[論文レビュー] Image representation and denoising using squared eigenfunctions of Schrodinger operator

Zineb Kaisserli, Taous‐Meriem Laleg‐Kirati|arXiv (Cornell University)|Sep 12, 2014

Image and Signal Denoising Methods参考文献 25被引用数 5

ひとこと要約

本稿は、2次元シュレーディンガー作用素の二乗L²正規化固有関数を、変数分離を用いて得ることで、2次元画像表現およびノイズ除去にための半古典的信号解析（SCSA）手法を拡張する。半古典的パラメータhを調整することにより、正確な画像再構成と効果的なノイズ除去を達成し、最適な性能はh ≈ 1.65で得られ、高ノイズレベル（例：σ=100のとき24.4 dBのPSNR）において、TV法やK-SVD法を上回るPSNRおよびSSIMを達成する。

ABSTRACT

This paper extends to two dimensions the recent signal analysis method based on the semi-classical analysis of the Schrodinger operator. The generalization uses the separation of variables technique when writing the eigenfunctions of the Schrodinger operator. The algorithm is described and the effect of some parameters on the convergence of this method are numerically studied. Some examples on image reconstruction and denosing are illustrated.

研究の動機と目的

• 1次元半古典的信号解析（SCSA）手法を2次元画像処理への応用を拡張し、表現およびノイズ除去を目的とする。
• 量子力学的固有関数から導かれる局所的で物理的に意味のある基底関数を用いた、画像の再構成およびノイズ除去の課題に取り組む。
• 半古典的パラメータhを0に近づける際の2次元SCSA法の収束性を調査する。
• 高ノイズ条件下におけるエッジやテクスチャなどの画像特徴を保持する能力を評価する。
• PSNRおよびSSIM指標に基づき、提案されたSCSAに基づくノイズ除去手法を、Total Variation法やK-SVD法といった最先端手法と比較する。

提案手法

• シュレーディンガー作用素に変数分離を適用することで、1次元SCSAフレームワークを2次元に拡張し、2次元固有関数を1次元固有関数のテンソル積に分解する。
• 画像を2次元シュレーディンガー作用素 H_h = -h²(∂²/∂x² + ∂²/∂y²) - V(x,y) のポテンシャル関数V(x,y)として表現し、hを半古典的パラメータとする。
• 画像再構成に式 V_{h,γ,λ}(x,y) = [sum over k of (λ - μ_{k,h})^γ ψ_{k,h}^2(x)ψ_{k,h}^2(y)]^{2/(1+2γ)} を用いる。
• 両方向に対して独立に、1次元シュレーディンガー作用素の離散固有値スペクトル（スツルム＝リウヴィル問題の数値解法により計算）を用いる。
• 負の固有値の大きさに基づくしきい値処理戦略を採用し、再構成およびノイズ除去に最も顕著な固有関数のみを選択する。
• MSE、PSNR、MSSIMを評価指標として用い、数値実験を通じて半古典的パラメータhを最適化する。

実験結果

リサーチクエスチョン

• RQ1 1次元SCSA手法は、変数分離を用いることで、2次元画像処理に成功裏に拡張可能か？
• RQ2 半古典的パラメータh → 0 のとき、2次元SCSA再構成の収束性はどのように振る舞うか？
• RQ3 高ノイズレベル下での画像ノイズ除去に最適な半古典的パラメータhの値は何か？
• RQ4 SCSAに基づくノイズ除去手法は、Total Variation法やK-SVD法といった既存手法と比較して、画像品質をどの程度維持できるか？
• RQ5 ノイズ除去の過程で、エッジやテクスチャといった微細な画像構造は、どの程度保持されるか？

主な発見

• 2次元SCSA法は、半古典的パラメータhが0に近づく極限で正確な画像再構成を達成し、収束性は解析的に証明されている。
• σ = 75の場合、Lena画像のノイズ除去に最適なh値は1.65であり、PSNRは25.70 dB、MSSIMは0.5563を達成した。
• σ = 100の場合、提案手法はPSNR 24.4 dB、SSIM 0.971を達成し、Total Variation法（22.8 dB、0.678）およびK-SVD法（21.5 dB、0.559）を上回った。
• 視覚的検証およびズーム比較により、ノイズ除去後の画像が、競合手法に比べてテクスチャやエッジの詳細をよりよく保持していることが確認された。
• 高ノイズレベル下でも、ノイズ除去後の画像のヒストограмが元の画像に非常に近づき、歪みを伴わずに効果的なノイズ抑制が行われていることが示された。
• σ = 100でMSSIM > 0.97を維持しており、加法的白色ガウスノイズの高レベルに対しても、高い耐性を示している。