5
UNIV KRISTEN DUTA WACANA GENAP 1213
Rumus ini sama dengan perkalian pada ruang frekuensi, tetapi pada kenyataannya implementasi digitalnya bervariasi, karena fungsi filter yang digunakan harus disimulasikan dalam bentuk kernel diskret tertentu
Kernel
A kernel is a (usually) smallish matrix of numbers that is used in image convolutions. Differently sized kernels containing different patterns of numbers give rise to different results under convolution. For instance a 33 kernel that implements a mean filter:
4-tetangga +
4-tetangga x
8-tetangga
Konvolusi Diskret
Konvolusi diskret dapat didefinisikan sebagai operasi geser dan kalikan (shift and multiply), di mana kita menggeser kernel sepanjang permukaan citra dan mengalikan elemennya dengan nilai intensitas piksel ybs. pada citra Untuk kernel persegi dengan ukuran M M, kita dapat menghitung citra outputnya dengan rumus berikut:
Kernel:
? 5 0 0
5 4 0 1
6 4 2 1
6 7 2 3
Filter/Penapis Frekuensi
Untuk penapis frekuensi, lebih jelasnya anda dipersilakan membaca artikel berikut dari University of Edinburgh School of Informatics: http://homepages.inf.ed.ac.uk/rbf/HIPR2/freqfilt.ht m dan http://homepages.inf.ed.ac.uk/rbf/HIPR2/fourier.ht m
Filter/Penapis Spasial
Hasil dari penapis spasial ditentukan oleh elemen matriks kernel, dan dapat menghasilkan efek yang berbeda-beda terhadap citra input, misalnya: Sharpening (penajaman) Blurring (pengaburan) Noise reduction (pengurangan derau) Edge detection (deteksi tepi) Lainnya
Sharpening/Penajaman
Kernel untuk sharpening/penajaman citra menggunakan prinsip bahwa intensitas piksel pusat harus lebih diperkuat pada arah yang berlawanan terhadap tetangganya. Contoh kernel untuk penajaman citra:
0 -1 0 -1 5 -1 0 -1 0 1 1 1 1 -8 1 1 1 1
courtesy http://docs.gimp.org/en/plug-in-convmatrix.html
Blurring/Pengaburan
Kernel untuk blurring/pengaburan menggunakan prinsip bahwa nilai piksel pusat harus dibuat mendekati piksel tetangganya (mengurangi perbedaan) Contoh kernel untuk pengaburan citra:
1 1 1 1 1 1 1 1 1
courtesy http://docs.gimp.org/en/plug-in-convmatrix.html
courtesy http://docs.gimp.org/en/plug-in-convmatrix.html
Pemulihan Citra
Bagaimana para ahli menemukan cara restorasi? Gambar yang bagus didegradasi dengan cara tertentu (misal melalui simulasi perusakan dengan sebuah rumus matematik), kemudian rumus tersebut di-invers untuk membuat restorasinya. Hasilnya sudah cukup baik Untuk mengukur keberhasilan sebuah image restoration digunakan alat ukur berupa MSE (Mean Square Error)
Pemulihan Citra
Pemulihan Citra
Noise/Derau
Noise: informasi tidak diinginkan yang mencemari citra Bentuknya biasanya titik-titik atau piksel-piksel berintensitas beda yang mengganggu citra Noise biasanya terjadi pada saat akuisisi citra. (Kamera -> memotret, scanner -> proses scan, dan sebagainya)
Noise/Derau
Cara untuk memodelkan (menciptakan tiruan) noise diantaranya: Gaussian Noise Rayleigh Noise Erlang (Gamma) Noise Exponential Noise Uniform Noise Salt and Pepper (Impulse Noise) Noise-noise diatas diciptakan berdasarkan Probabilty Density Function (PDF) kemudian diaplikasikan ke piksel yang bersangkutan. Probabilitasnya umumnya < 0.1.
Gaussian Noise
Rayleigh Noise
Erlang Noise
Exponential Noise
Uniform Noise
Salt and Pepper Noise: Sederhana tapi aneh. Mirip gangguan pada televisi (interferensi alat elektronik)
Gaussian Noise: Mendekati noise pada dunia nyata. Rumit Dihasilkan oleh noise generator (photoshop, matlab, dsb.)
