Pengolahan dalam Domain Spasial dan Restorasi Citra
description
Transcript of Pengolahan dalam Domain Spasial dan Restorasi Citra
Pengolahan dalam Domain Spasial
dan Restorasi CitraPengolahan Citra DigitalMateri 4
Eko PrasetyoTeknik Informatika
UMG-UPN Veteran Jatim2012
2
Konsep Domain Spasial Domain Spasial Operasi
pemfilteran secara linear. Mengalikan setiap piksel dalam
tetangga dengan koefisien yang terhubung kepadanya dan menjumlahkan hasilnya untuk mendapatkan jawaban pada setiap titik (x,y).
Jika ukuran tetangga adalah m x n, koefisien mn dibutuhkan. Koefisien dibentuk menjadi matriks yang disebut dengan filter, mask, filter mask, kernel, template, atau window.
3
Konsep Domain SpasialAda 2 konsep dalam filter spasial linier,
yaitu correlation (korelasi) dan convolution (konvolusi).
Korelasi adalah proses passing mask terhadap citra array f seperti yang digambarkan pada gambar sebelumnya.
Mekanisme konvolusi sama dengan korelasi, hanya saja w diputar 180o terlebih dahulu baru kemudian disampaikan pada citra f
4
Korelasi dan Konvolusi 1 dimensi
5
Korelasi dan Konvolusi 2 dimensikorelasi filter w(x,y) sebuah citra f(x,y) berukuran m x n dituliskan dengan w(x,y) f(x,y)
a
as
b
bttysxftsw ),(),(
w(x,y) f(x,y) =
konvolusi w(x,y) dan f(x,y) dituliskan w(x,y) f(x,y)
w(x,y) f(x,y) =
a
as
b
bttysxftsw ),(),(
R = w1z1 + w2z2 + … + wmnzmn
= wkzk
= wTz
mn
k 1
6
Mask 3 x 3
R = w1z1 + w2z2 + … + w9z9
= wkzk = wTz
9
1k
w1 w2 w3
w4 w5 w6
w7 w8 w9
w dan z adalah vektor 9 elemen yang dibentuk dari koefisien mask dan intensitas citra
Toolbox untuk melakukan filter linear spasial adalah fungsi imfilter dengan formula: g = imfilter(f, w, filtering_mode, boundary_option, size_option);
Pilihan PenjelasanMode Filter ‘corr’ Filter dilakukan menggunakan korelasi. Nilai
default
‘conv’ Filter dilakukan menggunakan konvolusiPilihan Boundary P Boundary cira input diperluas dengan lapisan
sebuah nilai, P (ditulis tanpa tanda petik). Ini merupakan nilai default dengan nilai 0.
‘replicate’ Ukuran citra diperluas dengan replikasi nilai dalam border luarnya.
‘symmetric’ Ukuran citra diperluas dengan refleksinya terhadap border.
‘circular’ Ukuran citra diperluas dengan menganggap citra sebagai satu periode fungsi periodik 2-D.
Pilihan Ukuran‘full’ Outputnya adalah ukuran yang sama dengan
citra yang diperluas.
‘same’ Outputnya adalah ukuran yang sama dengan input. Ini adalah nilai default.
7
Pemfilteran dengan korelasi
citra asli dengan opsi ‘default’
dengan opsi ‘replicate’
dengan opsi ‘symmetric’
dengan opsi ‘circular’
dengan opsi ‘replicate’ dan tipe uint8
>> f=imread('bw.png');>> f=rgb2gray(i); >> f=im2double(i);>> w=ones(31);>> g = imfilter(f,w);>> figure, imshow(g, [ ]);>> grep = imfilter(f,w,'replicate');>> figure, imshow(grep, [ ]);>> gsym = imfilter(f,w,'symmetric');>> figure, imshow(gsym, [ ]);>> gcir = imfilter(f,w,'circular');>> figure, imshow(gcir, [ ]);>> f8 = im2uint8(f);>> gf8 = imfilter(f8, w, 'replicate');>> figure, imshow(gf8, [ ]);
8
Filter Penghalusan (Smoothing) Digunakan untuk: mengaburkan (blurring)
dan untuk mengurangi noise pada citra. Blurring ini biasanya menjadi
preprocessing task dalam pengolahan citra, ◦ seperti membuang detail kecil citra untuk
mengekstraksi obyek yang besar dan penghubung gap kecil dalam garis atau kurva.
