# Contrast Limited Adaptive Histogram Equalization (CLAHE)

## 개요
**Contrast Limited Adaptive Histogram Equalization(CLAHE)**은 디지털 이미지 처리 및 컴퓨터 비전 분야에서 이미지의 지역적 대비(Contrast)를 향상시키기 위해 널리 사용되는 적응형 히스토그램 평활화 기법입니다. 전역 히스토그램 평활화(Global HE)가 전체 이미지에 동일한 변환 함수를 적용하는 것과 달리, CLAHE는 이미지를 여러 작은 영역(타일)으로 분할한 후 각 지역별로 히스토그램을 분석하고 평활화를 수행합니다. 특히 과도한 대비 증폭으로 인한 노이즈 증폭을 방지하기 위해 '대비 제한(Contrast Limiting)' 단계를 도입하여, 의료 영상(X선, MRI 등), 문서 스캔 개선, 감시 카메라 영상 처리 등 세부 디테일이 중요한 분야에서 표준적으로 활용되고 있습니다. 본 기법은 1987년 Pizer 등이 제안한 적응형 히스토그램 평활화(AHE)를 기반으로, 1994년 Karel Zuiderveld가 대비 제한 기능을 추가하여 완성하였습니다.

## 작동 원리
CLAHE의 핵심 알고리즘은 지역적 통계 정보를 활용하되 과적합을 방지하는 데 있습니다. 주요 단계는 다음과 같습니다.

### 타일 기반 분할 및 적응형 처리
입력 이미지를 중첩되지 않는 정사각형 또는 직사각형 그리드(타일)로 나눕니다. 각 타일 내부의 픽셀 값 분포를 기반으로 히스토그램을 생성하고, 이를 평활화하여 해당 영역의 명암 대비를 극대화합니다. 이 과정에서 주변 픽셀과의 상관관계를 고려하지 않고 지역 통계만 반영하므로, 전역 평활화보다 미세한 구조물(예: 혈관, 조직 경계, 문서 자국)을 더 잘 부각시킵니다.

### 대비 제한(Contrast Limiting) 메커니즘
AHE의 치명적 단점은 히스토그램이 매우 편향된 영역에서 노이즈까지 과도하게 증폭시킨다는 점입니다. CLAHE는 이를 해결하기 위해 미리 설정한 '클립 리밋(Clip Limit)' 값을 기준으로 히스토그램 피크를 잘라내고, 잘려나간 픽셀 수를 전체 히스토그램에 균등하게 재분배합니다. 이로 인해 변환 함수의 기울기가 제한되어 대비 증폭이 자연스럽게 억제되며, 결과적으로 노이즈 민감도가 현저히 낮아집니다.

### 경계선 보간법 적용
타일 간 경계에서 갑작스러운 명암 변화(블로킹 아티팩트)가 발생할 수 있습니다. 이를 방지하기 위해 인접한 타일의 평활화 결과를 이중선형 보간(Bilinear Interpolation) 또는 삼차보간(Cubic Interpolation)하여 부드럽게 연결합니다. 결과적으로 지역적 대비 향상과 전역적 연속성을 동시에 만족하는 출력 이미지를 생성합니다.

## 주요 매개변수
CLAHE의 성능은 다음 세 가지 파라미터에 크게 의존합니다.
- **타일 크기(Tile Size)**: 이미지를 분할하는 그리드의 차원입니다. 작을수록 지역 적응도가 높아지지만 계산 부하가 증가하고 노이즈 민감도가 커집니다. 일반적으로 8×8 또는 16×16이 표준으로 사용됩니다.
- **클립 리밋(Clip Limit)**: 대비 제한의 강도를 결정합니다. 기본값은 보통 2~4 사이이며, 값이 작을수록 대비 증폭이 억제되어 노이즈가 줄어드는 대신 디테일 표현력이 약해질 수 있습니다.
- **보간 방식(Interpolation Method)**: 타일 경계 보간에 사용되는 알고리즘으로, 계산 속도와 출력 품질 간 트레이드오프를 가집니다.

## 장점과 단점
| 구분 | 내용 |
|---|---|
| **장점** | 지역적 대비 향상으로 미세 구조 노출 용이, 노이즈 증폭 효과적으로 억제, 전역 평활화 대비 자연스러운 시각적 결과 제공 |
| **단점** | 전역 기법 대비 계산 복잡도 높음, 파라미터 튜닝 필요성, 매우 저조도 또는 고노이즈 영상에서 성능 한계 존재 |

## 응용 분야
- **의료 영상 처리**: X-ray, CT, MRI, 초음파 등에서 병변 경계 및 미세 조직 가시화
- **문서 및 스캔 이미지 보정**: 낮은 조도나 반사 문제로 인한 명암 손실 복구, OCR 전처리
- **감시 및 보안 영상**: 안개, 흐림, 저조도 환경에서 대상물 식별력 향상
- **사진 보정 및 컴퓨터 그래픽스**: 로컬 톤 매핑(Local Tone Mapping), HDR 이미지 생성의 하위 단계

## 구현 예시 (Python + OpenCV)
```python
import cv2
import numpy as np

# 1. 이미지 읽기 (그레이스케일 권장)
img = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)

# 2. CLAHE 객체 생성 (타일 크기 8x8, 클립 리밋 2.0)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))

# 3. 적용 및 출력
enhanced_img = clahe.apply(img)
```
OpenCV의 `cv2.createCLAHE` 함수는 내부적으로 효율적인 히스토그램 계산과 보간 알고리즘을 최적화하여 제공하므로, 대부분의 실제 프로젝트에서 이 구현체를 권장합니다.

## 참고 자료 및 관련 문서
- Zuiderveld, K. (1994). *Contrast Limited Adaptive Histogram Equalization*. Graphics Gems IV.
- Pizer, S. M., et al. (1987). "Adaptive histogram equalization and its variations." *Computer Vision, Graphics, and Image Processing*.
- OpenCV Documentation: `cv2.createCLAHE`
- 관련 알고리즘: 히스토그램 평활화(HE), 적응형 히스토그램 평활화(AHE), 로컬 톤 매핑(LTM)