선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 기존 CLAHE의 경우 관심 영역에 상관없이 각 블록에 대해서 동일한 한계점을 적용하여 비 관심 영역까지 강조하여 잡음을 강화한다. 본 논문에서는 CLAHE의 한계점 파라미터를 결정하기 위해 퍼지 논리를 도입함으로써 관심도에 비례한 명암 대비 강화를 가능하게 하였다.그 결과, 관심 영역인 피부 영역의 명암 대비 효과를 유지하면서 비 관심 영역인 공기 영역의 명암 대비를 최소화하여 영상의 선명도를 증가시켰다.
- 그러나 이 방법을 X-ray영상에 도입할 경우, 모든 블록에 대해서 같은 한계점 값을 적용하여 불필요한 영역마저 강화하고, 잡음이 강조되는 문제가 발생한다.본 논문에서는 X-ray영상에 최적화되어 자동으로 CLAHE의 한계점을 결정하는 방법을 제안한다.
가설 설정
- 이때 최종 임계값을 결정하기 위한 방법으로 Min-Max추론 방법[17]을 사용한다. 3.1절에서 살펴본 예제와 같이 공기 영역 멤버십 함수에서 출력된 구간과 소속도가 각각 Low 구간에서 0.83, Middle구간에서 0.125이고, 피부 영역 멤버십 함수에서는 Low구간에서 1이며, 뼈 영역 멤버십 함수에서 Middle구간에서 0.625, High구간에서 0.17 일 때를 가정한다.첫 번째 퍼지 추론 규칙의 입력으로 공기 영역 멤버십 함수의 출력 값인 (Low, 0.
제안 방법
- 그러나 영상에서 비슷한 밝기 값이 국부적으로 밀집된 영역에서 특징을 구분하기 어려운 단점이 있다. 그에따라 제안된 CLAHE는 영상을 여러 개의 블록으로 나누어 각 블록에 대해서 CLHE를 수행한다.X-ray 영상은 크게 공기, 피부, 뼈의 세 가지 영역으로 나눌 수 있으며, 임상에서는 진료 부위에 따라 관심 영역이 다르게 나타난다.
- 임상에서 관심영역은 피부 영역 또는 뼈 영역으로 국한되며, 검진 대상에 따라 관심 영역이 피부 영역인지 뼈 영역인지 결정된다.기존 CLAHE 가 모든 블록에 대해서 동일한 한계점을 사용하는 대신, 본 연구는 각 블록에 자동으로 CLAHE의 한계점을 결정하는 방법을 제시한다.그에 따라 효과적으로 X-ray영상의 대비를 강화할 수 있다.
- 다음으로, 블록의 개수에 따른 결과를 비교한다. Fig.
- 첫 째, CLAHE알고리즘에 퍼지 논리를 도입하여 CLAHE 의 매개변수인 한계점을 사용자의 개입 없이 자동으로 결정한다.둘 째, 블록 별로 사용자의 관심도에 따른 영상 강화를 적용하여 관심 영역을 강조하고 잡음을 제거하는 등 화질을 개선한다.추가적으로, 기존 CLAHE의 히스토그램 맵 보간 방법을 발전 시켜 기존 방법에서 발생하는 얼룩 현상을 제거한다.
- 이렇게 도출된 한계점 파라미터는 블록 별로 CLHE를 수행하기 위한 한계점을 결정한다. 마지막으로 블록들 사이의 경계를 제거하기 위해 이웃한 9개의 블록을 이용하여 히스토그램 맵 보 간을 수행한다.
- 대략적인 처리 과정은 다음과 같다.먼저, 영상을 블록의 개 수로 분할한 뒤 각 블록에서 히스토그램을 구한다. 그런다음 블록 안에 존재하는 뼈, 피부, 공기 영역의 비율을 계산한다.
