현재 멀티미디어 기술의 발달로 인하여 영상의 전처리 및 후처리 과정을 이용한 수정 작업으로 고품질의 영상 표현 및 다양한 영상 처리가 가능하다. 영상 처리 기법 중에서 이방성 확산의 경우 영상의 스페클 노이즈 제거, 에지 검출, 영상 분할 등에 응용할 수 있는 효과적인 확산 필터링으로 활용되고 있다. 하지만 전통적인 이방성 확산은 십자형 커널을 기반으로 하고 있기 때문에 확산 필터링을 반복 적용하면 영상의 에지가 수평 및 수직 방향으로 집중되는 문제점이 있다. 본 논문에서는 기존의 십자형 커널 기반의 이방성 확산 문제점을 해결하기 위하여 기울기의 방향성에 기반한 새로운 이방성 확산 방식을 제안한다. 제안된 방식은 십자형 커널을 확장하여 대각선 방향 정보를 포함한 8방향의 정방형 커널을 기반으로 작은 기울기를 갖는 방향으로 이방성 확산을 적용한다. 제안된 방식의 실험 결과 에지가 수평 및 수직 방향으로 집중되는 문제점을 해결하면서 임펄스성 노이즈를 제거하여 고품질의 영상을 획득할 수 있었다.
현재 멀티미디어 기술의 발달로 인하여 영상의 전처리 및 후처리 과정을 이용한 수정 작업으로 고품질의 영상 표현 및 다양한 영상 처리가 가능하다. 영상 처리 기법 중에서 이방성 확산의 경우 영상의 스페클 노이즈 제거, 에지 검출, 영상 분할 등에 응용할 수 있는 효과적인 확산 필터링으로 활용되고 있다. 하지만 전통적인 이방성 확산은 십자형 커널을 기반으로 하고 있기 때문에 확산 필터링을 반복 적용하면 영상의 에지가 수평 및 수직 방향으로 집중되는 문제점이 있다. 본 논문에서는 기존의 십자형 커널 기반의 이방성 확산 문제점을 해결하기 위하여 기울기의 방향성에 기반한 새로운 이방성 확산 방식을 제안한다. 제안된 방식은 십자형 커널을 확장하여 대각선 방향 정보를 포함한 8방향의 정방형 커널을 기반으로 작은 기울기를 갖는 방향으로 이방성 확산을 적용한다. 제안된 방식의 실험 결과 에지가 수평 및 수직 방향으로 집중되는 문제점을 해결하면서 임펄스성 노이즈를 제거하여 고품질의 영상을 획득할 수 있었다.
Thanks to the multimedia technology development, it is possible to show image representations in high quality and to process images in various ways. Anisotropic diffusion as an effective diffusion filtering among many image preprocessing methods and postprocessing methods is used in reduction of spe...
Thanks to the multimedia technology development, it is possible to show image representations in high quality and to process images in various ways. Anisotropic diffusion as an effective diffusion filtering among many image preprocessing methods and postprocessing methods is used in reduction of speckle noises of ultrasound images, image restoration, edge detection, and image segmentation. However, the conventional anisotropic diffusion based on a cross-kernel causes the following problems. The problem is the concentration of edges in the vertical or horizontal directions. In this paper, a new anisotropic diffusion transform based on directions of gradient is proposed. The proposed method uses the eight directional square-kernel which is an expanded form of the cross-kernel. The proposed method is to select directions of small gradient based on square-kernel. Therefore, the range of proposed diffusion is selected adaptively according to the number of the directions of gradient. Experimental results show that the proposed method can decrease the concentration of edges in the vertical or horizontal directions, remove impulse noise. The image in high quality can be obtained as a result of the proposed method.
