⚡ electrical engineering

Adaptive edge-preserving denoising using a gradient-based delta-map for NDT X-ray imaging

본 논문은 픽셀 단위 가중치를 통해 노이즈 억제와 에지 보존 사이의 균형을 효과적으로 조절함으로써, 기존의 필터 및 딥러닝 방식에 비해 우수한 성능과 계산 효율성을 입증하는 NDT X선 이미징을 위한 적응형 그래디언트 기반 델타 맵 기법을 제안한다.

원저자: Jaehong Hwang, Junwoo Kim

게시일 2026-09-08

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jaehong Hwang, Junwoo Kim

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

의료 영상과 산업 검사 분야에서는 구조물의 미세한 세부 사항을 포착하는 것과 이미지에서 입자 형태의 노이즈를 제거하는 것 사이의 지속적인 갈등이 존재합니다. 의사가 종양을 찾거나 엔지니어가 회로 기판의 미세한 균열을 검사할 때, 그들은 해당 특징의 가장자리가 매우 날카롭기를 원합니다. 그러나 이미지를 선명하게 만들면 대개 배경 노이즈가 악화되는 반면, 노이즈를 부드럽게 다듬으면 정작 중요한 세부 사항이 흐릿해지는 경향이 있습니다. 이는 영상 시스템이 작동하는 방식에 내재된 근본적인 물리적 한계로, 한 측면을 개선하면 보통 다른 측면이 저하됩니다. 수십 년 동안 표준 도구들은 이미지 전체에 동일한 규칙을 적용함으로써 이 절충안을 관리하려 노력해 왔지만, 이러한 방식은 복잡하고 상세한 영역과 단순하고 균일한 배경이 공존하는 이미지에서는 종종 실패하곤 합니다.

한 연구팀은 현대의 거의 모든 기기 안에 들어있는 작은 전자 두뇌인 인쇄 회로 기판의 X선 영상을 위해, 이 문제를 구체적으로 해결하는 새로운 방법을 개발했습니다. 이들의 방법은 이미지 전체를 동일하게 취급하는 대신, 마치 스마트한 픽셀 단위의 가이드처럼 작동하여 각 지점에 실제로 무엇이 있는지에 따라 얼마나 많은 선명도를 높이거나 부드럽게 만들지를 정확히 결정합니다. 그들은 먼저 이미지를 스캔하여 중요한 가장자리가 어디인지, 그리고 배경이 평탄한 곳이 어디인지를 찾아내는 시스템을 만들었습니다. 그런 다음 컴퓨터가 솔더 조인트(solder joint)나 와이어와 같은 구조적 가장자리가 보이는 곳에서만 선명도를 높이고, 동시에 그 사이의 빈 공간에 있는 노이즈는 진정시키도록 지시하는 특별한 지도를 생성합니다. 이를 통해 시스템은 인위적인 헤일로(halo) 현상을 만들거나 이미지를 거칠게 만들지 않으면서도 중요한 세부 사항을 강화할 수 있습니다.

연구진은 어려운 관찰 조건을 시뮬레이션하기 위해 의도적으로 노이즈를 섞은 회로 기판의 X선 영상을 대상으로 이 새로운 접근 방식을 테스트했습니다. 그들은 이들의 방법을 일반적인 블러링 필터, 고전적인 샤프닝 도구, 심지어 병원에서 사용되는 정교한 상용 소프트웨어를 포함한 여러 기존 기술들과 비교했습니다. 결과에 따르면, 이 새로운 방법은 다른 어떤 방법보다 더 명확하고 자연스러운 이미지를 만들어냈습니다. 전문가들이 명료도와 노이즈에 대한 표준 테스트를 사용하여 이미지를 측정했을 때, 새로운 방법은 회로 기판의 미세한 부품 형상을 보존하면서도 배경을 매끄럽게 유지하는 데 있어 일관되게 높은 순위를 기록했습니다. 이 방식은 높은 수준의 세부 사항을 구현할 때 흔히 발생하는 정적(static)을 증폭시키지 않으면서도 회로 기판의 미세한 선들을 뚜렷하게 유지해 냈습니다.

