$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

단조변환 및 웨이블릿 서브밴드 잡음전력을 이용한 Soft-Threshold 기법의 영상 잡음제거
Denoising Images by Soft-Threshold Technique Using the Monotonic Transform and the Noise Power of Wavelet Subbands 원문보기

信號處理·시스템學會 論文誌 = Journal of the institute of signal processing and systems, v.15 no.4, 2014년, pp.141 - 147  

박남천 (경남대학교)

초록
AI-Helper 아이콘AI-Helper

웨이블릿 축소기법은 웨이블릿 변환 계수의 분산 값에 의해 결정되는 경계값을 이용해서 원신호와 잡음신호 간의 MSE(Mean Square Error)가 최소가 되도록 웨이블릿 변환된 계수를 축소하는 방법이다. 이 논문에서는 단조변환 및 웨이블릿 서브밴드의 전력을 이용해서 고주파 및 저주파 웨이블릿 밴드에 적용되는 새로운 경계값들을 제시하고, 이 값들과 ST(soft-threshold) 연산자에 의해 영상신호에 부가된 가우시안 잡음을 제거하였다. 그리고 그 결과를 VisuShrink방법 및 [15]에서의 제시한 기법의 결과와 PSNR로 비교, 평가하고 이 기법의 실용성을 밝혔다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The wavelet shrinkage is a technique that reduces the wavelet coefficients to minimize the MSE(Mean Square Error) between the signal and the noisy signal by making use of the threshold determined by the variance of the wavelet coefficients. In this paper, by using the monotonic transform and the pow...

주제어

#Threshold   #Monotonic transform   #Low frequency subbands Power   #Mean square error   #Wavelet shrinkage  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

  • 그러나 SURE-LET기법은 잉여변환 (redundent transform) 및 LET를 이용하고 그리고 TIDEF기법은 잉여변환, 방향성 및 Gabor 필터를 이용하기 때문에 이들 두 기법들은 여전히 계산량이 많다. 계산량이 작으면서 효과적으로 잡음을 제거하기 위해서 잡음신호를 2레벨 웨이블릿 변환한 후 단조변환 및 웨이블릿변환의 균일 고주파 서브밴드들에서 추정된 전력의 최소값을 이용해서 경계값을 구하고, 이 경계값을 웨이블릿 축소기법에 적용해서 영상 잡음을 제거하는 기법을 [15]에서 제시하였다.
  • 이 논문에서는 고주파 밴드 그리고 특히 저주파밴드의 잡음을 효과적으로 제거하기 위해서, 단조 변환과 균일 저주파 및 고주파 대역의 전력 그리고 이들 각 대역 전력의 최소값들을 이용해서 각 대역별 경계값들을 구하고, 이 값들을 직교 웨이블릿으로 변환된 16개의 균일 대역에서 최저주파 대역을 제외한 15개 대역에 대해 웨이블릿 축소 기법을 적용해서 각 대역의 가우시안 잡음을 제거하였다. 그리고 그 결과를 VisuShrink방법 및 균일 고주파 서브밴드들에서 추정된 전력의 최소값을 이용한 방법[15]의 잡음제거한 결과와 PSNR로 비교, 평가하고 이 기법의 실용성을 밝혔다.
  • 이 논문에서는 고주파 밴드 그리고 특히 저주파밴드의 잡음을 효과적으로 제거하기 위해서, 단조 변환과 균일 저주파 및 고주파 대역의 전력 그리고 이들 각 대역 전력의 최소값들을 이용해서 각 대역별 경계값들을 구하고, 이 값들을 직교 웨이블릿으로 변환된 16개의 균일 대역에서 최저주파 대역을 제외한 15개 대역에 대해 웨이블릿 축소 기법을 적용해서 각 대역의 가우시안 잡음을 제거하였다. 그리고 그 결과를 VisuShrink방법 및 균일 고주파 서브밴드들에서 추정된 전력의 최소값을 이용한 방법[15]의 잡음제거한 결과와 PSNR로 비교, 평가하고 이 기법의 실용성을 밝혔다.
  • 이 논문에서는 영상신호의 실시간 가우시안 잡음을 제거하기 위해서 단조 변환과 저주파 대역 및 고주파 대역의 전력정보를 이용해서 직교 웨이블릿 변환된 16개의 균일 대역의 각 대역별 경계값들을 구하고, 이 값들을 웨이블릿 축소 기법에 적용해서 각 대역의 가우시안 잡음을 제거하였으며, 그 결과를 VisuShrink방법 및 균일 고주파 서브밴드들에서 추정된 전력의 최소값을 이용한 방법[15]의 잡음 제거한 결과와 PSNR로 비교, 평가하고 이 기법의 실용성을 밝혔다. 이 논문에서 제시한 기법에 의한 잡음제거 결과는 Visushrink 기법이나 균일 고주파 서브밴드 전력의 최소값을 이용한 방법[15]의 결과보다 잡음레벨에 따라 약 1-4dB의 PSNR이 개선되었다.

