본 논문에서는 기존의 퍼지필터링 알고리즘의 문제점을 개선한 퍼지 필터링 기법을 제안한다. 제안된 퍼지 필터링 알고리즘은 컬러 영상에서 R, G, B 채널을 각각 분리한다. 분리된 각 채널에서 마스크 정보를 추출하여 채널에 대한 평균값과 중간값의 명암도를 제안된 퍼지 기법의 소속 함수에 적용하여 소속도를 구한 뒤, 추론 규칙에 적용한다. 그리고 R, G, B 각각의 소속도 값을 이용하여 잡음 가능성 여부를 판별한다. 제안된 퍼지 기법에서 소속 함수구간은 세 개 구간으로 설정하였다. 잡음이라고 판단되는 경우에는 그 잡음 정도에 따라 중간값이나 평균값을 해당 픽셀 값으로 설정하여 잡음을 제거한다. 제안된 기법을 컬러 영상에 적용한 결과, 제안된 기법이 기존의 퍼지 필터링 기법보다 잡음 제거에 있어서 효과적인 것을 확인할 수 있었다.
본 논문에서는 기존의 퍼지 필터링 알고리즘의 문제점을 개선한 퍼지 필터링 기법을 제안한다. 제안된 퍼지 필터링 알고리즘은 컬러 영상에서 R, G, B 채널을 각각 분리한다. 분리된 각 채널에서 마스크 정보를 추출하여 채널에 대한 평균값과 중간값의 명암도를 제안된 퍼지 기법의 소속 함수에 적용하여 소속도를 구한 뒤, 추론 규칙에 적용한다. 그리고 R, G, B 각각의 소속도 값을 이용하여 잡음 가능성 여부를 판별한다. 제안된 퍼지 기법에서 소속 함수구간은 세 개 구간으로 설정하였다. 잡음이라고 판단되는 경우에는 그 잡음 정도에 따라 중간값이나 평균값을 해당 픽셀 값으로 설정하여 잡음을 제거한다. 제안된 기법을 컬러 영상에 적용한 결과, 제안된 기법이 기존의 퍼지 필터링 기법보다 잡음 제거에 있어서 효과적인 것을 확인할 수 있었다.
In this paper, we propose a fuzzy method that improves the existing problem of the fuzzy filtering algorithm. The proposed fuzzy filtering algorithm separates R, G, and B channels from the color image. Mask information was extracted from separated channels and the brightness of the mean value and me...
In this paper, we propose a fuzzy method that improves the existing problem of the fuzzy filtering algorithm. The proposed fuzzy filtering algorithm separates R, G, and B channels from the color image. Mask information was extracted from separated channels and the brightness of the mean value and median value for channels was applied in the function of the proposed fuzzy method to calculate the membership and achieve application in the inference rule. Also, the membership degrees of R, G, and B were used to distinguish the possibility of noise. The proposed fuzzy method selected three membership functions. If noise is distinguished, the noise is eliminated by selecting the median value or mean value as the relevant pixel value according to the degree of noise. By applying the proposed method in color images, it was verified that the proposed method is more effective in eliminating noise when compared with the conventional fuzzy filtering method.
In this paper, we propose a fuzzy method that improves the existing problem of the fuzzy filtering algorithm. The proposed fuzzy filtering algorithm separates R, G, and B channels from the color image. Mask information was extracted from separated channels and the brightness of the mean value and median value for channels was applied in the function of the proposed fuzzy method to calculate the membership and achieve application in the inference rule. Also, the membership degrees of R, G, and B were used to distinguish the possibility of noise. The proposed fuzzy method selected three membership functions. If noise is distinguished, the noise is eliminated by selecting the median value or mean value as the relevant pixel value according to the degree of noise. By applying the proposed method in color images, it was verified that the proposed method is more effective in eliminating noise when compared with the conventional fuzzy filtering method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 논문에서는 기존 퍼지 필터링 알고리즘의 소속 함수를 더 구체적으로 분류하고 추론 규칙을 확대시켜 이 문제점을 보완하여 보다 원 영상에 더 가깝게 적용할 수 있는 컬러 퍼지 필터링 알고리즘을 제안한다.
