Seperti pada gambar peningkatan, tujuan utama teknik restorasi adalah untuk

meningkatkan citra dalam beberapa pengertian yang telah ditentukan. Meskipun ada
area yang tumpang tindih, peningkatan citra sebagian besar merupakan proses
subjektif, sementara restorasi citra sebagian besar merupakan proses objektif
Restorasi mencoba memulihkan citra yang telah terdegradasi dengan menggunakan8
pengetahuan apriori tentang fenomena degradasi. teknik restorasi berorientasi pada
pemodelan degradasi dan menerapkan proses terbalik untuk memulihkan citra asli.
Pendekatan ini biasanya melibatkan perumusan kriteria kebaikan yang akan
menghasilkan perkiraan optimal dari hasil yang diinginkan. Sebaliknya, teknik
peningkatan pada dasarnya adalah prosedur hcuristic yang dirancang untuk
memanipulasi gambar untuk mengambil keuntungan dari aspek psikofisik dari sistem
visual manusia.
dianggap sebagai lechniqtie restorasi.
NS materi yang dikembangkan dalam bab ini hanyalah pengantar. Kami
mempertimbangkan masalah restorasi hanya dari inti nya di mana gambar digital
terdegradasi diberikan; jadi kami mempertimbangkan topik yang berhubungan
dengan sensor z, digitirer. dan menampilkan degradasi hanya secara dangkal.
Mata pelajaran ini, meskipun penting yaitu pengobatan secara keseluruhan dari
imiigc saya csts» ati‹iii penginapan aplikasi, arc di luar ]dia ruang lingkup diskusi
saat ini
333
 334 m SR Gambar Restorasi dan Rekonstruksi

Seperti yang dibahas dalam Bab 3 dan 4, beberapa teknik restorasi paling baik
diformulasikan dalam domain spasial, sementara yang lain lebih cocok untuk domain
frekuensi. Misalnya, pemrosesan spasial dapat diterapkan ketika satu-satunya
degradasi adalah kebisingan tambahan. Di sisi lain, degradasi seperti gambar kabur
adalahsulit untuk didekati dalam domain spasial menggunakan masker filter
kecil. Dalam hal ini, filter domain frekuensi berdasarkan berbagai kriteria
optimalitas adalah pendekatan pilihan. Filter ini juga memperhitungkan
adanya noise. Seperti pada Bab 4, filter restorasi yang memecahkan aplikasi
tertentu dalam domain frekuensi sering digunakan sebagai dasar untuk
menghasilkan filter digital yang akan lebih cocok untuk operasi rutin
menggunakan implementasi perangkat keras-firmware.
Bagian 5.1 memperkenalkan model linier dari proses degradasi/restorasi citra.
Bagian 5.2 membahas berbagai model kebisingan yang sering ditemui dalam
praktik. Dalam Bagian 5.3, kami mengembangkan beberapa teknik penyaringan
spasial untukmengurangi konten noise dari suatu gambar, suatu proses yang
sering disebut sebagai denoising gambar. Bagian 5.4 dikhususkan untuk
teknik pengurangan noise menggunakan teknik domain frekuensi Bagian 5.5
memperkenalkan model degradasi gambar linier, invarian posisi, dan Bagian
5.6 membahas metode untuk memperkirakan fungsi degradasi. Bagian 5.7
hingga 3.10 mencakup pengembangan pendekatan restorasi citra mendasar
Kami menyimpulkan bab (Bagian 5.11) dengan pengantar rekonstruksi citra
dari proyeksi. Aplikasi utama dari konsep ini adalah computed tomography
(CT), salah satu aplikasi komersial yang paling penting dari pengolahan citra,
terutama dalam perawatan kesehatan.

Model Proses Degradasi/Pemulihan Citra

Seperti yang ditunjukkan Gambar 5 1, proses degradasi dimodelkan dalam bab ini
sebagai fungsi degradasi yang, bersama dengan istilah noise tambahan, beroperasi
pada citra input /(z, y) untuk menghasilkan citra terdegradasi g(z, y). Mengingat g(x,
y), beberapa pengetahuan tentang fungsi degradasi H, dan beberapa pengetahuan
tentang istilah kebisingan tambahan yx, y), tujuan restorasi adalah untuk
mendapatkan perkiraan
/(x, y) dari gambar asli. Kami ingin perkiraan sedekat mungkin dengan gambar input
asli dan, secara umum, semakin banyak yang kami ketahui tentang H dan y, semakin
dekat
/(z, y) akan menjadi io /(x.y). Pendekatan restorasi yang digunakan di
sebagian besar bab ini didasarkan pada berbagai jenis filter restorasi gambar.

Sebuah model dari Dcgradalin

gamb
ar
degradasi/
proses
restorasi.
 $.2 G Kebisingan Model 335

Hal ini ditunjukkan pada Bagian 5.5 thai jika Jika adalah proses linear,
posisi-invarian, maka gambar yang terdegradasi diberikan dalam domain
spasial oleh

(5.1-1)

di mana h(x, )•) adalah representasi spasial dari fungsi degradasi dan, seperti pada Bab
4, symI•ol "A" menunjukkan konvolusi. Kita tahu dari pembahasan di Bagian 4.6.6
bahwa konvolihion dalam domain spasial analog dengan perkalian dalam domain
frekuensi, jadi z'e dapat menulis model dalam Persamaan. (5.1-1) dalamrepresentasi
domain y sering yang setara:

C(u, ) = H u, n)fi(u, v) + /V(u, v) (512)

di mana istilah dalam modal huruf adalah transformasi Fourier dari istilah
yang sesuai dalam Persamaan. (5.1-1). Kedua persamaan ini adalah dasar
untuk sebagian besar bahan restorasi dalam bab ini.
Dalam tiga bagian berikut, kita asumsikan bahwa N adalah operator
identifikasi, dan kita hanya berurusan dengan degradasi akibat noise. Dimulai
pada Bagian 5.6 kami mempertimbangkan sejumlah fungsi degradasi gambar
yang penting dan melihat beberapametode umum untuk restorasi citra dengan
adanya boih If dan p.

Model Kebisingan
Sumber utama noise pada citra digital muncul selama akuisisi citra dan/atau
transmisi. Kinerja sensor pencitraan dipengaruhi oleh berbagai faktor, seperti
kondisi lingkungan selama akuisisi gambar, dan oleh kualitas elemen
penginderaan itu sendiri. Misalnya, dalam memperoleh gambar dengan
kamera CCD, tingkat cahaya dan suhu sensor merupakan faktor utama yang
mempengaruhi jumlah noise pada gambar yang dihasilkan. Gambar rusak
selama transmisi terutama karena gangguan pada saluran yang digunakan
untuk transmisi. Misalnya, gambar yang ditransmisikan menggunakan
jaringan nirkabel mungkin rusak akibat petir atau gangguan atmosfer lainnya.

8.2.1 Sifat Spasial dan Frekuensi Kebisingan

Relevan dengan diskusi kita adalah parameter yang menentukan karakteristik
spasial kebisingan, dan apakah kebisingan berkorelasi dengan gambar. Sifat
frekuensi mengacu pada kandungan frekuensi kebisingan dalam pengertian
Fourier (yaitu, sebagai lawan dari frekuensi spektrum elektromagnetik). Misalnya
Je, ketikaspektrum kebisingan Fourier adalah konstan. kebisingan biasanya
disebut sementara noi5e. Terminologi ini merupakan turunan dari sifat fisik
cahaya putih, yang mengandung hampir semua frekuensi dalam spektrum
tampak dalam proporsi yang sama. Dari pembahasan pada Bab 4, tidaklah
sulit untuk menunjukkan bahwa spektrum Fourier dari suatu fungsi yang
memuat semua frekuensi dalam proporsi yang sama adalah suatu konstanta.
Dengan pengecualian kebisingan periodik spasial (Bagian 5.2.3), kami
mengasumsikan dalam bab ini bahwa kebisingan tidak tergantung pada
koordinat spasial, dan itu adalah
336 Lembut Restorasi dan Rekonstruksi Gambar $ R

tidak berkorelasi terhadap gambar itu sendiri (yaitu, tidak ada korelasi
antara nilai piksel dan nilai komponen noise). Meskipun asumsi ini
setidaknya sebagian tidak valid dalam beberapa aplikasi (quantum-
pencitraan terbatas, seperti pada sinar-X dan pencitraan kedokteran nuklir.
adalah contoh yang baik), kompleksitas berurusan dengan kebisingan yang
bergantung secara spasial dan berkorelasi berada di luar cakupan diskusi kita.

S.?.? BeberapaFungsi Den8itas Probabilitas Kebisingan Penting

Berdasarkan asumsi pada bagian sebelumnya. deskriptor kebisingan spasial
yang akan kita perhatikan adalah perilaku statistik intensitas
Ctim•..1‹ihe hu.. ••.›« nilai-nilai di dalam NS kebisingan komponen dari modelnya pada Gambar 3.1. Ini mungkin
dipertimbangkan-
ahiliii teori. ed acak variabel, dicirikan oleh A kemungkinan kepadatan ion fungsi (PDF).
Berikut ini adalah salah satu PDF paling umum yang ditemukan di pro-
aplikasi penghentian.
kebisingan Gaussian
Karena mateinaticainya dapat ditelusuri baik dalam domain spasial maupun
frekuensi, model noise Gaussian (juga disebut nurmal) sering digunakan
dalam praktik. Faktanya. traktabilitas ini sangat nyaman sehingga sering kali
menghasilkan model Gaussian yang digunakan dalam situasi di mana mereka
paling baik diterapkan secara marginal.
PDF dari variabel acak Gaussian, z. diberikan oleh

(i2l)

di mana z mewakili intensitas, ? adalah nilai mean' (rata-rata) dari z, dan r adalah
simpangan bakunya. Kuadrat deviasi standar, tr2, disebut v‹tri‹ince dari z. Plot fungsi
ini ditunjukkan pada Gambar 5.2(a). Ketika z dijelaskan oleh Persamaan. (5.2-1),
sekitar 70'/o nilainya akan berada dalam kisaran {(z — w), (J + o-)], dan sekitar
95% akan berada dalam kisaran [(? — 2e), (? + 2 )].

Kebisingan Rayleigh
PDF dari Ra)'leigh noise diberikan oleh

(.5.2-2)
fbr z < a

Rata-rata dan varians dari densitas ini diberikan oleh

(123)

'Kami usc Saya inslciitl Saya jika zii i‹i dcn‹He 1 hc ruc,in di dalam itu scct i di dalam untuk il \ tiid cui
i fusii ua semua n wc menggunakan iii anii ii 1.uc i
untuk menolak ukuran ncighhorlu«›fi.

A•:
 S.2 R Kebisingan Model 337

0.M7

Seragam

abc
def
flGtJhf 5.2 Beberapa kepadatan probabilitas penting fungsix”

dan
P 2 B4(4 w)
(5.2-4)

Gambar 5.2(b) menunjukkan plot kerapatan Rayleigh. Perhatikan perpindahan

dari asal dan fakta bahwa bentuk dasar kerapatan ini condong ke kanan.
Kepadatan Rayleigh bisa sangat berguna untuk mendekati histogram miring.
Erlang kebisingan lgammal
PDF kebisingan Erlang diberikan oleh

e' untuk za:

y(z) = {B — 1)! (5.2-5)
()
0untuk t<0

di mana parameternya sedemikian rupa sehingga a T 0, b adalah bilangan bulat

positif, dan "!" menunjukkan faktorial. Rata-rata dan varians dari densitas ini
diberikan oleh

(126)
dan
(5,2-7)
33a Pengadopsi S Restorasi dan Rekonstruksi Gambar

Angka 5.2(c) menunjukkan plot kepadatan ini. Meskipun Persamaan. (5.2-5)

sering disebut sebagai kerapatan gamma, sebenarnya ini benar hanya jika
penyebutnya adalah fungsi gamma, F(b). Bila penyebutnya seperti pada
gambar, densitas lebih tepat disebut densitas Erlang.
Kebisingan eksponensial
PDF kebisingan eksponensial diberikan oleh

(5.2-8)
untuk e <
0
dimana n > 0. Rata-rata dan varians dari fungsi densitas ini
adalah
(5.2-9)
z=—

dan
(5.2-10)

Perhatikan bahwa PDF ini adalah kasus khusus dari Erlang PDF, dengan b -- 1.
Gambar 5.2(d) menunjukkan plot fungsi densitasnya.
Kebisingan seragam
PDF kebisingan seragam diberikan oleh

-jika NS z (5.2-11)
p(z) --B
B
0jika tidak Rata-rata
fungsi densitas ini diberikan oleh
a+b (5.2-12)

dan variannya
dengan [B - n)'
(5.2-13)
12

Gambar 5.2(e) menunjukkan plot atau kerapatan

seragam.
Impuls lsalt-and-pepper) kebisingan
PDF dari kebisingan impuls [bipolar) diberikan
oleh
(5.2-14)
P untuk z = a
p(z) = P$ untuk z = 6
0 sebaliknya

jika b A, intensitas b akan muncul sebagai titik terang pada gambar. Sebaliknya,
tingkatkan keinginantampak seperti titik gelap. Jika salah satu Pp atau b adalah
nol, kebisingan impuls disebut unipolar. Jika tidak ada peluang yang nol, dan
terutama jika keduanya mendekati
sama, nilai noise impuls akan menyerupai butiran garam dan merica yang
didistribusikan secara acak di atas gambar. Untuk alasan ini, kebisingan impuls
bipolar juga disebut kebisingan Holl-and-pepper. D‹iia-drop-ouf dan suara
lonjakan juga digunakan untuk merujuk 'ke jenis ini kebisingan. Kita gunakan NS
istilah impuls atau .salt-nn‹:I-peyprr noise secara bergantian.
 5.2 fi Model Eloise330

Impuls kebisingan bisa negatif atau positif. Penskalaan biasanya setara dengan
proses digitalisasi gambar Karena kerusakan impuls biasanya berbanding lurus
dengan kekuatan sinyal gambar, derau impuls umumnya didigitalkan sebagai ekstrim
(hitam murni). atau putih) nilai dalam gambar. Jadi, assu •r ion biasanya adalah thai
a dan b adalah "saturated" sia-sia dalam arti bahwa mereka sama dengan nilai
minimum dan maksimum yang diperbolehkan dalam gambar digital. Sebagai
hasilnya. impuls negatif muncul
sebagai titik hitam (lada) dalam gambar. untuk alasan yang sama, impuls
positifmuncul sebagai suara putih (garam). untuk gambar 8-bii ini biasanya o —
0 (hitam) dan b -- 255 (putih). Gambar 5.2(f) menunjukkan PDF dari noise
impuls.
Sebagai sebuah kelompok, PDF sebelumnya menyediakan alat yang berguna
untuk memodelkan berbagai situasi korupsi kebisingan yang ditemukan dalam
praktik. Misalnya, derau Gaussian muncul dalam gambar karena faktor-faktor
seperti derau rangkaian elektronik dan derau sensor karena iluminasi yang buruk
dan/atau suhu tinggi. Kepadatan Rayleigh sangat membantu dalam
mengkarakterisasi fenomena kebisingan dalam pencitraan jangkauan. 'kepadatan
eksponensial dan gamma menemukan aplikasi dalam pencitraan laser. Kebisingan
impuls ditemukan dalam situasi di mana transien cepat, seperti swilching yang
salah, terjadi selama pencitraan, seperti yang disebutkan dalam paragraf
sebelumnya. Kepadatan seragam mungkin yang paling tidak menggambarkan
situasi praktis. Namun kepadatan seragam .1hc cukup berguna sebagai dasar
untuk banyak acak nomor b'cneritloi's itu digunakan dalam simulasi (Peebles [1993]
ind Gonzalex, Woods. dan f\dclins [2(8)4]).

B Gambar 5.3 menunjukkan a tes pa1 ter n dengan baik suite Saya oi' illtistr;ii iut; iliu CONTOH 5.1:
kebisingan modc 1s baru saja dibahas. Ini :i sesuai Wattle Watt em untuk menggunakan Gambar berisik
1›karena ii adalah kebalikan dari sim- dan istogr am
tolong daerah konstan yang menjangkau Jika • S ••kamu skala 1 rtm hlak t n t'ur 'i'hitc mereka.
di dalam c›n Jy tiga kenaikan. Analisis x'isual fasilitas ini 'itu' cm.ii ici cri stics ct 11ic
berbagai komponen kebisingan disesuaikan dengan io thr insag‹:.
Gambar 5.4 menunjukkan tesi pattero setelah idisi ct enam i; buah n‹›ise yang
dibahas sejauh ini di bagian ini. Ditampilkan 1›gambar cache cloe tidak bohong
histogram coin-puted langsung dari gambar itu. Fhe pai'anictciS dari kebisingan
setiap kasus sehingga histogramnya corrcsponrliiiip ke tlii'‹.c int lembam y yaitu›
c Apakah dalam pola tes akan mulai bergabung. Ini membuat ltte nuisc c menjadi
terlihat. tanpamengaburkan struktur dasar dari irnagc . yang mendasarinya

FtGURE 5.3' KE. Saya

340 Restorasi dan Rekonstruksi Gambar 8 M

Gaussian Rayleigh

DI
A'

FAU8T S.4 Gambar dan histogram yang dihasilkan dari menambahkan C3aussian. Rayleigh. dan kebisingan gamma dalam
ritus iniige
di dalam Gambar 5.3.

Kami melihat korespondensi yang dekat di cc›mparing nya;tgrnms in Gambar. S.4

evil h PDF pada Gambar 5.2. 'Prin histogr‹in1 ftn contoh garam dan merica
memilikipuncak ekstra di s liitc cncl tit skala intensitas karena gangguan comJii-
nents murni berwarna putih dan putih, kering t:‹Hnpt›nent af the tc'.st Weir
paling ringan (lingkaran) berwarna abu-abu muda. Dengan pengecualian
sedikit dilteren! intensitas tinggi, sangat sulit untuk membedakan secara visual
antara gambar-gambar tive pertama pada Gambar 3.4, c*i•en meskipun
histogrilnls mereka ar(' secara signifikan berbedaT. "Saya berbohong sesuai dengan
.i ntl- lada penampilan r›f gambar ctirruJited hy impuls noise adalah satu-satunya yang secara
visual tajam:‹ttive jenis kebisingan yang menyebabkan degradasi. :

9.?-Berkala Tidak.se
 5.2 Kebisingan Model.34i

Eksponensial Seragam
8 'jam . aku
,. ipj
ff Uhfi 5.4 Codimulai) saya tidak es iind liis1‹›granis rcsulling fi ir iitlriinp e.Kpr›nc ni Saya Al. timah ilor.
anJ garam-iintJ-
merica kebisingan ke imahe di I-iy. 1.J

sinusoid adalah sepasang impuls konjugasi pantas di c‹injrigate ft persamaan

gelombang sinus (Tabel 4.3). Dengan demikian, jika fungsi dari sinus tersebut sakit
maka fungsi spasialnya cukup kuat. kami akan melakukan cxpt-c1 untuk detik sprcti
uiii dari inisiasi A pasangan impuls untuk setiap sinus u'‹rvc di gambar 7\s ditampilkan
dalam menggali. 5.ñ(h). ini memang k a s u s n y a , d e n g a n p e n g i n a p a n
u l s e s a p ( a c r t r i i g i n NS u J rr›xi iii.its' cii'clc licc‹iusc nilai frekuensi dalam i
rnya• C kan c••• ' c kan malaikat. Saya akan mengatakan lebih banyak lagi di
Bagian S.4 tentang anti-eksirip1es lain dari kebisingan ini.

