平滑化 (G検定)

1. 定義と概要

平滑化（スムージング）とは、画像中の注目している画素の値を、その周囲（近傍）の画素の値を使ってならすことで、画像に混入したノイズやざらつきを低減する画像処理です。ぼかし処理とも呼ばれる処理であり、隣接する画素どうしの色や輝度の境界が緩やかになるため、処理後の画像は全体的に柔らかく、やや不鮮明な見た目です。

代表的な手法は3つあります。周辺の画素値を単純に平均する平均化フィルタ、中心に近い画素ほど重みを大きくして平均するガウシアンフィルタ、そして周辺の画素値を並べた中央値を採用するメディアンフィルタです。いずれも近傍をどう集約するかという発想は共通していて、集約のしかたで仕上がりが変わります。

なお「平滑化」の語は、分野によって異なる意味を持つ語です。機械学習では正解ラベルの値を完全な0や1ではなく少しやわらげて学習させるラベル平滑化（画像処理とは別分野での使われ方です）や、時系列データの変動をならす平滑化など、画像処理以外の使われ方もあります。本記事で扱うのは、画像処理の前処理としての平滑化です。

従来、カメラで撮影した画像にはセンサー由来の細かなノイズや圧縮によるざらつきがそのまま含まれています。これを未加工のまま画像認識モデルへ入力すると、モデルが対象物の本質的な形状ではなくノイズのパターンに引きずられてしまう懸念があります。

そこで、モデルへ入力する前段階で画像を平滑化してノイズ成分を抑え、後段のモデルが輪郭や形状といった意味のある特徴を捉えやすくする工夫が、前処理の一つの位置づけです。

2. 試験対策ポイント

まず、3つの代表的な平滑化フィルタの使い分けを整理します。いずれもカーネル（注目画素とその周囲をまとめて処理する小さな範囲）の中の画素をどう集約するかで性格が分かれるため、仕組みと特徴を対応づけて覚えるのが近道です。

フィルタ	集約の仕組み	特徴
平均化フィルタ（移動平均フィルタ）	カーネル内の画素の値をそのまま平均して出力	仕組みは単純な一方、ノイズだけでなくエッジ（画像の中で明るさや色が急に変化する輪郭部分）の成分も一律にならされやすい
ガウシアンフィルタ	中心の画素に近いほど大きな重みをかけて加重平均	中心付近が高く周辺に向かってなだらかに低くなる山型の分布（正規分布）に沿って重みを決めるため、単純な平均化より自然な仕上がりのぼかし
メディアンフィルタ	カーネル内の画素の値を並べたときの真ん中の値（中央値）を出力	極端に外れた値の影響を受けにくく、ごま塩ノイズ（画像の一部に白や黒の点がランダムに混じるノイズ）の除去に強い。エッジも比較的保たれやすい

3つの違いは、どれも近傍の画素をまとめる点は同じでありながら、単純平均か、重み付き平均か、順番に並べた真ん中の値かという集約のしかたにあります。ガウシアンフィルタは、中心に近い画素ほど重みを大きくする分だけ仕上がりが自然になる一方、平均をとる以上は極端に外れた値も取り込みます。メディアンフィルタは、並べた真ん中の値を採るため、そうした極端な値をふるい落とせる点で性格が異なります。

平滑化を理解するうえでの中心的な論点は、ノイズが減る一方でエッジもぼやけるトレードオフです。カーネルのサイズを大きくするほどノイズ除去の効果は強まりますが、輪郭もより大きくぼやけやすくなります。

エッジを保ちながらノイズを抑える発展的な手法として、位置の近さに加えて画素値の近さも考慮するバイラテラルフィルタ（輪郭を保ちながらノイズを抑えるフィルタ）が提案されています。こうした発展形の位置づけも、あわせて押さえておきたい内容です。

