의료영상에서 잡음을 제거하는 것과 명암대비를 좋게하는 것은 화질을 향상시키는 중요한 방법이다. 본 논문에서는 의료영상의 화질 향상을 위해 에지 기반 잡음 제거 방법과 적응적 비선형 히스토그램 스트레칭 알고리즘을 제안한다. 첫째, 웨이블릿 변환을 수행하고 분해된 고주파 부밴드 각각에 대해 Haar 변환을 수행한다. 동시에 수평, 수직, 대각 방향의 Sobel 마스크를 적용하여 방향별 에지를 검출한다. 둘째, 고주파 부밴드에 대해 에지 기반 적응적 문턱치를 이용하여 잡음을 제거한다. 셋째, 적응적 가중치를 이용하여 고주파 부밴드 계수 값을 향상한 후, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻는다. 마지막으로 복원된 영상의 화소 값의 범위가 좁아졌으므로 제안하는 비선형 히스토그램 스트레칭 알고리즘을 이용하여 명암대비가 향상된 영상을 얻는다. 제안한 알고리즘을 낮은 명암대비를 갖는 의료영상에 적용했을 경우 효율적으로 에지를 보존하면서도 시각적으로 우수한 결과를 얻었다.
의료영상에서 잡음을 제거하는 것과 명암대비를 좋게하는 것은 화질을 향상시키는 중요한 방법이다. 본 논문에서는 의료영상의 화질 향상을 위해 에지 기반 잡음 제거 방법과 적응적 비선형 히스토그램 스트레칭 알고리즘을 제안한다. 첫째, 웨이블릿 변환을 수행하고 분해된 고주파 부밴드 각각에 대해 Haar 변환을 수행한다. 동시에 수평, 수직, 대각 방향의 Sobel 마스크를 적용하여 방향별 에지를 검출한다. 둘째, 고주파 부밴드에 대해 에지 기반 적응적 문턱치를 이용하여 잡음을 제거한다. 셋째, 적응적 가중치를 이용하여 고주파 부밴드 계수 값을 향상한 후, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻는다. 마지막으로 복원된 영상의 화소 값의 범위가 좁아졌으므로 제안하는 비선형 히스토그램 스트레칭 알고리즘을 이용하여 명암대비가 향상된 영상을 얻는다. 제안한 알고리즘을 낮은 명암대비를 갖는 의료영상에 적용했을 경우 효율적으로 에지를 보존하면서도 시각적으로 우수한 결과를 얻었다.
In the production of medical images, noise reduction and contrast enhancement are important methods to increase qualities of processing results. By using the edge-based denoising and adaptive nonlinear histogram stretching, a novel medical image enhancement algorithm is proposed. First, a medical im...
In the production of medical images, noise reduction and contrast enhancement are important methods to increase qualities of processing results. By using the edge-based denoising and adaptive nonlinear histogram stretching, a novel medical image enhancement algorithm is proposed. First, a medical image is decomposed by wavelet transform, and then all high frequency sub-images are decomposed by Haar transform. At the same time, edge detection with Sobel operator is performed. Second, noises in all high frequency sub-images are reduced by edge-based soft-threshold method. Third, high frequency coefficients are further enhanced by adaptive weight values in different sub-images. Finally, an adaptive nonlinear histogram stretching method is applied to increase the contrast of resultant image. Experimental results show that the proposed algorithm can enhance a low contrast medical image while preserving edges effectively without blurring the details.
In the production of medical images, noise reduction and contrast enhancement are important methods to increase qualities of processing results. By using the edge-based denoising and adaptive nonlinear histogram stretching, a novel medical image enhancement algorithm is proposed. First, a medical image is decomposed by wavelet transform, and then all high frequency sub-images are decomposed by Haar transform. At the same time, edge detection with Sobel operator is performed. Second, noises in all high frequency sub-images are reduced by edge-based soft-threshold method. Third, high frequency coefficients are further enhanced by adaptive weight values in different sub-images. Finally, an adaptive nonlinear histogram stretching method is applied to increase the contrast of resultant image. Experimental results show that the proposed algorithm can enhance a low contrast medical image while preserving edges effectively without blurring the details.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
잡음이 제거된 고주파 부밴드의 계수 값은 soft threshold 필터링에 의해 계수의 범위가 좁아졌으므로 부밴드의 특성을 반영한 가중치를 적용하여 조정하는 것이 필요하다. 본 논문에서는 식(9)와 같이 고주파 부밴드의 특성을 반영한 적응적 가중치를 적용하여 좁아진 계수 값을 향상시키고자 한다.