Thanks to the multimedia technology development, it is possible to show image representations in high quality and to process images in various ways. Anisotropic diffusion as an effective diffusion filtering among many image preprocessing methods and postprocessing methods is used in reduction of speckle noises of ultrasound images, image restoration, edge detection, and image segmentation. However, the conventional anisotropic diffusion based on a cross-kernel causes the following problems. The problem is the concentration of edges in the vertical or horizontal directions. In this paper, a new anisotropic diffusion transform based on directions of gradient is proposed. The proposed method uses the eight directional square-kernel which is an expanded form of the cross-kernel. The proposed method is to select directions of small gradient based on square-kernel. Therefore, the range of proposed diffusion is selected adaptively according to the number of the directions of gradient. Experimental results show that the proposed method can decrease the concentration of edges in the vertical or horizontal directions, remove impulse noise. The image in high quality can be obtained as a result of the proposed method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 십자형 커널 기반의 이방성 확산 결과 에지가 수평 및 수직 방향으로 집중되는 현상을 해결하기 위하여 기울기 방향성 기반의 새로운 이방성 확산을 제안한다.
본 논문에서는 에지의 수평 및 수직 방향 집중화를 해결하기 위하여 기울기 방향성을 기반으로 선택적으로 십자형 커널을 확장하여 대각선 방향의 픽셀 정보를 포함하는 새로운 이방성 확산 방식을 제안한다. 노이즈가 포함된 영상을 대상으로 본 논문에서 제안된 이방성 확산을 적용하여 실험한 결과 에지의 수평 및 수직 방향 집중화를 해결할 수 있었다.
제안 방법
본 논문에서는 기존의 십자형 커널 기반의 이방성 확산 문제점을 해결하기 위하여 기울기의 방향성 정보를 이용하여 선택적으로 대각선 픽셀 정보를 포함하여 이방성 확산을 적용하는 방식을 제안하고 적용된 에지 정지 함수는 1 에 가까운 출력 값으로 가중치를 적용하여 확산 효과를 높였다. 그 결과 에지 영역 보존이 수평 및 수직 방향으로 집중되는 문제점을 해결하면서 동질 영역 및 노이즈의 확산은 부드럽게 처리하여 고품질의 영상을 획득할 수 있었다.
데이터처리
제안된 방식의 성능을 평가하기 위하여 기존의 PM 반비례 함수(Perona 와 Malik의 반비례 함수)[2]와 PM 지수 함수(Perona 와 Malik의 지수 함수)[2] 그리고 GHAD 함수[6]와 비교 실험하였다. 실험은 Intel(R) Core(TM)2 CPU 4300 @ 1.
이론/모형
등방성 확산 필터링은 스케일 공간(scale-space) 이론에 근거를 두고 I(x,y,t)= I0(x,y) *G(x,y, t)과 같은 식의 스케일 공간 필터링을 이용하여 정립하였다[1]. 여기에서 I0(x,y)는 원영상의 이미지를 의미하며 #과 같은 표준 편차가 t 인 가우시안 커널에 적용된다.
제안된 이방성 확산은 이방성 확산의 임계치 K 를 획득하기 위하여 GHAD방식[6]을 이용하여 다음과 같이 계산한다.
성능/효과
본 논문에서는 기존의 십자형 커널 기반의 이방성 확산 문제점을 해결하기 위하여 기울기의 방향성 정보를 이용하여 선택적으로 대각선 픽셀 정보를 포함하여 이방성 확산을 적용하는 방식을 제안하고 적용된 에지 정지 함수는 1 에 가까운 출력 값으로 가중치를 적용하여 확산 효과를 높였다. 그 결과 에지 영역 보존이 수평 및 수직 방향으로 집중되는 문제점을 해결하면서 동질 영역 및 노이즈의 확산은 부드럽게 처리하여 고품질의 영상을 획득할 수 있었다.
3034(dB)의 PSNR값을 보였다. 그러나 본 논문에서 제안된 방식은 t = 50 단계에서 6.97(sec)의 실행 시간으로 39.7813(dB)의 PSNR을 획득하여 기존 방식에 비하여 짧은 처리 시간에 더 높은 화질의 영상을 획득할 수 있음을 알 수 있었다.
본 논문에서는 에지의 수평 및 수직 방향 집중화를 해결하기 위하여 기울기 방향성을 기반으로 선택적으로 십자형 커널을 확장하여 대각선 방향의 픽셀 정보를 포함하는 새로운 이방성 확산 방식을 제안한다. 노이즈가 포함된 영상을 대상으로 본 논문에서 제안된 이방성 확산을 적용하여 실험한 결과 에지의 수평 및 수직 방향 집중화를 해결할 수 있었다. 그 결과 에지 보존 강화와 노이즈 제거를 동시에 향상시킬 수 있으므로 고품질의 영상을 획득할 수 있다.
