Abstrak
Super Resolusi adalah sebuah teknik untuk membuat sebuah citra atau kumpulan citra dengan resolusi
yang tinggi dari sebuah citra atau rangkaian citra dengan resolusi rendah yang berurutan. Hal ini
dimungkinkan karena terdapat informasi piksel dari rangkaian citra masukan yang dapat diproses untuk
menjadi informasi baru menjadi citra resolusi tinggi.
Terdapat dua langkah utama dalam algoritma Super Resolusi yaitu estimasi gerakan antara citra-citra
yang berbeda (Registrasi) dan proyeksi dari nilai-nilai piksel resolusi-rendah ke grid resolusi-tinggi
(Rekonstruksi). Tugas Akhir ini menitikberatkan pembahasannya pada proses rekontruksi menggunakan
algoritma Structure-Adaptif Normalized Convolution (SANC). Batasan format untuk citra masukan adalah
*.tif. Selanjutnya, dilakukan pengukuran hasil Super-Resolusi menggunakan Peak Signal to Noise Ratio
(PSNR), dan dilihat citra hasil peningkatan resolusi secara visual.
Dari uji coba yang telah dilakukan, dapat diambil kesimpulan bahwa algoritma Structure-Adaptive
Normalized Convolution (SANC) dapat merekonstruksi citra dengan baik, hal ini dapat dilihat dari nilai
PSNR yang mencapai 33,0496 dB pada citra rontgen dengan perbesaran 4x lipat.
Kata-kunci: Super Resolusi, Rekonstruksi Citra, Structure-Adaptif Normalized Convolution, Peak Signal
to Noise Ratio.
1
karena SANC adalah strategi baru dalam proses 𝑓(0,0) 𝑓 0,1 ⋯ 𝑓(0, 𝑁 − 1)
filtering pada struktur lokal yang bekerja dengan 𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑁 − 1)
.
⋮ ⋮ ⋱ ⋮
konvolusi ternormalisasi [4]. 𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) ⋯ 𝑓(𝑀 − 1, 𝑁 − 1)
Pada penelitian ini diberikan batasan masalah 2.2 Konsep Tetangga Piksel
dan asumsi sebagai berikut : Pada pengolahan citra digital dibutuhkan
a. Rekonstruksi citra yang dipakai bersifat statis. beberapa konsep dasar tentang citra, misalnya untuk
Output dari rekonstruksi ini berupa citra tunggal mencari rata-rata piksel atau variansi lokal citra
beresolusi tinggi yang berasal dari input berupa dibutuhkan konsep piksel tetangga. Salah satu
rangkaian citra beresolusi rendah. konsep piksel tetangga yang digunakan adalah 8-
b. Pergeseran citra masukan adalah pergeseran tetangga, yang dinotasikan dengan N8(p). Agar
translasi. piksel tepi dapat dioperasikan seperti piksel di bagian
c. Proses registrasi menggunakan metode dalam citra maka dilakukan penambahan satu piksel
Vandewalle. di sekeliling citra. Piksel tambahan dapat bernilai 0,
d. Parameter yang digunakan untuk menguji hasil 1 atau sama dengan piksel tepi dan pemilihannya
Super Resolusi untuk rekonstruksi citra adalah disesuaikan dengan kebutuhan.
nilai Peak Signal to Noise Ratio (PSNR). Hubungan piksel N8(p) direpresentasikan
Tujuan dari penelitian ini adalah membangun oleh Gambar 2.2.
sebuah perangkat lunak yang dapat menghasilkan
citra tunggal beresolusi tinggi yang berasal dari
rangkaian citra resolusi rendah dengan f(x-1,y-1) f(x-1,y) f(x-1,y+1)
mengimplementasikan algoritma Structure Adaptive
Normalized Convolution.
f(x,y-1) f(x,y) f(x,y+1)
2. Tinjauan Pustaka
2.1 Citra Digital
Citra adalah gambar pada bidang dua dimensi. f(x+1,y-1) f(x+1,y) f(x+1,y+1)
Ditinjau dari sudut pandang matematis, citra
merupakan fungsi kontinu dari intensitas cahaya Gambar 2.2 Hubungan Piksel N8(p)
pada bidang dua dimensi.
