DnCNN을 이용한 X선 흉부 영상의 잡음 제거

연제석 충북대학교 2020 국내석사

Radiation exists everywhere around us. Radiation existing in nature is called natural radiation, and radiation made for human use is called artificial radiation. The majority of artificial radiation is medical radiation such as X-ray and CT. Radiation causes damage to DNA, transformation of cells and is known to cause disease or tumors. X-rays can also accumulate and affect tumor induction. In the chest x-ray image, you may have an unwanted pixel value called Quantum noise that degrades image quality for various reasons such as electrical interference and environmental factors. The noise can be reduced by increasing the dose of X-ray for production of X-ray image but it will harm patient body. In this paper, the DnCNN model based on deep learning which removes additive white Gaussian noise is proposed and its performance is compared with Wiener filter. As a result, MAE value obtained by DnCNN from the chest x-ray image was lower than that by Wiener filter. Therefore, the DnCNN reached better performance in image denoising compared with Wiener filter.

상임계 조건에서의 발화 규칙에 따른 지도학습 기반 스파이킹 신경망의 비단조적 특징 분석 : 노이즈를 주입한 뉴런의 발화 규칙에 따른 SNN의 비단조적 특징 분석

송준혁 상명대학교 천안캠퍼스 일반대학원 2026 국내석사

본 논문은 입력이 단독으로 뉴런의 임계전압을 통과하는 상임계 (suprathreshold)조건에서, 지도학습 기반 스파이킹 신경망(Spiking Neural Network, SNN)의 뉴런의 발화 규칙에 따라 노이즈(noise)가 네트워크 성 능과 정보전달 효율에 미치는 영향을 분석하고 비단조적 특징을 확인한 다. 기존의 스토캐스틱 레조넌스(Stochastic Resonance, SR) 연구는 주로 약한 입력 신호가 문턱을 단독으로 넘지 못하는 서브스레시홀드 (subthreshold)조건으로 비선형 문턱 시스템을 대상으로 진행되어 왔고, 노이즈는 문턱 통과를 보조하며, 출력 성능을 향상시키는 현상을 중심으 로 정의되어 왔다. 하지만 생물학적, 인공신경망(Artificial Neural Network, ANN)에서는 상임계 조건에서의 신호처리가 일반적으로 진행되 며, 상임계 조건에서의 노이즈 주입으로 나타나는 효과에 대한 분석은 한 계가 있다. 본 연구는 전류기반 LIF(Leaky Integrate-and-Fire)뉴런을 사용하는 지도 학습 기반 SNN를 기본 모델로 활용한다. 뉴런의 발화 방식을 결정론적 발화(deterministic firing)와 확률론적 발화(probabilistic firing)로 구분하 고, 가우시안 화이트 노이즈(gaussian white noise)를 주입 후, 학습을 진 행하여 비교 분석한다. 결정론적 발화의 경우 뉴런의 막전위 동역학에 가 우시안 화이트 노이즈를 주입하여 진행하고, 확률론적 발화의 경우 막전 위 동역학과 발화 판정 단계에 가우시안 화이트 노이즈를 주입하여 학습 을 진행한다. 실험은 뉴런이 단독으로 임계전압을 통과하여 발화가 일어 나는 상임계 조건으로 고정하여 진행하였다. 결정론적 발화 기반 SNN의 경우 노이즈의 강도가 높아짐에 따라 학습 의 정확도와 상호정보량(Mutual Information, MI)이 단조적으로 감소하는 모습을 보였다. 이는 상임계 조건에서 결정론적 발화를 기반으로 학습을 진행할 때 노이즈가 발화 타이밍의 불안정을 증가시키는 교란적 요소로 작용한 것으로 해석된다. 확률론적 발화 기반 SNN의 경우 노이즈 강도가 낮을 때, 발화 확률이 억제되어 학습 정확도와 MI가 낮은 수준을 보이지 만 중간 수준의 노이즈 강도에서 발화 확률이 임계전압 근방에서 효과적 으로 조절되어 학습 정확도와 MI가 상승하는 모습을 보인다. 강한 노이즈 강도가 주입되면 다시 학습 정확도와 MI가 감소하여 비단조적 특징이 관 찰된다. 이러한 결과 상임계 조건을 기반으로 하는 확률론적 발화 규칙을 사용 하는 SNN에서 노이즈가 단순히 교란적 요인이 아닌, 정보전달 효율과 네 트워크의 성능을 향상시킬 수 있는 요소로 활용할 수 있음을 보여준다. 본 논문은 상임계 조건에서 확률론적 발화 기반 SNN에 가우시안 화이트 노이즈를 주입하여 학습 및 분석함으로써 노이즈를 사용하는 SNN 설계 에 대한 확장에 기여한다. This paper analyzes the effect of noise on network performance and information transmission efficiency under suprathreshold conditions, where the input alone exceeds the neuron's threshold voltage, based on the firing rules of neurons in a supervised learning-based Spiking Neural Network (SNN), and identifies nonmonotonic characteristics. Previous Stochastic Resonance (SR) research has primarily focused on nonlinear threshold systems under subthreshold conditions, where weak input signals cannot independently cross the threshold. Noise has been defined mainly in terms of its role in assisting threshold crossing and enhancing output performance. However, biological and artificial neural networks typically process signals under suprathreshold conditions, and analyses of the effects of noise injection under suprathreshold conditions are limited. This study compares deterministic firing and probabilistic firing models using a supervised learning-based SNN and analyzes how the noise injection method, varying according to the firing rule, affects network behavior. In supervised learning using current-based LIF (Leaky Integrate-and-Fire) neurons, Gaussian white noise was injected into the membrane potential dynamics for deterministic firing, and into both the membrane potential dynamics and the firing decision stage for probabilistic firing. All experiments were conducted under fixed suprathreshold conditions where neurons could independently pass the threshold. Experimental results showed that for deterministic spiking-based SNNs, classification accuracy and mutual information monotonically decreased as noise intensity increased. This is interpreted as noise acting as a disruptive factor increasing spike timing instability. For the probabilistic spiking-based SNN, performance degraded at low noise intensities due to suppressed spiking probability. However, at moderate noise intensities, the probability of spike generation around the threshold voltage is effectively controlled. This leads to increased classification accuracy and MI (Mutual Information). When excessive noise is injected again, performance decreases, indicating the emergence of nonmonotonic characteristics observed in SR as noise intensity changes. This result demonstrates that in SNNs using probabilistic firing rules under suprathreshold conditions, noise can be utilized not as a disruptive factor degrading performance, but as an element that enhances information transmission efficiency and network performance. This paper contributes to the expandability of SNN design utilizing noise by analyzing a stochastic spiking-based SNN injected with Gaussian white noise under suprathreshold conditions.

