RESTORASI CITRA Budi s
Sumber Noise Setiap gangguan pada citra dinamakan dengan noise Noise bisa terjadi : Pada saat proses capture (pengambilan gambar), ada beberapa gangguan yang mungkin terjadi, seperti : Kamera tidak fokus Munculnya bintik-bintik yang bisa jadi disebabkan oleh proses capture yg tdk sempurna Adanya kotoran-kotoran yang terjadi pada citra Here comes your footer Page 2
Karakteristik Noise Berdasarkan bentuk dan karakteristiknya, noise pada citra dibedakan menjadi beberapa macam, yakni sebagai berikut : 1. Gaussian Merupakan model noise yg mengikuti distribusi normal standard dengan rata-rata nol dan standard deviasi 1 Efek dari noise ini adalah munculnya titik-titik berwarna yg jumlahnya sama dengan prosentase noise. 2. Speckle Merupakan model noise yg membrikan warna hitam pada titik yg terkena noise 3. noise salt & pepper Memberikan noise seperti halnya taburan garam, akan memberikan warna putih pada titik yang terkena noise. Here comes your footer Page 3
Contoh Noise Here comes your footer Page 4
Image Restoration Seperti halnya Image Enhancement, tujuan utama teknik restorasi adalah untuk meningkatkan kualitas suatu citra Restorasi berupaya untuk merekonstruksi (reconstruct) atau mendapatkan kembali (recover) suatu citra yang telah mengalami penurunan kualitas (degraded) dengan menggunakan pengetahuan mengenai fenomena degradasi Teknik restorasi memodelkan degradasi dan menerapkan proses inverse yang bertujuan untuk memulihkan citra asli Here comes your footer Page 5
Image Enhancement : memperbaiki kualitas citra untuk tujuan tertentu atau bahkan memberi efek berlebih pada citra Image Restoration : memperbaiki suatu citra yang terkena noise (model noise sudah diketahui atau diduga sebelumnya) Here comes your footer Page 6
Model Degradasi Citra/Proses Restorasi f(x, y) g(x, y) f ˆ ( x, y) Noise η(x,y) DEGRADATION RESTORATION Here comes your footer Page 7
Noise Gaussian Dibuat dengan cara membangkitkan bilangan random [0,1] dengan distribusi Gaussian Untuk piksel yang terkena noise, nilai fungsi citra ditambahkan dengan noise yang ada, atau dirumuskan dengan : y(i, j) = x(i, j) + p.a Dimana : a : Bilangan acak berdistribusi Gaussian p : Prosentase noise y(i,j) : nilai citrayang terkena noise x(i,j) : nilai citra sebelum kena noise Here comes your footer Page 8
Noise Uniform Noise Uniform seperti halnya noise gausssian dapat dibangkitkan dengan cara membangkitkan bilangan acak [0,1] dengan distribusi uniform. Kemudian untuk titik-titik yang terkena noise, nilai fungsi citra ditambahkan dengan nilai noise yang ada, atau dirumuskan dengan: Here comes your footer Page 9
Untuk membangkitkan bilangan acak berdistribusi Gaussian, tidak dapat langsung menggunakan fungsi rnd, tetapi diperlukan suatu metode yang digunakan untuk mengubah distribusi bilangan acak ke dalam fungsi f tertentu g = imnoise(f, gaussian,m,var) Default untuk m = 0 dan var = 0.01 Here comes your footer Page 10
Noise Speckle Noise ini dapat dibangkitkan dengan cara membangkitkan bilangan 0 (warna hitam) pada titiktitik yang secara probabilitas lebih kecil dari nilai probabilitas noise, dan dirumuskan dengan f (x, y) = 0 jika p(x, y) < ProbNoise Dimana : f(x,y) adalah nilai gray-scale pada titik (x,y) p(x,y) adalah probabilitas acak Bila menggunakan Matlab bisa mengunakan perintah : g = imnoise(f, speckle,var) Default nilai var = 0.04 Here comes your footer Page 11
Noise salt & pepper Noise ini dapat dibangkitkan dengan cara membangkitkan bilangan 255 (warna putih) pada titiktitik yang secara probabilitas lebih kecil dari nilai probabilitas noise, dan dirumuskan dengan f (x, y) = 255 jika p(x, y) < ProbNoise Dimana : f(x,y) adalah nilai gray-scale pada titik (x,y) p(x,y) adalah probabilitas acak Bila menggunakan Matlab bisa mengunakan perintah : g = imnoise(f, salt & pepper,d) Default nilai d = 0.05 Here comes your footer Page 12