이 발견이 특히 유용한 이유는 현대 인공지능에 필요한 막대한 컴퓨터 연산 능력이나 거대한 학습 데이터셋에 의존하지 않는다는 점입니다. 대신, 이 방식은 엔지니어들이 이해하고 예측할 수 있는 직관적이고 논리적인 과정을 사용합니다. 이 방법은 매우 효율적이기 때문에 공장에서 사용하는 하드웨어에서 실시간으로 실행될 수 있으며, 이를 통해 검사관들은 부품이 생산 라인을 따라 이동하는 동안 결함을 즉각적으로 확인할 수 있습니다. 연구는 이 기술이 다양한 주파수 범위에서 잘 작동한다는 것을 확인해주었으며, 이는 넓은 형태와 아주 미세한 질감 모두를 효과적으로 처리할 수 있음을 의미합니다. 선명함과 노이즈 사이의 오래된 갈등을 강력하면서도 실용적인 방식으로 해결함으로써, 이 접근법은 우리가 매일 사용하는 전자 기기의 안전과 품질을 보장하기 위한 신뢰할 수 있는 도구를 제공합니다.

기술 요약: 그래디언트 기반 델타 맵을 이용한 적응형 에지 보존 디노이징 기술 (NDT X-ray 이미징용)

문제 정의
의료 영상 및 산업용 비파괴 검사(NDT) 분야에서는 공간 해상도와 노이즈 억제 사이의 근본적인 물리적 트레이드오프가 존재한다. 고주파 성분을 강화하면 에지와 리지(ridge) 구조는 선명해지지만, 동시에 체계적 노이즈가 증폭되어 진단 또는 결함 탐지의 신뢰성을 저해한다. 반대로, 저역 통과 필터링(low-pass filtering)은 노이즈를 억제하지만 미세 구조의 탐지 능력을 저하시킨다. 기존의 필터링 기술(예: 가우시안, 언샤프 마스킹, 바이래터럴, 가이디드 필터)은 일반적으로 전역적으로 고정된 하이퍼파라미터에 의존한다. 이러한 공간 불변성은 인쇄 회로 기판(PCB) X-선 이미지와 같이 고주파 구조적 세부 사항(솔더 조인트, 도체)과 균일한 저주파 기판 영역이 공존하는 이질적인 이미징 환경에서 성능을 최적화하는 데 한계가 있다. 딥러닝이 적응형 솔루션을 제공하기도 하지만, 대규모 학습 데이터셋의 필요성, 과도한 계산 자원 소모, 그리고 실제 산업 현장 배포에 필요한 알고리즘의 해석 가능성 부족이라는 제약이 따른다.

방법론
본 연구는 그래디언트 기반 델타 맵 적응형 영상 처리( $\delta$ -AIP) 프레임워크를 제안한다. 이 방법은 전통적인 언샤프 마스킹(UM)의 잔차 기반 구조를 확장하여, 전역적으로 고정된 증폭 계수 대신 공간적으로 변화하는 픽셀 단위 제어 행렬( $\delta$ -map)을 적용한다. 알고리즘은 다음 단계로 작동한다:

그래디언트 크기 계산: 고주파 노이즈를 완화하기 위해 먼저 원본 이미지에 등방성 가우시안 필터를 적용한다. 그 후, 소벨(Sobel) 필터를 사용하여 국부적 구조 경계를 측정하는 그래디언트 크기 행렬을 계산한다.
정규화 및 매핑: 임펄스 노이즈에 대한 강건성을 확보하기 위해 백분위수 기반 임계값(5번째 및 95번째 백분위수)을 사용하여 그래디언트 크기를 정규화한다. 이후 선형 매핑 함수를 통해 정규화된 값을 예비 가중치 행렬으로 변환한다. 이 행렬은 "구조적 돌출도 조절기(structural salience regulator)"를 정의하기 위해 스케일링된다:
- 음수 가중치 ( $\delta < 0$ ): 저그래디언트의 균질한 영역에 적용되어 저역 통과 필터링(노이즈 억제)을 유도한다.
- 양수 가중치 ( $\delta > 0$ ): 고그래디언트의 에지 영역에 적용되어 고주파 성분을 증폭(에지 강화)한다.
적응형 재구성: 최종 이미지는 원본 이미지에 $\delta$ -맵과 고주파 잔차(원본과 저역 통과 필터링된 이미지 간의 차이)의 요소별 곱을 더함으로써 재구성된다.

