REKONSTRUKSI CITRA MENGGUNAKAN ALGORITMA

STRUCTURE-ADAPTIVE NORMALIZED CONVOLUTION

Nama Mahasiswa : Imaddudin Septyan P

NRP : 1207 100 062
Jurusan : Matematika FMIPA-ITS
Dosen Pembimbing : 1. DR. Imam Mukhlash, S.Si, MT
2. Drs. Suhud Wahyudi, M.Si

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. PENDAHULUAN ditawarkan sebagai alternatif untuk memecahkan

Komunikasi visual memainkan peranan
penting dalam kehidupan saat ini. Data atau
informasi tidak hanya disajikan dalam bentuk teks,
tetapi juga dapat berupa multimedia seperti gambar,
audio, dan video. Salah satunya adalah informasi
yang dimunculkan melalui suatu gambar. Citra,
istilah lain untuk gambar, sebagai salah satu
komponen multimedia memegang peranan sangat
penting sebagai bentuk informasi visual. Citra kaya
akan informasi karena mempunyai karakteristik yang
tidak dimiliki oleh data teks.
Semakin tinggi resolusi citra tersebut, semakin
kaya pula informasi yang terkandung di dalamnya.
Namun, seringkali citra yang kita miliki mengalami
penurunan mutu (degradasi), misalnya mengandung
cacat atau derau (noise), warnanya terlalu kontras,
kurang tajam, kabur (blurring), dan sebagainya.
Tentu saja citra semacam ini menjadi lebih sulit
diinterpretasi karena informasi yang disampaikan
oleh citra tersebut menjadi berkurang. Citra yang
mempunyai resolusi yang baik bisa diperoleh dengan
alat yang baik pula. Optik dengan presisi yang tinggi
dan sensor yang tajam akan menghasilkan citra
dengan kualitas yang baik. Namun, hal ini
membutuhkan biaya yang cukup besar untuk
penyediaan alat-alat tersebut. Super Resolusi
masalah tersebut. Oleh karena itu, pendekatan
perangkat lunak dikedepankan daripada penggunaan
perangkat keras. Super Resolusi digunakan untuk
perbaikan citra yang dapat mengubah citra
terdegradasi tersebut menjadi sebuah citra beresolusi
tinggi. Dengan demikian, biaya untuk mendapatkan
citra dengan resolusi tinggi dapat ditekan.
Penelitian ini menerapkan Super Resolusi
menggunakan Algoritma Structure-Adaptive
Normalized Convolution (SANC) untuk
menghasilkan sebuah citra dengan resolusi yang
tinggi dari rangkaian citra beresolusi rendah yang
berurutan. Beberapa tahun belakangan, banyak
algoritma Rekonstruksi dalam Super Resolusi yang
telah diteliti, diantaranya adalah algoritma
interpolasi non-uniformly spaced samples, iterative
back projection (IBP), dan maximum a posteriori
estimate [2]. Namun, normalisasi konvolusi adalah
metode yang umum digunakan untuk filtering data
yang hilang dan tidak pasti. Algoritma Structure-
Adaptive Normalized Convolution (SANC) termasuk
algoritma non-uniformly spaced samples yang
mentransformasikan perpindahan piksel tak standart
ke pemindahan piksel standart dan selanjutnya
digunakan untuk rekonstruksi dalam Super Resolusi.
Algoritma SANC digunakan dalam penelitian ini

