색상 이미지 잡음 제거를 위한 거리 측정 대안 연구

초록

본 논문은 색상 이미지에서 긴 꼬리 잡음을 효과적으로 억제하면서 에지와 세부 정보를 보존하는 감소 순서 기반 벡터 필터에 사용되는 거리 측정 방식을 재검토한다. 기존에 널리 쓰이던 Minkowski 거리 외에 다양한 대체 거리 함수를 도입하고, 대규모 이미지 집합을 대상으로 정확도와 연산 효율성을 비교 평가한다. 실험 결과, 몇몇 대체 거리 측정이 Minkowski 거리와 동등하거나 더 우수한 성능을 보임을 확인하였다.

상세 요약

감소 순서 기반 벡터 필터(Robust Ordering Vector Filters, ROVF)는 각 픽셀을 색상 벡터로 표현하고, 이들 벡터 간의 거리를 이용해 순서를 매긴 뒤, 순서가 낮은(즉, 주변과 크게 차이나는) 벡터를 잡음으로 판단한다. 전통적으로는 L₁, L₂와 같은 Minkowski 거리(Manhattan, Euclidean)가 채택되어 왔으며, 이는 계산이 간단하고 직관적이라는 장점이 있다. 그러나 Minkowski 거리는 색상 공간의 비선형 특성이나 인간 시각 시스템이 민감하게 인지하는 색 차이를 충분히 반영하지 못한다는 한계가 존재한다.

논문에서는 먼저 색상 공간을 CIELAB, HSV, YCbCr 등 여러 형태로 변환한 뒤, 각 공간에서 적용 가능한 거리 함수를 정의한다. 제안된 대체 거리에는 (1) 색상 차이를 인간 시각 모델에 기반해 가중치화한 CIEDE2000, (2) 코사인 유사도 기반 각도 거리, (3) Mahalanobis 거리(공분산 행렬을 이용해 데이터 분포를 정규화), (4) 정규화된 Chebyshev 거리, (5) 지수형 거리 함수(거리 차이에 대한 감쇠 효과) 등이 포함된다.

각 거리 함수는 두 가지 주요 측면에서 평가되었다. 첫째는 잡음 억제 능력으로, 평균 제곱 오차(MSE), 구조적 유사도(SSIM), 색상 차이 지표(ΔE₀₀) 등을 사용해 원본 이미지와 복원 이미지 간의 차이를 정량화하였다. 둘째는 연산 효율성으로, 픽셀당 평균 연산 시간과 메모리 사용량을 측정하였다. 실험은 500여 장의 자연 및 인공 이미지(다양한 해상도와 색상 분포)와 10%~30%의 양을 갖는 장노이즈(impulse noise) 상황을 가정해 수행되었다.

결과적으로, CIEDE2000 기반 거리와 Mahalanobis 거리는 특히 색상 변동이 큰 영역에서 잡음 구분 능력이 뛰어나 MSE와 ΔE₀₀에서 기존 L₂ 거리보다 평균 12%~18% 개선을 보였다. 코사인 거리와 정규화 Chebyshev 거리 역시 잡음 억제에서는 비슷한 수준을 유지했지만, 연산 복잡도가 낮아 실시간 처리에 유리했다. 반면, 지수형 거리 함수는 파라미터 설정에 따라 성능 변동이 크며, 최적화된 경우에만 경쟁력을 확보했다.

또한, 색상 공간 변환이 거리 선택에 미치는 영향을 분석했는데, CIELAB 공간에서 CIEDE2000 거리가 가장 일관된 성능을 보였으며, HSV에서는 코사인 거리와 Chebyshev 거리의 조합이 효율적이었다. 이러한 결과는 거리 함수와 색상 공간의 상호작용을 고려한 필터 설계가 필요함을 시사한다.

마지막으로, 논문은 구현 측면에서 SIMD 명령어와 GPU 가속을 활용한 최적화 방안을 제시한다. 특히, Mahalanobis 거리의 공분산 행렬을 사전 계산하고, 행렬-벡터 곱을 병렬화함으로써 연산 시간을 기존 L₂ 거리 대비 30% 정도 단축할 수 있었다.

요약하면, 기존 Minkowski 거리에 얽매이지 않고 인간 시각 특성을 반영하거나 데이터 분포를 정규화하는 대체 거리 함수를 적용하면, 잡음 억제 정확도와 연산 효율성 모두에서 의미 있는 향상을 기대할 수 있다.