Pengurangan noise dapat dilakukan oleh blurring dengan filter linear maupun filter non-linear.
Filter Linear◦ Output dari smoothing dengan filter linear
adalah rata-rata nilai piksel dalam tetangga dari rentang mask filter.
◦ Disebut dengan averaging filter, disebut juga lowpass filter.
9
091
iizR
rata-rata level intensitas piksel dalam tetangga 3 x 3 yang didefinisikan oleh mask dengan w=1/9
9
Filter Penghalusan (Smoothing) (2)
0 3 3 2
4 2 4 6
3 7 3 5
2 7 2 4Input: 4x4 image Gray scale = [0,7]
a
as
b
bt
a
as
b
bt
tsw
tysxftswyxg
),(
),(),(),(
1 2 3 2
2 3 4 2
3 4 4 3
2 3 3 2Output: 4x4 image (smoothed) Gray scale = [0,7]
Filter rata-rata berukuran 3x3 (bentuk seperti dibawah)Opsi Boundary: default (0 disemua pad)
10
Filter Penghalusan (Smoothing) (3)
Hasil filter rata-rata dengan ukuran mask 3, 5, 9, 21,35
>> w3=ones(3)/9;>> w5=ones(5)/25;>> w9=ones(9)/81;>> w21=ones(21)/441;>> w35=ones(35)/1225;>> g3=imfilter(f,w3); >> figure, imshow(g3, [ ]);>> g5=imfilter(f,w5);>> figure, imshow(g5, [ ]);>> g9=imfilter(f,w9);>> figure, imshow(g9, [ ]);>> g21=imfilter(f,w21);>> figure, imshow(g21, [ ]);>> g35=imfilter(f,w35);>> figure, imshow(g35, [ ]);
11
Filter Penghalusan (Smoothing) (4)
0 3 3 2
4 2 4 6
3 7 3 5
2 7 2 4Input: 4x4 image Gray scale = [0,7]
Output: 4x4 image (smoothed) Gray scale = [0,7]
Filter rata-rata berukuran 3x3 (bentuk seperti dibawah)Opsi Boundary: default (0 disemua pad)
1 2 2 2
2 3 4 3
3 4 4 3
2 4 3 2
12
Penghalusan dengan Filter non-Linear (Order-Statistic) Order-statistic adalah filter spasial non-linear yang hasilnya
didasarkan pada urutan (rangking) piksel yang mengisi area citra yang diapit filter dan kemudian mengganti nilai dari pusat piksel dengan nilai yang ditentukan oleh hasil perangkingan.
Filter yang paling dikenal: median filter. ◦ Filter median mengganti nilai piksel dengan median dari nilai
intensitas dalam tetangga dari piksel tersebut (nilai asli dari piksel tersebut termasuk dalam perhitungan median)
◦ Baik untuk menghilangkan salt-and-pepper noise karena sifat median yang menjauhi hitam dan putih.
0 3 3 24 2 4 63 7 3 52 7 2 4Citra asli
0 2 2 02 3 3 32 3 4 30 2 3 0
median filter
Filter median 3x3
1 1 11 1 11 1 1
Toolbox fungsi ordfilt2 menghasilkan order-statistic filters. g = ordfilt2(f, order, domain)order adalah nilai ke-x hasil pengurutan tetangga yang ditentukan oleh bukan nol dalam domain.