5.2.4 Estimasi Parameter Kebisingan

 Restorasi Gambar dan Reronslructioii

(a) Gambar
dirusak oleh
kebisingan
sinusoidal.
(b) Spektrum
(setiap
pasangan
mengkonjuga
sikan impuls
sesuai dengan
(Gambar asli
courtesy of
NASA.)

Analisis otomatis dimungkinkan dalam duduk manis di dalam \vliich NS nriisc

sJ›ite› .ira ci di sana luar biasajelas. atau saat mengetahuinyaS a t'il lêlblC il
(Jt3tll t Île' {jCfl- lokasi pusat frekuensi ctiinponenls it lcrcncc intüi.
Parameter kebisingan PLTF mungkin bc km›wna:irtiall\ l'roni sciisc›r
spt•cifi cations, tetapi sering kali diperlukan li›ra |a. ri iciil.ii iiria'_ina
pengaturan. Jika pencitraan sjsl eau adalah wa ilat›lc, satu wa sederhana;
saya st irai; karakteristik kebisingan sistem adalah captn reA serf hmiyc s i'
flou” :ii› ii un- ments. Misalnya, dalam kasus 'opt ieur c nso1 . ini adalah kami
.simple is bayangkan papan abu-abu solid yang iluiiiiinaletl timah ift» di ly. 'Dia
membalas iiiiiijc.s t v'Jrcall; adalah indikator yang baik dari xysieni iuais‹:.
Ketika hanya gambar yang sudah dibaca gencralo d t»• a sr'ns‹ii :u'c as u akuah: l re
iJ ut:ii liv it
SayaS kemungkinan lo memperkirakan parameter dari' tia c PD 1 hr›ii'i sui
A11 [kutu utc] kankanF rc ii
Gambar. 5.4(d), (e), dan (k). \Yc detik yang saya li! sh•q›es of i hcsc laisi‹ipi run cci
saya cspon:! cukup dekat dengan bentuk l' histoe i:ims pada Gambar. SG 4“heir hcigh !.
berbeda karena penskalaan io, tetapi perubahannya hampir sama.
Penggunaan dat‹i yang paling sederhana dari: saya iiia5'e strip untuk tinta c‹iJculut NS
rata-rata dan varians intensitast i n g k a t . C n s i c i c r i s t r i p (subgambar) dan l
cd (›y .\'. dan misalkan pt(y,), i = 0, 1, 2, ., . , L— 1. ikat nr›l‹' pi'obabilitj c‹! inri tc (nilai
histogram nori‹ializccl) dari intciisiiic s t' t he J:›ixe 1s di .S', u her c /. adalah nurn Sci
dari kemungkinan intensitas di dalam •cntirc gambar (c t.. 25ti untuk' ar 8-bi1
gambar), Sebagai dalam Bab 3, kami memperkirakan :hc mean aid i ariiincc piksel lhc
dalam ,S sebagai berikut:

dan

(ñ.2—1 I›)

Bentuk dari NS miliknya S semut idcrilific s aku dia yang paling dekat I•I9F
nautcli. jika ihe bentuknya kira-kira G rusia, lalu rue an and perbedaan busur semua
xvc membutuhkan karena NS Gaussian PDF adalah complc saya eiY ditentukan
oleh ini dua parameter s. Untuk bentuk lain yang dibahas dalam Scctiini .5.2.2.
we !:se llic berarti anti vari-
ance untuk memecahkan paraine ter su anti 1›. saya impulskebisingan ditangani di fl'e
rein lj karena NS perkiraan nasi dcd adalah 1.1 dia iicl ua1 Jir‹ibal›ilily kul' c enri'c
nasi pi xels putih dan hitam. Untuk menjalankan esliiii.ile ini membutuhkan t hit 1.1, oi h
piksel hitam dan putih akan terlihat, jadi midgi'av. relativcl y const‹in1 ai ea dibutuhkan
pada citra agar dapat menghitung histogram. Tlic dia tinggi dari peck s sesuai dengan hitam
dan putih pixe1s adalah NS est saya teman tif /'„ dan /', dalam Persamaan. (5.2-
14).
344 S Restorasi dan Rekonstruksi Gambar

Pemulihan di Hadirat Kebisingan Hanya—Pemfilteran

Spasial
Ketika satu-satunya degradasi yang ada dalam sebuah gambar adalah noise, Persamaan (5.1-1) dan (5.1 -2)
datang

(5.3-1)
dan
(5.3-2)

Istilah noise tidak diketahui, jadi mengurangkannya dari g(x, y) atau G{ii, v) bukanlah
pendapat yang realistis. Dalam kasus derau periodik, biasanya dimungkinkan untuk
memperkirakan N(u, v) dari spektrum G(u, r), seperti yang disebutkan dalam Bagian
5.2.3. Dalam hal ini N(«, r) dapat dikurangkan dari G(u, v) untuk mendapatkan taksiran
dari bayangan aslinya. Namun, secara umum, jenis pengetahuan ini adalah
pengecualian, bukan aturan.
Penyaringan spasial adalah metode pilihan dalam situasi ketika hanya ada
suara acak aditif. Pemfilteran spasial dibahas secara rinci dalam Bab 3.
Dengan pengecualian sifat perhitungan yang dilakukan oleh filter tertentu,
mekanisme untuk menerapkan semua filter berikutnya persis seperti yang
dibahas dalam Bagian 3.4 hingga 3.6.

5.'4.1 Filter Rata-rata

Pada bagian ini kita membahas secara singkat kemampuan pengurangan
kebisingan dari filter spasial yang diperkenalkan di Bagian 3.5 dan
mengembangkan beberapa filter lain yang kinerjanya dalam banyak kasus lebih
unggul daripada filter yang dibahas di bagian itu.

Filter rata-rata aritmatika

Ini yang paling sederhana dari filter rata-rata. Membiarkan S mewakili himpunan
koordinat di '• •"° •subgambar persegi panjang jendela (lingkungan) dengan ukuran m x
n, terpusat pada titik (z,y). Filter rata-rata aritmatika menghitung nilai rata-rata dari yang
rusak
gambar g(x, y) di daerah yang ditentukan oleh S„. Nilai gambar yang dipulihkan
/ pada titik (z, y) hanyalah rata-rata aritmatika yang dihitung menggunakan piksel
di wilayah tersebutditentukan oleh S . Dengan kata lain

(5.3-3)

Operasi ini dapat diimplementasikan dengan menggunakan filter spasial

berukuran mx ri di mana semua koefisien memiliki nilai 1/ritus. Seorang
tukang rata-rata menghaluskan variasi lokal dalam gambar, dan noise
berkurang sebagai akibat dari pengaburan.
 S.3 A Itestoralion di Hadirat Kebisingan Saja—Spasial Penyaringan 345

Geometris filter rata-rata

Gambar yang dipulihkan menggunakan filter geometris inenn diberikan oleh ekspresi

(5.3-4)

Di sini, setiap piksel yang dipulihkan diberikan oleh produk piksel di jendela
subgambar, dipangkatkan l/mn. Seperti ditunjukkan pada Contoh 5.2, rata-rata
geometrik hliei mencapai pemulusan yang sebanding dengan filter rata-rata
aritmatika, tetapi cenderungkehilangan detail gambar yang lebih sedikit dalam
prosesnya.

Harmonis filter rata-rata

Operasi penyaringan mran harmonik diberikan oleh ekspresi

(5.3-5)

Filter rata-rata harmonik bekerja dengan baik untuk kebisingan garam, tetapi
gagal untuk kebisingan lada. Ini juga berfungsi dengan baik dengan jenis
kebisingan lain seperti kebisingan Gaussian.

Kontraharmonik filter rata-rata

Filter rata-rata kontraharmonik menghasilkan gambar yang dipulihkan berdasarkan ekspresi

• \s, t)eS„ (5.3-6)

/(' '
/) g(s, /)*

dimana Q disebut orde filier. Filter ini sangat cocok untuk mengurangi atau secara
virtual menghilangkan efek noise salt-and-pepper. Untuk nilai positif 9, filter
menghilangkan lada kebisingan. Untuk nilai negatif dari Q itu menghilangkan
kebisingan garam. Ia tidak bisa melakukan keduanya secara bersamaan. Catatan itu
filter kontraharmonik direduksi menjadi filter rata-rata aritmatika jika @ = 0, dan io
mean harmonik fi!ter jika Q —- -1.

B Gambar 5.7(a) menunjukkan gambar sinar-X 8-bit dari papan sirkuit, dan Gambar. 5.7(b)
CONTOH 5.2. menunjukkan gambar yang sama, tetapi rusak wiih aditif Ga ussian noise of nol
Ilustrasi mean dan varians dari 4tXl. Untuk jenis gambar ini, ini adalah 'tingkat signifikandari
"°C °° f' e "* kebisingan. Gambar .5.7(c) dan (d) masing-masing menunjukkan. lhe hasil
penyaringan yang bising
346 S kamu Restorasi dan Rekonstruksi Gambar

(Gambar asli
kesopanan dari Mr.
Joseph
E.Pascente,
Lixi, Inc.)

gambar dengan hitung ukuran rata-rata pengisi 3 x 3 dan gc‹xrietric berarti

mengisi cr dengan sizc yang sama. Semua filter buth melakukan pekerjaan yang
masuk akal dari 'aheii uating I tickontribusi karena kebisingan, filter udara
geometris melakukan iiol blttr gambar sebanyak arit hmetic tilt cr Untuk inst
inch, ct›nnector finc it hoc top c›l gambar lebih tajam pada Gambar. 5.7( d) t
rambut di (c). Fbc sama li'uc di piti laindari gambar.

ed oleh kebisingan garam dengan aku dia SillltC FO bilbil ii y Frau re S(c) menunjukkan
FCSul I )t
menyaringG Gambar 5.5(a) u sind :I c‹›n1 rit lia rm r› iiiic mean fil I cr adalah i11s (2 =- 1 .fi.
anct
 5.3 Restorasi R di I'resensi Kebisingan OnÎy-—Spatia] Filterint;347

A B
CD
flGURf S.6
(A) Gambar
korupsi db;
pepper noisc
dengan pro
hahiliiy dari
0.1. (b) Citra
terkorupsi oleh
noise garam
dengan
probabilitas
yang sama.
(c) Hasil dari
ring waktu (a)
dengan a 3 x 3
lanjutan file
harmonik r dari
pesanan 1.5.
(d) tcsult dari
fillc ring ( b) »
i ih @ =- —
l.fi.

Secara umum, filter rata-rata aritmatika dan geometris (khususnya yang

terakhir) sangat cocok untuk i dan derau seperti €3aussian atau unifoi mi
aise.'filter kontraharmonik sangat cocok untuk derau impuls. tapi saya punya
kekurangannya• harus diketahui apakah noisenya gelap cii' liglil di t›rder t‹i pilih
tanda yang tepat untuk Q. Hasilnya r›t' memilih il« » tanda rong untuk (_9 dapat
menjadi malapetaka, seperti yang ditunjukkan pada Gambar 5.9.Souae dari filter
yang didiskusikan dalam bagian input selanjutnya menghilangkan inikekurangan.
•

1.3.2 Filter Statistik Pesanan

Filter statistik pesanan tersedia di Bagian .I.5.2 M'e nr›w cxpantl diskusi karena
bagian dan iri1i't›‹1ucc sr termasuk acldil inn::l i dci' statistik 1'iltcr. Sebagaimana
dicatat dalam Bagian 3.5.2. atau der-st itistik fi dia s adalah tandingan bunga lili
vhr›se saya-menjawab d i d a s a r k a n p a d a u r u t a n ( r a n k i t i g ) i a i t i c
s f t h e {ai xels cc›ntaiicd di area gambar yang dicakup oleh T hc l'ilic i 74ic i
iii ik rug i cs ml delci iriint .st he respon pengisi.
 348Bab $ ■ Restorasi dan Rekonstruksi Gambar

âb

Hasil pemilihan tanda

yang salah
di dalam
kontraharmonik
penyaringan.
(a) Hasil
dari
penyaring
an
Gambar 5 8(a)
dengan a filter
kontraharmonik
ukuran 3 K 3
dan 9 = —1.5.
(b) Hasil
penyaringan
5.8(b)
dengan Q =
1,5,

Filter tengah
Filter urutan-statistik yang paling terkenal adalah thC Hi e finn /iffer, yang, seperti
namanya, plies, menggantikan va)uc sebuah piksel dengan median tingkat
intensitas jn the lingkungan piksel itu:

(5.3-7)

Nilai piksel pada (.i,y) dimasukkan dalam perhitungan median. Filter median
cukup populer karena, untuk jenis random noise tertentu, filter ini memberikan
kemampuan pengurangan noise yang sangat baik, dengan keburaman yang
jauh lebih sedikit daripada lineiiJ' slTl(ir›thing fitters of siiiil‹u size. Filter
median sangat efektif dalam presc ncc r›1' l›‹at1i bi aoliii dan unipolar impuls
nt›ise Faktanya, seperti yang ditunjukkan Contoh 5.3 di bawah ini, median iii
ter menghasilkan hasil yang sangat baik untuk gambar yang rusak lay this ty|ac
f ii isc Ccuu|aul ticn dari nicciian dan implementasi filier ini di e diskusiccl di
Bagian 3.5.2.

Filter maks dan min

Lihat nute
margin kedua di
Bagian II).3.3
kembali
mengumpulkan
persen.
 S.3 kamu Restorasi dengan Kehadiran Kebisingan Saja—Spasial Penyaringan 349

(5.3-9)

Filter ini berguna untuk menemukan titik tergelap dalam sebuah gambar. Juga,
itu mengurangikebisingan garam sebagai akibat dari operasi min.
Filter titik tengah
Filter titik tengah hanya menghitung titik tengah antara maksimum dan nilai
minimum di area yang dicakup oleh filter:

maks (g(s, i)} + menit (g(s, Saya)} (5.3-10)

Perhatikan bahwa filter ini menggabungkan statistik pesanan dan rata-rata. Ini
bekerja paling baik untukderau yang terdistribusi secara acak, seperti derau
Gaussian atau derau seragam.
Filter rata-rata yang dipangkas alfa
Misalkan kita menghapus nilai intensitas g(s, i) d/2 terendah dan d/2 tertinggi di
lingkungan S . Membiarkan g,(s, i) mewakili yang tersisa mv - D piksel Sebuah
filter yang dibentuk dengan merata-ratakan sisa piksel ini disebut alpha-
dipangkas berarti Saring:
1
(5.3-11)

di mana nilai d dapat berkisar dari 0 hingga mii - 1. Ketika d -— 0, filter alfa-
dipangkas berkurang menjadi filter rata-rata aritmatika yang dibahas di
bagian sebelumnya. Jika kita memilih d - mn— SAYA, filter menjadi median
filier. Untuk nilai d lainnya, pengisi alfa-dipangkas berguna dalam situasi yang
melibatkan beberapa jenis kebisingan, seperti kombinasi sali-dan-lada dan
kebisingan Gaussian.

■ Gambar 5.10(a) menunjukkan sirkuitgambar papan rusak oleh kebisingan CONTOH 5.

garam dan merica dengan probabilitas P, = P, = 0,1. Gambar 5.10(b) Ilustrasi
menunjukkan hasil median filtering dengan filler ukuran 3 X 3. Peningkatannya statistik
di atas Gambar 5.10(a) signifikan, tetapi beberapa titik kebisingan masih terlihat, A pesanan
pengisi.-
second pass [on .] gambar pada Gbr. 5.10(b)] dengan filter median
menghilangkan sebagian besar titik-titik ini, hanya menyisakan beberapa titik
noise yang nyaris tidak terlihat. Ini telah dihapus dengan lulus ketiga dari
pengisi. Hasil ini adalah contoh yang baik dari kekuatan penyaringan median
dalam menangani kebisingan aditif seperti impuls Perlu diingat bahwa
pengulangan berulang dari median fi)ter akan mengaburkan gambar, jadi
disarankan untuk menjaga jumlah lintasan serendah mungkin. Gambar 5.11(a)
menunjukkan hasil penerapan filter maks pada citra derau lada pada Gambar 5.8(a).
Filter melakukan pekerjaan yang wajar untuk menghilangkan derau lada, tetapi kami
mencatat bahwa itu juga dihilangkan (diatur ke cahaya tingkat intensitas) agak gelap
piksel dari batas objek gelap. Gambar 5.11(b) menunjukkan hasil menerapkan filter
min ke gambar pada Gambar. 5.8(b). Dalam hal ini, filter min melakukan pekerjaan
yang lebih baik daripada filter maks pada penghilangan noise, tetapi itu DIHAPUS
beberapa putih titik di sekitar perbatasan benda-benda ringan. Ini membuat objek
cahaya lebih kecil dan
 350£ er $ M Gambar f'testoration dan Rekonstruksi

HGUR£ 5,10
(a) Gambar
rusak oleh noise
salt-and-pepper
dengan
probabilitas P --
Pz -- 0,1.
(b) Rcsuli dari
satu pass
dengan a
pengisi median
ukuran 3x3.
(c) Hasil
pengolahan
(I›) dengan
saringan ini.
(d) Hasil
pengolahan
(c) dengan
ihe sama
Saring.

