KR20130088238A - 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법 - Google Patents

방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법 Download PDF

Info

Publication number
KR20130088238A
KR20130088238A KR1020120009343A KR20120009343A KR20130088238A KR 20130088238 A KR20130088238 A KR 20130088238A KR 1020120009343 A KR1020120009343 A KR 1020120009343A KR 20120009343 A KR20120009343 A KR 20120009343A KR 20130088238 A KR20130088238 A KR 20130088238A
Authority
KR
South Korea
Prior art keywords
laplacian
noise
input image
pixel
calculated
Prior art date
Application number
KR1020120009343A
Other languages
English (en)
Inventor
최광남
김정헌
Original Assignee
중앙대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020120009343A priority Critical patent/KR20130088238A/ko
Publication of KR20130088238A publication Critical patent/KR20130088238A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/79—Processing of colour television signals in connection with recording
    • H04N9/7908—Suppression of interfering signals at the reproducing side, e.g. noise

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)
  • Image Processing (AREA)

Abstract

방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법이 개시된다. 라플라시안 산출부는 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출한다. 우도 함수 산출부는 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출한다. 노이즈 제거부는 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 입력 영상의 노이즈를 제거한다. 본 발명에 따르면, 스플릿 브레그만(split Bregman) 알고리즘은 5번의 반복 이내로 거의 수렴되므로 매우 정교하고 빠르게 노이즈 제거를 수행할 수 있다. 또한 입력 영상의 모서리 부분이 흩어지는 현상을 감소시킨다.