13
Penghalusan dengan Filter non-Linear (Order-Statistic) (2)
Filter lain yang diberikan oleh statistik dasar. Jika menggunakan nilai terbesar urutan maka akan menjadi max filter:◦ Berguna untuk mencari titik-titik yang paling terang dalam citra. ◦ Hasil dari filter max 3 x 3 diberikan oleh R = max{zk|k = 1, 2, …, 9}.
Filter order-statistic dengan mengambil nilai terkecil disebut min filter :◦ Digunakan untuk tujuan mencari titik-titik yang paling gelap◦ Hasil dari filter min 3 x 3 diberikan oleh R = min{zk|k = 1, 2, …, 9}.
0 3 3 24 2 4 63 7 3 52 7 2 4
4 4 6 67 7 7 67 7 7 67 7 7 5
max filterCitra asli
0 0 0 00 0 2 00 2 2 00 0 0 0min filter
14
Penghalusan dengan Filter non-Linear (Order-Statistic) (3) Toolbox filter spasial non-linear adalah fungsi ordfilt2 yang
menghasilkan order-statistic filters. ◦ g = ordfilt2(f, order, domain)◦ order adalah nilai ke-x hasil pengurutan tetangga yang ditentukan oleh
bukan nol dalam domain. Untuk filter median:
◦ g = ordfilt2(f, median(1:m*n), ones(m, n))◦ g = medfilt2(f, [m n], padopt)
[m n] mendefinisikan tetangga ukuran m x n di mana median dihitung, padopt menetapkan satu dari tiga pilihan border-padding: ‘zeros’ (default),
‘symmetric’ di mana f diperluas secara simetris dengan mirror-reflecting pada bordernya, dan ‘indexed’ di mana f dilapisi dengan satu jika menggunakan class double dan 0 jika yang lain
Untuk filter max:◦ g = ordfilt2(f, m*n, ones(m, n))
Untuk filter min:◦ g = ordfilt2(f, 1, ones(m, n))
15
Penghalusan dengan Filter non-Linear (Order-Statistic) (4)
>> f = imread('anak.tif');>> fb = imnoise(f,'salt & pepper', 0.2);>> gm = medfilt2(fb);>> gm2 = medfilt2(fb,[5 5]);>> gm3 = medfilt2(fb,[7 7]);
Citra asli Salt and Pepper noise
Hasil median 3x3 Hasil median 5x5 Hasil median 7x7
16
Filter Penajaman (Sharpening) Penajaman (sharpening) adalah untuk memperterang (highlight) dalam intensitas
citra. Turunan dari fungsi digital didefinisikan dengan istilah differences. Definisi yang digunakan dalam turunan pertama adalah:
1. Harus menjadi nol pada daerah intensitas yang konstan.2. Harus menjadi tidak nol pada titik datangnya intensitas step (naik) dan ramp (turun).3. Harus menjadi tidak nol pada daerah sepanjang ramp.
Definisi yang digunakan dalam turunan kedua adalah:1. Harus menjadi nol pada daerah intensitas yang konstan.2. Harus menjadi tidak nol pada titik datangnya intensitas step (naik) dan ramp (turun).3. Harus menjadi nol pada daerah sepanjang ramp.