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

Gambar 2.3 Langkah-langkah Teknik Super-
Resolusi
2.4 Registrasi Citra dan Rekonstruksi Citra
Registrasi citra merupakan proses overlay dua
atau lebih citra dengan obyek yang sama, yang
diambil pada waktu yang berbeda, dari sudut
pandang yang berbeda, dan atau oleh sensor yang
berbeda pula [10]. Definisi lain yaitu proses
menemukan kembali titik-titik yang bersesuaian
antara citra 𝐼1 dengan citra 𝐼2 dimana citra 𝐼2 yang
mengalami transformasi geometri seperti pergeseran
(translasi), rotasi, perbesaran (scaling), pembalikan
(fliping), dan penarikan (stretching)[9].
Registrasi citra dapat dilakukan pada domain
spasial dan domain frekuensi. Pada domain spasial,
registrasi dilakukan dengan cara mencari nilai rata-
rata, median, atau ukuran statistika lainnya pada
setiap nilai derajat keabuan (grayscale) atau RGB
[6]. Konsep registrasi citra pada domain spasial dan
frekuensi adalah estimasi pergeseran dan estimasi
rotasi. Estimasi pergeseran diberikan sebagai berikut,
misal 𝐼2 adalah citra 𝐼1 yang mengalami pergeseran
sebesar ∆𝑥, ∆𝑦 maka
𝐼1 𝑥, 𝑦 = 𝐼2 (𝑥 + ∆𝑥, 𝑦 + ∆𝑦) (2.1)
Untuk estimasi rotasi diberikan sebagai
berikut, jika 𝐼2 adalah citra 𝐼1 yang mengalami rotasi
sebesar ∆𝜃, maka untuk menemukan sudut rotasi ∆𝜃
dilakukan dengan mengubah sistem koordinat
kartesian pada citra 𝐼1 dan 𝐼2 menjadi sistem
koordinat polar sehingga
𝐼1 𝑟, 𝜃 = 𝐼2 (𝑟, 𝜃 + ∆𝜃) (2.2)
Rekonstruksi citra merupakan proses
mendapatkan kembali (rekonstruksi) citra asli dari
suatu citra yang telah mengalami proses degradasi
[3]. Dengan menggambarkan model tersebut
(Gambar 2.4), maka pada hakikatnya suatu citra yang
dilihat sesungguhnya merupakan citra yang telah
mengalami suatu proses degradasi yang dalam hal ini
digambarkan sebagai H ditambah suatu derau n(x,y):
3
𝑔 𝑥, 𝑦 = 𝐻𝑓 𝑥, 𝑦 + 𝑛(𝑥, 𝑦) (2.3)
Berarti, proses rekonstruksi dalam hal ini
dapat diartikan sebagai proses mendekati citra f(x,y)
dari suatu citra g(x,y) dengan menggunakan
pengetahuan yang dimiliki mengenai operator H dan
derau n(x,y).
Gambar 2.4 Model Degradasi
2.5 Rekonstruksi Citra Menggunakan SANC
Algoritma SANC merupakan algoritma
interpolasi citra yang bekerja pada ruang lingkup
Normalized Convolution. Setelah rangkaian citra
resolusi rendah diregistrasi untuk didapatkan nilai
perpindahan piksel, maka parameter translasi
maupun rotasi perpindahan citra-citra tersebut akan
digunakan untuk proses rekonstruksi. Salah satu
citra dalam rangkaian citra resolusi rendah akan
digunakan sebagai acuan dalam rekonstruksi. Citra
tersebut akan diperbesar yang nantinya digunakan
sebagai grid citra resolusi tinggi. Nilai parameter
translasi dan rotasi perpindahan piksel digunakan
untuk memproyeksikan citra citra resolusi rendah
pada grid citra resolusi tinggi. Tentukan fungsi
aplikabel berdasarkan jarak titik piksel dengan
ketetanggaanya. Setelah itu, cari fungsi basis yang
didapat dari nilai kepastian pada citra citra tersebut.
Operasikan nilai nilai tersebut berdasarkan
persamaan 2.6. Operasi diatas merupakan proses
Normalized Convolution. Untuk membuat citra
semakin tajam, maka proses tersebut diulang kembali
namun dengan penambahan parameter-parameter
lainnya. Seperti estimasi struktur dan skala citra
lokal harus diketahui terlebih dahulu yang kemudian
dibuat menjadi densitas citra. Selain itu, fungsi
aplikabel dibuat menggunakan fungsi gaussian
anisotropic. Proses perulangan inilah yang disebut
dengan Structure Adaptive Normalized Convolution.
2.5.1 Normalized Convolution
Normalized Convolution adalah metode untuk
analisis sinyal yang memperhitungkan ketidakpastian
dari nilai sinyal dan pada saat yang sama
memungkinkan lokalisasi fungsi analisis spasial tak
terbatas. Definisi lain menyebutkan, Normalized
Convolution adalah teknik untuk memodelkan
proyeksi dari sinyal lokal ke satu himpunan fungsi
basis. Meskipun banyak fungsi basis yang dapat
digunakan, namun pada umumnya basis polinomial
{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

Buat Citra RR Ya Program Generasi

dari Citra RT Citra

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

Gambar 3.2 Diagram alur sistem pembuatan

citra observasi

Mulai 2 Cameraman.tif
512 x 512
Input Citra
Input Citra Hasil
Asli : S(x,y) Rekonstruk
si : S’(x,y)

Hitung nilai MSE

Satelit.tif
3 512 x 512

Hitung nilai PSNR

tengkorak.tif
4 400 x 400
Nilai PSNR

Selesai

Gambar 3.3 Diagram alur program PSNR

4.2 Pelaksanaan Uji Coba

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

e. Citra hasil pembesaran dengan metode

bicubic (512x512)

Semua citra asli dilakukan uji coba yang

sama, dan dihitung nilai PSNR dari setiap uji
coba. Nilai PSNR dari setiap uji coba dapat
dilihat pada tabel tabel berikut:
1. Uji Coba Pertama
a. Citra Asli (512x512) Nama Citra Asli : Lena.tif
Jenis Citra : grayscale

Tabel 4.2 Perhitungan PSNR Uji Coba Pertama

Citra PSNR
SANC 25.3468
b. citra observasi (128x128) bicubic 24.7070
microsoft paint -

2 Uji Coba Kedua

Nama Citra Asli : Cameraman.tif
Jenis Citra : grayscale

Tabel 4.3 Perhitungan PSNR Uji Coba Kedua

Skala PSNR
SANC 22.0303
bicubic 21.3494
c. citra hasil rekonstruksi SANC (512x512)
microsoft paint -

3 Uji Coba Ketiga

Nama Citra Asli : Satelit.tif
Jenis Citra : RGB(berwarna)

