IMPLEMENTASI ADAPTIVE MEDIAN FILTER SEBAGAI REDUKSI NOISE PADA CITRA DIGITAL Eva Listiyani1) 1)
S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya
Abstract: When an image captured by a camera or image that has been stored in a long time, often can not be directly used as desired because the quality has not met the standard for processing needs. For example, the image is accompanied by a lack of uniform intensity variations due to uneven lighting, or lacking in contrast so it is difficult to separate the object from its background via binerisasi surgery because too much noise (interference or distortion in the image), and others. In general it can be said that the image quality is so low, either because of the noise, as well as by other causes such as high intensity variations from the same area, or because of weak intensity difference of two or more different areas. The image quality such as these require corrective measures or quality needs to be improved to facilitate the processing to be performed. Adaptive median filter is a filter that is best used for image enhancement, because it can handle a greater probability than the standard median filter, and can also maintain the details of each image as well as to smooth the noise.
Key Words : Image Filtering, Adaptive Median Filter, Image Processing Ketika sebuah citra ditangkap oleh kamera atau citra yang telah disimpan dalam waktu cukup lama, seringkali tidak dapat langsung digunakan sebaigaimana yang diinginkan karena kualitasnya belum memenuhi standar untuk kebutuhan pengolahan (Ahmad, Usman, 2005). Misalnya saja citra disertai oleh variasi intensitas yang kurang seragam akibat pencahayaan yang tidak merata, atau lemah dalam hal kontras sehingga obyek sulit sekali untuk dipisahkan dari latar belakangnya melalui operasi binerisasi karena terlalu banyak noise (gangguan atau distorsi dalam citra), dan lain sebagainya. Secara umum dapat dikatakan bahwa citra yang demikian kualitasnya masih rendah, baik oleh karena adanya noise, maupun oleh sebab lainnya seperti tingginya variasi intensitas dari daerah yang sama, atau karena lemahnya perbedaan intensitas dari dua atau lebih daerah yang berlainan. Citra dengan kualitas seperti ini memerlukan langkah-langkah perbaikan atau kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan yang akan dilakukan.
Untuk mengatasi noise tersebut perlu dilakukan usaha untuk memperbaiki kualitas citra itu. Median filter adalah salah satu filtering non-linear yang mengurutkan nilai intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai mediannya. Median filter telah digunakan secara luas untuk memperhalus dan mengembalikan bagian dari citra yang mengandung noise yang berbentuk bintik putih. Kualitas citra diukur dengan dua besaran, yaitu MSE (Mean Square Error) dan PSNR (Peak Signal to Noise Ratio). MSE (Mean Square Error) menyatakan tingkat kesalahan kuadrat rata-rata dari codebook yang dihasilkan terhadap vektor input. Semakin kecil nilai MSE menunjukkan semakin sesuai dengan vektor input. Parameter PSNR bernilai sebaliknya, semakin besar parameter PSNR semakin bagus codebook yang dihasilkan.
1
LANDASAN TEORI Citra Digital Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, Rinaldi, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai bentuk informasi visual (Murinto, dkk, 2007). Seiring dengan perkembangan teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai bidang. