히스토그램 평활화(Histogram Equalization)란? AI에서 밝기 분포로 이미지의 대비를 조정하는 방법

TL;DR

히스토그램 평활화는 이미지의 누적 밝기 분포를 이용해 픽셀의 밝기값을 다시 매기는 대비 조정 방법입니다. 좁은 밝기 범위에 몰린 차이를 넓혀 보는 전처리이며 물체를 분류하거나 픽셀을 둘로 나누는 작업은 아닙니다. 영상 전체에 같은 변환을 쓰는 전역 방식과 작은 구역별로 조정하는 CLAHE를 구분합니다. 대비가 강해져도 잡음과 과도한 밝기가 늘 수 있어 원본과 후속 인식 결과를 함께 확인합니다.

핵심 3줄 요약

• 핵심 1
  밝기값의 누적 비율을 봅니다. 밝기별 픽셀 수를 쌓아 변환표를 만들고 같은 원래 값에 새 값을 대응시킵니다.
• 핵심 2
  전역 방식과 CLAHE는 다릅니다. 전체 영상의 한 변환표와 구역별 변환을 구분하며 타일 크기와 대비 제한을 따로 봅니다.
• 핵심 3
  보기 좋은 대비가 정답은 아닙니다. 밝기 단계가 늘거나 잡음이 사라진다는 보장은 없습니다. 실제 인식 오류와 색 변화를 점검합니다.

이 글에서 다룰 내용

히스토그램 평활화를 한 문장으로 정의하면 무엇인가요?

히스토그램 평활화는 영상의 밝기별 빈도를 누적한 분포에 따라 픽셀값을 재배치해, 자주 나타나는 밝기 구간의 차이를 더 넓은 출력 범위에 표현하는 영상 처리 방법입니다.

영문명은 Histogram Equalization이며 히스토그램 균등화라고도 부릅니다. 히스토그램은 밝기값별 픽셀 수를 센 표입니다. 평활화라는 이름이 주변 픽셀을 평균내어 영상을 흐리게 만든다는 뜻은 아닙니다. 여기서는 누적분포를 이용한 밝기 변환을 가리킵니다.

OpenCV 공식 평활화 안내는 좁은 범위에 몰린 밝기를 넓게 옮기는 과정을 설명합니다. 기본 전역 방식은 영상 전체에서 변환표 하나를 구합니다. 같은 밝기의 픽셀은 위치가 달라도 같은 새 값을 받으며 출력은 여전히 여러 밝기 단계의 영상입니다.

한 줄 정리: 바뀌는 것은 픽셀의 밝기 척도입니다. 물체 이름이나 영역 번호, 분할 마스크가 자동으로 붙지는 않습니다.

쉬운 예시로 이해해 볼까요?

감자나라ai님이 밝기값 [50,50,60,60,70,70,80,80] 을 가진 작은 회색조 영상을 본다고 가정해 보겠습니다. 값은 50부터 80 사이에 몰려 있습니다. 밝기 50·60·70·80이 각각 두 번 나오므로 누적 비율은 차례로 1/4,1/2,3/4,1 입니다.

첫 번째로 관측된 밝기의 누적분을 빼고 나머지를 0부터 255까지 펼치는 규칙을 쓰면 변환표는 50→0,60→85,70→170,80→255 가 됩니다. 결과는 [0,0,85,85,170,170,255,255] 입니다. 원래 밝기 순서는 유지되고 값 사이 간격은 넓어집니다.

출력에 0부터 255까지 모든 값이 생긴 것은 아닙니다. 이 예시의 서로 다른 밝기는 여전히 네 개입니다. 50이 다섯 번이고 나머지 밝기가 한 번씩인 입력에도 같은 대응을 적용하면 출력 0이 다섯 번 남습니다. 평활화가 각 밝기 칸의 픽셀 수를 정확히 같게 만든다고 이해하면 안 됩니다.

이 수치들은 Python 표준 라이브러리의 분수 연산으로 확인한 설명용 계산입니다. OpenCV나 scikit-image 함수를 실제로 호출한 결과가 아닙니다. OpenCV 4.13.0 공식 구현의 첫 점유 구간 보정과 일치하는 예시를 택했으며 다른 구현의 보정·반올림·출력 척도까지 같다고 보장하지 않습니다.

쉬운 예시: 밝기 숫자의 간격을 다시 벌리는 처리입니다. 이미 같은 값으로 기록된 두 픽셀을 서로 다른 정보로 복원하지는 못합니다.

