본 논문은 비지역적(non-local)방법에 기반한 적응적 디노이징 방법을 제안한다. 비지역적 알고리즘은 부가적 백색 잡음(additive white Gaussian noise, AWGN)을 제거하는데 효과적이다. 노이즈 제거를 위해 비지역적 방법을 적용할 때 노이즈 수준에 따라 디노이징 파라미터가 조절될 필요가 있었다. 그러므로, 제안하는 방법은 입력 노이즈 수준에 따라 최적의 디노이징 파라미터를 제공하는 것이다. 제안하는 방법은 크게 두 가지 부분으로 나뉜다. 첫 번째로는 오프라인 과정과 온라인 과정이다. 오프라인 과정에서는 노이즈 수준과 디노이징 파라미터 간의 관계를 비지역적 기법을 이용하여 분석해본다. 다양한 디노이징 파라미터들이 비지역적 알고리즘에 적용되며 이에 대한 이미지이에 대한 이미지의 퀄리티를 분석하기 위해서 SSIM 지표가 사용된다. 주어진 노이즈 수준에서 최적 디노이징 파라미터를 가장 높은 SSIM일 때 선택한다. 온라인 과정에서는 노이즈 수준을 실 시간으로 추정하여 최적의 디노이징 파라미터를 적용하여 비지역적 필터링을 수행한다. 실험 결과에서 보는 바와 같이, 제안하는 방법은 정확하게 노이즈 수준을 추정했고, 이미지 디테일을 보존하면서 AWGN 노이즈를 제거했다. 이에 따른 실험 결과로 노이즈 추정 정확도는 90.0%, 복원된 이미지에서 높은 PSNR과 SSIM수치를 보였다.
본 논문은 비지역적(non-local)방법에 기반한 적응적 디노이징 방법을 제안한다. 비지역적 알고리즘은 부가적 백색 잡음(additive white Gaussian noise, AWGN)을 제거하는데 효과적이다. 노이즈 제거를 위해 비지역적 방법을 적용할 때 노이즈 수준에 따라 디노이징 파라미터가 조절될 필요가 있었다. 그러므로, 제안하는 방법은 입력 노이즈 수준에 따라 최적의 디노이징 파라미터를 제공하는 것이다. 제안하는 방법은 크게 두 가지 부분으로 나뉜다. 첫 번째로는 오프라인 과정과 온라인 과정이다. 오프라인 과정에서는 노이즈 수준과 디노이징 파라미터 간의 관계를 비지역적 기법을 이용하여 분석해본다. 다양한 디노이징 파라미터들이 비지역적 알고리즘에 적용되며 이에 대한 이미지이에 대한 이미지의 퀄리티를 분석하기 위해서 SSIM 지표가 사용된다. 주어진 노이즈 수준에서 최적 디노이징 파라미터를 가장 높은 SSIM일 때 선택한다. 온라인 과정에서는 노이즈 수준을 실 시간으로 추정하여 최적의 디노이징 파라미터를 적용하여 비지역적 필터링을 수행한다. 실험 결과에서 보는 바와 같이, 제안하는 방법은 정확하게 노이즈 수준을 추정했고, 이미지 디테일을 보존하면서 AWGN 노이즈를 제거했다. 이에 따른 실험 결과로 노이즈 추정 정확도는 90.0%, 복원된 이미지에서 높은 PSNR과 SSIM수치를 보였다.
This paper proposes a novel denoising method based on non-local(NL) means. The NL-means algorithm is effective for removing an additive Gaussian noise, but the denoising parameter should be controlled depending on the noise level for proper noise elimination. Therefore, the proposed method optimizes...
This paper proposes a novel denoising method based on non-local(NL) means. The NL-means algorithm is effective for removing an additive Gaussian noise, but the denoising parameter should be controlled depending on the noise level for proper noise elimination. Therefore, the proposed method optimizes the denoising parameter according to the noise levels. The proposed method consists of two processes: off-line and on-line. In the off-line process, the relations between the noise level and the denoising parameter of the NL-means filter are analyzed. For a given noise level, the various denoising parameters are applied to the NL-means algorithm, and then the qualities of resulting images are quantified using a structural similarity index(SSIM). The parameter with the highest SSIM is chosen as the optimal denoising parameter for the given noise level. In the on-line process, we estimate the noise level for a given noisy image and select the optimal denoising parameter according to the estimated noise level. Finally, NL-means filtering is performed using the selected denoising parameter. As shown in the experimental results, the proposed method accurately estimated the noise level and effectively eliminated noise for various noise levels. The accuracy of noise estimation is 90.0% and the highest Peak Signal-to-noise ratio(PSNR), SSIM value.