FlGUhfi S.1 Saya

(a) Hasil
penyaring
an
Gambar 5.8(a)
dengan filter
ukuran
maksimal 3 X
3. (b) Hasil
penyaringan
5.8(b) dengan
filter minimal
dengan ukuran
yang sama.
 5.3 R Restorasi di I•resensi Kebisingan Saja—Spasial Penyaringan 351

ab
ed

berbaring aditif
keseragaman.
(b) Iniugc
tambahan rusak
oleh aditif
garam-dan-
kebisingan
lada.
Gambar(B)
filter cd dengan
3 xi:
(c) hitung
filter rata-rata;
(d) filter
rata-rata
geometris,
(c) saringan
tengah: a! .1
(f) alfa-
1: :u termasuk mca n
fillet sesuka hati = 5.

beberapa target objek gelap (seperti konektor t'ingci di atas t1«: gambar)
karena titik putih mound Ihese tihjects diatur ltd ad‹ii'k level.
Alfa-dipangkas Saring adalah il[tistri4lt'd J)€:itu. 'itu'' 5.1*fi l sin›ws ihc ::Saya saya aku!
gambar papan corruptecl kali ini hv aclc1itiv‹:. iitiilr›i rii in›is‹: f :ui‹iiicc hfltl :‹ kamu Saya
352 pgce 5 N Tmage Restoratton dan Itecnnstrurtion

nol rata-rata. Ini adalah tingkat korupsi kebisingan yang tinggi yang diperburuk dengan
penambahan lebih lanjut dari kebisingan garam dan merica dengan P " - - H' G. 1,
seperti yang ditunjukkan Gambar 5.12(b). Tingkat noise yang tinggi pada gambar ini
memerlukan penggunaan filter yang lebih besar. Gambar 5.12(c) sampai (f)
menunjukkan hasil yang diperoleh dengan menggunakan mean aritmatika, mean
geometrik,
median, dan rata-rata terpangkas alfa (dengan d = 5) filter ukuran 5 Y 5. Seperti
yang diharapkan, pengisi rata-rata aritmatika dan geometris (terutama yang
terakhir) tidak bekerja dengan baik karena adanya derau impuls. Filter median dan
alpha-trimmed bekerja jauh lebih baik, dengan alpha-trimmed filter memberikan
pengurangan noise yang sedikit lebih baik. Perhatikan, misalnya, bahwa konektor
keempat jari dari kiri atas sedikit lebih halus dalam hasil alpha-trimmed. Ini tidak
terduga karena, untuk nilai d yang tinggi, filter alfa-dipangkas mendekati kinerja filter
median, tetapi masih mempertahankan beberapa kemampuan penghalusan.
5.3.3 Filter Adaptif
Setelah dipilih, filter yang dibahas sejauh ini diterapkan pada gambar tanpa
mempertimbangkan bagaimana karakteristik gambar bervariasi dari satu titik ke titik
lainnya. Di bagian ini kita melihat dua filter utama yang perilakunya berubah
berdasarkan statistik karakter dari NS gambar di dalam wilayah pengisi
ditentukan oleh m X n persegi panjang window S, .. Seperti yang ditunjukkan
oleh diskusi berikut, filter adaptif mampu berkinerja lebih baik daripada filter
yang dibahas sejauh ini. Harga yang harus dibayar untuk meningkatkan daya
penyaringan adalah peningkatan kompleksitas filter. Ingatlah bahwa kita
masih berurusan dengan kasus di mana gambar yang terdegradasi sama
dengan gambar asli ditambah noise. Tidak ada jenis degradasi lain yang
sedang dipertimbangkan.
Filter pengurangan kebisingan lokal yang adaptif
Ukuran statistik paling sederhana dari variabel acak adalah mean dan variansnya.
Ini adalah parameter yang masuk akal yang menjadi dasar filter adaptif
karenakarena mereka adalah kuantitas yang terkait erat dengan penampilan
sebuah gambar. Rata-rata memberikan ukuran intensitas rata-rata di wilayah
di mana rata-rata dihitung, dan varians memberikan ukuran kontras di wilayah
itu.
Filter kami beroperasi di wilayah lokal, 5„. Respons filter pada setiap titik
(r, y) di mana daerah dipusatkan didasarkan pada empat besaran: (a) g(r, y),
nilai citra derau di (z, y ); (b) v„ varians dari gangguan noise /(x, y) untuk
membentuk g(x, y): (c) m , mean lokal dari piksel dalam S„; dan (d) wJ .
varians lokal piksel di S,,.. Kami ingin perilaku filter menjadi sebagai berikut:
1. Jika r adalah nol, pengisi harus mengembalikan nilai g(x, y). Ini adalah NS
sepele, kasus zero-noisc di mana J;(z, y) sama dengan /( , y).
2. Jika varians lokal relatif tinggi terhadap rx„ filternya harus kembali A nilai yang
mendekati g(z, y). Sebuah varians lokal yang tinggi biasanya dikaitkan dengan
tepi. danini harus bc diawetkan.
3• saya saya saya\vo v a r i a n s s b u s u r s a m a , Saya C v.'ant pengisi thc \c›
kembali ubin° :iritI1mctic berarti nilai dari piksel dalam .\'„.. 1'kondisinya
terjadi ketika tempat ai ea memiliki propertics yang sama dengan gambar c›'craIl.
dan kebisingan lokal adalah untuk dia kembalidisimpulkan secara sederhana
saya }' avcr:›ying.
 S.3 Restorasi dengan Kehadiran Kebisingan Saja—Spasial Penyaringan
353

Ekspresi adaptif untuk memperoleh S . J') berdasarkan asumsi ini dapat

ditulis sepuluh sebagai

(5.3-12)

Satu-satunya kuantitas yang perlu diketahui atau diperkirakan adalah varians

dari keseluruhan kebisingan, cr2. Parameter lainnya dihitung dari piksel dalam
5„ di setiap lokasi (z, y) di mana jendela filter dipusatkan. Sebuah asumsi diam-
diam dalam Persamaan. (5.3-12) adalah thai rr2 -= rr2 . Kebisingan dalam model
kami adalah aditif dan posisi independen, jadi ini adalah asumsi yang masuk akal
yang saya buat karenaSql adalah himpunan bagian dari g(x,y). Namun, kita
jarang memiliki pengetahuan yang tepat tentang w,. Oleh karena itu, kondisi
ini mungkin saja dilanggar dalam praktiknya. Untuk alasan itu, jangan sampai
harus dibangun dalam implementasi Persamaan. (5.3-J 2) sehingga rasio
diatur ke I jika kondisi r2 > w, terjadi. Hal ini membuat filter ini nonlin-ear.
Namun, ini mencegah hasil yang tidak masuk akal (yaitu, tingkat intensitas
negatif tergantung pada nilai u,) karena potensi kurangnya pengetahuan
tentang varian noise gambar. Pendekatan lain adalah membiarkan nilai negatif
terjadi, dan kemudian mengubah skala nilai intensitas di akhir. Hasilnya
kemudian akan menjadi hilangnya rentang dinamis pada gambar.

H Gambar 5.13(a) adalah gambar papan sirkuit, kali ini dirusak oleh tambahan EXA t¥4 PLE 5.4:
kebisingan Gaussian tive dari zcro mean dan varians 1000. Ini adalah tingkat Ilustrasi dari
kerusakan noise yang signifikan, tetapi ini merupakan uji coba yang ideal beradaptasi
untuk membandingkan kinerja filter relatif. Gambar 5.13(b) adalah hasil dari saya sudah,
1‹›kal
pemrosesan citra derau dengan rata-rata pengisi ithmetic ukuran 7 X 7. Noise pengurangan
dihaluskan, tetapi dengan biaya keburaman yang signifikan pada citra. kebisingan
Komentar serupa berlaku untuk Gambar. 5.13(c), yang menunjukkan hasil penyaringan.
pemrosesan gambar derau dengan filter rata-rata geometrik, juga berukuran 7
x 7. Perbedaan antara kedua gambar yang difilter ini analog dengan yang kita
bahas dalam Contoh 5.2; hanya tingkat keburaman yang berbeda.
Gambar 5.13(d) adalah i'csu!1 dari penggunaan filter adaptif Eg. (5.3-12) dengan
tangisan = l II (Itu). impi o vemen ts in hasil ini dibandingkan dengan dua pengisi yang
jelas adalah signifikan. Dalam hal pengurangan kebisingan secara keseluruhan, filter
adaptif mencapai hasil yang serupa dengan aritmatika dan geomcti yaitu filter penyapihan
Namun, gambar yang difilter dengan filter adaptif ini jauh lebih tajam. Misalnya, jari-jari
penghubung di bagian atas gambar secara signifikan lebih tajam pada Gambar 5.13(d).
Fitur lain seperti lubang dan delapan kaki komponen gelap di sisi kiri bawah sidc dari
gambar, busur lebih jelas pada Gambar 5.13(d). Hasil ini khas dari apa yang dapat
dicapai dengan adaptif Saring. Seperti yg disebutkan sebelumnya, harga yang harus
dibayar untuk kinerja yang ditingkatkan adalah kompleksitas filter tambahan.
Hasil sebelumnya menggunakan nilai v} yang sama persis dengan varians
noise. Jika kualitas ini tidak diketahui dan perkiraan yang digunakan terlalu
rendah, algoritma akan mengembalikan gambar yang sangat mirip dengan lhc
atau asli karena koreksi akan lebih kecil dari y yang seharusnya. Estimasi yang
tinggi ion
354Ckploi â c Restorasi dan Rekonstruksi Citra

ab
CD
GAMBAR 5.I3
{a)]tage rusak
oleh aditif
Gaussian noise nol
rata-rata dan
varian 1000.
(b) Hasil dari
rata-rata
aritmatika
penyaringan.
(c) Hasil
penyaringan
rata-rata
geometrik.
(d) Hasil
dari
kebisingan
adaptif
penguranga
n
penyaringan.
Semua
pengisiberukura
n
7x7

akan menyebabkan ralio varians menjadi c-Jippe‹l pada 1,0. anr4 thc :i1gorit1iin
akan mengurangi rata-rata dari gambar lebih sering daripada biasanya. Jikanilai
negatif ban diperbolehkan dan gambar dihitung ulang di akhir. hasilnya akan
menjadi hilangnya jangkauan dynairiic, seperti iiienli‹iiiedsebelumnya.
+
x

Filter median adaptif

NSe filter median yang dibahas dalam Bagian 5.3 2 melakukan kita11 itu
sJiiitial clerisi ty dari impuls noise tidak besar (sebagai aturan r›f thumb, /'„
an‹4 I', I c S S dibandingkan T) ?). Ii ditampilkan di bagian ini thiit adaptif
median cincin saringan c‹iii tangan yaitu impuls kebisingan dengan
probabilitas )argcr th‹in ihcsc. NS tambahan 1 bc nc fii dari NS bertepuk
tangan- filter median tive adalah itu cari aku t‹i prcsci ve dei‹ul wh il‹: sin
r›t›thi1ig n ii penginapan detak kebisingan. petunjuk soneta t hiit NS
“tr‹icliti‹›ii‹il” n›c0ian kekek dok bukan dr›, Sebagai di semua filter dibahas d
di dalam ilet ) reccc4ing sekte itu. NS uJa{›li ve mc'diiin aku suka er jugaHai
kerjaS TH ai cc ta ngul di wiri‹lt›w' i!t'c‹i .\ , ,.I n li kei!i‹:›sc fi11 :i s. ht›xi
c ei'. It:e median adaptif fi11 cr clv:ii› cs( int're sebagaiC S,1Ihc siz,‹: l . , , Int
ing l'ill cr I›J ci-a-
 5.3 A Restorasi dengan Kehadiran Kebisingan Saja—Spasial Penyaringan

355

Perhatikan notasi berikut:

z = nilai inlensitas minimum dalam S,y,

zp„ = nilai intensitas maksimum dalam S„
P z , d = mi2dian nilai intensitas dalam S„
z„, = nilai intensitas pada koordinat (z,y)
S—— ukuran maksimum S„ yang diizinkan

Algoritme filter median adaptif bekerja dalam dua tahap, dilambangkan dengan tahap A
dan panggung B, sebagai berikut:

Jika Al > 0 AND A2 80 ke tahap B

Jika tidak, tambah ukuran jendela
Jika ukuran jendela ri Sq„ ulangi tahap A
Keluaran lain z ed

Panggung B: Bl = y — zq„

saya BI > 0 DAN B2 < 0, keluaran •,

Keluaran lain z ed
ke)' untuk memahami mekanik dari algoritma ini adalah untuk tetap masuk pikiran
bahwa ia memiliki tiga tujuan utama: untuk menghilangkan noise salt-and-pepper (impuls),
untuk menghaluskan kebisingan lain yang mungkin tidak impulsif, dan untuk mengurangi
distorsi, seperti
berlebihan penipisan atau penipisan objek batas Nilai z ; dan z„„, dianggap secara
statistik oleh algoritme sebagai komponen noise “mirip impuls” bahkan jika ini bukan
nilai piksel terendah dan tertinggi dalam gambar.
Dengan memperhatikan pengamatan ini, kita melihat bahwa tujuan dari tahap
A adalah menentukan apakah median fi)ler mengeluarkan /med' S n i m p u l s
(hitam atau putih) atau tidak. Jika kondisi <niin < <med < zp„ berlaku, maka « kan
tidak dapat menjadi dorongan karena alasan yang disebutkan dalam paragraf
sebelumnya. Dalam hal ini, kita pergi ke sta8• B dan menguji untuk melihat apakah
titik di tengah jendela, y “, itu sendiri merupakan dorongan (ingat
itu z” adalah titik yang sedang diproses). Jika kondisifi1 0 DAN B2 0
adalah benar, maka z„„ < 2 < ip„, kering f„ tidak bisa menjadi dorongan
untuk alasan yang sama bahwa zp d tidak. Dalam hal ini, algoritma keluaran
yang tidak berubah piksel nilai, z,¿. Dengan tidak mengubah titik "tingkat
menengah" ini, distorsi pada gambar berkurang. Jika kondisiB1 0 DAN 82 < 0
salah, maka salah satu dari z„ = z; atau z„ = zpp. Dalam kedua kasus, nilai
piksel adalah nilai ekstrim dan algoritma menghasilkan nilai median zp,t, yang
kita ketahui dari tahap A bukan impuls kebisingan. Langkah terakhir adalah apa
standar median Saring melakukan. Masalahnya adalah bahwa filter median standar
menggantikan setiap titik di NS gambar oleh median dari lingkungan yang sesuai.
Hal ini menyebabkan hilangnya detail yang tidak perlu.
Melanjutkan dengan expJanalion. misalkan tahap fi memang menemukan
impuls (yaitu, gagal tes yang akan menyebabkan jika bercabang lo tahap B).
Algoritme kemudian meningkatkan ukuran jendela dan membatalkan tahap A.
Jooping ini berlanjut hingga
356 Catqitsr 5 Restorasi Citra dan Rekonstruksi

algoritme dapat menemukan nilai median yang bukan merupakan impuls (dan cabang
t‹a tahap B), atau tercapai ukuran jendela maksimum. Jika ukuran jendela maksimum
tercapai, algoritme mengembalikan nilai /niefl• Perhatikan bahwa tidak ada jaminan
bahwa nilai ini bukan impuls. Semakin kecil kemungkinan kebisingan P" dan,/atau
P, adalah, atau semakin besar 3p„ yang diizinkan, semakin kecil kemungkinannya itu
prematur kondisi keluar akan terjadi. Ini masuk akal. Ketika kepadatan impuls meningkat,
masuk akal bahwa kita akan membutuhkan jendela yang lebih besar untuk
"membersihkan" lonjakan kebisingan,
Setiap kali algoi ithm mengeluarkan nilai, jendela S, dipindahkan ke lokasi
berikutnya dalam gambar.'lie algoritma kemudian diinisialisasi ulang dan diterapkan
ke piksel di lokasi baru. Seperti ditunjukkan pada Soal 3.18, nilai median dapat
diperbarui secara iteratif hanya dengan menggunakan piksel baru, sehingga
mengurangi beban komputasi.

CONTOH 5.5: M Gambar .14(a) menunjukkan gambar papan sirkuit rusak b ' salt-and-pepper
Ilustrasi median noise dengan probabilitas N, B 1).25, yang adalah 2,5 kali kebisingan lcve l yang
adaptif digunakan pada Gambar 5.10(a). Di sini tingkat kebisingan cukup tinggi untuk
penyaringan. mengaburkan sebagian besar de-
ekor pada gambar. Sebagai sebagai dasar perbandingan, gambar disaring terlebih
dahulu menggunakan filter median terkecil yang diperlukan untuk menghilangkan
jejak noise impuls yang paling terlihat. Filter median 7 x 7 diperlukan untuk
melakukan ini, dan hasilnya ditunjukkan pada Gambar 5.14(b). Meskipun noise
secara efektif dihilangkan, filter 1 menyebabkan hilangnya detail yang signifikan
pada gambar. Misalnya, beberapa dari konektor jari di bagian atas gambar
tampak disloricd atau rusak. Detail gambar lainnya juga terdistorsi.
Gambar 5.14(c) menunjukkan hasilnya menggunakan adiptif median Saring
dengan Sp„— 7. Performa penghilangan noise mirip dengan filter median.
Namun, filter adaptif melakukan pekerjaan yang lebih baik dalam
mempertahankan ketajaman dan detail. Jari-jari konektor tidak terlalu
terdistorsi, dan beberapa fitur lain yang dikaburkan atau terdistorsi tanpa dapat
dikenali oleh filter median tampak lebih tajam dan lebih jelas pada Gambar
5.l4(c). Dua contoh penting adalah lubang putih kecil feed-through di seluruh
papan, dan komponen gelap dengan delapan kaki di bagian bawah, kuadran
kiri gambar.
 3.4 R Perir›dic Noise neduction berdasarkan Frekuensi Domain
Penyaringan357

Mempertimbangkan tingkat noise yang tinggi pada Gambar 5.14(a), algoritma

adaptif bekerja dengan cukup baik. Pilihan ukuran jendela maksimum yang diizinkan
tergantung pada aplikasi, tetapi nilai awal yang wajar dapat diperkirakan dengan
bereksperimen dengan berbagai ukuran dudukan. pengisi median rd pertama. Hal ini
akan membentuk garis dasar visual yang menggambarkan harapan pada kinerja
algoritma adaptif tersebut. M

Pengurangan Kebisingan Berkala berdasarkan

Frekuensi Pemfilteran Domain
Noise periodik dapat dianalisis dan disaring dengan cukup efektif menggunakan
teknik domain frekuensi Ide dasarnya adalah noise periodik muncul sebagai
semburan energi terkonsentrasi dalam transformasi Fourier, di lokasi yang sesuai
dengan frekuensi interferensi periodik. Pendekatannya adalah dengan
menggunakan filter selektif (lihat Bagian 4.18) untuk mengisolasi kebisingan.
Tiga jenis filter selektif(bandreject, bandpasv dan takik, diperkenalkan dalam
Bagian 4.10) digunakan dalam Bagian .5.4.1 sampai 5.4.3 untuk pengurangan
kebisingan periodik dasar. Kami juga mengembangkan pendekatan
penyaringan takik yang optimal di Bagian 5.4.4.

5.4.) Filter Bandreject

Fungsi alih ideal, BUlterwoi th. dan filter bandreject Gaussian, diperkenalkan
pada Bagian 4.10.1, diringkas dalam Tabel 4.IL Gambar 5.15 menunjukkan plot
perspektif dari fitters ini, dan contoh berikut mengilustrasikan menggunakanfilter
bandreject untuk mengurangi efek derau periodik.

M Salah satu aplikasi utama dari bandreject filtering adalah untuk menghilangkan CONTOH 5.6:
noise dalam aplikasi di mana lokasi umum komponen noise dalam domain frekuensi Penggunaan
kira-kira diketahui. A contoh yang baik adalah gambar rusak oleh kebisingan bandreject
periodik aditif yang dapat didekati sebagai fungsi sinusoidal dua dimensi. Tidak sulit penyaringan
untuk menunjukkan bahwa transformasi Fourier dari sebuah sinus terdiri dari dua untuk
kebisingan
impuls yang merupakan bayangan cermin satu sama lain tentang asal transformasi. berkala
Lokasi mereka diberikan pada Tabel 4.3. Impuls keduanya imajiner (bagian nyata dari pemindahan.
transformasi Fourier dari sinus adalah nol) dan merupakan konjugat kompleks satu
sama lain, Kami akan berbicara lebih banyak tentang topik ini di Bagian 5.4.3 dan
5.4.4. Tujuan kami saat ini adalah untuk menggambarkan penyaringan bandreject.

