선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 daubechies 정상 웨이블릿 변환을 사용하여 무인항공기 항공촬영 영상의 잡음을 제거하였으며 haar 웨이블릿을 이용한 DWT, WPT, SWT와의 비교를 통해 성능이 더욱 개선되었음을 확인하였다. 노이즈 분산 5, 10, 20, 30으로 가변하여 영상이 잡음에 손상되었을 경우 개선되는 사항을 각각 확인하였다.
제안 방법
- 본 연구에서 사용된 영상은 512×512 크기의 무인항공기로 찍은 한서대학교 태안비행장 촬영 영상과 노이즈 분산은 5, 10, 20, 30으로 가변하여 백색 가우시안 노이즈를 삽입하였다. DWT, WPT, SWT를 통한 노이즈 제거 영상의 PSNR 성능을 비교하였다. 비교결과 daubechies 정상 웨이블릿 변환의 PSNR 성능이 비교적 제일 높았으며, haar 웨이블릿보다 daubechies 웨이블릿을 이용한 결과가 전반적으로 높게 나타났다.
- 본 논문에서는 daubechies 정상 웨이블릿 변환을 사용하여 무인항공기 항공촬영 영상의 잡음을 제거하였으며 haar 웨이블릿을 이용한 DWT, WPT, SWT와의 비교를 통해 성능이 더욱 개선되었음을 확인하였다. 노이즈 분산 5, 10, 20, 30으로 가변하여 영상이 잡음에 손상되었을 경우 개선되는 사항을 각각 확인하였다. 실험 결과 제안한 방법이 haar 웨이블릿을 이용한 DWT, WPT, SWT에 비하여 PSNR 성능면에서 개선되었음을 확인하였다.
- 일반적으로 잡음에는 여러 가지 형태가 존재하나 가장 일반적으로 많이 연구되는 잡음은 가산 백색 가우시안 잡음이다. 본 실험에서는 영상이 가우시안 잡음에 의하여 손상되었을 때, daubechies 정상 웨이블릿 변환을 사용하여 잡음성분을 제거하였다.
대상 데이터
- 본 연구에서 사용된 영상은 512×512 크기의 무인항공기로 찍은 한서대학교 태안비행장 촬영 영상과 노이즈 분산은 5, 10, 20, 30으로 가변하여 백색 가우시안 노이즈를 삽입하였다.
성능/효과
- (a) Hard thresholding 기법은 임계값 ‘δ'의 절대값보다 작은 절대값을 가지는 웨이블릿 계수들은 '0'으로 변환하고, 임계값보다 절대값이 큰 웨이블릿 계수들은 원래값을 갖는다.
- (b) Soft thresholding 기법은 임계값 ‘δ’의 절대값보다 작은 절대값을 가지는 웨이블릿 계수들은 ‘0’으로 변환하고, 임계값보다 절대값이 큰 웨이블릿 계수들은 임계값과의 차이 값으로 수축(Shrinkage)한다.
- haar 웨이블릿의 수학적 구조는 간단하나 불연속 함수인 이유로 매끄러운 신호나 영상처리에 효과적이지 못하고 주어진 신호에 불연속점 검출에 효과적이다. haar 웨이블릿의 이러한 단점을 극복하기 위해 매끄러우면서도 고주파 성분을 갖는 daubechies 웨이블릿을 사용하여 기존 haar 웨이블릿을 적용하였을 때보다 더 성능이 개선되었음을 확인하였다. 본 논문에 첨부된 영상은 크기를 줄여 첨부하였을때 비교적 육안으로 구분하기 쉬운 영상을 첨부하였으며 그림 4,5를 확대해 확인해보면 haar 웨이블릿과 비교하여 daubecheis 웨이블릿의 경우가 더 부드럽게 가우시안 잡음이 제거되는 경향을 보여주었다.
- 98의 성능 개선을 보였다. 또한 SWT의 경우 haar 웨이블릿을 이용하였을 때와 비교하여 daubechies 웨이블릿을 이용하였을 때 분산크기 5, 10, 20, 30에 상응해 0.905, 0.951, 0.38, 0.518의PNSR 성능개선을 확인하였다.