왜 AI에서 히스토그램 평활화가 중요한가요?

낮은 대비의 입력을 비교할 후보를 만듭니다

어두운 사진이나 밝기가 좁게 몰린 문서에서 글자·무늬의 차이를 살펴볼 전처리 후보입니다. 같은 원본의 무처리 영상과 평활화 영상을 나란히 놓으면 대비 변화가 다음 OCR·특징 추출에 도움이 되는지 확인하기 좋습니다. 새로운 세부 정보를 생성하는 복원 모델로 설명하지 않습니다.

영상 전체와 작은 구역의 차이를 나눠 봅니다

영상 전체가 비슷하게 어두운 경우와 밝은 배경 속 작은 어두운 대상은 조건이 다릅니다. scikit-image 공식 대비 비교 예제는 원본·대비 스트레칭·전역 평활화·적응형 평활화를 함께 보여줍니다. 전역 결과가 부자연스러울 때 국소 처리까지 비교할 근거가 됩니다.

핵심 인사이트: 더 선명해 보이는 사진과 더 정확한 인식은 따로 평가합니다. 밝기 변화로 사라진 약한 글자나 강조된 배경 잡음을 함께 봅니다.

히스토그램 평활화는 어떤 순서로 작동하나요?

1. 처리할 밝기와 범위를 정합니다

회색조 한 채널을 처리할지, 색공간에서 밝기에 해당하는 성분을 처리할지 정합니다. 입력 자료형과 허용 범위, 잘라낼 영역을 고정합니다. 같은 장면이어도 주변 배경을 많이 포함하면 밝기별 비중이 바뀌므로 잘라낸 범위도 처리 조건입니다.

2. 빈도를 세고 누적분포를 만듭니다

밝기별 횟수를 낮은 값부터 더합니다. 현재 밝기까지 포함한 누적 횟수를 전체 픽셀 수로 나누면 누적 비율입니다. 픽셀이 많은 구간에서는 이 값이 크게 증가합니다. 전역 계산은 픽셀의 위치나 물체의 이름을 통계에 넣지 않습니다.

3. 출력 척도에 맞는 변환표를 구합니다

누적분포를 새 밝기에 대응시키는 표를 만듭니다. 앞 예시의 255 * (C - Cmin) / (N - Cmin) 에서 C는 현재까지의 누적 횟수, Cmin은 첫 점유 밝기의 누적 횟수, N은 전체 픽셀 수입니다. 상수 영상에서는 분모가 0이므로 이 식을 그대로 적용하지 않습니다.

OpenCV의 확인한 구현은 모든 픽셀이 같은 값이면 그 값을 그대로 출력합니다. 한편 일반 안내의 단순 누적식과 실제 정수 구현은 끝값 보정과 반올림이 다를 수 있습니다. 함수 이름만 보고 서로 다른 도구의 출력 숫자가 같다고 단정하지 않습니다.

4. 새 밝기로 바꾸고 결과를 확인합니다

각 픽셀의 원래 값을 변환표에서 찾아 바꿉니다. 좌표와 영상 크기는 그대로 두지만 밝기 간격은 달라집니다. 변환 전후 히스토그램, 확대 영상과 후속 인식 오류를 함께 비교합니다. 누적곡선이 매끈해 보인다는 이유만으로 처리를 채택하지 않습니다.

실전 팁: 원본·회색조 변환 규칙·변환표·결과 영상을 따로 보관하세요. 대비 효과와 원래 센서 밝기를 혼동하지 않도록 측정은 원본 기준도 남깁니다.

전역 평활화와 CLAHE의 설정은 어떻게 읽나요?

OpenCV의 입력 자료형부터 확인합니다

OpenCV equalizeHist 공식 API는 8비트 단일 채널 영상을 받으며 같은 크기와 자료형의 영상을 반환합니다. 색상 배열이나 더 높은 정밀도의 영상을 그대로 같은 함수에 넣는 안내로 옮기지 않습니다. 필요한 변환이 원래 밝기를 잘라내지 않는지 먼저 봅니다.

CLAHE는 구역별 과도한 대비를 제한합니다

CLAHE는 Contrast Limited Adaptive Histogram Equalization의 약어입니다. 작은 구역의 히스토그램을 쓰되 너무 큰 빈도 구간을 제한하고 초과분을 재분배합니다. 이웃 구역의 변환을 보간해 타일 경계의 부자연스러움을 줄입니다. 제한 대상은 히스토그램 빈도이며 픽셀 밝기를 특정 숫자 이하로 자르는 옵션이 아닙니다.