Description

방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법{Apparatus and method for removing noise with oriented Laplacian}
본 발명은 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법으로, 보다 상세하게는, 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV(total variation) 모델에 의해 영상의 노이즈를 제거하는 노이즈 제거 장치 및 방법에 관한 것이다.
디지털 영상처리(digital image processing)는 스캐너, 디지털 카메라 등으로 획득한 디지털 영상을 원하는 목적에 맞게 조작하는 것이다. 예를 들면, 디지털 영상 처리에 의해 원래 영상보다 품질이 높은 영상으로 변환할 수 있으며, 오래되거나 전송 중에 변질 또는 훼손된 영상을 복원할 수도 있다.
디지털 영상처리 알고리즘은 디지털 영상처리 기술을 구현하는 구체적인 방법으로 화소 점 처리(point processing), 기하학적 처리(geometric processing), 프레임 처리(frame processing) 및 영역 처리(area processing)로 분류할 수 있다.
화소 점 처리는 영상 내 화소 점의 원래 화소 값이나 위치를 기준으로 화소 값을 설정하는 알고리즘이다. 기하학적 처리는 디지털 영상 화소의 위치나 화소의 모임인 배열을 변화시키는 알고리즘이다. 프레임 처리는 두 개 이상의 서로 다른 디지털 영상으로 각종 연산 등을 조합하여 새로운 화소 값을 생성하는 알고리즘이다.
영역 처리는 화소의 원래 값과 이웃하는 화소 값을 기준으로 화소 값을 변경하는 알고리즘이다. 즉, 화소 여러 개가 서로 관계하여 새로운 화소 값 하나를 생성한다. 대표적인 방법으로 디지털 영상의 세세한 부분까지 제거하여 디지털 영상을 흐리게 하는 블러링(blurring) 기법과 디지털 영상에서 세세한 부분을 더욱 강조하여 대비 효과를 내는 샤프닝(sharpening) 기법이 있다.
이 밖에도 디지털 영상 내의 객체 테두리를 검출하는 윤곽선 검출(edge detection) 기법이 있다. 윤곽선 검출 기법은 편미분 연산자인 그래디언트(Gradient)와 라플라시안(Laplacian)을 이용한다. 또한 주변에 있는 화소의 중간값을 찾아서 새로운 화소 값을 만드는 미디언 필터링(median filtering) 기법이 있다.
토탈 베어리에이션 노이즈 제거(total variation denoising: TV denoising) 또는 토탈 베어리에이션 정규화(total variation regularization)는 디지털 영상처리에서 가장 많이 사용되는 노이즈(noise) 제거 기법이다. 불필요한 디테일(detail)을 갖는 신호는 높은 TV 값을 갖기에, TV 정규화 기법은 신호의 TV 값은 줄이고 모서리(edge)와 같은 중요한 디테일은 보존하면서 불필요한 디테일을 제거한다.
TV 정규화 기법은 노이즈를 제거하는 동시에 모서리에 영향을 주는 선형 스무딩(linear smoothing) 기법이나 미디언 필터링(median filtering) 기법보다 효과적이다. 즉, TV 정규화 기법은 모서리를 보존하는 동시에 노이즈를 제거할 수 있다.
TV 정규화 기법과 관련된 선행 논문 TOTAL VARIATION RESTORATION OF SPECKLED IMAGES USING A SPLIT-BREGMAN ALGORITHM(Jose M. Bioucas-Dias, 2009)에서는 TV 정규화 기법을 적용함에 있어서 노이즈의 승산 모델(multiplicative model)을 가산 모델(additive model)로 변환하고, 최적화 문제를 해결하기 위해 스플릿 브레그만(split Bregman) 알고리즘을 적용한다.
또 다른 선행 논문 THE SPLIT BREGMAN METHOD FOR L1 REGULARIZED PROBLEMS(TOM GOLDSTEIN, 2008)에서는 l1-정규화(l1-regularized)문제를 해결하기 위해 스플릿 브레그만(split Bregman) 알고리즘을 도입하고, TV 노이즈 제거(denoising)에 해당 알고리즘을 적용하여 반복적인 최소화 과정을 통해 이방성 문제를 해결한다.
그런데 이와 같은 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 노이즈 제거(denoising) 기법은 TV 값을 최소화하는 과정에서 디지털 영상의 모서리가 모서리 방향성 결함(edge direction deficiency) 때문에 흩어지는(disintegrate) 문제점을 갖는다.
본 발명이 이루고자 하는 기술적 과제는, TV(total variation) 모델을 적용한 노이즈 제거 기법에 의해 영상의 노이즈를 제거하는 경우 영상에 포함된 모서리를 보존할 수 있는 노이즈 제거 장치 및 방법을 제공함에 있다.
본 발명이 이루고자 하는 다른 기술적 과제는, TV(total variation) 모델을 적용한 노이즈 제거 기법에 의해 영상의 노이즈를 제거하는 경우 영상에 포함된 모서리를 보존할 수 있는 노이즈 제거 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공함에 있다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 노이즈 제거 장치는, 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 상기 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출하는 라플라시안 산출부; 상기 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출하는 우도 함수 산출부; 및 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 상기 입력 영상의 노이즈를 제거하는 노이즈 제거부;를 구비한다.
상기의 기술적 과제를 달성하기 위한, 본 발명에 따른 노이즈 제거 방법은, 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 상기 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출하는 라플라시안 산출단계; 상기 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출하는 우도 함수 산출단계; 및 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 상기 입력 영상의 노이즈를 제거하는 노이즈 제거단계;를 갖는다.
