PENGHAPUSAN NOISE PADA CITRA DENGAN … · Implementasi metode filter dibuat dengan menggunakan...
Transcript of PENGHAPUSAN NOISE PADA CITRA DENGAN … · Implementasi metode filter dibuat dengan menggunakan...
PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL
Kata Kunci : Noise Removal, Edge Detection, impuls noise,
Oleh :
ANA WAHYU HAKIM(5106100171)
Dosen pembimbing I:Prof. Dr. Ir. Handayani Tjandrasa M.Sc Ph.D
Dosen Pembimbing II:Bilqis Amalia S.Kom M.Kom
FAKULTAS TEKNOLOGI INFORMASI INSTITUTE TEKNOLOGI SEPULUH NOPEMBER
Latar Belakang Masalah
Noise salt & pepper adalah bentuk noise yang biasanya terlihattitik-titik hitam dan putih pada citra yang disebabkan karenaterjadinya error bit dalam pengiriman data, piksel-piksel yangtidak berfungsi maupun kerusakan pada lokasi memori. Olehkarena itu, diperlukan suatu proses noise filtering untukmengurangi noise yang terdapat padanya.
Sudah banyak metode yang dikemukakan untuk menghapus noisepada citra diantaranya median filter dan Switching median filter(SWM). Median Filter tidak dapat menjangkau daerah detil citraseperti daerah tepi, sedangkan filter SWM hanya menghilangkannoise ketika perbedaan piksel yang tinggi dengan tetangganya.
Tugas akhir ini, mengimplementasikan penghapusan noise denganmeng-estimasi true edge menggunakan metode hierarchical edgedetection (HED)
TA_Ana Wahyu Hakim (5106100171)
PENDAHULUAN
Permasalahan
Bagaimana mengimplementasikan estimasi strukturcitra dengan HED(Hierarchical Edge Detection)
Bagaimana menghilangkan noise pada citra secaraadaptif sesuai dengan informasi struktur citra yang dihasilkan pada proses HED
TA_Ana Wahyu Hakim (5106100171)
PENDAHULUAN(2)
Batasan Masalah
Ruang lingkup pembahasan :
Implementasi metode filter dibuat dengan menggunakan Matlab7.0
Citra yang akan diproses dalam filtering ini berupa citra gray scale
Data uji yang digunakan adalah citra standart yaitu: Lenna,
Baboon, Mobil, dan Paprika.
Untuk mengetahui performa metode filter ini, hasil uji cobadibandingkan dengan data hasil uji coba metode SWM dan medianfilter.
TA_Ana Wahyu Hakim (5106100171)
PENDAHULUAN(3)
Tujuan Penelitian
Pengolahan citra untuk mendeteksi noise pada citra.
Membuat aplikasi untuk menghapus noise pada citradalam bentuk salt dan paper.
Membuat aplikasi yang bisa menjaga detil citra danlebih efektif digunakan pada kerapatan noise yang lebih tinggi.
TA_Ana Wahyu Hakim (5106100171)
PENDAHULUAN(4)
Mendeteksi Noise
Dalam metode filter adaptive-hierarchical, ada duametode pendeteksian noise yaitu:
Deteksi noise pada daerah smooth dan medium
deteksi noise pada piksel-piksel yang bukan edge.
Deteksi noise pada daerah strong atau tepi
pendeteksian noise pada tepi hanya melibatkanpiksel-piksel yang telah diestimasi sebagai edge (tepi).
TINJAUAN PUSTAKA
TA_Ana Wahyu Hakim (5106100171)
Mendeteksi Noise
pada smooth dan medium region
Smooth dan medium region merupakan daerah dimana piksel-piksel nya merupakan piksel-piksel bukan edge
Disebut noise apabila :
≥ Ti
dengan dicari dengan menggunkan persamaan :
=
dimana Medij merupakan nilai tengah dari matriks 3x3. Dan Ti
dihitung dengan menggunakan persamaan :
Ti = K * ρij
ρij adalah standart deviasi dan K adalah variabel bebas.
TINJAUAN PUSTAKA(2)
TA_Ana Wahyu Hakim (5106100171)
Mendeteksi Noise
pada smooth dan medium region(2)
jika nilai lebih besar dari treshold maka piksel x(i,j)
diganti dengan nilai tengahnya, jika lebih kecil makanilai piksel x(i,j) tetap.