- 것이 일반적이다.본 연구의 경우에도 처음 설계에는 피부 멤버십 함수의 구간을 공기나 뼈와 마찬가지로 세 구간으로 설계하였으나, 다양한 실험 결과 차별성이 두드러지지 않아 두 단계로 축소하여 설정하였으며, 각 함수의 위치 또한 다양한 값의 변화를 통해 관찰한 결과 이상적인 값을 선택하였다.
- 실험을 위해 X-ray를 통해 얻은 12bit DR 영상을 대상으로 기존 CLAHE[8]와 제안하는 방법을 비교한다. 제안 된 방법의 성능을 평가하기 위해 블록의 개수를 8×8과 4×4로 하여 결과를 분석하였다.
- 히스토그램이 균등하게 분포하면 엔트로피가 증가하는 특성을 이용하여 최대 엔트로피를 갖는 블록의 크기와 한계점을 결정하였다. 엔트로피를 고려한 함수를 이용하여 매개변수를 결정함으로서 사용자의 개입 없이 CLAHE를 사용할 수 있도록 하였다.이 방법을 인물, 풍경 등 일반적인 영상에 적용하면 추가적인 입력 없이 좋은 화질의 영상을 얻을 수 있다.
- 제안 된 방법의 성능을 평가하기 위해 블록의 개수를 8×8과 4×4로 하여 결과를 분석하였다. 영상에서 진단을 위한 관심영역으로 피부를 설정하여 실험하였으며, 영역 별로 해당되는 밝기 값의 범위는 실험적으로 도출된 값을 사용하였다.실험을 통해 도출 된 밝기 값의 범위는 공기 영역이 0-1930, 피부 영역이 1931-3954, 뼈 영역이 3955-4095의 값을 갖는다.
- 퍼지 추론 규칙을 통해 한계점 멤버십 함수의 구간과 임계 값이 결정되므로, 출력 값이 각 영역 별관심도에 대응하도록 설계하는 것이 중요하다.이 연구에서 제안하는 퍼지 추론 규칙의 출력 구간은 [Low, Middle, High]의 총 세 단계로 구분된다.
- 8(a) 참고).이 연구에서는 기존 방법을 발전시켜 9개의 블록을 사용하는 새로운 방법을 제안한다.이 방법은 기존 방법에서 발생하는 얼룩을 제거한다.
- 이 절에서는, 블록 별로 공기, 피부, 뼈의 세 가지 영역에 대한 포함 비율로 영역 별 멤버십 함수의 구간과 소속도를 결정하는 내용을 다룬다.우선, 사용자가 입력한 밝기 임계값을 기준으로 각 픽셀을 공기, 피부, 뼈 중 하나로 결정한다.
- 각기 달라진다.이를 그대로 두면 블록들 사이의 경계가 두드러지므로, 문제를 완화하기 위해 인접한 네 개의 블록에 대해 히스토그램 맵 보간을 수행한다. 히스토그램 맵은 각 블록에 대해서 평활화를 수행하기 전 밝기 값을 평활화가 적용된 밝기 값으로 대응하는 맵을 지칭한다.
- 이번 절에서는 3.1절에서 얻은 영역 별 멤버십 함수의 구간과 소속도를 이용하여, 한계점 멤버십 함수의 구간과 해당 구간의 임계값을 결정하는 퍼지 추론 규칙에 대해 살펴본다.한계점 멤버십 함수는 최종적으로 CLAHE의 한계점 파라미터를 결정하는 멤버십 함수를 가리킨다.
- 4에 나타내었다. 제안 된 한계점 결정 방법은 블록 별로 공기, 피부, 뼈의 세 가지 영역에 대한 포함 비율을 퍼지 멤버십 함수에 적용하여 결정하게 된다.대략적인 처리 과정은 다음과 같다.
- 5에 나타내고 있다. 제안된 퍼지 기법에서 공기 멤버십 함수와 뼈 멤버십 함수의 구간은 [Low, Middle, High]의 세 단계로 설정하였으며 피부 멤버십 함수의 구간은 [Low, High] 의두 단계로 설정하였다.각 멤버십 함수의 입력 값은 블록에서 해당 영역이 차지하는 비율이다.