자기 유사성을 이용한 가우시안 노이즈 제거 알고리즘

전영은 연세대학교 대학원 2007 국내석사

노이즈는 영상을 획득하거나 전송하는 과정 등에서 발생된다. 이러한 노이즈는 영상의 화질을 떨어트릴 뿐만 아니라, 다른 영상처리의 효과를 감소시킨다. 따라서 영상 처리에 있어 노이즈 제거는 선행되어야 하며, 노이즈 제거를 위한 연구가 오래 전부터 계속 되어져 왔다. 지금까지 제안되어진 공간 영역의 노이즈 제거는 크게 선형 필터와 비선형 필터로 나눌 수 있다. 비선형 필터들은 선형 필터에 비하여 고주파 성분을 더 보존할 수 있으나, 결과적으로는 선형필터와 마찬가지로 네이버후드에 가중치를 어떻게 줄 것인가로 결정되므로, 고주파 영역에서의 노이즈 제거 효과가 클수록 블러가 더 커진다.본 논문에서는 자연 영상의 자기유사성과 대부분의 가우시안 노이즈의 평균이 0인 점을 이용하여 노이즈를 제거하는 알고리즘을 제안한다. 영상을 평탄 영역과 비평탄 영역으로 나누어, 평탄 영역의 경우에는 주변 픽셀들의 평균으로 복원하고 비평탄 영역의 경우에는 영상 전체에서 자신과 유사한 부분들을 가중 평균하여 복원하는 방법으로 노이즈를 제거한다. 블록의 분산으로 평탄 여부를 결정하고, 유사도의 여부는 블록간의 MSE를 척도로 결정한다.제안하는 알고리즘은 기존의 방법들보다 평균적으로 1dB 이상의 PSNR 성능 향상이 있었고, estimator의 평가기준인 estimator variance가 기존 방법들보다 10이상 낮아 더 안정적인 성능을 보였다. Noise in digital image arises during acquisition and transmission. Noise degrades visual quality and postprocessing efficiency. So noise reduction is encountered in many application. Noise reduction algorithms are categorized into linear filters and nonlinear filters. Nonlinear filters account for the variation in local statistical characteristics, achieve better enhancement and restoration while preserving high frequency than linear filters. But nonlinear filter, as well as linear filter, it determines the weight to it's neighborhood pixels. Because both algorithms are using the neighborhood of pixel, they suffers blurring.We propose the noise reduction algorithm using self-similarity in natural images and zero mean gaussian noise. Image is divided to homogeneous area and nonhomogeneous area, in case of homogeneous area, pixel is reconstructed by average of neighborhood pixels. In case of non-homogeneous area, pixel is reconstructed by searching similar blocks in entire image and its weighted average. Measure that determines homogeneity is variance of block, and MSE between two blocks determines similarity.Proposed algorithm is superior to the previous algorithm by 1dB on average in PSNR and achieves lower estimator variance by 10, that is, proposed algorithm is more stable than previous algorithm.

