[논문 리뷰] A Class of LULU Operators on Multi-Dimensional Arrays

Roumen Anguelov, Inger Plaskitt|ArXiv.org|2007. 12. 18.

Mathematical Analysis and Transform Methods참고 문헌 12인용 수 6

한 줄 요약

이 논문은 원래 일차원 수열에 대해 정의된 LULU 연산자를 형태학적 연결 프레임워크를 사용하여 다차원 배열로 확장한다. 확장된 연산자가 분리성, 등幂성, 공등幂성, 총 변동량 보존성과 같은 핵심 성질을 유지함을 증명하며, 이는 이미지에 대한 총 변동량 보존형 이산 펄스 분해를 가능하게 하여 노이즈 제거 및 부분 재구성에 의한 특징 추출을 가능하게 한다.

ABSTRACT

The LULU operators for sequences are extended to multi-dimensional arrays via the morphological concept of connection in a way which preserves their essential properties, e.g. they are separators and form a four element fully ordered semi-group. The power of the operators is demonstrated by deriving a total variation preserving discrete pulse decomposition of images.

연구 동기 및 목표

• 일차원 수열에서 다차원 배열로 LULU 연산자를 일반화하면서도 그 핵심 수학적 성질을 유지하는 것.
• 확장된 연산자가 높은 차원에서 분리자로서 유지됨을 보장하며, 등幂성과 공등幂성을 유지하는 것.
• 2차원 배열에서 총 변동량이 보존됨을 보여주어, 이미지를 이산 펄스로 노이즈 없는 분해가 가능하게 하는 것.
• 이론을 노이즈 제거 및 펄스 성분의 부분 재구성을 통한 특징 추출과 같은 이미지 처리 작업에 적용하는 것.

제안 방법

• Z^d에서 강화된 형태학적 연결 개념을 사용하여 LULU 연산자를 정의하고, 1차원의 최대-최소 및 최소-최대 연산을 2차원 이웃 영역으로 일반화하는 것.
• 확장된 연산자가 분리자의 다섯 가지 공리(이동에 대한 교환성, 이동 불변성, 양의 동차성, 등幂성, 공등幂성)를 만족함을 증명하는 것.
• L_n 및 U_n의 네 가지 조합이 점별 순서에 대해 완전히 순서가 매겨진 준군을 이룬다는 것을 확립하는 것. 이는 1차원 경우와 유사한 강력한 LULU 구조를 유지함을 의미한다.
• 함수 f ∈ BV(Z^2)에 대해 TV(f) = TV(L_n(f)) + TV((id - L_n)(f)) 를 보여줌으로써 총 변동량 보존성을 입증하는 것.
• 총 변동량 보존 성질을 활용하여 이미지를 국소 최대값 펄스들의 합으로 이뤄진 이산 펄스 분해를 유도하는 것.
• 특정 크기 범위의 펄스만 선택하여 부분 재구성을 통해 노이즈 제거 또는 특징 추출을 수행하는 것. 이는 노이즈와 구조적 이미지 간의 펄스 크기 분포의 차이를 활용한다.

실험 결과

연구 질문

• RQ1 LULU 연산자 프레임워크는 1차원 수열에서 2차원 배열로 일반화될 수 있으며, 그 본질적 성질을 유지할 수 있는가?
• RQ2 Z^2에서 확장된 LULU 연산자는 1차원 경우와 동일한 공리들에 따라 여전히 분리자로 유지되는가?
• RQ3 2차원 이미지의 총 변동량이 확장된 LULU 연산자 및 그 조합에 의해 보존되는가?
• RQ4 이 연산자를 사용한 2차원 이미지의 이산 펄스 분해는 효과적인 노이즈 제거 및 특징 추출에 활용될 수 있는가?

주요 결과

• Z^d에서 확장된 LULU 연산자는 분리자의 다섯 가지 공리, 즉 등幂성과 공등幂성을 모두 만족하여 안정성과 필터링 성질을 보장한다.
• Z^2에서 L_n 및 U_n의 네 가지 조합은 점별 순서에 대해 완전히 순서가 매겨진 준군을 이룬다. 이는 1차원 경우와 동일한 강력한 LULU 구조를 유지함을 의미한다.
• 연산자가 총 변동량을 보존한다: 모든 f ∈ BV(Z^2)에 대해 TV(f) = TV(L_n(f)) + TV((id - L_n)(f)) 이다. 이는 분해 과정에서 인위적 노이즈가 유입되지 않음을 의미한다.
• 이미지의 이산 펄스 분해가 국소 최대값 펄스들로 이루어지며, 총 변동량을 보존한다. 이는 분해에 포함된 모든 펄스에 대해 TV(f) = ΣΣ TV(ϕ_ks) 라는 등식으로 입증된다.
• 임의의 노이즈는 주로 작은 크기의 펄스(90% ≤ 크기 20)를 생성하며, 이는 작은 펄스를 걸러내는 것으로 효과적인 노이즈 제거가 가능함을 의미한다. 반면 자연 이미지에는 상당수의 큰 크기의 펄스가 포함되어 있다.
• 특정 크기 범위의 펄스들(예: 큰 펄스들)만을 사용하여 부분 재구성을 수행함으로써 주로 구조적 특징을 성공적으로 추출할 수 있으며, 이는 해안 이미지에서 노이즈, 작은 특징, 큰 특징이 명확하게 분할되는 것으로 확인되었다.