[논문]DAECNN 기반의 병원처방전 이미지잡음제거

홍고르출; 이상무; 김용기; 김미혜

doi:10.15207/jkcs.2019.10.5.017

초록
AI-Helper

본 연구는 환자의 알레르기 예방시스템을 구축하기 위해 스마트폰을 이용하여 저장된 처방전의 이미지잡음제거를 위한 ROI 추출 방법에 중점을 두었다. 현재 ROI 추출은 제한된 실험 환경에서 좋은 성능을 보여 주었지만 실제 환경에서의 성능은 잡음으로 인해 좋지 않았다. 따라서 본 연구에서는 정확도 높은 ROI 추출을 위해 스마트폰 영상에서 발생하는 잡음제거 방법을 제안한다. SMF, DIN, DAE, DAECNN(Denoising Autoencoder with Convolution Neural Network) and median filter with DAECNN(MF+DAECNN) 방법을 실험하였고 그 결과 DAECNN 및 MF + DAECNN 방법이 스마트폰에서 이미지의 잡음제거가 효과적임을 보여주었다. 성능 향상을 검증하기 위해 SSIM, PSNR 및 MSE 방법을 사용하였고 이 시스템은 OpenCV, C ++ 및 Python로 구현 및 실험되었고 실제 이미지에서 성능 테스트를 거쳐 자연잡음(natural noise)을 제거하는데 본 논문에서 제안한 DAECNN과 MF+DAECNN이 각 69%로 기존의 DAE 방법 55% 보다 상대적으로 높은 결과를 도출하였다.

Abstract ▼ AI-Helper

We aimed to build a patient-based allergy prevention system using the smartphone and focused on the region of interest (ROI) extraction method for Optical Character Recognition (OCR) in the general environment. However, the current ROI extraction method has shown good performance in the experimental...

We aimed to build a patient-based allergy prevention system using the smartphone and focused on the region of interest (ROI) extraction method for Optical Character Recognition (OCR) in the general environment. However, the current ROI extraction method has shown good performance in the experimental environment, but the performance in the real environment was not good due to the noisy background. Therefore, in this paper, we propose the compared methods of reducing noisy background to solve the ROI extraction problem. There five methods used as a SMF, DIN, Denoising Autoencoder(DAE), DAE with Convolution Neural Network(DAECNN) and median filter(MF) with DAECNN (MF+DAECNN). We have shown that our proposed DAECNN and MF+DAECNN methods are 69%, respectively, which is relatively higher than the conventional DAE method 55%. The verification of performance improvement uses MSE, PSNR and SSIM. The system has implemented OpenCV, C++ and Python, including its performance, is tested on real images.

주제어

표/그림 (11)

그림 Fig. 1. Dataset structure
그림 Fig. 2. Sample Images of Real Dataset
그림 Fig. 3. System architecture
그림 Fig. 4. Standard Median Filter
그림 Fig. 5. Structure of light illumination normalization
그림 Fig. 6. A Denoising Autoencoder
그림 Fig. 7. Testing loss comparison of DAE, DAECNN and MF+DAECNN methods
표 Table 1. MSE comparison results of different denoising methods with the original image on Eq. 2.
표 Table 2. PSNR comparison results of different denoising methods with the original image on Eq. 3.
표 Table 3. SSIM comparison results of different denoising methods with the original image on Eq. 4.
그림 Fig. 8. Sample of Noisy and Denoised images fordifferent denoising methods.

AI 본문요약
AI-Helper

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

문제 정의

In this paper, we focus on preprocessing for OCR recognition. Among those images, we randomly chose 198 of them as noisy training dataset and 66 of as the normal test dataset.

제안 방법

For the training dataset, it was utilized in experiments in the noisy component to find out the best values or parameters. For testing dataset, it was used to evaluate the denoising performance of the overall procedure. Besides, we mainly discuss the component of image denoising.
These methods are regulated for demand for large training sample size and high computational costs. In this paper, we propose a novel fully denoising autoencoder with the convolutional neural network for salt and pepper, natural and Gaussian noise removal. Autoencoders have been used for image denoising [5-7].
Also, we explain image quality evaluation results besides objective and subjective methods. The objective evaluation is numerical comparisons are between references image and noisy image. The subjective method called a human judgment method that is not based on reference images.
Therefore, in this study, we propose an ROI extraction method by applying an effectual DAE to remove the noisy background to solve this problem. To solve this problem, we study the ROI extraction method using DAECNN which is known to be effective in removing the noisy background image.

대상 데이터

The experiment was carried out on an Intel (R) Core (TM) i7-8550U and 16GB Ram. The experimental work is tested train image 66, test image 792, a total of 858 each noised images were taken by smartphone cameras.
The experiment was carried out on an Intel (R) Core (TM) i7-8550U and 16GB Ram. The experimental work is tested train image 66, test image 792, a total of 858 each noised images were taken by smartphone cameras. Each image is of size 1000 x 1000 pixels.