본 논문에서는 에지 기반 잡음 제거와 적응적 비선형 히스토그램 스트레칭을 이용한 의료영상의 화질 향상 알고리즘을 제안한다. 먼저, 화질이 저하된 의료영상에 대해 웨이블릿 변환을 수행한다.
만약 잡음이 포함된 고주파 계수들을 향상시키게 되면 영상의 상세 정보와 더불어 잡음도 더욱 커질 것이다. 본 논문에서는 에지 맵 기반의 필터링 알고리즘을 제안하여 고주파 부밴드에 포함된 잡음을 제거한다. 만약, jil 부밴드의 에지 맵 b(x,y)가 1인 경우는 에지 영역이므로 식(5)와 같이 잡음을 제거하지 않는다.
의료영상의 화질을 향상시키는 기술은 환자를 진단하고 치료하는데 있어 매우 중요하다. 본 논문에서는 에지를 기반으로 의료영상에 포함된 잡음을 효율적으로 제거하고 적응적 비선형 히스토그램 스트레칭을 이용한 의료 영상의 화질 향상 알고리즘을 제안하였다. 제안한 알고리즘이 기존의 방법들에 비해 우수한 주관적 화질을 보였으며, 특히 낮은 명암대비를 갖는 의료영상의 경우 효율적으로 에지를 보존하면서도 시각적으로 우수한 결과를 얻었다.
더욱이 상대적으로 낮은 계조도를 갖는 의료영상의 경우에는 시각적으로 좋지 않은 복원화질을 나타낸다. 이러한 문제점을 해결하기 위해 본 논문에서는 입력 영상의 특성을 고려한 적응적 비선형 히스토그램 스트레칭 알고리즘을 제안한다. 즉, 복원된 영상 f(x,y)의 최대 화소 값이 128보다 작은 경우, 식(11)을 적용하고 128보다 크다면 식(12)를 적용하여 향상된 최종 영상을 얻는다.
제안 방법
그러나 에지와 같은 정보는 분해된 고주파 부밴드에 숨겨져 있으므로 각각의 고 주파 부밴드에 대해 Haar 변환을 수행한다. 동시에 원본 영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 방향별 에지를 검출한다. 둘째, 검출된 에지 정보를 바탕으로 고주파 부밴드 각각에 대해 적응적 문턱치를 적용하여 잡음을 제거한다.
동시에 원본 영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 방향별 에지를 검출한다. 둘째, 검출된 에지 정보를 바탕으로 고주파 부밴드 각각에 대해 적응적 문턱치를 적용하여 잡음을 제거한다. 셋째, 잡음이 제거된 고주파 부밴드 계수 값은 문턱치에 의해 축소되었으므로 제안하는 적응적 가중치를 적용하여 부밴드 계수 값을 조정한다.
동시에 원본 영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 방향별 에지를 검출한 후, 에지 맵을 얻는다. 둘째, 에지 맵을 바탕으로 고주파 부밴드 각각에 대해 제안하는 문턱치를 적용하여 잡음을 제거한다. 셋째, 잡음이 제거된 고주파 부밴드 계수 값은 문턱치에 의해 축소되었으므로 제안하는 적응적 가중치를 적용하여 부밴드 계수 값을 조정한다.
본 논문에서 제안한 알고리즘은 [13]에서 제안한 알고 리즘의 향상된 버전이며, 차이점은 다음과 같다. 첫째, 에지 맵을 기반으로 고주파 부밴드에 포함된 잡음을 제거 하며, 둘째 입력 영상의 특성을 고려한 적응적 비선형 히스토그램 스트레칭 알고리즘을 적용했다는 것이다.
하지만, 보다 자세한 고주파 성분을 얻기 위해서는 고주파 부밴드를 다시 분해해야 한다. 본 논문에서는 Fig. 3과 같이 시간 정보에 대한 해석이 용이하고 평균 변화에 뛰어난 성능을 보이는 Haar 변환을 이용하여 고주파 부밴드를 같은 대역폭 을 갖도록 또 다시 분해한다. 각각의 고주파 부밴드에서 새롭게 얻어진 밴드는 식(4)와 같으며, j는 스케일 레벨을 나타내고 ji1, ji2, ji3, ji4 (t=1, 2, 3)는 Haar 변환을 통해 얻어진 각각의 부밴드를 의미한다.
