Journal of the Institute of Electronics Engineers of Korea SP (대한전자공학회논문지SP)

The Institute of Electronics and Information Engineers (대한전자공학회)
권호 표지

Region Growing Based Variable Window Size Decision Algorithm for Image Denoising

영상 잡음 제거를 위한 영역 확장 기반 가변 윈도우 크기 결정 알고리즘

  • 엄일규 (밀양대학교 정보통신공학과) ;
  • 김유신 (부산대학교 컴퓨터 및 정보통신연구소)
  • Published : 2004.09.01
Download PDF
⟨ Previous Next ⟩

Abstract

It is essential to know the information about the prior model for wavelet coefficients, the probability distribution of noise, and the variance of wavelet coefficients for noise reduction using Bayesian estimation in wavelet domain. In general denoising methods, the signal variance is estimated from the proper prior model for wavelet coefficients. In this paper, we propose a variable window size decision algorithm to estimate signal variance according to image region. Simulation results shows the proposed method have better PSNRs than those of the state of art denoising methods.

웨이블릿 영역에서 Bayesian 추정법을 이용한 잡음 제거를 위해서는 웨이블릿 계수의 prior 모델, 잡음의 확률분포, 웨이블릿 계수에 대한 분산 등의 정보가 필요하다. 잡음 제거의 일반적인 방법은 웨이블릿 계수에 대한 적절한 prior 모델을 설정하고 이에 대한 신호의 분산을 추정하는 것이다. 본 논문에서는 영역 확장 방법을 사용하여 영상의 영역에 따라 분산을 추정하기 위한 창의 크기를 결정하는 방법을 제안한다. 이웃 계수의 범위는 동질성 척도를 정의하여 가장 작은 영역부터 영역을 확장하는 방법을 사용한다. 결정된 가변 이웃 영역을 사용하여 원 신호의 분산을 결정하고 이를 이용하여 웨이블릿 영역에서 Bayesian 추정법을 사용하여 영상의 잡음을 제거한다. 실험 결과를 통하여 제안 방법이 기존의 방법보다 높은 PSNR을 나타냄을 보여 준다.

Keywords

References

  1. M. K. Mihcak, I. Kozintsev, K. Ramchandran, and P. Moulin, 'Low-complexity image denoising based on statistical modeling of wavelet coefficients,' IEEE Signal Processing Letters, vol. 6, pp. 300-303, 1999 https://doi.org/10.1109/97.803428
  2. S. G. Chang, B. Yu, and M. Vetterli, 'Spatially adaptive wavelet thresholding with context modeling for image denoising,' IEEE Trans. Image Processing, vol.9, pp.1522-1531, 2000 https://doi.org/10.1109/83.862630
  3. M. K. Mihcak, I. Kozintsev, K. Ramchandran, 'Spatially Adaptive statistical Modeling of Wavelet Image Coefficients and Its Application to Denosing,' Proc. IEEE Int. Conf. Acous., Speech and Signal Processing, vol.6, pp. 3253-3256, 1999 https://doi.org/10.1109/ICASSP.1999.757535
  4. M. S. Crouse, R. D. Nowak, and R.G. Baraniuk, 'Wavelet-based statistical signal processing using hidden Markov models,'IEEE Trans. Image Processing, vol.46, pp. 886-902, 1998 https://doi.org/10.1109/78.668544
  5. J. K. Romberg, H. Choi, and R. G. Baraniuk, 'Bayesian tree-structured image modeling using wavelet-domain hidden Markov models,' IEEE. Trans. Image Processing, vol.10, no.7, pp. 1056-1068, 2001 https://doi.org/10.1109/83.931100
  6. H. Choi, J. Romberg, R. Baraniuk, and N. Kingsbury, 'Hidden Markov Tree Modeling of Complex Wavelet Transforms,' Proc. IEEE Int. Conf. Acous., Speech and Signal Processing, Istanbul, Turkey, June, 2000 https://doi.org/10.1109/ICASSP.2000.861889
  7. J. K. Romberg, H. Choi, and R. Baraniuk, 'Bayesian tree structured image modeling using wavelet-domain hidden Markov model, ' Proc. SPIE, vol.3816, pp.31-44, 1999 https://doi.org/10.1117/12.351328
  8. L. Sendur and I. W. Selesnick, 'Bivariate shrinkage with local variance estimation,' IEEE Signal Processing Letters, vol.9, no.12, pp.438-441, 2002 https://doi.org/10.1109/LSP.2002.806054
  9. Z. Cai, T. H. Cheng, C. Lu, and K. R. Subramanian, 'Efficient wavelet based image denoising algorithm,' Electron. Lett., vol. 37, no.11, pp.683-685, 2001 https://doi.org/10.1049/el:20010466