본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법에 의하면, 스플릿 브레그만(split Bregman) 알고리즘을 적용할 때 5번의 반복 이내로 해가 수렴하므로 매우 정교하고 빠르게 노이즈 제거를 수행할 수 있다. 또한 입력 영상에 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 모서리 부분이 흩어지는 현상을 감소시킨다.
도 1은 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치에 대한 바람직한 실시예의 구성을 도시한 블록도,
도 2는 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도,
도 3은 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델과 본 발명의 정량적인 품질(quantitative quality)의 비교를 나타낸 도면, 그리고,
도 4는 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델과 본 발명의 시각적인 품질(visual quality)의 비교를 나타낸 도면이다.
이하에서 첨부된 도면들을 참조하여 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
우선 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치를 설명하기 전에, 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델에 대해 설명하고자 한다.
디지털 영상은 끊임없이 노이즈(noise)로부터 방해를 받는다. 디지털 영상처리에서 입력 영상으로부터 노이즈를 제거하거나 입력 영상을 스무딩(smoothing) 시키는 것은 매우 중요하다. 본 발명에서는 입력 영상에 포함된 노이즈에 가산 영 평균 화이트 가우시안 노이즈 모델(additive zero-mean white Gaussian noise model)을 적용한다. 이는 다음의 수학식 1과 같다.
Figure pat00001
여기서,
Figure pat00002
으로, u는 노이즈가 제거된 결과 영상(original image), f는 노이즈를 포함하는 입력 영상(observed image), v는 가산 영 평균 화이트 가우시안 노이즈(additive zero-mean white Gaussian noise)이다.
비선형 확산 과정(nonlinear diffusion processes)은 입력 영상을 스무딩 하는 동안 입력 영상의 디테일을 보존하기 위해 제안되었다. 확산에 기초한 이러한 방법은 보통 수렴(convergence)을 위해 많은 반복(iteration)을 요구한다.
스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV(total variation) 모델은 L1-정규화(l1-regularized) 문제를 해결하는데 효과적이다. 실험 결과에 따르면 이 문제를 해결하는데 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV(total variation) 모델은 0.2412초가 소요되는 것으로 조사되었다.
영상에 포함된 노이즈 v는 표준편차가 бv인 영 평균 가우시안 분포(zero mean Gaussian distribution)를 나타낸다. 또한 노이즈 v는 영상 u에 대하여 x,y 각각의 편미분 ▽xu,▽yu 를 갖는다. 각각의 편미분은 표준편차가 бd인 영 평균 라플라스 분포(zero mean Laplace distribution)를 나타낸다.
앞에서 언급한 영 평균 가우시안 분포 및 영 평균 라플라스 분포는 파라미터의 일반적인 가우시안 밀도 함수(parametric generalized Gaussian density function)에 의해서 나타내진다. 이는 다음의 수학식 2와 같다.
Figure pat00003
여기서
Figure pat00004
, Г는 감마 함수(gamma function), 파라미터 μ는 평균(mean), б2 은 분산(variance), p는 모양 파라미터(shape parameter)이다.
수학식 2의 밀도 함수는 p값이 1이면 라플라시안 밀도 함수(Laplacian density function)를, p값이 2인 경우 가우시안 밀도 함수(Gaussian density function)를 나타낸다.
u는 우도 함수(likelihood function)가 최대 값을 갖는 경우이다. 우도 함수는 다음의 수학식 3에 의해 산출된다.
Figure pat00005
음의 로그-우도(minus log likelihood)의 최소값은 다음의 수학식 4에 의해 산출된다.
Figure pat00006
여기서,
Figure pat00007
이다. 또한 수학식 4는 TV(total variation)모델을 나타낸다. TV 모델에 의한 노이즈 제거는 스플릿 브레그만(split Bregman) 알고리즘을 통해 다음의 수학식 5,6 및 7의 세 단계를 거쳐서 반복적으로 음의 로그-우도를 최소화하는 해를 산출함으로써 이루어진다.
Figure pat00008
Figure pat00009
Figure pat00010
여기서, u0=f, λ는 페널티 함수(penalty function) 파라미터,
Figure pat00011
이다. 수학식 6의 최적의 상태를 위한 가우스-세이델 솔루션(Gauss-Seidel solution)은 다음의 수학식 8과 같다.
Figure pat00012
여기서, △는 대각선 방향을 고려하지 않은 이산 라플라스 연산자(discrete Laplace operator)이다. 수학식 8에서 모서리 방향성 결함은 모서리 흩어짐 현상을 유도한다. 흩어진 모서리는 스테어케이싱(staircasing) 현상을 유도하고, 영상은 그림처럼 보이게 된다.
이를 해결하기 위해 본 발명은 스플릿 브레그만(split Bregman) 알고리즘에 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려한 지역 방향성 라플라시안을 산출하여 수학식 8에 적용한다.
도 1은 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치에 대한 바람직한 실시예의 구성을 도시한 블록도이다.
도 1을 참조하면, 노이즈 제거 장치는 라플라시안 산출부(110), 우도 함수 산출부(120) 및 노이즈 제거부(130)를 구비한다.