둘째, 검출된 에지 정보를 바탕으로 고주파 부밴드 각각에 대해 적응적 문턱치를 적용하여 잡음을 제거한다. 셋째, 잡음이 제거된 고주파 부밴드 계수 값은 문턱치에 의해 축소되었으므로 제안하는 적응적 가중치를 적용하여 부밴드 계수 값을 조정한다. 넷째, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻는다.
웨이블릿 변환과 Haar 변환을 수행하면 고주파 신호의 에너지 대부분은 에지에 집중됨을 알 수 있다. 이러한 특성을 이용하여 의료영상에 포함된 잡음을 제거하기 위해 본 논문에서는 Fig. 4와 같이 원영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 이진 에지 이미지를 얻는다.
따라서 웨이블릿 변환을 기반으로 하는 의료영상의 화질 향상 알고리즘 또한 꾸준히 제안되었다. 제안된 알고리즘 대부분이 주파수 영역에서의 다해상도 에지 표현과 함께 이미지 샤프닝, 문턱치 필터링, 비선형 히스토그램 스트레칭 방법 등을 결합한 알고리즘을 채택하였다[6-11]. 특히, Yang[12]은 고주파 부밴드에 포함된 잡음을 제거하기 위해 soft-threshold 필터링 방법을 제안했지만, 부밴드의 특성을 고려하지 않고 문턱치를 적용했기 때문에 어두운 영상의 경우에는 에지와 관련된 계수 값도 제거되는 단점이 존재하였다.
제안한 알고리즘의 성능을 측정하기 위해 명암대비가 낮은 의료영상을 실험에 사용하였으며, 3-레벨 웨이블릿 변환을 수행하였다. 제안한 알고리즘에 사용된 컨트롤 파라미터는 1 < α < 2 및 1 < β < 1.
데이터처리
입출력 영상에 대한 지역 표준편차의 평균은 영상을 64×64 블록 단위로 나누고 각 블록에 대해 평균과 표준편차를 계산하여 얻는다.
이론/모형
영상향상 알고리즘에서 주관적 화질 평가와 더불어 평균이나 분산, PSNR 등을 이용한 객관적 화질 평가도 중요하므로 본 논문에서는 Jobson[17]이 제안한 LCR(Lightness Change Rate)과 CCR(Contrast Change Rate)을 객관적 화질 평가 척도로 사용하였다. 즉, 국부 적인 밝기 변화율과 콘트라스트 변화율이 어느 한쪽으로 치우치지 않고 비례하여 클수록 시각적으로 우수한 영상을 표현한다는 개념이다.
2와 같다. 첫째, 입력 영상에 대해 웨이블릿 변환을 수행한 후, 분해된 모든 고주파 부밴드에 대해 Haar 변환을 적용한다. 동시에 원본 영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 방향별 에지를 검출한 후, 에지 맵을 얻는다.
성능/효과
"Chest X-ray" 영상과 같이 낮은 명암 대비를 갖고 복원된 영상의 최대 값이 128보다 작은 경우에는 CCR 및 LCR 모두 제안한 알고리즘이 기존의 방법 들에 비해 우수한 결과를 보였다.
낮은 명암대비를 갖고 복원 영상의 최대 값이 128보다 큰 "Brain MRI"의 경우 CCR은 기존 방법들에 비해 우수하나 LCR은 히스토그램 평활화보다 작은 값을 나타내었다.
셋째, 잡음이 제거된 고주파 부밴드 계수 값은 문턱치에 의해 축소되었으므로 제안하는 적응적 가중치를 적용하여 부밴드 계수 값을 조정한다. 넷째, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻은 후, 제안하는 비선형 히스토그램 스트레칭 알고리즘을 적용하여 명암대비가 향상된 영상을 얻는다.
1로 설정했고 복원된 영상의 최대 값이 128보다 크므로 식(12)가 적용되었다. 실험을 통해 제안한 알고리즘이 기존의 방법들에 비해 우수한 주관적 화질을 얻었으며, 특히 낮은 명암대비를 갖는 의료영상에 대해 에지를 효율적으로 보존하면서도 디테일 성분이 잘 표현됨을 알 수 있다.