Tabel 4.4 Perhitungan PSNR Uji Coba Ketiga

7
 Skala PSNR
SANC 18.6471
bicubic 18.0792
microsoft paint 18.1322
4 Uji Coba Keempat
Nama Citra Asli : tengkorak.tif
Jenis Citra : RGB(berwarna)
Tabel 4.5 PerhitunganPSNR Uji Coba Keempat
Skala PSNR
SANC 33.0496
Bicubic 28.3558
microsoft paint 28.4741
4.3 Evaluasi
Pada percobaan diatas secara kasat mata citra
hasil proses rekonstruksi citra, perbesaran dengan
bicubic dan perbesaran dengan microsoft paint tidak
begitu jauh perbedaannya. Namun, bila diperhatikan
dengan seksama, citra hasil rekonstruksi SANC
mempunyai tampilan visual yang lebih baik
dibandingkan dengan yang lain. Selanjutnya, citra
hasil rekonstruksi SANC, citra hasil perbesaran
bicubic dan citra hasil pembesaran microsoft paint
akan dibandingkan dengan citra asli sehingga didapat
nilai numerik dari kualitas citra diatas yang disebut
nilai PSNR. Dari nilai PSNR yang didapat, secara
numerik, citra hasil rekonstruksi SANC lebih baik
dari yang lainnya. Dengan rekonsrtruksi SANC, citra
tengkorank.tif 128X128 bisa menghasilkan citra
dengan nilai PSNR yang tinggi yaitu 33,04. Nilai ini
jauh diatas daripada hasil daripada bicubic dan hasil
microsoft paint.
5. PENUTUP
5.1 Kesimpulan
Dari hasil pengujian perangkat lunak pada Bab V,
maka didapat kesimpulan sebagai berikut:
a. Algoritma Structure Adaptive Normalized
Convolution dapat digunakan sebagai salah satu
metode dalam Super-Resolusi untuk
merekonstruksi citra. Dengan membuat fungsi
basis dari citra input disertai fungsi aplikabel
yang tepat membuat algoritma ini dapat
merekonstruksi citra dengan baik.
b. Citra hasil rekonstruksi menggunakan algoritma
Structure Adaptive Normalized Convolution
memberikan hasil yang lebih baik dibandingkan
dengan citra hasil interpolasi bicubic dan
pembesaran menggunakan microsoft paint baik
secara numerik maupun visual.
c. Nilai parameter rekonstruksi, yaitu Peak Signal
to Noise Ratio (PSNR) berbeda-beda pada tiap
8
data citra masukkan, dimana hal ini terkait
dengan kerumitan data citra input tersebut.
d. Hasil rekonstruksi citra dengan algoritma
Structure Adaptive Normalized Convolution
dengan perbesaran 4x mempunyai nilai PSNR
yang cukup tinggi. Dari hasil pengujian 4 citra,
didapatkan nilai PSNR 25,3468 dB untuk citra
Lena.tif, 22.0303 dB untuk citra
Cameraman.tif, 18,6471 dB untuk citra
Satelit.tif dan 33,0496 dB untuk citra
tengkorak.tif. Artinya, kualitas citra hasil
pembesaran mendekati citra asli.
5.2 Saran
Saran yang dapat diberikan dalam pengembangan
tugas akhir ini antara lain adalah:
a. Registrasi citra merupakan bagian yang sangat
penting dalam teknik Superesolusi. Untuk
penelitian selanjutnya, penulis menyarankan
penggunaan metode registrasi citra yang lebih
baik dalam estimasi translasi ataupun rotasi
sehingga teknik Super-Resolusi menggunakan
algoritma Structure Adaptive Normalized
Convolution akan memberikan hasil yang lebih
baik pula.
b. Sebagai pengembangan perangkat lunak,
penelitian dapat ditingkatkan untuk
menghasilkan video beresolusi tinggi dari video
yang resolusinya rendah.
6. DAFTAR PUSTAKA
[1]. Fadlisyah. 2007. “Computer Vision dan
Pengolahan Citra”. Yogyakarta : CV. ANDI
OFFSET.
[2]. Gonzales, RC. Woods, RE. 2002. “Digital Image
Processing”. New Jersey : Prentice Hall, Inc.
[3]. Krokhin, Andrey. 2005. ”Super Resolution in
Image Sequences”. Thesis for the degree of Master
of Science. Northeastern University.
[4]. Muchlisuddin. 2009. “Teknik High Accuracy
Image Registration Menggunakan Fungsi Phase Only
Correlation”. Tugas Akhir Jurusan Matematika ITS
Surabaya.
[5]. Munir, Rinaldi. 2004. “Pengolahan Citra Digital
dengan Pendekatan Algoritmik”. Bandung:
Informatika Bandung.
[6] Tiemao, Lin., Xuyuan, Zheng. 2010. “Super-
resolution Reconstruction of MR Image Based on
Structure-adaptive Normalized Convolution”. ICSP
IEEE. Hal 760-762.
[7] Tuan, Pham, Vliet, Lucas. 2003 .“Normalized
averaging using adaptive applicability functions with
application in image reconstruction from sparsely
and randomly sampled data”. Proceedings of 13th
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.