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik tersebut dinamakan sebagai elemen citra atau pixel (picture elemen). Dalam kamus komputer, gambar atau foto diistilahkan sebagai citra digital yang mempunyai representasi matematis berupa matriks Γ π = πππ . Matriks Bitmap Citra disimpan di dalam berkas (file) dengan format tertentu (Munir, 2004). Format citra yang baku di lingkungan sistem operasi Microsoft Windows adalah berkas bitmap (*.bmp). Saat ini format BMP memang βkalahβ populer dibandingkan dengan format JPG atau GIF. Hal ini karena berkas BMP pada umumnya tidak dimampatkan sehingga ukuran berkasnya relatif lebih besar daripada berkas JPG maupun GIF. Hal ini juga yang menyebabkan format BMP sudah jarang digunakan. Meskipun format BMP tidak mangkus dari segi ukuran berkas, namun format BMP mempunyai kelebihan dari segi kualitas gambar. Citra dalam format BMP lebih bagus daripada citra dalam format yang lainnya, karena citra dalam format BMP umumnya tidak dimampatkan sehingga tidak ada informasi yang hilang. Terjemahan bebas bitmap adalah pemetaan bit. Artinya, nilai intensitas pixel di dalam citra dipetakan disejumlah bit tertentu. Peta bit yang umum
adalah 8, artinya setiap pixel panjangnya 8 bit. Delapan bit ini merepresentasikan nilai intensitas pixel. Dengan demikian ada sebanyak 28 = 256 derajat keabuan, mulai dari 0-255. Pixel Pixel (Picture Elements) adalah nilai tiap-tiap entri matriks pada bitmap. Rentang nilai-nilai pixel ini dipengaruhi oleh banyaknya warna yang dapat ditampilkan. Jika suatu bitmap dapat menampilkan 256 warna maka nilai-nilai pixel nya dibatasi dari 0-255. Suatu bitmap dianggap mempunyai ketepatan yang tinggi jika dapat menampilkan lebih banyak warna. Prinsip ini dapat dilihat dari contoh pada gambar 4 yang memberikan contoh dua buah bitmap dapat memiliki perbedaan dalam menangani transisi warna putih ke warna hitam. Dimensi dan Resolusi Dimensi bitmap adalah ukuran bitmap yang dinotasikan dengan menulis lebar x tinggii bitmap. Satuan ukur dimensi bitmap adalah berupa satuan ukur metris maupun pixel. Dimensi yang digunakan oleh bitmap mewakili ordo matriks citra itu sendiri. Model matriks untuk bitmap dipengaruhi oleh kerapatan pixel atau resolusi. Kerapatan pixel ini digunakan bitmap dalam mendekati kekontinyuan. Semakin besar resolusi suatu bitmap, obyek yang ditampilkan citra tersebut semakin akurat. Kerapatan titik-titik pada citra dinamakan resolusi, yang menunjukkan seberapa tajam gambar ini ditampilkan yang ditunjukkan dengan jumlah baris dan kolom. Resolusi merupakan ukuran kuantitas bukan kualitas. Pixel merupakan satuan ukuran terhadap jumlah area photo-receptor pada sensor gambar kamera, yang menentukan seberapa banyak data yang dapat ditangkap. Resolusi digunakan untuk pendataan (sampling) citra dari sensor. Sensor mengubah citra dari fungsi kontinu ke fungsi diskrit sehingga semakin besar resolusi citra maka informasi yang dihasilkan akan 2
semakin baik, sebab data yang diperoleh menjadi lebih banyak.
diubah dengan nilai median dari jendela tersebut.
Pengolahan Citra Image processing atau pengolahan citra adalah salah bidang dalam dunia komputer yang mulai berkembang sejak manusia memahami bahwa komputer tidak hanya mampu menangani data teks, tetapi juga data citra (Ahmad, 2005:4). Terminologi pengolahan citra dipergunakan bila hasil pengolahan data yang berupa citra, adalah juga berbentuk citra yang lain, yang mengandung atau memperkuat informasi khusus pada citra hasil pengolahan sesuai dengan tujuan pengolahannya.
Metode Adaptive Oleh karena itu adaptive median filter telah diterapkan secara luas sebagai metode canggih dibandingkan dengan median filter standar. Adaptive median filter melakukan pengolahan spasial untuk menentukan piksel dalam gambar yang telah dipengaruhi oleh impuls noise. Adaptive median filter mengklasifikasikan piksel sebagai kebisingan dengan membandingkan setiap piksel pada gambar dengan piksel tetangga disekitarnya. Ukuran lingkungan disesuaikan, serta ambang batas untuk perbandingan. Sebuah piksel yang berbeda dari mayoritas tetangganya, maupun yang tidak selaras secara struktural dengan piksel mereka yang sama, akan diberi label sebagai impuls noise. Noise dari piksel ini kemudian akan digantikan oleh nilai piksel median dari piksel median dari piksel di lingkungan yang telah lulus uji pelabelan kebisingan.