-lGtth$ S. I S lcfi ter depan kanan t. prospektif pltils ul tile iil. 13 url c rworth (dari oi'der ), dan
t3an.ssinn bandreject filter.
 358 Restorasi dan Rekonstruksi Gambar

Gambar 5.16(a), yang sama dengan Gambar 5.5(a), menunjukkan sebuah

bayangan yang dikorupsi oleh sinusoidal kebisingan berbagai frekuensi. Komponen
kebisingan dengan mudah terlihat simetris berpasangan dari terang titik-titik di
dalam ltte Fourier spektrum shr›nn pada Gambar 5.16(b). Dalam contoh ini,
komponen terletak pada lingkaran perkiraan tentang asal transformasi, sehingga filter
bandreject simetris melingkar adalah pilihan yang baik. Gambar 5.16(c) menunjukkan
filter bandreject Butterworth orde 4, dengan radius dan lebar yang sesuai untuk
menyelubungi impuls noise. Karena ii diinginkan secara umum untuk menghapus
sesedikit mungkin dari tic filter transform, sharp, iarrow adalah hal yang umum pada
bandreject 1lltei'ing. Hasil penyaringan l°ig. 5.16(a) dengan filter ini ditunjukkan pada
Gambar. fi.16(d). Peningkatannya cukup terlihat. Bahkan detail kecil dan tekstur
dipulihkan secara efektif dengan pendekatan penyaringan sederhana ini. Ini berharga
mencatat juga itu akan bukan menjadi mungkin untuk mendapatkan yang setara hasil
dengan pendekatan penyaringan domain spasial langsung menggunakan topeng konvolusi
siniill. •.

S.4.2 Filter Bandpass

Filter bandpass melakukan operasi c berlawanan dengan bandreject sampai ter. Kami
menunjukkan di Bagian 4.10.1 bagaimana NS transfer saya berfungsi Zfpp(i/, r) ref
sebuah bandpass filter diperoleh dari filter bandreject yang sesuai dengan fungsi transfer
BR(• • ) dengan menggunakan persamaan

Hal ini dibiarkan sebagai latihan (Soal 5.12) untuk dcrivc c xprcssions untuk NS
handpass filter yang sesuai dengan persamaan bandreject iii” fabel J.fi.

C. D
GAMBAR 5.16
(a) Gambar
rusak oleh
sinusoidal
kebisingan.
(b) Spektrum (a).
(c) Mentega
filter bandreject
(putih mewakili
I). (d) Hasil
daripenyaringa
n. (Gambar asli
courtesy of
NASA.)
 $.4 K l'erudic Noise Red uction b) Fre‹Jueiic} Domain Penyaringan359

FIGlJC£ 5,1 7
Kebisingan par pakis dari
gambar di

hanfJpass filtcring.

M Melakukan pemfilteran bandpass lurus pada sebuah gambar bukanlah prosedur

yang umum karena umumnya membuang terlalu banyak detail gambar. Namun, CONTOH 5.7:
penyaringan bondpass cukup berguna dalam mengisolasi efek pada gambar yang Filter bandpass untuk
cxtracting
disebabkan oleh pita frekuensi yang dipilih. Hal ini diilustrasikan pada Gambar. tidak ada pnllerns.
5,17. Gambar ini dibuat olehY
(1) menggunakan Persamaan. (5.4-1) untuk mendapatkan filter bandpass :atau
sesuai dengan filter band-reject yang digunakan pada Gambar 5.1 6; end (2)
mengambil transformasi invers dari transformasi berfier-bandpass. Paling gambar
detail NS kalah, tapi NS menyimpulkan iiialic›n yang tersisa adalah yang paling
berguna, seperti yang jelas thal niise patlei n pulih menggunakan metode ini cukup
dekat ke kebisingan itu korupcd NS gambar pada Gambar 5.16(a). Dengan kata
lain, pemfilteran bandpass membantu isola tc saya berbohong kebisingan pola. 'ini
adalah hasil yang berguna karena menyederhanakan analisis Ihe kebisingan, saya
dengan mudah secara lezat dari gambar isi.
kamu

â.4.3 Filter Takik

Filter noich menolak (atau melewati) persyaratan dalam pi'edefincd
neigliborht›ods
tentang A frekuensi pusat. persamaan untuk nolch aku t•! '!!! b *** fiCtdÎ C
il Si'titÎofl
4.10.2. Gambar 5.15 menunjukkan plot 3-D dari ideal. Buttcr worth, ariel Caussian
takik
(menolak) filter. Karena simetri dari Fout ier ti insforin. filter takik harus
muncul secara simetris berpasangan aboti llie asal di dalam rH IleSaya' ke dari
tain irieaiiingtul saya sul. Satu-satunya pengecualian untuk aturan ini adalah NS
takik filter adalah lokasi pada asalnya, dalam hal ini hal itu sesuai dengan i1
diri. Allhoub•h toilet menunjukkan tuly onc pasangan untuk ilustrasi- tujuan
tertentu, jumlah {Pasangan pengisi takik Sayahal dapat lee iippleiriented
adalah sewenang-wenang. Bentuk nolch u cas alsr› ciin ttc ai l il rary (ep,
i'ertangular).
Sebagai dijelaskan dalam Bagian 4.10.2, TVA Cil Il CIÎ7Î pli 1â lât)tCÏ) (i ci
s tliiit Jr ist ralhe r daripada menekan, frekuensi dimasukkan dalam ihc Ltt3fCÜ
ilTC ils. Sejak lhcsc filtci smelakukan dengan cepat sebaliknya lunctic›n sebagai
n‹›tcli aku ci*•' akan segera, t herr ii ansfcr
fungsi diberikan oleh
360 oapn se Restorasi Gambar dan Rekonstruksi

SM
FIGUB£ S.16
Perspektif plot
dari (a) ideal,
(h) Butterworth
(urutan 2), dan
(c} Filter
Gaussian
nutch (tolak)

CONTOH 5.8: m Gambar 5.19(a) menunjukkan gambar yang sama seperti Gambar 4.51(a).
Penghapusan Pendekatan pemfilteran takik yang mengikutinya mengurangi noise pada gambar ini,
kebisingan berkala tanpa menimbulkan keburaman yang cukup besar yang kita lihat di Bagian 4.8.4.
mencoba
penyaringan takik. Kecuali pengaburan diinginkan untuk alasan yang kita bahas di bagian itu, pemfilteran
takik lebih disukai jika cocoksaringan dapat ditemukan.
Hanya dengan melihat garis pola noise yang hampir horizontal pada Gambar
5.19(a), kita berharap kontribusinya dalam domain frekuensi terkonsentrasi di
sepanjang sumbu vertikal. Namun. kebisingan tidak cukup dominan untuk memiliki
pola yang jelas di sepanjang sumbunya, seperti yang terlihat dari spektrum
ditampilkan pada Gambar 5.19(b). Kita bisa mendapatkan gambaran seperti apa
kontribusi kebisingan itu dengan membangun filter lolos takik ideal sederhana di
sepanjang sumbu vertikal transformasi Fourier, seperti yang ditunjukkan pada Gambar
5.19(c). Representasi spasial dari pola noise (transformasi terbalik dari hasil notch-
pass—filtered) ditunjukkan pada Gambar 5.19(d). Pola noise ini berhubungan erat
dengan pola pada Gambar 5.19(a). Setelah membangun filter lolos takik yang sesuai
yang mengisolasi kebisingan hingga tingkat yang wajar, kita dapat memperoleh pengisi
penolak takik yang sesuai dari Eg. (5.4-2). Hasil pemrosesan gambar dengan filter
penolakan takik ditampilkan pada Gambar 5.19(e). Gambar ini mengandung lebih
sedikit garis pemindaian noise yang terlihat dibandingkan Pig.5.19(a). B

'. 'Pemfilteran Takik Optimal

Gambar 5.20(a), contoh lain dari degradasi citra periodik, menunjukkan citra
digital medan Mars yang diambil oleh pesawat ruang angkasa Marinr.r 6. Pola
interferensi agak mirip dengan yang satu pada Gambar 5. 16(a). tetapi pola
sebelumnya jauh lebih halus dan, akibatnya, lebih sulit untuk dideteksi dalam bidang
frekuensi. Gambar 5,20(b) menunjukkan spektrum Kurir dari gambar di
 Restorasi Gambar dan konstruksinya

ab
£lG£tKI 8.20
(a) Gambar dari
Medan Mars
diambil oleh
MaHner 6.
(b) Fourier
spektrum
menunjukkan
berkala
gangguan.
(Courtesy of
NASA.)

degradasi ini cukup berguna dalam banyak aplikasi. Metode yang dibahas di
sini adalah optimal, dalam arti meminimalkan varians lokal dari estimasi yang
dipulihkan /(z, •).
Prosedur ini terdiri dari pertama-tama mengisolasi kontribusi utama dari pola
interferensi dan kemudian mengurangkan avtriablc, bagian tertimbang dari pola
dari gambar yang rusak. Meskipun kami menemukan prosedur dalam konteks
aplikasi tertentu, pendekatan dasar penyakit genital cukup dapat diterapkan
untuk tugas restorasi lain di mana inti akhir akhir adalah masalah.
Langkah pertama adalah mengekstrak komponen utama frc•qiicnccy tif antar Pola
terence. Seperti sebelumnya, ini dapat dilakukan dengan p1iirinp• o notch pass
filter, flap(u, u), di lokasi masing-masing spike. Jika pengisi dibuat hanya
dengan komponen yang terkait dengan pola interferensi, maka trans-bentuk
pola interferensi nt diberikan ekspresi

di mana. seperti biasa, 6/(ir, '). m e n u n j u k k a n F o u r i e r t i ' a n s f ‹ a r r n j i k a

ct›rruptccl tinta:ige.
Formasi f H (ii, /:) karang lii i'cs consitlcrablc tu‹l laki-laki untuk iil i›iith: it
apakah ini adalah bukan intcrfc rciicc sJaik C. 1 ' >R T li ih i-
ciison, the ntitc li J›as* i'i lt c i' *cue i *ill v is C<n terstruktur termasuk icti i'ely lijo
l›sci Saya saya memasang t berbohong sJicctrrtiii ul' ti(ii. Saya.') timah ii Qtr.•J›l‹i\.
.\ l'l ci a particuf it' 1 il1c'r him he:en sc'li ctcd, the cori Cs|x›nc1i us Joei Yaitu:rri
Saya n 1 liC s ¡›iit i‹i1 domain diperoleh lrt›iii cxJoi'cssion
 S S.4 Kebisingan Berkala Pengurangan menurut Domain Frekuensi
Penyaringan363

tidak hadir dalam pendugaan q(z, v) dapat diminimalkan sebagai gantinya

dengan mengurangkan dari g{x, y) bagian yang dilingkupi dari p(a'. y) untuk
mendapatkan pendugaan /(z, y) :

di mana, seperti sebelumnya, j(xy) adalah taksiran /(z, y) dan w(z, v) harus
ditentukan. Fungsi n(z, y) disebut fungsi pembobotan atau modulasi, dan
tujuan dari prosedur ini adalah untuk memilih fungsi ini sehingga hasilnya
dioptimalkan dalam beberapa cara yang berarti. Salah satu pendekatannya
adalah memilih w(x, y) sehingga varians dari estimasi /(y, y) diminimalkan
pada lingkungan tertentu dari setiap titik (z, y).
Pertimbangkan lingkungan ukuran (2s + 1) dengan (2b + 1) tentang titikl
(z, y). Varians “lokal” dari /(z, y) pada koordinat (x, y) dapat diestimasi dari
sampel, sebagai berikut:

2 (5.4-6)
'(2n + 1)(2b + ),

di mana / terima kasih, y) adalah nilai rata-rata dari / di lingkungan; itu

adalah,

n
**'(' '
(2u + 1)(2b + 1) 2

Titik pada atau di dekat tepi gambar dapat diperlakukan dengan

mempertimbangkan sebagian lingkungan atau dengan padding perbatasan layu
0s.
Mengganti Persamaan. (.5.4-5) ke dalam Persamaan. (5.4-6) hasil

'” (z + i) zb + i),', ,'"' "" ')

-- an(x + s, y + i)q(z + s, kamu F)] (S.4-R)

Dengan asumsi saya hat tu (z, y) tetap dasarnya konstan lebih NS lingkungan
memberikan aproksimasi
w(z -F s, y -F t) -- in(z, y} (5.4-
9) untuk --nnsna dan -b -< R B.asumsi ini juga menghasilkan ekspresi
(•. y)n(•. kamu -- (•. Jt•. y) saya 4-i*)
di lingkungan. Dengan pendekatan ini, Persamaan. (5.4-8) menjadi
A
2( , y) ---
(2e + 1)(2b + 1) , Z

(5.4-11)
 364 Dioptei Restorasi dan Rekonstruksi Gambar SM

Untuk meminimalkan cr2(z , r), kita selesaikan

(ñ.4- l2)

untuk w(x, y). Hasilnya adalah

(5.4-13)

Untuk mendapatkan yang dipulihkan gambar /(x, J'), kita hitung tp(.c, J•) dari
Persamaan. (ñ.4-13) dan kemudian gunakan Persamaan. (5.4-5). Karena w(z,
v) diasumsikan konstan dalam suatu lingkungan, menghitung fungsi ini untuk
setiap nilai -r dan y dalam gambar tidak perlu. Sebagai gantinya, w(z, y)
dihitung d untuk titik on‹' di setiap lingkungan yang tidak tumpang tindih
(lebih disukai titik pusat) dan kemudian digunakan untuk memproses semua
titik gambar yang terdapat di lingkungan itu,

MKAMPLE M Angka 5 21 sampai 5.23 menunjukkan hasil o1 aJ melapisi yang sebelumnya teknik
5.9: gambar pada Gambar. 5.20(a). Gambar ini berukuran 512 X 512 piksel. dan lingkungan
Ilustrasi dari dengan o = b -— 15 dipilih. Gambar 5.21 menunjukkan spektrum Fourier dari citra
optimal yang rusak. Asal tidak bergeser ke pusat bidang frekuensi dalam kasus khusus ini, jadi
penyaringan
takik. ii= o = 0 ada di pojok kiri atas gambar transformasi pada Gambar 5.21. Gambar
.22(a) menunjukkan spektrum ' /V(ii, r), di mana hanya noise yang melonjak
adalah hadiah. Gambar .22(b) menunjukkan NS gangguan pola q(z, y) diperoleh
dengan mengambil invers transformasi Foui'ier dari Non, v). Perhatikan kesamaan
antara pola ini dan struktur r›f noise yang ada pada Gambar 5.2(1(a) Terakhir,
Gambar 5.23 menunjukkan gambar yang diproses yang diperoleh dengan
menggunakan persamaan (fi.4-5), "Gangguan berkala telah dihapus untuk semua
praktiktujuan. A

gambar 5.21
Spektrum Fourier
(tanpa bergeser)
dari gambar
yang
ditunjukkan
pada Gambar.
5.20(a).
(Sumber
NASA.)
 5.5 S Linear, l°posisi-Invarian t9gradasi 3fi5

ab
flGURI S.22
(a) Fourier
s(aektrum
NIu, t),
dan
(b) cnrrcspon
ding kebisingan
ini erfci ence
pola 9 (a, i').
(Sumber
NASA.)

Degradasi Linier, Posisi-Invarian

Hubungan input-output pada Gambar. SI sebelum tahap restt›ratioii berakhir
ditekan sebagai
(5.5-1)

Untuk saat ini, mari kita asumsikan bahwa i;(.v. Saya ) - tl sehingga ( r.j ) ?/|
/(.R. Saya')].
Berdasarkan pembahasan dalam Sectit›n 2.I›.2. II lebih kencang

di mana t dan b adalah skalar dan F ( r, y) :tIâd ,(..f. i') i1l'c any imips tu'o inpm, jika a f‹*ra hrief re\”yaitu«: J Ji‹t‹"ar
= b -- 1, Persamaan. (5.5-2) menjadi .*s tvm Ihc‹›ry.

GAMBAR 3.23
Proses‹J gambar.
MEMPUNYAI SEBUAH.)
366 Restorasi dan Rekonstruksi Gambar SM

yang disebut NS Properti dari nddirivziy. Properti ini secara sederhana mengatakan
bahwa, jika IN adalah operator linier, respons terhadap jumlah dua input sama dengan
jumlah dua tanggapan.
Dengan /2(•.x) = 0, Mis. (5.5-2) menjadi
H[af (x, y)] = aH[f (x, y)] (5 5-4)
yang disebut sifat homogenitas. Dikatakan bahwa respons terhadap kelipatan
konstan dari input apa pun sama dengan respons terhadap input itu dikalikan
dengan konstanta yang sama. Jadi operator linier memiliki kedua sifat aditiftivitas
dan benar homogenitas.
Operator yang memiliki hubungan input-output (z, y) — Jika[/(z, y))
dikatakan invarian posisi (atau spasi) jika
H f(x - A, kamu — Q)] = g(z — n, kamu — T)(5.5-5)
untuk setiap /(x, kamu ) dan setiap A dan jS. Definisi ini menunjukkan itu responnya
kapan saja di gambar tergantung saja di siapa o1 masukan pada titik itu, bukan
pada posisinya.
Dengan sedikit (tapi setara) perubahan notasi dalam definisi im- pulsa dalam
Persamaan. (4,5-3), /(z, yj dapat dinyatakan sebagai:
39Saya membalas
oontčnanuc dan /(n, jS)6(x — A, y — j3) dan d|3 (5.5-6)
di rcic
variahlcs
Menganggap lagi untuk sesaat bahwa q(z, y) — 0. Kemudian, substitusi
Persamaan. (5.5-6)ke dalam Persamaan. (5.5-1) menghasilkan ekspresi

/(o, Q)6(z — n, y — P) da d|3 (5.5-7)

Jika ff adalah operator linier dan kita memperluas sifat aditif menjadi tak beraturan,
maka

H f(a, Q)b(x - A, y — Q)] da dQ (5.5-8)

Karena /(o, Q) adalah Mandiri dari z dan y, dan menggunakan NS Homogenitas

Properti, itu mengikuti bahasa thailand

/(A, p)H[s( — A, ' — p)) i« d S (5 5-9)

Syarat

disebut resf›onsr iziiyuf.ve dari I/. Dengan kata lain. jika rt(z,y) = 0 dalam Persamaan
(5.5-1 ), ihen ft(.t, o. ', Q) adalah respons If terhadap impuls pada koordinat (x,
y). Di dalam
 S.5 M Linear, Posisi-Invarian Degradasi 367

optik, impuls menjadi titik cahaya dan /i(z, a, y, ;S) biasanya dinyatakan disebut
sebagai titik spren‹1 fungsi (PSF). Nama ini muncul dari fakta bahwa semua
sistem optik fisik mengaburkan (menyebarkan) titik cahaya sampai tingkat
tertentu, dengan jumlah pengaburan ditentukan oleh kualifikasi komponen
optik.
Mengganti Mis. (5.5-10) ke dalam Persamaan. (5.5-9) menghasilkan ekspresi

g(x.y) -- /(o, |S)h(x, a, y, Q) da d B (5.5-11)

yang disebut integral superposisi (atau Fredholm) jenis pertama. Ungkapan ini
adalah hasil mendasar yang merupakan inti dari teori sistem linier. Ini
menunjukkan bahwa jika respons H terhadap impuls diketahui, respons terhadap
input apa pun / (n, Q) dapat dihitung dengan menggunakan Persamaan. (5.5-11).
Dengan kata lain, sistem linier H sepenuhnya dicirikan oleh respons impulsnya.
Jika If adalah posisi invarian, maka, dari Persamaan. (5.5-5),

[6(• — °, y ' fi)] *(• — •. fi) (5.5-12)

Persamaan (5.5-11) mengurangi dalam hal ini menjadi

f(a, |3)h(x — a, y — G) melakukan df3 (S.:S-13)

