# CLAHE

## 개요

**CLAHE**(Contrast Limited Adaptive Histogram Equalization, 대비 제한 적응형 히스토그램 평활화)는 디지털 이미지 처리에서 지역적인 대비를 향상시키기 위해 사용되는 기술입니다. 기존의 AHE(Adaptive Histogram Equalization) 기법은 이미지의 각 로컬 영역에 히스토그램 평활화를 적용하여 세부 묘사(detail)를 강조하지만, 노이즈를 과도하게 증폭시키는 단점이 있습니다. CLAHE는 이 문제를 해결하기 위해 **대비 제한**(contrast limiting) 기법을 도입하여, 노이즈 증폭을 억제하면서도 효과적인 대비 향상을 달성합니다. 의료 영상, 위성 사진, 저조도 사진 개선 등 다양한 분야에서 널리 활용됩니다.

---

## 원리 및 동작 방식

### 1. AHE의 한계

AHE는 전체 이미지가 아닌 **로컬 윈도우**(local window) 단위로 히스토그램을 계산하고, 이를 평활화하여 각 픽셀의 밝기를 조정합니다. 이 방식은 어두운 부분이나 밝은 부분이 국부적으로 집중된 영역에서도 세부 묘사를 잘 드러내지만, 균일한 영역(예: 하늘, 벽면)에서 히스토그램의 기울기가 매우 커져 **노이즈가 과도하게 증폭**되는 문제가 발생합니다.

### 2. CLAHE의 핵심: 대비 제한

CLAHE는 AHE의 이러한 문제를 해결하기 위해 다음의 두 가지 핵심 기법을 적용합니다:

- **히스토그램 클리핑**(Histogram Clipping):  
  각 로컬 윈도우의 히스토그램에서 특정 임계값을 초과하는 빈도수를 잘라내고, 초과된 값을 다른 빈도수에 균등하게 분배합니다. 이 임계값을 **클립 리미트**(clip limit)라고 하며, 일반적으로 2~4 사이의 값을 사용합니다. 클립 리미트가 낮을수록 대비 증폭이 억제되어 노이즈가 줄어들지만, 세부 묘사 향상 효과도 감소합니다.

- **버디 윈도우 간 보간**(Bilinear Interpolation between Tiles):  
  이미지를 격자(grid) 형태의 타일(tiles)로 나누고 각 타일에 대해 CLAHE를 독립적으로 적용합니다. 경계 근처에서는 인접 타일의 결과를 선형 보간하여 부드러운 전이를 보장합니다. 이는 타일 경계에서 발생할 수 있는 아티팩트(artifacts)를 방지합니다.

---

## 알고리즘 절차

CLAHE의 처리 과정은 다음과 같습니다:

1. **이미지 분할**: 입력 이미지를 \( M \times N \) 크기의 격자로 분할합니다. 각 격자는 타일(tile)이라 부릅니다.
2. **히스토그램 계산**: 각 타일 내 픽셀의 밝기 값에 대해 히스토그램을 생성합니다.
3. **히스토그램 클리핑**: 지정된 클립 리미트를 기준으로 히스토그램의 빈도수를 제한합니다.
4. **누적 분포 함수**(CDF) 계산: 클리핑된 히스토그램에 대해 CDF를 계산하고, 이를 이용해 픽셀 값을 변환합니다.
5. **보간 처리**: 각 픽셀이 속한 타일의 경계 근처라면, 인접 타일의 결과와 보간하여 최종 밝기 값을 결정합니다.

이 과정은 주로 그레이스케일 이미지에 적용되며, 컬러 이미지의 경우 일반적으로 **YUV** 또는 **LAB** 색 공간에서 밝기 채널(Y 또는 L)에만 적용한 후 다시 RGB로 변환합니다.

---

## 파라미터 설정

CLAHE의 성능은 다음 두 주요 파라미터에 크게 영향을 받습니다:

| 파라미터 | 설명 | 일반적 값 |
|--------|------|----------|
| `clipLimit` | 히스토그램 클리핑의 임계값. 값이 클수록 대비 증폭이 강해지지만 노이즈도 증가 | 2.0 ~ 4.0 |
| `tileGridSize` | 이미지를 나누는 타일의 크기 (행×열). 작을수록 로컬 대비 향상이 강함 | (8,8), (16,16) |

예: OpenCV에서 CLAHE 적용 코드 (Python)
```python
import cv2

# CLAHE 생성
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))

# 그레이스케일 이미지에 적용
gray = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)
enhanced = clahe.apply(gray)

# 저장
cv2.imwrite('output.jpg', enhanced)
```

---

## 활용 분야

- **의료 영상 처리**: X-ray, MRI, 안저 사진 등에서 미세한 병변을 시각화하는 데 유용합니다.
- **보안 및 감시 영상**: 저조도 환경에서 촬영된 영상의 가시성 향상.
- **원격 탐사**(Remote Sensing): 위성 이미지에서 지형이나 식생의 세부 구조 강조.
- **디지털 사진 보정**: 역광이나 그림자 영역의 디테일 복원.

---

## 장단점

### 장점
- 전역 히스토그램 평활화보다 **지역 대비 향상이 뛰어남**.
- 노이즈를 과도하게 증폭하지 않아 **자연스러운 결과**를 제공.
- 다양한 조명 조건에서 안정적인 성능.

### 단점
- 계산 복잡도가 높아 실시간 처리에 부담이 될 수 있음.
- 클립 리미트와 그리드 크기 조정이 필요하며, 잘못 설정하면 아티팩트 발생 가능.

---

## 관련 기술

- **AHE**(Adaptive Histogram Equalization): CLAHE의 기반이 되는 기법.
- **Retinex 알고리즘**: 인간 시각 시스템을 모방한 조명 보정 기법.
- **Gamma 보정**: 전역 밝기 조정 기법으로, CLAHE와 병행 사용 가능.

---

## 참고 자료

- Pizer, S. M., et al. (1990). "Adaptive histogram equalization and its variations." *Computer Vision, Graphics, and Image Processing*.
- OpenCV 공식 문서: [https://docs.opencv.org](https://docs.opencv.org)
- Gonzalez, R. C., & Woods, R. E. (2008). *Digital Image Processing*. Pearson Education.