[논문 리뷰] Image representation and denoising using squared eigenfunctions of Schrodinger operator

Zineb Kaisserli, Taous‐Meriem Laleg‐Kirati|arXiv (Cornell University)|2014. 09. 12.

Image and Signal Denoising Methods참고 문헌 25인용 수 5

한 줄 요약

이 논문은 2차원 슈뢰딩거 연산자의 제곱 L²-정규화된 고유함수를 분리 변수 기법을 통해 활용하여, 반고전 신호 분석(Semi-Classical Signal Analysis, SCSA) 방법을 2차원 이미지 표현 및 노이즈 제거로 확장한다. 반고전적 매개변수 h를 조절함으로써 정확한 이미지 복원과 효과적인 노이즈 제거를 달성하며, 최적 성능은 h ≈ 1.65에서 나타나며, 고노이즈 수준(예: σ=100일 때 24.4 dB PSNR)에서 TV 및 K-SVD보다 PSNR 및 SSIM 측면에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 1D 반고전 신호 분석(Semi-Classical Signal Analysis, SCSA) 방법을 2차원 이미지 처리 분야로 확장하여 표현 및 노이즈 제거를 수행하는 것.
• 양자역학적 고유함수에서 유도된 국소적이고 물리적으로 의미 있는 기저 함수를 활용하여 이미지의 복원 및 노이즈 제거에 도전하는 것.
• 반고전적 매개변수 h가 0에 수렴함에 따라 2D SCSA 방법의 수렴성을 조사하는 것.
• 고노이즈 조건 하에서 이미지의 에지 및 텍스처와 같은 특징을 유지하는 데에 이 방법의 효과성을 평가하는 것.
• PSNR 및 SSIM 지표를 기준으로 최신 기법인 총변위(Total Variation) 및 K-SVD와 비교하여 제안된 SCSA 기반 노이즈 제거 접근법의 성능을 평가하는 것.

제안 방법

• 스체로딩거 연산자에 대해 분리 변수 기법을 적용하여 2D 고유함수를 1D 고유함수의 텐서 곱으로 분해함으로써 1D SCSA 프레임워크를 2D로 확장한다.
• 이미지를 반고전적 매개변수 h를 가진 2차원 슈뢰딩거 연산자 H_h = -h²(∂²/∂x² + ∂²/∂y²) - V(x,y)의 잠재력 함수 V(x,y)로 표현한다.
• 이미지를 고유함수와 고유값으로 복원하기 위해 공식 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)} 를 사용한다.
• 양방향에 대해 독립적으로 1D 슈뢰딩거 연산자의 이산 스펙트럼을 수치적으로 풀이한 스투름-리우빌 문제의 해를 활용한다.
• 음의 고유값의 크기를 기반으로 임계값 전략을 적용하여 복원 및 노이즈 제거에 가장 중요한 고유함수만 선택한다.
• MSE, PSNR, MSSIM를 평가 지표로 사용하여 수치 실험을 통해 반고전적 매개변수 h를 최적화한다.

실험 결과

연구 질문

• RQ1 1D SCSA 방법이 분리 변수 기법을 통해 2차원 이미지 처리로 성공적으로 확장될 수 있는가?
• RQ2 반고전적 매개변수 h → 0 일 때 2D SCSA 복원의 수렴성은 어떻게 되는가?
• RQ3 고노이즈 수준에서 이미지 노이즈 제거에 최적의 반고전적 매개변수 h 값은 무엇인가?
• RQ4 SCSA 기반 노이즈 제거 방법은 총변위 및 K-SVD와 같은 기존 기법과 비교하여 이미지 품질 유지에 얼마나 효과적인가?
• RQ5 노이즈 제거 과정에서 이 방법은 에지 및 텍스처와 같은 미세한 이미지 구조를 얼마나 잘 유지하는가?

주요 결과

• 반고전적 매개변수 h가 0에 수렴함에 따라 2D SCSA 방법은 정확한 이미지 복원을 달성하며, 이는 분석적으로 증명된 바 있다.
• σ = 75일 때 레나 이미지의 최적 노이즈 제거 h 값은 1.65이며, 이로 인해 PSNR는 25.70 dB, MSSIM는 0.5563을 기록한다.
• σ = 100일 때 제안된 방법은 PSNR 24.4 dB, SSIM 0.971을 달성하여 총변위(22.8 dB, 0.678) 및 K-SVD(21.5 dB, 0.559)를 모두 초월한다.
• 시각적 검토 및 확대 비교를 통해 노이즈 제거 이미지가 경계 및 텍스처 세부 정보를 경쟁 기법보다 더 잘 유지하는 것으로 확인되었다.
• 고노이즈 수준에서도 노이즈 제거 이미지의 히스토그램이 원본과 매우 유사하여, 왜곡 없이 효과적인 노이즈 억제가 이루어졌음을 시사한다.
• σ = 100일 때조차도 고구조 유사도(MSSIM > 0.97)를 유지하여, 추가 백색 가우시안 노이즈에 대한 뛰어난 강건성을 입증한다.