PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL

Transkripsi

1 PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL Kata Kunci : Noise Removal, Edge Detection, impuls noise, Oleh : ANA WAHYU HAKIM 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

2 PENDAHULUAN Latar Belakang Masalah Noise salt & pepper adalah bentuk noise yang biasanya terlihat titik-titik hitam dan putih pada citra yang disebabkan karena terjadinya error bit dalam pengiriman data, piksel-piksel yang tidak berfungsi maupun kerusakan pada lokasi memori. Oleh karena itu, diperlukan suatu proses noise filtering untuk mengurangi noise yang terdapat padanya. Sudah banyak metode yang dikemukakan untuk menghapus noise pada citra diantaranya median filter dan Switching median filter (SWM). Median Filter tidak dapat menjangkau daerah detil citra seperti daerah tepi, sedangkan filter SWM hanya menghilangkan noise ketika perbedaan piksel yang tinggi dengan tetangganya. Tugas akhir ini, mengimplementasikan penghapusan noise dengan meng-estimasi true edge menggunakan metode hierarchical edge detection (HED)

3 PENDAHULUAN(2) Permasalahan Bagaimana mengimplementasikan estimasi struktur citra dengan HED(Hierarchical Edge Detection) Bagaimana menghilangkan noise pada citra secara adaptif sesuai dengan informasi struktur citra yang dihasilkan pada proses HED

4 PENDAHULUAN(3) Batasan Masalah Ruang lingkup pembahasan : Implementasi metode filter dibuat dengan menggunakan Matlab 7.0 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 coba dibandingkan dengan data hasil uji coba metode SWM dan median filter.

5 PENDAHULUAN(4) Tujuan Penelitian Pengolahan citra untuk mendeteksi noise pada citra. Membuat aplikasi untuk menghapus noise pada citra dalam bentuk salt dan paper. Membuat aplikasi yang bisa menjaga detil citra dan lebih efektif digunakan pada kerapatan noise yang lebih tinggi.

6 TINJAUAN PUSTAKA Mendeteksi Noise Dalam metode filter adaptive-hierarchical, ada dua metode 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 melibatkan piksel-piksel yang telah diestimasi sebagai edge (tepi).

7 Mendeteksi Noise pada smooth dan medium region TINJAUAN PUSTAKA(2) Smooth dan medium region merupakan daerah dimana pikselpiksel nya merupakan piksel-piksel bukan edge Disebut noise apabila : T i dengan dicari dengan menggunkan persamaan : = dimana Med ij merupakan nilai tengah dari matriks 3x3. Dan T i dihitung dengan menggunakan persamaan : T i = K * ρ ij ρ ij adalah standart deviasi dan K adalah variabel bebas.

8 Mendeteksi Noise pada smooth dan medium region(2) TINJAUAN PUSTAKA(2) jika nilai lebih besar dari treshold maka piksel x (i,j) diganti dengan nilai tengahnya, jika lebih kecil maka nilai piksel x (i,j) tetap.

9 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 d4 d2 d3 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+1 d Dengan selisih x (i,j) dengan tetangganya sesama edge lebih dari T maka X (i,j) merupakan noise dan akan diganti dengan Median (1x3) sesuai arahnya (sesuai contoh y (I,j) = 51)

10 Adaptive-hierarchical filter TINJAUAN PUSTAKA(2) Proses filtering citra dengan tingkatan atau pelevelan image. Pelevelan image dengan memperkecil resolusi citra sebanyak dua kali sehingga membentuk sebuah pyramid image. Pyramid Image akan digunakan untuk meng-estimasi true edge atau struktur citra, dimana struktur citra ini sebagai informasi utama (prior information) untuk menghilangkan noise secara adaptive (bergantung pada struktur citra). Proses hierarchy menggunakan average filter 2x2. average

11 TINJAUAN PUSTAKA(2) Adaptive-hierarchical filter(2) Disebut adaptive karena filtering yang dilakukan berbeda untuk piksel edge dan piksel bukan edge. Selain itu, bergantung pada struktur citra. Tiap-tiap level image dideteksi tepinya dengan menggunakan operator sobel. Sedangkan untuk mendeteksi tepi pada hierarchi edge detection (HED) dengan berdasarkan pada edge level dibawahnya.

