[논문 리뷰] SAR Image Despeckling Algorithms using Stochastic Distances and Nonlocal Means

Leonardo Torres, Alejandro C. Frery|arXiv (Cornell University)|2013. 08. 20.

Image and Signal Denoising Methods참고 문헌 3인용 수 10

한 줄 요약

이 논문은 정보 이론에서 유래한 확률적 거리(stochastic distance)를 사용하여 감마 노이즈 모델 하에서 유사한 픽셀을 선택하는 두 가지 SAR 이미지 디스펙클링 필터—스토케스틱 디스턴스 나가오-마츠요마(SDNM) 및 스토케스틱 디스턴스 비국소 평균(SDNLM)—을 제안한다. SDNLM 필터는 개선된 시그마 필터와 SRAD보다 가장 뛰어난 에지 보존 능력과 품질 지표를 확보하며, 실제 데이터에서 BRISQUE 지수 37.384를 기록하여 뛰어난 주관적 품질을 나타낸다.

ABSTRACT

This paper presents two approaches for filter design based on stochastic distances for intensity speckle reduction. A window is defined around each pixel, overlapping samples are compared and only those which pass a goodness-of-fit test are used to compute the filtered value. The tests stem from stochastic divergences within the Information Theory framework. The technique is applied to intensity Synthetic Aperture Radar (SAR) data with homogeneous regions using the Gamma model. The first approach uses a Nagao-Matsuyama-type procedure for setting the overlapping samples, and the second uses the nonlocal method. The proposals are compared with the Improved Sigma filter and with anisotropic diffusion for speckled data (SRAD) using a protocol based on Monte Carlo simulation. Among the criteria used to quantify the quality of filters, we employ the equivalent number of looks, and line and edge preservation. Moreover, we also assessed the filters by the Universal Image Quality Index and by the Pearson correlation between edges. Applications to real images are also discussed. The proposed methods show good results.

연구 동기 및 목표

• SAR 영상에서의 스펙클 노이즈가 영상 품질을 떨어뜨리고 해석, 분할, 분류를 어렵게 하므로 이를 해결하고자 한다.
• 기존 필터(예: 개선된 시그마 필터 및 SRAD)의 한계를 극복하고, 스펙클을 감소시키면서도 에지를 보존하고 세부 구조를 유지하는 필터를 개발하고자 한다.
• 감마 분포를 따르는 스펙클 노이즈 모델 하에서 정보 이론의 확률적 거리를 활용하여 영상 패치 간 유사도 평가를 향상시키고자 한다.
• 모의 데이터(참값이 있는 경우)와 실제 SAR 영상 양쪽 모두를 대상으로 평가하여 다양한 상황에서의 강건성을 확보하고자 한다.
• 최신 기술 대비 제안된 방법이 에지 보존 능력과 주관적 품질 측면에서 뛰어난 성능을 보임을 입증하고자 한다.

제안 방법

• SDNM 필터는 각 픽셀 주변의 겹치는 윈도우를 정의하기 위해 나가오-마츠요마 유형의 이웃 구조를 사용한다.
• 각 픽셀에 대해, 강도 분포 간의 적합도 검정을 기반으로 한 확률적 발산(정보 이론적 거리)을 사용하여 후보 이웃을 평가한다.
• 검정에 통과한 픽셀들만 가중 평균에 포함되어 필터링된 픽셀 값을 계산함으로써 통계적으로 유사한 이웃들만 기여하도록 보장한다.
• SDNLM 필터는 이 접근 방식을 비국소 평균 프레임워크를 활용하여 전체 영상의 패치 간 비교를 수행함으로써 확장한다.
• 확률적 거리는 감마 분포를 가정한 스펙클 노이즈 모델 하에서 쿨백-라이블러 발산에서 유도된다.
• 필터 성능 평가는 100회의 몬테카를로 시뮬레이션을 통해 평가되며, 평가 지표로는 등가 레이크 수(ENL), 선 및 에지 보존 능력, 유니버설 이미지 품질 지수(UQI)가 포함된다.

실험 결과

연구 질문

• RQ1 정보 이론에서 유도된 확률적 거리 기반 접근이 기존 방법 대비 SAR 영상에서 스펙클 필터링 성능을 향상시킬 수 있는가?
• RQ2 제안된 비국소 평균 기반 필터(SDNLM)가 개선된 시그마 필터 및 SRAD보다 에지 및 세부 구조 보존 능력에서 뛰어나게 작동하는가?
• RQ3 참값이 없는 실제 SAR 데이터에서 ENL 및 주관적 품질 측면에서 필터 성능은 어떠한가?
• RQ4 기존 최신 기술 대비 제안된 필터의 스펙클 감소와 세부 구조 보존 간의 상호 교환 관계는 어떠한가?
• RQ5 확률적 발산 기반의 적합도 검정을 통해 고정된 이웃 구조나 고정 임계값 방식보다 더 강건하고 적응형 필터링이 가능할 수 있는가?

주요 결과

• 실제 SAR 데이터에서 SDNLM 필터는 가장 높은 BRISQUE 지수 37.384를 기록하여 개선된 시그마 필터(49.239), SRAD(39.235), SDNM(39.164) 필터보다 뛰어난 주관적 품질을 보였다.
• 모의 데이터에서 SDNLM는 세 번째 시뮬레이션에서 ENL 66.485, 표준편차 19.580를 기록했으며, 에지 보존 및 상관관계 지표에서 개선된 시그마 필터(90.238)를 초월했다.
• 세 번째 시뮬레이션에서 SDNLM는 참값 에지 맵과 0.899의 피어슨 상관계수를 기록하여 강력한 에지 보존 능력을 입증했다.
• 두 번째 시뮬레이션에서 SDNLM는 Q 지수 0.845와 βρ 지수 0.845를 기록했으며, 개선된 시그마 필터(각각 Q: 0.784, βρ: 0.784)보다 에지 상관관계 및 영상 품질 측면에서 뛰어났다.
• 세 번째 시뮬레이션에서 SDNLM는 에지 기울기 및 분산 측정 기준으로 개선된 시그마 필터 대비 25% 향상된 에지 보존 능력을 확보했다.
• 실제 데이터에서 SDNLM는 ENL 4.539를 기록했으며, 개선된 시그마 필터(4.581)보다 略로 낮았지만, 주관적 품질(BRISQUE) 및 에지 상관관계 측면에서 뚜렷이 뛰어나 노이즈 감소와 세부 구조 유지 간 더 균형 잡힌 성능을 보였다.