Copyright @ 2007 by Emy
1
IMAGE RESTORATION
Copyright @ 2007 by Emy
2
1
Kompetensi • Mampu membedakan proses pengolahan citra mengunakan image enhancement dengan image restoration • Mampu menganalisis citra yang terkena noise dan melakukan proses perbaikan menggunakan metode pada proses image restoration Copyright @ 2007 by Emy
3
Image Enhancement vs Image Restoration
Image Enhancement • a subjective process • manipulation of image • memperbaiki tampilan citra untuk tujuan tertentu
Image Restoration • an objective process • reconstruction of image • memperbaiki suatu citra yang sudah terkena noise
Copyright @ 2007 by Emy
4
2
Restorasi Citra (2) • Termasuk dalam restorasi citra adalah menghilangkan jenis-jenis noise yang telah kita pelajari pada pertemuan sebelumnya. • Sebagai contoh, jika kita mengetahui bahwa noise bersifat periodik dan menyeluruh pada citra, maka kita bisa menghilangkannya dengan transformasi Fourier.
Copyright @ 2007 by Emy
5
Contoh Restorasi Citra
Copyright @ 2007 by Emy
6
3
Restorasi Area Berawan
Citra Optik Berawan Klasifikasi Citra Radar Restorasi Citra Optik (Sumber: Bakosurtanal RI; Area: Teluk Belantung) Copyright @ 2007 by Emy
7
Environmental Models
Copyright @ 2007 by Emy
8
4
Degradation Model f(x,y)
h(x,y)
Σ
g(x,y)
n(x,y) Degradation Model: g = h*f + n
Copyright @ 2007 by Emy
9
A Model of the Image Degradation /Restoration Process
g(x, y) = h(x, y) * f(x, y) + n(x, y) • • • • •
g(x, y) = degraded image h(x, y) = transfer function yang modelnya diketahui * = convolution f(x, y) = input image / ideal image yang dapat direkonstruksi n(x, y) = additive noise yang diketahui mean dan varian-nya
Copyright @ 2007 by Emy
10
5
Transformasi Radiometrik pada Domain Spasial
• g(x,y) = f(m,n) h(x-m,y-n) + n(x,y) g = degraded image, f = ideal image yang dapat direkonstruksi, h = transfer function yang modelnya diketahui, n = additive noise yang diketahui mean dan varian-nya Copyright @ 2007 by Emy
11
Restoration Model f(x,y)
Degradation Model
Restoration Filter
Unconstrained • Inverse Filter • Pseudo-inverse Filter
Copyright @ 2007 by Emy
f(x,y)
Constrained • Wiener Filter
demos/demo5blur_invfilter/ 12
6
A Model of the Image Degradation /Restoration Process
Copyright @ 2007 by Emy
13
Model Noise
Copyright @ 2007 by Emy
14
7
Gaussian Model Gaussian noise (normal noise model) PDF of a Gaussian random variable z,
p( z ) =
1 2πσ
e −( z − μ )
2
/ 2σ 2
Copyright @ 2007 by Emy
15
Rayleigh noise PDF for Rayleigh noise is : ⎧2 −( z − a ) 2 / b for z ≥ a ⎪ b {z − a}e ⎪ p( z ) = ⎨ ⎪ ⎪⎩ 0 for z < a
Copyright @ 2007 by Emy
16
8
Erlang (gamma) noise PDF for Erlang noise is : ⎧ a b z b−1 -az e ⎪ p( z ) = ⎨ (b − 1)! ⎪0 ⎩
for z ≥ 0 for z < 0
Copyright @ 2007 by Emy
17
Exponential noise PDF for exponential noise is :
⎧ae−az p(z) = ⎨ ⎩0
for z ≥ 0 for z < 0
Copyright @ 2007 by Emy
18
9
Uniform noise PDF for uniform noise is : ⎧ 1 ⎪ p( z) = ⎨ b − a ⎪⎩ 0
