[논문]영상의 이진화평면 분해에 기반한 확장된 블록매칭 잡음제거

복거철

doi:10.17661/jkiiect.2019.12.3.321

초록
AI-Helper

블록매칭을 이용한 잡음제거 방법은 영상 내의 이웃하는 블록들이 서로 비슷한 특질을 가지고 있다는 실험적 관찰에 기반한 방법으로서 잡음제거에 있어서 우수한 성능을 보인다. 그러나 블록매칭 잡음제거 방법은 유사한 블록을 찾고 수집하는 작업이 영상 내의 이웃 블록들을 대상으로 이루어지며 참조블록의 특질은 유사한 블록을 찾는 목적 외에는 사용되지 않는다. 따라서 가우스분포 상의 이상치(outlier)가 존재할 때 잡음제거 성능은 그 값의 영향을 받을 수 밖에 없다. 본 논문에서는 잡음에 오염된 영상을 이진화평면으로 분해하여 각 블록의 참 화소값의 범위를 추정하고 이를 근거로 이상치 값을 추정된 참 화소값의 범위내의 값으로 대치하는 방법을 통해 확장된 블록매칭 기법을 제안한다. 전통적인 가우시안 필터는 잡음제거 대상이 되는 화소와 이웃하는 화소들의 값을 모두 계산에 적용하므로 영상의 세부적인 특질이 보존되지 않는 단점이 있는데 이를 극복하기 위해 이진화평면을 구성하여 해당 화소의 참값 범위를 추정한 후 그 범위 안에 속하는 화소값만을 이용하여 잡음제거를 하므로 세부적인 특질이 보존될 수 있는 장점이 있다. 가우시안 필터의 장점과 블록매칭의 장점을 융합하는 방법을 통해 성능 향상을 꾀할 수 있을 것으로 예상되며 실제로 잡음이 추가된 다양한 영상을 통해 실험을 한 결과 잡음제거의 성능을 향상시킬 수 있음을 검증하였다.

Abstract ▼ AI-Helper

Image denoising methods based on block matching are founded on the experimental observations that neighboring patches or blocks in images retain similar features with each other, and have been proved to show superior performance in denoising different kinds of noise. The methods, however, take into ...

Image denoising methods based on block matching are founded on the experimental observations that neighboring patches or blocks in images retain similar features with each other, and have been proved to show superior performance in denoising different kinds of noise. The methods, however, take into account only neighboring blocks in searching for similar blocks, and ignore the characteristic features of the reference block itself. Consequently, denoising performance is negatively affected when outliers of the Gaussian distribution are included in the reference block which is to be denoised. In this paper, we propose an expanded block matching method in which noisy images are first decomposed into a number of bit-planes, then the range of true signals are estimated based on the distribution of pixels on the bit-planes, and finally outliers are replaced by the neighboring pixels belonging to the estimated range. In this way, the advantages of the conventional Gaussian filter can be added to the blocking matching method. We tested the proposed method through extensive experiments with well known test-bed images, and observed that performance gain can be achieved by the proposed method.

주제어

표/그림 (8)