- 10에 제시하였다.제안하는 방법으로는 한계점 멤버십 함수2(Fig.6(b))를 적용하였으며, 에지 검출을 위해 가우시안 필터와 소벨 함수를 사용하였고 임계 값으로 100을 입력하였다.
- 17 일 때를 가정한다.첫 번째 퍼지 추론 규칙의 입력으로 공기 영역 멤버십 함수의 출력 값인 (Low, 0.83), 피부 영역 멤버십 함수의 출력 값인 (Low, 1), 뼈 영역 멤버십 함수의 출력 값인 (Middle, 0.625)의 경우를 살펴본다.이 입력은 퍼지 추론 규칙 10번 항목 (L, L, M)에 해당하므로, 출력으로 Middle구간과 임계 값으로 Min(0.
- 있다.첫 번째로, 블록의 개수는 영상을 몇 개의 블록으로 나눌지를 결정하며, CLHE를 수행할 영역의 크기를 결정한다.블록의 개수가 많아지면 작은 영역에 대해서 CLHE를 수행하기 때문에 지역적 특징이 부각된다.
- 둘 째, 블록 별로 사용자의 관심도에 따른 영상 강화를 적용하여 관심 영역을 강조하고 잡음을 제거하는 등 화질을 개선한다.추가적으로, 기존 CLAHE의 히스토그램 맵 보간 방법을 발전 시켜 기존 방법에서 발생하는 얼룩 현상을 제거한다. 본 논문의 이후에 이어지는 내용은 다음과 같다.
- 또한, 초점이 비관심 영역으로 분산되는 것을 억제하고 비 관심 영역의 잡음을 완화하였다.추가적으로, 블록 간의 경계를 없애기 위해 기존 4개의 블록에 대해서 히스토그램 맵을 보간하는 방법을 발전시켜 9개의 블록을 사용하였다. 그 결과 밝기 값의 차이가 뚜렷한 블록이 인접한 경우 발생하는 얼룩을 제거할 수 있었다.
- 퍼지 논리에 의해 결정된 한계점 파라미터를 바탕으로 각 블록별로 CLHE를 수행한 뒤에, 블록 간 경계를 제거하기 위해서 인접한 블록들 사이의 히스토그램 맵 보간을 수행한다.
- 함수를 모델링하였다.히스토그램이 균등하게 분포하면 엔트로피가 증가하는 특성을 이용하여 최대 엔트로피를 갖는 블록의 크기와 한계점을 결정하였다. 엔트로피를 고려한 함수를 이용하여 매개변수를 결정함으로서 사용자의 개입 없이 CLAHE를 사용할 수 있도록 하였다.
데이터처리
- 비교한다. 제안 된 방법의 성능을 평가하기 위해 블록의 개수를 8×8과 4×4로 하여 결과를 분석하였다. 영상에서 진단을 위한 관심영역으로 피부를 설정하여 실험하였으며, 영역 별로 해당되는 밝기 값의 범위는 실험적으로 도출된 값을 사용하였다.
이론/모형
- 3.2절의 추론 규칙을 기반으로 결정 된 구간과 임계 값을 비퍼지화[18]하기 위하여 Mamdani의 무게 중심법을 이용하였다[19].식 (6)은 최종 임계 값을 구하기 위한 비퍼지화 과정에서 적용된 무게 중심법이다.
- 있다. 여러번의 퍼지 추론을 통해 동일한 출력 구간이 나타나는 경우 Min-Max추론 방법을 이용하여 최종 구간과 임계 값을 구한다.예를 들어 다른 퍼지 추론을 통해 Middle구간과 임계 값으로 0.
- 퍼지 추론 규칙을 통해 도출 된 한계점 멤버십 함수의 구간과 임계 값으로 최종 CLAHE의 한계점 파라미터를 도출한다.이 때, 한계점 멤버십 함수의 최종 임계값을 결정하기 위해 Mamdani의 무게중심 법을 적용한다.이렇게 도출된 한계점 파라미터는 블록 별로 CLHE를 수행하기 위한 한계점을 결정한다.