This paper proposes a novel denoising method based on non-local(NL) means. The NL-means algorithm is effective for removing an additive Gaussian noise, but the denoising parameter should be controlled depending on the noise level for proper noise elimination. Therefore, the proposed method optimizes the denoising parameter according to the noise levels. The proposed method consists of two processes: off-line and on-line. In the off-line process, the relations between the noise level and the denoising parameter of the NL-means filter are analyzed. For a given noise level, the various denoising parameters are applied to the NL-means algorithm, and then the qualities of resulting images are quantified using a structural similarity index(SSIM). The parameter with the highest SSIM is chosen as the optimal denoising parameter for the given noise level. In the on-line process, we estimate the noise level for a given noisy image and select the optimal denoising parameter according to the estimated noise level. Finally, NL-means filtering is performed using the selected denoising parameter. As shown in the experimental results, the proposed method accurately estimated the noise level and effectively eliminated noise for various noise levels. The accuracy of noise estimation is 90.0% and the highest Peak Signal-to-noise ratio(PSNR), SSIM value.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 논문에서, 우리는 추정된 노이즈 수준을 바탕 으로한 진보된 디노이징 알고리즘을 제시했다. 제안하는 방법은 노이즈 수준 추정에 따른 최적 디노이징 파라미터를 결정하여 NL-means 알고리즘에 사용하는 것이다.
이번 절에서는 NL(Non-local) means방법에 대해 간략히 소개하고자 한다. 이 방법은 복원하려는 중심 픽셀 인접부분에 평균을 취하는 주변부 필터(neighborhoods filter)[7]와 유사할 뿐만 아니라 중요한 점은 이미지 전반에 걸친 공간적(spatial)정보를 활용하여 픽셀 값을 구하게 된다.
가설 설정
여러 가지 노이즈 형태들이 있지만, 디지털 이미지 데이터를 얻는 과정에서 생성되는 노이즈는 부가적인 백색 잡음(additive white Gaussian noise, AWGN)의 형태를 보인다. 따라서, AWGN은 평균값이 0인 가우시안 분포를 갖는 노이즈로 본 논문에서 가정하였다.[1]이와 같은 노이즈를 제거하기 위해 다양한 디노이징(denoising)기법들이 제안되어져 왔다.
제안 방법
따라서, 선택된 디노이징 파라미터를 사용하여 NL-means 필터링과정을 수행하는 단계이다. 노이즈 클리핑(clipping)을 피하기 위해, 제안하는 방법에서는 64-192 gray-level범위의 가장 균질한(homogeneous) 값을 지니는 상위 20개 패치를 선택하여 노이즈 수준을 추정한다. 여기서 균질성을 추정하기 위해서 mean of sum of squared difference(MSSD)에 의해 계산하였다.
0%에 달하는 것을 볼 수 있다. 두 번째로는 제안하는 알고리즘을 통해 디노이징 된 이미지의 질을 평가하는 것이다. Fig.
또한, 수 많은 질감(texture)성분과 엣지(edge)성분으로 MSSD가 급작스럽게 변할 수 있는 이미지의 경우도 고려하여, 초기 된 패치 수보다 적은 수의 패치 갯수를 설정하여 놓았다. 따라서, 선택된 MSSD값으로 부터 MSSDavg값을 구할 수 있게 되었고 이 값과 오프라인 과정에서 구해놓은 ESD값과 비교하여 노이즈 수준을 최종적으로 판단한다.
따라서, 제안하는 알고리즘은 비지역적인 방법(NL-means method)을 이용하여 노이즈 수준 추정(noise level estimation)에 따른 최적 h를 제공하는 알고리즘을 제안한다. 이 알고리즘은 크게 두 가지 과정인 오프라인 과정(off-line process) 그리고 온라인 과정(on-line process)으로 나누어 설계하였다.
에서 표시한 것과 같이 20개 내의 균일한 MSSD값을 지니는 패치를 선택하였다. 또한, 수 많은 질감(texture)성분과 엣지(edge)성분으로 MSSD가 급작스럽게 변할 수 있는 이미지의 경우도 고려하여, 초기 된 패치 수보다 적은 수의 패치 갯수를 설정하여 놓았다. 따라서, 선택된 MSSD값으로 부터 MSSDavg값을 구할 수 있게 되었고 이 값과 오프라인 과정에서 구해놓은 ESD값과 비교하여 노이즈 수준을 최종적으로 판단한다.