본 논문에서는 기존의 퍼지 필터링 알고리즘을 이용하여 잡음을 제거하는 과정에서 경계선 부분이 흐릿하게 나타나는 부분과 원 영상과의 컬러 정보 차이가 심하게 차이가 나타나는 부분을 개선하기 위하여 소속 함수와 추론 규칙 및 잡음 가능성 소속 함수를 더 세분화한 퍼지 필터링 방법을 제안하였다. 그 결과, 기존 퍼지 필터링 알고리즘의 잡음 제거는 다른 기존의 필터링 기법들 보다 개선되었으나 경계선 부분의 처리가 취약했고 색상이 많이 몰리는 부분에서 원 영상과의 차이가 급격하게 나타나는 문제점이 있었다.
제안 방법
각 소속 함수에서 구해진 소속도를 표 1과 같은 퍼지 추론 규칙에 적용하여 최종 소속도를 구한다. 그림 3은 각각 세 개 구간으로 나누어진 평균값 명암도 소속 함수와 중간값 명암도 소속 함수에서 계산된 각각의 소속도를 표 1과 같은 퍼지 추론 규칙에 적용한 후, 잡음 가능성을 추론하는 잡음 가능성에 대한 소속 함수이다.
그러나 소속 함수 구간의 범위가 세밀하지 않아 잡음을 정확히 제거할 수 없는 경우가 발생한다. 따라서 본 논문에서는 소속 함수의 범위를 Low, Middle, High와 같이 세 구간으로 구분하여 세밀하게 잡음을 제거할 수 있도록 한다.
본 논문에서 제안한 방법을 Intel Pentium-Ⅳ 3.00GHz CPU와 2.00GB RAM이 장착된 IBM호환 PC상에서 VC++6.0으로 구현하여 실험하였다. Impulse 잡음과 Salt pepper 잡음을 원본 영상에 임의로 생성한 컬러 영상에 R, G, B 채널 각각에 5×5 마스크를 기준으로 미디언 필터링, 평균값 필터링, α-trimmed 필터링, MAX/MIN 필터링, 가우시안스무딩 필터링, MMSE 필터링, 기존의 퍼지 필터링 알고리즘[4]과 제안된 퍼지 필터링 방법을 비교분석하였다.
본 논문에서는 영상 픽셀의 R, G, B 채널 각 마스크 정보와 퍼지 논리를 이용하여 잡음 가능성 정도를 결정한다. 그림 1은 원 영상에서 일부분의 마스크 정보와 각 채널의 명암도 정보이다.
원 영상의 픽셀값을 R, G, B 채널로 분리한 후, 각 채널에서 지정된 범위의 마스크 정보를 추출한다. 추출한 마스크 정보값은 잡음을 포함한 각각의 R, G, B 값이므로, 잡음을 구분하기 위해 본 논문에서는 각 채널의 명암도 평균값과 명암도 중간값의 소속 함수를 마스크 값에 적용하여 잡음 가능성의 정도를 결정한다. 본 논문에서 제안하는 소속 함수의 카테고리는 Low, Middle, High와 같이 세 구간이고 소속 함수는 그림 2와 같다.
대상 데이터
Impulse 잡음과 Salt pepper 잡음을 원본 영상에 임의로 생성한 컬러 영상에 R, G, B 채널 각각에 5×5 마스크를 기준으로 미디언 필터링, 평균값 필터링, α-trimmed 필터링, MAX/MIN 필터링, 가우시안스무딩 필터링, MMSE 필터링, 기존의 퍼지 필터링 알고리즘[4]과 제안된 퍼지 필터링 방법을 비교분석하였다. 실험은 20개의 영상을 대상으로 실험하였다. 그림 4는 원 영상, 잡음 영상, 기존 필터링 방법의 결과 영상이다.
