Anda di halaman 1dari 4
& tes 5 ‘ 2 64 | RESTORASICITRA DENGAN TAPIS WIENER ADAPTIF Rudy Hartanto*) ABSTRACT The image data from imaging system are always degraded by the environment and the imaging sensors. The pes of degradation are additive random noise, blurring, relative motion between object and the imaging system, atmosphere turbulence, and so forth. The objective of image restoratidn is to reduce or eleminate the degradation. In this research, adaptive Wiener filtering has been used 10 restore the degraded image. An image will be divided into Blocks, called local details. From the degraded image and prior knowledge, some measure of the local details, such a8 the local variance is determined. A space-variant filter which is a function of the local image details and of the additional prior Jnowledge is then determined. The spave-variant filter 1s then applied ro the degraded image in the local region from which the space-variant filter is designed. A number of different algorithms can be develop, depending an which specific measure is used fo represent local image details, how the space-variant is determined as a function of the local image details, ana what prior knowledge is available. This research shows that Adaptive Wiener Filter ts effective enough to eleminate additive noise. The size of block should be adjusted according to the noise characteristics and the feature of an image dana. PENDAHULUAN Teknik pengolaban citra digital telah mengalami perkembangan yang sangat pesat seiring dengan perkembangan teknologi komputer baik datam perangkat-kefas maupun perangkat-lunaknya, sehingga pfoses pengolahannya menjadi semakin cepat yang didukung dengan kapasitas pengingatnya yang semakin besar. Dalam prakteknya sering ditemukan bahwa data citra yang diperoleh telab terdegradasi oleh derau, Data citra yang diperoleh melalui picanti aptis, elektra-optis maupun ¢lektronis sering terdegradasi oleh Imgkungan maupun sensor peneitraan itu sendiri, Degradasi citra dapat dalam bentuk derau pada sensor, gambar yang kabur karena ketidakfokusan lensa, gerakan relatif antara obyek dengan kamera, turbolens atmosfir, dan lain sebagainya, Hal ini tentu saja akan menyulitkan proses analisis berikutnya. Untuk itu biasanya sebelum proses analisis perlu dilakukan pengolahan awal (pre- processing), untuk memperbaiki kualitas citra wotuk proses selanjutnya. Salah satunya adalah proses restorasi yang digunakan untuk mengembalikan kualitas citra seperti kondisi aslinya. Terdapat beberapa metoda restorasi, dan pada penelitian ini akan digunakan metode Wiener Adaptif, untok merestorasi data citra yang telah terdegradasi oleh derau dengan sebaran yang tidak merata DASAR TEORE ‘Untuk melakukan percobaan ini diperlukan data citra yang terdegradasi. Untuk melakukan proses restorasi dengan menggunakan suatu tapis tertentu, maka diperlukan pengetafuan tentang watak derau serta tapis itu sendiri. Pada penelitian ini akan digunakan tapis Wiener yang terutama ditujukan untuk citra yang terdegradasi oleh additive random noise, yang dibetikan oleh persamaan berikut g (ni,n2) = f(ni.ng) + v (nina) D) dengan g (tu.na): isyarat