turunan pertama fungsi f(x,y) satu dimensi
)()1( xfxfxf
turunan kedua f(x) sebagai diferensial
)(2)1()1(2
2
xfxfxfxf
17
Filter Penajaman: Laplacian Filter Laplacian sebuah citra f(x,y) dinyatakan oleh 2f(x,y) yang
didefinisikan dengan:
Umumnya menggunakan perkiraan digital turunan kedua:
dan :
Jika digabung dalam 2f(x,y) menjadi:
Pernyataan ini diimplementasikan pada semua titik (x,y) dalam citra dengan mengisikan konstanta suku sebagai nilai filter mask sesuai dengan letak yang ditunjukkan oleh sukunya
2
2
2
22 ),(),(),(
yyxf
xyxfyxf
),(2),1(),1(2
2
yxfyxfyxfxf
),(2)1,()1,(2
2
yxfyxfyxfyf
),(4)1,()1,(),1(),1(2 yxfyxfyxfyxfyxff
18
Filter khusus dalam matlab: fspecial()
w = fspecial(‘type’, parameter)di mana ‘type’ adalah jenis filter yang digunakan,
sedangkan parameter mendefinisikan filter tetapannya>> w=fspecial('laplacian',0)w = 0 1 0 1 -4 1 0 1 0 >> w=[0 1 0; 1 -4 1; 0 1 0];>> g=imfilter(f,w);
1 1 1 1
1 1 1 1
1 1 6 6
1 6 6 5
-2 -1 -1 -2
-1 0 5 4
-1 10 -10 -12
3 -16 -7 -8
19
Type Syntax dan Parameter‘average’ fspecial(‘average’, [r c]). Filter rata-rata persegi panjang dari ukuran r x c, default-nya 3x 3, satu
angka menunjukkan [r c] menetapkan filter bujur sangkar‘disk’ fspecial (‘disk’, r). Filter rata-rata circual (dengan bujur sangkar ukuran 2r+1) dengan radius r,
default radius adalah 5.‘gaussian’ fspecial (‘gaussian’, [r c], sig). Filter lowpass Gaussian dengan ukuran r x c dan standard deviasi
sig positif. Defaultnya 3 x 3 dan 0.5, satu angka dari [r c] menunjukkan filter bujur sangkar.‘laplacian’ fspecial (‘laplacian’, alpha). Filter Laplacian 3 x 3 yang bentuknya ditentukan alpha, angka pada
range [0, 1], nilai default alpha adalah 0.5‘log’ fspecial (‘log’, [r c]). Laplacian dari filter Gaussian (LoG) berukuran r x c dan standard deviasi sig
positif. Nilai default 5 x 5 dan 0.5, satu angka menunjukkan [r c] menetapkan filter bujur sangkar.‘motion’ fspecial (‘motion’, len, theta). Output sebuah filter, ketika digunakan dengan sebuah citra,
memperkirakan motion linear len piksel. Arah motion adalah theta, diukur dengan sudut horizontal. Defaultnya 9 dan 0 yang merepresentasikan motion 9 piksel dengan arah horizontal.
‘prewitt’ fspecial (‘prewitt’). Output mask Prewitt 3 x 3, wv, yang memperkirakan sebuah gradien vertikal. Mask untuk gradien horizontal didapatkan dengan mentranspose hasil wh = wv’
‘sobel’ fspecial (‘sobel’). Output mask Sobel 3 x 3, sv, yang memperkirakan sebuah gradien vertikal. Mask untuk gradien horizontal didapatkan dengan mentranspose hasil sh = sv’
‘unsharp’ fspecial (‘unsharp’, alpha). Output filter unsharp 3 x 3. Parameter alpha mengontrol bentuk; nilainya harus lebih besar dari 0 dan lebih kecil atau sama dengan 1.0, defaultnya 0.2
Filter spasial yang didukung oleh fspecial
20
Filter Penajaman: Laplacian (2)
