N-筑波大学.pptVIP

セルオートマトンを用いた多値画像の混合ノイズに対するノイズ低減 筑波大学 システム情報工学研究科 コンピュータサイエンス専攻1年　 201120704 澤田　学 指導教員: 狩野　均 研究の背景と目的 セルオートマトン（CA）は格子状のセルと単純な状態遷移ルール（以下、ルール）からなる離散的な計算モデル. CAは並列性が高いため、近年、画像処理に応用する研究が行われている. 　　○二値画像の画像処理（ノイズ低減、細線化など）　 　　　[Rosin 06] 　　○多値画像のノイズ低減処理（ごま塩ノイズ、インパ 　　　ルスノイズ、ガウシアンノイズ）[佐藤 10] 佐藤らの提案したCAの進化的設計手法を、ストライプノイズ、混合ノイズの低減処理に適用して、有効なルールの獲得を目指す 対象問題 対象ノイズ 　 二次元CA 二次元格子の一つ一つをセルとした、状態?空間?時間が　　 　離散的な計算モデル 隣接するセルと自身のセルの状態からルールに基づいて、　 　次の時刻の状態を決定する ○二次元2状態CAの例 二次元CAを用いた画像処理 評価手法のコード化 提案手法のアルゴリズム 実験条件と比較手法 比較手法 ①Median Filter 　 近傍状態の画素値を昇順に並べ、中央値を出力とする処理 ②Tri-State Median Filter（TSM）[Chen et.al 99] 　 閾値によって「Median Filterの値」と「中心のセルの重みを増し 　　 たMedian Filterの値」と「中心のセルの値」を使い分ける手法 ストライプノイズ: ノイズ率10％での学習結果 獲得した最良解：ルールS1 ストライプノイズ: ノイズ率20％で獲得した解 評価画像 画像による比較:Barbara, ノイズ率30％ ストライプノイズに対する評価結果 混合ノイズ: ノイズ率5％, 5％での学習 比較手法 TSM（Tri-State Median Filter) ごま塩ノイズで学習したルール[佐藤 10]とストライプノイズで学習したルール（ルールS2）を順番に適用するルール（混合ルール） 画像による比較：Boats　ノイズ率5％, 5% 混合ノイズに対する評価結果 実行時間による解の評価 まとめ 研究の結論 　　○ CAを用いてグレースケール画像のストライプノイズ、混合ノイズ（ごま塩＋ストライプノイズ）に対するノイズ低減処理を行った ○ ストライプノイズに対しては獲得したルールが良い結果を示した. 混合ノイズに対してはBoatsはルールMが、Barbaraは混合ルールが良い結果を示した. ○実行時間はルールMがTSMに比べ4倍程度高速に処理を行うことができた 今後の予定 カラー画像への応用 ○カラー画像処理はRGBのそれぞれのチャンネルを独立に処理を行っているものが多い ○それぞれの処理の高速化が重要になる 実行時間や式の長さをルールの評価に加える Gene Expression Programming（GEP） ○特徴　 　?Gene Programmingをもとにした手法。 　?遺伝的アルゴリズムと同じ、世代交代モデル、配列状の染色　 　 体、遺伝的操作（選択、交叉、突然変異）を用いる。 ○転移 　?染色体の一部をランダムに選び、他の遺伝子座へコピーする 遺伝的操作。 比較手法 ○Median Filter 　近傍状態の画素値を昇順に並べ、中央値を出力とする処理。 評価手法のアルゴリズム Step1 : 初期集団としてK個の個体を生成する。 Step2 : 各個体をノイズ混入画像に適用し、適応度を計算する。 Step3 : 個体の中から次世代に残す個体をトーナメント選択によって決定する。 Step4 : Step3によって決定された個体に交叉、突然変異、転移を行う。また、適応度の高い個体をエリート個体として保存する。 Step5 : Step4で遺伝的操作を行った個体の適応度を計算する。 Step6 : Step3からStep5までの操作を一世代として世代の上限まで繰り返し、最良解を解として出力する。 ノイズ率20％での学習結果 ノイズ率20％で獲得した解：ルールS2 * 目次 ■研究の背景と目的 ■評価手法 ■実験結果 　　　ストライプノイズ　　　　　 　　　　混合ノイズ 評価方法 m, n : 画像のサイズ xij :原画像の画素値 yij : 処理後の画像の画素値 状態遷移ルールの例 or ●近傍の組み合わせ 　　通り 　多値画像では 　　　　　　通り 入力＝多値画像 1ピクセル＝１セル 二次元CAの初期形態 CAのルール適