Filter Filtering merupakan suatu proses yang mengambil sebagian sinyal frekuensi tertentu dan membuang sinyal pada frekuensi lain (Sigit, dkk ,2005). Filtering pada citra menggunakan prinsip sama, yaitu mengambil fungsi citra pada frekuensi-frekuensi tertentu dan membuang fungsi citra pada frekuensifrekuensi lain. Kernel Filter Kernel atau mask memberikan petunjuk tentang apa yang harus dilakukan filter terhadap data. Pada umumnya kernel mempunyai panjang danlebar ganjil. Pola bilangan ganjil n bertujuan agar matriks kernel mempunyai jari-jari r sehingga n=2r1. Contoh cara penentuan lokasi entri-entri matriks dapat dilihat pada contoh gambar dengan (i,j) yang berjalan dari -2 hingga 2 dan (x,y) yang berjalan dari 0 sampai 4. Filter Median Cara kerja filter median dalam jendela tertentu mirip dengan filter linier namun prosesnya bukan lagi dengan pembobotan. Rinaldi Munir (2004:126) menjelaskan filter median sebagai suatu jendela yang memuat sejumlah pixel ganjil. Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap pergeseran dibuat jendela baru. Titik tengah dari jendela ini
Noise Uniform dan Noise Gaussian Noise Uniform seperti halnya Noise Gaussian dapat dibangkitkan dengan cara membangkitkan bilangan acak [0,1] dengan distribusi uniform. Kemudian untuk titik-titik yang terkena noise , nilai fungsi citra ditambahkan dengan noise yang ada Noise Uniform merupakan noise sintesis yang sebenarnya dalam penerapannya jarang digunakan, tetapi secara pemrograman pembangkitan noise uniform ini merupakan jenis pembangkitan noise yang paling mudah. MSE dan PSNR Peak Signal to Noise Ratio (PSNR) adalah sebuah perhitungan yang menentukan nilai dari sebuah citra yang dihasilkan. Nilai PSNR ditentukan oleh besar atau kecilnya nilai MSE yang terjadi pada citra. Semakin besar nilai PSNR, semakin baik pula hasil yang diperoleh pada tampilan citra hasil. Sebaliknya, semakin kecil nilai PSNR, maka akan semakin buruk pula hasil yang diperoleh pada tampilan citra hasil. Satuan 3
nilai dari PSNR sama seperti MSE, yaitu decibel (dB). Jadi hubungan antara nilai PSNR dengan nilai MSE adalah semakin besar nilai PSNR, maka akan semakin kecil nilai MSE-nya. PSNR secara umum digunakan untuk mengukur kualitas pada penyusunan ulang citra. Hal ini lebih mudah didefinisikan dengan Mean Square Error (MSE). Mean Square Error (MSE) adalah kesalahan kuadrat rata-rata. Nilai MSE didapat dengan membandingkan nilai selisih pixel-pixel citra asal dengan citra hasil pada posisi pixel yang sama. Semakin besar nilai MSE, maka tampilan pada citra hasil akan semakin buruk. Sebaliknya, semakin kecil nilai MSE, maka tampilan pada citra hasil akan semakin baik. (Lestari, Dewi, 2006)
Proses Penambaan Noise START
Citra Masukan
Jumlah Noise (Variance) Tambahkan Noise
Citra Bernoise
STOP
METODOLOGI PENELITIAN Deskripsi Sistem
Proses Pemilihan Matriks Input START
START
Citra butuh pembangkitan noise?
Yes
Matriks Citra Noise 2D No
Inputkan Citra
Filter Foto
Hitung Jumlah Kolom Matriks
Inputkan citra Proses Filtering Tambahkan noise ke citra
Iterasi sebanyak jumlah kolom
Inputkan level yang diinginkan Proses Filtering
Ambil nilai tiap kolom dari matriks citra
Hitung Nilai MSE dan PSNR
Tampilkan Citra Hasil END
Simpan pada matriks temporary
Matriks input kolom n baris
STOP
4
Proses Pengolahan Matriks Input dengan Adaptive Median Filter START
Matriks input 1kolom dan n baris
Tentukan nilai M
Simpan matriks input pada memori sementara
Pengurutan bubble sorting
Ambil nilai pada urutan yang paling tengah
Simpan matriks hasil pada memori bitmap citra hasil
HASIL dan ANALISA
Citra yang digunakan dalam perbaikan citra bernoise ini berformat .bmp atau bitmap. Uji coba yang digunakan menggunakan citra noise.bmp (256*195), noise2.bmp (360*480), normal.bmp (360*480), normal2.bmp (259*194), tescoret.bmp (640*480), tes-coret2.bmp (340*250). Hasil uji coba akan memberikan nilai berupa MSE dan PSNR. MSE digunakan untuk menghitung beda (kesalahan) antara citra masukan dan citra keluaran, sedangkan PSNR digunakan untuk menghitung rasio citra keluaran terhadap noise. Hasil uji coba pada bab ini akan ditampilkan berupa hasil uji coba citra keluaran serta tabel nilai PSNR dan MSE. Hal ini dilakukan supaya pengamatan terhadap citra keluaran lebih leluasa. Tampilan Awal Program
Matriks hasil filter
STOP
Proses Pembentukan Sinyal Output START
Uji Coba Citra Input dengan Noise Uniform dengan Kernel 3x3 Citra Normal dengan ukuran 360*480
Load matriks hasil pengolahan
Besar No
Sinyal output
Matriks Hasil
STOP
Noise
MSE
PSNR
(%) 1.
5%
12,5282
34,7682
2.
25%
11.2678
45,2762
3.