Citra dibentuk dari persegi empat yang teratur2.3 Super Resolusi
sehingga jarak horizontal dan vertikal antara piksel Super Resolusi adalah suatu teknik yang
satu dengan yang lain adalah sama pada seluruh bertujuan untuk mendapatkan citra resolusi tinggi
dari rangkaian citra beresolusi rendah. Dengan
bagian citra. Indeks x bergerak ke bawah dan indeks
y bergerak ke kanan. Untuk menunjukkan koordinat menggunakan informasi dari ketidak-aturan data
digunakan posisi kanan bawah dalam citra berukuran sampling, estimasi pergerakan rangkaian citra
m x n piksel. Gambar 2.1 menunjukkan koordinat resolusi rendah, atau interpolasi, fuzzy dan noise
dapat diperkecil sehingga citra resolusi tinggi dapat
pada suatu citra digital.
diperoleh. Istilah “super” pada Super Resolusi
merepresentasikan karakteristik dari teknik
pengolahan sinyal yang dapat mengatasi keterbatasan
dari sitem pencitraan resolusi rendah.
Pada umumnya, Super Resolusi terdiri dari
dua tahap, yaitu:
1. Registrasi citra
2. Rekonstruksi citra.
Kajian-kajian mengenai Super Resolusi
biasanya mencoba untuk menyelesaikan kedua
Gambar 2.1 Koordinat pada Citra Digital permasalahan tersebut. Meskipun pendekatan yang
digunakan berbeda, hasil akhirnya adalah sama.
Citra digital dapat direpresentasikan dalam Gambar 2.3 mendeskripsikan kedua langkah
tersebut secara grafis.
bentuk matriks. Misalkan citra berukuran 𝑀𝑥𝑁 (𝑀
baris dan 𝑁 kolom), maka representasi citranya
ditunjukkan pada matriks berikut ini:
2
𝑔 𝑥, 𝑦 = 𝐻𝑓 𝑥, 𝑦 + 𝑛(𝑥, 𝑦) (2.3)
3
{1, 𝑥, 𝑦, 𝑥 2 , 𝑦 2 , 𝑥𝑦, . . . } yang sering digunakan, Untuk membangun sebuah kernel adaptif di
dimana 1 = [11. . . . ]𝑇 (Nseries), piksel output, sekitar struktur lokal citra harus
𝑥 = [𝑥1𝑥2. . . . 𝑥𝑁 ]𝑇 , 𝑥 2 = [𝑥1 2 𝑥2 2 . . . . 𝑥𝑁 2 ]𝑇 dan diketahui terlebih dahulu. Gradient Structure Tensor
seterusnya yang direkonstruksi dari koordinat lokal (GST) didefinisikan dengan persamaan (2.7) dan
N sampel input. Penggunaan fungsi basis polinomial (2.8) :
membuat Normalized Convolution sama dengan 𝐼𝑥2 𝐼𝑥 𝐼𝑦
𝐺𝑆𝑇 = ∇ 𝐼 ∇ 𝐼 𝑇 = =
deret Taylor lokal yang diperluas. Pusat 𝐼𝑥 𝐼𝑦 𝐼𝑦2
ketetanggaan lokal terdapat di 𝑆0 = (𝑥0 , 𝑦0 ), nilai 𝜆𝑢 𝑢𝑢𝑇 + 𝜆𝑣 𝑣𝑣 𝑇 (2.7)
intensitas di posisi 𝑠 = (𝑥 +x0, 𝑦 +y0) didekati
𝜆𝑢 − 𝜆𝑣
dengan polinomial yang diperluas: ∅ = 𝑎𝑟g 𝑢 , 𝐴 = (2.8)
𝜆 𝑢 +𝜆 𝑣
𝑓 s, 𝑠0 = p0 s0 + p1 s0 x + p2 s0 +
dimana ∅ adalah sumbu utama, A adalah nilai
p3 s0 x 2 + p4 (s0 )xy +
intensitas anisotropic, yang keduanya dihitung dari
p5 (s0 )y 2 +. . .. (2.4)
eigenvector 𝑢, 𝑣 yang berkorespondensi dengan
𝜕𝐼 𝜕𝐼
dimana (𝑥, 𝑦) adalah koordinat lokal dari sampel eigenvalue (𝜆𝑢 ≥ 𝜆𝑣 ). 𝐼𝑥 = 𝜕𝑥 dan 𝐼𝑦 = 𝜕𝑦 adalah
𝑠 berhubungan dengan pusat 𝑠0 . 𝑃(𝑠0 ) = gradien koresponden.
