이미지 잡음 제거 기술 성능 비교 연구

초록

본 논문은 이미지에 발생하는 다양한 잡음 유형을 소개하고, 잡음 특성에 따라 선택할 수 있는 대표적인 이미지 디노이징 알고리즘들을 분류·분석한다. 이후 각 알고리즘을 PSNR·SSIM·시각적 품질 등 객관적 지표와 주관적 평가를 통해 비교·평가하고, 현재 연구의 한계와 향후 발전 방향을 제시한다.

상세 분석

이미지 잡음은 크게 가법성(Additive)과 승법성(Multiplicative)으로 구분된다. 가법성 잡음은 원본 이미지에 독립적인 잡음이 더해지는 형태로, 가우시안 잡음, 소금·후추 잡음, 스페클 잡음 등이 대표적이다. 반면 승법성 잡음은 이미지 밝기나 반사율에 비례해 변동하는 특성을 가지며, 레이리(Rician)·라플라시안(Laplacian) 잡음이 주로 의료·레이더 영상에서 관찰된다. 이러한 잡음 특성을 정확히 파악하는 것이 적절한 디노이징 기법 선택의 전제조건이다.

전통적인 공간 도메인 필터는 평균 필터, 중간값(미디언) 필터, 양방향 필터 등으로, 구현이 간단하고 실시간 처리에 유리하지만 가장자리 보존과 세부 텍스처 유지에 한계가 있다. 변환 도메인 접근법으로는 푸리에 변환, 코사인 변환(DCT), 웨이블릿 변환 등이 사용되며, 주파수 영역에서 고주파 성분을 억제함으로써 잡음을 감소시킨다. 특히 다중 해상도 특성을 갖는 웨이블릿은 잡음과 신호를 효과적으로 분리할 수 있어 다양한 변형(하드·소프트 임계값)과 결합해 높은 PSNR을 달성한다.

최근에는 비국소 평균(NLM)과 블록 매칭 3차원 필터(BM3D)와 같은 비선형, 비국소 기반 방법이 주목받는다. NLM은 이미지 전체에서 유사 패치를 찾아 가중 평균을 수행함으로써 구조적 세부를 보존한다. BM3D는 유사 패치를 3차원 그룹으로 결합해 협동 필터링을 적용, 잡음 억제와 세부 복원 사이의 최적 균형을 제공한다. 이들 방법은 계산 복잡도가 높지만, 최신 GPU 가속을 통해 실용적인 처리 속도를 확보하고 있다.

딥러닝 기반 디노이징은 컨볼루션 신경망(CNN), 자동인코더, 생성적 적대 신경망(GAN) 등으로 확장된다. DnCNN, FFDNet, UNet 기반 모델은 대규모 잡음 데이터셋을 사전 학습해 다양한 잡음 유형에 대해 일반화 능력을 보인다. 특히 조건부 GAN은 시각적으로 자연스러운 결과를 생성하면서도 PSNR·SSIM 측면에서 경쟁력을 갖춘다. 그러나 학습 데이터 의존성, 모델 크기, 추론 시 메모리 요구량이 실시간 응용에 제약이 될 수 있다.

성능 평가는 PSNR과 SSIM 외에도 구조적 유사도, 정보 보존율, 시각적 주관 평가(MOS) 등을 복합적으로 활용한다. 논문은 각 알고리즘을 표준 테스트 이미지(예: Lena, Barbara, House)와 다양한 잡음 레벨(σ=10~50)에서 실험하고, 결과를 정량·정성적으로 비교한다. 전통적 필터는 저잡음 상황에서 빠른 처리와 충분한 품질을 제공하지만, 고잡음에서는 비국소·딥러닝 방법이 현저히 우수함을 확인한다. 또한, 연산량과 메모리 사용량을 고려한 효율성 분석을 통해 실시간 영상 스트리밍, 의료 영상, 위성 사진 등 응용 분야별 최적 알고리즘 선택 가이드를 제시한다.

미래 연구 방향으로는 잡음 유형 자동 인식 및 적응형 파라미터 튜닝, 경량화된 딥러닝 모델 설계, 멀티스펙트럼·다중모달 데이터 통합 디노이징, 그리고 인간 시각 시스템을 모방한 지각 기반 품질 평가 메트릭 개발이 강조된다. 이러한 과제들은 잡음 억제와 세부 보존 사이의 트레이드오프를 최소화하고, 다양한 실시간·고해상도 응용에서 실용적인 솔루션을 제공할 것으로 기대된다.