실험에서 제안한 방법은 높은 수준의 노이즈 추정 결과를 보였고 주어진 노이즈 영상에서 정확한 노이즈 추정에 따라 효과적으로 노이즈가 제거된 영상을 확인할 수 있었다. 부가적으로, 하드웨어 리소스를 줄이기 위해 우리는 실시간 NL-mean알고리즘 사용을 위해 가중치 커널 및 노이즈 추정을 위한 탐색 윈도우를 최적화 하였다.
또한, 실험에 사용한 노이즈 수준은 평균이 0이며 노이즈 표준편차가 1-7%의 AWGN을 이용했다. 실험에서는 두 가지 관점에서 알고리즘 성능을 테스트 하였는데 첫 번째로는 노이즈 추정의 수준의 정확도이다. Table 1.
노이즈 클리핑(clipping)을 피하기 위해, 제안하는 방법에서는 64-192 gray-level범위의 가장 균질한(homogeneous) 값을 지니는 상위 20개 패치를 선택하여 노이즈 수준을 추정한다. 여기서 균질성을 추정하기 위해서 mean of sum of squared difference(MSSD)에 의해 계산하였다. MSSD는 중심 패치를 기준으로 주변 8개 패치의 SSD의 평균값으로 결정되는데, 이 때 식(8)은 8개패치의 SSD값을 구하는 식이 도출되어 있다.
오프라인 과정에서는 노이즈 수준에 따른 최적의 디노이징 파라미터인 h값을 정하는 단계이다. 우선, 다양한 h파라미터를 NL-means알고리즘에 적용하여 구조적 유사도 지표(structural similarity index, SSIM)으로 평가하여, 주어진 노이즈 수준에서 최고의 SSIM수치를 보이는 h값을 선택하게 된다.
위 과정을 기반으로 하여, 온라인 과정에서 제안되는 방법인 노이즈 수준을 실시간으로 예측하여 노이즈 수준에 따른 이미 데이터베이스화 된 최적 h값을 적용하여 효과적인 디노이징(denoising)을 수행한다.
따라서, 제안하는 알고리즘은 비지역적인 방법(NL-means method)을 이용하여 노이즈 수준 추정(noise level estimation)에 따른 최적 h를 제공하는 알고리즘을 제안한다. 이 알고리즘은 크게 두 가지 과정인 오프라인 과정(off-line process) 그리고 온라인 과정(on-line process)으로 나누어 설계하였다.
이 추정된 노이즈 수준을 기반으로 하여, 제안된 방법에서는 데이터베이스 화 된 최적 h값을 이용하여 효과적인 NL-means 알고리즘을 수행하게 된다.
이 논문에서, 우리는 추정된 노이즈 수준을 바탕 으로한 진보된 디노이징 알고리즘을 제시했다. 제안하는 방법은 노이즈 수준 추정에 따른 최적 디노이징 파라미터를 결정하여 NL-means 알고리즘에 사용하는 것이다. 실험에서 제안한 방법은 높은 수준의 노이즈 추정 결과를 보였고 주어진 노이즈 영상에서 정확한 노이즈 추정에 따라 효과적으로 노이즈가 제거된 영상을 확인할 수 있었다.
대상 데이터
실험에 사용한 훈련용 이미지 세트로는 IEC(100)이미지 세트를 사용했으며. 평가용 이미지 세트로는 Kodak loss less이미지 세트, BBC Japan이미지 세트를 평가에 사용했다.
adj는 탐색 윈도우(search window)의 이동범위를 말하며, 여기에서는 1로 설정하였다. 작은 MSSD값이 의미하는 바는 균질성이 크다는 것 뿐만 아니라 노이즈 파워를 의미하기 때문에, Fig. 5.에서 표시한 것과 같이 20개 내의 균일한 MSSD값을 지니는 패치를 선택하였다. 또한, 수 많은 질감(texture)성분과 엣지(edge)성분으로 MSSD가 급작스럽게 변할 수 있는 이미지의 경우도 고려하여, 초기 된 패치 수보다 적은 수의 패치 갯수를 설정하여 놓았다.
실험에 사용한 훈련용 이미지 세트로는 IEC(100)이미지 세트를 사용했으며. 평가용 이미지 세트로는 Kodak loss less이미지 세트, BBC Japan이미지 세트를 평가에 사용했다. 또한, 실험에 사용한 노이즈 수준은 평균이 0이며 노이즈 표준편차가 1-7%의 AWGN을 이용했다.
