MAKALAH SEMINAR TUGAS AKHIR PERIODE JUNI-JULI 2010
PENGHAPUSAN NOISE PADA CITRA DENGAN FILTER ADAPTIVEHIERARCHICAL Ana Wahyu Hakim1, Handayani Tjandrasa2, Bilqis Amalia3 Teknik Informatika, Fakultas Teknologi Informasi, ITS email :
[email protected],
[email protected],
[email protected] bisa menjangkau wilayah citra yang lebih detil. Hierarchical filter akan membentuk sebuah piramida citra [1]. Dari struktur piramida tersebut, informasi global citra secara efektif dapat dibedakan dengan noisenya. Piksel yang rusak akan berkurang pada level yang lebih tinggi karena proses resolusi dengan filter average. Proses pendeteksian dan penghapusan noise dirancang secara adaptif bergantung pada informasi global yang diperkirakan sebelumnya. Prosedur ini diterapkan secara iteratif untuk menghilangkan noise dan memelihara detail citra .
ABSTRAKSI Noise salt and 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. Filter median merupakan salah satu metode untuk perbaikan citra yang bertujuan untuk menghilangkan noise. Akan tetapi untuk wilayah yang lebih detail seperti pada edge dan texture filter median tidak dapat menjangkaunya atau bahkan pada kerapatan noise yang tinggi akan merusak piskel. Metode filter adaptive-hierarchical menghapus noise dengan estimasi true edge, sehingga tepi citra tidak rusak. Metode filter ini membedakan proses filtering terhadap piksel tepi dan piksel selain tepi, proses ini disebut dengan proses hierarchical edge detection (HED). Hasil dari uji coba menunjukkan bahwa dengan menggunakan metode filter adaptive-hierarchical, hasil filtering terhadap citra lebih tajam dan performa metode ini lebih baik dibandingkan dengan beberapa metode yang sudah ada.
2
HIERARCHY UNTUK ESTIMASI STRUKTUR CITRA (TRUE EDGE)
Tepi objek pada citra merupakan informasi paling penting yang terdapat pada sebuah citra. Pada tugas akhir ini, penulis mengimplementasikan pendekatan hierarchi untuk meng-estimasi struktur citra (global edge). Proses estimasi tepi citra disebut dengan proses hierarchical edge detection (HED).
Kata kunci : penghapusan noise, edge detection, impuls noise, adaptive filter
1
PENDAHULUAN
Noise salt and 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 [6]. 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) [5]. Median filter [7] merupakan filter nonlinear untuk mengeliminasi noise pada wilayah yang halus didalam citra. Akan tetapi, untuk wilayah yang lebih detil seperti pada edge dan texture, filter median tidak dapat menjangkaunya atau bahkan merusaknya. Filter Switching median (SWM) [5] menentukan perbedaan antara piksel gambar dengan nilai median secara bersamaan, namun noise yang dideteksi pada SWM hanya ketika piksel gambar berbeda jauh dengan piksel tetangganya. Pada tugas akhir ini, penulis mengimplementasikan metode filter adaptive-hierarchical, sebuah metode yang
. Gambar 1 hierarchy filter (HED) untuk estimasi struktr citra
Resolusi citra dilakukan dua kali dari level 0 menjadi level 1 dan level 1 menjadi level 2 dengan menggunakan filter average 2x2. Dari proses resolusi ini akan terbentuk piramida citra seperti pada gambar Tepi objek yang sebenarnya tidak akan hilang dalam proses
1
MAKALAH SEMINAR TUGAS AKHIR PERIODE JUNI-JULI 2010 ketetanggaan piksel. Nilai threshold bergantung pada local statistik masing-masing citra. Dari hasil uji coba nilai K berkisar antara 1 dan 3. Jika piksel terdeteksi sebagai noise, maka piksel tersebut akan diganti dengan nilai tengah (median) dari matrik blok 3x3. Deteksi piksel yang rusak yang kedua merupakan deteksi piksel rusak pada tepi objek. Noise pada tepi dapat diidentifikasi dengan memeriksa ketetanggan piksel tersebut dengan tetangga sesame edge. Jika dihitung dengan uji varians maka akan didapatkan nilai yang kecil, ini membuktikan bahwa sesama tepi memiliki nilai yang homogen. Dengan kata lain, jika kita menghitung selisih dari pusat pixel ke sepanjang piksel tetangganya yang terjangkau (edge) menurut Persamaan. (2), dengan mudah dapat di-identifikasi. Jika nilai tersebut lebih kecil dari threshold maka piksel tersebut bukan noise, tetapi jika nilainya lebih besar dari threshold maka pusat piksel tersebut dideteksi sebagai noise.
resolusi ke level yang lebih tinggi. Piksel yang rusak karena noise akan ter-eliminasi pada level citra yang lebih tinggi. Gambar 1 merupakan skema HED untuk memperkirakan struktur citra. Untuk deteksi tepi tiap level menggunakan operator sobel. Proses HED dilakukan dengan membandingkan tepi tiap level. Karena pada level yang lebih tinggi, piksel yang rusak semakin kecil dan tepi objek semakin tajam,maka untuk meng-estimasi true edge dilakukan dengan membandingkan level 0 berurutan kebawah sampai ke level 2. Jika hingga level tertinggi piksel terdeteksi sebagai edge maka piksel tersebut diestimasi sebagai true edge. Jika pada salah satu level tidak tersdeteksi sebagai edge maka piksel tersebut termasuk ke dalam wilayah smooth dan medium.
