Upload
jouvery-prawira-pasaribu
View
232
Download
0
Embed Size (px)
Citation preview
8/17/2019 3709 Budi PCD Restorasi Citra Budi
1/36
RESTORASI CITRA
Budi s
8/17/2019 3709 Budi PCD Restorasi Citra Budi
2/36
Sumber Noise
Here comes your footer Page 2
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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
3/36
Karakteristik Noise
Here comes your footer Page 3
Berdasarkan bentuk dan karakteristiknya, noise pada citradibedakan 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 noise3. noise salt & pepper
Memberikan noise seperti halnya taburan garam, akan memberikanwarna putih pada titik yang terkena noise.
8/17/2019 3709 Budi PCD Restorasi Citra Budi
4/36
8/17/2019 3709 Budi PCD Restorasi Citra Budi
5/36
Image Restoration
Here comes your footer Page 5
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 yangtelah mengalami penurunan kualitas (degraded)
dengan menggunakan pengetahuan mengenai
fenomena degradasi
Teknik restorasi memodelkan degradasi danmenerapkan proses inverse yang bertujuan untuk
memulihkan citra asli
8/17/2019 3709 Budi PCD Restorasi Citra Budi
6/36
Here comes your footer Page 6
Image Enhancement : memperbaiki kualitas citra
untuk tujuan tertentu atau bahkan memberi efek
berlebih pada citra
Image Restoration : memperbaiki suatu citra yangterkena noise (model noise sudah diketahui atau
diduga sebelumnya)
8/17/2019 3709 Budi PCD Restorasi Citra Budi
7/36
Model Degradasi Citra/Proses
Restorasi
Here comes your footer Page 7
f(x, y)
g(x, y)
Noise
η(x,y)
),(ˆ y x f
DEGRADATION RESTORATION
8/17/2019 3709 Budi PCD Restorasi Citra Budi
8/36
Noise Gaussian
Here comes your footer Page 8
Dibuat dengan cara membangkitkan bilangan random [0,1] dengandistribusi Gaussian
Untuk piksel yang terkena noise, nilai fungsi citra ditambahkandengan 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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
9/36
Noise Uniform
Here comes your footer Page 9
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, nilaifungsi citra ditambahkan dengan nilai noise yang
ada, atau dirumuskan dengan:
8/17/2019 3709 Budi PCD Restorasi Citra Budi
10/36
Here comes your footer Page 10
Untuk membangkitkan bilangan acak berdistribusi
Gaussian, tidak dapat langsung menggunakan
fungsi rnd, tetapi diperlukan suatu metode yang
digunakan untuk mengubah distribusi bilangan acakke dalam fungsi f tertentu
g = imnoise(f,’gaussian’,m,var)
Default untuk m = 0 dan var = 0.01
8/17/2019 3709 Budi PCD Restorasi Citra Budi
11/36
Noise Speckle
Here comes your footer Page 11
Noise ini dapat dibangkitkan dengan caramembangkitkan bilangan 0 (warna hitam) pada titiktitikyang secara probabilitas lebih kecil dari nilaiprobabilitas 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 acakBila menggunakan Matlab bisa mengunakan perintah :
g = imnoise(f,’speckle’,var)
Default nilai var = 0.04
8/17/2019 3709 Budi PCD Restorasi Citra Budi
12/36
Noise salt & pepper
Here comes your footer Page 12
Noise ini dapat dibangkitkan dengan caramembangkitkan bilangan 255 (warna putih) pada titik-titik yang secara probabilitas lebih kecil dari nilaiprobabilitas 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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
13/36
Mean Filters
Here comes your footer Page 13
Arithmetic mean filter
Dapat diimplementasikan dengan menggunakan
mask konvolusi yang semua koefisiennya bernilai
1/mn
Noise berkurang sebagai akibat dari blurring
y xS t s
t s g mn
y x f ,,
,1
,ˆ
8/17/2019 3709 Budi PCD Restorasi Citra Budi
14/36
Here comes your footer Page 14
8/17/2019 3709 Budi PCD Restorasi Citra Budi
15/36
Here comes your footer Page 15
8/17/2019 3709 Budi PCD Restorasi Citra Budi
16/36
Here comes your footer Page 16
8/17/2019 3709 Budi PCD Restorasi Citra Budi