Ekspresi ini adalah integral konvolusi yang diperkenalkan untuk satu variabel
dalam Persamaan. (4.2-20) dan diperluas ke 2-D dalam Soal 4.11. Integral ini
memberi tahu kita bahwa mengetahui respons impuls sistem linier
memungkinkan kita menghitung responsnya, g, sebagai input y /. Hasilnya
hanyalah konvolusi dari respon impuls dan fungsi input.
Di hadapan kebisingan tambahan, ekspresi degradasi linier model
[Persamaan. (5.5-I1)] menjadi

g(x, J) = f{a, p)htx, rr , y, Q) da dp + q( r, y)(5.5-14)

Jika H adalah posisi invarian, Persamaan. (5.5-14) menjadi

g(x, y) --

Nilai dari istilah noise p(x, y) adalah acak, dan diasumsikan posisinya tidak
tergantung. Menggunakan notasi yang sudah dikenal untuk konvolusi, kita dapat
menulisPersamaan. (5.5-15) sebagai
g(x, y) -- h(x, y)kf{x, y)z(x, y) (5.5-16)
atau, berdasarkan teorema konvolusi (lihat Bagian 4.b.6), kita dapat
menyatakannya dalam domain frekuensi sebagai
C(u, r) — ft(u, )F(u. n) + N(u, R) (5,5-17)
Restorasi dan Rekonstruksi Gambar

Kedua ekspresi ini sesuai dengan Persamaan(5.1-1) dan (5.1-2). Perlu diingat
bahwa, untuk kuantitas diskrit, semua produk adalah suku demi suku.
Misalnya, suku f/ dari jika(ii, r) Cukup, r) adalah hasil kali dari suku i/ oT'
A(ii, v) dan suku iy dari Flu, v).
Singkatnya, diskusi sebelumnya menunjukkan bahwa sistem degradasi
linear, spasial-invarian dengan noise tambahan dapat dimodelkan dalam
domain spasial sebagai konvolusi fungsi degradasi (penyebaran titik) dengan
gambar, diikuti dengan penambahan noise. Berdasarkan teorema konvolusi,
proses yang sama dapat dinyatakan dalam domain frekuensi sebagai produk
dari transformasi gambar dan degradasi, diikuti dengan penambahan
transformasi noise. Saat bekerja di domain frekuensi, kami menggunakan
algoritma FFT, seperti yang dibahas dalam Bagian 4.11. Perlu diingat juga
kebutuhan akan padding fungsi dalam implementasi transformasi Fourier
diskrit, seperti diuraikan dalam Bagian 4.6.6.
Banyak jenis degradasi dapat didekati dengan linear, posisi-invarian
proses Keuntungan dari pendekatan ini adalah bahwa alat ekstensif linear teori
sistem kemudian menjadi tersedia untuk solusinya dari masalah restorasi citra.
Teknik nonlinier dan tergantung posisi meskipun lebih umum (dan biasanya
lebih akurat), menimbulkan kesulitan yang seringkali tidak memiliki solusi
yang diketahui atau sangat sulit untuk diselesaikan secara komputasi. Bab ini
berfokus pada teknik restorasi linier, invarian-ruang. Karena degradasi
dimodelkan sebagai hasil dari konvolusi, dan restorasi berusaha menemukan
filter yang menerapkan proses secara terbalik, istilah iritatif Jecrin ri›/iifi‹›rt
sering digunakan untuk menandakan restorasi citra linier. Demikian pula,
filter yang digunakan dalam proses restorasi sering disebut dectni volulion
ihers.

Memperkirakan Fungsi Degradasi

Ada tiga kepala sekolah Cara mengestimasi fungsi degradasi untuk digunakan
dalam restorasi citra: (1) observasi, (2) eksperimen, dan (3) pemodelan matematis.
Metode ini dibahas di bagian berikut. Proses memulihkan gambar dengan
menggunakan degradasi fungsi yang telah diperkirakan dalam beberapa cara
kadang-kadang disebut volutivri dvcon buta, jatuh tempo ke fakta itu NS fungsi
degradasi sebenarnya jarang diketahui secara lengkap.

Estimasi dengan Pengamatan Gambar

Seandainya kami diberikan gambar degradcd tanpa pengetahuan tentang fungsi
degradasi H. Berdasarkan asumsi itu gambarnya terdegradasi oleh proses linear,
posisi-invarian. salah satu cara untuk memperkirakan ff adalah dengan
mengumpulkanformasi dari gambar diri. Misalnya, t @ gambar kabur, kita
dapat melihat bagian persegi panjang kecil ihe gambar yang berisi struktur
sampel, seperti bagian o1 sebuah objek dan latar belakang LHE. Untuk
mengurangi efek noise, kita akan mencari area yang kandungan sinyalnya kuat
(misalnya, area dengan ccsnli 1st yang tinggi). Langkah selanjutnya adalah
memproses sub-gambar untuk sampai pada hasil yang se-unbJurred mungkin.
Ft›r cx cukup. kita dapat melakukan ini dengan mempertajam subgambar
dengan file penajaman yaitu r dan bahkan dengan memproses area kecil secara
manual.
 5.b Memperkirakan Degradasi Fungsi369

Biarkan subgambar yang diamati dilambangkan dengan g,(z, y). dan

biarkan diprosessubcitra (yang sebenarnya merupakan perkiraan kami untuk
citra asli di daerah itu) dilambangkan dengan /„(z, y). Kemudian, dengan
asumsi bahwa efek noise dapat diabaikan karena pemilihan area sinyal slrong,
ini mengikuti dari Persamaan. (5.5-17) bahwa

(5.6-1)

Dari karakteristik fungsi ini, kami kemudian menyimpulkan fungsi degradasi

lengkap Zf(ii, p) berdasarkan asumsi invarian posisi kami. Untuk mantan-cukup,
misalkan plot radial If,(u,r) memiliki bentuk perkiraan kurva Gaussian. Kita
dapat menggunakan informasi tersebut untuk membangun fungsi H(u, c) pada
skala yang lebih besar. tetapi memiliki bentuk dasar yang sama. Kami
kemudian menggunakan d(u, v) dalam salah satu pendekatan restorasi untuk
dia dibahas dalam bagian berikut, Jelas, ihis adalah proses melelahkan yang
digunakan hanya dalam keadaan yang sangat spesifik seperti, misalnya,
memulihkan foto lama nilai sejarah.
S.6.2 Estimasi dengan Eksperimen
Jika peralatan yang serupa dengan peralatan yang digunakan untuk memperoleh citra
yang terdegradasi tersedia, pada prinsipnya adalah mungkin untuk memperoleh
perkiraan degradasi yang akurat. Gambar serupa dengan gambar yang terdegradasi
dapat diperoleh dengan berbagai sistem pengaturan sampai terdegradasi sedekat
mungkin ke gambar kami mengharapkan untuk memulihkan. Kemudian idenya adalah
untuk mendapatkan respons impuls dari degradasi dengan mencitrakan impuls (titik
cahaya kecil) menggunakan pengaturan sistem yang sama. Sebagaimana dicatat dalam
Bagian 5.5, linear, ruang-invarian sistem dicirikan sama sekali oleh nya impuls
tanggapan. Sebuah impuls disimulasikan oleh do1 cahaya terang, seterang mungkin
untuk kembali mengurangi efek kebisingan ke nilai yang dapat diabaikan.
Kemudian. mengingat ituFourier
transformasi impuls adalah konstan, mengikuti dari Persamaan. (5.5-17) bahwa
CI(n, c)
H(u, ») =
A
di mana, seperti sebelumnya, G(u, v) adalah Fourier mengubah dari yang diamati
gambar dan A adalah konstanta yang menggambarkan kekuatan impuls. Gambar 5.24
menunjukkan sebuah contoh.
3.o.3 Estimasi dengan Pemodelan
Pemodelan degradasi telah digunakan selama bertahun-tahun karena wawasan
yang diberikannya tentang masalah restorasi citra. Dalam beberapa kasus, model
bahkan dapat memperhitungkan lingkungan kondisi yang menyebabkan degradasi.
Sebagai contoh. model degradasi yang diusulkan oleh Hufnagel dan Stanley [1964]
didasarkan pada karakteristik fisik turbulensi atmosfer. Model ini memiliki bentuk
yang familiar:
H(«,i)=r'""(5.6.3)
di mana k adalah konstanta yang bergantung pada sifat turbulensi. Kecuali 5/6
nyalakan e xponenl, persamaan ini memiliki sama membentuk sebagai Gaussian )
p e n g i s i o w p a s s d i b a h a s d i S e k t e b e s i 4 . 8 3 di fak. aku dia
€iaussian LPF kadang-kadang digunakan untuk memodelkan mi)d. cincin unifoi ni
blur. Figurc 5.2fi menunjukkan contoh
 370ter â o Restorasi Citra dan Rekonstruksi

Estimasi
degradasi
dengan
karakterisasi.
(a) Sebuah
dorongan dari
cahaya
(ditampilkan
diperbesar).
(b) Dicitr
akan
(terdegra
dasi)
impuls.

PIGIJ8£ S.2S
Ilustrasi dari
atmosfer
pergolakan
model.
(a) diabaikan
pergolakan.
(b) Berat
pergolaka
n, k -
0,0025.
(c) Turbu
lensi
ringan. k
-- 0,001.
(d) Turbu
lensi
rendah,
k = 0,00025.
(Gambar asli
milik
NASA.)
 SI P Memperkirakan Degradasi Fungsi371

diperoleh dengan mensimulasikan mengaburkan gambar menggunakan Persamaan. (5.6-3) dengan nilai
k -- 0,0025 (turbulensi berat), k -- 0,001 (turbulensi ringan), dan k -- 0,00025
{rendah pergolakan). Semua gambar berukuran 480 x 480 piksel.
Pendekatan utama lainnya dalam pemodelan adalah untuk menurunkan
model matematika mulai dari prinsip-prinsip dasar. Kami mengilustrasikan
prosedur ini dengan memperlakukan secara rinci kasus di mana gambar telah
diburamkan oleh gerakan linier seragam antara gambar dan sensor selama
akuisisi gambar. Misalkan
bayangan /(x, y) di bawah gerak planar dan thai • ( ) dan yz(t) adalah waktu-
berbagai komponen gerak dalam arah x dan y, masing-masing. Eksposur total
pada setiap titik media perekaman (misalnya film atau memori digital)
ory) diperoleh dengan mengintegralkan seketika paparan lebih interval waktu selama
rana sistem pencitraan terbuka.
Dengan asumsi bahwa rana membuka dan menutup mengambil tempat secara
instan, dan karena proses pencitraan optik sempurna, mengisolasi efek gerakan
gambar. Kemudian, jika Z adalah durasi eksposur, maka

(5.6-4)

dimana gtx, )') adalah gambar buram.

Dari Persamaan. ( -7 Fourier mengubah dari Persamaan. (5.6-4) adalah

(5.6-5)

Membalikkan urutan integrasi memungkinkan Persamaan. (5.6-5) untuk dinyatakan dalam bentuk

-- z (f), j' - g(r)]e**'" ”'+"' dx dy di (5.6-6) Suku

di dalam kurung luar adalah transformasi Fourier dari perpindahan fungsi f (z --
zt(f), J -- p(f)]. L bernyanyi Mis. (4.6-4) kemudian menghasilkan ekspresi

(5.6-7)

di mana langkah terakhir mengikuti dari fac1 bahwa I(u, c) tidak bergantung pada i.
Dengan mendefinisikan

(5.h-8)
 372 £lt0ptef £ Restorasi Gambar dan Seconstructicn

Persamaan. (5.6-7) dapat diekspresikan dalam bentuk yang sudah dikenal

Jika variabel gerak zt(r) dan y,;(r) diketahui, fungsi alih f/(t‹, u) dapat
diperoleh langsung dari Contoh. (5.6-5). Sebagai ilustrasi, misalkan bayangan
tersebut mengalami gerak linier beraturan hanya dalam arah x, dengan laju
yang diberikan oleh zp(/) = pada/7'. Kapan r= T, bayangan telah dipindahkan•d
dengan jarak total a. Dengan y (I) --—- 0, Mis. (5.ft-8) hasil

(5.6-J0)

Amati bahwa N menghilang nilai ai yang diberikan oleh i‹ = ri/n, di mana r

adalah bilangan bulat. Jika kita membiarkan komponen y lo bervariasi juga.
Seperti yang dengan moiion yang diberikan oleh y = bi fT, maka fungsi degradasi menjadi
dijelaskan di akhir
Tehle 4.3.kami
mengambil sampel
Misalnya t5.6-It)
dalam u dan v
untuk M Gambar 5.2b(b) adalah gambar yang diburamkan dengan menghitung bentuk
menghasilkan filter transl“orma Fouric•i'( the gambar pada Gambar. 5.26(a), mengalikan transformasi
diskrit.
dengan 11 ii, r) frotn Mis. (5.6-11), dan mengambil kebalikannya transfoi'iri.
Pemadaman dengan ukuran 688 x 688 piksel, dan parameternya digunakan di Ed.
(5.6- 11) wei e kamu = B = 1).1 dan T — 1. Seperti yang dibahas di Bagian 5.5
CONTOH 5.10:
Gambar dan .5.9, pemulihan dari gambar asli fIoin iis blui'red criunlcr- bagian menyajikan
kabur beberapa yang menarik tantangan. khususnya ketika kebisingan apakah itu penting?
karena dalam keadaan terdegradasi gambar. R
gerak.

FGlJOfi S.2G
(a) Asli gambar.
(b) Hasil
pengaburan
menggunakan
fungsi dalam
Persamaan.
(5.6-11) dengan
« = b —— 0,1
dan
T = 1.
 $0,7 R Terbalik penyaringan 373

Penyaringan Terbalik
Materi pada bagian ini merupakan langkah pertama kita dalam mempelajari
restorasi citra yang terdegradasi oleh fungsi degradasi H, yang diberikan atau
diperoleh b3' suatu metode seperti yang dibahas sebelumnya bagian. Pendekatan
paling sederhana untuk restorasi adalah pemfilteran terbalik langsung, di
mana kami menghitung perkiraan, I(ii, u), dari transformasi gambar asli hanya
dengan membagi transformasi gambar yang dihilangkan, G(u, r), dengan
degradasi. fungsi:

(5.7-1)

Pembagian adalah operasi array, seperti yang didefinisikan dalam Bagian 2.6.1
dan berhubungan dengan Persamaan. (5.5-17). Mengganti hak sisi Persamaan.
(5.1-2) untuk G{u, r) diPersamaan. (5.7-1) hasil

k[u, v) -- F(u, z) + (5.7-2)

Ini adalah ekspresi yang menarik. Ini memberitahu kita bahwa bahkan jika kita
mengetahui fungsi degradasi, kita tidak dapat memulihkan citra yang tidak
terdegradasi [transformasi Fourier terbalik dari F(u, u)] persis karena N(u, o) tidak
diketahui. Ada hal baru yang lebih buruk Jika fungsi degradasi memiliki nilai nol
atau sangat kecil, maka rasio N(u, t›)/Zf(u, ti) dapat dengan mudah mendominasi
estimasi “F(u, v). Hal ini sebenarnya bebaskasusnya, seperti yang akan
ditunjukkan segera.
Salah satu pendekatan untuk mengatasi masalah nilai nol atau kecil adalah
dengan membatasi frekuensi filter ke nilai dekat asal. Dari NS diskusi dari
Persamaan. (4.6-21) kita tahu bahwa H(0, 0) biasanya merupakan nilai tertinggi dari
H(ii, o) dalam domain frekuensi. Jadi, dengan membatasi analisis pada frekuensi yang
dekat dengan titik asal, kita mengurangi kemungkinan bertemu nol nilai-nilai.
Pendekatan ini diilustrasikan dalam contoh berikut.

M Gambarnya pada Gambar 5.25(b) difilter terbalik dengan Persamaan. (5.7- CONTOH 5•l1:
1) menggunakan kebalikan dari fungsi degradasi yang menghasilkan citra Penyaringan terbalik.
thai. Thai adalah, fungsi degradasi yang digunakan adalah

H(u, r) = e"'!*“ /IY/2)'+ Jr - /V,'2)* ”“'

dengan k --- 0 0025. M/2 dan N ? konstanta adalah nilai offset; mereka memusatkan
fungsi sehingga akan sesuai dengan transformasi Fourier terpusat, seperti yang
ditunjukkandikutuk pada banyak kesempatan di bab sebelumnya. Dalam kasus
ini, f = N -- 480. Kita tahu bahwa fungsi bentuk Gaussian tidak memiliki nol,
sehingga tidak akan menjadi perhatian sekarang. Namun, terlepas dari ini,
nilai degradasi menjadi sangat kecil karena hasil penyaringan terbalik penuh
[Gbr. 5.27(a)] tidak berguna. Alasan untuk hasil yang buruk ini seperti yang
dibahas sehubungan dengan Persamaan. (5.7-2).
Gambar 5.27(b) sampai (d) menunjukkan hasil pemotongan nilai rasio
C(u, v)/ H(u, ») di luar radius masing-masing 40, 70, dan 85. Pemotongan
sering diimplementasikan dengan menerapkan rasio tot dia fungsi lowpass
Butterworth orde 10. Ini memberikan transisi yang tajam (tapi sinoot h) pada
374 Bab 5 Restorasi dan Rekonstruksi gambar R

Memulihkan
5.25(b) mau
Persamaan. (5.7-1).
(a) Hasil dari
menggunakan
penuh Saring.
(b) Hasildengan
Jika dipotong di
luar radius 40;
(c) di luar
radius 70; dan
(d) di luar
radius 85.

radius yang diinginkan. Jari-jari dekat 7() dihasilkan th c terbaik visu:il icsnits
(telah melakukan. 'L27(c)j. Radiusnilai menjadi lc z' thal cenderung toz ard
bluri'cd saya bersatu. seperti yang saya nyatakan pada Gambar. 5.27(b), yang
cibtaine d menggunakan ai'iidius ot 4(1 4"a1ues itiovc 7(1 pertama kali
menghasilkan gambar yang terdegradasi s. .5. 27(d). »'hic1i was r›h-TA ineD
menggunakan jari-jari kita i1 85. "I'he iniiii gc cn1 cient adalah 11!4J sI i'Saya
B Saya B1 C li t $li S i114 )QC di belakang "c ui-t ciii" dari n:iise, orang udik NS
nt›isc dc saya ii saya itu C V t)f1â SayaIlil IC fi t)â 1 li SIU1. Peningkatan lebih
lanjut dalam r iiliu sx oil ucs }ir‹iti uic cl Saya Saya n iipc .s th pada i‹.i ti kctl iii‹›ic
ii nd lebih seperti cubit. fi.27(a).

tions yang menggagalkan aliran adalah bagaimana saya kamu iinprox oil pohon t ii i› cis‹: I il1 C. R
saya in.

