잡음 제거는 영상 처리의 선행 과정에서 필수적으로 이루어지며, 잡음의 종류와 영상의 환경에 따라 다양한 기법들이 연구되고 있다. 그러나 기존 AWGN(additive white gaussian noise) 제거 기법들은 고주파 성분이 많은 영상에 대해 블러링 현상을 일으키며 다소 부족한 성능을 보인다. 따라서 본 논문에서는 영상의 AWGN 제거 과정에서 블러링 현상을 최소화하기 위한 알고리즘을 제안하였다. 제안한 알고리즘은 마스크 내부 화소 특성에 따라 고주파 성분필터와 저주파 성분 필터를 설정하며, 기준치에 입력 영상을 가감하여 각 필터의 출력을 계산한다. 최종 출력은 두 필터의 출력에 표준편차와 가우시안 분포를 통해 계산된 가중치를 적용한 것을 합산하여 구한다. 제안한 알고리즘은 기존 방법에 비해 AWGN 제거 성능이 우수하였으며, 시뮬레이션을 통해 이를 확인하였다.
잡음 제거는 영상 처리의 선행 과정에서 필수적으로 이루어지며, 잡음의 종류와 영상의 환경에 따라 다양한 기법들이 연구되고 있다. 그러나 기존 AWGN(additive white gaussian noise) 제거 기법들은 고주파 성분이 많은 영상에 대해 블러링 현상을 일으키며 다소 부족한 성능을 보인다. 따라서 본 논문에서는 영상의 AWGN 제거 과정에서 블러링 현상을 최소화하기 위한 알고리즘을 제안하였다. 제안한 알고리즘은 마스크 내부 화소 특성에 따라 고주파 성분필터와 저주파 성분 필터를 설정하며, 기준치에 입력 영상을 가감하여 각 필터의 출력을 계산한다. 최종 출력은 두 필터의 출력에 표준편차와 가우시안 분포를 통해 계산된 가중치를 적용한 것을 합산하여 구한다. 제안한 알고리즘은 기존 방법에 비해 AWGN 제거 성능이 우수하였으며, 시뮬레이션을 통해 이를 확인하였다.
Noise removal is a pre-requisite procedure in image processing, and various methods have been studied depending on the type of noise and the environment of the image. However, for image processing with high-frequency components, conventional additive white Gaussian noise (AWGN) removal techniques ar...
Noise removal is a pre-requisite procedure in image processing, and various methods have been studied depending on the type of noise and the environment of the image. However, for image processing with high-frequency components, conventional additive white Gaussian noise (AWGN) removal techniques are rather lacking in performance because of the blurring phenomenon induced thereby. In this paper, we propose an algorithm to minimize the blurring in AWGN removal processes. The proposed algorithm sets the high-frequency and the low-frequency component filters, respectively, depending on the pixel properties in the mask, consequently calculating the output of each filter with the addition or subtraction of the input image to the reference. The final output image is obtained by adding the weighted data calculated using the standard deviations and the Gaussian distribution with the output of the two filters. The proposed algorithm shows improved AWGN removal performance compared to the existing method, which was verified by simulation.
Noise removal is a pre-requisite procedure in image processing, and various methods have been studied depending on the type of noise and the environment of the image. However, for image processing with high-frequency components, conventional additive white Gaussian noise (AWGN) removal techniques are rather lacking in performance because of the blurring phenomenon induced thereby. In this paper, we propose an algorithm to minimize the blurring in AWGN removal processes. The proposed algorithm sets the high-frequency and the low-frequency component filters, respectively, depending on the pixel properties in the mask, consequently calculating the output of each filter with the addition or subtraction of the input image to the reference. The final output image is obtained by adding the weighted data calculated using the standard deviations and the Gaussian distribution with the output of the two filters. The proposed algorithm shows improved AWGN removal performance compared to the existing method, which was verified by simulation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 AWGN에 훼손된 영상에서 고주파 성분의 영향을 최소화하여 잡음을 제거하는 알고리즘을 제안하였다. 제안한 알고리즘은 마스크 내부의 표준편차를 통해 영상의 고주파 성분 및 저주파 성분을 파악하였으며, 각 성분에 대한 필터의 출력을 구하여 가우시안 분포와 표준편차를 이용한 가중치를 적용하여 최종 출력을 구하였다.
본 논문은 고주파 성분이 많은 영상에 대해 효과적으로 AWGN을 제거하기 위한 필터 알고리즘을 제안하였다. 제안한 알고리즘은 필터링 마스크의 표준편차에 따라 고주파 성분 필터와 저주파 성분 필터를 설정한다.