>> w1 = [0 1 0; 1 -4 1; 0 1 0];>> w2 = [1 1 1; 1 -8 1; 1 1 1];>> f = imread('srikaya.tif');>> f2 = im2double(f);>> g4 = imfilter(f2,w1,'replicate');>> g4 = f2 - g4;>> g8 = imfilter(f2,w2,'replicate');>> g8 = f2 - g8; Citra asli
Hasil penajaman
21
Filter GradienTurunan pertama pengolahan citra digital
diimplementasikan jarak (panjang) gradien. Untuk fungsi f(x,y), gradien f pada koordinat (x,y)
didefiniskan sebagai vektor kolom 2-dimensi:
Panjang vektor ini diberikan oleh:
Model lain:◦ M(x,y) |gx| + |fy|
yfxf
gg
fgradfy
x)(
2/122 )()(),( yx ggfmagyxM
22
Filter Gradien: Robert dan Sobel Dua definisi lain yang diusulkan oleh Robert[1965]:
◦ gx = (z9 – z5) dan gy = (z8 – z6) Jika menggunakan formula M(x,y), gx dan gy, maka untuk menghitung citra
gradien dengan:◦ M(x,y) = [(z9 – z5)2 + (z8 – z6)2]1/2
Formula yang lain:◦ M(x,y) |z9 – z5| + |z8 – z6|
Perkiraan nilai gx dan gy menggunakan tetangga 3 x 3 yang terpusat di z5 sbb:
◦ Dan
◦ Sehingga: M(x,y) = |(z7 + 2z8 + z9) – (z1 + 2z2 + z3| + |(z3 + 2z6 + z9) – (z1 + 2z4 + z7)|
)2()2( 321987 zzzzzzdxdfg x
)2()2( 741963 zzzzzzdydfg y
23
Filter Gradien: Sobel0 3 3 2
4 2 4 6
3 7 3 5
2 7 2 4
10 12 16 16
10 11 7 6
1 6 -1 -6
-13 -20 -18 -13
0 3 3 2
4 2 4 6
3 7 3 5
2 7 2 4
8 6 2 -10
14 3 5 -14
23 0 -3 -12
21 0 -8 -7
gx
gy
18 18 18 6
24 14 12 -8
24 6 -4 -18
8 -20 -26 -20
g = gx + gy
24
Filter Gradien: Sobel (2)
Citra asli
Gradien gx Gradien gy
Gradien gx dan gy
>> f = imread('lensa_kontak.png');>> wh = [-1 -2 -1; 0 0 0; 1 2 1];>> wv = [-1 0 1; -2 0 2; -1 0 1];>> gx = imfilter(f,wh);>> figure, imshow(gx, [ ]);>> gy = imfilter(f,wv);>> figure, imshow(gy, [ ]);>> g = gx + gy;>> figure, imshow(g, [ ]);
25
Degradasi dan Restorasi Citra Proses degradasi dimodelkan sebagai sebuah fungsi degradasi yang
digabungkan dengan syarat additive noise◦ Mengoperasikan citra input f(x,y) untuk menghasilkan citra terdegradasi g(x,y).
Jika ada g(x,y), fungsi degradasi H dan syarat additive noise (x,y), obyektif dari restorasi adalah untuk mendapatkan perkiraan f’(x,y) dari citra original.
Diinginkan memperkirakan kemungkinan yang semirip mungkin terhadap citra input original.
Citra terdegradasi dalam domain spasial:◦ g(x,y) = h(x,y) f(x,y) + (x,y)◦ di mana h(x,y) adalah representasi spasial dari fungsi degradasi, simbol “” adalah
konvolusi. Dalam domain spasial, konvolusi dianalogikan dengan perkalian dalam
domain frekuensi, sehingga formula di atas dapat dituliskan dalam domain frekuensi dengan bentuk:◦ G(u,v) = H(u,v)F(u,v) + N(u,v)
Fungsi degradasi
H+f(x,y)
g(x,y)
f’(x,y)
Noise(x,y)
DEGRADASI RESTORASI
Filter restorasi (s)
26
Model Noise Sumber noise bisa terjadi sejak pengambilan dan atau transmisi citra. Kinerja dari sensor citra dipengaruhi oleh banyak faktor seperti kondisi
lingkungan selama pengambilan citra dan oleh kualitas sensitivitas elemen itu sendiri. ◦ Contoh, dalam pengambilan citra dengan kamera CCD, level pencahayaan
dan suhu sensor adalah faktor utama yang memengaruhi tingkat noise pada citra yang dihasilkan.