12 Diagram Proses Hierarchical image (piramida citra) Start Image grayscale (ukuran M x N) Diberi noise Image level 0, (ukuran M x N ) Average filter 2x2 Image level 1 ukuran M/2 x N/2 Average filter 2x2 Image level 2 ukuran M/4 x N/4 End

13 Diagram Proses HED Start Image level 0 Dicek apakah x(i,j) edge cek level 1 apakah x(i,j) edge cek level 2 apakah x(i,j) edge x(i,j)=0 bukan edge x(i,j)=1 edge x(i,j)>t 1 x(i,j)>t 2 y(i,j)=x(i,j) y(i,j)=xmed(i,j) Median 3x3 y(i,j)=x(i,j) y(i,j)=xmed(i,j) Median 1x3 atau 3x1 y(i,j)=output_image end

14 Uji coba citra Set II dengan noise 20% Image Noise SWM Adaptive-Hierarchical

15 Uji coba citra Set II dengan noise 20% (2) Image Noise SWM Adaptive-Hierarchical

16 Evaluasi Citra Baboon PSNR (dalam desibel) Kepadatan Noise 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% % % 2, % 2, % 2, % 2, % 2, % % 1, % 1, % 1, % 1 50 Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra baboon

17 Evaluasi Citra Lenna PSNR (dalam desibel) Kepadatan Noise 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 Treshold filter adaptive-hierarchical noise K T 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% 2, ,5 60 1, Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra lenna

18 Evaluasi Citra Mobil Citra Set III Car PSNR (dalam desibel) adaptivehierarchical Kepadatan Noise Median SWM 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 Treshold filter adaptive-hierarchical noise K T 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% , ,7 95 2, ,5 60 1,5 55 1,5 55 1,3 55 1, Tabel diatas ini menunjukkan nilai treshold yang digunakan dalam uji coba citra mobil

19 Evaluasi Citra Paprika Citra Set IV Paprika PSNR (dalam desibel) adaptivehierarchical Kepadatan Noise Median SWM 5% 34,20 32, % 32,86 29, % 31,20 27, % 28,82 25, % 25,96 24, % 23,21 23, % 20,90 21, % 18,75 22, % 16,92 21, % 15,12 20, % 13,60 21, % 12,19 18, Treshold filter adaptive-hierarchical noise K T 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60% , , , ,5 80 1,5 80 1,5 70 1,5 60 1, Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra paprika

20 Kesimpulan Berdasarkan hasil uji coba yang dilakukan, dapat ditarik kesimpulan antara lain: Hasil citra dengan menggunakan metode filter adaptive-hierarchical lebih bersih dibandingkan dengan menggunakan metode SWM maupun median filter 3x3. Metode filter adaptive-hierarchical ini memiliki performa lebih bagus jika digunakan pada citra yang piksel objeknya jauh berbeda dengan piksel noise. Contohnya: citra Lenna. Dengan membedakan antara piksel tepi dengan daerah medium dan smooth, dapat dicapai hasil yang maksimal,karena piksel pada tepi tidak rusak.

21 Kesimpulan (2) Secara umum, metode adaptive-hierarchical filter ini memiliki performa yang lebih tinggi pada saat kerapatan noisenya lebih tinggi atau diatas 15% dibandingkan dengan metode SWM dan median filter. Hierarchi dalam metode ini dilakukan untuk mereduksi noise pada level sebelumnya agar bisa terdeteksi tepi nya dengan lebih baik sehingga piksel pada tepi tidak rusak. Semakin besar kerapatan noise maka threshold yang digunakan semakin rendah untuk mendapat PSNR yang tinggi,dan kualitas citra yang lebih bagus.