[𝑝 0 𝑝1 𝑝2 . . . . . 𝑝𝑚 ]𝑇 (𝑠0 ) adalah koefisien proyeksi Karakteristik data penting lainnya adalah
dari hubungan fungsi basis polinomial di 𝑠0 . densitas sampel lokal, karena menggambarkan
seberapa banyak informasi yang tersedia di dekat
2.5.2 Least-Squares Estimation poin-poin grid resolusi tinggi.
Untuk menyelesaikan koefisien proyeksi 𝑝 di
posisi output 𝑠0 , pendekatan Least-Squares pada 2.5.4 Fungsi Aplikabel Structure-Adaptive
fungsi aplikabel 𝛼 di 𝑠0 ditulis dengan persamaan 2.5 Fungsi aplikabel adaptif adalah sebuah fungsi
berikut: Gaussian anisotropic yang sumbu utamanya diputar
𝜀(𝑠0 ) = ∫ [ 𝑓 (𝑠0 ) − 𝑓 (𝑠, 𝑠0 )]2 𝑐(𝑠)𝛼(𝑠 − 𝑠0 )𝑑𝑠 untuk menyesuaikan dengan orientasi dominan lokal:
𝑥 cos ∅+𝑦 sin ∅ 2
𝛼 𝑠, 𝑠0 = 𝜌 𝑠 − 𝑠0 exp − −
(2.5) 𝜎𝑢 (𝑠0 )
dimana sinyal kepastian 0 ≤ 𝑐(𝑠) ≤ 1 − 𝑥 sin ∅+𝑦 cos ∅ 2
(2.9)
menetapkan ukuran realibilitas di 𝑠, dengan 0 𝜎𝑣 (𝑠0 )
melambangkan data tidak dapat dipercaya dan 1
sebagai data yang realibel. Meskipun 𝑐 dan 𝛼 adalah dimana 𝑠0 = 𝑥0 , 𝑦0 adalah pusat analisis, 𝑠 − 𝑠0 =
bobot skalar untuk error kuadrat, namun keduanya 𝑥, 𝑦 adalah koordinat lokal sampel-sampel input
memiliki sifat yang berbeda, masing-masing dapat yang berhubungan dengan 𝑠0 . 𝜌 adalah sebuah fungsi
dibuat adaptif dengan data citra lokal. Untuk pillbox yang berpusat di titik asal yang membatasi
ketetanggaan pada sampel N, regresi kuadrat standart kernel untuk radius tertentu. 𝜎𝑢 dan 𝜎𝑣 adalah skala
menghasilkan solusi dalam bentuk matrik persamaan arah dari kernel Gaussian Anisotropic. 𝜎𝑣 adalah
(2.6) berikut: skala yang memanjang sepanjang orientasi dan lebih
𝑝 = (𝐵𝑇 𝑊𝐵)−1 𝐵𝑇 𝑊 𝑓 (2.6) besar atau sama dengan 𝜎𝑢 . Kedua skala arah ini
disesuaikan dengan skala lokal 𝜎𝑐 .
𝛼 𝛼+𝐴
dimana f adalah sebuah matrik 𝑁𝑥1 dari 𝜎𝑢 = 𝜎 , 𝜎𝑣 = 𝜎𝑐 (2.10)
𝛼+𝐴 𝑐 𝛼
intensitas input 𝑓 (𝑠), 𝐵 = [𝑏1 𝑏2 . . . 𝑏𝑚 ] adalah
sebuah matrik 𝑁𝑥𝑚 dari sampel fungsi-fungsi basis Parameter dan fungsi yang digunakan untuk
di koordinat lokal sampel input 𝑁, dan 𝑊 = merekonstruksi citra resolusi tinggi, yang digunakan
𝑑𝑖𝑎𝑔(𝑐). 𝑑𝑖𝑎𝑔(𝑎) adalah sebuah matrik diagonal cukup karakteristik struktur citra dan detail
𝑁𝑥𝑁 yang dibangun dari hasil tiap elemen per informasi, bentuk dan ukuran ketetanggaan lokal
elemen dari kepastian sinyal 𝑐 dan penerapan dapat diatur secara adaptif.
sampel 𝑎.
