$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

X-ray 영상을 위한 블록 기반 대비 개선 기법
Block-based Contrast Enhancement Algorithm for X-ray Images 원문보기

Journal of the Institute of Electronics and Information Engineers = 전자공학회논문지, v.52 no.10, 2015년, pp.108 - 117  

최광연 (인하대학교 전자공학과) ,  송병철 (인하대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

자연 영상들을 위한 전형적인 지역적 대비 개선 기법을 X-ray 영상에 적용할 경우, X-ray 고유의 특성을 고려하지 않기 때문에 과도한 개선이 이루어지거나 부자연스러운 화질을 생성하는 화상의 결함이 발생할 수 있다. 이러한 문제를 해결하기 위해 본 논문은 지역적으로 X-ray 영상을 위한 블록 기반 대비 개선 기법을 제안한다. 먼저 블록 단위로 가중치 누적 분포 변환 함수를 도출하고, 이를 이용한 블록 단위 대비 개선을 수행한다. 다음으로, 블록 기반 중첩을 적용하여 블록화 현상이 제거된 영상을 획득한다. 후처리로 고주파 성분을 강조하여 최종 영상을 획득한다. 모의실험을 통해 제안한 블록 기반 대비 개선 기법이 일반적인 대비 개선 기법보다 정량적인 대비 개선 척도에서 최대 5배 우수함을 확인하였다.

Abstract ▼ AI-Helper 아이콘AI-Helper

If typical contrast enhancement algorithms for natural images are applied to X-ray images, they may cause artifacts such as overshooting or produce unnatural visual quality because they do not consider inherent characteristics of X-ray images. In order to overcome such problems, we propose a locally...

주제어

#Medical image   #X-ray image   #Contrast enhancement  

질의응답

핵심어 질문 논문에서 추출한 답변
X-ray 영상의 화질을 개선시켜야 하는 이유는 무엇인가? 하지만 X-ray 영상의 촬영원리 상 진단 부위에 따라 촬영 기기로부터 얻어진 영상 데이터를 바로 의사가 분석하기에 어려움이 존재한다. X-ray 기기로부터 처음 획득된 X-ray 영상은 밝기 레벨이 고르지 못하여 영역별 구분이 어렵기 때문에 의사의 정밀한 진단과 정확한 판단을 돕기 위해서는 화질 개선된 X-ray 영상을 제공할 필요가 있다. 특히 흉부 X-ray 영상의 경우 폐질환, 갈비뼈 골절, 기관지염 등 의사가 관찰하는 신체 조직에 따른 영상의 특성이 다르기 때문에 적절한 부위별 개선이 필요하다.
히스토 그램 기반 지역적 히스토그램 평활화 기법의 문제점은 무엇인가? LHE는 원본 영상의 히스토그램에서 밝기 값 분포가 모여 있는 부분에서의 대비 개선이 주로 이루어지게 되는 GHE의 단점을 어느 정도 해결할 수 있다. 그러나 지역적으로 히스토그램 평활화가 이루어지기 때문에 필요 이상으로 과도하게 대비 개선이 이루어 질 수 있다. 또한 지역적 특성이 강한 영상일 경우 최종적으로 부자연스러운 결과를 얻을 수도 있다. LHE를 기반으로 한 기법 중에 예를 들어 영상을 특정 블록 크기로 나눈 후 중첩이 되도록 화소 단위로 이동하며 각 블록 안에 있는 영역에 대해서 히스토그램 평활화를 하는 기법이 있다[9].
히스토그램 기반의 전역적 히스토그램 평활화 기법은 어떤 확률 분포 함수들을 이용하는가? 전형적인 전역적 대비 개선 기법으로는 히스토그램 기반의 전역적 히스토그램 평활화 (Global Histogram Eqaulization, 이하 GHE) 기법이 있다[1∼5]. GHE는 원본 영상의 확률 분포 함수(Probability Distribution Function, 이하 PDF) 로부터 얻어지는 누적 분포 함수(Cumulative Distribution Function, 이하 CDF)를 이용한다. CDF에 기반을 둔 변환함수를 적용 하는 GHE는 영상의 전체 밝기 범위에서 균일하게 히스토그램 분포가 변하게 된다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. R. C. Gonzalez, R. E. Woods, Digital image processing. 2nd ed. Reading, MA. Addison-Wesley, pp. 85-103, 1992. 