라플라시안 산출부(110)는 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출한다.
라플라시안 산출부(110)는 모서리 방향성을 부여하기 위해서 반복에 있어서 라플라시안을 지역 방향성 라플라시안(local oriented Laplacian)으로 대체한다. 방향성은 영상의 스트럭쳐 텐서(structure tensor)로부터 도출된다. 디푸젼 텐서(Diffusion tensor)는 이웃하는 화소 각 방향으로의 흐름을 포함한다. 지역 방향성 라플라시안은 디푸젼 텐서(diffusion tensor)에 의해 방향 지어진 작은 컨벌루션(convolution)이다.
대각선 방향을 포함하는 대략적인 이산 지역 방향성 라플라시안 연산자는 3 x 3 커넬 컨벌루션(kernel convolution)으로 주어질 수 있고, 커넬(kernel)에서 중심 화소를 기준으로 8방향의 이웃 화소는 집합 X의 구성요소이다. 이 경우 입력 영상으로부터 노이즈가 제거된 결과 영상 u의 각 화소에 대한 라플라시안은 다음의 수학식 9로 정의된다.
Figure pat00013
여기서, △는 대각선 방향을 고려하지 않은 이산 라플라스 연산자,
Figure pat00014
는 상기 8개의 이웃 화소와의 방향성을 나타내는 벡터값,
Figure pat00015
는
Figure pat00016
방향으로의 이동 연산자(shift operator),
Figure pat00017
는 입력 영상의 각 화소와의 컨벌루션(convolution)을 위한 커넬(kernel)에서
Figure pat00018
방향에 대응하는 커넬 값을 나타낸다.
또한 여기서,
Figure pat00019
,
Figure pat00020
으로 정의된다. 이에 따라
Figure pat00021
이 된다.
c=d-b의 이산 라플라시안은 다음의 수학식 10과 같다.
Figure pat00022
여기서, 연산자
Figure pat00023
는
Figure pat00024
방향으로의 차분 연산자(difference operator)이다.
우도 함수 산출부(120)는 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출한다. 우도 함수는 앞에서 설명한 수학식 3에 의해 산출된다.
노이즈 제거부(130)는 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 입력 영상의 노이즈를 제거한다.
노이즈 제거부(130)는 다음의 수학식 11에 의해 노이즈가 제거된 최종 결과 영상 u를 산출한다.
Figure pat00025
여기서,
Figure pat00026
,
Figure pat00027
는 커넬(kernel)의 중심 값, 연산자
Figure pat00028
는
Figure pat00029
방향으로의 차분 연산자(difference operator),
Figure pat00030
는
Figure pat00031
방향으로의 이동 연산자(shift operator), 는 입력 영상의 각 화소와의 컨벌루션(convolution)을 위한 커넬(kernel)에서
Figure pat00033
방향에 위치한 커넬 값, λ는 페널티 함수(penalty function) 파라미터, f는 노이즈를 포함하는 입력 영상(observed image) 및 파라미터 μ는 평균(mean)을 나타낸다.
노이즈 제거부(130)는 앞에서 설명한 수학식 11을 순차적으로 반복하여 최적화된 u값을 산출하고, 이를 통해 노이즈가 제거된 결과 영상을 얻는다.
도 2는 본 발명에 따른 방향성을 고려한 라플라시안을 이용한 노이즈 제거 방법에 대한 바람직한 실시예의 수행과정을 도시한 흐름도이다.
먼저 라플라시안 산출부(110)는 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출한다(S210).
그 다음으로 우도 함수 산출부(120)는 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출한다(S220).
마지막으로 노이즈 제거부(130)는 스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 입력 영상의 노이즈를 제거한다(S230).
본 발명의 성능을 평가하기 위한 실험을 수행하였다. 실험에서는 본 발명과 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델의 정량적인 품질(quantitative quality)과 시각적인 품질(visual quality)을 비교하였다.
도 3은 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델과 본 발명의 정량적인 품질(quantitative quality)의 비교를 나타낸 도면이다.
표준편차 бv, бd는 추정에 의해 부여되고 파라미터 λ는 1/бv 이다. 테스트 영상들은 표준 편차 범위가 15에서 35인 가산 영 평균 화이트 가우시안 노이즈(additive zero-mean white Gaussian noise)를 갖는다.
도 3을 참조하면, 본 발명은 강화된 부분(enhanced region)에 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델보다 약 1dB 정도 더 나은 결과를 나타낸다.
도 4는 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델과 본 발명의 시각적인 품질(visual quality)의 비교를 나타낸 도면이다.
도 4를 참조하면, (a)는 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델을 통해 얻어진 결과 영상, (b)는 본 발명에 의해 얻어진 결과 영상, (c)는 스플릿 브레그만(split Bregman) 알고리즘을 이용한 TV 모델을 통해 얻어진 결과 영상의 부분을 확대한 영상 및 (d)는 본 발명에 의해 얻어진 결과 영상의 부분을 확대한 영상이다.
(a)영상과 (b)영상을 비교하면 전체적으로 노이즈가 제거되어 선명해 졌음을 알 수 있다. 또한 (c)영상과 (d)영상을 비교하면 모서리의 외형과 스테어케이싱(staircasing) 현상이 개선되었음을 알 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
이상에서 본 발명의 바람직한 실시예에 대해 도시하고 설명하였으나, 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