2.6 Mean Square Error
2.5.3 Estimasi Struktur dan Skala Citra Lokal MSE atau Mean Square Error merupakan suatu
Untuk peningkatan level pada Normalized metode pengukuran kontrol dan kualitas yang sudah
Convolution, sistem Struktur Adaptive Normalized dapat diterima luas. MSE dihitung dari sebuah
Convolution harus menggunakan informasi pada contoh obyek yang kemudian dibandingkan dengan
struktur citra aktual serta jarak antar data input. obyek aslinya sehingga dapat diketahui tingkat
4
ketidaksesuaian antara obyek contoh dengan aslinya.
Persamaan MSE terhadap deviasi dari target adalah
sebagai berikut: Gambar 3.1 Diagram alur program Super-Resolusi
menggunakan algoritma SANC
𝑚 𝑛
1 2
𝑀𝑆𝐸 = 𝐼 𝑥, 𝑦 − 𝐼 ′ (𝑥, 𝑦) (2.11) b. Pembuatan Citra Observasi
𝑀𝑁
𝑥=1 𝑦=1 Masukan dalam program ini berupa citra
tunggal beresolusi tinggi yang kemudian di-
I(x,y) adalah nilai piksel di citra asli, I’(x,y) adalah downsampling menjadi rangkaian citra beresolusi
nilai piksel pada citra hasil rekonstrusi, dan x, y rendah sebagai model observasi. Tujuan utama
adalah dimensi citra. perangkat lunak ini secara keseluruhan tentu saja
untuk menghasilkan citra beresolusi tinggi dari
3. PERANCANGAN dan IMPLEMENTASI rangkaian citra beresolusi rendah yang diambil dari
3.1 Perancangan Sistem rangkaian frame sebuah video, untuk mendapatkan
Untuk mengetahui gambaran keseluruhan dari informasi tertentu. Pembuatan model observasi lebih
proses kerja perangkat lunak yang akan dibuat dimaksudkan untuk penelitian keberhasilan
nantinya, maka diperlukan langkah awal dalam perangkat lunak secara keseluruhan. Proses
pembuatan perangkat lunak yaitu melakukan analisis pembuatan model observasi ditunjukkan oleh
kerja sistem secara keseluruhan. Gambar 3.2
a. Pembuatan Program Utama c. Pengujian Hasil Menggunakan PSNR
Program Super Resolusi pada citra digital Proses pengujian citra hasil Super Resolusi
menggunakan algoritma SANC merupakan program menggunakan algoritma SANC digambarkan pada
utama dalam perangkat lunak ini. Fungsi utamanya Gambar 3.3
adalah merekonstruksi rangkaian citra beresolusi
rendah dengan teknik Super Resolusi menggunakan
algoritma Structure-Adaptive Normalized
Convolution.. Proses pelaksanaan sistem dalam
program ini ditunjukkan oleh Gambar 3.1
Mulai
Tidak
Input
Rangkaian
Citra RR
Ya
Simpan Citra Alokasi Memori
Tidak
Registrasi Citra
Rekonstruksi Citra
(SANC)
Citra
Tunggal RT
Selesai
5
Mulai
4. UJI COBA PROGRAM
4.1 Data Uji Coba
Input Citra
Resolusi Uji coba pada program dalam penelitian ini
Tinggi
dilakukan terhadap rangkaian citra resolusi rendah
yang berfungsi sebagai citra observasi. Citra
Banyak
Citra RR
observasi itu sendiri dibentuk dari sebuah citra input
yang ingin
dibuat
yang resolusi tinggi sebagai citra asli atau citra