성능/효과
제안하는 방법은 노이즈 수준 추정에 따른 최적 디노이징 파라미터를 결정하여 NL-means 알고리즘에 사용하는 것이다. 실험에서 제안한 방법은 높은 수준의 노이즈 추정 결과를 보였고 주어진 노이즈 영상에서 정확한 노이즈 추정에 따라 효과적으로 노이즈가 제거된 영상을 확인할 수 있었다. 부가적으로, 하드웨어 리소스를 줄이기 위해 우리는 실시간 NL-mean알고리즘 사용을 위해 가중치 커널 및 노이즈 추정을 위한 탐색 윈도우를 최적화 하였다.
반면에, 비지역적 방법[5],[6]들은 복원하려는 픽셀과 비지역적인 즉, 탐색윈도우 범위 내에서의 유사도에 따른 가중치를 이용하여 원본 데이터를 복원한다. 하지만, 비지역적 방법을 디노이징에 활용할 때 주어진 노이즈 수준에 대한 고려없이 디노이징 파라미터(smoothing strength parameter,h)의 선택에 따라 디노이징 결과 영상이 Fig. 1.과 같이 편차가 심하게 나타나는 것을 육안 및 지표값 결과로 확인 할 수 있었다.
질의응답
핵심어
질문
논문에서 추출한 답변
지역적 방법이란?
첫 번째 범주는, 지역적 방법(local method)이며 두 번째 범주는 비지역적 방법(non-local means(NL-means)method)이다. 지역적 방법[2]-[4]은 복원하려는 중심 픽셀을 기준으로 인접한 데이터들의 평균을 이용하는 방법이다. 중심픽셀에서 주변 픽셀영역 내 참조할 수 있는 정보 양이 제한된 주변 영역으로 한정 되어 있다.
디노이징(denoising)기법의 범주는 어떻게 나뉘는가?
첫 번째 범주는, 지역적 방법(local method)이며 두 번째 범주는 비지역적 방법(non-local means(NL-means)method)이다. 지역적 방법[2]-[4]은 복원하려는 중심 픽셀을 기준으로 인접한 데이터들의 평균을 이용하는 방법이다.
디지털 이미지 데이터를 얻는 과정에서 생성되는 노이즈가 보이는 형태는?
여기에서 v(i)는 실제 디지털 기기에서 취득된 노이즈 픽셀 데이터, u(i)는 원본 이미지 픽셀 데이터, n(i)는 픽셀 i에서의 부가적 노이즈 픽셀 데이터 값을 의미한다. 여러 가지 노이즈 형태들이 있지만, 디지털 이미지 데이터를 얻는 과정에서 생성되는 노이즈는 부가적인 백색 잡음(additive white Gaussian noise, AWGN)의 형태를 보인다. 따라서, AWGN은 평균값이 0인 가우시안 분포를 갖는 노이즈로 본 논문에서 가정하였다.
M. Lindenbaum, M. Fishcher, and A. Bruckstein, "On gabor contribution to image enhancement," Pattern Recognition, vol. 27, no. 1, pp. 1-8, Jan. 1994. DOI: https://doi.org/10.1016/0031-3203(94)90013-2
L. Alvarez, P. L. Lions, and J. M. Morel, "Image selective smoothing and edge detection by nonlinear diffusion," SIAM Journal on Numerical Analysis, vol.29, no. 1, pp.182-193, Feb. 1992. DOI: https://doi.org/10.1137/0729012
C. Tomasi and R. Manduchi, "Bilateral filtering for gray and color images," The Sixth International Conference Computer Vision, pp. 839-846, 1998 DOI: https://doi.org/10.1109/iccv.1998.710815
A. Buades, B. Coll, J. M. Morel, "A non-local algorithm for image denoising," IEEE Computer Vision and Pattern Recognition 2005 (CVPR 2005), vol. 2, pp. 60-65, Jun. 2005. DOI: https://doi.org/10.1109/CVPR.2005.38
A. Buades, B. Coll, and J. M. Morel, "On Image Denoising Methods," SIAM Multi scale Modeling and Simulation, CMLA Preprint, 2004.
A. Buades, B. Coll, and J. M. Morel, "Neighboring filters and PDE'S," Numerische Mathematik, vol. 105, no. 1, pp. 1-34, 2006. DOI: https://doi.org/10.1007/s00211-006-0029-y
Zhou Wang, Alan C. Bovik, Hami R Sheikh, Eero p. Simoncelli, "Image quality assessment: from error visibility to structural similarity," IEEE Trans. Image Processing, vol. 13, no. 4, pp. 600-612, April 2004. DOI: https://doi.org/10.1109/TIP.2003.819861
※ AI-Helper는 부적절한 답변을 할 수 있습니다.