통계적 극점 자취 알고리즘에 기초한 움직임 열화 영상의 파라메터 추출

Estimation of Motion-Blur Parameters Based on a Stochastic Peak Trace Algorithm

영상을 획득하는 과정에 있어서 영상 획득 장치 또는 피사체의 흔들림은 영상에 손상을 가져온다. 이러한 손상을 움직임 열화(motion blur)라고 부르며, 영상의 선명도를 떨어뜨리는 주된 원인이 된다. 최근 연구에서 밝힌 극점자취 방법을 통해 주어진 열화영상에서 열화의 PSF(Point Spread Function) 특성을 구하는데 사용되는 중요한 파라메터를 추출 할 수 있다. 이러한 극점 자취방법으로, 노이즈에 의한 열화에 관계없이 적은 연산량으로 움직임 열화의 방향을 추출할 수 있다. 본 논문에서는 통계적 극점 자취 접근법을 새롭게 제안한다. 저주파 영역에서 움직임 열화방향의 추정오차를 줄이기 위해 ML(Maximum Likelihood)분류를 통해 오차를 유발하는 극점을 선택하여 가중치를 적용, 그 영향을 최소화한다. 선형 예측법을 사용하여, 불규칙적 자료가 극점으로 선택되는 것을 방지한다 제안된 MALM(Moving average least mean)방법은 두번째로 큰 극점의 검출을 위해 움직임의 정도를 판별하는데 사용된다. MALM방법은 자체적으로 노이즈 제거 과정을 내포하고 있으므로 노이즈가 많은 환경에서도 파라메터를 추출할 수가 있다. 실험에서 우리는 제안된 방법을 통해 얻어진 정보를 사용하여, 열화 된 이미지를 효율적으로 복구해 낼 수 있었다.

While acquiring images, the relative motion between the imaging device and the object scene seriously damages the image quality. This phenomenon is called motion blur. The peak-trace approach, which is our recent previous work, identifies important parameters to characterize the point spread function (PSF) of the blur, given only the blurred image itself. With the peak-trace approach the direction of the motion blur can be extracted regardless of the noise corruption and does not need much Processing time. In this paper stochastic peak-trace approaches are introduced. The erroneous data can be selected through the ML classification, and can be made small through weighting. Therefore the distortion of the direction in the low frequency region can be prevented. Using the linear prediction method, the irregular data are prohibited from being selected as the peak point. The detection of the second peak using the proposed moving average least mean (MALM) method is used in the Identification of the motion extent. The MALM method itself includes a noise removal process, so it is possible to extract the parameters even an environment of heavy noise. In the experiment, we could efficiently restore the degraded image using the information obtained by the proposed algorithm.