제안 방법
본 논문에서 제안한 알고리즘은 마스크 설정, 마스크 내부 화소 특성 파악, 화소 범위 설정, 고주파 성분 필터 출력 계산, 저주파 성분 출력 계산, 출력 가중치 계산, 최종 출력 산출의 순서로 진행된다.
본 논문은 AWGN에 훼손된 영상에서 고주파 성분의 영향을 최소화하여 잡음을 제거하는 알고리즘을 제안하였다. 제안한 알고리즘은 마스크 내부의 표준편차를 통해 영상의 고주파 성분 및 저주파 성분을 파악하였으며, 각 성분에 대한 필터의 출력을 구하여 가우시안 분포와 표준편차를 이용한 가중치를 적용하여 최종 출력을 구하였다.
본 논문은 고주파 성분이 많은 영상에 대해 효과적으로 AWGN을 제거하기 위한 필터 알고리즘을 제안하였다. 제안한 알고리즘은 필터링 마스크의 표준편차에 따라 고주파 성분 필터와 저주파 성분 필터를 설정한다. 각 필터는 고주파 성분의 영향을 최소화하기 위해 화소범위를 설정하며, 화소 범위에 해당하는 입력 화소와 비슷한 값을 가진 화소만을 추정치 계산에 사용한다.
Step 6. 최종 출력을 구하기 위해 고주파 성분 필터와 저주파 성분 필터의 출력에 대한 가중치를 구한다. 가중치Wi,j는 다음 수식과 같이 마스크 표준편차 σi,j와 가우시안 분포를 이용하여 구한다.
영상의 고주파 성분에 대한 출력을 구하기 위해 추정치를 계산한다. 추정치는 입력 화소에 대한 마스크 내부 요소들의 화소값 차이에 따라 가중치를 적용하여 구한다. 고주파 성분 필터에 대한 추정치 #의 수학적 표현은 다음과 같다[14].
Step 2. 효율적인 잡음 제거를 위해 영상에 포함된 AWGN의 표준편차를 유추한다. 잡음 유추는 영상에 N=5인 11×11크기의 마스크를 적용하여 마스크 내부의 화소값의 표준편차가가 가장 적은 부분을 찾아 추정하는 방법으로 이루어진다.
대상 데이터
제안한 알고리즘의 성능을 평가하기 위해 512×512 크기의 8비트 그레이 영상인 Baboon과 Barbara에 대해 시뮬레이션을 진행하였다.
성능/효과
AF, AWAF와 A-TMF로 처리한 결과의 PSNR은 AWGN의 표준편차와 관계없이 Baboon 영상과 Barbara 영상에서 낮은 수치를 보였으며, AWGN의 표준편차가 낮은 영상에서 블러링 현상이 강하게 일어나 다소 미흡한 성능을 확인하였다. SWF의 경우 비교적 손실이 적지만 표준편차가 낮은 영상에서 필터링에 의한 손실이 다소 발생하는 것을 볼 수 있었다.
특히 Baboon 영상의 수염 부분과 Barbara 영상의 머플러 부분의 줄무늬 영역에서 차영상이 크게 발생하였으며, 잡음 제거 과정에서 영상의 고주파 성분의 손실이 발생하였음을 볼 수 있다. SWF으로 처리한 결과의 차영상의 경우 AF, AWAF와 A-TMF의 차영상과 비교하여 고주파 영역의 손실이 적었으나, 주변 영역에 비해 밝기가 밝은 점을 볼 수 있었다. 제안한 알고리즘에 대한 차영상은 기존 방법들에 비해 밝기가 밝은 부분이 현저하게 적었으며, 영상의 고주파 성분의 영향을 최소화하여 잡음을 제거하였음을 볼 수 있었다.
그림 4에서 기존 AF, AWAF, A-TMF로 처리한 결과는 저주파 성분에 대한 손실이 적은 반면, 고주파 성분과 에지 부분에서 손실이 크게 일어난 것을 확인할 수 있었다. 특히 Baboon 영상의 수염 부분과 Barbara 영상의 머플러 부분의 줄무늬 영역에서 차영상이 크게 발생하였으며, 잡음 제거 과정에서 영상의 고주파 성분의 손실이 발생하였음을 볼 수 있다.
제안한 알고리즘에 대한 차영상은 기존 방법들에 비해 밝기가 밝은 부분이 현저하게 적었으며, 영상의 고주파 성분의 영향을 최소화하여 잡음을 제거하였음을 볼 수 있었다. 또한, 저주파 영역의 AWGN역시 효과적으로 제거하였으며, 기존의 방법에 비해 우수한 성능을 보였다.