if a ≤ z ≤ b otherwise
Copyright @ 2007 by Emy
19
Impulse (salt-and-pepper) noise PDF for (bipolar) impulse noise is :
⎧ Pa ⎪ p ( z ) = ⎨ Pb ⎪0 ⎩
for z = a for z = b otherwise
Copyright @ 2007 by Emy
20
10
Linear Algebraic Restoration
Copyright @ 2007 by Emy
21
Inverse Filtering
• Jikalau H(u,v) pada persamaan 2 adalah nol atau nilainya sangat kecil, maka nilai N(u,v) / H(u,v) akan mendominasi nilai estimasi • Kerugian dari metode ini adalah tidak mempunyai ketetapan dalam menangani gangguan (noise) Copyright @ 2007 by Emy
22
11
Implementing Inverse Filtering
Copyright @ 2007 by Emy
23
Degradation & Restoration Examples: Gonzalez & Woods Atmospheric Atmospheric Turbulence Turbulence Model Model
Copyright @ 2007 by Emy
24
12
Implementing Inverse Filtering • G(u,v)/H(u,v) • Apply to the ratio Butterworth lowpass function of order 10 • Cutoff distances40, 70, 85 Copyright @ 2007 by Emy
25
Lost Information
Copyright @ 2007 by Emy
26
13
Permasalahan Pada Invers Filtering • H(u,v) = 0, untuk beberapa nilai u, v • untuk kasus noisy y = x *h + n n : additive noise
Copyright @ 2007 by Emy
27
Wiener Filtering • Metode ini memasukkan fungsi degradasi dan karakteritas statistik dari gangguan (noise) menjadi proses restorasi • Metode ini di founded oleh citra-citra yang dipertimbangkan (citra yang terkena gangguan) dan gangguan (noise) sebagai random processes Copyright @ 2007 by Emy
28
14
Formula Wiener Filtering • Least Mean Square Filter
• In practice
Copyright @ 2007 by Emy
29
Hasil Wiener Filtering
Copyright @ 2007 by Emy
30
15
Degradation & Restoration Examples: Gonzalez & Woods Atmospheric Atmospheric Turbulence Turbulence Model Model
Copyright @ 2007 by Emy
31
Wiener Filtering
Copyright @ 2007 by Emy
32
16
Constrained Least Square Filtering • Kesulitan dari Wiener filter adalah pangkat dari citra undergraded dan noise harus diketahui.
Copyright @ 2007 by Emy
33
Constrained Least Square Filtering (cont’d)
Copyright @ 2007 by Emy
34
17
Degradation & Restoration Examples: Gonzalez & Woods Example Example 5.10: 5.10: Planar Planar Motion Motion Model Model
Copyright @ 2007 by Emy
35
Degradation & Restoration Examples: Gonzalez & Woods Example Example 5.13: 5.13: Inverse Inverse and and Wiener Wiener Filtering Filtering
Copyright @ 2007 by Emy
36
18
Geometric Mean Filter • Bentuk generalisasi dari Filter Wiener ⎡ ⎤ ⎢ ⎥ ⎡ H * (u , v) ⎤ ⎢ ∧ H * (u , v) ⎥ f (u, v) = ⎢ ⎥ 2 ⎢ ⎡ ⎤ S (u , v) ⎥⎥ ⎢⎣ H (u, v) ⎥⎦ ⎢ 2 H (u, v) β ⎢ η ⎥ ⎢ ⎣⎢ S f (u , v) ⎦⎥ ⎥⎦ ⎣
1−α
α , βG (u , v)
⎡ ⎤ ⎢ ⎥ ⎡ H * (u , v) ⎤ ⎢ ∧ H * (u , v) ⎥ f (u , v) = ⎢ ⎥ 2 ⎢ ⎡ Sη (u , v) ⎤ ⎥ ⎢⎣ H (u , v) ⎥⎦ ⎢ 2 H (u, v) β ⎢ ⎥⎥ ⎢ S ( u , v ) ⎣⎢ f ⎦⎥ ⎥⎦ ⎣ Copyright @ 2007 by Emy
1−α
G (u , v)
37
Geometric Mean Filter (cont’d) • α, β bilangan konstan riil positif • Ketika α = 1, filter ini mereduksi inverse filter • Ketika α = 0, filter ini disebut sebagai Parametric Wiener Filter, dimana akan mereduksi wiener filter jika β = 1. • Ketika α = 1/2, filter ini baru disebut sebagai Geometric Mean Filter Copyright @ 2007 by Emy