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|
(2)
persamaan (2) jika nilai d lebih besar dari threshold maka pusat piksel merupakan noise. Perhitungan dilakukan selama pusat piksel dan tetangganya merupakan edge. Jika pusat piksel dideteksi sebagai piksel yang rusak, piksel tersebut diganti dengan filter median 1D (1x3 atau 3x1 bergantung pada noise terdeteksi).
Gambar 2. Contoh deteksi tepi citra rusak dengan HED
Gambar 2 menunjukkan efektifitas deteksi tepi pada citra yang rusak dengan menggunakan HED.
4
METODOLOGI Metodologi dari sistem ini dibagi dalam dua tahapan yaitu hierarchical citra dan adaptive filter
3 DETEKSI DAN PENGHAPUSAN NOISE SECARA ADAPTIVE
Start
Metode filter adaptive-hierarchical mendeteksi dan menghapus piksel yang rusak dengan secara adaptif bergantung pada informasi struktur citra yang diperoleh dari proses sebelumnya. Untuk mendeteksi piksel yang rusak pada wilayah edge berbeda dengan deteksi piksel yang rusak pada wilayah selain edge (smooth dan medium). Pada wilayah smooth dan medium, noise diidentifikasi berdasarkan pada selisih antara pusat piksel dengan nilai tengah dari matrik 3x3. Piksel diidentifikasi sebagai noise jika selisih piksel dengan nilai tengahnya lebih besar daripada nilai treshold. Treshold diperoleh bergantung pada struktur lokal citra.
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
(1)
Image level 2 ukuran M/4 x N/4
dimana merupakan standart deviasi dari matrik 3x3, dan merupakan nilai tengah dari matrik tetangga 3x3. Persamaan (1) mendeteksi noise dengan
End
Gambar 3. Diagram Alir Piramida Citra
2
MAKALAH SEMINAR TUGAS AKHIR PERIODE JUNI-JULI 2010 Pada gambar 3 ditunjukkan diagram aliran hierarchy untuk menghasilkan piramida citra. Hasil dari diagram alir 3 akan digunakan sebagai inputan dalam proses pada gambar 4 yaitu diagram alir hierarchical edge detection dan noise cancellation. Start
Image level 0
(a)
(b)
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
(c)
y(i,j)=x(i,j)
Gambar 5. (a) Lenna 512x512 (b) Baboon 512x512 (c) Mobil 512x512 (d) Paprika 512x512
x(i,j)>T2
x(i,j)>T1 y(i,j)=xmed(i,j) Median 3x3
y(i,j)=x(i,j)
(d)
Nilai performa metode ini dipengaruhi oleh tiga factor yaitu threshold untuk wilayah edge, threshold wilayah selain edge (smooth dan medium), dan banyaknya iterasi. Pada uji coba kali ini variable yang penulis amati adalah variable untuk threshold K dan T setiap bertambahnya kerapatan noise. Kerapatan noise yang digunakan pada uji coba filtering ini adalah 5%,10%, 15%,hingga 60%.
y(i,j)=xmed(i,j) Median 1x3 atau 3x1
y(i,j)=output_image
Pada uji coba ini akan dibandingkan performa metode filter adaptive-hierarchcal dengan metode filter SWM dan metode filter median.
