[CV] Color Image(3) - Color Enhancement

컬러 향상 기법은 이미지를 더 명확하게 보이도록 하거나 특정 특성을 강조하는 데 사용된다. 특히 명도(Intensity)나 특정 색상 범위를 조절해 의미 있는 정보를 쉽게 추출하는 것이 핵심이다.

Pseudocolor Image Processing

Pseudocolor Image Processing은 그레이스케일 이미지를 사람의 시각에 더 효과적으로 전달하기 위해 다양한 색으로 변환하는 기법이다. 일반적인 그레이스케일 이미지는 밝기 값(예:0~255)으로만 표현되기 때문에, 값의 작은 차이를 구별하기 어렵다. 이러한 문제를 해결하기 위해, Pseudocolor 기법은 명도 값에 특정 색을 대응시켜 컬러 이미지로 변환한다.

이 과정은 단순히 색상을 입히는 것이 아니라, 사람이 이해하기 쉽도록 데이터의 시각적 해석을 돕는 것이 목적이다. 예를 들어, 의료 영상에서 조직 밀도 차이, 위성 사진에서 지형 고도 차이, 열화상 이미지에서 온도 분포를 표현할 때, 그레이스케일 값과 색상 간의 매핑 규칙을 적용하면 미세한 차이가 더 명확하게 드러난다.

이 방법의 핵심은 색상 매핑 테이블(colormap)을 정의하는 것이다. 낮은 밝기 값은 파란색, 중간값은 초록색, 높은 값은 빨강으로 매핑하는 방식이 대표적이다. 이러한 색상 대비는 인간의 시각 시스템이 색상 변화에 민감하다는 특성을 활용해, 단순한 밝기 차이보다 훨씬 쉽게 구분할 수 있도록 한다.

Intensity Slicing

Intensity Slicing은 디지털 영상 처리에서 특정 밝기 범위를 강조하여 중요한 특징을 부각시키는 기법이다. 이 방법은 단순한 그레이스케일 이미지에서 관심 있는 영역을 효과적으로 시각화하기 위해 사용된다.

이미지는 보통 픽셀 값이 밝기(Intensity)로 표현된다. Intensity Slicing에서는 지정된 명도 범위에 속하는 픽셀을 다른 색이나 톤으로 변경해 강조한다. 나머지 영역은 기존 톤 그대로 유지하거나 또 다른 색상으로 설정이 가능하다.

작동 원리

위 이미지에서 가로축(x, y)는 영상의 공간 좌표를 의미하며, 세로축(f(x, y))는 픽셀의 밝기(Gray Level)을 의미한다.

Slicing Plane(슬라이싱 평면)은 특정 명도 값 $l_i$에서 잘라낸 평면을 의미하며, 이 평면 위로 돌출된 부분은 선택된 명도 이상을 가진 영역이고, 이를 별도의 색이나 밝기로 강조한다.

단계별 과정을 살펴보면,
(1) 명도 범위 설정 : 예를 들어, $l_1 ≤ f(x, y) ≤ l_2$ 범위 설정

(2) 범위 내 픽셀 강조 : 컬러 이미지는 해당 범위를 특정 색상으로 매핑, 그레이 스케일 이미지는 더 밝게 또는 어둡게 조정한다.

(3) 나머지 픽셀 처리 : 일반적으로 기본 톤을 유지하거나 다른 색으로 지정한다.

위 그래프를 해석해보면, 명도 값이 $l_i$ 이상이면, 출력 색상이 $c_1$에서 $c_2$로 바뀐다. 이 방식으로 특정 밝기 이상을 구분해 강조할 수 있다.

Examples

Intensity to Color Transformations

Intensity to Color Transformation은 단일 채널(그레이스케일) 이미지의 픽셀 값(명도)을 색상으로 변환하는 기법이다. 이는 Pseudocolor 처리의 한 형태로, 명도 값에 따라 색상(RGB)을 매핑하여 사람이 더 직관적으로 해석할 수 있도록 한다.

원리
입력으로 사용되는 이미지는 단일 채널의 그레이스케일 데이터이며, 각 픽셀 값은 0에서 L-1 범위(일반적으로 0~255)를 가진다. 변환 과정에서는 다음과 같은 방식으로 동작한다.

1. 입력 픽셀 값 $f(x, y)$은 세 개의 독립적인 변환 함수로 전달된다.
   $\\$
2. 각 함수는 Red, Green, Blue 채널에 해당하며, 다음과 같이 정의된다.
   $f_R(x, y) = T_R[f(x, y)], f_G(x, y) = T_G[f(x, y)], f_B(x, y) = T_B[(f(x,y)]$
   여기서 $T_R, T_G, T_B$는 서로 다른 매핑 규칙을 가지며, 동일한 픽셀 값이라도 각 함수 결과는 다를 수 있다.
   $\\$
3. 세 개의 결과 채널을 합성하면 최종적으로 컬러 이미지가 생성된다.
   

이 구조는 본질적으로 단일 값(밝기)을 세 가지 값(R, G, B)로 확장하는 과정이며, 이를 통해 색상 표현이 가능해진다.

아래 보안 스캐닝 이미지를 봐보자.

입력 그레이스케일 $f(x, y)$에 대해

이때, $T_R, T_G, T_B$는 사인파 형태의 주기 함수이다. 사인파 형태의 주기함수를 사용하는 이유는, 특정 패턴(폭발물, 옷가방, 배경)을 시각적으로 뚜렷하게 구분하기 위해 색상 변화가 급격히 일어나는 방식으로 매핑하기 위함이다.

즉, 위에서 사용된 매핑 기법은 단순히 선형 혹은 연속적인 색상 변화가 아니라, 특정 데이터 구간을 뚜렷하게 구분하는 주기적 색상 패턴을 사용해, 객체 탐지와 시각화 효율을 높이는 방식이다.

Intensity to Color Transformation에서 단일 영상으로는 표현할 수 없는 복합적인 정보 제공을 필요로 할 때 가 있다. 이 경우에는 여러 개의 단일 채널 영상(monochrome images)을 이용한 Pseudocolor 코딩 기법이 사용된다. 즉, 단일 그레이스케일 이미지를 컬러로 변환하는 기존 방식과 달리, 다중 영상 데이터를 결합하여 RGB 컬러 이미지를 생성하는 구조이다.

입력은 K개의 단일 채널(그레이스케일) 이미지이다. (예를 들면, 서로 다른 센서에서 수집된 영상들(적외선, 가시광성, X-ray..))

입력으로 들어온 각 영상은 개별적인 변환 함수 $T_i$를 거쳐 출력된다.

변환된 결과 $g_1, g_2,...,g_K$를 통합하여 RGB 출력으로 매핑한다.(추가 처리 Additional Processing)

최종 출력은 3채널 컬러 이미지로 변환된다.

이 방식은 일반 Pseudocolor처럼 명도 값 $\to$ 색상 매핑을 하는 것이 아니라, 다중 입력 데이터를 하나의 컬러 이미지로 통합하는 전략이다. 추가 처리 단계에서 가중합, 비선형 결합, 혹은 색상 공간 변환 등을 적용할 수 있다.

사용되는 사례로는 의료 영상(MRI, CT, PET 데이터 결합 $\to$ 한 화면에 종합 표현) 또는 위성 영상(서로 다른 스펙트럼 밴드(적외선, 가시광선, 레이더)를 결합 $\to$ 토지 및 지형 분석 등에 사용된다.