그림 그림 1. BM3D 기법의 시스템 흐름도 Fig. 1. BM3D Filtering System Flow
그림 그림 2. 이진화평면 분해의 예 (L = 24). Fig. 2. Example of bit-plane decomposition (L = 24).
그림 그림 3. 이상치(outlier)를 중심으로 3x3 윈도우 내에서 참값 추정치 범위내의 화소값 가져오기의 예. Fig. 3. Collecting the pixels belonging to the confident range of the outlier pixel which is at the center of 3x3 window.
그림 그림 4. 이상치를 참값 추정치 범위내의 화소값으로 대치하는 방법. Fig. 4. Replacing the outlier pixels with the pixels belonging to the estimated range of true pixel values.
그림 그림 5. 실험 영상. Fig. 5. Images used for the experiments.
그림 그림 6. Barbara영상의 잡음제거 예. Fig. 6. Examples of denoising Barbara image.
표 표 1. 잡음제거의 PSNR(dB) 성능평가 Table 1. Denoising results in PSNR (dB)
그림 그림 7. 최대 성능과 최소 성능의 잡음제거 예. Fig. 7. Examples of max and min denoising performance.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 잡음 영상을 이진화평면으로 구성하고 이를 이용하여 이상치를 가지는 화소를 중심으로 참값의 범위를 추정한 후에 이상치를 참값의 범위에 속하는 화소값으로 대치하는 방법을 사용하여 매칭블록의 가우시안 분포의 밀도를 높이는 방법으로 잡음제거의 성능을 높이는 방법을 제시하였다. 제안한 방법은 국부적인 특질을 이용하는 가우시안 필터의 장점과 매칭블록을 이용하는 협업필터의 장점을 모두 적용하므로 잡음제거의 성능을 높일 수 있을 것으로 예상되며, 실제로 여러 영상에 다양한 분포의 잡음을 생성하여 실험을 한 결과 잡음제거의 효과가 우수하였음을 확인하였다.
그리고 이상치를 제거할 수 있다면 가우시안 분포의 평균값 부근에서 밀도가 높아지고 표준편차의 값이 줄어드는 효과를 가져 올 수 있으므로 잡음제거의 성능을 높일 수 있을 것으로 기대할 수 있다. 이와 같은 논거를 근거로 하여 본 논문에서는 BM3D 기법에 의해 수집하는 유사한 블록들 외에 잡음제거 대상이 되는 블록의 이웃화소들을 중심으로 새로운 블록을 생성하여 더한 후에 선형변환을 하는 새로운 방법을 제안한다. 여기에서 잡음제거 대상이 되는 블록의 이웃화소들을 이용하기 위해서는 참 신호값의 범위를 추정할 수 있어야 하는데 이를 위해 잡음이 포함된 입력 영상을 K개의 화소값 구간으로 구분하여 해당 구간에 속하는 화소를 1로 대치하는 방법으로 K개의 이진화평면으로 분해한 후에 다수의 법칙을 적용하여 참 신호값을 추정하는 방법을 사용하였다.

제안 방법

붉은 사각형은 이상치를 나타내며 검은 사각형은 참값으로 추정되는 범위 내에 속하는 값을 나타낸다. 본 논문에서 제안 하는 방법은 붉은 사각형으로 표시된 각 이상치를 그림 3의 방법과 같이 E영역에 표시된 이상치 주위의 화소값으로 대치하는 것이다. 이와 같이 D영역의 검은 사각형들과 E영역의 검은 사각형들을 모아서 z-축 방향으로 선형변환을 하여 잡음을 제거한다.
이와 같은 논거를 근거로 하여 본 논문에서는 BM3D 기법에 의해 수집하는 유사한 블록들 외에 잡음제거 대상이 되는 블록의 이웃화소들을 중심으로 새로운 블록을 생성하여 더한 후에 선형변환을 하는 새로운 방법을 제안한다. 여기에서 잡음제거 대상이 되는 블록의 이웃화소들을 이용하기 위해서는 참 신호값의 범위를 추정할 수 있어야 하는데 이를 위해 잡음이 포함된 입력 영상을 K개의 화소값 구간으로 구분하여 해당 구간에 속하는 화소를 1로 대치하는 방법으로 K개의 이진화평면으로 분해한 후에 다수의 법칙을 적용하여 참 신호값을 추정하는 방법을 사용하였다. 참 신호값의 범위 밖의, 즉 이진화평면에서 0으로 표시되는 화소는 이상치로 간주하고, 이상치를 이웃화소들의 값으로 대치하는 방법을 사용함으로써 이상치를 제거하였다.
일반적으로 블록의 크기는 가변적이지만 [1]에서 제안한 방법은 8x8 크기의 블록을 사용하며 본 논문에서도 블록의 크기를 8x8로 고정하였다. 그림 3은 이진화평면의 한 8x8 블록에서 검은 원으로 표시된 이상치 화소와 이들 값을 중심으로 정렬된 몇 개의 3x3 윈도우를 보여준다.
여기에서 잡음제거 대상이 되는 블록의 이웃화소들을 이용하기 위해서는 참 신호값의 범위를 추정할 수 있어야 하는데 이를 위해 잡음이 포함된 입력 영상을 K개의 화소값 구간으로 구분하여 해당 구간에 속하는 화소를 1로 대치하는 방법으로 K개의 이진화평면으로 분해한 후에 다수의 법칙을 적용하여 참 신호값을 추정하는 방법을 사용하였다. 참 신호값의 범위 밖의, 즉 이진화평면에서 0으로 표시되는 화소는 이상치로 간주하고, 이상치를 이웃화소들의 값으로 대치하는 방법을 사용함으로써 이상치를 제거하였다.