지역 통계를 이용한 가우시안 노이즈 이미지의 세 가지 상태 감지 및 필터링 : Three-state Detection and Filtering For Gaussian Noise Image Using Local Statistics

응웬손홍 숭실대학교 대학원 2011 국내석사

찍은 영상들에서는 보통 여러 가지 노이즈가 있다. 다음 이어서 영상의 과정을 수행하기 위해서 영상의 노이즈를 제거하는 것이 중요한다. 노이즈를 효과적으로 제거할수록, 더욱 좋은 결과를 얻을 수 있다. 이러한 이유로 지역 통계를 이용한 영상의 노이즈제거가 필요하게 된다. 더구나, 더 좋은 결과를 얻고 노이즈를 효과적으로 빼기 위해서, 노이즈의 수준에 따라 달라하는 필터를 이용하려고 가우시안 노이즈의 감지를 설계한다. 실험 결과로부터 제안된 방식의 성능이 주관적, 객관적으로 우수함을 확인할 수 있었다. Images obtained were often subject to noise of one form or another. In order to use these images for any subsequent processes such as edge detection, image segmentation, it is necessary to eliminate noise in images. The more effective noise removal is, the more reliable result subsequent processes can achieve. This motivation leads to the suggestion of an algorithm to remove noise in an image using local statistics. Furthermore, to effectively remove noise in the image and get better result, a Gaussian noise detection is designed to flexible remove serious noise pixels by stronger filter, mild noise pixels by weaker filter while the noise free pixels un-change. For Gaussian white noise, the experimental results show that the proposed method is very competitive with a number of existing techniques.

데이터 증강 기법을 활용한 설비 이상감지 모델 성능의 향상

김현지 고려대학교 정책대학원 2025 국내석사

제조 산업에서 설비 유지보수는 제품 품질과 생산성을 보장하는 데 필수적이다. 전통적인 유지보수 방식인 사후보전과 예방보전은 불필요한 비용과 시간 소모로 인해 한계가 존재한다. 이러한 문제를 해결하기 위해 설비 상태를 기반으로 고장을 예측하고 사전에 조치를 취할 수 있는 예지보전(Predictive Maintenance, PHM)이 주목받고 있으며, 특히 인공지능(AI) 기술의 발전과 함께 그 중요성이 더욱 부각되고 있다. 그러나 실제 제조 환경에서 예지보전을 구현하기 위해서는 고장 데이터의 부족이라는 큰 장애물이 존재한다. 대부분의 설비가 정상 상태로 작동하기 때문에 고장 데이터가 매우 드물게 발생하며, 이는 고장 예측 모델의 학습과 일반화 성능에 제약을 준다. 본 연구에서는 데이터 증강 기법을 활용하여 이러한 문제를 해결하고, 고장 데이터를 보완함으로써 설비 고장 감지 모델의 성능을 향상시키고자 한다. 연구에 사용된 PHM Data Challenge 2018 데이터는 반도체 제조 공정의 핵심 장비인 이온 식각 설비의 시계열 센서 데이터로 구성되어 있다. 본 연구는 가우시안 노이즈 기반의 증강 데이터를 생성하여 고장 데이터를 증대하고, 이를 활용하여 LightGBM, Random Forest, XGBoost, CatBoost 알고리즘을 사용해 모델 성능을 비교하였다. 연구 결과, 데이터 증강은 모델의 성능을 크게 향상시켰으며, 특히 LightGBM 모델이 최적의 성능을 보였다. max depth 6, learning rate 0.2, n_estimators 300의 설정에서 F1 점수 0.509와 재현율 0.520으로 다른 알고리즘보다 우수한 성능을 기록하였다. 또한, 증강 데이터셋 실험에서 노이즈 계수 1과 증강 데이터 개수 20일 때 가장 높은 성능을 보여, F1 점수는 0.984, 정확도는 0.991에 도달하였다. 본 연구는 데이터 증강 기법이 고장 데이터가 부족한 환경에서 모델의 일반화 성능을 높이는 데 효과적임을 입증하였으며, 이를 통해 불필요한 유지보수 비용과 생산 공정의 다운타임을 최소화할 수 있음을 보여준다. 이러한 연구 결과는 예지보전 모델을 산업 현장에 적용하는 데 있어 실질적인 가이드를 제공하며, 향후 다양한 설비 환경 및 실시간 고장 감지 시스템으로의 확장을 위한 기반을 마련하였다.