referensi. Citra asli terdiri dari 2 citra grayscale dan
Ya 2 citra RGB. Pada citra asli dilakukan proses rotasi
Simpan Citra Alokasi Memori dan translasi serta downsampling sehingga dapat
Tidak
dihasilkan citra-citra resolusi rendah (jumlah
maksimum 10) dengan ukuran yang 4 kali lebih
Menggandakan kecil. Selanjutnya, dilakukan uji coba rekonstruksi
Citra Input citra pada Super Resolusi menggunakan Structure
Adaptive Normalized Convolution pada citra-citra
Translasi dan
observasi, citra observasi yang digunakan berjumlah
Rotasi rangkaian 10. Pembentukan rangkaian citra observasi dengan
Citra
cara menurunkan kualitas suatu citra resolusi tinggi
dimaksudkan agar hasil rekonstruksi dapat
Downsampling dibandingkan dengan citra asli. Daftar citra-citra asli
dan Blurring Citra
untuk uji coba tersebut antara lain disajikan dalam
Tabel 4.1
Penambahan
Noise Tabel 4.1 Data Citra Asli
No Nama Citra
Rangkaian Citra
Resolusi Rendah
1 Lena.tif
512 x 512
Selesai
Mulai 2 Cameraman.tif
512 x 512
Input Citra
Input Citra Hasil
Asli : S(x,y) Rekonstruk
si : S’(x,y)
tengkorak.tif
4 400 x 400
Nilai PSNR
Selesai
6
Uji coba akan dilakukan dengan
memperhatikan input citra asli, dengan
memperhatikan ukuran, tipe dan tipe data citra.
Untuk meyakinkan bahwa algoritma Structure
Adaptive Normalized Convolution untuk proses
rekonstruksi citra merupakan algoritma yang bisa
diterapkan pada citra RGB (Berwarna) dan
Grayscale . Dalam pelaksanaan uji coba, citra asli
akan dibandingkan dengan citra hasil rekonstruksi,
citra hasil pembesaran 4 kali dengan metode bicubic
pada matlab dan citra yang diperbesar 4 kali d. Citra hasil pembesaran dengan microsoft
menggunakan software microsoft paint. Hal ini untuk paint (512x512)
melihat apakah algoritma SANC merupakan
algoritma yang baik dalam merekonstruksi citra.
Dalam pengujian kemampuan algoritma SANC,
untuk uji coba pertama, akan digunakan input
dengan keterangan sebagai berikut :
Nama Citra Asli : Lena.tif
Ukuran Citra Asli : 512 x 512
Jenis Citra : grayscale
7
Skala PSNR data citra masukkan, dimana hal ini terkait
SANC 18.6471 dengan kerumitan data citra input tersebut.
bicubic 18.0792 d. Hasil rekonstruksi citra dengan algoritma
microsoft paint 18.1322 Structure Adaptive Normalized Convolution
dengan perbesaran 4x mempunyai nilai PSNR
yang cukup tinggi. Dari hasil pengujian 4 citra,
4 Uji Coba Keempat didapatkan nilai PSNR 25,3468 dB untuk citra
Nama Citra Asli : tengkorak.tif Lena.tif, 22.0303 dB untuk citra
Jenis Citra : RGB(berwarna) Cameraman.tif, 18,6471 dB untuk citra
Satelit.tif dan 33,0496 dB untuk citra
Tabel 4.5 PerhitunganPSNR Uji Coba Keempat tengkorak.tif. Artinya, kualitas citra hasil
Skala PSNR pembesaran mendekati citra asli.