yang telah terdegradasi. deran F(n1,n2) : isyarat asi sebelum terkontaminasi derau v(n1.nz) isyarat derau acak additive. Jika spektrum daya Pr(oio2) dan Py(o2,02) diketahui, maka dapat disusun’ suatu tapis Wiener dengan tanggapan frekuensi 2) H@1,e2) dengan menganggap bahwa f(ni.n2) dan_v(n,n2) dicuplik dari “sero-mean process” dan merupaican proses acak Gaussian Diagram Kotak realisasi tapis Wiener nonkausal untuk estimasi rerata ralat kuadrat minimum diperlihatkan pada gambar di bawab ini PAowas) 10120) 9 O» b+ © -rin.ny J ’ nf tiny we Gambar 1. Tapis Wiener ‘Dengan g(m,n2) adalah isyarat masukan berderau, me+ ‘my adalah nilai rerata isyarat asli dan derau, dan p(n.t2) adalah isyarat hasil restorasi Secara umum tapis Wiener bekerja sebagai tapis pelewat rendah, sehingga cenderung untuk menghilangkan komponen frekuensi tinggi. Untuk citra yang heterogen , maka penggunaan tapis Wiener secara global akan menyebabkan data citra menjadi kabur (blur), Untuk mengatasi kondisi tersebut maka dapat digunakan metoda tapis Wiener yang adaptif, yaitu dengan membagi data citra menjadi blak-blok yang lebih, *) Ir. Rudy Hartanto, Dosen Jurusan Teknik Elektro Fakultas Teknik UGM. 66 MEDIA TEKNIK No.2 Tahun XVII Edisi Agustus 1996 No. ISSN 0216 - 3012 kecil, yang dapat dinyatakan oleh sistem pada Gambar 2. Untuk masing-masing blok dilakukan pengukuran detail citra lokal seperti varians lokalnya, Maka hm, n2) menjadi suatu space-variant filter yang merupakan fungsi detail citra lokal, dan "prior knowledge" dapat dihitung. of 9 Feo) h(ni,na) = A Priori Knowledge Citra Terdegradasi g(ny, nz) Space-variant hn, nz) | |_______-> Hasil restorasi Pliny, n2) A Priori Knowledge —— Pengukuran detail citra loka Gambar 2. Sistem restorasi citra secara adaptif Sejumlah algoritma yang berbeda dapat dikembangkan bergantung pada (1) spesifikasi pengukuran yang digunakan untuk menyatakan detail citra lokal, (2) space-invariant h(n, n2) yang merupakan fungsi detail citra lokal, dan (3) seberapa besar pengetahuan awal tentang citra. Terdapat banyak kemungkinan variasi yang bergantung pada perkiraan Jokal mg, my, dan Pr («1 , @2) serta implementasinya. Dengan menganggap additive noise v(m, m2) berupa derau putih dengan rerata nol dengan varians 6,2, maka spektrum dayanya adalah : Py (@1, 2) = ov" » Di dalam daerah lokal yang kecil, isyarat f(n1, m2) dapat dimodelkan dengan f(ni.n2) = m+ of. W(ni.n2) 4) dengan ‘f(n1sn2) isyarat asli sebelum terkena derau medan of rerata lokal dan simpangan baku f(m1,n2) W(ni,n2) adalah derau putin dengan rerata nol dan varians satuan Dj dalam daerah lokal, tapis Wiener H( 1,02) seperti pada (1) _ Pe(orjo2) H@1.02) = Fei 0y + 1.0) -—# » of + of ‘maka tanggapan impuls terskala h(nj,n2) menjadi Dari Gambar 1 dan persamaan (6), citra hasil p(n1,n2) dalam daerah Jokal dapat dinyatakan sebagai berikut: P(ni.n2)= me+ [g (ning) - me] * 5 (ni.n2) of tot =mp+ uw of { g(ni.n2) - ma) of + 0% Jika dianggap mp dan of diperbaharui pada masing-masing piksel, maka of (nu.na) 2— fg(n.m) of (1,02) + 0% me (nu,n2)} 8) Persamaan (8) merupakan inti algoritma yang dikembangkan oleh Lee (1980), Algoritma di