3. 関連概念との比較・相違点

平滑化は前処理の一つであるため、隣接する処理やライブラリと混同されがちです。まず、比較対象ごとに何が違うのかを軸で整理します。

比較対象	どんな処理・道具か	平滑化との違いの軸
グレースケール化	カラー画像を明るさだけの白黒画像に変換する処理	扱う情報の種類（画素値のならしか、色情報の削除か）
ヒストグラム平坦化	明るさの偏りをならしてコントラストを高める処理	目的（ノイズ抑制か、コントラスト改善か）
アフィン変換	平行移動・回転・拡大縮小などで画像の位置や形を変える処理	変える対象（画素の値か、画素の位置か）
OpenCV	画像処理でよく使われる代表的なソフトウェアライブラリ	比較ではなく役割分担（処理そのものか、実装の提供元か）
データ拡張（データオーグメンテーション）	学習データに回転や反転、明るさの変更などを加えて水増しする手法	前処理の向き（条件をそろえるか、多様性を持たせるか）

平滑化が近傍の画素値をならしてノイズを減らすのに対し、グレースケール化は、色情報（RGB）を落として明るさ（輝度）だけの情報へ変換する処理です。どちらも入力画像に手を入れますが、触れている情報の層が異なります。

ヒストグラム平坦化は、明るさの分布（ヒストグラム）を広げてコントラストを改善する処理です。画素間の値のばらつき、つまりノイズを抑える平滑化とは、同じく画像を見やすくする前処理でありながら狙っている効果が別のものです。

アフィン変換は、平行移動・回転・拡大縮小・せん断といった規則に沿って画素の位置を移動させる幾何学的な変換です。画素の値を周囲とならして変える平滑化とは、そもそも手を触れる対象が違います。

OpenCVは、平滑化と並ぶ処理ではなく、その実装を提供する側にあたります。平均化・ガウシアン・メディアンの各フィルタを関数として呼び出せる形で用意されており、前処理群をまとめて実装した代表的なライブラリという位置づけです。

データ拡張は、あえて画像に変化を加えて学習データに多様性を持たせる前処理です。余計なノイズを取り除いて画像の条件をそろえる平滑化とは、同じ前処理の枠に含まれながらも、片方はノイズを減らす方向、もう片方はバリエーションを増やす方向で、逆向きの狙いを持つ処理として整理できます。

4. ビジネス・実務での活用シナリオ

製造業の外観検査では、基板や部品の検査画像に平滑化を適用し、照明のムラやセンサーノイズを抑えてから傷や欠陥を検出するモデルに入力するのが基本的な流れです。過度な平滑化は微小な傷そのものをぼかしてしまうため、検査対象の大きさに応じてフィルタの種類とカーネルサイズを選ぶ工夫が必要になります。

医療画像診断では、X線やCTの画像にメディアンフィルタなどを適用し、撮影時に混じる粒状のノイズを抑えてから病変候補領域の検出につなげます。組織の境界であるエッジを過剰にぼかさない範囲で、ノイズ除去の強さを調整するバランスが求められる点も特徴です。

自動運転や監視カメラの分野では、夜間や悪天候の映像に含まれるノイズを平滑化で抑えてから物体検出モデルに入力し、誤検知を減らす取り組みが行われています。ぼかしすぎると遠方の小さな物体の輪郭が失われるため、検出精度とのトレードオフを踏まえて設定値を調整します。

5. 要点まとめ

• 平滑化とは、注目画素の値を周囲の画素の値でならしてノイズを低減する画像処理で、平均化フィルタ・ガウシアンフィルタ・メディアンフィルタが代表的な手法です。
• ノイズが減る一方でエッジもぼやけるトレードオフがあり、フィルタの種類やカーネルサイズの選び方が論点になります。
• グレースケール化・ヒストグラム平坦化・アフィン変換・OpenCVといった隣接する前処理やライブラリ、そしてデータ拡張との目的の違いを整理しておきたいところです。

6. 確認問題