Claims (7)

  1. 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 상기 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출하는 라플라시안 산출부;
    상기 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출하는 우도 함수 산출부; 및
    스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 상기 입력 영상의 노이즈를 제거하는 노이즈 제거부;를 포함하는 것을 특징으로 하는 노이즈 제거 장치.
  2. 제 1항에 있어서,
    라플라시안 산출부에 의해 산출되는 상기 지역 방향성 라플라시안은 하기 수학식에 의해 산출되는 것을 특징으로 하는 노이즈 제거 장치:
    Figure pat00034

    여기서, u는 상기 입력 영상으로부터 노이즈가 제거된 결과 영상의 각 화소, △는 대각선 방향을 고려하지 않은 이산 라플라스 연산자,
    Figure pat00035
    는 상기 8개의 이웃화소와의 방향성을 나타내는 벡터값,
    Figure pat00036
    는
    Figure pat00037
    방향으로의 이동 연산자(shift operator),
    Figure pat00038
    는 상기 입력 영상의 각 화소와의 컨벌루션(convolution)을 위한 커넬(kernel)에서
    Figure pat00039
    방향에 대응하는 커넬 값이다.
  3. 제 1항에 있어서,
    라플라시안 산출부에 의해 산출되는 상기 지역 방향성 라플라시안에는 상기 입력 영상의 각 화소를 중심으로 하는 8개의 이웃 화소와의 방향성이 포함된 것을 특징으로 하는 노이즈 제거 장치.
  4. 가우시안 밀도 분포를 가지는 노이즈가 포함된 입력 영상에 대하여 상기 입력 영상의 각 화소와 이웃하는 화소 사이의 방향성을 고려하는 지역 방향성 라플라시안을 산출하는 라플라시안 산출단계;
    상기 산출된 지역 방향성 라플라시안을 적용하여 우도 함수(likelihood function)를 산출하는 우도 함수 산출단계; 및
    스플릿 브레그만(split Bregman) 알고리즘에 의해 음의 로그-우도(minus log likelihood)를 최소화하는 해를 반복적으로 산출하는 TV(Total Variation) 모델을 적용하여 상기 입력 영상의 노이즈를 제거하는 노이즈 제거단계;를 포함하는 것을 특징으로 하는 노이즈 제거 방법.
  5. 제 4항에 있어서,
    라플라시안 산출단계에서 산출되는 상기 지역 방향성 라플라시안은 하기 수학식에 의해 산출되는 것을 특징으로 하는 노이즈 제거 방법:
    Figure pat00040

    여기서, u는 상기 입력 영상으로부터 노이즈가 제거된 결과 영상의 각 화소, △는 대각선 방향을 고려하지 않은 이산 라플라스 연산자,
    Figure pat00041
    는 상기 8개의 이웃화소와의 방향성을 나타내는 벡터값,
    Figure pat00042
    는
    Figure pat00043
    방향으로의 이동 연산자(shift operator),
    Figure pat00044
    는 상기 입력 영상의 각 화소와의 컨벌루션(convolution)을 위한 커넬(kernel)에서
    Figure pat00045
    방향에 대응하는 커넬 값이다.
  6. 제 4항에 있어서,
    라플라시안 산출단계에서 산출되는 상기 지역 방향성 라플라시안에는 상기 입력 영상의 각 화소를 중심으로 하는 8개의 이웃 화소와의 방향성이 포함된 것을 특징으로 하는 노이즈 제거 방법.
  7. 제 4항 내지 제 6항 중 어느 한 항에 기재된 노이즈 제거 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020120009343A 2012-01-31 2012-01-31 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법 KR20130088238A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120009343A KR20130088238A (ko) 2012-01-31 2012-01-31 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120009343A KR20130088238A (ko) 2012-01-31 2012-01-31 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20130088238A true KR20130088238A (ko) 2013-08-08