대상 데이터

위 식에서 y는 화소값을, σ는 표준편차를 의미한다. 실험에 사용한 영상은 그림 5와 같이 Tampere University의 BM3D 실험 결과 사이트[7]에서 제공한 영상을 사용하였다.

이론/모형

앞서 제안한 방법의 성능을 공개된 소프트웨어[6]와 영상들을 사용한 실험을 통해서 검증하였다. 영상의 잡음은 다음과 같은 확률밀도함수(pdf)로 표현되는 가우시안 잡음 모델을 사용하여 생성하였다.

성능/효과

PSNR을 기준으로 하였을 때 잡음 제거 성능은 최소 0.19dB(Couple영상의 σ=10인 경우)에서 최대 1.33dB(House영상의 σ=50인 경우)가 향상된 것을 관찰하였다.
정량적인 비교 외에 정성적인 성능을 판단하기 위해 그림 6에 Barbara 영상의 잡음제거 결과의 부분 영상을 나타내었다. 잡음 제거 결과를 보면 무늬 같은 영상의 세밀한 부분이 잘 보존되었다는 것을 알 수 있다. 그리고 잡음제거 성능이 최고인 House영상의 σ=50인 경우와 최소인 Couple영상의 σ=10인 경우에 잡음제거 결과 영상을 그림 7에 나타내었다.
본 논문에서는 잡음 영상을 이진화평면으로 구성하고 이를 이용하여 이상치를 가지는 화소를 중심으로 참값의 범위를 추정한 후에 이상치를 참값의 범위에 속하는 화소값으로 대치하는 방법을 사용하여 매칭블록의 가우시안 분포의 밀도를 높이는 방법으로 잡음제거의 성능을 높이는 방법을 제시하였다. 제안한 방법은 국부적인 특질을 이용하는 가우시안 필터의 장점과 매칭블록을 이용하는 협업필터의 장점을 모두 적용하므로 잡음제거의 성능을 높일 수 있을 것으로 예상되며, 실제로 여러 영상에 다양한 분포의 잡음을 생성하여 실험을 한 결과 잡음제거의 효과가 우수하였음을 확인하였다.
표 1에서 보듯이 BM3D 기법의 결과 보다 본 논문에서 제안하는 방법을 이용하여 잡음을 제거한 결과가 전체적으로 우수함을 알 수 있다. PSNR을 기준으로 하였을 때 잡음 제거 성능은 최소 0.