이론/모형

  • SURE 경계값은 Stein’s unbiased risk estimator를 이용해서 구한다[6-9].
본문요약 정보가 도움이 되었나요?

참고문헌 (16)

  1. Ioannis Pitas, Digital Image Processing Algorithms, Prentice Hall, 1993, pp. 40-47. 

  2. W. K. Pratt, Digital Image Processing, John Wiley & Sons Inc, 1991, pp. 263-310. 

  3. R. C. Gonzalez, R. E. Woods, Digital Image Processing, Addison-Wesley, 1992. pp.220-281 

  4. B. Vidakovic, P. Mu"ller, "An Introduction to Wavelets", In: Bayesian Interferencein Wavelet-based Model, P. Muller and B. Vidakovic (eds.), Springer, 1999, pp.1-18. 

  5. R. R. Coifman, D. l. Donoho, "Translation-Invariant De-Noising", In:Wavelets and Statistics, A. Antoniodis, G. Oppenheim (eds.), Springer, 1995, pp. 125-150. 

  6. A. Aldroubi, M. Unser "Wavelets in Medicine and Biology", CRC Press, 1996, pp. 191-196. 

  7. D. L. Donoho, I. M. Johnstone, "Ideal Spatial Adaptation by Wavelet Shrinkage", Biometrika, 81. 3. 1994, pp. 425-455. 

    상세보기 crossref

  8. M. Jansen, Noise Reduction by Wavelet Thresholding, Springer-Verlag, 2001 pp.38-39. 

  9. S. Mallat, a Wavelet Tour of Signal Processing, 2nd. Academic Press, 1999, pp. 434-524. 

  10. D. L. Donoho, I. M. Johnstone, "Adapting to Unknown Smoothness via Wavelet Shrinkage", J.A.S.A. vol. 90, No. 432, Dec. pp.1200-1224. 1995. 

    상세보기 crossref

  11. S Grace Chang, Bin Yu and Martin Vetterli"Adaptive Wavelet Thresholding for Image Denoising and Compression" IEEE Trans. On Image Processing, 9(9) 2000, pp. 1532-1546. 

    상세보기 crossref

  12. Javier Portilla, Vasily Strela, Martin J. Wainwright,, and Eero P Simoncelli, "Image Denoising Using Scale Mixture of Gaussians in The Wavelet Domain" IEEE Trans. Image Processing vol. 12, no. 11 pp. 1338-1351, November 2003. 

    상세보기 crossref

  13. Thierry Blu Florian Luisier "The SURE-LET Approach to Image Denoising" IEEE Trans. Image Processing Vol16 No 11 pp. 2778-2785, Nov. 2007. 

    상세보기 crossref

  14. Yan Shi, Xiaoyuan Yang, and Yuhua Guo "Translation Invariant Directional Framelet Transform Combined with Gabor Filyers for Image Denoising" IEEE Trans. on Image Processing, Vol23, No1 January 2014, pp 44-55. 

    상세보기 crossref

  15. 박남천,우창용"웨이블릿 고주파 균일 서브밴드에서 추정된 잡음전력을 적용한 VisuShrink 기법의 영상 잡음제거" 한국신호처리 시스템학회 논문지 13권 1호, 2012. pp. 26-31. 

    원문보기 상세보기

  16. S.V. Vasegh"Avanced Digital Signal Processing and Noise Reduction" Wiley, 3rd, edition, 2007, pp. 83-86. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로