- 또한 전체적으로 잡음 분산이 클수록 SWT 방법이 더 큰 향상도를 보여주었다. haar 웨이블릿의 수학적 구조는 간단하나 불연속 함수인 이유로 매끄러운 신호나 영상처리에 효과적이지 못하고 주어진 신호에 불연속점 검출에 효과적이다.
- haar 웨이블릿의 이러한 단점을 극복하기 위해 매끄러우면서도 고주파 성분을 갖는 daubechies 웨이블릿을 사용하여 기존 haar 웨이블릿을 적용하였을 때보다 더 성능이 개선되었음을 확인하였다. 본 논문에 첨부된 영상은 크기를 줄여 첨부하였을때 비교적 육안으로 구분하기 쉬운 영상을 첨부하였으며 그림 4,5를 확대해 확인해보면 haar 웨이블릿과 비교하여 daubecheis 웨이블릿의 경우가 더 부드럽게 가우시안 잡음이 제거되는 경향을 보여주었다. 나머지 영상들은 표 1과 2의 PSNR성능을 통해 확인된다.
- 비교결과 daubechies 정상 웨이블릿 변환의 PSNR 성능이 비교적 제일 높았으며, haar 웨이블릿보다 daubechies 웨이블릿을 이용한 결과가 전반적으로 높게 나타났다. 분산크기 10일 때 haar 웨이블릿을 이용하였을 경우 DWT와 SWT의 PSNR차이는 1.7051로 SWT가 높았으며 daubechies 웨이블릿의 경우는 1.2646의 성능 개선을 보였다. 분산크기 20일 때의 경우는 haar 웨이블릿을 이용하면 DWT와 SWT의 PSNR차이는 1.
- 2646의 성능 개선을 보였다. 분산크기 20일 때의 경우는 haar 웨이블릿을 이용하면 DWT와 SWT의 PSNR차이는 1.9598으로 SWT가 높았으며 daubechies 웨이블릿의 경우는 1.98의 성능 개선을 보였다. 또한 SWT의 경우 haar 웨이블릿을 이용하였을 때와 비교하여 daubechies 웨이블릿을 이용하였을 때 분산크기 5, 10, 20, 30에 상응해 0.
- DWT, WPT, SWT를 통한 노이즈 제거 영상의 PSNR 성능을 비교하였다. 비교결과 daubechies 정상 웨이블릿 변환의 PSNR 성능이 비교적 제일 높았으며, haar 웨이블릿보다 daubechies 웨이블릿을 이용한 결과가 전반적으로 높게 나타났다. 분산크기 10일 때 haar 웨이블릿을 이용하였을 경우 DWT와 SWT의 PSNR차이는 1.
- 노이즈 분산 5, 10, 20, 30으로 가변하여 영상이 잡음에 손상되었을 경우 개선되는 사항을 각각 확인하였다. 실험 결과 제안한 방법이 haar 웨이블릿을 이용한 DWT, WPT, SWT에 비하여 PSNR 성능면에서 개선되었음을 확인하였다. 또한 웨이블릿 변환은 각 모함수마다 분해결과가 달라지고 필터링 결과도 달라지므로 영상의 특성에 따라 다른 모함수를 적용할 수 있다는 장점이 있다.
- 이러한 단점을 극복하기 위해 daubechies는 매끄러우면서도 고주파 성분을 갖는 모 웨이블릿의 존재성과 구축법을 개발하였다[4]. 이에 본 논문에서는 daubechies 정상 웨이블릿 변환을 사용하여 잡음을 제거하였으며 DWT, WPT (wavelet packet transform)와의 비교와 haar 웨이블릿을 이용한 방법과의 비교를 통해 획득된 영상의 성능이 더욱 개선되었음을 확인하였다.
후속연구
- 또한 웨이블릿 변환은 각 모함수마다 분해결과가 달라지고 필터링 결과도 달라지므로 영상의 특성에 따라 다른 모함수를 적용할 수 있다는 장점이 있다. 이에 획득 영상 정보의 성능 개선뿐만 아니라, 영상 정보에서 이 방법은 원하는 성분의 정보를 추출하는 데에도 효율적으로 이용 가능 할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.