가우시안 혼합 모델 기반 저대비 이미지 향상

초록

본 논문은 저대비 이미지의 히스토그램을 가우시안 혼합 모델(GMM)로 근사한 뒤, 각 가우시안 성분의 분산을 확대하고 평균을 퍼뜨려 히스토그램을 넓히는 GMMCE 기법을 제안한다. 최적의 가우시안 개수와 파라미터를 EM 알고리즘으로 추정하고, 기존 히스토그램 기반 방법들과 비교해 시각적 품질과 연산 복잡도에서 우수함을 실험적으로 입증한다.

상세 분석

GMMCE는 저대비 이미지의 히스토그램이 좁고 뾰족한 형태를 갖는다는 관찰에서 출발한다. 저대비 이미지의 각 균일 영역은 조명·반사 특성에 의해 거의 정규분포 형태의 히스토그램을 만든다고 가정하고, 전체 히스토그램을 여러 개의 가우시안 성분으로 분해한다. 이를 위해 저자들은 기대값-최대화(EM) 알고리즘을 활용해 가우시안 평균 μᵢ, 분산 σᵢ², 가중치 πᵢ를 추정한다. 모델 선택 단계에서는 베이즈 정보 기준(BIC) 혹은 최소 평균 제곱 오차(MSE)를 기준으로 가우시안 개수 K를 자동 결정한다.

파라미터 최적화가 끝나면, 각 가우시안 성분의 분산을 일정 비율(예: 2~4배)로 확대한다. 분산 확대는 히스토그램을 넓히는 핵심 단계이며, 이는 저대비 영역의 동적 범위를 인위적으로 늘려 대비를 높인다. 동시에 평균 μᵢ를 전체 히스토그램 구간에 고르게 재배치(스캐터링)함으로써 가우시안 성분들이 겹치지 않도록 하고, 결과 히스토그램이 부드럽고 연속적인 형태를 유지하도록 한다.

새롭게 구성된 목표 히스토그램 Ĥ는 원본 히스토그램 H와의 Kullback‑Leibler 발산(KL) 혹은 제곱 차이(L₂) 등을 최소화하도록 설계된다. 최종 매핑은 누적 분포 함수(CDF) 기반의 히스토그램 매칭을 통해 수행되며, 이는 픽셀값을 비선형 변환시켜 원본 이미지에 적용한다.

알고리즘 복잡도는 EM 단계에서 O(N·K·I) (N: 픽셀 수, I: EM 반복 횟수)이며, K는 일반적으로 3~6 정도로 제한된다. 히스토그램 매칭은 O(L) (L: 비트 깊이)로 선형 시간에 수행된다. 따라서 전체 파이프라인은 기존 히스토그램 평탄화 기법(HE, CLAHE)보다 연산량이 크게 증가하지 않는다.

실험에서는 표준 데이터베이스(USC-SIPI, Kodak 등)의 저대비 이미지에 대해 PSNR, SSIM, VIF, 그리고 주관적 품질 평가를 수행하였다. GMMCE는 HE가 과다 강조를 일으키는 경우와 CLAHE가 노이즈를 증폭시키는 경우에 비해 대비 향상과 색 왜곡 억제 측면에서 일관된 우수성을 보였다. 특히, 가우시안 성분별 분산 확대 비율을 조절함으로써 과도한 대비 증가 없이 자연스러운 톤 매핑이 가능했다.

한계점으로는 히스토그램이 다중 피크를 갖는 경우 가우시안 모델링이 정확히 맞지 않을 수 있으며, EM 초기값에 따라 수렴 속도가 달라진다. 향후 연구에서는 가우시안 혼합 외에 비정규 분포(예: 라플라스, 감마) 혼합 모델을 도입하거나, 딥러닝 기반 파라미터 추정기로 전이시켜 적응성을 높이는 방안을 제시한다.