画像ノイズ除去とは何か？その方法とは

ノイズとは、元の音声、映像、あるいは画像データに干渉して歪みを生じさせる不要な信号やランダムな信号のことです。画像処理においては、センサーの特性や故障、厳しい照明条件、長距離伝送による信号劣化などにより、輝度や色情報が不規則に変動する「視覚的ノイズ」が発生することがあります。こうしたノイズが含まれると、出力画像の品質が低下し、重要な情報が失われる可能性があります。結果として、微細なディテールが見えにくくなったり、測定精度が損なわれたり、下流のAIモデルの性能が低下したりすることがあります。

そのため、画像のディテールを保持し、高品質な画像を得るには、ノイズ除去が不可欠です。特にRAW画像処理において行われるノイズ除去は、シャープネス、色再現性、全体的な鮮明度を維持するための中核的なステップとなります。

本ブログでは、画像ノイズ除去の定義や種類を詳しく解説するとともに、AIを活用した組込みアプリケーションにおいて、鮮明でノイズの少ない画像を生成するための古典的手法および最新手法を包括的に紹介します。

まずは、画像ノイズ除去の概念とその発生原因を理解することから始めましょう。

画像ノイズ除去とは

画像ノイズ除去とは、デジタル画像からノイズ（ランダムなピクセル輝度の変動）を取り除く計算処理のことを指します。ノイズはさまざまな原因によって発生します。主な発生源には以下のようなものがあります。

• センサーの制約（例：低照度条件、小さな画素ピッチ）
• アナログ–デジタル変換プロセス
• 伝送エラーや環境光条件の影響

ノイズは多岐にわたる原因から生じるため、画像からノイズを効果的に除去または軽減するには、まず一般的なノイズの種類を理解することが重要です。

ノイズ除去の手法について学ぶ前に、まず画像における代表的なノイズの種類を確認してみましょう。

画像におけるノイズの種類

• ガウスノイズ – ガウスノイズは正規分布に従い、ピクセル値はガウス分布から抽出されたランダムな値によって変化します。主にセンサーの電子回路によって発生し、加法性ホワイトガウスノイズ（AWGN）としてモデル化されます。
• 塩コショウノイズ – ビットエラー、メモリ位置の障害、または伝送障害が原因で生じ、ランダムな白黒ピクセルとして現れます。
• ポアソンノイズ（ショットノイズ） – 低照度環境での光子検出のランダム性に起因するノイズです。信号に依存し、ポアソン分布に従います。
• スペックルノイズ – コヒーレントイメージング（医療用超音波など）でよく見られ、乗算的な粒子状パターンが特徴です。

各ノイズの種類に応じて、最適なノイズ除去手法を選択することが、良好な画像品質の確保には不可欠です。ここでは、単純な手法から高度な手法まで、カメラにおける画像ノイズ除去技術の進化を順に見ていきます。

ノイズ除去手法の進化

ノイズ除去技術は過去数十年にわたって発展してきました。技術の進歩に伴い、ノイズ除去性能は大幅に向上しています。

以下では、ノイズ除去手法の進化について詳しく見ていきます。

図１：ノイズ除去手法の進化

以下では、基本的な技術から高度な技術に至るまで、画像処理におけるノイズ除去手法を具体的なシナリオに沿って解説します。それぞれの手法の特徴と適用例に焦点を当てています。

1. 単純な空間フィルター

空間フィルターは、隣接するピクセルの情報に基づいて対象ピクセルを処理することで、画像上のノイズを低減する手法です。代表的な空間フィルターには以下のような種類があります。

• 平均値フィルター（平均化フィルター）：各ピクセルの値を近傍ピクセルの平均値で置き換えます。ノイズと画像の細部の両方を平滑化します。
• ガウスフィルター：空間距離に基づく加重平均を用いるフィルターです。平均値フィルターよりも構造やエッジの保持に優れています​
• バイラテラルフィルター：空間距離と強度の類似性の両方を考慮して平滑化するフィルターで、エッジを保持しながらノイズを低減できます。
• メディアンフィルター（塩コショウノイズ向け）：各ピクセルの値を近傍ピクセルの中央値で置き換えることで、塩コショウノイズを効果的に除去します。

図２：単純な空間フィルター

メジアン フィルターは広範囲にわたるガウス ノイズに対してはうまく機能しない可能性がありますが、塩コショウノイズに対しては効果的です。

図2: 塩コショウのノイズ画像と、（右）：メディアンフィルターでノイズを除去した画像

空間フィルターは局所的なフィルターです。エッジがぼやける可能性があり、画像全体に広がるノイズに対しては効果が低くなります。

2. ノンローカルミーンズ

ローカルフィルターとは異なり、ノンローカルミーンズ（Non-Local Means, NLM）フィルターは、局所領域だけでなく、画像全体または指定した検索ウィンドウ内から類似するパッチを探索し、それらを用いてノイズ除去後のピクセル値を推定します。

この手法は、テクスチャや細かい構造を持つ部分に対して効果的で、ガウスフィルタやバイラテラルフィルタよりもエッジの保持に優れています。

ただし、ノンローカルミーンズアルゴリズムは、大きな画像を処理する場合には限界があります。画像全体または広い検索ウィンドウで類似パッチを探索するため、計算に時間がかかることがあるからです。

そのため、大規模な画像処理に特化した代替手法を検討することで、より効率的な結果が得られる可能性があります。

図2: ノンローカルミーンズによるノイズ除去画像

3. 変換ベース（Transform-Based）手法

変換ベースのノイズ除去手法では、画像を直接ピクセル単位でフィルタリングするのではなく、周波数領域に変換して処理します。この方法では、ノイズと重要な画像情報が自然に分離されるため、効率的にノイズを除去できます。

