3709 Budi PCD Restorasi Citra Budi

8/17/2019 3709 Budi PCD Restorasi Citra Budi

1/36

RESTORASI CITRA

Budi s


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


3/36

Karakteristik Noise


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.


4/36


5/36

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 yangtelah mengalami penurunan kualitas (degraded)

dengan menggunakan pengetahuan mengenai

fenomena degradasi

Teknik restorasi memodelkan degradasi danmenerapkan proses inverse yang bertujuan untuk

memulihkan citra asli


6/36


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)


7/36

Model Degradasi Citra/Proses

Restorasi


f(x, y)

g(x, y)

Noise

η(x,y)

),(ˆ y x f

DEGRADATION RESTORATION


8/36

Noise Gaussian


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


9/36

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, nilaifungsi citra ditambahkan dengan nilai noise yang

ada, atau dirumuskan dengan:


10/36


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


11/36

Noise Speckle


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


12/36

Noise salt & pepper


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


13/36

Mean Filters


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


14/36



15/36



16/36



17/36


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


18/36

Reduksi Noise Menggunakan Filter

Gaussian


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


19/36

Model Fungsi Gaussian dalam ruang



20/36

Kernel Gaussian



21/36

Contoh Kernel Gausian 3x3



22/36

Contoh Kernel Gausian 3x3



23/36


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


24/36


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


25/36


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


26/36


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


27/36

MSE (Mean Square Error)


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


28/36


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


29/36


Erlang (Gamma) Noise


00

0!1

1

z for

z for eb

z a

z paz

bb

a

b

2

2

a

b


30/36

Model-Model Noise


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


31/36


Exponential Noise

where a > 0


00

0

z for

z for ae z p

az

a

1

2

2 1

a


32/36


Uniform Noise


otherwise

b z aif ab z p

0

1

2

ba

12

2

2 ab


33/36


Impulse (salt-and-pepper) Noise

otherwise

b z for P

a z for P

z pb

a

0


34/36


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


35/36

Model-Model Noise


Gaussian GammaRayleigh


36/36


Exponential Salt & Pepper Uniform

Documents

3709 Budi PCD Restorasi Citra Budi