Rangkuman Pcd Alston

5/6/2018 Rangkuman Pcd Alston - slidepdf.com

http://slidepdf.com/reader/full/rangkuman-pcd-alston 1/10

Alston Evan Wijaya

0810117261401

3 TI A

Image Restoration

Tujuan utama dari teknik restorasi adalah untuk meningkatkan sebuah gambar dalam beberapa

pengertian yang telah ditetapkan. Restorasi merupakan usaha untuk memulihkan gambar yang

telah terdegradasi dengan menggunakan pengetahuan yang cukup mengenai fenomena

degradasi. Restorasi biasanya melibatkan perumusan kriteria perbaikan yang akan

menghasilkan perkiraan optimal yang diinginkan.

1. A Model of the Image Degradation/Restoration Process

Gambar yang terdegradasi dalam domain spatial dinyatakan dengan

dimana h(x,y) representasi spatial dari fungsi degradasi dan mengindikasikan

konvulsi. Oleh karena itu, kita mendapatkan representasi domain frekuensi

2.

Noise ModelsSumber utama dari noise terjadi pada saat pengakuisisian dan transmisi gambar.

Spatial and Frequency Properties of Noise

Properti frekuensi merujuk pada isi frekuensi dari noise dalam Fourier sense

Secara umum, kita asumsikan bahwa noise independen terhadap koordinat spasial dan tidak

berkorelasi dengan gambar itu sendiri



Some Important Noise Probability Density Functions

- Gaussian noise

PDF (Probability Density Function) untuk Gaussian noise adalah

Dimana z merupakan intensitas, µ adalah rata-rata dan adalah standar deviasi

- Rayleigh noise

PDF untuk Rayleigh Noise adalah:



- Erlang (Gamma) noise

PDF untuk Erlang (Gamma) Noise adalah:

- Exponential noise

PDF untuk Exponential Noise adalah:



- Uniform noise

PDF untuk Uniform Noise adalah:

- Salt-n-pepper noise

PDF untuk Salt-n-Pepper noise adalah:



- Periodic noise

Degradasi jenis ini muncul akibat interferensi magnetik/mekanik saat akuisisi citra.

Sifat noise spatial dependent dan sangat mudah dihilangkan dalam domain frekuensi

Estimation of Noise Parameters

- Periodic noise

o Periksa spektrum Fourier: spike

o Analisa otomatis ketika spike terjadi

- PDF

o Imaging sistem tersedia: capture uniform environment

o Imaging sistem tidak tersedia: mempertimbangkan patch kecil dari skala

keabuan

3. Restoration in the Presence of Noise OnlySpatial Filtering

Mean filter

Arithmetic Mean Filter

Ini adalah metode paling mudah dari mean filters. Misalkan Sxy mewakili

himpunan koordinat dalam sebuah window kotak subimage berukuran m x n,

berpusat di titik (x, y). Proses Arithmetic Mean Filtering menghitung rata rata

nilai dari gambar yang rusak g(x, y) pada area yang didefinisika oleh Sxy. Nilai

dari gambar yang diperbaiki pada tiap titik (x, y) adalah arithmetic mean mudah

yang dihitung dengan menggunakan pixel dalam daerah yang didefinisikan oleh

Sxy.

Geometric Mean Filter

Di sini, setiap pixel yang diperbaiki diberikan oleh hasil pixel dalam subimage

window, dinaikkan dengan factor 1/mn. Geometric Mean Filter menghasilkan

smoothing yang dapat dibandingkan dengan arithmetic mean filter, tetapi

cenderung menghilangkan detail image lebih sedikit dalam prosesnya.

HarmonicMean Filter

Filter ini bekerja dengan baik untuk salt noise, tetapi gagal untuk pepper noise.

Dapat bekerja baik dengan tipe noise yang lain seperti Gaussian noise.



ContraharmonicMean Filter

Filter ini sangat cocok untuk mengurangi atau secara virtual mengeliminasi efek

salt-and-pepper noise. Untuk nilai Q positif, filter mengeliminasi pepper noise.

