Auto Contrast on SEM image

2022-10-29

image, imagej, matplotlib, python, scikit-image

영상 촬영을 하다 보면 결과물이 마음에 들지 않는 여러 이유가 있습니다.
애초에 잘 찍으면 되겠지만 장비나 숙련도 등의 문제로 한계가 있습니다.
전자현미경 사진은 여기에 시료의 상태까지 한 몫 합니다.
방해 요소를 제외하고 자동 명도 및 대비 보정을 하는 방법을 알아봅니다.

1. 예제 이미지

위와 같은 전자현미경 사진을 얻었다고 합시다.
전자현미경은 빛 대신 전자빔을 쏘아 매우 작은 시료를 찍는 도구입니다.
전자빔을 충분히 강하게 쬐면 밝고 좋은 영상을 얻을 수 있지만 시료에 따라 망가지기도 합니다.

2. ImageJ 사용 보정

ImageJ

이미지 보정 프로그램에서 대비를 높일 수 있습니다.
ImageJ Fiji를 사용해 개선을 시도합니다.
File > Open으로 파일을 불러온 후 Image > Adjust > Bright & Contrast를 실행합니다.
B&C라는 이름의 작은 창에 이미지를 구성하는 픽셀들의 히스토그램이 보입니다.
Auto를 두 번 누르면 아래와 같이 밝아지지만 대비가 개선되지 않습니다.
이미지 하단에 촬영 조건과 스케일바가 검정과 흰색 부분으로 붙어 있어 이 부분이 걸림돌이 됩니다.
이미지를 구성하는 음영 중 최대값(white)와 최소값(black)이 정해져 있는 바람에 가운데 몰린 분포가 개선되지 않는 것입니다.
하단을 잘라내고 재시도합니다. 메뉴 바 왼쪽의 사각형을 골라 이미지 부분만 선택합니다.
Image > Crop을 실행하면 아래처럼 하단이 사라집니다.
다시 Image > Adjust > Bright & Contrast에서 Auto를 실행하면 비로소 선명해집니다.
하지만 스케일 바를 비롯한 중요 정보를 잃어버린 상태입니다.
논문에 싣거나 내부 발표라도 하려면 스케일 바를 다시 붙여야 합니다.
몹시 귀찮아지고, 잘 하더라도 실수가 생길 수 있습니다.
무엇보다 대개 이런 이미지는 한 두 장으로 끝나지 않습니다. 자동화가 필요합니다.

3. `scikit-image` 사용 보정

scikit-image

3.1. `scikit-image` 설치

파이썬에는 이미지 처리 라이브러리가 여럿 있습니다.
오늘은 scikit-image를 사용해 작업합니다.
pip를 사용해 설치할 수 있습니다.
1
!pip install scikit-image -U

3.2. 이미지 불러오기

skimage.io의 imread 모듈을 사용해 이미지를 읽고 imshow로 출력합니다.

import numpy as np
from skimage.io import imread, imshow
import matplotlib.pyplot as plt

infilename = "sample.jpg"

img_ = imread(infilename)
print(type(img_))
imshow(img_)

imread로 읽은 이미지의 정체는 numpy.ndarray입니다.
출력된 이미지의 정체는 사실 matplotlib.image.AxesImage입니다.
scikit-image 내부에서 matplotlib을 호출하는 것입니다.
imshow(img_) 대신 plt.imshow(img_, cmap="Greys_r")를 실행해도 같은 결과를 얻을 수 있습니다.

3.3. 이미지 및 하단 영역 크기 분리

이미지 크기는 .shape을 출력해 확인할 수 있습니다.
1
img_.shape
- 실행 결과
  1
  (480, 640)
이제 하단 영역의 높이를 알아볼 차례입니다.

x = 300 지점에서 세로로 나열된 픽셀들의 line profile을 확인합니다.

fig, axs = plt.subplots(ncols=2, figsize=(10, 4), constrained_layout=True)

axs[0].imshow(img_, cmap="Greys_r")   # 왼쪽 Axes에 Image 출력

# x = 300을 추출해서 오른쪽 Axes에 line profile 출력, 왼쪽에 선 표시
x = 300
axs[1].plot(img_[:, x], c="orange")   # 오른쪽 Axes에 line profile 출력
axs[0].axvline(x, c="orange")         # 왼쪽 image 위에 해당 line 출력

450 부근부터의 데이터 값이 모두 0입니다.
여기가 하단 메타데이터 영역입니다.

말단 50개 데이터를 출력해 0을 세어 보면 0이 31개 있습니다.

1	img_[-50:, x]

실행 결과

array([118, 112, 115, 113, 111, 122, 122, 118, 111, 114, 111, 116, 122,
      120, 120, 123, 124, 101,  25,   0,   0,   0,   0,   0,   0,   0,
      0,   0,   0,   0,   0,   0,   0,   0,   0,   0,   0,   0,   0,
      0,   0,   0,   0,   0,   0,   0,   0,   0,   0,   0], dtype=uint8)

480행 중 31행이면 16분의 1을 조금 넘습니다.