SWF의 경우 비교적 손실이 적지만 표준편차가 낮은 영상에서 필터링에 의한 손실이 다소 발생하는 것을 볼 수 있었다. 반면 제안한 알고리즘으로 처리한 결과 기존 방법에 비해 우수한 성능을 보였으며, 특히 AWGN의 표준편차가 작은 상에서도 높은 PSNR을 나타내며 효과적인 잡음 제거 성능을 보였다.
시뮬레이션 결과 제안한 방법은 영상의 고주파 성분이 밀집한 부분에서 우수한 효과를 보였다. 확대영상과 차영상을 통해 비교한 결과 기존 방법들에 고주파 성분이 많은 영상에서 블러링 효과가 적게 나타났으며, 저주파 영역의 AWGN 제거 역시 적합하였음을 확인하다.
확대영상과 차영상을 통해 비교한 결과 기존 방법들에 고주파 성분이 많은 영상에서 블러링 효과가 적게 나타났으며, 저주파 영역의 AWGN 제거 역시 적합하였음을 확인하다. 제안한 방법의 PSNR은 잡음 확률 표준편차가 15인 AWGN에 훼손된 영상을 처리한 결과 Baboon 영상에서 27.12dB로 기존의 AF, AWAF, A-TMF, SWF로 처리한 결과에 비해 각각 4.16dB, 4.09dB, 4.02dB, 1.90dB 개선되었으며, Barbara 영상에서는 28.73dB로 각각 4.04dB, 4.09dB, 4.05dB, 1.88dB 개선되었다.
SWF으로 처리한 결과의 차영상의 경우 AF, AWAF와 A-TMF의 차영상과 비교하여 고주파 영역의 손실이 적었으나, 주변 영역에 비해 밝기가 밝은 점을 볼 수 있었다. 제안한 알고리즘에 대한 차영상은 기존 방법들에 비해 밝기가 밝은 부분이 현저하게 적었으며, 영상의 고주파 성분의 영향을 최소화하여 잡음을 제거하였음을 볼 수 있었다. 또한, 저주파 영역의 AWGN역시 효과적으로 제거하였으며, 기존의 방법에 비해 우수한 성능을 보였다.
제안한 알고리즘은 고주파 성분이 많은 환경에서 기존의 방법보다 AWGN 제거 성능이 우수하였으며, 블러링 현상의 영향을 최소화하는 결과를 나타내었다. 제안한 알고리즘은 다양한 분야에서 유용하게 적용될 것으로 사료된다.
시뮬레이션 결과 제안한 방법은 영상의 고주파 성분이 밀집한 부분에서 우수한 효과를 보였다. 확대영상과 차영상을 통해 비교한 결과 기존 방법들에 고주파 성분이 많은 영상에서 블러링 효과가 적게 나타났으며, 저주파 영역의 AWGN 제거 역시 적합하였음을 확인하다. 제안한 방법의 PSNR은 잡음 확률 표준편차가 15인 AWGN에 훼손된 영상을 처리한 결과 Baboon 영상에서 27.
후속연구
제안한 알고리즘은 고주파 성분이 많은 환경에서 기존의 방법보다 AWGN 제거 성능이 우수하였으며, 블러링 현상의 영향을 최소화하는 결과를 나타내었다. 제안한 알고리즘은 다양한 분야에서 유용하게 적용될 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
잡음이 시스템에 끼치는 영향은 무엇이 있는가?
현대 사회는 4차 산업 혁명과 IoT 기술의 발전으로 폭넓은 분야에 다양한 디지털 기기들이 보급되어 수많은 정보를 교류하고 있다. 하지만 영상을 획득하거나 전송하는 과정 등에서 잡음이 발생하여 정보를 훼손하고 있으며, 이러한 잡음은 영상의 화질이 떨어질 뿐만 아니라 영상을 기반으로 동작하는 시스템에 영향을 끼쳐 오류와 잘못된 동작을 일으킬 수 있다[1-2]. 따라서 영상 처리에 있어 잡음 제거는 필수적으로 선행되고 있으며, 영상의 환경과 잡음의 종류를 고려하여 효율적으로 잡음을 제거하기 위한 연구가 지속적으로 진행되고 있다[3-5].
AWGN을 제거하기 위한 기존의 필터가 가지는 단점은 무엇인가?