end
Gambar 4. Diagram Alir HED, deteksi noise dan filter adaptive
5
UJI COBA DAN EVALUASI
Data uji coba dengan metode adaptivehierarchical filter ini menggunakan data uji citra dibawah ini:
Gambar 6. Contoh hasil filter adaptive-hierarchical dengan noise 40% dan K=1,5 dan T=60
3
Tabel 1. Nilai PSNR dari kepadatan noise 5% sampai 60% Kepadatan noise 5% 10% 15% 20% 25% 30% 35% 40% 45% 50% 55% 60%
Median 23,47 23,13 22,71 22,04 21,18 20,00 18,70 17,31 15,86 14,47 13,19 12,02
Baboon SWM Proposed 26,08 23,72 24,24 23,53 22,97 22,98 21,96 22,54 21,08 22,13 20,3 21,68 19,59 21,29 19,1 20,92 18,63 20,39 18,19 20,04 17,73 19,67 17,29 18,86
Median 34,44 33,31 31,31 28,65 26,16 23,51 21,05 19,01 16,96 15,23 13,72 12,35
Lenna SWM Proposed 32,17 35,28 29,51 34,20 27,53 32,76 25,97 32,53 24,72 31,36 23,35 29,24 22,07 28,85 22,44 28,19 21,63 27,39 20,84 27,00 19,93 25,31 19,21 23,13
Median 30,97 30,00 28,50 26,81 24,98 22,70 20,37 18,36 16,44 14,86 13,28 11,97
contoh hasil uji coba citra Lenna menggunakan metode filter SWM, median filter , dan metode filter adaptivehierarchical dengan noise 30%
Mobil SWM Proposed 30,83 27,71 28,16 27,09 26,38 26,57 24,87 26,12 23,62 25,55 22,33 25,09 21,08 24,81 21,15 24,38 20,36 23,98 19,6 23,26 18,64 22,80 18,01 21,25
Median 34,20 32,86 31,20 28,82 25,96 23,21 20,90 18,75 16,92 15,12 13,60 12,19
Paprika SWM Proposed 32,23 30.38 29,37 30.11 27,59 29.53 25,81 29.07 24,54 28.78 23,03 28.12 21,66 27.47 22,29 27.21 21,36 26.90 20,42 25.90 21,36 24.76 18,72 22.91
PSNR citra Baboon Adaptivehierarchical
30 25 20 15 10 5 0
SWM Median
10% 20% 30% 40% 50% 60%
Gambar 8. Grafik data hasil uji coba citra Baboon
(a)
(b) PSNR Citra Lenna 40 35 30 25 20 15 10 5 0
Adaptivehierarchical SWM Median 10% 20% 30% 40% 50% 60%
(c)
(d) Gambar 9. Grafik data hasil uji coba citra Lenna
Gambar 7. (a) image noise 30% (b) hasil filter SWM (c) hasil filter median (d) hasil filter adaptive-hierarchical
Gambar 7 manunjukkan hasil (d) menghasilkan filter citra lebih tajam. Berikut grafik data uji coba dengan keempat data uji yang digunakan:
4
REFERENSI PSNR citra Mobil 35 30 25 20 15 10 5 0
[1] adaptivehierarchical SWM
[2]
Median
[3]
10% 20% 30% 40% 50% 60%
[4]
Gambar 10. Grafik data hasil uji coba citra Mobil
[5]
PSNR citra Paprika 35 30 25 20 15 10 5 0
[6]
AdaptiveHierarchical SWM Median 10% 20% 30% 40% 50% 60%
[7]
Gambar 11. Grafik data hasil uji coba citra Paprika
Grafik pada gambar 8, gambar 9, gambar 10 dan gambar 11 menunjukkan efeftivitas metode filter adaptivehierarchical ini pada kerapatan derau yang lebih tinggi.
6
KESIMPULAN
. Hasil citra dengan menggunakan metode filter adaptive-hierarchical lebih bersih dan lebih tajam dibandingkan dengan dengan menggunakan metode SWM maupun median filter 3x3. Secara umum, metode adaptive-hierarchical filter ini memiliki performa yang lebih bagus pada saat kerapatan noisenya lebih tinggi. Dengan membedakan antara piksel tepi dengan wilayah nontepi, akan dapat dicapai hasil yang maksimal,karena metode ini menerapkan metode penghapusan noise pada tepi dengan membandingkan daerah sesama tepi yang nilainya homogen,sehingga saat penggantian nilai piksel dengan median output,nilai pengganti piksel tidak jauh beda dari nilai tepi yang sebenarnya, dan tidak merusak detail citra. Semakin besar kerapatan noise maka threshold yang digunakan semakin rendah untuk mendapat PSNR yang tinggi,dan kualitas citra yang lebih bagus
5
Tsung-Nan Lin, Kai-Jie Chan,2007, Adaptivehierarchical filtering approach for noise removal, Computer Science in ScienceDirect. H-L. Eng and K.-K Ma ,2001, Noise Adaptive Soft-Switching Median Filter, IEEE Trans. Image Process Gonzales R, Woods R, 2002, Digital Image Processing Second Edition, Prentice Hall R. Chan, C.W. Ho, and M. Nikolova, "Salt-andpepper noise removal by median-type noise detector and edge-preserving regularization." Accepted for publication by IEEE Transactions on Image Processing. Zhang S, Karim MA. 2002. A New Impulse Detector for Switching Median Filters. IEEE Signal Process Lett 2002;9:360-3. Purwiyanti, Sri., & FX.Arinto Setyawan. (2008). Penentuan Letak Derau pada Citra Berderau Salt And PepperBerdasarkan Sifat Ketetanggaan Piksel, http://lemlit.unila.ac.id/file/arsip 2009/PROSIDING dies ke-43 UNILA 2008/ ARTIKEL Pdf/SRI PURWIYANTI 216-223.pdf, diakses terakhir tanggal 4 Januari 2009. T. Sun, Y. Neuvo, Detail-preserving median based filters in image processing, Pattern Recognit. Lett. 15 (1994) 341–347.
