소금후추 잡음 제거를 위한 새로운 강화 필터

초록

본 논문은 회색조 이미지에 발생하는 고정값 임펄스(소금·후추) 잡음을 제거하기 위해 3×3 윈도우 내 0·255 값을 제외한 나머지 픽셀의 평균값으로 대체하는 새로운 강화 필터(Robust Mean Filter, RMF)를 제안한다. 제안 알고리즘은 기존의 표준 중위수 필터(SMF), 결정 기반 중위수 필터(DBMF), 수정 결정 기반 중위수 필터(MDBMF) 등에 비해 낮은 잡음 밀도에서 PSNR과 MSE가 개선되고, 시각적 블러링이 감소한다는 실험 결과를 제시한다.

상세 분석

이 논문은 소금·후추 잡음(Salt‑and‑Pepper noise)이라는 이산적인 고정값 임펄스 잡음에 특화된 복원 방법을 제시한다. 핵심 아이디어는 3×3 이웃 윈도우를 선택한 뒤, 해당 윈도우에 0(검은색) 혹은 255(흰색) 값만 존재하는 경우에는 평균값을 사용하고, 그 외에는 0·255를 제거한 뒤 남은 유효 픽셀들의 평균을 계산해 손상된 중앙 픽셀을 대체한다는 것이다. 이 과정은 “trimmed mean” 개념을 적용한 것으로, 기존 중위수 필터가 잡음 픽셀 자체를 중위수로 대체하는 방식과 달리, 실제 이미지 구조를 보존하려는 의도가 엿보인다.

알고리즘 흐름은 크게 네 단계로 나뉜다. ① 입력 이미지에 인위적으로 소금·후추 잡음을 주입하고, ② 각 픽셀이 0~255 범위에 있는지(즉, 잡음이 아닌지) 판단한다. 잡음이 아닌 픽셀은 그대로 유지하고, 잡음 픽셀에 대해서는 ③ 3×3 윈도우를 추출한다. ④ 윈도우 내에 0·255만 존재하면 평균값을, 그 외에는 0·255를 제외한 값들의 평균을 계산한다. ⑤ 계산된 평균값으로 중앙 픽셀을 교체한다. 이 과정을 전체 이미지에 반복한다.

실험에서는 Lena와 Mandrill 두 표준 회색조 이미지를 사용했으며, 잡음 밀도 10%부터 90%까지 다양한 조건에서 PSNR, MSE, 연산 시간 등을 측정하였다. 표 1과 표 2에 따르면 제안 필터는 10%~50% 잡음 밀도 구간에서 PSNR이 34 dB로 가장 높았으며, MSE도 경쟁 필터들보다 낮았다. 그러나 60% 이상 고밀도 잡음에서는 PSNR이 급격히 감소하고, 다른 최신 필터(예: MDBUTMF)와 비교했을 때 이점이 사라진다. 또한 연산 시간은 3 초에서 9 초까지 증가해, 실시간 처리에는 한계가 있다.

논문의 강점은 구현이 간단하고, 작은 윈도우(3×3)만을 사용해 비교적 낮은 연산 복잡도를 유지한다는 점이다. 그러나 몇 가지 약점도 눈에 띈다. 첫째, 0·255를 단순히 평균값으로 대체하는 방식은 주변 텍스처가 강한 영역에서 경계 흐림(blurring)을 야기할 수 있다. 둘째, 실험에 사용된 데이터가 두 장의 표준 이미지에 국한되어 있어, 실제 영상이나 컬러 이미지에 대한 일반화 가능성을 검증하지 못했다. 셋째, PSNR·MSE 외에 구조적 유사도(SSIM)나 인간 시각 모델 기반 평가가 없으며, 주관적 시각 품질 평가도 정량화되지 않았다. 넷째, 알고리즘 설명이 모호하고, “trimmed mean”과 “mean of remaining elements”가 혼용돼 정확한 수식 정의가 부족하다. 마지막으로, 기존 최신 필터(예: Adaptive Switching Median, Weighted Median 등)와의 비교가 제한적이며, 최신 딥러닝 기반 잡음 제거 기법과의 대비도 제시되지 않는다.

종합적으로 볼 때, 제안된 강화 필터는 저밀도·중밀도 소금·후추 잡음 상황에서 간단하고 효과적인 대안을 제공하지만, 고밀도 잡음 및 실시간 응용에서는 한계가 있다. 향후 연구에서는 다중 스케일 윈도우 적용, 경계 보존을 위한 가중 평균, 그리고 컬러 및 비디오 데이터에 대한 확장 검증이 필요하다.