代表的な変換ベース手法には以下の2つがあります。

• ウェーブレット変換（Wavelet Transform）によるノイズ除去​

画像を高周波、中周波、低周波の複数の周波数成分に分解し、それぞれを解析または処理します。高周波成分には主にノイズが含まれ、低周波成分にはエッジやテクスチャなどの重要な画像構造が含まれます。ノイズ除去は、高周波成分に閾値処理を適用することで行い、有用な画像情報を保持したままノイズを低減します。

• 離散コサイン変換（Discrete Cosine Transform, DCT）

DCTはフーリエ変換に類似していますが、特に画像圧縮やノイズ除去に最適化されています。画像をコサイン波の和として表現することで処理を行います。画像データではノイズは高周波のコサイン係数に集中する傾向があるため、これらの弱い係数を除去することでノイズを低減します。

ウェーブレットノイズ除去は、局所的かつマルチスケールの処理のため、DCTよりもアーティファクトの発生が少ないのが一般的です。DCTは計算効率が高いものの、特に強力なノイズ低減処理では、ブロック状のアーティファクトが発生しやすい傾向があります。どちらの手法も、ノイズ除去が強すぎるとアーティファクトが発生する可能性があります。

4. BM3D​

BM3Dは「Block-Matching and 3D Filtering」の略で、高度なノイズ除去手法です。この方法は、ノンローカルミーンズ（Non-Local Means）アルゴリズムと同様に、画像全体から類似するパッチを探索する原理に基づいています。手法の流れは以下の通りです。類似パッチの抽出と3Dブロック化：画像内で類似する2次元パッチを見つけ、それらを積み重ねて3次元ブロックを作成します。変換と共同フィルタリング：この3次元ブロックに対して、ウェーブレット変換や離散コサイン変換（DCT）などの変換を適用します。変換領域内で、閾値処理やウィーナーフィルターなどの手法を用いてノイズを低減します。画像への再構成：処理後のパッチを元の位置に戻し、重なり合う領域は通常平均化して最終的なノイズ除去画像を生成します。

BM3D – ノイズ除去画像

BM3D ノイズ除去法はガウスノイズには有効ですが、構造化ノイズには効果がありません。

BM3D技術を使用する利点

• 高精度なノイズ除去：BM3Dは、個々のパッチではなく、類似パッチで構成された3次元グループ全体をまとめて処理することで、より効率的にノイズを低減します。​
• 情報の保持：単純な加重平均ではなく、変換領域でフィルタリングを行うため、画像の微細なディテールをより効果的に保持できます。

5. 低ランク（Low-Rank）・スパース表現（Sparse Representation）・ハイブリッド手法

低ランクモデル、スパース表現モデル、およびハイブリッドモデルは、画像ノイズ除去における高度な手法の代表例です。それぞれのカテゴリーには、さまざまなノイズ除去手法が含まれています。

次のセクションでは、各カテゴリーにおける代表的な手法について詳しく見ていきましょう。.

低ランク（Low-Rank）ノイズ除去

この手法では、クリーンな画像は内部構造が強く、低ランク行列で表現できると仮定し、ノイズはスパースで高ランクの外れ値として現れると考えます。低ランクノイズ除去手法の一例であるロバスト主成分分析（Robust Principal Component Analysis, RPCA）では、構造化された画像内容とノイズを分離します。この手法は、繰り返しパターンのテクスチャや背景モデリングに対して高い効果を発揮しますが、計算コストが高くなる場合があります。

スパース表現（Sparse Representation）に基づくノイズ除去

この手法では、画像パッチが学習済み辞書上でスパースに表現できると仮定します。ノイズはこの基底と整合しないため、容易に分離できます。スパース表現に基づくノイズ除去の手法の一例であるWeighted Nuclear Norm Minimization（WNNM）では、類似するパッチをグループ化し、グループ内に低ランク制約を課すことでノイズを低減します。この手法は、細部の保持に優れていますが、パッチの適切なマッチングが重要となります。

ハイブリッド手法

現代のノイズ除去では、低ランクモデリング、スパースコーディング、変換ベースフィルタリングを組み合わせるアプローチが採用されています。WNNMやディープラーニングを用いたPlug-and-Play Priorのような技術は、古典的手法と学習済み手法を統合し、さまざまなノイズタイプに対してより堅牢な性能を発揮します。これらの手法は高品質な復元を実現しますが、計算リソースやデータ駆動型のチューニングを多く必要とする場合があります。

e-con Systems：組込みビジョン分野のパイオニア

e-con Systemsは、2003年以来、最先端の 組込みビジョンカメラの設計・開発・製造において業界をリードしてきました。当社はカメラ技術に関する深い専門知識を有しており、特に照明条件、動き、環境要因などによって大きなノイズが生じる状況において、高忠実度な画像出力を実現するうえでノイズ除去が果たす重要な役割を深く理解しています。embedded vision cameras.

当社のカメラソリューションは、最適化されたノイズ除去アルゴリズムを搭載しており、最も厳しい条件下でも卓越した画質を提供します。

最新のイメージング技術を搭載したカメラ製品の全ラインアップについては、当社の Camera Selector ページ をご覧ください.

最適なカメラソリューション選定に関する専門的なアドバイスをご希望の場合は、camerasolutions@e-consystems.com までお気軽にお問い合わせください。.