38
19
Geometric Mean Filter (cont’d) • Ketika β = 1, α < ½, filter ini lebih cenderung sebagai Inverse Filter; α > ½ filter ini lebih cenderung sebagai Wiener Filter. • Ketika α = 1/2, β = 1, filter ini disebut sebagai Spectrum Equalization Filter. Copyright @ 2007 by Emy
39
Geometric Transformation (cont’d)
Copyright @ 2007 by Emy
40
20
IMAGE REGISTRATION
Copyright @ 2007 by Emy
41
Image Registration • Image registration terdiri dari dua tahap proses: – Spatial Transformation: merupakan pemetaan letak piksel yang dikoreksi pada bidang citra acuan. – Gray-level Interpolation: merupakan pemberian nilai intensitas piksel sesuai dengan nilai intensitas piksel bersangkutan, dan pemberian nilai intensitas piksel-piksel yang kosong berdasarkan interpolasi intensitas pikselpiksel yang berdekatan / tetangga (nearest neighbour method).
Copyright @ 2007 by Emy
42
21
Dua Citra Sebelum Proses Registrasi • Citra sensor optik (kiri) dengan ukuran piksel 30m x 30 m dan skala berbeda direkam dengan platform satelit. • Citra sensor Synthetic Aperture Radar (kanan) dengan ukuran piksel 20m x 20m dan skala berbeda direkam dengan platform pesawat udara
Copyright @ 2007 by Emy
43
Spatial Transformation • Misal model dari distorsi geometrik berbentuk bilinear mapping: X’ = C1*X + C2*Y + C3*X*Y + C4 Y’ = C5*X + C6*Y + C7*X*Y + C8
• Digunakan 10 – 20 Ground Control Points (GCPs). 8 koefisien C1 s/d C8 dapat diperoleh dari kedua persamaan diatas dengan 10 – 20 pasangan (X,Y) yang merupakan koordinat GCPs. Bila 8 koefisien C1 s/d C8 telah dapat dihitung, maka (X’,Y’) untuk setiap pasangan (X’,Y’) dan (X,Y) juga dapat dihitung. • Criterion of goodness yang biasa digunakan adalah E-RMS (root-mean-square error): E-RMS = sqrt (sum ((X’ - X)2 + (Y’ – Y)2) Copyright @ 2007 by Emy
44
22
Spatial Transformation
Registered
GCP
Copyright @ 2007 by Emy
45
Grey-level Interpolation • Proses pemetaan dengan transformasi spatial terkadang menghasilkan piksel-piksel yang kosong, yaitu posisi piksel pada bidang citra acuan yang tidak pernah ditempati oleh piksel yang dipetakan ke bidang citra tersebut. Akibatnya perlu ditentukan suatu intensitas yang harus diisikan pada pikselpiksel kosong tersebut. • Nearest-neighbour method: piksel yang kosong dapat diisi dengan salah satu nilai dari 4- atau 8-pikseltetangga-nya atau nilai rata-rata dari 4- atau 8-piksel tetangga-nya. Copyright @ 2007 by Emy
46
23
Apakah kegunaan dari image registration? • Bila diperlukan proses pengolahan citra yang menggunakan multitemporal atau multisensor images • Pada multitemporal, koreksi geometrik biasanya cukup dilakukan dengan proses translasi • Pada multisensor, koreksi geometrik umumnya merupakan proses image registration yang lebih kompleks
Copyright @ 2007 by Emy
47
Copyright @ 2007 by Emy
48
24