atas dapat dipandang sebagai keadaan Khusus proses dua kanal. Citra dapat dibagi menjadi dua Komponen yaitu rerata lokal mg(ny,ng) dan kontras lokal ‘g(nt,nz) - mg(ny,n2). Berdasarkan (8) maka rerata lokal tidak dimodifikasi, sedangkan kontras lokal diskala sesuai dengan amplitude relatif of dan of, p(ni.n2) = mg (n4,n2) + Jika of jauh lebih besar daripada 0%, maka kontrast lokai g(ni,n2) dianggap hanya terdiri atas f{n,n2), dan kontras lokal g(nj,n2) tidak diperlemah. Dalam hal ini p(ni,n2) mendekati nilai g(ni.nz), dan hanya sedikit proses yang dilakukan pada daerah seperti ini, Jika of jauh lebih kecil daripada 0%, maka kontras lokal dari g(m,n2) dianggap hanya terdiri atas v(n1.n2), dan kontras lokal g(n,n2) akan diperlemah, Dalam hal ini p(m.n2) mendekati nilai my dan g(m,n2) akan diperhalus. MEDIA TEKNIK No.2 Tahun XVIII Edisi Agustus 1996 No. ISSN 0216 - 3012 67 Pada petsamaan (8) meakan identis dengan mg jika my = 0, sehingga ma(nj,n2) dapat diperkirakan dati g(ni.n2) dengan . . uM apt 9) fidmmds=— "SS gfe MO OF tae eae SRS? dengan (2M + 1) adalah jumlah piksel dalam daerah yang diestimasi. Dalam daerah lokal dengan of (1m1,n2) dapat dianggap space invariant, maka dengan mensubstitusikan m¢ni,nz) pada (9) untuk meni,n2) dalam (8), maka akan diperoleh P(n,ng) = g(a na)* h¢n,n2) 10.8) dengan 8 nies 2 M+ untuk m= n2~ 0 of + of 3 10.b) 3 pénana) = | CM* untuk Ms ms M,-Ms m2 > 0%, of = of, dan of << of, untuk M = 1 diperlihatkan pada Gambar 3. Pada gambar ini terlihat bahwa penurunan of relatif terhadap of akan semakin meémperhalus derau. 000 118 18 8 19 19 19 010 WS 59 118 19 U9 V9 000 8 V8 18 19 19 19 (of >>0% — (b) of = oF (oF < o% Na) 0, selainnya dengan » meM onze + of(n.m)=——— > z (gki,k2) MH)? kyeai-M ka=i-M = ha 2)? 11b) Perkiraan rerata lokal mg(mi,n2) dapat diperoleh dari persamaan (9), dan ov2 dianggap diketahui. MASIL PENGAMATAN Pengamatan dilakukan dengan menggunakan dua buah citra. Proses pertama adalah mengubah citra ke dalam aras kelabu (gray level), Untuk masing-masing citra dilakukan proses restorasi dengan besar M = 3 x 3, danM=7x7. Kemudian diamati lama waktu komputasi, jumlah flops, serta citra hasil restorasi Pengamatan pertama dengan data citra Ardi.bmp yang mempunyai format bitmap. Tapis Wiener yang digunakan mempunyai ukuran M = 3 x 3, dan 7 x 7 Gambar citra asli yang terdegradasi derau diperlibatkan pada Gambar 4(a). Gambar 4(b) memperlihatkan has penapisan dengan M = 3x3, dan Gambar 4(c) ‘memperlihatkan hasil penapisan dengan M = 7 x 7. (@) Citra Asli Gambar 4. Citra Ardi.bmp dan hasil restorasi dengan tapis Wiener (Gambar 4(6) dan 4(c) pada halaman 69) 68 MEDIA. ‘NIK. No.2 Tahun XVIII “Edisi Agustus 1996 No. ISSN 0216 - 3012 (@) Citra asti ())M=3x3, Besar flops = 10,489,651, dan lama komputasi 38.611 detik. (©) M= 7x7, Besar flops = 49,410,739, dan lama komputasi 183,72 detik (b) M=3 x3, Besar flops = 7.673.271, dan lama komputasi 28,35 detik Gambar 4. Citra Ardi.bmp dan hasil restorasi dengan Gambar 5. Restorasi Citra Ugm bmp dengan tapis tapis Wiener Wiener (Gambar 5(c) pada halaman 70) MEDIA TEKNIK No.2 Tahun XVI Eiisi Agustus 1996 No. ISSN 0216 - 3012 69