이차원 융합라쏘신호근사기를 활용한 이미지 데이터의 잡음제거 (Denoising 2-dimensional images using the fused lasso signal approximator for improving classification accuracy)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 34권 / 4호 / 635 ~ 647페이지
· 저자명 : 손원

초록

이미지 데이터에는 다양한 이유로 잡음이 포함될 수 있다. 이렇게 이미지 데이터에 잡음이 포함되는 경우 이미지 품질이 저하될 뿐만 아니라 기계학습을 통한 이미지 데이터의 분류 결과에도 부정적인 영향을 미칠 수 있다. 이 연구에서는 잡음이 포함되어 있는 이미지 데이터의 분류 정확도를 높이기 위해 이차원 융합라쏘신호근사기 (FLSA)를 이용한 잡음제거 방법을 제안한다. FLSA는 총변동벌점과 L1벌점이 부여된 최소제곱법을 이용하여 구간별 상수구조와 0이 아닌 평균값의 희소성을 구현할 수 있다. 이차원 FLSA의 경우 총변동벌점이 이미지 데이터의 인접한 셀들의 값이 동일한 값이 되도록 할 수 있으며 평균값이 작은 영역은 평균값이 0이 되도록 할 수 있다. 따라서 잡음이 포함된 이미지에 이차원 FLSA를 적용하여 잡음에 해당되는 셀이 인접한 셀들과 하나로 묶여 잡음의 강도가 약해지도록 한 후 해당영역의 평균값을 0으로 만듦으로써 이미지 데이터의 잡음을 제거할 수 있을 것으로 기대할 수 있다. 이차원 FLSA를 이용하여 잡음의 강도를 축소하는 절차를 MNIST 데이터에 적용한 결과 잡음이 포함된 손글씨 숫자 이미지 데이터의 분류 정확도가 개선되는 것을 확인할 수 있었다.

영어초록

Various sources of noises may contaminate image data. Noise in the image data, not only degrade image quality, but also deteriorate the classification result. In this study, we propose an image denoising procedure based on the two-dimensional fused lasso signal approximator (FLSA) to improve the classification accuracy for noisy image data. The FLSA gives a piecewise constant mean structure for each interval using the least squares method with total variation penalty. In the case of the two-dimensional FLSA, the total variation penalty yields block structure in which adjacent cells in a block have the same mean value. Therefore, if we apply the two-dimensional FLSA for denoising image data, then we can expect that the noise intensity will be weakened by integrating the noisy cells into a block with the adjacent cells. Furthermore, the L1 penalty in the two-dimensional FLSA can force the mean levels of noise corrupted blocks to zeros. Applying the proposed procedure to the MNIST data, we found that the classification accuracy of noisy image data can be improved.

참고자료

· 없음