Gaussian NR
Pengurangan derau Gaussian bekerja berdasarkan persamaan berikut: Pada ruang 1-D, persamaannya adalah:
Dengan adalah deviasi standar dari distribusi tersebut, dan asumsi bahwa distribusi memiliki nilai rata-rata 0, seperti diilustrasikan oleh gambar berikut ( = 1) :
Gaussian NR
Pada ruang 2-D, Gaussian isotropik persamaannya adalah:
Dengan adalah deviasi standar dari distribusi tersebut, dan asumsi bahwa distribusi memiliki nilai rata-rata 0, seperti diilustrasikan oleh gambar berikut ( = 1)
Gaussian NR
Pendekatan diskret dari Gaussian NR dapat juga disajikan dalam kernel, contoh berikut adalah kernel untuk Gaussian NR dengan = 1,0
Mean Filter
Mean filter/filter rata-rata menggunakan hasil ratarata dari piksel pusat dan seluruh 8-tetangganya untuk mendapatkan nilai intensitas baru Kernel untuk mean filter:
Mean Filter
Citra input:
5 5 0 0 5 4 0 1 6 4 2 1 6 7 2 3
Citra output:
5 5 0 0
5 3 0 1
6 4 2 1
6 7 2 3
g(2,2) = 51/9 + 5 1/9 + 6 1/9 + 5 1/9 + 4 1/9 + 4 1/9 + 0 1/9 + 0 1/9 + 2 1/9 = 1/9 x (5 + 5 + 6 + 5 + 4 + 4 + 0 + 0 + 2) = 1/9 x 31 = 3.4 dibulatkan menjadi 3
Median Filter
Filter median menggunakan fungsi non-linier dengan pengurutan statistika, sehingga termasuk dalam golongan ordering filter bersama dengan modus, maksimum dan minimum. Median filter mempertahankan detail lebih baik dari mean. Anggota satu blok 3x3 adalah: 0, 0, 2, 4, 4, 5, 5, 5, 6 dengan nilai median adalah 4
5 5 0 0 5 4 0 1 6 4 2 1 6 7 2 3 5 5 0 0 5 4 0 1 6 4 2 1 6 7 2 3
Maximum Filter
Filter maksimum juga menggunakan fungsi non-linier dengan pengurutan statistika, dengan mencari nilai terbesar. Baik untuk noise spikes seperti salt and pepper. Anggota satu blok 3x3 adalah: 0, 0, 2, 4, 4, 5, 5, 5, 6 dengan nilai maksimum adalah 6
5 5 0 0 5 4 0 1 6 4 2 1 6 7 2 3 5 5 0 0 5 6 0 1 6 4 2 1 6 7 2 3
Minimum Filter
Filter minimum juga menggunakan fungsi non-linier dengan pengurutan statistika, dengan mencari nilai terkecil. Baik untuk noise spikes seperti salt and pepper. Anggota satu blok 3x3 adalah: 0, 0, 2, 4, 4, 5, 5, 5, 6 dengan nilai minimum adalah 0
5 5 0 0 5 4 0 1 6 4 2 1 6 7 2 3 5 5 0 0 5 0 0 1 6 4 2 1 6 7 2 3
Noise Reduction
Fungsi NR kadang kala juga disebut fungsi smoothing karena efek yang dihasilkan menyerupai smoothing, di mana detail akan hilang (ada yang menyebut juga static blur band. motion blur) Mean filter lebih cocok untuk menghilangkan noise yang disebabkan oleh/noise yang jenisnya mirip dengan gaussian noise (misal uniform noise) Ordering filter lebih cocok untuk menghilangkan noise yang disebabkan oleh/noise yang jenisnya mirip dengan salt and pepper noise (negative exponential noise dan Rayleigh noise)
Noise Reduction
- Metode noise removal yang digunakan saat ini adalah low-pass filters, di mana apa yang sebenarnya dilakukan adalah semacam blurring (pengaburan) untuk menghilangkan intensitas piksel yang tidak dikehendaki, dengan cara menggantinya dengan intensitas piksel baru yang mempertimbangkan piksel tetangga.
Citra asli
Interpolasi
Kernel dapat juga digunakan untuk memprediksi nilai piksel yang hilang pada citra output sebagai akibat transformasi geometris misal dilatasi atau rotasi, dengan menggunakan nilai intensitas piksel tetangga. Pada contoh di bawah, peramalan dilakukan dengan g(2,2) = 1/8 x (5 + 5 + 6 + 5 + 4 + 0 + 0 + 2) = 1/8 x 27 = 3.375 dibulatkan menjadi 3
5 5 0 0 5 ? 0 1 6 4 2 1 6 7 2 3 5 5 0 0 5 3 0 1 6 4 2 1 6 7 2 3