  2. M. Abdullah-Al-Wadud, M. Hasanul Kabir, M. Ali Akber Dewan, and Oksam Chae, "A dynamic histogram equalization for image contrast enhancement," IEEE Trans. Consumer Electron., vol. 53, no. 2, pp. 593-600, May 2007. 

    상세보기 crossref

  3. C. H. Lu, H. Y. Hsu, L. Wang, "A new contrast enhancement technique by adaptively increasing the value of histogram," in IEEE International Workshop on Imaging Systems and Techniques, China, pp. 407-411, 2009. 

  4. S. D. Chen and A. Rahman Ramni, "Contrast enhancement using recursive mean-separate histogram equalization for scalable brightness preservation," IEEE Trans. Consumer Electron., vol. 49, no. 4, pp. 1301-1309, Nov. 2003. 

    상세보기 crossref

  5. G. H. Park, H. H. Cho, M. R. Choi, "A contrast enhancement method using dynamic range separate histogram equalization," IEEE Trans. Consumer Electron., vol. 54, no. 4, pp. 1981-1987, Nov. 2008. 

    상세보기 crossref

  6. S. C. Huang, F. C. Cheng, and Y, S. Chiu, "Efficient contrast enhancement using adaptive gamma correction with weighting distribution," IEEE Trans. Image Processing, vol. 22, no. 3, pp. 1032-1041, Mar. 2013. 

    상세보기 crossref

  7. K. Kokufuta and T. Maruyama, "Real-time processing of local contrast enhancement on FPGA," in International Conference on Field Programmable Logic and Applications, Prague, pp. 288-293, 2009. 

  8. J. A. Stark, "Adaptive image contrast enhancement using generalizations of histogram equalization," IEEE Trans. Image Processing, vol. 9, no. 5, pp. 889-896, May 2000. 

    상세보기 crossref

  9. T. K. Kim, J. K. Paik and B. S. Kang, "Contrast enhancement system using spatially adaptive histogram equalization with temporal filtering," IEEE Trans. Consumer Electron., vol. 44, no. 1, pp. 82-86, Feb. 1998. 

    상세보기 crossref

  10. K. Zuiderveld, "Contrast limited adaptive histogram equalization," Graphics Gems IV, pp. 474-485. Academic Press Professional, Inc., 1994. 

  11. B. Liu, W. Jin, Y. Chen, C. Liu, and L. Li, "Contrast enhancement using non-overlapped sub-blocks and local histogram projection," IEEE Trans. Consumer Electron., vol. 57, no. 2, pp. 583-588, May 2011. 

    상세보기 crossref

  12. T. Qiu, A. Wang, N. Yu, and A. Song, "LLSURE: local linear SURE-based edge-preserving image filtering," IEEE Trans. Image Processing, vol. 22, no. 1, pp. 80-90, Jan. 2013. 

    상세보기 crossref

  13. J. H. Jang, B. Choi, S. D. Kim, and J. B. Ra, "Sub-band decomposed multiscale retinex with space varying gain," in Proc. IEEE Int. Conf. Image Process.(ICIP), pp. 3168-3171, 2008. 

  14. S. S. Agaian, K. Panetta, and A. Grigoryan, "Transform based image enhancement with performance measure," IEEE Trans. Image Processing, vol. 10, no. 3, pp. 367-382, Mar. 2001. 

    상세보기 crossref

  15. S. S. Agaian, B. Silver, and K. A. Panetta, "Transform coefficient histogram-based image enhancement algorithms using contrast entropy," IEEE Trans. Image Processing, vol. 16, no. 3, pp. 471-758, Mar. 2007. 

  16. A. Saleem, A. Beghdadi, and B. Boashash, "Image fusion-based contrast enhancement" EURASIP Journal on Image and Video Processing, 2012. 

저자의 다른 논문 :

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로