OpenCV CLAHE 공식 API에서 tileGridSize=(8,8) 은 가로·세로 방향의 타일 개수입니다. 한 타일이 8×8픽셀이라는 뜻이 아닙니다. CLAHE의 apply는 8비트 또는 16비트 단일 채널을 받으므로 전역 equalizeHist의 입력 범위와 구분합니다.

다른 라이브러리의 숫자를 그대로 옮기지 않습니다

scikit-image exposure 공식 API의 equalize_hist 는 실수 배열을 반환하며 정수 영상에서는 nbins 설정을 무시하고 각 정수값을 별도 구간으로 셉니다. mask 는 분포를 계산할 위치를 고르지만 얻은 변환은 영상 전체에 적용합니다. 마스크 밖을 원본 그대로 보존하는 옵션이 아닙니다.

equalize_adapthist 의 kernel_size 는 문맥 영역의 크기이며 OpenCV의 타일 개수와 단위가 다릅니다. clip_limit 도 0과 1 사이로 정규화한 설정입니다. 이름이 비슷하다는 이유로 OpenCV의 clipLimit 과 같은 숫자를 같은 강도로 취급하지 않습니다.

히스토그램 평활화와 헷갈리는 용어는 무엇이 다른가요?

오츠 이진화·대비 스트레칭과의 차이

오츠 이진화는 밝기를 나눌 임계값을 골라 마스크를 만들 때 씁니다. 평활화는 여러 밝기의 대응을 바꿉니다. 대비 스트레칭은 정한 밝기 양 끝을 새 범위에 대응시키는 방식이며 분포의 누적 빈도에 따른 비선형 재배치와 구분합니다.

히스토그램 매칭·분위수 변환과의 차이

공식 히스토그램 매칭 예제는 다른 기준 영상의 분포를 따라 밝기를 바꿉니다. 평활화에는 그런 별도 기준 영상이 필요하지 않습니다. 분위수 변환도 누적분포를 쓰지만 기존 글은 학습 표본의 특징별 기준을 저장해 새 입력 행에 적용합니다. 한 영상이나 타일의 대비 조정과 입력 단위·운영 절차가 다릅니다.

비교 정리: 이진화는 밝기를 나눌 기준, 평활화는 누적 밝기의 재배치, 매칭은 기준 영상과의 분포 대응입니다. 이웃 평균으로 잡음을 줄이는 평활 필터와도 다른 계산입니다.

실전에서는 어디에 쓰이나요?

문서·사진 인식 전의 대비 후보를 비교합니다

낮은 대비의 스캔 문서에서 회색조 평활화를 후보로 두고 OCR 오류를 원본과 비교합니다. 작은 글자 획, 얼룩과 압축 잡음이 어떻게 달라지는지 확대해 봅니다. 사진 특징 추출에서도 촬영 조건별로 성공·실패를 나눠 검토하되 조명을 물리적으로 복구한다고 해석하지 않습니다.

밝기가 고르지 않은 영역을 검토합니다

밝은 부분과 어두운 부분이 함께 있는 사진에서는 전역 변환이 특정 구역을 지나치게 밝게 만들 수 있습니다. CLAHE를 국소 대비 후보로 비교합니다. 타일을 작게 만들거나 대비를 강하게 높이는 것만으로는 약한 결함과 잡음을 구별할 수 없으므로 원본 확대와 실제 작업 결과가 필요합니다.

히스토그램 평활화를 적용할 때 어떤 순서로 확인하나요?

1. 입력과 비교 기준을 고정합니다

같은 원본·해상도·잘라낸 범위·회색조 규칙으로 무처리, 전역 평활화와 CLAHE를 비교합니다. CLAHE의 타일 단위와 대비 제한값, 출력 자료형을 기록합니다. 사진마다 자동으로 범위를 바꾸는 표시 설정도 고정해야 화면상 차이를 실제 배열의 변화와 구분합니다.

2. 작은 배열과 실패 영상을 시험합니다

밝기 네 단계의 작은 배열, 상수 영상, 잡음이 있는 어두운 영역과 이미 대비가 큰 영상을 넣습니다. 원래 같던 픽셀이 전역 변환에서 같은 값인지, 크기와 채널 수가 유지되는지 봅니다. 저장 후 다시 읽어 실수 출력을 잘못 정수 변환하면서 어둡게 만들지 않았는지도 확인합니다.