- 각 영역 별 멤버십 함수에서 도출 된 구간과 소속 도가 두개 이상인 경우 퍼지 추론 규칙의 입력과 출력이 다양해 질 수 있다.이때 최종 임계값을 결정하기 위한 방법으로 Min-Max추론 방법[17]을 사용한다. 3.
- 어렵다. 이러한 X-ray영상의 가독성을 향상시키기 위한 방법으로 히스토그램 평활화[1](HE, HistogramEqual-ization)와 같은 명암대비 향상기법(contrast enhancement technique)을 사용한다.
성능/효과
- 있었다. 관심도에 따른 한계점 설정으로 영상의 선명도를 증가시켰으며, 비 관심 영역의 잡음을 제거하는 효과를 볼 수 있었다.특히, 한계점을 결정하기 위해 퍼지논리를 도입함으로써 관심 영역과 비 관심 영역의 유연한 설정이 가능하였다.
- 추가적으로, 블록 간의 경계를 없애기 위해 기존 4개의 블록에 대해서 히스토그램 맵을 보간하는 방법을 발전시켜 9개의 블록을 사용하였다. 그 결과 밝기 값의 차이가 뚜렷한 블록이 인접한 경우 발생하는 얼룩을 제거할 수 있었다. 이 연구를 통해 CLAHE의 한계점을 결정함으로써 사용자의 요구를 만족하는 영상의 강화가 가능하다.
- 본 논문에서는 CLAHE의 한계점 파라미터를 결정하기 위해 퍼지 논리를 도입함으로써 관심도에 비례한 명암 대비 강화를 가능하게 하였다.그 결과, 관심 영역인 피부 영역의 명암 대비 효과를 유지하면서 비 관심 영역인 공기 영역의 명암 대비를 최소화하여 영상의 선명도를 증가시켰다.또한, 초점이 비관심 영역으로 분산되는 것을 억제하고 비 관심 영역의 잡음을 완화하였다.
- 그리고 기존 4개의 이웃한 블록을 사용하여 히스토그램 맵을 보간하는 대신 9개의 블록을 사용하여, 밝기차가 큰 블록이 인접한 영역에서의 얼룩을 제거하는 효과를 볼 수 있었다.기존 방법에서 가로와 세로 방향의 단 방향으로 인접한 블록의 히스토그램을보간하였지만, 이 논문에서는 양 방향으로 인접한 블록의 히스토그램을 모두 포함하여, 영상의 밝기 차가 극명한 인접 블록 간의 차이를 완화할 수 있었다.
- 효과를 볼 수 있었다.기존 방법에서 가로와 세로 방향의 단 방향으로 인접한 블록의 히스토그램을보간하였지만, 이 논문에서는 양 방향으로 인접한 블록의 히스토그램을 모두 포함하여, 영상의 밝기 차가 극명한 인접 블록 간의 차이를 완화할 수 있었다.
- 그 결과, 관심 영역인 피부 영역의 명암 대비 효과를 유지하면서 비 관심 영역인 공기 영역의 명암 대비를 최소화하여 영상의 선명도를 증가시켰다.또한, 초점이 비관심 영역으로 분산되는 것을 억제하고 비 관심 영역의 잡음을 완화하였다.추가적으로, 블록 간의 경계를 없애기 위해 기존 4개의 블록에 대해서 히스토그램 맵을 보간하는 방법을 발전시켜 9개의 블록을 사용하였다.
- 실험결과를 종합해 보면, 기존 CLAHE보다 제안하는 방법에서 화질을 개선하는 효과를 볼 수 있었다. 관심도에 따른 한계점 설정으로 영상의 선명도를 증가시켰으며, 비 관심 영역의 잡음을 제거하는 효과를 볼 수 있었다.