Untuk nilai Q negatif ini mengeliminasi salt noise. Ini tidak dapat melakukankeduanya secara bersamaan. Perhatikan bahwa contraharmonic filter

mengurangi pada arithmetic mean filter jika Q = 0, dan ke harmonic mean filter

jika Q = -1.

Order-Statistics Filters

Order-statistic filter adalah spasial filter yang responsenya berdasarkan dalam ordering

(ranking) pixel yang dikandung image area yang dilingkupi oleh filter. Response dari

filter pada tiap titik ditentukan oleh hasil ranking.

Median Filter

Merupakan order-statistics filter yang paling banyak diketahui, yang mana sesuai

namanya, mengganti nilai pixel dengan median dari gray level dalam

neighbourhood dari pixel itu. Nilai asli dari pixel diikutkan dalam komputasi

median. Median filters sangat popular karena, untuk tipe tipe tertentu random

noise, dia memberikan kemampuan noise-reduction yang sangat baik, dengan

blurring yang amat lebih sedikit daripada linear smoothing filter dari ukuran yang

sama. Median filters secara khusus efektif dalam keadaan bipolar dan unipolar

impulse noise. Median filter memberikan hasil yang sangat bagus untuk image

yang dirusak oleh tipe noise ini.

Max and min filters

Filter ini sangat berguna untuk menemukan titik paling terang dari sebuah image.

Juga, karena pepper noise mempunyai nilai yang sangat rendah, ini dikurangi

dengan filter ini sebagai hasil dari proses max selection dalam subimage area Sxy.

Filter ini sangat berguna untuk menemukan titik tergelap dalam image. Juga, ini

mengurangi salt noise sebagai hasil dari min operation.

Midpoint filter

Midpoint filter dengan mudah menghitung midpoint antara nilai maksimum dan

minimum dalam area yang dicakup oleh filter. Perhatikan bahwa filter ini

mengkombinasikan order statistics dan averaging. Filter ini bekerja paling baik

untuk noise yang tersebar acak, seperti Gaussian atau uniform noise.



Alpha-trimmed mean filter

Misalkan kita menghapus nilai gray-level d/2 paling rendah dan d/2 paling tinggi

dari g(s,t) dalam neighbourhood Sxy. Anggap gr(s,t) mewakili mn-d pixel yang

tersisa. Sebuah filter yang dibentuk dengan averaging pixel yang tersisa ini

disebut alpha-

trimmed mean filter.

Adaptive Filters

Filter yang didiskusikan diatas diaplikasikan pada image tanpa memperhatikan

bagaimana karakterististik yang bermacam macam dari satu titik dan yang lain.

Adaptive filter mampu memberikan performa yang tinggi dibandingkan dengan filter

yang telah dibahas. Harga yang harus dibayar untuk meningkatkan kekuatan filtering

adalah peningkatan kompleksitas filter. Ingat, bahwa kita menghadapi kasus image

terdegradasi adalah sama dengan gambar asli ditambah noise. Tidak ada tipe degradasi

lain yang dipertimbangkan.

Adaptive, local noise reduction filter

Perhitungan statistic dari variable acak yang paling sederhana adalah mean dan

variance. Mereka adalah parameter yang layak untuk mendasari sebuah

adaptive filter karena mereka memberikan jumlah secara dekat yang

berhubungan dengan penampilan image. Mean memberikan ukuran rata rata

gray-level dalam region dimana mean dihitung, dan variance memberikan

ukuran rata rata kontras dalam region itu.

Adaptive median filter

Algoritma adaptive median filtering bekerja dalam dua level, disebut level A dan

level B, seperti berikut :

Level A : A1 = zmed - zmin A2 = zmed - zmaxIf A1 > 0 AND A2 < b1 =" zxy" b2 ="

zxy"> 0 AND B2 < 0 output zxy Else output zmed

4. Periodic Noise Reduction by Frequency Domain Filtering

Band Reject filter

Filter ini menghilangkan atau melemahkan band (pita) frequency di sekitar asal dari

transformasi Fourier terjadi.