SANC 33.0496
Bicubic 28.3558 5.2 Saran
microsoft paint 28.4741 Saran yang dapat diberikan dalam pengembangan
tugas akhir ini antara lain adalah:
4.3 Evaluasi a. Registrasi citra merupakan bagian yang sangat
Pada percobaan diatas secara kasat mata citra penting dalam teknik Superesolusi. Untuk
hasil proses rekonstruksi citra, perbesaran dengan penelitian selanjutnya, penulis menyarankan
bicubic dan perbesaran dengan microsoft paint tidak penggunaan metode registrasi citra yang lebih
begitu jauh perbedaannya. Namun, bila diperhatikan baik dalam estimasi translasi ataupun rotasi
dengan seksama, citra hasil rekonstruksi SANC sehingga teknik Super-Resolusi menggunakan
mempunyai tampilan visual yang lebih baik algoritma Structure Adaptive Normalized
dibandingkan dengan yang lain. Selanjutnya, citra Convolution akan memberikan hasil yang lebih
hasil rekonstruksi SANC, citra hasil perbesaran baik pula.
bicubic dan citra hasil pembesaran microsoft paint b. Sebagai pengembangan perangkat lunak,
akan dibandingkan dengan citra asli sehingga didapat penelitian dapat ditingkatkan untuk
nilai numerik dari kualitas citra diatas yang disebut menghasilkan video beresolusi tinggi dari video
nilai PSNR. Dari nilai PSNR yang didapat, secara yang resolusinya rendah.
numerik, citra hasil rekonstruksi SANC lebih baik 6. DAFTAR PUSTAKA
dari yang lainnya. Dengan rekonsrtruksi SANC, citra
tengkorank.tif 128X128 bisa menghasilkan citra [1]. Fadlisyah. 2007. “Computer Vision dan
dengan nilai PSNR yang tinggi yaitu 33,04. Nilai ini Pengolahan Citra”. Yogyakarta : CV. ANDI
jauh diatas daripada hasil daripada bicubic dan hasil OFFSET.
microsoft paint. [2]. Gonzales, RC. Woods, RE. 2002. “Digital Image
Processing”. New Jersey : Prentice Hall, Inc.
5. PENUTUP [3]. Krokhin, Andrey. 2005. ”Super Resolution in
5.1 Kesimpulan Image Sequences”. Thesis for the degree of Master
of Science. Northeastern University.
Dari hasil pengujian perangkat lunak pada Bab V,
[4]. Muchlisuddin. 2009. “Teknik High Accuracy
maka didapat kesimpulan sebagai berikut:
Image Registration Menggunakan Fungsi Phase Only
a. Algoritma Structure Adaptive Normalized
Correlation”. Tugas Akhir Jurusan Matematika ITS
Convolution dapat digunakan sebagai salah satu
Surabaya.
metode dalam Super-Resolusi untuk
[5]. Munir, Rinaldi. 2004. “Pengolahan Citra Digital
merekonstruksi citra. Dengan membuat fungsi
dengan Pendekatan Algoritmik”. Bandung:
basis dari citra input disertai fungsi aplikabel
Informatika Bandung.
yang tepat membuat algoritma ini dapat
[6] Tiemao, Lin., Xuyuan, Zheng. 2010. “Super-
merekonstruksi citra dengan baik.
resolution Reconstruction of MR Image Based on
b. Citra hasil rekonstruksi menggunakan algoritma
Structure-adaptive Normalized Convolution”. ICSP
Structure Adaptive Normalized Convolution
IEEE. Hal 760-762.
memberikan hasil yang lebih baik dibandingkan
[7] Tuan, Pham, Vliet, Lucas. 2003 .“Normalized
dengan citra hasil interpolasi bicubic dan
averaging using adaptive applicability functions with
pembesaran menggunakan microsoft paint baik
application in image reconstruction from sparsely
secara numerik maupun visual.
and randomly sampled data”. Proceedings of 13th
c. Nilai parameter rekonstruksi, yaitu Peak Signal
to Noise Ratio (PSNR) berbeda-beda pada tiap
8
Scandinavian Conference on Image Analysis
(SCIA). Hal 485-492.
[8] Tuan, Pham. 2006. “Robust Fusion of Irregularly
Sampled Data using AdaptiveNormalized
Convolution”. EURASIP Journal on Applied Signal
Processing. Hal 1-12
[9] Tuan, Pham. 2006. “Spational Adaptivity in
Super Resolution of Under sampled Image
Sequences”. Thesis for the degree of Master of
Science. Delft University of Technology.
[10] Westin, Carl. 1993. “Normalized and
Differential Convolution”. In Computer Vision and
Pattern Recognition. Hal 515-523.