Kesalahan Kuadrat Rata-Rata Minimum

 S.6 R Minimum Mean Square Error (Wiener) Penyaringan
375

kebisingan ke dalam proses restorasi. Metode ini didasarkan pada pertimbangan gambar
dan kebisingan sebagai acak variabel. dan tujuannya adalah untuk menemukanmemperkirakan Dari ATAU
Kacang« Ihai
gambar tidak rusak / sedemikian rupa sehingga kesalahan kuadrat rata-rata di antara mereka adalah
8rC HcittgmiiJi-
kon id4rcd rgn•
entiru gambar
diminyaki. Ukuran kesalahan ini diberikan oleh
dikutuk di
e' — E[f-
akhir i›f
)*}(5.t›-1)
Bagian
di mana £( • } adalah nilai yang diharapkan dari argumen. Ii diasumsikan 2.6.8.
bahwa noise dan gambar tidak berkorelasi; apakah satu atau yang lain
memiliki rata-rata nol; dan bahwa tingkat intensitas dalam perkiraan adalah
fungsi linier dari tingkat dalam gambar terdegradasi Berdasarkan kondisi ini,
minimum fungsi kesalahan dalam Persamaan (5.8-1) diberikan dalam domain
frekuensi dengan ekspresi

(u, v) H(u $,(«

R
H'(u, r)
(5.8-2)
j•f(u, r) I' + S {u, v)/S f (u, v)

di mana kita menggunakan fakta bahwa produk dari kuantitas kompleks dengan
konjugasinya sama dengan besaran kuadrat dari kuantitas kompleks. Hasil ini
dikenal sebagai Sosis pengisi, setelah N. Wiener [1942), yang pertama kali
mengusulkan konsep dalam NS tahun ditampilkan. Filter, yang terdiri dari NS istilah
di dalam tanda kurung juga sering disebut sebagai filter kesalahan Abaikan rata-
rata minimum atau filter kesalahan kuadrat terkecil. Kami menyertakan referensi
di akhir bab ke sumber-sumber yang berisi derivasi rinci dari filter Wiener.
Catatan dari baris pertama dalam Persamaan. (5.8-2) bahwa filter Wiener tidak
memiliki masalah yang sama dengan filter terbalik dengan nol dalam fungsi
degradasi, kecuali seluruh denomi-nator adalah nol untuk nilai yang sama dari
u dan r.
Istilah iii Persamaan. (5.8-2) adalah sebagai berikut:
jika (ii, r) = fungsi degradasi
if'(ii, t›) = konjugat kompleks dari N(tt, r)

Sg(itu, v)= ! N(u, r)1 2 = spektrum daya kebisingan [lihat Persamaan. (4.6—18)]'
S (u, v) = | F(u, r)| = spektrum daya dari gambar yang tidak terdegradasi

'Syarat | T(u, ) | ' juga merujuk merahu n t u k s e p e r t i y a n g s a y a d i a

uHfr›cnrrefo/in/t dari iioise tersebut. Terminologi ini
c c + m e S f r u m korelasi (het›rem (pertamab a r i s n f e n \ r y 7 p a d a
T a b e l 4 . 1 ) . K e t i k a k e d u a n y a b e r f u n g s i • n s adalah sama, benar- lasi
menjadi rrii/r›‹ un '/ririr» dan NS rig)›\ samping nf saya Al cnlrj' hecnmcs N“\u.
1›)/V[«, v), yang adalah sama dengan | n k a m u , » ) |'. Sim komentar ilar berlaku
ke | Flu. v)|^, yang autokoreksi gambar. Kami men-cuss correlatioii di lebih dciaiI
di t)iaptci J2.
376 QSm Restorasi dan Rekonstruksi Gambar

Seperti sebelumnya, H(u, v) adalah transformasi dari degradasi fungsi dan

G(ri, r) adalah transformasi dari citra yang terdegradasi. Gambar yang
dipulihkan dalam domain spasial diberikan oleh transformasi Fourier terbalik
dari estimasi domain frekuensi F(u, v). Perhatikan bahwa jika deraunya nol,
maka spektrum daya derau menghilang dan filter Wiener berkurang menjadi
filter terbalik.
A jumlah tindakan yang berguna didasarkan pada spektrum daya kebisingan
dan dari gambar yang tidak terdegradasi. Salah satu yang paling penting
adalah rasio signal-in-noise, diperkirakan menggunakan besaran domain
frekuensi seperti

/ff — IN — I
Z 2 |F(u, v)|*
SNR = (5.8-3)

Rasio ini memberikan ukuran dari tingkat daya sinyal pembawa informasi
(yaitu, dari gambar asli yang tidak terdegradasi) ke tingkat daya derau.
Gambar dengan noise rendah cenderung memiliki SNR akhir yang tinggi,
sebaliknya, gambar yang sama dengan tingkat noise yang lebih tinggi
memiliki SNR yang lebih rendah. Rasio ini dengan sendirinya memiliki nilai
yang terbatas, tetapi merupakan metrik penting yang digunakan dalam
mengkarakterisasi kinerja algoritme restorasi.
Kesalahan kuadrat rrienn diberikan dalam bentuk statistik dalam Persamaan. (5.8-
l) dapat didekati juga dalam hal penjumlahan yang melibatkan gambar asli dan yang
dipulihkan:

/lf — IN — I
NONAE 2 Z(/(- y) (• (5.8-4)
2 M
y)l N
=0,=0

Sebenarnya, jika seseorang menganggap gambar yang dipulihkan sebagai

"sinyal" dan perbedaan antara gambar ini dan aslinya adalah noise, kita dapat
mendefinisikan rasio signal-to-noise dalam domain spasial sebagai

SNR- (5.8b)

Semakin dekat / dan /, semakin besar rasio ini. Kadang-kadang akar kuadrat dari
ukuran-ukuran ini digunakan sebagai gantinya, dalam hal ini mereka disebut
sebagai rasio root-mean -square-signal-to-noise dan root-mean -sqiuire-err‹›r, re-
secara spesifik. Seperti yang telah kami sebutkan beberapa kali sebelumnya,
perlu diingat bahwa metrik kuantitatif tidak selalu berhubungan baik dengan
kualitas gambar yang dirasakan.
Kapan kita berurusan dengan secara khusus putih kebisingan, spektrum | T(u,
) adalah konstanta, yang menyederhanakan banyak hal. Namun, spektrum kekuatan
gambar yang tidak terdegradasi jarang diketahui. Pendekatan yang sering digunakan
ketikakuantitas ini tidak diketahui atau tidak dapat diperkirakan adalah dengan
mendekati Persamaan. (5.8-2) dengan ekspresi
 -F , ' !° :!! ',
(°* )/(«,) di dalam, K .(:,)
di mana x adalah konstanta tertentu yang ditentukan lo all let ins oí JN(ii. i:) J'.
'hocontoh-contoh berikut mengilustrasikan penggunaan ekspresi ini.

R Gambar 5.28 mengilustrasikan keunggulan penyaringan Wiener di atas penyaringan EX AA4 PLE 5.12:
terbalik langsung. Gambar 5.28(a) adalah hasil penyaringan terbalik penuh dari Komp: iris dari
Gambar 5.27(a). Demikian pula, Gambar 5.28(b) adalah invers Jimiied radial hasil
filter dari Gambar .5.27(c). Gambar fhesc diduplikasi di sini untuk kemudahan dalam Wiener fi1icrİftß.
membuat coiiiparisons. Gambar 5.28(c) menunjukkan hasil yang diperoleh dengan
menggunakan Persamaan (5.8-6) dengan fungsi degradasi yang digunakan dalam
Contoh 5.11. Nilai K dipilih secara aktif untuk menghasilkan hasil visual terbaik
Keuntungan penyaringan Wiener dibandingkan pendekatan iirversc langsung jelas
dalam contoh ini. Dengan membandingkan Gambar. .5.25(a) dan .S,2fl(c), kita melihat
bahwa filter Wiener memberikan hasil yang sangat mirip dengan tampilan atau gambar
asli.R
CONTOH 5.13:
M Baris pertama dari Gambar 5.29 menunjukkan, depan kiri ke kanan, imaee f l°perbandinga
kabur Gambar. 5.26(b) sangat rusak oleh kebisingan Gaussian aditif mean zcrt› n lebih awal
dan varians 650; hasil penyaringan terbalik langsung: dan hasil penyaringan (jika
Wiener. Filter Wiener dari Mis. (.5.8-I›) digunakan, wilh I-/(dari!) depan Contoh Penyaringan
5.10, dan dengan K dipilih berinteraksi iveJy lo memberikan possilale visual i wiener.
.'suit terbaik. Seperti yang diharapkan, pengisi terbalik menghasilkan gambar
yang tidak dapat digunakan. Perhatikan bahwa noise pada gambar yang difilter
terbalik sangat kuat sehingga struktur Us searah dengan deblurring Saring. Hasil
filier Wiener sama sekali tidak sempurna, tetapi dokumen memberi kami petunjuk
sebagai konten gambar. V'itli rrcc tidak jelas, tcxl dapat dibaca.
Baris kedua dari Gambar 5.29 dia adalah urutan yang sama, tetapi dengan thc le
'cl ct varians kebisingan dikurangi dengan satu urutan besarnya. pengurangan ini
memiliki sedikit efek pada filter terbalik, tetapi hasil Wiener jauh lebih baik. Teks Tlic

abc
 378 Ckyisr 5 0 Restorasi Gambar dan‹4 ftcct›nSftuctic›n

.J ,
irl
say
a s3
ffGU£fi 5,29 (a) 6-bit gambar rusak oleh ni itu ion Bbulu .i url .ii:l‹li i Saya yaitu ri ise. (la) 11 esu Saya T dari fihcriug terbalik.
(c) Hasil cincin saringan Wiener. (d j-(f) Sama mencari ue uc‹:. lout u itli nt›isc v'uSaya saya iiiirrc nada
kan ii'‹L:Saya f rriagn ituile Yaitu ss, (g)-(i) Urutan yang sama, lout kebisingan x'ariance ici:1 i!‹ c‹:!
berbaring lix saya or‹l•Saya S <dia : Sayai:i_nii jumbai saya saya ui Saya kamu 1 H kutip iii (h ) lii»
 S.9 M Kuadrat Terkecil Terkendala Penyaringan 379

sekarang jauh lebih mudah dibaca. Pada baris ketiga Gambar 5.29, varians noise telah
berkurang lebih dari lima kali lipat dari baris pertama. Secara faci, gambar 5£9(g) tidak
memiliki noise yang terlihat. Hasil filter terbalik menarik dalam kasus ini. Kebisingan
masih cukup terlihat, tetapi teks dapat dilihat melalui "tirai" kebisingan. Ini adalah
contoh yang baik dari komentar yang dibuat mengenai Persamaan. (5.7-2). Dengan
kata lain seperti terlihat pada Gambar 5.29(h), filter terbalik pada dasarnya cukup
mampu menghilangkan keburaman pada gambar. Namun, noise masih mendominasi
hasil. Jika kita bisa "melihat" di balik kebisingan pada Gambar. 5.29(b) dan (e),
karakter juga akan menunjukkan sedikit kabur. Hasil filter Wiener pada Gambar
5.29(i) sangat baik. cukup dekat secara visual dengan gambar asli pada Gambar
5.25(a).tersedia. R

Penyaringan Kotak Terkecil Gonstrained

Masalah dari harus tahu sesuatu tentang degradasi fungsi N adalah umum untuk
semua metode yang dibahas dalam bab ini. Namun, filter Wiener menghadirkan
kesulitan tambahan: Spektrum daya gambar dan noise yang tidak terdegradasi
harus menjadi diketahui. Kami menunjukkan di dalam bagian sebelumnya itu
adalah mungkin untuk mencapai hasil yang sangat baik menggunakan pendekatan
yang diberikan dalam Persamaan. (5.8-6). Namun, konstanta perkiraan rasio spektrum
daya tidak selalu jas- solusi yang mampu.
NS Melhod yang dibahas dalam bagian ini hanya membutuhkan pengetahuan
tentang rata-rata dan varians dari noise. Seperti yang dibahas dalam Bagian 5.2.4,
parameter ini biasanya dapat dihitung dari citra terdegradasi tertentu, jadi ini
merupakan keuntungan penting. Perbedaan lainnya adalah bahwa pengisi Wiener
didasarkan pada meminimalkan astatistik kriteria dan, dengan demikian, ii
optimal dalam arti rata-rata. Algoritma yang disajikan di bagian ini memiliki
fitur penting yang menghasilkan optima! hasil untuk setiap gambar yang
diterapkan. Tentu saja, penting untuk diingat bahwa kriteria optimalitas ini,
meskipun memuaskan dari sudut pandang teoretis, tidak terkait dengan
dinamika persepsi visual. Akibatnya, pilihan satu algoritma di atas yang lain
hampir selalu ditentukan (setidaknya sebagian) oleh kualitas visual yang
dirasakan dari gambar yang dihasilkan.
Dengan menggunakan definisi konvolusi yang diberikan dalam
Persamaan. (4.6-23), dan seperti yang dijelaskan dalam Bagian 2.ó.6, kita
dapat mengungkapkan Persamaan. (5.3-16) dalam bentuk matriks vektor:
g = Hf + q(5.9-1)
Sebagai contoh, misalkan g{x, J) berukuran 3f X N. Kemudian kita dapat membentuk Me f ra hricf
elemen /V pertama dari vektor g dengan menggunakan elemen gambar pada baris rcYiew nf v«clors
pertama g(x, y), N berikutnya elemen dari baris kedua, dan seterusnya. Vektor yang and mairires.
dihasilkan akan memiliki dimensi NIN x 1. Ini juga merupakan dimensi f dan q, karena
vektor-vektor ini dibentuk dengan cara yang sama. Matriks H kemudian memiliki
dimensi MN x MN. lis elemen diberikan oleh elemen konvolusi yang diberikan dalam
Persamaan. (4.6-23).
Masuk akal untuk sampai pada kesimpulan bahwa masalah restorasi lem
sekarang bisa dikurangi sederhana matriks manipulasi. Sayangnya, ini tidak
demikian. Misalkan kami bekerja dengan gambar berukuran sedang; katakanlah M —
— N —- S 12. Kemudian vektor-vektor dalam Persamaan. (ñ.9-1) akan berdimensi
380 penguat S Hai Restorasi dan Rekonstruksi Gambar

262.144 x 1, dan matriks H akan berdimensi 262.144 x 262.144. Memanipulasi

vektor dan matriks dengan ukuran seperti itu bukanlah tugas yang sepele.
Masalahnya semakin rumit dengan fakta bahwa H sangat sensitif terhadap
kebisingan (setelah pengalaman yang kami alami dengan efek kebisingan di
dua bagian sebelumnya, ini seharusnya tidak mengejutkan). Namun,
merumuskan masalah restorasi dalam bentuk matriks memang memfasilitasi
derivasi teknik restorasi
Meskipun kita tidak sepenuhnya menurunkan metode kuadrat terkecil
terkendala yang akan kita sajikan, metode ini berakar pada formulasi matriks.
Kami memberikan referensi di akhir bab ke sumber di mana derivasi dibahas
secara rinci. Inti dari metode ini adalah masalah sensitivitas H terhadap
Konsultasikan kebisingan. Salah satu cara untuk meringankan sensitivitas kebisingan masalah
dengan 3htoñob adalah untuk mendasarkan optimalitas restorasi pada ukuran kehalusan, seperti
sec- turunan kedua dari gambar (teman lama kita si Laplacian). Agar bermakna,
restorasi harus dibatasi oleh parameter masalah yang dihadapi. Jadi, yang
diinginkan adalah mencari minimum dari fungsi kriteria, U, yang didefinisikan
v‹•cd ke topik sebagai
ihc dari a1gc- lama - t
N-\
memulihkan.

(5.9-2)
z - 0 y -0
tunduk pada kendala
(5.9-3)

di mana ||w||° = wTw adalah norma vektor Euclidean ban, dan I adalah taksiran
citra yang tidak terdegradasi. Operator Laplacian V' didefinisikan dalam
Persamaan. (3.6-3).
Solusi domain frekuensi untuk masalah optimasi ini diberikan oleh ekspresi

H (u, )
(5.9-4)

di mana y adalah parameter itu harus disesuaikan sehingga kendala dalam Persamaan.
(5.9-3) terpenuhi, dan Pan, r) adalah transformasi Fourier dari fungsi tersebut

0 -1 0
p(x , y) = —1 4 -1 (5,9-5)
0 —1 0
Kami mengenali fungsi ini sebagai operator Laplacian diperkenalkan di Bagian
3.h.2. Seperti disebutkan sebelumnya, penting untuk diingat bahwa p(x, yj, serta
semua fungsi domain spasial relevan lainnya, harus diisi dengan nol dengan benar
sebelum menghitung Fourier mereka.t r a n s f o r m a s i u n t u k d i g u n a k a n
d a l a m P e r s a m a a n . ( 5 , 9 - 4 ) , seperti yang dibahas dalam Bagian 4.6.6.
Perhatikan bahwa Persamaan. (5.9-4) direduksi menjadi pemfilteran terbalik jika
y adalah nol.

' Ingat akuitu. untuk vekt or w dengan n komponen, w w = Z Hai: . dimana aku adalah 1 dia
Uh komponen dari w.
Saya 1
 3.9 R Kuadrat Terkecil Terkendala Filtermg381

H Gambar 5.30 menunjukkan hasil }pemrosesan Gambar•s. 5 29(a). (d), dan (g) dengan CONTOH .5.14:
batasan paling sedikit kotak pengisi. di dalam yang NS x aluc dari kamu NS sc Perbandingan
lecied secara manual untuk menghasilkan yang terbaik hasil visual. Ini adalah prosedur dari Wic ner
yang sama kami digunakan lo gencrale hasil fi)ier Wiener pada Gambar 5.29(c), dan dibatasi
(f), dan (i). Dengan membandingkankuadrat terkecil dan hasil Wiener, dicatat paling sedikit
bahwa yang pertama menghasilkan hasil yang sedikit lebih baik untuk kasus scjuat kami filtc
kebisingan tinggi dan menengah. dengan kedua filter menghasilkan hasil cincin.
yang pada dasarnya sama untuk kasus kebisingan rendah. Tidak terduga
bahwa filter kotak kecil yang dibatasi akan keluar dari filter Wiener ketika
memilih parameter secara manual untuk hasil visual yang lebih baik.
Parameter y dalam Persamaan (5.9-4) adalah skalar, u'hile nilai A dalam
Persamaan. (5.8-6) adalah pendekatan terhadap rasio dua fungsi domain
frekuensi yang tidak diketahui; rasio ini jarang konstan. Oleh karena itu,
masuk akal bahwa hasil berdasarkan pemilihan y secara manual akan menjadi
perkiraan yang lebih akurat dari bahan yang tidak terdegradasi.permulaan. R

Seperti yang ditunjukkan pada contoh sebelumnya. dimungkinkan untuk

menyesuaikan parameter y secara interaktif sampai hasil yang dapat diterima
tercapai. Namun, jika kita tertarik pada optimalitas, maka parameter y harus
disesuaikan sehingga kendala dalam Persamaan. (5.9-3) puas. Prosedur untuk
menghitung y dengan ileralion adalah sebagai berikut.
Tentukan vektor “sisa” r sebagai
r — g — HF ('i.9-6)

Karena, dari solusi dalam Persamaan. (5.9-4), “F(ii.v) (dan implikasinya I) adalah fungsi
7. maka r juga merupakan fungsi dari parameter ini. Diadapatkah dia menunjukkan (Hunt 1973])
bahwa