본 논문에서는 에지를 기반으로 의료영상에 포함된 잡음을 효율적으로 제거하고 적응적 비선형 히스토그램 스트레칭을 이용한 의료 영상의 화질 향상 알고리즘을 제안하였다. 제안한 알고리즘이 기존의 방법들에 비해 우수한 주관적 화질을 보였으며, 특히 낮은 명암대비를 갖는 의료영상의 경우 효율적으로 에지를 보존하면서도 시각적으로 우수한 결과를 얻었다. 하지만, 제안한 알고리즘에 사용된 컨트롤 파라미터는 입력 이미지의 특성에 따라 수동적으로 선택된 것이므로 향후에는 최적화된 컨트롤 파라미터를 추출하는 연구가 필요하다.
넷째, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻는다. 하지만, 복원된 영상의 화소 값의 범위가 원본 영상에 비해 축소되었으므로 제안하는 비선형 히스토그램 스트레칭 알고리즘을 적용하여 명암대비가 향상된 영상을 얻는다.
낮은 명암대비를 갖고 복원 영상의 최대 값이 128보다 큰 "Brain MRI"의 경우 CCR은 기존 방법들에 비해 우수하나 LCR은 히스토그램 평활화보다 작은 값을 나타내었다. 하지만, 주관적 화질 측면에서는 제안한 방법이 매우 우수함을 알 수 있다.
후속연구
제안한 알고리즘이 기존의 방법들에 비해 우수한 주관적 화질을 보였으며, 특히 낮은 명암대비를 갖는 의료영상의 경우 효율적으로 에지를 보존하면서도 시각적으로 우수한 결과를 얻었다. 하지만, 제안한 알고리즘에 사용된 컨트롤 파라미터는 입력 이미지의 특성에 따라 수동적으로 선택된 것이므로 향후에는 최적화된 컨트롤 파라미터를 추출하는 연구가 필요하다.
질의응답
핵심어
질문
논문에서 추출한 답변
웨이블릿 변환은 어떤 장점으로 인하여 이미지 프로세싱 응용 분야에 많이 사용되고 있는가?
웨이블릿 변환은 푸리에 변환의 향상된 버전이며, 푸리에 변환은 정상적인 신호의 분석에는 강하나 비정상적인 신호의 분석에는 약하다. 웨이블릿 변환은 비 정상적인 신호의 분석이 가능하며, 국부적인 시간-주파수 특성을 제공 하므로 잡음 제거를 포함하여 이미지 프로세싱 응용 분야에 많이 사용되고 있다[4-5]. 따라서 웨이블릿 변환을 기반으로 하는 의료영상의 화질 향상 알고리즘 또한 꾸준히 제안되었다.
본 연구에서 제시하는 에지 기반 잡음 제거와 적응적 비선형 히스토그램 스트레칭을 이용한 의료영상 화질 향상 알고리즘은 어떻게 이루어지는가?
본 논문에서는 에지 기반 잡음 제거와 적응적 비선형 히스토그램 스트레칭을 이용한 의료영상의 화질 향상 알고리즘을 제안한다. 먼저, 화질이 저하된 의료영상에 대해 웨이블릿 변환을 수행한다. 그러나 에지와 같은 정보는 분해된 고주파 부밴드에 숨겨져 있으므로 각각의 고 주파 부밴드에 대해 Haar 변환을 수행한다. 동시에 원본 영상에 대해 수평, 수직, 대각 방향의 소벨 마스크를 적용하여 방향별 에지를 검출한다. 둘째, 검출된 에지 정보를 바탕으로 고주파 부밴드 각각에 대해 적응적 문턱치를 적용하여 잡음을 제거한다. 셋째, 잡음이 제거된 고주파 부밴드 계수 값은 문턱치에 의해 축소되었으므로 제안하는 적응적 가중치를 적용하여 부밴드 계수 값을 조정한다. 넷째, Haar 역변환 및 웨이블릿 역변환을 수행하여 복원영상을 얻는다. 하지만, 복원된 영상의 화소 값의 범위가 원본 영상에 비해 축소되었으므로 제안하는 비선형 히스토그램 스트레칭 알고리즘을 적용하여 명암대비가 향상된 영상을 얻는다.
웨이블릿 변환은 어떤 분야에 적용될 수 있는가?