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Mendeteksi Noise pada Tepi
Untuk mendeteksi noise pada tepi, menggunakan perhitungan sbb:
d1 = |x i-1, j-1 – x i,j| & |x i+1,j+1 – x I, j|
d2 = |x i-1,j – x i,j| & |x i+1,j – x i,j|
d3 = |x i-1,j+1 – x i,j| & |x i+1,j-1 – x i,j|
d4 = |x i,j-1 – x i,j | & |x i,j+1 – x i,j|
selama x(i,j) dan piksel tetangganya telah diestimasi sebagai edge
1 0 0
0 1 0
0 0 1
50 3 5
10 255 4
10 10 51
x i-1, j-1 x i-1,j x i-1,j+1
x i,j-1 x i,j x i,j+1
x i+1,j-1 x i+1,j x i+1,j+1d1
d3
d4
d2
Dengan selisih x(i,j) dengantetangganya sesama edge lebih dari T makaX(i,j) merupakan noise dan akan diganti denganMedian (1x3) sesuai arahnya(sesuai contoh y(I,j) = 51)
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Adaptive-hierarchical filter
Proses filtering citra dengan tingkatan atau pelevelan image.
Pelevelan image dengan memperkecil resolusi citrasebanyak dua kali sehingga membentuk sebuah pyramid image.
Pyramid Image akan digunakan untuk meng-estimasi true edge atau struktur citra, dimana struktur citra ini sebagaiinformasi utama (prior information) untuk menghilangkannoise secara adaptive (bergantung pada struktur citra).
Proses hierarchy menggunakan average filter 2x2.
average
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Adaptive-hierarchical filter(2)
Disebut adaptive karena filtering yang dilakukanberbeda untuk piksel edge dan piksel bukan edge. Selain itu, bergantung pada struktur citra.
Tiap-tiap level image dideteksi tepinya denganmenggunakan operator sobel. Sedangkan untukmendeteksi tepi pada hierarchi edge detection (HED) dengan berdasarkan pada edge level dibawahnya.
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
TA_Ana Wahyu Hakim (5106100171)
Diagram Proses Hierarchical image (piramida citra)
Start
Image grayscale
(ukuran M x N)
Diberi noise
Average filter 2x2
Average filter 2x2
Image level 1
ukuran
M/2 x N/2
Image level 2
ukuran
M/4 x N/4
End
Image level 0,
(ukuran M x N )
Start
Image level 0
Dicek apakah
x(i,j) edge
x(i,j)=0 bukan edge
cek level 1
apakah x(i,j)
edge
cek level 2
apakah x(i,j)
edge
x(i,j)=1 edge
x(i,j)>T1
y(i,j)=x(i,j)y(i,j)=xmed(i,j)
Median 3x3
x(i,j)>T2
y(i,j)=x(i,j)y(i,j)=xmed(i,j)
Median 1x3 atau 3x1
y(i,j)=output_image
endTA_Ana Wahyu Hakim
(5106100171)
Diagram Proses HED
Evaluasi Citra Baboon
Kepadatan Noise
PSNR (dalam desibel)
Median SWM adaptive-hierarchical
5% 23,47 26,08 23,72
10% 23,13 24,24 23,53
15% 22,71 22,97 22,98
20% 22,04 21,96 22,54
25% 21,18 21,08 22,13
30% 20,00 20,3 21,68
35% 18,70 19,59 21,29
40% 17,31 19,1 20,92
45% 15,86 18,63 20,39
50% 14,47 18,19 20,04
55% 13,19 17,73 19,67
60% 12,02 17,29 18,86
Treshold filter adaptive-hierarchical
noise K T
5% 3 200
10% 3 150
15% 2,5 120
20% 2,5 110
25% 2,5 100
30% 2,5 100
35% 2,5 100
40% 2 85
45% 1,7 70
50% 1,5 60
55% 1,2 60
60% 1 50
Tabel diatas menunjukkan nilai tresholdyang digunakan dalam uji coba citrababoon
Kepadatan Noise
PSNR (dalam desibel)
