 94-97, 1974.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증