핵심 기여

픽셀 단위 적응성: 전체 이미지에 균일한 파라미터를 적용하는 기존 방식과 달리, 제안된 $\delta$ -맵은 국부적 구조적 돌출도에 따라 동적으로 프로세싱을 조정한다. 이를 통해 배경 영역의 노이즈 감소와 구조적 특징의 선명도 향상을 동시에 달성할 수 있다.
알고리즘 해석 가능성 및 효율성: 본 방법은 딥러닝 모델과 같은 데이터 기반 모델이 아닌 결정론적 수학 연산(그래디언트 계산 및 선형 매핑)에 의존한다. 이는 높은 계산 효율성을 보장하여 실시간 X-선 검사 시스템에 적합하며, 명확한 분석적 해석 가능성을 제공한다.
포괄적 검증: 본 연구는 참조 영상 기반(SSIM, PSNR, LPIPS) 및 무참조(BRISQUE, NIQE, PIQE) 영상 품질 지표와 물리 기반 공간 주파수 분석(MTF, NPS, NEQ)을 포함하는 다층적 프레임워크를 통해 방법을 평가한다.

실험 결과
제안된 방법은 가우시안 노이즈( $\sigma_n = 2.0$ )가 추가된 PCB X-선 이미지를 대상으로 테스트되었으며, 가우시안, 언샤프 마스킹(UM), 바이래터럴, 가이디드 필터 및 상용 알고리즘인 MUSICA와 비교되었다.

정성적 성능: 시각적 분석 결과, 제안된 방법은 기존의 전역 필터에서 관찰되는 링잉(ringing)이나 헤일로(halo) 현상과 같은 아티팩트를 유발하지 않으면서 배경 노이즈를 효과적으로 억제하고 구조적 경계를 보존함을 입증하였다.
정량적 지표:
- 참조 영상 기반(Full-Reference): 제안된 방법은 경쟁력 있는 구조적 유사도(SSIM = 0.9751)와 피크 신호 대 잡음비(PSNR = 33.001 dB)를 달성하였으며, 낮은 LPIPS 점수를 통해 높은 지각적 충실도를 나타냈다.
- 무참조(No-Reference): 제안된 방법은 비교된 모든 알고리즘 중 가장 낮은 BRISQUE(23.736) 및 PIQE(40.747) 점수를 기록하여, 자연스러운 장면 통계의 우수한 보존과 국부적 왜곡 감소를 보여주었다. NIQE의 경우, 제안된 방법은 8.280을 기록하였으며, 이는 가우시안(5.897), UM(11.165), 바이래터럴(4.818), 가이디드(10.656), MUSICA(10.374)와 비교했을 때 본 연구의 데이터 테이블에 보고된 값들을 기준으로 성능을 나타내나, 가이디드 및 MUSICA 방식이 원시 데이터에서 더 낮은 NIQE 점수를 보였다.
주파수 영역 분석:
- MTF: 제안된 방법은 다른 에지 보존 필터들에 비해 중-고주파 대역(최대 10 mm⁻¹)에서 더 높은 변조 전달 값을 유지하여, 더 나은 해상도 보존 능력을 보여주었다.
- NPS/NEQ: 본 방법은 에지 보존 필터들과 비교하여 주파수 대역 전반에 걸쳐 일관되게 낮고 안정적인 노이즈 전력 스펙트럼(NPS)을 달성하는 동시에, 중주파 범위에서 더 높은 노이즈 등가 양자(NEQ)를 유지하였다. 이는 본 방법이 공간 해상도 저하를 최소화하면서 신호 전달 특성을 최적화할 수 있음을 확인시켜 준다.

의의 및 주장
저자들은 $\delta$ -AIP 프레임워크가 방사선 영상에 내재된 해상도-노이즈 트레이드오프에 대한 실용적인 솔루션을 제공한다고 주장한다. 픽셀 수준에서 구조적 돌출도를 정량화함으로써, 본 방법은 딥러닝의 계산적, 해석적 부담 없이 공간 불변 파라미터의 한계를 극복한다. 본 연구는 이 기술이 방사선 진단 및 산업용 NDT 환경 모두에서 실시간 X-선 검사 시스템에 즉시 적용 가능하다는 결론을 내린다. 향후 연구 과제로는 구조적 추출 능력을 더욱 강화하기 위한 다중 스케일 구조 분석(예: Hessian 기반 리지 검출)의 통합이 제시되었다.

유사한 논문