Mean Filters Arithmetic mean filter fˆ 1 mn x, y gs, t s, t S x, y Dapat diimplementasikan dengan menggunakan mask konvolusi yang semua koefisiennya bernilai 1/mn Noise berkurang sebagai akibat dari blurring Here comes your footer Page 13
Here comes your footer Page 14
Here comes your footer Page 15
Here comes your footer Page 16
Geometric mean filter fˆ x, y gs, t s, t Sx, y 1 mn Tiap pixel yang telah dipulihkan (restored pixel) diperoleh dari hasil perkalian pixel-pixel pada subimage yang kemudian dipangkatkan dengan 1/mn Lebih mengarah ke smoothing, namun cenderung kehilangan detail citra dalam prosesnya Here comes your footer Page 17
Reduksi Noise Menggunakan Filter Gaussian Filter gaussian ini sebenarnya hampir sama dengan filter rata-rata hanya ada nilai bobot yang tidak rata seperti pada filter rata-rata, tetapi mengikuti fungsi gaussian sebagai berikut: dimana: s adalah sebaran dari fungsi gaussian (m x,m y ) adalah titik tengah dari fungsi gaussian Here comes your footer Page 18
Model Fungsi Gaussian dalam ruang Here comes your footer Page 19
Kernel Gaussian Here comes your footer Page 20
Contoh Kernel Gausian 3x3 Here comes your footer Page 21
Contoh Kernel Gausian 3x3 Here comes your footer Page 22
Harmonic mean filter fˆ x, y s, t g s, S x, y mn 1 t Baik digunakan untuk salt noise, namun buruk digunakan untuk pepper noise Selain itu baik juga digunakan untuk model noise yang lain, seperti Gaussian noise Here comes your footer Page 23
Here comes your footer Page 24 Contraharmonic mean filter y x y x S t s Q S t s Q t s g t s g y x f,,,, 1,,, ˆ
Q adalah order dari filter Filter ini sesuai digunakan untuk mengurangi efek salt-and-pepper noise Q positif, filter mengurangi pepper noise Q negatif, filter mengurangi salt noise Q = 0, reduksi noise dengan arithmetic mean filter Q = -1, reduksi noise dengan harmonic mean filter Here comes your footer Page 25
Arithmetic dan geometric mean filters random noise seperti Gaussian atau uniform noise Contraharmonic filter impulse noise, seperti saltand-pepper noise. Namun kekurangannya, harus diketahui apakah noise gelap atau terang agar dapat menentukan nilai Q yang sesuai Here comes your footer Page 26
MSE (Mean Square Error) MSE merupakan salah satu image quality metrics yang digunakan untuk mengevaluasi algoritma noise reduction Semakin kecil nilai MSE, maka semakin baik algoritma noise reduction yang digunakan untuk merestorasi citra MSE 1 m mn 1 n1 f x, y fˆ x, y i0 j0 2 Here comes your footer Page 27
Rayleigh Noise p z b 0 2 2 za z ae b for for z z a a The mean and variance of this density are given by a b 4 b 4 2 4 Here comes your footer Page 28
Here comes your footer Page 29 Erlang (Gamma) Noise The mean and variance of this density are given by 0 0 0 1! 1 z for z for e b z a z p az b b a b 2 2 a b
Model-Model Noise Gaussian (Normal) Noise p 1 2 z 2 2 z e 2 z : gray level μ : mean of z σ : standard deviation σ 2 : variance of z Here comes your footer Page 30
Exponential Noise p z ae 0 az where a > 0 The mean and variance of this density are given by 1 a 2 1 a 2 for for z z 0 0 Here comes your footer Page 31
Uniform Noise p z 1 b a 0 if a z b otherwise The mean and variance of this density are given by a b 2 b 12 2 a 2 Here comes your footer Page 32
Impulse (salt-and-pepper) Noise p z P P 0 a b for z a for z b otherwise Here comes your footer Page 33
Model-model noise tersebut digunakan untuk memodelkan situasi kerusakan pada citra yang diakibatkan oleh noise Contoh: Noise Gaussian faktor elektronik (kurang pencahayaan, suhu yang terlalu tinggi) Noise Rayleigh pencitraan jarak (range imaging) Noise Eksponensial dan Gamma pencitraan laser Here comes your footer Page 34
Model-Model Noise Gaussian Rayleigh Gamma Here comes your footer Page 35
Exponential Uniform Salt & Pepper Here comes your footer Page 36