웨이브렛 영역 계수 평활화를 통한 마이크로어레이 잡음 제거

초록

본 논문은 마이크로어레이 이미지의 잡음 제거를 위해, 1단계 2차원 웨이브렛 변환 후 가장 높은 세부 서브밴드(수평·수직·대각선)에서 계수를 평활화하는 새로운 방법(SC)을 제안한다. 기존의 임계값 기반 웨이브렛 방법이 갖는 임계값 선택·다중 레벨 적용의 복잡성을 피하고, 단일 필터(예: 방향성 평활화, 향상된 방향성 평활화)를 적용함으로써 가장자리 보존과 균일 영역의 잡음 감소를 동시에 달성한다. 실험 결과는 19가지 기존 필터와 비교했을 때 AAD, SNR, PSNR, Pratt FOM 등 정량 지표에서 전반적으로 우수함을 보여준다.

상세 분석

이 연구는 마이크로어레이 이미지의 잡음 특성을 고려하여 웨이브렛 도메인에서 “계수 평활화(Smoothing of Coefficients, SC)”라는 새로운 접근법을 설계하였다. 전통적인 웨이브렛 기반 잡음 제거는 주로 소규모 계수를 임계값(threshold)보다 작으면 0으로 만들거나 감쇠시키는 방식(soft, hard, semi‑soft 등)으로 구현된다. 이러한 방법은 임계값 선택에 민감하고, 다중 레벨 분해가 필요하며, 잡음·신호 분포가 스케일마다 다를 경우 성능 저하가 발생한다는 한계가 있다.

SC는 이러한 제약을 없애기 위해 첫 번째 레벨의 세부 서브밴드(수평 CHD, 수직 CVD, 대각선 CDD)만을 대상으로 한다. 각 서브밴드에 3×3 혹은 7×7와 같은 작은 윈도우를 이동시키면서, 방향성 평균을 계산하고 원래 계수와 가장 근접한 평균값을 선택한다. 이 과정은 “경계 보존”을 목표로 하며, 잡음이 주로 무작위적이고 작은 진폭을 갖는 반면 실제 이미지 경계는 특정 방향성을 띠는 점을 이용한다.

구현에 사용된 필터는 전통적인 통계적 평활화(Lee, Kuan, Frost 등)와 그 향상형(Enhanced Lee, Enhanced Frost)뿐 아니라 Directional Smoothing (DS) 및 Enhanced DS (EDS) 를 포함한다. DS는 4가지 방향(수평, 수직, 두 대각선) 각각에 대해 평균을 구하고, 원본 계수와 차이가 최소인 방향을 선택함으로써 경계 흐림을 최소화한다. EDS는 DS에 추가적인 잡음 분산 추정 과정을 삽입해 더 정교한 평활화를 제공한다.

실험에서는 두 개의 마이크로어레이 이미지(274×274, 256×256)를 대상으로 19가지 기존 필터와 6가지 웨이브렛 기반 임계값 방법(VisuShrink, SureShrink, OracleShrink, BayesShrink, NormalShrink, TNN)과 비교하였다. 평가 지표는 평균 절대 차이(AAD), 신호대잡음비(SNR), 피크 신호대잡음비(PSNR), 이미지 충실도(IF), 상관 품질(CQ), 구조적 내용(SC) 및 Pratt의 Edge‑FOM을 포함한다.

결과는 SC가 특히 Edge‑FOM에서 가장 높은 값을 기록했으며, SNR·PSNR에서도 기존 방법을 앞섰다. 또한 동일한 3×3 커널을 사용했음에도 불구하고 계산 복잡도는 다른 통계적 필터와 동등하거나 약간 낮았다. 이는 SC가 단일 레벨 처리와 간단한 윈도우 연산만으로도 충분히 우수한 잡음 억제와 경계 보존을 달성한다는 것을 의미한다.

이 논문의 핵심 기여는 (1) 웨이브렛 변환 후 첫 레벨의 세부 서브밴드에만 국한된 평활화 전략을 제시함으로써 다중 레벨 처리의 필요성을 제거, (2) 방향성 정보를 활용한 평활화로 경계 손실을 최소화, (3) 다양한 기존 필터와 비교한 정량적 실험을 통해 SC의 전반적인 우수성을 입증한 점이다. 이러한 접근은 마이크로어레이 외에도 초음파·레이더 영상 등 고해상도 이미지의 잡음 억제에 적용 가능할 것으로 기대된다.