平滑化【smoothing】スムージング
概要
ある一点の値をその前後の複数の点の値と合わせて平均化することで、局所的な突出や落ち込みを均していく。測定誤差や外乱による偶然の変動を抑えつつ、時間的または空間的な変化の流れを保つことを目指す。
主な手法
代表的な手法が「移動平均法」で、一定範囲のデータの平均値を順次ずらしながら算出し、系列をならす処理である。短期的な変動を抑え、中長期的な増減や周期性を観察することができる。統計学では時系列データの長期的な傾向や季節変動を把握する目的で使われる。
平均法における値の取り方には様々な種類がある。周囲のデータを単純に平均する「単純平均」のほか、中央の値を選ぶ「メディアンフィルタ」や、正規分布の重み付けを用いる「ガウシアンフィルタ」、多項式フィッティングを利用した「サビツキー・ゴーレイフィルタ」などがあり、データの性質やノイズの種類に応じて使い分けられる。
主な応用
画像処理における平滑化は、画素ごとの輝度値を周囲の画素と平均化し、撮影時に混入した細かなノイズやざらつきを低減する技術である。隣接する画素間の色の境界が曖昧になり、ぼかし効果がかかったような柔らかい表現になることから、輪郭を際立たせる鮮鋭化とは対極の処理にあたる。この操作は周波数領域で見るとローパスフィルタと等価であり、高周波成分すなわち細かい変化を減衰させることを意味する。
機械学習では、分類タスクの正解ラベルの確信度をわずかに下げて他のクラスにも分散させる「ラベル平滑化」という応用形も用いられ、モデルが特定の答えに過度に自信を持つことを防ぎ、未知データへの汎化性能を高める目的で使われている。
平滑化を強く適用しすぎると、画像の場合は必要な輪郭まで失われて全体が不鮮明になり、時系列データの場合は急激な変化の予兆を見落とす原因となる。ノイズ除去の度合いと細部の保持はトレードオフの関係にあるため、実用上は対象とするデータの性質に応じて適用範囲や強さを適切に調整することが重要となる。
共有ボタンをタップ