Aging and soiling simulators for iproved banknote classification and validation

Baek, Sangwook Graduate School, Yonsei University 2018 국내박사

In this dissertation, efficient banknote aging and soiling simulator for generating aged and soiled banknotes from new banknotes are proposed. In artificial banknote aging and soiling simulation, it is important to generate detailed aging and soiling patterns and brightness changes which are similar to real-world circulated banknotes, since the recognition accuracy of circulated banknotes is becoming decreased in automated teller machines (ATM) trained with new banknotes. In order to generate aging and soiling details efficiently, deep convolutional neural network with residual learning is proposed for banknote soiling. Also, Gaussian brightness model and optimal Perlin noise map are proposed for banknote aging. Although financial automatic machines were trained with new banknotes, they cause false acceptance and rejection problems to classify or validate banknotes after circulating several months due to some aging and soiling effects in circulated banknotes. Also, it is essential to analyze the characteristics of aged and soiled banknotes for efficient banknote recycling of circulated banknotes. However, additional works to train automatic machines with aged and soiled banknotes are time-consuming. Although previous studies provide several circulation simulators using chemical and mechanical operations, it is rather expensive and memory-inefficient. Therefore, low-cost and memory-efficient simulators for artificial banknote aging and soiling from new banknotes are needed, but there is no common solution that simulates artificially aged and soiled banknotes based on machine learning techniques and image processing. Efficient banknote circulation simulators must consistently produce the characteristics of circulated banknote image such as creasing, ink wear, edge blurness, stain, irregular dirt, etc. An efficient banknote simulation method that consists of two main parts is proposed: 1) banknote soiling simulator based on deep convolutional neural network with residual learning and batch skipping, and 2) banknote aging simulator based on adaptive Perlin noise map and Gaussian brightness model for artificial aging effects such as stain, irregular dirt, etc. In the residual learning based neural networks, an output banknote image is composed of an input banknote image (corresponding to relatively new banknote image) and residual image (detailed information of soiled banknotes), which can efficiently simulate detailed soiling patterns in rarely soiled banknotes. For naturalness and performance improvement, the optimal Perlin noise parameter values are determined according to the characteristics of each denomination. The proposed banknote simulators lead to perform better than existing methods in banknote recognition and counterfeit banknote detection for aged and soiled banknotes in multi-currency environment. The experimental results show that the performance for aged and soiled banknotes has been noticeably improved in terms of evaluation scores for banknote classification and validation. When banknote classification and validation algorithms are trained by using the proposed banknote simulators, it becomes more robust to recognize highly aged and soiled banknotes than conventional algorithms. Additionally, according to the inputted banknotes, progressive learning methods are applied to the parameters used for banknote classification and validation, which are automatically updated from pre-trained parameters. In banknote classification algorithm, when a bundle of banknotes is inputted, the template images used to calculate correlation coefficient of target banknote are re-generated. In banknote validation, the reference parameters for calculating evaluation score are updated by using Bayesian learning method. The progressive learning method provides additional performance improvement comparing with only using pre-trained parameters from the proposed banknote simulators.