17/36
Here comes your footer Page 17
Geometric mean filter
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
mn
S t s y x
t s g y x f
1
, ,
,,ˆ
8/17/2019 3709 Budi PCD Restorasi Citra Budi
18/36
Reduksi Noise Menggunakan Filter
Gaussian
Here comes your footer Page 18
Filter gaussian ini sebenarnya hampir sama denganfilter rata-rata
hanya ada nilai bobot yang tidak rata seperti
pada filter rata-rata, tetapi mengikuti fungsigaussian sebagai berikut:
dimana: s adalah sebaran dari fungsi gaussian (mx,my) adalah titik tengah dari fungsi gaussian
8/17/2019 3709 Budi PCD Restorasi Citra Budi
19/36
Model Fungsi Gaussian dalam ruang
Here comes your footer Page 19
8/17/2019 3709 Budi PCD Restorasi Citra Budi
20/36
Kernel Gaussian
Here comes your footer Page 20
8/17/2019 3709 Budi PCD Restorasi Citra Budi
21/36
Contoh Kernel Gausian 3x3
Here comes your footer Page 21
8/17/2019 3709 Budi PCD Restorasi Citra Budi
22/36
Contoh Kernel Gausian 3x3
Here comes your footer Page 22
8/17/2019 3709 Budi PCD Restorasi Citra Budi
23/36
Here comes your footer Page 23
Harmonic mean filter
Baik digunakan untuk salt noise, namun buruk
digunakan untuk pepper noise
Selain itu baik juga digunakan untuk model noiseyang lain, seperti Gaussian noise
y xS t s t s g
mn y x f
,, ,
1,ˆ
8/17/2019 3709 Budi PCD Restorasi Citra Budi
24/36
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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
25/36
Here comes your footer Page 25
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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
26/36
Here comes your footer Page 26
Arithmetic dan geometric mean filters random
noise seperti Gaussian atau uniform noise
Contraharmonic filter impulse noise, seperti salt-
and-pepper noise. Namun kekurangannya, harusdiketahui apakah noise gelap atau terang agar
dapat menentukan nilai Q yang sesuai
8/17/2019 3709 Budi PCD Restorasi Citra Budi
27/36
MSE (Mean Square Error)
Here comes your footer Page 27
MSE merupakan salah satu image quality metrics
yang digunakan untuk mengevaluasi algoritma noise
reduction
Semakin kecil nilai MSE, maka semakin baikalgoritma noise reduction yang digunakan untuk
merestorasi citra
1
0
1
0
2
,ˆ,1 m
i
n
j
y x f y x f mn
MSE
8/17/2019 3709 Budi PCD Restorasi Citra Budi
28/36
Here comes your footer Page 28
Rayleigh Noise
The mean and variance of this density are given by
a z for
a z for ea z b z p
ba z
0
2 2
4ba
4
42
b
8/17/2019 3709 Budi PCD Restorasi Citra Budi
29/36
Here comes your footer Page 29
Erlang (Gamma) Noise
The mean and variance of this density are given by
00
0!1
1
z for
z for eb
z a
z paz
bb
a
b
2
2
a
b
8/17/2019 3709 Budi PCD Restorasi Citra Budi
30/36
Model-Model Noise
Here comes your footer Page 30
Gaussian (Normal) Noise
z : gray level
μ : mean of z
σ : standard deviation
σ 2 : variance of z
222
2
1
z e z p
8/17/2019 3709 Budi PCD Restorasi Citra Budi
31/36
Here comes your footer Page 31
Exponential Noise
where a > 0
The mean and variance of this density are given by
00
0
z for
z for ae z p
az
a
1
2
2 1
a
8/17/2019 3709 Budi PCD Restorasi Citra Budi
32/36
Here comes your footer Page 32
Uniform Noise
The mean and variance of this density are given by
otherwise
b z aif ab z p
0
1
2
ba
12
2
2 ab
8/17/2019 3709 Budi PCD Restorasi Citra Budi
33/36
Here comes your footer Page 33
Impulse (salt-and-pepper) Noise
otherwise
b z for P
a z for P
z pb
a
0
8/17/2019 3709 Budi PCD Restorasi Citra Budi
34/36
Here comes your footer Page 34
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
8/17/2019 3709 Budi PCD Restorasi Citra Budi
35/36
Model-Model Noise
Here comes your footer Page 35
Gaussian GammaRayleigh
8/17/2019 3709 Budi PCD Restorasi Citra Budi
36/36
Here comes your footer Page 36
Exponential Salt & Pepper Uniform