Ideal band reject:

Butterworth band reject:

Gaussian band reject:

Bandpass filter

Filter ini merupakan kebalikan dari metode Bandreject. Filter ini jarang digunakan

karena dapat menghilangkan banyak detail gambar. Tetapi Filter ini dapat digunakan

untuk mengisolasi jenis frequency tertentu.

Notch Filter

Jika kedua filter diatas melakukan operasi di sekitar asal dari transformasi Fourier, maka

filter Notch melakukan operasi (reject/pass) di area sekitar pusat/asal dari frequency

Ideal notch filter:



Butterworth notch filter:

Gaussian notch filter:

5. Linear, Position-Invariant Degradations

Berbagai macam tipe degradasi dapat diperkirakan secara linear, proses position-

invariant. Keuntungan dari pendekatan ini adalah peralatan mahal seperti teori system

linear menjadi berharga untuk solusi dari permasalahan pemulihan gambar

6. Estimating the Degradation Function

Ada 3 prinsip utama untuk memperkirakan pemulihan gambar yang menggunakan

fungsi degradasi , yakni: 1. Observasi 2. Eksperimen 3. Model matematis Proses untuk

memulihkan gambar menggunakan fungsi degradasi yang telah diperkirakan

sebelumnya, terkadang disebut blind deconvolution. Estimation by Image Observation

(Perkiraan dengan pengamatan gambar) Estimation by Experimentation (Perkiraan

dengan percobaan) Estimation by Modelling (Perkiraan dengan permodelan)

7. Inverse filtering

Pendekatan paling sederhana untuk pemulihan adalah secara langsung membalik

penyaringan, yang kita hitung sebagai perkiraan, sebuah transformasi gambar

sederhana asli, didapatkan dengan membagi transformasi gambar degradasi , dengan

fungsi degradasi



8. Minimum Mean Square Error (Wiener) Filtering

Metode ini ditemukan dengan mengingat bahwa image dan noise sebagai proses acak,

dan tujuannya adalah menemukan sebuah estimasi dari image tidak terkorupsi f

sehingga mean square error antar mereka bisa diminimalisir. Biasa digunakan untuk

menghilangkan motion blur dan hanya efektif bila karakteristik dari noise dan imagediketahui.

9. Constrained Least Squares Filtering

Pada Wiener Filter terdapat kesulitan yaitu karakteristik dari image tidak terdegradasi

dan noise harus diketahui. Sedangkan metode yang akan dibahas ini dapat digunakan

jika kita memiliki pengetahuan yang terbatas tentang karakteristik noise karena hanya

membutuhkan pengetahuan dari mean dan variance noise.

10. Geometric Mean Filtering

Merupakan generalisasi dari Wiener Filter. Mempunyai pangkat dan 1- . Jika = 1,

maka filter ini akan menjadi Inverse Filter, jika = 0, maka akan menjadi Parametric

Wiener Filter, yang akan berubah menjadi Wiener Filter jika = 1. Jika = ½ yang berarti

pangkat depan dan belakang sama, dan merupakan definisi dari Geometric Mean

11. Geometric Transformation

Ada 2 operasi dasar yaitu:

1. Spatial Transformation

Penataan kembali pixel pada gambar, seperti:

- Melakukan penskalaan terhadap gambar

- Melakukan rotasi terhadap gambar

- Memperbaiki gambar yang miring

2. Gray-level Interpolation

Transformasi spatial membuat posisi-posisi tertentu menjadi tidak diketahui gray

levelnya, yang harus dicari dengan interpolasi.

Ada beberapa metode:

- Interpolasi orde nol

Interpolasi yang paling sederhana

Gray level yang dicari = gray level pixel terdekat

- Interpolasi bilinier

Gray level ditentukan berdasar 4 pixel tetangga terdekat

Dihitung dari : v(x,y) = ax + by + c xy +d

Rangkuman Pcd Alston

Documents

Transcript of Rangkuman Pcd Alston