Citra yang terkorupsi selama transmisi secara prinsip disebabkan interferensi channel yang digunakan untuk transmisi. ◦ Misalnya, citra yang ditransmisikan menggunakan jaringan wireless dapat
terkorupsi sebagai hasil dari pencahayaan atau pengaruh atmosfer yang lain Gaussian Noise
◦ PDF (probability density function) variabel random Gaussian z
◦ di mana z merepresentasikan intensitas, ź adalah nilai rata-rata z dan adalah standar deviasi
22 2/)(
21)(
zzezp
27
Model Noise (2) Rayleigh Noise
◦ PDF noise Rayleigh diberikan oleh:
◦ Rata-rata dan varian diberikan oleh formula:
◦ Dan
Erlang (gamma) noise◦ PDF noise Erlang diberikan oleh:
◦ di mana parameter a > 0, b integer positif dan “!” mengindikasikan faktorial. Rata-rata dan varian dari kepadatan ini diberikan oleh:
◦ Dan
a z 0
a z )(2)(
/)( 2
untuk
untukeazbzp
baz
4/baz
4)4(2 b
abz
0 z 0
0 z )!1()(
1
untuk
untukeb
zazp
azbb
2
2
ab
28
Model Noise (3) Exponential Noise
◦ PDF exponential noise diberikan oleh:
◦ di mana a > 0. Rata-rata dan varian dari kepadatan ini adalah:
◦ dan Uniform Noise
◦ PDF uniform noise diberikan oleh:
◦ Rata-rata dan varian dari kepadatan ini adalah:
◦ Dan
Impuls (Salt-and-Pepper Noise)
0 zuntuk 00 z
)(untukae
zpaz
az 1
2
2 1a
lainnya
jikaabzp
0
b z a 1)(
2baz
12)( 2
2 ab
lainnya0
b zuntuk a zuntuk
)( b
a
PP
zp
29
Model Noise (4)
30
Ilustrasi noise
0 50 100 150 200 250
0
1
2
3
4x 10
4
31
Teknik Restorasi : Mean Filter Arithmetic Mean Filter
◦ Sxy adalah window mask◦ Menghitung nilai rata-rata citra terkorupsi g(x,y) pada daerah yang
didefinisikan oleh Sxy
Geometric mean filter◦ Perkalian piksel dalam window sub-image, yang dipangkatkan
dengan 1/mn. ◦ Menghasilkan citra yang lebih halus dibanding arithmetic mean filter
tetapi tetap menghilangkan sedikit detail citra dalam prosesnya
Harmonic Mean Filter◦ Bekerja dengan baik pada salt noise, tetapi tidak untuk pepper
noise. ◦ Bekerja dengan baik pada jenis noise seperti noise Gaussian
xySts
tsgmn
yxf),(
),(1),(
mn
Sts xy
tsgyxf1
),(),(),(
xySts tsg
mnyxf
),( ),(1),(
32
Teknik Restorasi: Mean Filter (2)Contraharmonic Mean Filter
◦ Q disebut dengan order filter. ◦ Sangat cocok untuk mengurangi pengaruh noise
salt-and-pepper. ◦ Untuk Q positif, filter mengeleminasi pepper noise. ◦ Untuk Q negatif, filter menghilangkan salt noise. ◦ Kedua hal tersebut tidak bisa bekerja bersama-
sama. ◦ Contra-harmonic mean filter akan berubah
mirip arithmetic mean filter jika Q = 0, dan mirip harmonic mean filter jika Q = -1
xy
xy
Sts
Q
Sts
Q
tsg
tsgyxf
),(
),(
1
),(
),(),(
33
Restorasi dengan aritmetik dan geometrik mean filter
>> g = imnoise(f,'gaussian');>> figure, imshow(g);
>> fave = spfilt(g,'amean', 3, 3);>> figure, imshow(fave);>> fgeo = spfilt(g,'gmean', 3, 3);>> figure, imshow(fgeo);
Citra dikorupsi oleh noise GaussianCitra asli
difilter dengan arithmetic mean filter dengan ukuran 3x3
difilter dengan geometric mean filter dengan ukuran 3x3
34
Restorasi dengan filter: contraharmonic, max dan min