(5.9-7)

telah
fl0ttRt $.10 Hasil penyaringan fen st sqnor es t hasil
pada Gambar. 5.29(c). (F). dan saya). rcs}iektivcl \',
382 MbgpS Gambar Restorasi dan Rekonstruksi
S
adalah fungsi naik monoton dari y. Apa yang ingin kita lakukan adalah
menyesuaikan y soitu
(5.9-8)
dimana a adalah faktor akurasi. Mengingat Persamaan. (5.9-6), jika || 1' = saya!•J
!2, NS menipu- regangan dalam Persamaan. (5.9-3) akan sangat puas.
Karena Q(y) adalah monoton, mencari nilai y yang diinginkan tidaklah sulit.
Salah satu pendekatan adalah untuk
1. Tentukan nilai awal y.
2. Hitung I !'-
3. Berhenti jika Persamaan. (5.9-8) adalah puas; sebaliknya kembali ke langkah
2 setelah meningkat aku Saya Saya 11 2 < ll1 ||^ — n atau kurangi g 7 tt !!
112 > II tll2 + o. Gunakan nilai baru y dalam Persamaan. (5.9-4) untuk
menghitung ulang estimasi optimum F(u, r).
Prosedur lain, seperti algoritma Newton-Raphson, dapat digunakan untuk
membuktikan kecepatan konvergensi.
Untuk menggunakan algoritma ini, kita membutuhkan besaran ||r||' dan ||q||'.
Untuk com-pute ||r||2, kita perhatikan dari Persamaan. (5.9-6) bahwa

R(u, r) — G(it, t) — H{u, v)'F u, v) (5 9-9)

dari mana kita memperoleh r(x, y] dengan menghitung transformasi invers dari It(«, r).Kemudian
- 1 n — Saya
(5,9-10)
A =0 y=0

Perhitungan ||q||° mengarah ke yang menarik hasil. pertama, pertimbangkan

varians ltte dari noise di seluruh gambar, yang kami perkirakan dengan rata-rata
sampelmetode, seperti yang dibahas dalam Bagian 3.3.4:

M N ZZt‹(•)—'•]' (.5.9-11)
di mana

1 M-1N-l
2 2r(• y) (5.9-12)
M =0,-0
N

adalah rata-rata sampel. Dengan mengacu pada /orm dari Persamaan. (5.9-10),
kami perhatikanbahwa penjumlahan ganda dalam Persamaan. (5.9-11) sama
dengan ||q||°. Ini memberi kita ekspresi
(5.9-13)
Ini adalah hasil yang paling berguna. Ini memberitahu kita bahwa kita dapat
menerapkan algoritma restorasi yang optimal dengan memiliki pengetahuan
hanya rata-rata dan varians dari kebisingan. Kuantitas ini tidak sulit untuk
diperkirakan (Bagian 5.2.4), dengan asumsi bahwa nilai noise dan intensitas
gambar tidak berkorelasi. Ini adalah asumsi dasar dari al) metode yang
dibahas dalam bab ini.
 5,10 M Rata-rata Geometris Saring 383

ab

ditentukan
cc›nstraiiied
iciist kotak
pemulihan
Gambar fi.lfi(li).
menggunakankebisin
gan yang benar
parameter.
(b) Resu)t
otnaiwedwith

■ gambar 5.31(s) menunjukkan hasil yang diperoleh dengan menggunakan

algoritma yang baru saja ditentukan ditulis untuk memperkirakanfilter optimal
untuk memulihkan Gambar .$.25(b). 'bohong inisial'nilai digunakan untuk 2 EXAMPI.E fi.I.fi:
adalah 10°", fakta koreksi untuk menyesuaikan kamu NS 10a, dan nilai untuk a Ite›'ativu
adalah fl.25."Par.meter standar yang ditetapkan sama dengan yang digunakan estimasi cf
menghasilkan Gambar. 5.21(a): kebisingan varians dari If) ". dan xero mean. Re- nt›timunz
resttred re- hasilnya hampir sama seperti Gambar 5.2S(c). yang diperoleh dengan cc»st›“paling
penyaringan \Vieiier dengan A yang ditentukan secara manual untuk hasil visual tidak”
terbaik. Figurc .5.31(li) menunjukkan apabisa terjadi jika salah memperkirakan .s9uitres filter.
noise parainclers yang digunakan. Pada kasus ini.varian kebisingan ditentukan
adalah 10*' dan rata-rata s tersisa di A kebajikan peri II. diahasil dalam kasus ini
jauh lebih kabur.
Seperti yang dinyatakan di awal bagian ini. il penting untuk diingat bahwa restorasi
yang optimal dalam arti terkekang kuadrat terkecil tidak selalu berarti "terbaik" dalam
arti visual. Berlawanan dengan sifat alami besarnya' degradasi dan kebisingan,
pardineler lain dalam algoritme atau secara berulang menentukan perkiraan optimal juga
berperan dalam hasil akhir. Secara umum.secara otomatis menentukan hasil yang lebih
rendah dari filler restorasi dibandingkan dengan penyesuaian manual parameter filier.
nya benar-benar benar dari dibatasi yaitu:istkotak 1'ilter, yang secara khusus ditentukan
dalam sebuah sinus. skalar parnrnetc•i .

Geometris Berarti l'ilter

Dimungkinkan untuk menggeneralisasi sedikit pengisi Wiener yang dibahas
dalam Bagian .5.8. Generalisasinya adalah dalam bentuk filter st›-ciillefi
gc'‹›riiriri‹' zienn:
 384Qtr5 D Restorasi dan Rekonstruksi Gambar

Kapan n — 1 filter ini direduksi menjadi filter terbalik. Dengan a = IN, filter
menjadi apa yang disebut filter f›arameiric lfieiier, yang direduksi menjadi filier
Wiener standar ketika Q = I. lf ri = 1/2. filter menjadi produk dari dua kuantitas
yang dipangkatkan dengan pangkat yang sama, yang merupakan definisi rata-rata
geometrik, sehingga memberi nama filter. Dengan Q= 1, karena n menurun di bawah
1/2, kinerja filter akan cenderung lebih ke arah filter terbalik. Demikian pula. ketika o
meningkat di atas 1/2, filter akan berperilaku lebih seperti filter Wiener. Ketika o = 1/2
dan Q — 1, filter juga sering disebut sebagai .r/›ecirurri persamaan Saring. Persamaan
(5.10-1) cukup berguna saat mengimplementasikan pengisi restorasi karena
mewakili sekelompok filter yang digabungkan dalam satu ekspresi.

berpotongan adalah dua kali intensitas individu proyeksi belakang

Seperti yang
terjaring iz
Chepi•r 1.

NtBE 5J2
(a) Wilayah Fiat
menunjukkan
objek
sederhana,
balok panel
masukan, dan
pita detektor.
(b) Hasil
kembali-
memproyeksika
n data strip
yang dirasakan
{yaitu, profil
penyerapan 1-D).
(c) Balok dan
pembelotdiputar
sebesar %°.
(d) Proyeksi
belakang.
(e) Jumlah dari
(b) aad (d).
Intensitas di mana
proyeksi
belakang
 Rekonstruksi if, dengan i ft›cus t›n Xi‹iydihitung tonto(rnphy (CT).'ini adalah NS paling awal
Gambar dari pikiran tetap NS kabut wicic*ly iisccl ketike CT dan merupakan salah satu dari
Proyeksi ü pi incipa1 aplikasiaku tClltionS Dari b'1 UI lIlftÇO pengolahan dalam
Di kedokteran.
bagia .5,1 J.1 Pendahuluan
n
berh Masalah rekonstruksi pada prinsipnya sederhana dan dapat menguntungkan
arga secara kuantitatif dalam angkatan laut yang langsung dan langsung. 'lo bcgin,
dari pertimbangkan Gambar 3.32(.i).yang terdiri dari satu objek pada latar belakang
bab seragam yang membawa fisik
ini,
penyerapan proi e
kami
mem
baha
s
tekni
k-
tekni
k
cerda
s
untu
k
resto
riiiq
versi
gam
bar
yang
terde
grad
asi.
Pada
bagia
n
l)iis,
wc
mem
eriks
a
masa
lah
ihc
dala
m
reko
nsilia
si
gam
bar
dari
seran
gkaia
n
proy
eksi
 ).1 saya fl Rekonstruksi Gambar dari l * proyeksi 385

arti dari penjelasan berikut, misalkan gambarnya adalah salib bagian dari
wilayah 3-D dari tubuh manusia. Asumsikan juga bahwa latar belakang dalam
gambar mewakili jaringan lunak yang seragam, sedangkan benda bulat adalah
lumor, juga seragam, tetapi dengan karakteristik penyerapan yang lebih tinggi.
Misalkan selanjutnya kita melewatkan berkas sinar-X tipis dan datar ft dari kiri
ke kanan (meski bidang gambar), seperti yang ditunjukkan Gambar 5.32(a) dan
menganggap ihal en- semangat sinar diserap lebih banyak oleh objek daripada
oleh latar belakang, seperti yang biasanya terjadi. Menggunakan strip e
detektor penyerapan sinar-X di sisi lain wilayah akan menghasilkan sinyal
(profil penyerapan) yang ditunjukkan, yang amplitudo (intensitas) sebanding
dengan penyerapan.' Kita dapat melihat titik mana pun dalam sinyal sebagai
jumlah dari nilai penyerapan melintasi sinar tunggal dalam sinar yang sesuai
secara spasial dengan titik itu (jumlah seperti itu sering disebut sebagai
roysum). Pada saat itu, semua informasi yang kita miliki tentang objek adalah
sinyal penyerapan 1-D ini.
Kami tidak punya cara untuk menentukan dari satu proyeksi apakah kita
berurusan dengan satu objek atau banyak objek di sepanjang jalur berkas,
tetapi kita memulai rekonstruksi dengan membuat gambar hanya berdasarkan
informasi ini. Pendekatannya adalah memproyeksikan sinyal 1-D kembali ke
arah dari mana sinar datang, seperti yang ditunjukkan Gambar 5.32(b). Proses
memproyeksikan kembali sinyal 1-D melintasi area 2-D kadang-kadang
disebut sebagai mengolesi proyeksi kembali melintasi area tersebut. Dalam
hal gambar digital, ini berarti menduplikasi sinyal I-D yang sama melintasi
gambar secara tegak lurus ke arah pancaran. Misalnya, Gambar 5.32(b) dibuat
dengan menduplikasi sinyal 1-D di semua kolom gambar rekonstruksi. Untuk
alasan yang jelas, pendekatan yang baru saja dijelaskan disebut proyeksi
peretasan.
Selanjutnya, misalkan kita memutar posisi pasangan sumber-dctelor
sebesar 90°, seperti pada Gambar 5.32(c). Mengulangi prosedur yang
dijelaskan pada paragraf sebelumnya menghasilkan gambar proyeksi balik
dalam arah vertikal, seperti yang ditunjukkan Gambar 5.32(d). Kami
melanjutkan rekonstruksi dengan menambahkan hasil ini ke proyeksi
belakang sebelumnya, menghasilkan Gambar 5.32(e). Sekarang, kita dapat
mengatakan bahwa objek yang menarik terkandung dalam kotak yang
ditunjukkan. yang amplitudonya dua kali amplitudo proyeksi balik individu.
Sedikit meskipun saya akan mengungkapkan bahwa kita harus dapat
mempelajari lebih lanjut tentang bentuk objek yang dimaksud dengan
mengambil lebih banyak pandangan dengan cara yang baru saja dijelaskan.
Faktanya, inilah yang terjadi, seperti yang ditunjukkan oleh Fib 'i.33. Dengan
bertambahnya jumlah jen proyek, kekuatan proyeksi belakang yang tidak
berpotongan berkurang relatif terhadap kekuatan daerah di mana beberapa
proyeksi belakang berpotongan. Efek bersihnya adalah daerah yang lebih
terang akan mendominasi hasil, dan proyeksi belakang dengan sedikit atau
tanpa perpotongan akan memudar ke latar belakang saat gambar diskalakan
untuk ditampilkan.
Gambar 5.33(f), membentuk proyeksi 32 depan, mengilustrasikan konsep ini.
Namun, perhatikan bahwa meskipun gambar yang direkonstruksi ini merupakan
pendekatan yang cukup baik terhadap bentuk objek aslinya. gambar diburamkan
oleh efek "halo".

AI reatmeni fisika saya o( Sumber X-fa}' menemukan de1cctt›rs is hu}'onJ

Ihe scupc I' \ir discussionir›n. yang berfokus pada int»g prt›ctst iny aspccls
of I” K Sue l' i iiJcc *led I-inks [*I/fTf›] fun \n 'ecuIIciti ii Ir‹›d uc1iup to t
he physics uf X-r'›y rlnayc l‹›rn aliml.
388(kptor â M Restorasi dan Rekonstruksi Citra

komputer digital membuatnya praktis. Landasan

teoretis CT berasal dari Johann Radon, seorang
matematikawan dari Wina yang memperoleh metode
pada tahun 1917 untuk memproyeksikan objek 2-D
sepanjang sinar paralel sebagai bagian dari karyanya
pada integral garis. Metode ini sekarang sering
disebut sebagai transformasi Radon, topik yang kita
bahas di bagian berikut. Empat puluh lima tahun
kemudian, Allan M. Cormack, seorang fisikawan di
Tufts University, sebagian "menemukan kembali"
konsep-konsep ini dan menerapkannya ke CT.
Cormack diterbitkan temuan awalnya pada tahun 1963
dan 1964 dan menunjukkan bagaimana mereka dapat
digunakan untuk merekonstruksi gambar penampang
tubuh dari gambar sinar-X yang diambil pada arah sudut
yang berbeda. Dia memberikan rumus matematika yang
diperlukan untuk rekonstruksi dan membangun prototipe
CT untuk menunjukkan kepraktisan ide-idenya. Bekerja
secara independen, insinyur listrik Godfrey N.
Hounsfield dan rekan-rekannya di EMI di London
merumuskan solusi serupa dan membangun mesin
CT medis pertama. Cormack dan Hounsfield berbagi
Hadiah Nobel Kedokteran 1979 atas kontribusi
mereka pada tomografi medis.
Pemindai CT generasi pertama (GI}
menggunakan sinar X-ray "pensil" dan detektor
tunggal, seperti yang ditunjukkan Gambar 5.35(a).
Untuk sudut rotasi tertentu, sumber/detektor

f
l
G
U
R
f
i
$
.
J
$
E
m
p
a
t
g
e
n
e
r
a
s
i
p
e
m
i
n
d
a
i
C
T
p
a
n
a
h
p
u
t
u
s
-
p
u
t
u
s
g
a
r
i
s
m
e
n
u
n
j
u
k
k
a
n
g
e
r
a
k
l
i
n
i
e
r
i
n
k
r
e
m
e
n
t
a
l
,
B
u
s
u
r
p
a
n
a
h
p
u
t
u
s
-
p
u
t
u
s
m
e
n
u
n
j
u
k
k
a
n
r
o
t
a
s
i
i
n
k
r
e
m
e
n
t
a
l
.
N
S
tanda silang pada
i
h
e
k
e
p
a
l
a
s
u
b
j
e
k
m
e
n
u
n
j
u
k
k
a
n
g
e
r
a
k
l
i
n
i
e
r
t
e
g
a
k
l
u
r
u
s
b
i
d
a
n
g
k
e
r
t
a
s
.
N
S
panah ganda di dalam
(
a
)
d
a
n
(
b
)
m
e
n
u
n
j
u
k
k
a
n
b
a
h
w
a
s
u
m
b
e
r
/
d
e
t
e
k
t
o
r
s
a
t
u
a
n
d
i
t
e
r
j
e
m
a
h
k
a
n
l
a
l
u
d
i
b
a
w
a
k
e
m
b
a
l
i
k
e
n
y
a
a
s
l
i
p
o
s
i
s
i
.
 3.1 Saya fl Rekonstruksi Gambar dari Proyeksi 389"

pasangan diterjemahkan secara bertahap sepanjang arah linier yang ditunjukkan.

Proyeksi (seperti yang ada di Babi. 5.32), dihasilkan dengan mengukur NS keluaran
dari detektor pada setiap kenaikanterjemahan. Setelah translasi linier lengkap,
rakitan sumber/detektor diputar dan prosedur diulang untuk menghasilkan
proyeksi lain pada sudut yang berbeda. Prosedur ini diulangi untuk semua
sudut yang diinginkan dalam rentang [0°, 180°] untuk menghasilkan satu set
proyeksi lengkap dari mana satu gambar dihasilkan oleh proyeksi balik,
seperti yang dijelaskan di bagian sebelumnya. Tanda silang di kepala subjek
menunjukkan gerakan dalam arah yang tegak lurus terhadap bidang pasangan
sumber/defector. Satu set gambar penampang (irisan) dihasilkan dengan
memindahkan subjek secara bertahap (setelah setiap pemindaian lengkap)
melewati bidang sumber/detektor. Penumpukan gambar-gambar ini secara
komputasi menghasilkan volume 3-D dari bagian tubuh. Pemindai GI tidak
lagi diproduksi untuk pencitraan medis tetapi, karena mereka menghasilkan
berkas sinar paralel (seperti pada Gambar 5.32), geometri mereka adalah yang
digunakan terutama untuk memperkenalkan dasar-dasar pencitraan CT.
Seperti yang dibahas pada bagian berikut, geometri ini adalah titik awal untuk
menurunkan persamaan yang diperlukan untuk mengimplementasikan
rekonstruksi citra dari proyeksi.
Pemindai CT generasi kedua (G2)[Ara. 5.35(b)] beroperasi dengan
prinsip yang sama seperti pemindai GI tetapi sinar yang digunakan
berbentuk kipas. Hal ini memungkinkan penggunaan beberapa detektor,
sehingga membutuhkan lebih sedikit terjemahan dari pasangan
sumber/detektor, pemindai generasi ketiga (G3) merupakan peningkatan
yang signifikan selama dua generasi sebelumnya dari geometri CT. Seperti
yang ditunjukkan Gambar 5.35(c), pemindai G3 menggunakan kumpulan
detektor yang cukup lama (berdasarkan delektor individu 1tD0) untuk
menutupi seluruh bidang pandang dari sinar yang lebih lebar. Akibatnya,
setiap kenaikan sudut menghasilkan proyeksi keseluruhan, menghilangkan
kebutuhan untuk menerjemahkan pasangan sumber/delektor, seperti dalam
geometri pemindai GI dan G2. Pemindai generasi keempat (G4) melangkah
lebih jauh. Dengan menggunakan cincin detektor melingkar (berdasarkan 50
fi0 masing-masing detektor), hanya sumber yang harus berputar.
Keuntungan utama pemindai G3 dan G4 adalah kecepatan. Kerugian utama
adalah biaya dan hamburan sinar-X yang lebih besar, yang membutuhkan
dosis lebih tinggi daripada pemindai G 1 dan G2 untuk mencapai
karakteristik signal-to-noise yang sebanding.
Modalitas pemindaian yang lebih baru mulai diadopsi. Sebagai contoh./i/f/i-
generation (GS) CT scanner, juga dikenal sebagai elektron beam computed
tomography (EBCT) sranner$, menghilangkan semua gerakan mekanis dengan
menggunakan berkas elektron yang dikendalikan secara elektromagnetik. Dengan
menyerang anoda tungsten thai enci-cle ihe sabar, sinar ini menghasilkan sinar-
X yang kemudian dibentuk menjadi sinar kipas yang melewati pasien dan
membangkitkan cincin detektor, seperti pada pemindai G4.
Cara konvensional di mana gambar CT diperoleh adalah dengan menjaga pasien
tetap diam selama waktu pemindaian yang diperlukan untuk menghasilkan satu
gambar. Pemindaian kemudian dilakukan sementara posisi pasien dinaikkan ke arah
tegak lurus terhadap bidang pencitraan menggunakan meja bermotor. Gambar
berikutnya kemudian diperoleh dan prosedur diulang untuk jumlah kenaikan yang
diperlukan untuk menutupi tertentu bagian dari tubuh. Meskipun sebuah gambar
dapat diperoleh dalam waktu kurang dari satu detik, ada prosedur (misalnya, perut dan
 390 ter 8 ■ Gambar Restorasi dan Rekonstruksi

pemindaian dada) yang mengharuskan pasien menahan napas selama akuisisi citra.
Menyelesaikan prosedur ini untuk, katakanlah, 30 gambar, mungkin memerlukan
beberapa: menit. Pendekatan yang penggunaannya meningkat adalah heliks CT,
kadang-kadang disebut sebagaiCT generasi keenam (G6). Dalam pendekatan ini,
pemindai G3 atau G4 dikonfigurasi menggunakan apa yang disebut cincin sliy
yang menghilangkan kebutuhan akan kabel listrik dan sinyal antara
sumber/detektor dan unit pemrosesan. Pasangan sumber/detektor kemudian
berputar terus menerus melalui 360° sementara pasien dipindahkan dengan
kecepatan konstan sepanjang sumbu tegak lurus terhadap sran. Hasilnya
adalah volume data heliks kontinu yang kemudian diproses untuk
mendapatkan gambar irisan individu
Pemindai generasi ketujuh (G7) (juga disebut pemindai TI mulfislice)
muncul di mana balok kipas "tebal" digunakan bersama dengan rangkaian
detektor paralel untuk mengumpulkan data CT volumetrik secara bersamaan.
Artinya, "lempengan" penampang 3-D, bukan gambar penampang tunggal
yang dihasilkan per ledakan sinar-X. Selain peningkatan detail yang
signifikan, pendekatan ini memiliki keuntungan karena menggunakan tabung
sinar-X secara lebih ekonomis, sehingga mengurangi biaya dan berpotensi
mengurangi dosis.
Dimulai pada bagian berikutnya, kami mengembangkan alat matematika yang
diperlukan untuk merumuskan proyeksi gambar dan algoritma rekonstruksi.
Fokus kami adalah pada dasar-dasar pemrosesan gambar yang mendukung semua
pendekatan CT ltte yang baru saja dibahas. Informasi mengenai karakteristik
mekanis dan sumber/detektor sistem CT disediakan dalam referensi yang dikutip
di akhir bab.

