Contrast Limited Adaptive Histogram Equalization (CLAHE)

함수 설명

앞선 포스팅에서 histogram의 분포를 균등하게 만들어줘 contrast를 개선시키는 Histogram Equalization에 대해 설명을 했습니다.

https://hanstar4.tistory.com/34

Histogram Equalization (히스토그램 균일화)

하지만 밝은 부분과 어두운 부분이 섞여 있는 이미지 전체에 균일화를 적용하면, 오히려 각 부분의 contrast가 감소할 위험이 있습니다.

Histogram Equalization 적용 전후

위 그림을 보면 모든 영역을 균일하게 적용하다보니 오히려 경계가 깨져 quality가 떨어지는 것을 볼 수 있습니다.

이를 해결하기 위해 이미지를 패치형태로 쪼개 패치안에서 균일화를 적용하는 방식을 적용했습니다.

 

그런데 패치는 작은 영역이다보니 너무 밝거나, 너무 어두운 몇개의 pixel이 큰 영향을 끼칠 수 있습니다. 이를 보완하기 위해 contrast limit라는 파라미터를 설정해, 이 값을 넘어가는 경우 해당 pixel들을 재조정하는 작업을 진행합니다.

CLAHE 적용 전후

위 그림을 보면 경계를 유지하면서 어두운 곳, 밝은 곳 모두 잘 보이도록 바뀌는 것을 볼 수 있습니다.

 

참조 : https://opencv-python.readthedocs.io/en/latest/doc/20.imageHistogramEqualization/imageHistogramEqualization.html

---

코드 설명

python OpenCV 라이브러리를 사용하였습니다.

 

clahe = cv2.createCLAHE(clipLimit, tileGridSize)
output = clahe.apply(src)

 

1) src : 바꾸고 싶은 source 이미지

2) clipLimit : contrast 제한 경계 값

3) tileGridSize : 패치 사이즈

---

예제

Histogram을 균일하게 만들어주는 예제입니다.

Color 이미지의 경우 YCrCb로 변환후 밝기에 해당하는 Y에 함수 적용후 다시 RGB 이미지로 변환시켜줍니다.

import cv2
import matplotlib.pyplot as plt
from skimage import io


# main function
def histogram_clahe(image):
    clahe = cv2.createCLAHE(clipLimit=4, tileGridSize=(11, 11))
    # Color image
    if len(image.shape) == 3:
        ycrcb_array = cv2.cvtColor(image, cv2.COLOR_RGB2YCrCb)
        y, cr, cb = cv2.split(ycrcb_array)
        merge_array = cv2.merge([clahe.apply(y), cr, cb])
        output = cv2.cvtColor(merge_array, cv2.COLOR_YCrCb2RGB)
    # Gray image
    else:
        output = clahe.apply(image)
    return output

def histogram_equal(image):
    # Color image
    if len(image.shape) == 3:
        ycrcb_array = cv2.cvtColor(image, cv2.COLOR_RGB2YCrCb)
        y, cr, cb = cv2.split(ycrcb_array)
        merge_array = cv2.merge([cv2.equalizeHist(y), cr, cb])
        output = cv2.cvtColor(merge_array, cv2.COLOR_YCrCb2RGB)
    # Gray image
    else:
        output = cv2.equalizeHist(image)
    return output

# Image Load
image = io.imread('dark.jpg')

# Clahe
output1 = histogram_clahe(image)
# Equalization
output2 = histogram_equal(image)

# gray image
gray_img = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
# Clahe
output3 = histogram_clahe(gray_img)
# Equalization
output4 = histogram_equal(gray_img)

# view
plt.subplot(2,3,1)
plt.title('Color Original')
plt.axis('off')
plt.imshow(image)

plt.subplot(2,3,2)
plt.title('CLAHE')
plt.axis('off')
plt.imshow(output1)

plt.subplot(2,3,3)
plt.title('Equalization')
plt.axis('off')
plt.imshow(output2)

plt.subplot(2,3,4)
plt.title('Gray Original')
plt.axis('off')
plt.imshow(gray_img, cmap='gray')

plt.subplot(2,3,5)
plt.title('CLAHE')
plt.axis('off')
plt.imshow(output3, cmap='gray')

plt.subplot(2,3,6)
plt.title('Equalization')
plt.axis('off')
plt.imshow(output4, cmap='gray')
plt.show()

Histogram Equalization과 비교하여 CLAHE가 어둡고 밝은 영역에 대해 자연스럽게 균일화를 시키는 것을 볼 수 있습니다.