3. 후속 인식과 운영 조건을 대조합니다

정답이 있는 별도 자료에서 글자 오류, 검출 누락과 배경 오탐을 비교합니다. 설정 선택에 쓴 사진과 최종 평가 사진을 분리합니다. 학습에는 무처리 영상을 넣고 운영에서만 강한 평활화를 추가하지 않도록 모델 입력 규칙을 맞춥니다. 처리 시간과 원본 보관 비용도 함께 기록합니다.

사용할 때 무엇을 주의해야 하나요?

첫째, 잡음 제거와 대비 강화를 구분합니다. 작은 밝기 차이에는 물체 무늬와 센서 잡음이 함께 섞여 있습니다. 대비 제한을 둔 CLAHE도 잡음이 사라진다는 보장은 없으며 가는 구조가 실제 신호인지 원본과 대조합니다.

둘째, 색상 채널을 무조건 각각 처리하지 않습니다. RGB 세 채널을 서로 다르게 바꾸면 색의 관계가 달라집니다. 밝기 성분만 조정하는 색공간 변환도 원복 뒤 색이 유지되는지 검사합니다. 회색조 예제를 색상 처리의 보장으로 일반화하지 않습니다.

셋째, 원래의 측정값을 결과 영상으로 대신하지 않습니다. 평활화한 픽셀값은 원래 촬영 밝기의 같은 단위가 아닙니다. 잘린 밝기나 이미 사라진 세부는 재배치만으로 복원되지 않습니다. 원본을 남기고 표시용 대비 조정과 정량 측정을 나눕니다.

넷째, 정확히 균등한 분포를 기대하지 않습니다. 같은 입력 밝기는 함께 움직이므로 정수 영상의 출력 히스토그램에는 빈 구간과 큰 봉우리가 남을 수 있습니다. 영상마다 분포가 달라지면 변환표도 달라집니다. 여러 프레임을 처리한다면 밝기 변화가 들쭉날쭉해지는지도 확인합니다.

주의: 밝기 범위를 넓혔다는 사실은 더 많은 정보를 촬영했다는 뜻이 아닙니다. 자연스러운 화면, 균일한 조명과 더 높은 AI 정확도를 함께 보장하지 않습니다.

자주 묻는 질문

Q1. 히스토그램 평활화는 딥러닝인가요?

이 글의 방법은 밝기 통계로 변환표를 계산하는 고전 영상 처리입니다. 정답을 넣어 신경망 가중치를 학습하는 단계는 없으며 AI 인식 전의 전처리 후보입니다.

Q2. 평활화하면 영상이 흐려지나요?

여기서 평활화는 주변 평균으로 흐리게 하는 필터를 뜻하지 않습니다. 픽셀 밝기의 대응을 바꾸는 처리이며 잡음이나 작은 차이가 더 강하게 드러날 수도 있습니다.

Q3. 출력의 모든 밝기값이 같은 횟수로 나오나요?

아닙니다. 같은 입력값이 함께 이동하므로 정수 영상에서는 완전히 균일해지지 않을 수 있습니다. 예시에서도 네 가지 밝기만 남으며 이미 같아진 픽셀을 서로 다른 세부로 되살리지 않습니다.

Q4. CLAHE를 쓰면 언제나 전역 방식보다 좋나요?

그렇지 않습니다. 영역 크기와 대비 제한에 따라 잡음과 인위적인 무늬가 늘 수 있습니다. 무처리·전역·CLAHE를 같은 원본과 후속 인식 지표에서 비교합니다.

Q5. 타일 설정 8×8은 픽셀 크기인가요?

OpenCV의 tileGridSize는 가로·세로 타일 개수입니다. scikit-image의 kernel_size처럼 영역 크기를 받는 옵션과 단위가 다릅니다. 영상 해상도도 같이 기록해야 실제 국소 범위를 해석할 수 있습니다.

출처

마무리

히스토그램 평활화는 누적 밝기 분포로 픽셀값의 간격을 다시 배치하는 대비 조정 방법입니다. 전역 변환표와 구역별 CLAHE, 정수·실수 출력의 차이를 구분하면 같은 이름의 처리라도 왜 결과가 달라지는지 이해하기 쉽습니다.

처음 적용한다면 작은 배열에서 밝기 대응과 동일값 처리를 확인해 보세요. 원본·변환 규칙·출력 영상을 함께 보관하고 잡음, 과도한 밝기와 색 변화를 검토합니다. 화면의 선명함보다 실제 문자인식·검출 오류가 줄었는지를 기준으로 전처리를 선택합니다.