후속연구

이런 현상이 발생하는 이유는 유사한 블록들에 대해 잡음이 있는 화소 위치에 해당하는 화소들이 대부분 잡음일 경우에 선형변환으로 신호와 잡음을 구분할 수 없기 때문이다. 그리고 이상치를 제거할 수 있다면 가우시안 분포의 평균값 부근에서 밀도가 높아지고 표준편차의 값이 줄어드는 효과를 가져 올 수 있으므로 잡음제거의 성능을 높일 수 있을 것으로 기대할 수 있다. 이와 같은 논거를 근거로 하여 본 논문에서는 BM3D 기법에 의해 수집하는 유사한 블록들 외에 잡음제거 대상이 되는 블록의 이웃화소들을 중심으로 새로운 블록을 생성하여 더한 후에 선형변환을 하는 새로운 방법을 제안한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	BM3D 기법이란 무엇인가?	특히 협업필터링(collaborative filtering) 기법은 잡음제거의 성능이 우수하며 대표적으로 BM3D 필터링 기법이 있다[1, 2]. BM3D 기법은 참조블록(reference block)과 비슷한 블록들을 구해서 3차원 그룹으로 정렬하고 선형변환을 실행한 후에 임계치에 못 미치는 값을 제거한 다음 역변환을 실행하여 잡음을 제거하는 방법이다. 최근에는 원래의 기법에 딥러닝 기법을 적용하여 확장하거나[3] 개선된 Wiener 필터링을 적용한 기법과[4] 모폴로지를 이용한 방법[5]이 발표되는 등 잡음제거의 성능이 더욱 향상되었다.
	본 논문에서 제안하는 방법이 잡음제거의 성능을 높일 수 있는 이유는 무엇인가?	본 논문에서는 잡음 영상을 이진화평면으로 구성하고 이를 이용하여 이상치를 가지는 화소를 중심으로 참값의 범위를 추정한 후에 이상치를 참값의 범위에 속하는 화소값으로 대치하는 방법을 사용하여 매칭블록의 가우시안 분포의 밀도를 높이는 방법으로 잡음제거의 성능을 높이는 방법을 제시하였다. 제안한 방법은 국부적인 특질을 이용하는 가우시안 필터의 장점과 매칭블록을 이용하는 협업필터의 장점을 모두 적용하므로 잡음제거의 성능을 높일 수 있을 것으로 예상되며, 실제로 여러 영상에 다양한 분포의 잡음을 생성하여 실험을 한 결과 잡음제거의 효과가 우수하였음을 확인하였다.
	임펄스 잡음에 대해 잡음이 제거되지 않는 현상이 나타나는 이유는 무엇인가?	그러나 BM3D 기법은 잡음을 제거하려는 블록의 이웃화소들에 대한 정보를 활용하지 않는다. 따라서 모든 잡음에 대해 성능이 우수한 결과를 보이는 대신에 임펄스 잡음(impulse noise)에 대해서는 잡음이 제거되지 않는 현상이 나타나기도 한다.

참고문헌 (7)

K Dabov, A Foi, V Katkovnik, K. Egiazarian, "Image Denoising by Sparse 3-D Transform-domain Collaborative Filtering", IEEE Transactions on Image Processing, vol. 16, no. 8, pp. 2080-2095, 2007.

상세보기
M. Lebrun, "An Analysis and Implementation of the BM3D Image Denoising Method", Image Processing On Line, vol. 2, pp. 175-213, 2012.
D. Yang, and J. Sun, "BM3D-Net: A Convolutional Neural Network for Transform-Domain Collaborative Filtering", IEEE Sig. Proc. Letters, vol. 25, no. 1, pp. 55-59, 2018.
M. Hasan and M. El-Sakka, "Improved BM3D Image Denoising Using SSIM-optimized Wiener Filter", EURASIP Journal on Image and Video Processing vol. 2018:25, 2018.
Y. Hou1 and D. Shen, "Image Denoising with Morphology-an Size-adaptive Block-matching Transform Domain Filtering", EURASIP Journal on Image and Video Processing, vol 2018:59, 2018.
BM3D implementation using C++. https://github.com/gfacciol/bm3d.
Tampere University, http://www.cs.tut.fi/-foi/GCF-BM3D/.

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

[국내논문] 영상의 이진화평면 분해에 기반한 확장된 블록매칭 잡음제거
Enhanced Block Matching Scheme for Denoising Images Based on Bit-Plane Decomposition of Images 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

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

[국내논문] 영상의 이진화평면 분해에 기반한 확장된 블록매칭 잡음제거 Enhanced Block Matching Scheme for Denoising Images Based on Bit-Plane Decomposition of Images 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (7)

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 영상의 이진화평면 분해에 기반한 확장된 블록매칭 잡음제거
Enhanced Block Matching Scheme for Denoising Images Based on Bit-Plane Decomposition of Images 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)

AI 본문요약
AI-Helper