자기 유사성을 이용한 가우시안 노이즈 제거 알고리즘 = Gaussian noise reduction algorithm using self-similarity

국문 초록 (Abstract)

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.

다국어 초록 (Multilingual Abstract)

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.