Median SWM adaptive-hierarchical
5% 34,44 32,17 35,28
10% 33,31 29,51 34,20
15% 31,31 27,53 32,76
20% 28,65 25,97 32,53
25% 26,16 24,72 31,36
30% 23,51 23,35 29,24
35% 21,05 22,07 28,85
40% 19,01 22,44 28,19
45% 16,96 21,63 27,39
50% 15,23 20,84 27,00
55% 13,72 19,93 25,31
60% 12,35 19,21 23,13
Evaluasi Citra Lenna
Treshold filter adaptive-hierarchical
noise K T
5%2,5 110
10%2 110
15%2 90
20%2 80
25%2 80
30%2 70
35%2 70
40%1,5 60
45%1,5 60
50%1 55
55%1 50
60%1 40
Tabel diatas menunjukkan nilai tresholdyang digunakan dalam uji coba citra lenna
Citra Set III Car
Kepadatan Noise
PSNR (dalam desibel)
Median SWM
adaptive-
hierarchical
5% 30,97 30,83 27,71
10% 30,00 28,16 27,09
15% 28,50 26,38 26,57
20% 26,81 24,87 26,12
25% 24,98 23,62 25,55
30% 22,70 22,33 25,09
35% 20,37 21,08 24,81
40% 18,36 21,15 24,38
45% 16,44 20,36 23,98
50% 14,86 19,6 23,26
55% 13,28 18,64 22,80
60% 11,97 18,01 21,25
Evaluasi Citra Mobil
Treshold filter adaptive-hierarchical
noise K T
5%3 110
10%2,7 100
15%2,7 95
20%2,5 90
25%2 65
30%1,5 60
35%1,5 55
40%1,5 55
45%1,3 55
50%1,3 50
55%1 45
60%1 30
Tabel diatas ini menunjukkan nilai tresholdyang digunakan dalam uji coba citra mobil
Citra Set IV Paprika
Kepadatan Noise
PSNR (dalam desibel)
Median SWM
adaptive-
hierarchical
5% 34,20 32,23 32.38
10% 32,86 29,37 30.11
15% 31,20 27,59 29.53
20% 28,82 25,81 29.07
25% 25,96 24,54 28.78
30% 23,21 23,03 28.12
35% 20,90 21,66 27.47
40% 18,75 22,29 27.21
45% 16,92 21,36 26.90
50% 15,12 20,42 25.90
55% 13,60 21,36 24.76
60% 12,19 18,72 22.91
Evaluasi Citra Paprika
Treshold filter adaptive-hierarchical
noise K T
5%3 100
10%2,7 100
15%2,5 100
20%2,5 100
25%2,5 80
30%1,5 80
35%1,5 70
40%1,5 60
45%1,5 60
50%1 60
55%1 50
60%1 50
Tabel diatas menunjukkan nilai treshold yangdigunakan dalam uji coba citra paprika
Kesimpulan
Berdasarkan hasil uji coba yang dilakukan, dapat ditarikkesimpulan antara lain:
Hasil citra dengan menggunakan metode filter adaptive-hierarchical lebih bersih dibandingkan denganmenggunakan metode SWM maupun median filter 3x3.
Metode filter adaptive-hierarchical ini memilikiperforma lebih bagus jika digunakan pada citra yang piksel objeknya jauh berbeda dengan piksel noise. Contohnya: citra Lenna.
Dengan membedakan antara piksel tepi dengan daerahmedium dan smooth, dapat dicapai hasil yang maksimal,karena piksel pada tepi tidak rusak.
TA_Ana Wahyu Hakim (5106100171)
Secara umum, metode adaptive-hierarchical filter inimemiliki performa yang lebih tinggi pada saatkerapatan noisenya lebih tinggi atau diatas 15% dibandingkan dengan metode SWM dan median filter.
Hierarchi dalam metode ini dilakukan untuk mereduksinoise pada level sebelumnya agar bisa terdeteksi tepinya dengan lebih baik sehingga piksel pada tepi tidakrusak.
Semakin besar kerapatan noise maka threshold yang digunakan semakin rendah untuk mendapat PSNR yang tinggi,dan kualitas citra yang lebih bagus.
Kesimpulan (2)
TA_Ana Wahyu Hakim (5106100171)