- 영상에서 진단을 위한 관심영역으로 피부를 설정하여 실험하였으며, 영역 별로 해당되는 밝기 값의 범위는 실험적으로 도출된 값을 사용하였다.실험을 통해 도출 된 밝기 값의 범위는 공기 영역이 0-1930, 피부 영역이 1931-3954, 뼈 영역이 3955-4095의 값을 갖는다.
- 등[15]은 CLAHE의 매개변수인 블록의 개수와 한계점 설정에 따른 유방암 인식률에 관한 연구를 진행하였다.연구결과 블록의 개수와 한계점을 적절하게 설정하면 인식률이 증가하지만 설정을 잘못하면 오히려 인식률이 저하되는 결과를 보였다.즉, CLAHE에서 매개변수의 설정 값이 성능에 큰 영향을 미친다.
- 그 결과 밝기 값의 차이가 뚜렷한 블록이 인접한 경우 발생하는 얼룩을 제거할 수 있었다. 이 연구를 통해 CLAHE의 한계점을 결정함으로써 사용자의 요구를 만족하는 영상의 강화가 가능하다. 향후 연구에서는 영상에서 뼈과 피부, 공기에 대한 포함 정도를 혼합 모델로 파악하여 히스토그램 평활화를 수행하는 가우시안 혼합 모델을 이용[20]하여 화질을 향상시키는 방안에 대해 연구할 계획이다.
- 8(c)와같이 한 층 더 개선된 결과를 보인다. 제안하는 CLAHE의 결과 영상에서 비 관심 영역인 공기 영역을 전반적으로 어둡게 처리하여 화질이 개선되었다. 또한, 비 관심 영역인 공기 영역의 대비를 최소화함으로써 공기 영역의 잡음이 제거되고 관심 영역에 초점이 집중되어 피사체와 배경의 구분이 쉽게 가능하다.
- 이 논문에서 제시하는 내용은 다음과 같다.첫 째, CLAHE알고리즘에 퍼지 논리를 도입하여 CLAHE 의 매개변수인 한계점을 사용자의 개입 없이 자동으로 결정한다.둘 째, 블록 별로 사용자의 관심도에 따른 영상 강화를 적용하여 관심 영역을 강조하고 잡음을 제거하는 등 화질을 개선한다.
- 관심도에 따른 한계점 설정으로 영상의 선명도를 증가시켰으며, 비 관심 영역의 잡음을 제거하는 효과를 볼 수 있었다.특히, 한계점을 결정하기 위해 퍼지논리를 도입함으로써 관심 영역과 비 관심 영역의 유연한 설정이 가능하였다.또한, 최종 한계점의 임계 값을 결정하기 위한 한계점 멤버십 함수의 설계를 다양하게 하여 사용자 기호에 맞는 영상을 출력할 수 있었다.
- 1에서 좌측이 CLHE를 적용하기 전의 원본 히스토그램이고 우측이 CLHE를 수행하여 평활화된 히스토그램이다.한계점을 초과하는 픽셀의 개수를 전체 값에 고루 분배함으로써 히스토그램이 기존보다 평활화된 것을 볼 수 있다.한계점 파라미터는 0에서 1사이의 실수이고, 값이 클수록 히스토그램이 균일해져 블록 별 대비 효과가 강하게 일어난다.
후속연구
- 블록의 개수가 많아지면 작은 영역에 대해서 CLHE를 수행하기 때문에 지역적 특징이 부각된다.두 번째로, 한계점은 블록 별로 CLHE를 수행할 때 히스토그램이 갖는 최대 밀도를 제한하는 변수이다[14].한계점이 낮을수록 재분배할 픽셀의 양이 증가하므로 대비가 뚜렷하다.
- 이 연구를 통해 CLAHE의 한계점을 결정함으로써 사용자의 요구를 만족하는 영상의 강화가 가능하다. 향후 연구에서는 영상에서 뼈과 피부, 공기에 대한 포함 정도를 혼합 모델로 파악하여 히스토그램 평활화를 수행하는 가우시안 혼합 모델을 이용[20]하여 화질을 향상시키는 방안에 대해 연구할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.