이러한 AWGN을 제거하기 위하여 다양한 필터가 제시되었으며, 대표적으로 AF(average filter)[6], AWAF (adaptive weighted average filter)[7], A-TMF(alpha- trimmed mean filter)[8], SWF(spatial Weigthed Filter)[9]가 있다. 하지만 기존의 필터들은 영상의 고주파 성분이 많은 경우 블러링 현상에 크게 훼손된다는 단점을 가지고 있다[6-10].
AWGN란 무엇인가?
데이터 통신 과정에서 발생하는 잡음 중 하나인 AWGN(additive white gaussian noise)은 통신 시스템에서 열잡음이 시스템을 훼손시키는 특성에 따라 이름이 붙여진 잡음이다. AWGN은 모든 주파수 대역에서 발생하며, 대부분의 통신 시스템에 발생하기 때문에 잡음 제거에서 가장 우선적으로 고려되는 잡음이기도 하다.
참고문헌 (14)
Y. W. Kim, D. J. park, and J. C. Jeong, "Adaptive Gaussian Filter for Noise Reduction According to Image Characteristics," in Conference on The Institute of Electronics and Information Engineers, Incheon : Korea, pp. 634-636, 2017.
J. J. Madhura, and D. R. R. Babu, "An Effective Hybrid Filter for the Removal of Gaussian-Impulsive Noise in Computed Tomography images," in 2017 International Conference on Advances in Computing, Communications and Informatics, Udupi : India, pp. 1815-1820, 2017.
D. Kusnik, and B. Smolka, "On the Robust Technique of Mixed Gaussian and Impulsive Noise Reduction in Color Digital Images," in 2015 6th International Conference on Information, Intelligence, Systems and Applications (IISA), Corfu : Greece, pp. 1-6, 2015.
J. J. Hwang, K. H. Rhee, "Gaussian filtering detection based on features of residuals in image forensics," in 2016 IEEE RIVF International Conference on Computing & Communication Technologies, Research, Innovation, and Vision for the Future, Hanoi : Vietnam, pp. 153-157, 2016.
P. S. V. S. Sridhar, R. Caytiles, "Efficient Cloud Data Hosting Availability," Asia-pacific Journal of Convergent Research Interchange, HSST, ISSN : 2508-9080, vol. 3 no. 2, pp. 11-19, Jun. 2011. http://dx.doi.org/10.21742/APJCRI.2017.06.02.
Y. E. Jim, M. Y. Eom, and Y. S. Choe, "Gaussian Noise Reduction Algorithm using Self-similarity," Journal of The Institute of Electronics Engineers of Korea - Signal Processing, vol. 44, no. 5, pp. 500-509, Sep. 2007.
S. I. Kwon, and N. H. Kim, "A Study on Noise Removal using Modified Edge Detection in AWGN Environments," Journal of the Korea Institute of Information and Communication Engineering, vol. 21, no. 7, pp. 1342-1348, Jul. 2017.
X. Long, and N. H. Kim, "An Improved Weighted Filter for AWGN Removal," Journal of the Korea Institute of Information and Communication Engineering, vol. 17, no. 5, pp. 1227-1232, May. 2013.
L. Sroba, J. Grman, and R. Ravas, "Impact of Gaussian Noise and Image Filtering to Detected Corner Points Positions Stability," in 2017 11th International Conference on Measurement, Smolenice : Slovakia, pp. 123-126, 2017.
H. Chen, "A Kind of Effective Method of Removing Compound Noise in Image," in 2016 9th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics(CISP-BMEI 2016), Datong : China, pp. 157-161, 2016.
M. R. Gu, K. S. Lee, and D. S. Kang, "Image Noise Reduction using Modified Gaussian Filter by Estimated Standard Deviation of Noise," Journal of Korea Institute of Information Technology, vol. 8, no. 12, pp. 111-117, Dec. 2010.
Y. H. Kim, and J. H. Nam, "Statistical Algorithm and Application for the Noise Variance Estimation," Journal of the Korean Data and Information Science Society, vol. 20, no. 5, pp. 869-878, Oct. 2009.
Y. W. Kim, D. J. Park, and J. C. Jeong, "Adaptive Gaussian Filter for Noise Reduction According to Image Characteristics," in Conference on the Institute of Electronics and Information Engineers, Incheon : Korea, pp. 634-636, 2017.
Y. Y. Gao, and N. H. Kim, "A Study on Improved Denoising Algorithm for Edge Preservation in AWGN Environments," Journal of the Korea Institute of Information and Communication Engineering, vol. 16, no. 8, pp. 1773-1778, Aug. 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.