Anda di halaman 1dari 4

Dwi Aprian Widodo 09091002048

DEPENDENT HIERARCHICAL BETA PROCESS FOR IMAGE INTERPOLATION AND DENOISING


1. Abstrak A dependent hierarchical beta process (dHBP) di kembangkan untuk mewakili sebuah set data, dengan kovariat yang bergantung pada penggunaan fitur. Dalam hal ini interpolasi dan denoising dari suatu gambar memiliki kovariat yang didefinisikan melalui lokasi patch dalam sebuah gambar. Ada dua macam noise yang di definisikan, yaitu (i) typical white Gaussian noise; dan (ii) spiky noise of arbitrary amplitude, akan terdistribusi merata secara acak. Dalam menggunakan Dependent Hierarchical Beta Process untuk melakukan interpolasi dan denoising pada sebuah gambar akan menggunakan 4 langkah kerja yaitu : Model constructon Dictionary learning with beta process Dictionary learning with dHBP Sparse spiky noise

2. Input Dalam jurnal ini menggunakan input berupa gambar, kemudian dari gambar tersebut akan memiliki kovariat yang akan dijadikan nilai yang nantinya diproses. Kovariat sendiri di dapat atau di definisikan melalui lokasi patch dalam sebuah gambar. 3. Proses Seperti yang telah di jelaskan di abstraksi, ada empat proses yang akan dilakukan dalam mengolah gambar. Setiap proses harus dilakukan sesuai dengan urutannya, karena setiap hasil dari pengolahan nilai gambar akan saling berhubungan.

Model Constructon

Nilai kovariat yang didapat akan digunakan untuk menegaskan hubungan antara setiap sampel N yang kemudian nilainya akan disimpan dalam sebuah matriks A. dimana setiap baris dari matriks A akan di jumlahkan satu per satu untuk setiap matriks yang ke (i,j). sehingga akan di dapat sebuah persamaan :

Dimana K(li,lj) merupakan kernel utama yang memiliki sifat 0 < K(li.lj) 1, K(li,li) = 1 dan K(li,lj) berkurang dengan ditingkatkannya jarak antara li dan lj. Kemudian matriks Bi di hubungkan dengan setiap sampel i

Dimana c0 dan c1 merupakan konstanta positif. Kemudian akan dilakukan penurunan dari rumus tersebut dan kemudian hasilnya akan dip roses di tahap selanjutnya yaitu tahap Dictionary learning with beta proses.

Dictionary learning with beta proses

Bila tidak mempertimbangkan ketergantungan kovariat (dengan asumsi sampel {xi} i = 1, N adalah tukar), kita menarik kamus atom dan atom probabilitas terkait penggunaan dari suatu proses beta (BP) dan menghubungkan mereka dengan penggunaan atom suatu sampel melalui proses Bernoulli (BEP). Xi data direpresentasikan sebagai berikut :

Dimana adalah :

merupakan representasi dari produk hadamard. Bentuk hirarki dari model ini

Dictionary learning with dHBP

Dari rumus yang ada pada tahap pertama dan kedua maka akan didapat lagi sebuah turunan rumus yang akan di gunakan dalam tahap ini, yaitu :

Dan dari persamaan ini akan di turunkan lagi pada tahap selanjutnya, yaitu tahap Sparse spiky noise yang merupakan tahapan terakhir.

Sparse spiky noise

Dalam hal ini lokasi spiky di asumsikan tidak diketahui, dan harus disimpulkan sendiri oleh model dan kondisinya akan di representasikan sebagai berikut.

Kemudian model ini di kembangkan menjadi sebuah kamus data yang lengkap. Perluasan yang di hasilkan akan digunakan untuk menemukan masalah yang sesuai.

4. Output Dalam analisis berikut ini, terdapat 250 iterasi MCMC (dari awal yang acak) sementara ini jumlah iterasi pasti tidak cukup untuk memperoleh densitas posterior akurat untuk semua parameter model, ia menghasilkan perkiraan citra yang baik untuk contoh dipelajari. Gambargambar yang disajikan didasarkan pada parameter dari iterasi MCMC terakhir, dan setiap pixel adalah rata-rata 64, dari 64 patch tumpang tindih di mana setiap pixel berada (kecuali untuk dekat tepi gambar). Dependent hierarchical beta process mampu meningkatkan kinerja pengaolahan sebuah citra terutama dalam hal interpolasi dan denoising suatu gambar. Berikut ini adalah contoh dari penggunaan dHBP .

Beri Nilai