Family

ID=49214600

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120009343A KR20130088238A (ko) 2012-01-31 2012-01-31 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20130088238A (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036473A (zh) * 2014-05-30 2014-09-10 南京邮电大学 基于分裂Bregman迭代的快速鲁棒图像运动去模糊方法
CN105844699A (zh) * 2016-03-15 2016-08-10 北京工商大学 基于复合正则化技术的荧光显微图像三维重建方法及系统
CN107369139A (zh) * 2017-06-27 2017-11-21 五邑大学 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036473A (zh) * 2014-05-30 2014-09-10 南京邮电大学 基于分裂Bregman迭代的快速鲁棒图像运动去模糊方法
CN105844699A (zh) * 2016-03-15 2016-08-10 北京工商大学 基于复合正则化技术的荧光显微图像三维重建方法及系统
CN105844699B (zh) * 2016-03-15 2018-08-17 北京工商大学 基于复合正则化技术的荧光显微图像三维重建方法及系统
CN107369139A (zh) * 2017-06-27 2017-11-21 五邑大学 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法
CN107369139B (zh) * 2017-06-27 2020-08-14 五邑大学 一种基于混合数据拟合与加权全变差的噪声图像去模糊方法

Similar Documents

Publication Publication Date Title
CN103942758B (zh) 基于多尺度融合的暗通道先验图像去雾方法
US8965141B2 (en) Image filtering based on structural information
US20150312495A1 (en) Wavelet denoising of fringe image
CN104392418B (zh) 基于各向异性扩散的图像平滑改进算法
WO2022016326A1 (zh) 图像处理方法、电子设备和计算机可读介质
Rahman et al. Gaussian noise reduction in digital images using a modified fuzzy filter
Yang et al. An adaptive parameter estimation for guided filter based image deconvolution
Gong et al. Quarter Laplacian filter for edge aware image processing
WO2018233167A1 (zh) 机织物疵点分割方法
US10229479B2 (en) Image signal processing apparatus, image signal processing method and image signal processing program
KR20130088238A (ko) 방향성을 고려한 라플라시안을 이용한 노이즈 제거 장치 및 방법
US8983187B2 (en) Systems and methods for performing edge enhancement in digital images
El Hassani et al. Efficient image denoising method based on mathematical morphology reconstruction and the Non-Local Means filter for the MRI of the head
Ziou et al. Reducing aliasing in images: a PDE-based diffusion revisited
CN116993609A (zh) 一种图像降噪方法、装置、设备及介质
Lee et al. Image deblurring based on the estimation of PSF parameters and the post-processing
Calderón et al. Dewaff: A novel image abstraction approach to improve the performance of a cell tracking system
CN114648469B (zh) 视频图像去噪方法及其系统、设备和存储介质
CN112785520B (zh) Ct图像伪影去除方法
KR101776501B1 (ko) 비국부 평균 알고리즘을 이용한 영상 잡음 제거 장치 및 방법
CN114519675A (zh) 图像处理方法、装置、电子设备及可读存储介质
CN111833271A (zh) 一种快速有效的镜面高光图像增强方法、装置及存储介质
Phan et al. Edge coherence-weighted second-order variational model for image denoising
RU2680754C2 (ru) Способ повышения резкости цифрового изображения
Prasath et al. Feature preserving anisotropic diffusion for image restoration

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application
J301 Trial decision

Free format text: TRIAL DECISION FOR APPEAL AGAINST DECISION TO DECLINE REFUSAL REQUESTED 20140630

Effective date: 20141111