여유 있게 하단 15분의 1을 잘라내고 위쪽을 img, 아래쪽을 desc(description)라고 부릅니다.

h, w = img_.shape

imgfrac = 14/15
img = img_[:int(h*imgfrac), :]
desc = img_[int(h*imgfrac):, :]

fig, axs = plt.subplots(ncols=2, figsize=(10, 4), constrained_layout=True)
axs[0].imshow(img, cmap="Greys_r")
axs[1].imshow(desc, cmap="Greys_r")

fig.savefig("118_autocontrast_8.png")

잘라낸 것만으로 왼쪽 그림이 선명해졌습니다.
Matplotlib이 그림을 보여주면서 데이터의 최소값과 최대값을 자동으로 적용했기 때문입니다.

원본 img_와 하단을 잘라낸 img의 데이터 분포를 확인합니다.

fig, axs = plt.subplots(ncols=2, figsize=(10, 4), constrained_layout=True,
                       sharex=True)

for ax, im, title in zip(axs, [img_, img], ["original", "image only"]):
    ax.hist(im.flatten(), bins=np.linspace(0, 255, 30))
    ax.text(0.7, 0.95, f"min = {im.min()}\nmax = {im.max()}", va="top",
           fontsize="x-large", transform=ax.transAxes)
    ax.set_title(title, fontsize="x-large", pad=12)

원본이 0~~252까지 범위를 가지는 데 비해 이미지 영역만 따지면 75~~187에 분포하고 있습니다.

3.4. 이미지 영역에 auto contrast 적용

wikipedia: salt and pepper noise

이미지의 최대값과 최소값을 0~255로 폅니다.
그 전에, 전자현미경 같은 디지털 영상에 흔한 salt and pepper noise 대응책을 마련합니다.
salt and pepper noise는 영상 위에 희고 검은 점이 흩뿌려지는 현상입니다.
전기 신호가 불안정하거나 원본의 대비가 잡음보다 약할 때 주로 생깁니다.
numpy.percentile()로 전체 데이터의 상하위 0.2%씩을 제거한 뒤,

skimage.exposure.rescale_intensity()를 사용해 0부터 255까지 데이터의 범위를 늘려줍니다.

from skimage import exposure

# salt and pepper noise 제거
v_min, v_max = np.percentile(img, (0.2, 99.8))

# auto contrast 적용
img_ac = exposure.rescale_intensity(img, in_range=(v_min, v_max), out_range=(0, 255)).astype(np.uint8)

# 전후 비교
fig, axs = plt.subplots(ncols=2, figsize=(10, 4), constrained_layout=True)

for ax, im, title in zip(axs, [img, img_ac], ["original", "auto contrast"]):
    ax.imshow(im, cmap="Greys_r", vmin=0, vmax=255)
    x_pos = 0.045
    if ax == axs[1]:
        x_pos += 0.5
    ax_inset = fig.add_axes([x_pos, 0.69, 0.15, 0.2])
    ax_inset.hist(im.flatten(), fc="orange", ec="k", bins=np.linspace(0, 255, 30))
    ax_inset.set(xlim=(0, 255), yticks=[], xticks=[])
    ax.set_title(title, fontsize="x-large", pad=12)

3.4. 하단 영역 결합

이제 처음에 분리해 둔 하단 영역을 결합할 차례입니다.
numpy.vstack()을 사용합니다.
파일 저장은 skimage.io의 imsave로 실행합니다.

from skimage.io import imsave

img_merge = np.vstack((img_ac, desc))
imsave("img_autocontrast.png", img_merge)

스케일바를 비롯한 정보가 돌아왔습니다.

4. 주의 사항

분석을 열심히 하다 보면 크기를 재거나 중요 지점을 표시할 때가 있습니다.

여기에 위 코드를 동일하게 적용합니다.

infilename = "sample_annot.png"

# read image
img_ = imread(infilename)

# image split: img + desc
imgfrac = 14/15
img = img_[:int(h*imgfrac), :]
desc = img_[int(h*imgfrac):, :]

# remove salt and pepper noise
v_min, v_max = np.percentile(img, (0.2, 99.8))

# apply auto contrast
img_ac = exposure.rescale_intensity(img, in_range=(v_min, v_max), out_range=(0, 255)).astype(np.uint8)

# merge images
img_merge = np.vstack((img_ac, desc))

# save file
imsave("annot_autocontrast.png", img_merge)

그리고 결과를 확인해 보면 대비 보정이 적용되지 않았습니다.

fig, axs = plt.subplots(ncols=2, figsize=(10, 4), constrained_layout=True)

for ax, im, title in zip(axs, [img_, img_merge], ["original", "auto contrast"]):
    ax.imshow(im, cmap="Greys_r", vmin=0, vmax=255)
    x_pos = 0.045
    if ax == axs[1]:
        x_pos += 0.5
    ax_inset = fig.add_axes([x_pos, 0.69, 0.15, 0.2])
    ax_inset.hist(im.flatten(), fc="orange", ec="k", bins=np.linspace(0, 255, 30))
    ax_inset.set(xlim=(0, 255), yticks=[], xticks=[])
    ax.set_title(title, fontsize="x-large", pad=12)

이미지 영역에 추가한 표지가 문제가 되는 경우입니다.
salt and pepper noise를 제거하기 위해 상하위 0.2%만 제거했는데, 이 그림에는 하양과 검정으로 표현된 화살표와 글자들이 0.2%를 넘어섰기 때문에 제거되지 않고 명도의 최대값고 최소값으로 인지된 것입니다.
이러한 보정은 추가 정보를 기입하지 않은 상태에서 적용해야 올바르게 적용되니 주의해야 합니다.

도움이 되셨나요? 카페인을 투입하시면 다음 포스팅으로 변환됩니다

PythonData Science