Pndegradasian citra dengan noise>> [M, N] = size(f);>> R = imnoise2('salt & pepper', M, N, 0.1, 0);>> c = find(R == 0);>> gpep = f;>> gpep(c) = 0;>> R = imnoise2('salt & pepper', M, N, 0, 0.1);>> c = find(R == 1);>> gsal = f;>> gsal(c) = 255;>> figure, imshow(gpep);>> figure, imshow(gsal);
Citra terkorupsi dengan pepper noise
Citra terkorupsi dengan salt noise
35
Contraharmonic dan max
Hasil filter contraharmonic ukuran 3x3 dengan order 1.5
Hasil filter max ukuran 3x3Citra terkorupsi dengan pepper noise
>> fconp = spfilt(gpep,'chmean', 3, 3, 1.5);>> figure, imshow(fconp);>> fpep = spfilt(gpep,'max', 3, 3);>> figure, imshow(fpep);
36
Contraharmonic dan min
Hasil filter contraharmonic ukuran 3x3 dengan order -1.5
Hasil filter min ukuran 3x3Citra terkorupsi dengan salt noise
>> fconn = spfilt(gsal,'chmean', 3, 3, -1.5);>> figure, imshow(fconn);>> fsal = spfilt(gsal,'min', 3, 3);>> figure, imshow(fsal);
37
Teknik Restorasi: Order-statistik Filter spasial yang hasilnya didasarkan dari pengurutan
(perangkingan) nilai piksel yang merupakan isi daerah citra yang diterapkan oleh filter.
Hasil rangking menentukan hasil filter. Filter median
◦ Mengganti nilai piksel dengan median dari level intensitas dalam tetangga piksel yang telah dilakukan perangkingan (piksel pusat juga ikut dirangking)
◦ Untuk jenis random noise tertentu memberikan kemampuan pengurangan noise yang sangat baik, dengan memperhatikan pengurangan blurring filter smoothing linier pada ukuran yang sama
Filter max
)},({),(),(
tsgmedianyxfxySts
38
Teknik Restorasi: Order-statistik (2)Filter max
◦ Sangat berguna untuk mencari titik-titik yang paling terang dalam citra.
◦ Pepper noise dapat dikurangi oleh filter ini sebagai hasil proses pemilihan max dalam sub-image Sxy.
Filter min◦ Sangat berguna untuk mencari titik-titik paling gelap dalam
citra, dan mengurangi salt noise sebagai hasil operasi min
Filter midpoint◦ Menghitung titik tengah antara nilai maksimum dan
minimum dalam daerah yang diliputi oleh filter
)},({max),(),(
tsgyxfxySts
)},({min),(),(
tsgyxfxySts
)},({min)},({max21),(
),(),(tsgtsgyxf
xyxy StsSts
39
Teknik Restorasi: Order-statistik (3) – Alpha Trimmed
Andaikan bahwa akan menghapus d/2 nilai intensitas terendah dan d/2 nilai intensitas tertinggi dari g(x,y) dalam tetangga Sxy. Jika gr(s,t) mereprsentasikan sisa mn – d piksel, Filter dibentuk oleh rata-rata sisa piksel ini yang disebut alpha-trimmed mean filter.
Di mana nilai d dalam range [0, mn – 1]. Ketika d=0, alpha-trimmed mendekati arithmetic mean filter. Jika d =mn-1,
filter ini menjadi filter median. Untuk nilai d yang lain, filter ini sangat berguna dalam situasi yang
menyertakan beberapa jenis noise, seperti kombinasi noise salt-and-pepper dengan Gausian
xySts
r tsgdmn
yxf),(
),(1),(
>> g = imnoise(f,'gaussian');>> fgau = spfilt(g,'midpoint', 3, 3);>> figure, imshow(fgau);>> fatr = spfilt(g,'atrimmed', 3, 3, 2);>> figure, imshow(fatr);
Hasil filter midpoint ukuran 3x3 pada citra dengan pepper noise
Hasil filter alpha-trimmed ukuran 3x3, d=2 pada citra dengan pepper noise
Citra terkorupsi dengan pepper noise
40
ANY QUESTION ?To Be Continued … Materi 5 – Morfologi Citra