A New Robust Scheme for Salt and Pepper Noise Filtering Using Fuzzy Cellular Automata

あなたのお気に入りのデジタル写真が、手つかずの雪に覆われた美しい山頂のようなものだと想像してみてください。それは美しく、鮮明で、細部まで描き込まれています。しかし、突然吹雪が襲いかかり、風景全体にランダムな白黒の斑点が降り注ぎます。デジタル画像の世界では、これは「ソルト・アンド・ペッパー・ノイズ（ごま塩ノイズ）」と呼ばれます。それは、完璧な画像を静電気の混じった混乱状態に変えてしまう、カメラの不具合、メモリのエラー、あるいは伝送のヒップ（一時的な中断）のデジタル版です。一部のフィルターは、重い雪かきのように機能し、ノイズを掻き出しますが、同時に山の繊細な尾根や谷までも平坦にしてしまいます（画像のぼけを引き起こします）。そのため、科学者たちは、景色を乱すことなく、一つ一つの斑点を選び出すツールを探し続けてきました。ここで、画像処理の分野が登場し、巧みな数学的トリックを用いて明瞭さを取り戻します。この道具箱にある最も魅力的なツールの二つは、「セル・オートマトン」と「ファジィ論理」です。セル・オートマトンは、自分のすぐ隣に立っている人々にだけ注意を払い、どう行動するかを決める、小さな、従順な隣人たちのグリッドだと考えてください。「ファジィ論理」とは、物事が厳格に白か黒かではなく、その間のグレーゾーンにある時の意思決定の技術です。これらのアイデアを組み合わせることで、研究者たちは、ノイズが圧倒的な場合でも、どのピクセルが「ノイズ」で、どのピクセルが「画像」であるかを正確に見分けることができるほど賢いシステムを生み出そうとしています。

本論文において、Mohammad Mehdi Piroozmandanは、新たに開発された3つのアルゴリズムを組み合わせることで、このソルト・アンド・ペッパー・ノイズ問題に特化して設計された、堅牢な新しいスキームを紹介しています。この手法は、二段階の探偵作戦のように機能します。第一に、容疑者（ノイズのあるピクセル）を見つけなければならず、第二に、シーンを台無しにすることなくそれらを修正しなければなりません。

第一段階は検出に関するものであり、ノイズを見逃さないために二段階のプロセスを使用します。最初のステップは迅速なスキャンです。アルゴメントはすべてのピクセルの周囲にある3x3の近傍領域を調べ、最大、最小、および平均輝度値を計算します。もしピクセルが、周囲と比較して異常に明るかったり（塩のように）、暗かったり（ペッパーのように）する場合、フラグが立てられます。しかし、著者は時としてノイズが巧妙であり、通常のピクセルのように見える可能性があることを知っています。そのため、より厳格な第二のステップが追加されます。このステップは、セル・オートマトンの原理と「ハミング距離」と呼ばれるもの（二つの数値セットがどれほど異なっているかを測定する方法）を使用します。これにより、第一のステップで見逃されたピクセルを再評価し、その隣接ピクセルが異常な挙動を示していないかを確認します。もし隣接関係が極端に異なっていれば、そのピクセルはノイズであると確定されます。

ノイズのあるピクセルが特定されると、第二段階、すなわち復元が始まります。この新手法は、単に悪いピクセルを周囲の平均値で置き換える（これはしばしば画像のぼけを引き起こします）のではなく、「ファジィ・セル・オートマトン」と「ジャカード類似度」という概念を使用します。中央のピクセルが壊れたパズルのピースであると想像してください。アルゴリズムは、6つの周囲ピクセルの4つの異なるパターン（隣人たちの異なるグループのようなもの）を見て、「どのグループが元の、壊れていない画像に最も似ているか？」と問いかけます。アルゴリズムは、これらのグループを比較するためにジャカード類似度を用い、実質的に、それらがどれだけ共通点を持っているかを尋ねます。その後、アルゴリズムはこれらのファジィな比較を用いて、壊れたピクセルのための新しい、完璧な値を計算し、鋭いエッジや微細なディテールを維持したまま、効果的に画像を「治癒」させます。

本論文は、この新しいスキームがどの程度うまく機能するかを示す実験結果を提示しています。著者は、「Barbara」、「Boat」、「Bridge」といった様々な標準的な画像に対して、15%から非常に激しい90%に至るまでのレベルのソルト・アンド・ペッパー・ノイズを混入させてテストを行いました。結果は、PSNR（ピーク信号対雑音比）、SSIM（構造的類似性指数）、NCC（正規化相互相関）、およびIEF（画像強調係数）という4つのスコアカードを用いて測定されました。これらのシミュレーションにおいて、提案された手法は、ニューラルネットワーク検出器や様々なメディアン・フィルターを含む既存の技術を一貫して上回りました。例えば、256x256ピクセルの画像で90%のノイズがある場合、提案手法は34.4のPSNRを達成しましたが、NNANFISのような他の手法は大幅に低い24.4を記録しました。視覚的な結果も、この手法が画像の鋭いエッジを保持するのに優れていることを示しており、他のフィルターは画像がぼやけて見えたり、依然としてノイズが散らばっていたりする傾向がありました。

さらに、本論文は、この手法が正確であるだけでなく、効率的であることも強調しています。512x512ピクセルの画像で60%のノイズを含む処理時間を測定したテストでは、提案手法は「Barbara」の画像を復元するのに約68秒かかり、これはMDBUTMフィルターの106秒やA. Selmaniの手法の170秒よりも高速でした。著者は、この手法はローカルなルール（セル・オートマトンの隣人のようなもの）に依存しているため、高度に並列化可能であり、つまり、多くのことを同時に行うように設計されたハードウェア上で実行すれば、さらに高速化できる可能性があると結論付けています。本論文はグレースケール画像と特定のノイズタイプに焦点を当てていますが、著者は、このアプローチが詳細を維持することが極めて重要な実世界の画像処理タスクにおいて有望な解決策となる可能性を示唆しており、将来の研究では、これらのアイデアをカラー画像や他の種類のノイズに適用することも検討されるでしょう。