[그림 9]는 166☓165 크기의 lenna 영상에 적용된 결과를 제시한다. 실험 결과 기존 방식에 비하여 제안된 방식에서는 노이즈 제거 및 에지 보존에서 더 우수함을 나타내어 [표 2]와 같이 높은 PSNR 값을 획득할 수 있었다.
후속연구
향후 본 논문에서 제안된 방식을 초음파 영상에서 스페클 노이즈를 제거하기 위한 방식 또는 디지털 카메라의 영상 처리 기법에 활용될 수 있도록 확장 연구할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
등방성 확산 필터링의 단점은 무엇인가?
이 방식은 가우시안 커널의 t 에 의해서 저역 통과 필터의 통과 대역이 조절되는 특징을 갖게 된다. 그러므로 등방성 확산 필터링은 가우시안 커널의 t 값이 클수록 통과 대역이 작아지고 영상에서 제거되는 고주파 성분의 양이 많아지므로 원영상의 에지를 보존할 수 없다는 단점을 가지고 있다.
등방성 확산 필터링이 근거를 두고 있는 이론은 무엇인가?
등방성 확산 필터링은 스케일 공간(scale-space) 이론에 근거를 두고 I(x,y,t)= I0(x,y) *G(x,y, t)과 같은 식의 스케일 공간 필터링을 이용하여 정립하였다[1]. 여기에서 I0(x,y)는 원영상의 이미지를 의미하며 #과 같은 표준 편차가 t 인 가우시안 커널에 적용된다.
등방성 확산 필터링 방식은 어떤 특징을 갖게 되는가?
즉 원 영상(original image)과 그것을 가우시안 커널과 회선(convolution)한 영상들의 집합이 스케일 공간 영상으로 표현되었다[1]. 이 방식은 가우시안 커널의 t 에 의해서 저역 통과 필터의 통과 대역이 조절되는 특징을 갖게 된다. 그러므로 등방성 확산 필터링은 가우시안 커널의 t 값이 클수록 통과 대역이 작아지고 영상에서 제거되는 고주파 성분의 양이 많아지므로 원영상의 에지를 보존할 수 없다는 단점을 가지고 있다.
참고문헌 (10)
J. Babaud, A. Witkin, M. Baudin, and R. Duda, "Uniqueness of the gaussian kernel for scale-space filtering," IEEE Trans. Pattern Anal. and Machine Intell., Vol. PAMI-8, 1986(1).
P. Perona and J. Malik, "Scale-Space and Edge Detection Using Anisotropic Diffusion," IEEE Trans. Pattern Anal. and Machine Intell., Vol.12, No.7, pp.629-639, 1990.
F. Voci, S. Eiho, N. Sugimoto, and H. Sekiguchi, "Estimating the Gradient Threshold in the Perona-Malik Equation," IEEE Signal Processing Magazine, pp.39-46, 2004(5).
H. Y. Kim, "Gradient Histogram-Based Anisotropic Diffusion," Personal Communication, 2006.
K. Karl, C. F. Westin, K. Ron, and V. Kirby, "Oriented Speckle Reducing Anisotropic Diffusion," IEEE Transactions on Image Processing, Vol.16, No.5, pp.1412-1424, 2007.
W. Yi, Z. Liangpei, and L. Pingxiang, "Local Variance Controlled Forward and Backward Diffusion for Image Enhancement and Noise Reduction," IEEE Transactions on Image Processing, Vol.16, pp.1854-1864, 2007(7).
P. Zhigeng and L. Jianfeng, "A Bayes-Based Region-Growing Algorithm for Medical Image Segmentation," Computing in Science & Engineering, Vol.9, pp.32-38, 2007.
A. K. W. Sum and P. Y. S. Cheung, "Stabilized Anisotropic Diffusions," IEEE International Conference Acoustics, Speech and Signal Processing, Vol.1, pp.709-712, 2007(4).
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.