웨이블릿 변환은 이미지 매칭, 이미지 분할, 잡음 제거, 이미지 복원, 이미지 향상, 이미지 압축, 의료영상 처리 기술 등 많은 응용 분야에 적용된다. 웨이블릿 변환은 일반적인 비정상적 신호에 대해 적절한 기저를 이용하여 인간의 시각적 특성에 맞게 분해하고 합성함으로써 주관적 화질의 향상을 가져온다.
참고문헌 (17)
Zohair Al-Ameen, Ghazali Sulong and Md. Gapar Md. Johar, "Employing a suitable contrast enhancement technique as a pre-restoration adjustment phase for computed tomography medical images," SERSC International Journal of Bio-Science and Bio-Technology, Vol. 5, No. 1, pp. 73-80, 2013.
Muna F. Al-Samaraie, "A new enhancement approach for enhancing image of digital cameras by changing the contrast," SERSC International Journal of Advanced Science and Technology, Vol. 32, pp. 13-22, 2011.
R. Grag, B. Mittal and S. Grag, "Histogram equalization techniques for image enhancement," International Journal of Electronics & Communication Technology, Vol. 2, Issue 1, pp. 107-111, 2011.
Vidhyalavanya. R and Madheswaran. M, "An improved denoising algorithm using parametric multiwavelets for image enhancement," SERSC International Journal of Advanced Science and Technology, Vol. 16, pp. 1-10, 2010.
Kossi Edoh and John Paul Roop, "A fast wavelet multilevel approach to total variation image denoising," SERSC International Journal of Signal Processing, Image Processing and Pattern Recognition, Vol. 2, No. 3, pp. 57-74, 2009.
Jian Lu, Dennis M. Healy, Jr. and John B. Weaver, "Contrast enhancement of medical images using multi-scale edge representation," Optical Engineering, Vol. 33, pp. 2151-2161, 1994. DOI: http://dx.doi.org/10.1117/12.172254
Yang, G. and Hansell, D.M., "CT image enhancement with wavelet analysis for the detection of small airways disease," IEEE Trans. Medical Imaging, Vol. 16, pp. 953-961, 1997. DOI: http://dx.doi.org/10.1109/42.650893
Fang, Y. and Qi, F., "A method of wavelet image enhancement based on soft threshold," Computer Engineering and Applications, Vol. 23, pp. 16-19, 2002.
Anamika Bhardwaj and Manish K. Singh, "A novel approach of medical image enhancement based on wavelet transform," International J. of Engineering Research and Applications, Vol. 2, pp. 2356-2359, 2012.
J. Cheng and C. Liu, "Novel method of color image enhancement based on wavelet analysis," Intelligent Information Technology Application Workshops, pp. 435-438, 2008.
Yi Wan and Dongbin Shi, "Joint exact histogram specification and image enhancement through the wavelet transform," IEEE Trans. on Image Processing, Vol. 16, No. 9, pp. 2245-2250, 2007. DOI: http://dx.doi.org/10.1109/TIP.2007.902332
Yang, Y., Su, Z. and Sun, L., "Medical image enhancement algorithm based on wavelet transform," IEE Electronics Letters, Vol. 46, No. 2, pp. 120-121, 2010. DOI: http://dx.doi.org/10.1049/el.2010.2063
Seung-Jong Kim, "Medical Image Enhancement Using an Adaptive Weight and Threshold Values", The Institute of Internet, Broadcasting and Communication(IIBC), Vol. 12, No. 5, pp. 205-211, 2012.
A. Grossmann, and J. Morlet, "Decomposition of hardy functions into square integrable wavelets of constant shape," SIAM J. Math. Anal., Vol. 15, pp. 723-736, 1984. DOI: http://dx.doi.org/10.1137/0515056
S. Mallat, "A theory for multiresolution signal decomposition: the wavelet representation," IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 11, pp. 674-693, 1989. DOI: http://dx.doi.org/10.1109/34.192463
David L. Donoho and Iain M. Johnstone, "Adapting to unknown smoothness via wavelet shrinkage," Journal of the American Statistical Association, Vol. 90, Issue 432, pp. 1200-1224, 1995. DOI: http://dx.doi.org/10.1080/01621459.1995.10476626
Daniel J. Jobson, Zia-ur Rahman and Glenn A. Woodell, "The statistics of visual representation," Proc. SPIE 4736, Visual Information Processing XI, 25, 2002. DOI: http://dx.doi.org/doi:10.1117/12.477589
※ AI-Helper는 부적절한 답변을 할 수 있습니다.