PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVE-HIERARCHICAL Kata Kunci : Noise Removal, Edge Detection, impuls noise, Oleh :
ANA WAHYU HAKIM (5106100171) 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
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) TA_Ana Wahyu Hakim (5106100171)
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
TA_Ana Wahyu Hakim (5106100171)
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.
TA_Ana Wahyu Hakim (5106100171)
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.
TA_Ana Wahyu Hakim (5106100171)
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).
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Mendeteksi Noise pada smooth dan medium region Smooth dan medium region merupakan daerah dimana pikselpiksel nya merupakan piksel-piksel bukan edge Disebut noise apabila : ≥ Ti dengan dicari dengan menggunkan persamaan : = dimana Medij merupakan nilai tengah dari matriks 3x3. Dan Ti dihitung dengan menggunakan persamaan : Ti = K * ρij ρij adalah standart deviasi dan K adalah variabel bebas.
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Mendeteksi Noise pada smooth dan medium region(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.
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Mendeteksi Noise pada Tepi Untuk mendeteksi noise pada tepi, menggunakan perhitungan sbb: d2
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|
d4
d3
x i-1, j-1 x i-1,j
x i-1,j+1
x i,j-1
x i,j+1
x i,j
x i+1,j-1 x i+1,j
x i+1,j+1
selama x(i,j) dan piksel tetangganya telah diestimasi sebagai edge
1
0
0
50
3
5
0
1
0
10
255
4
0
0
1
10
10
51
d1
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)
TA_Ana Wahyu Hakim (5106100171)
TINJAUAN PUSTAKA(2)
Adaptive-hierarchical filter 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 TA_Ana Wahyu Hakim (5106100171)
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.
TA_Ana Wahyu Hakim (5106100171)
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
TA_Ana Wahyu Hakim (5106100171)
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)>T2
x(i,j)>T1
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
TA_Ana Wahyu Hakim (5106100171)
Uji coba citra Set II dengan noise 20% Image Noise
SWM
Adaptive-Hierarchical
Uji coba citra Set II dengan noise 20% (2) Image Noise
SWM
Adaptive-Hierarchical
Evaluasi Citra Baboon Treshold filter adaptive-hierarchical
PSNR (dalam desibel) Kepadatan Noise
Median
SWM
adaptive-hierarchical
noise
K
T
5%
23,47
26,08
23,72
5%
3
200
10%
23,13
24,24
23,53
10%
3
150
15%
22,71
22,97
22,98
15%
2,5
120
20%
22,04
21,96
22,54
20%
2,5
110
25%
21,18
21,08
22,13
25%
2,5
100
30%
20,00
20,3
21,68
30%
2,5
100
35%
18,70
19,59
21,29
35%
2,5
100
40%
17,31
19,1
20,92
40%
2
85
45%
15,86
18,63
20,39
45%
1,7
70
50%
14,47
18,19
20,04
50%
1,5
60
55%
1,2
60
55%
13,19
17,73
19,67
60%
1
50
60%
12,02
17,29
18,86
Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra baboon
Evaluasi Citra Lenna PSNR (dalam desibel) Kepadatan Noise
Median
Treshold filter adaptive-hierarchical
SWM
adaptive-hierarchical
noise
5%
34,44
32,17
35,28
5%
10%
33,31
29,51
34,20
10%
15%
31,31
27,53
32,76
15%
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%
40%
19,01
22,44
28,19
45%
45%
16,96
21,63
27,39
50%
50%
15,23
20,84
27,00
55%
55%
13,72
19,93
25,31
60%
12,35
19,21
23,13
20% 25% 30% 35%
60%
K
T
2,5
110
2
110
2
90
2
80
2
80
2
70
2
70
1,5
60
1,5
60
1
55
1
50
1
40
Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra lenna
Evaluasi Citra Mobil Treshold filter adaptive-hierarchical
Citra Set III Car PSNR (dalam desibel)
noise
adaptive-
5%
Kepadatan Noise
Median
SWM
hierarchical
10%
5%
30,97
30,83
27,71
15%
10%
30,00
28,16
27,09
20%
15%
28,50
26,38
26,57
25%
20%
26,81
24,87
26,12
30%
25%
24,98
23,62
25,55
35%
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
40% 45% 50%
55% 60%
K
T
3
110
2,7
100
2,7
95
2,5
90
2
65
1,5
60
1,5
55
1,5
55
1,3
55
1,3
50
1
45
1
30
Tabel diatas ini menunjukkan nilai treshold yang digunakan dalam uji coba citra mobil
Evaluasi Citra Paprika Treshold filter adaptive-hierarchical
Citra Set IV Paprika PSNR (dalam desibel)
noise
adaptive-
5% 10%
Kepadatan Noise
Median
SWM
hierarchical
5%
34,20
32,23
32.38
10%
32,86
29,37
30.11
20%
15%
31,20
27,59
29.53
25%
20%
28,82
25,81
29.07
30%
25%
25,96
24,54
28.78
35%
30%
23,21
23,03
28.12
40%
35%
20,90
21,66
27.47
45%
40%
18,75
22,29
27.21
50%
45%
16,92
21,36
26.90
55%
50%
15,12
20,42
25.90
60%
55%
13,60
21,36
24.76
60%
12,19
18,72
22.91
15%
K
T
3
100
2,7
100
2,5
100
2,5
100
2,5
80
1,5
80
1,5
70
1,5
60
1,5
60
1
60
1
50
1
50
Tabel diatas menunjukkan nilai treshold yang digunakan dalam uji coba citra paprika
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. TA_Ana Wahyu Hakim (5106100171)
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. TA_Ana Wahyu Hakim (5106100171)