이론/모형

The image evaluation of this paper was performed using mean squared error (MSE) [15], peak signal to noise ratio (PSNR) [5] and structural similarity index (SSIM) [9].

성능/효과

In this paper, we propose the compared methods of reducing image noisy background to solve the ROI extraction problem. From the experimental results, DAECNN is good for the natural noisy images, MF is better on the salt and pepper noisy images than DAE, illumination normalization is poor performance all noisy images. Furthermore, our proposed method MF+DAECNN has better than DAECNN and same performance for all noisy images.
From the results, our proposed method DAECNN methods have good performance for the natural noised image. Furthermore, MF+DAECNN has better performance than DAECNN for natural images and the same results for all noisy images and the best performer are in bold.

참고문헌 (15)

M. Mirmehdi, P. Clark & J. Lam. (2001). Extracting low resolution text with an active camera for OCR, Proc. of the 9th Spanish symposium on pattern recognition and image processing, 43-48. DOI: 10.1109/TSMCB.2005.857353
S. Suman. (2014). Image Denoising using New Adaptive Based Median Filter, Signal and Image Processing: An International Journal, 5(4). DOI: 10.5121/sipij.2014.5401
Wang G, Wang Y & Li H, et al. (2014). Morphological background detection and illumination normalization of text image with poor lighting, PLoS One, 9(11) :e110991. DOI:10.1371/journal.pone.0110991

상세보기
Y. Luo, Y. P. Guan & C. Q. Zhang. (2013). A robust illumination normalization method based on mean estimation for face recognition, ISRN Machine Vision, 1-10. Article ID 516052. DOI: 10.1155/2013/516052

상세보기
K. G. Lore, A. Akintayo & S. Sarkar (2017). LLNet: A deep autoencoder approach to natural low-light image enhancement, Pattern Recognition, 61, 650-662. DOI: 10.1016/j.patcog.2016.06.008.

상세보기
P. Vincent, et al., (2010). Stacked denoising autoencoders: Learning useful representations in a deep network with a local denoising criterion, Proc. of the 27th Int. Conf. on Machine Learning. 3371-3408, ACM. DOI: 10.1.1.297.3484
K. H. Cho. (2013). Boltzmann machines and denoising autoencoders for image denoising. arXiv:1301.3468. DOI: arXiv:1301.3468v6.
T. Remez, et al. (2017). Deep convolutional denoising of low-light images, arXiv:1701.01687. DOI: arXiv:1701.01687v1
L. Gondara. (2016). Medical Image Denoising Using Convolutional Denoising Autoencoders. IEEE 16th Int. Conf. on Data Mining Workshops, pp. 241-246, Barcelona. DOI: 10.1109/ICDMW.2016.0041
X. Glorot & Y. Bengio. (2010). Understanding the difficulty of training deep feedforward neural networks, Proc. of the 13th Int. Conf. on Artificial Intelligence and Statistics, 9, 249-256. DOI:10.1.1.207.2059
W. Chen, J. E. Meng & W. Shiqian (2006). Illumination compensation and normalization for robust face recognition using discrete cosine transform in logarithm domain, IEEE Transactions on Systems, Man, and Cybernetics, 36(2), 458-466. DOI: 10.1109/TSMCB.2005.857353

상세보기
A. Tsatsral, J. Bilguun & H. R. Keun, (2018). Unsupervised Novelty Detection Using Deep Autoencoders with Density Based Clustering, Appl. Sci., 8(9), 1468. DOI: 10.3390/app8091468

상세보기
D. P. Kingm & J. Ba. (2014). Adam: A method for stochastic optimization, Proc. of the 3rd Int. Conf. for Learning Representations, pp. 7-9, San Diego, CA, USA. DOI:arXiv:1412.6980v9
M. Abadi, et al., (2016). Tensorflow: Large-scale machine learning on heterogeneous distributed systems, arXiv:1603.04467. DOI: arXiv:1603.04467v2
Q. Shan, et al., (2010). Using optical defocus to denoise. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 561-568, San Francisco, CA. DOI: 10.1109/CVPR.2010.5540164

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

DAECNN 기반의 병원처방전 이미지잡음제거
Image Denoising Methods based on DAECNN for Medication Prescriptions 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

DAECNN 기반의 병원처방전 이미지잡음제거 Image Denoising Methods based on DAECNN for Medication Prescriptions 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (11) 모든 표/그림 보기

표/그림 (11) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

김용기 (4) 김미혜 (43)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

DAECNN 기반의 병원처방전 이미지잡음제거
Image Denoising Methods based on DAECNN for Medication Prescriptions 원문보기

초록
AI-Helper

표/그림 (11)

표/그림 (11)

AI 본문요약
AI-Helper