데이터처리
Impulse 잡음과 Salt pepper 잡음을 원본 영상에 임의로 생성한 컬러 영상에 R, G, B 채널 각각에 5×5 마스크를 기준으로 미디언 필터링, 평균값 필터링, α-trimmed 필터링, MAX/MIN 필터링, 가우시안스무딩 필터링, MMSE 필터링, 기존의 퍼지 필터링 알고리즘[4]과 제안된 퍼지 필터링 방법을 비교분석하였다.
성능/효과
본 논문에서는 기존의 퍼지 필터링 알고리즘을 이용하여 잡음을 제거하는 과정에서 경계선 부분이 흐릿하게 나타나는 부분과 원 영상과의 컬러 정보 차이가 심하게 차이가 나타나는 부분을 개선하기 위하여 소속 함수와 추론 규칙 및 잡음 가능성 소속 함수를 더 세분화한 퍼지 필터링 방법을 제안하였다. 그 결과, 기존 퍼지 필터링 알고리즘의 잡음 제거는 다른 기존의 필터링 기법들 보다 개선되었으나 경계선 부분의 처리가 취약했고 색상이 많이 몰리는 부분에서 원 영상과의 차이가 급격하게 나타나는 문제점이 있었다. 그러나 본 논문에서 제안한 퍼지 필터링 알고리즘은 Impulse 잡음과 Salt pepper 잡음이 생성된 영상에서 높은 잡음 제거를 보였고 원 영상과 근접하게 나타나는 것을 실험을 통하여 확인할 수 있었다.
그 결과, 기존 퍼지 필터링 알고리즘의 잡음 제거는 다른 기존의 필터링 기법들 보다 개선되었으나 경계선 부분의 처리가 취약했고 색상이 많이 몰리는 부분에서 원 영상과의 차이가 급격하게 나타나는 문제점이 있었다. 그러나 본 논문에서 제안한 퍼지 필터링 알고리즘은 Impulse 잡음과 Salt pepper 잡음이 생성된 영상에서 높은 잡음 제거를 보였고 원 영상과 근접하게 나타나는 것을 실험을 통하여 확인할 수 있었다. 따라서 제안된 퍼지 필터링 방법이 거의 원 영상에 가까운 복원 효과가 있는 것을 확인하였다.
그림 5와 그림 6의 (c)는 기존의 퍼지 필터링 방법의 결과이다. 기존의 퍼지 필터링 알고리즘과 제안된 퍼지 필터링 방법을 비교하면 제안된 퍼지 필터링 방법이 원 영상에 근접하다는 것을확인할 수있다. 기존의 퍼지 필터링 방법은 그림 5(c)에서와 같이 공작새 몸 부분이나 꼬리의 무늬 부분에서 영상의 경계선 부분이 흐릿하게 나타나서 원 영상과 차이가 크게 나타나는 것을 알 수 있다.
그리고 그림 4의 (c)와 (e) 는 미디언 필터링과 α-trimmed 필터링을 적용한 결과이다. 두 방법에서는 잡음이 효과적으로 제거된 것을 확인할 수 있었으나, 꽃의 가운데 부분을 중심으로 주변 영상의 경계선 정보의 훼손도가 심하게 나타났고 영상이 전체적으로 흐릿하여 원 영상과 차이가 나는 것을 확인할 수 있다. 그림 4에서 (f) 와 (g)는 MAX/MIN 필터링 방법의 결과이다.
그러나 본 논문에서 제안한 퍼지 필터링 알고리즘은 Impulse 잡음과 Salt pepper 잡음이 생성된 영상에서 높은 잡음 제거를 보였고 원 영상과 근접하게 나타나는 것을 실험을 통하여 확인할 수 있었다. 따라서 제안된 퍼지 필터링 방법이 거의 원 영상에 가까운 복원 효과가 있는 것을 확인하였다.
본 논문에서 제안한 퍼지 필터링 알고리즘은 그림 5(d)와 같이 공작새의 몸과 꼬리 및 무늬 부분과 그림 6(d) 의물고기가 밀집한 부분에서 기존 퍼지 필터링 방법보다 더 섬세하고 경계선 부분에서 높은 잡음 제거율을 보였으며, 전체적으로 영상이 거의 원 영상에 가깝게 복원되는 것을 확인 할 수 있다.