50%
9,8776
68,7765
5
4.
70%
6,3028
91,2456
Citra Normal2 dengan ukuran 259*194
Besar 5.
80%
3,4529
105,7822 No
Noise
MSE
PSNR
(%)
Citra Normal2 dengan ukuran 259*194
Besar No
Noise
MSE
1.
5%
28,7322
47,1231
2.
25%
22,6002
58,1622
3.
50%
14,8884
83,6154
4.
70%
12,2603
105,1405
5.
80%
8,0383
126,3215
PSNR
(%) 1. 2.
5% 25%
23,7633 19,2841
49,2507 56,6081
3.
50%
13,1483
75,7758
4.
70%
12,7685
99,3152
5.
80%
7,2190
116,2959
Uji Coba Citra Input dengan Noise Gaussian dengan Kernel 3x3 Citra Normal dengan ukuran 360*480 Besar
Uji Coba Citra Input dengan Noise Uniform dengan Kernel 5x5 Citra Normal dengan ukurab 360*480
No
Noise
MSE
PSNR
(%)
Besar No
Noise
MSE
PSNR
(%)
1.
5%
24,2826
32,2767
2.
25%
19,3275
48,4931
1.
5%
17,5555
28,1021
3.
50%
17,6320
72,1306
2.
25%
15,1213
36,3728
4.
70%
13,7610
84,1212
3.
50%
12,7612
67,4233
5.
80%
9,2311
97,2609
4.
70%
7,2054
92,5683
5.
80%
4,6072
101,1723
6
Citra Normal2 dengan ukuran 259*194
Besar Noise No
MSE
PSNR
4.
70%
8,9204
93,5193
5.
80%
3,4888
107,3796
(%) 1.
5%
26,1512
46,2053
2.
25%
15,8312
59,4436
3.
50%
12,4836
78,3760
4.
70%
7,7876
93,3788
5.
80%
6,1233
124,9387
Uji Coba Citra Input dengan Noise Gaussian dengan Kernel 5x5 Citra Normal dengan ukuran 360*480 Besar No
Noise
MSE
PSNR
(%) 1.
5%
16,3287
17,7558
2.
25%
13,1325
26,9459
3.
50%
12,8978
38,9416
4.
70%
10,6008
63,6540
5.
80%
6,3359
91,8151
Citra Normal2 dengan ukuran 259*194 Besar No
Noise
MSE
PSNR
(%) 1.
5%
19,0026
28,6464
2.
25%
15,7702
42,9404
3.
50%
12,5233
61,0837
Kesimpulan Berdasarkan aplikasi yang telah dibuat beserta uji coba yang telah dilakukan, maka dapat ditarik kesimpulan berikut : 1. Adaptive median filter merupakan filter yang paling baik digunakan untuk perbaikan citra, baik dengan noise yang sengaja dibangkitkan oleh komputer maupun yang dimasukkan secara manual oleh user. 2. Adaptive median filter dapat menangani noise yang memiliki probabilitas lebih besar daripada flter median standar. 3. Adaptive median filter dapat mempertahankan detail dari setiap citra sekaligus dapat menghaluskann noise. Saran Saran yang hendak disampaikan terkait dengan pengerjaan Tugas Akhir ini adalah perbaikan citra bernoise dengan menggunakan menggunakan metode Adaptive median filter dapat juga dilakukan pada semua jenis noise yang ada baik yang sengaja dibangkitkan oleh komputer maupun yang dimasukkan manual oleh user. Diharapkan juga penghalusan noise pada gambar yang telah diberi noise manual atau sengaja dicoret-coret dapat lebih sempurna lagi sehingga citra hasilnya akan lebih baik. Daftar Pustaka A Achmad, B. & Firdausy, K. 2005. Teknik Pengolahan Citra Digital Menggunakan Delphi. Jogjakarta: Ardi Publishing. Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi Pertama. Yogyakarta : Graha Ilmu. 7
Basuki, A. & Palandi, J.F.F. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Jogjakarta: Graha Ilmu. H, Hwang & Haddad R. A. 1995. Adaptive Median Filters : New Algorithm and Result. Jannah, Asmaniatul. 2008. Analisis Perbandingan Metode Filter Gaussian, Mean, dan Median Terhadap Reduksi Noise Salt and Pepper Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung : Informatika. R.C. Gonzalez, R.E. Woods. 1992. Digital Image Processing. USA : Addison-Wesley Publishing Company. Sigit, Riyanto, dkk. 2005. Step by Step Pengolahan Citra Digital. Yogyakarta : ANDI Offset.
8