후속연구
향후에는 제안된 퍼지 필터링 방법을 다양한 영상에 적용하여 잡음 제거 효과를 검증할 것이고 관상 인식 분야에 전처리 과정으로 적용할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
필터링이란 무엇인가?
필터링이란 영상에서 존재하는 잡음을 제거하기 위해 제안된 방법이다. 현재 필터링의 종류로는 미디언 필터링, 혼합미디어 필터링, 평균값 필터링, α-trimmed 필터링, MAX/MIN 필터링, 가우시안 스무딩 필터링, MMSE 필터링 등 많은 종류의 필터링 알고리즘들이 소개 되었으며[1], 이러한 필터링 알고리즘들은 화학이나 의료영상, 산업처리, CT와 MRI 및 우주 연구 등 많은 응용분야에 다양하게 적용되고 있다[2].
퍼지 필터링 알고리즘은 기존의 필터링 기법의 어떤 문제점을 개선하기 위해 제안되었는가?
기존의 필터링 기법은 미리 정의된 규칙에 의해 순차적으로 처리하는데, 이러한 특징으로 인해 필터링의 잡음 제거율과 정보 훼손 정도는서로 반비례하는 단점이있다. 그리고 다양한 영상에 공통적으로 적용하기에는 문제점이 있고, 응용하는데 있어서 처리 시간이 오래 걸린다는 단점이 있다[3]. 이러한 문제점을 개선하기 위하여 지능 기법인 퍼지논리를 이용한 퍼지 필터링 알고리즘이 제안되었다[4,5].
퍼지 필터링 알고리즘은 어떤 문제점이 있는가?
이러한 문제점을 개선하기 위하여 지능 기법인 퍼지논리를 이용한 퍼지 필터링 알고리즘이 제안되었다[4,5]. 그러나 기존의 컬러 퍼지 필터링 알고리즘은 잡음이 몰려있는 경우[4]와 색상간의 경계선 부분이 흐린경우에는 색상이 번지는 문제점[5]이있다. 따라서 본 논문에서는 기존 퍼지 필터링 알고리즘의 소속 함수를 더 구체적으로 분류하고 추론 규칙을 확대시켜 이 문제점을 보완하여 보다 원 영상에 더 가깝게 적용할 수 있는 컬러 퍼지 필터링 알고리즘을 제안한다.
참고문헌 (7)
J.W. Glotzbach, R.W. Schafer, K. Illgner, "Amethod of color filter array interpolation with alias cancellation properties," Proceedings of International Image Processing, Vol.1, pp.141-144, 2001.
M. Koppen, K. Franke, O. Unold, "A Survey on Fuzzy Morphology," Pattern Recognition and Image Analysis, Vol.11, No.1, pp.195-197, 2001.
P. May, H. C. Ehrlich, T. Steinke, "ZIB Structure Prediction Pipeline : Composing a Complex Biological Workflow throughWeb Services "In: Nagel, W.E., Walter,W.V., Lehner,W. (eds.) Euro-Par 2006, LNCS 4128, Springer, Heidelbergpp, pp.1148-1158, 2006.
C. R. Go, J. G. Ahn, K. B. Kim "Color Image Filter Using Fuzzy Logic," Journal of The Korea Society of Computer and Information, Vol.16, No.12, pp.43-48, 2011.
M. Samuel, Gregori V., P. -F. Guillermo, L. Pedro ,"A fast impulsive noise color image filter using fuzzy metrics," Real-Time Imaging, Vol. 11, Iss. 5-6, pp.417- 428, 2005.
R. Babuska, Fuzzy Modeling For Control, Kluwer Academic Publishers, 1998
J. Contreras, J. P. Paz, D. Amaya, and A. Pineda, "Realistic EcosystemModelling with Fuzzy Cognitive Maps," International Journal of Computational Intelligence Research, Vol.3, No.2, pp.139-144, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.