4.) 1.3 Proyeksi dan Transformasi Radon

Berikut ini, kami mengembangkan secara rinci matematika yang diperlukan untuk re-gambar
kami mengikuti inlerchnngcahlc.
CT conxentirin
dan placr asal
bidang ihe xy• di
pusat ihc. alih-
alih di sudut IcfI
teratas kami (rco
Bagian 2.4.?-).
h•›‹o.h+›wCv<F.
th4t butk ai
<kanan-hi+ndn4
cnnrdin;
yaitusistem. satu-
satunya perbedaan-
Oleh karena itu,
Anda adalah
”sistem
koordinat
tmagg”

bisa akun untuk

perbedaan-
referensi dengan
s simplc

sn memiliki
rcpr«scntotit›ns arc
ko konteks computed tomography sinar-X, tetapi prinsip dasar yang sama berlaku
ns dalam pencitraan CT lainnya modalitas, seperti seperti SPECT (single photon
tr emission tomography), PET (positron emission tomography), MRI (magnetic
uk resonance imaging), dan beberapa modalitas pencitraan ultrasound.
si Sebuah garis lurus dalam koordinat Cartesian dapat digambarkan dengan
da bentuk intersep slopv-nya, y = az + 6, atau, seperti pada Gambar 5.36. dengan
la representasi nr›rmcJ-nya:
m
z cos 8 + kamu dosa 8 = P (5.11-1)
 5.11 Dia Rekonstruksi Gambar dari Proyeksi 391

GAMBAR£ 5,37
Geometri o/ a
sinar paralel balok.
untuk af aed eng e

-R
Saya
'

Proyeksi sinar sejajar balok dapat dimodelkan dengan satu set garis seperti itu,
seperti yang ditunjukkan Gambar 5.37. Titik sewenang-wenang di proyeksi sinyal
diberikan oleh sinar- jumlahkan sepanjang garis z cos ft + y sin 8¿ = pj.
Wdrking dengan kuantitas terus menerusikatan untuk saat ini, ihe raysum
adalah integral garis, diberikan oleh

di mana kita menggunakan sifat-sifat impuls, b, dibahas cd di Bagian 4.5.1. Dengan kata
lain sisi kanan Persamaan. (.5.11-2) adalah nol kecuali argumen fi adalah nol. menunjukkan
bahwa integral dihitung hanya sepanjang garis x cos 6t F v sin !k — Pt
Jika kita mempertimbangkan semua nilai p dan 8, persamaan sebelumnya digeneralisasi menjadi

g(hal, 8) -- //(z, y)6(z coi I + kamu dosa 9 - p) d, rd v(5.11-3)

Persamaan ini, yang memberikan proyeksi (integral garis) dari /"(.Saya, ') ol‹ang› an :trbitrar}' pada bidang zy,
adalah transformasi Aodori yang disebutkan dalam bagian terakhir. Notasinya A l ( / ( z , y ) j a t a u
' 1 1 ( / ) kadang-kadang digunakan di tempat jika J(y. #) di Lq. (fi.11-3) untuk
menyatakan transformasi Radon dari/, bui the iype dari notasi Digunakan dalam E9.
(5.11 -3) lebih lazim. Seperti yang akan menjadi jelas dalam diskusi bahwa berikut
transformasi Radon adalah landasan rekonstruksi dari projectitvJ dengan computed
tomography menjadi aplikasi utamanya di bidang pengolahan citra.

'Dalam Bab 4, kami sangat berhati-hati dalam menunjukkan cuntinuuus inJage

cunrdinatcs hY (/, ) r T Ji «roi¢ c - diurutkan oleh (‹, }). Pada saat itu,
pembedaan itu penting untuk memisahkan kita dari kuantitas kontinu yaitu
jumlah sampel. Dalam presci t di cussi‹.›n. kami gu hiJck urld ft›rth berkali-
kali antara koordinat kontinu dan diskrctc sehingga aJh t iny io il»s 'r›n \'‹'lxli
ri is li kc1›'aku
menghasilkan yang tidak perlu ctnfusion. Untuk alasan ini. dan nlsn untuk f‹›1l‹›H' th<' j›fi)›lisl›u‹f lits:r atui C Saya>\ ini fiol‹aku
(misalnya lihat Pangeran dan Tautan [20f)b]), kami membiarkan isinya menentukan di
mana tu‹›r‹1i›J.Mcs (A. \'):\rr c‹›J1iinu ous atau diskrit. Ketika mereka terus menerus.
Anda akan melihat inicgraJs. tl\cl \vi*c \-‹›t \vilI detik sc fninali‹›ns.
 392 £lleptbr Pemulihan Gambar 5 M dan Rekonstruksi

Dalam kasus diskrit, Persamaan. (5.11-3) menjadi

AI — IN — 1
g(p 8) — f(x, y)6(x cos 8 + y sin P — P) (5. T 1-4)
z - n \-F)
dimana z, y, hal, dan 8 sekarang adalah variabel diskrit. Jika kita memperbaiki 8
dan membiarkan p bervariasi, kita melihat thai (5.11 -4) secara sederhana jumlah
NS piksel dari /(x, y) bersama NS garis ditentukan dengan nilai yang ditentukan dari
dua parameter ini. Bertambah melalui semua nilai p yang diperlukan untuk
merentang NS gambar (dengan 8 tetap) menghasilkan satu proyeksi. Mengubah8
dan mengulangi prosedur di atas menghasilkan proyeksi lain, dan seterusnya.
Inilah tepatnya bagaimana proyeksi dalam Bagian 5.11.1 dihasilkan.

CONTOH-5.17B: piksel thaf.

Menggunakan
Radox berubah
menjadi
dapatkan
proyeksi
daerah
melingkar.

IGUNE 5.38 (A A
disk dan (b) plot
transformasi
Radonnya, yang
diturunkan secara
analitik. Di sini
kita dapat memplot
lhe transform
karena ii hanya
bergantung pada
satu variabel.
Ketika g
bergantung pada
boih p dan B, maka
transformasi
Radon menjadi
sebuah bayangan
yang sumbunya
adalah p 'antl 8,
dan intensitasnya
suatu piksel
sebanding dengan
nilai g pada lokasi
 Sebe konstanta dan r adalah jari-jari benda. Kami berasumsi bahwa lingkaran-cle
lum berpusat pada asal bidang zy. Karena objek simetris melingkar, proyeksinya
melanj sama untuk semua sudut, jadi yang harus kita lakukan adalah mendapatkan
utkan, kabut proyeksi P = 0°. Persamaan (5.11-3) kemudian menjadi
kami
mengil
ustrasik
an
bagaim
ana [(p, y) df
mengg
unakan
transfor
masi
Radon
untuk
mendap
atkan
ekspres
i
analitis
untuk
proyeks
i objek
meling
kar
pada
Gamba
r.
5.38(a):

z
*
+
k
a
m
u

r
2
0
j
i
k
a
t
i
d
a
k

di mana
A
adalah
 5.1 saya & Rekonstruksi Gambar dari Proyeksi 393

di mana baris kedua mengikuti dari Persamaan, (4.2-1 O). Seperti disebutkan
sebelumnya, ini adalah integral garis (sepanjang garis L(p, 0) dalam kasus ini). Juga.
perhatikan bahwa g(p, 8) = 0 ketika
|p|r. Kapan aku p R NS integral adalah dievaluasi dari kamu -' — Ke
2.
atas ke v =p
Oleh karena itu,

Melaksanakan hasil integrasi

di mana kami menggunakan fakta disebutkan di atas itu g(hal, 8) — 0 kapan

aku pSaya > R. Gambar 5.38(b) menunjukkan hasil, yang sesuai dengan proyeksi
yang diilustrasikan pada Gambar. 5.32 dan 5.33. Perhatikan bahwa g(p, 8) = g(p),
yaitu, g bebas dari 8 karena benda simetris terhadapasal. B

Ketika transformasi Radon, g(p, 8), ditampilkan sebagai gambar dengan p menyimpulkan
dan B sebagai koordinat bujursangkar, hasilnya disebut sinogram, serupa dalam beberapa
konsep untuk menampilkan spektrum Fourier (tidak seperti transformasi Fourier, properti
bagaimanapun, gpp #) selalu merupakan fungsi nyata). Seperti transformasi symmel ry, bu1
Fourier, sebuah sinogram berisi data yang diperlukan untuk merekonstruksi hanya itu yang
/(z,y). Seperti halnya dengan tampilan spektrum Fourier, sinogram dapat bisa kami
dengan mudah ditafsirkan untuk daerah sederhana, tetapi datang semakinsulit katakan.
untuk "dibaca" karena wilayah yang diproyeksikan menjadi lebih kompleks. Analisis visual
Sebagai contoh, Gambar 5.39(h) adalah sinogram dari persegi panjang di sinogram
sebelah kiri. Sumbu vertikal dan horizontal sesuai dengan 8 dan p, masing- terbatas Kami
masing. Jadi, baris bawah adalah proyeksi persegi panjang dalam arah masih dapat
horizontal (yaitu, # = 0°), dan baris tengah adalah proyeksi dalam arah menyimpulkan
vertikal (8 = 90°). Fakta bahwa bagian bukan nol dari baris bawah lebih beberapa
kecil daripada bagian bukan nol dari baris tengah memberitahu kita bahwa properti
objek lebih sempit dalam arah horizontal. Fakta bahwa sinogram adalah symmel ry, bu1
simetris di kedua arah tentang pusat gambar menjelaskan kepada kita bahwa hanya itu yang
kita berhadapan dengan sebuah objek yang simetris dan sejajar dengan bisa kami
sumbu z dan y. Akhirnya, sinogramnya halus, menunjukkan bahwa objek katakan.
tersebut memiliki intensitas yang seragam. Selain jenis pengamatan umum Analisis visual
ini, wc tidak bisa mengatakan lebih banyak tentang sinogrnm ini. Gambar sinogram
5.39(c) menunjukkan gambar hantu Shepp-Login, o gambar sintetis yang terbatas
penggunaan
banyak digunakan yang dirancang untuk mensimulasikan penyerapan area praktis. bul
utama otak. termasuk tumor kecil. Sinogram dari gambar ini jauh lebih sulit kadang-kadang
untuk ditafsirkan, seperti yang ditunjukkan Gambar 5.39(d). Kami masih membantu dalam
dapat menyimpulkan beberapa properti symmel ry, bu1 hanya itu yang bisa pengembangan
kami katakan. Analisis visual sinogram terbatas Kami masih dapat algoritma.
Tn gcnural«# rays u'iIh run's f ukuran terkirim. saya]TCminimum din›cnsit›n •›f

c‹»rtsjH›n‹ls t‹› I1tc

laryes Jimensinn cn- cc›unttrcd selama prai«c-

incremcnis ul I' iv
394 £ pin $ ■ Restorasi dan Rekonstruksi Gambar

fit6lJRl 5.39. Dua gambar dan milik mereka sinoi;ra ins (R‹ti‹ri t ransfoi in). Eiic h
rr›w of a sin* am adalah proyeksi di sepanjang sumbu yang sesuai :i adalah tic pada
ver tica I axe. I bagal (c) disebut I tic Shepp-Logan pAnrHr›rn. 1n asalnya:il I iirm, the
cun I rast ct t lie Shah t‹ rn adalah cjtiite bagaimana. Dia adalah ditampilkan
ditingkatkan di sini untuk memfasilitasi s mundur.
 5.Aku ! huit e Rekonstruksi dariProyek: ituns39s

kita dapat menulis secara umum thai the gambar ioirncd t”rul1J a sin,qL
t›ack|1Jujeksi yang diperoleh pada sudut d diberikan h}
/„(*, y) = pt(s cos 6 + y dosa 0, 6) (5.11-5)
Kami membentuk gambar akhir hik dengan iiiicgi-aiing di atas semua gambar

yang diproyeksikan kembali flic!

Dalam kasus diskrit, lire tégral kebohongan sebuah suin dari semua mack -projccted imiiges:

(û. l—7)

di mana, S. y, dan P memakan kuantitas yang berbeda. Mengingat dari NS diskusi

dalam Bagian 5-J I.1 bahwa proyek-proyek pada 0* dan 1 ISO* adalah gambar niiri'or
setiap lain, sehingga penjumlahan ttie dilakukan untuk lhc kenaikan sudut terakhir sebelum
1Ii0°. Misalnya, jika kenaikan 0,5° sedang usc‹l, penjumlahannya dari0 menjadi 179,5
dalam peningkatan setengah derajat. Gambar proyeksi balik yang dibentuk dengan
cara yang baru saja dijelaskan kadang-kadang disebut sebagai 1 iiniit‹›pr tm. Dipahami
secara implisit bahwaA laminogram hanya nn perkiraan untuk gambar dari «'1 icli
the J;itjections adalah geneiaicd, suatu fungsi yang iJliisti atcd clciirlY di foIlo»'
ujian Ile.

& Persamaan (5. i 1 -7) yang digunakan untuk mengulang gambar hasil hack- CONTOH 5.19:
prt›jecied pada Gambar. Peretasan apa -
pr‹›: ot¢d images
5.32 melalui .3J, trom prtjcctions diperoleh dengan besar. (.5.11 -4). Siinilarlv, I”i'‹›i» sin‹›grams.
persamaan ini digunakan untuk gencr‹iic iii ts. 3.4()(a) dan (b). yang
menunjukkangambar yang diproyeksikan kembali cori'espt›nding ttc NS siiiogi
anus di dalam Ara. fi..3'?(b) dan (d), masing-masing. Lain halnya dengan
sosok car lier. wc n‹›tc u si bagus aiiit›unl ofkabur, jadi i1 adalah obs'ious itu A
lurus gunakan t›f ig. (1.11 -4) dan (5.11 -7) akan bukanhasil yang dapat diterima i
esuh s. Ea1'1y. exp›ci'iiiienlal C“"l' systeme * ete Quscd dalam persamaan ini.
Namun, seperti yang akan Anda lihat di Bagian fi.l 1.5, sigi1i1'icani im-bukti-
bukti dalam busur rekonstruksi dimungkinkan dengan refr iiiulaiinp proyek-
belakang pendekatan.
•aku h
ANGKA 5.40
Backprc›jccl itins
dari dosa‹›griiiiis
39d a S Restorasi dan Rekonstruksi Gambar

5.) i.4 Teorema Irisan Kurir T'

Pada bagian ini, kami memperoleh hasil mendasar yang berkaitan dengan
transformasi Fourier 1-D atau proyeksi dan transformasi Fourier 2-D dari wilayah
tempat proyeksi diperoleh. Hubungan ini adalah dasar untuk metode rekonstruksi
Mampu menangani masalah kabur yang baru saja dibahas.
1 -D Transformasi Fourier dari suatu proyeksi terhadap p adalah

Gin, 8) —— g(p, 8)e"R•””* dp (5.11-8)

dimana, seperti pada Persamaan. (4.2-16), o adalah frekuensi variabel, dan itu adalah
dipahami bahwa ekspresi ini adalah untuk nilai tertentu 8. Mengganti Persamaan.
(5.11-3) untuk G hal, 8) ulang- menghasilkan ekspresi

f(x, y)b(x cos 8 + y sin — p)e' 2 '^ dx dy dp

(5.11-9)

di mana langkah terakhir mengikuti dari properti impuls yang disebutkan

sebelumnya di bagian ini. Dengan membiarkan x = u› cos 8 dan u = n› sin 8,
Persamaan. (5.11-9) menjadi

G(w, 8) -- f[x, y)e°! “"*'-'! dx D kamu (5.11-10)

Kami mengenali ekspresi* ini sebagai transformasi Fourier 2-D dari /(x, y) [lihat
persamaan. (4,5-7)] mengevaluasi aI nilai ur dan ditunjukkan. Itu adalah,

(5. saya 1-11)

di mana, seperti biasa, F(u, r) menunjukkan transformasi Fourier 2-D dari /(z, y j.
Ion persamaan (5.11-11) dikenal sebagai NS Irisan Fourier dalil (atau
teorema proyeksi -stice). Ini menyatakan bahwa NS Fourier mengubah dari A
proyek- tion adalah sepotong transformasi Fourier 2-D dari wilayah dari mana
proyeksi diperoleh. Alasan untuk terminologi ini dapat dijelaskan dengan
bantuan Gambar. 5.41, Seperti yang ditunjukkan gambar ini, transformasi
Fourier 1-D dari proyeksi arbitrer diperoleh dengan mengekstraksi nilai F(u,
v) sepanjang garis yang berorientasi pada sudut yang sama dengan sudut yang
digunakan dalam menghasilkan proyeksi. Pada prinsipnya, kita dapat
memperoleh /(.t, y) hanya dengan memperoleh kebalikannya
 ;.:

$.11 R Gambar ttekonstruksi dari Proyeksi 397

flGURfi 5.41
Ilustrasi dari
Irisan Fourier
teorema.
lDTransformasi
Fourier dari
sebuah proyeksi
adalah sepotong
2-D
Transformasi
Fourier wilayah
dari mana
proyeksi
diperoleh.
Perhatikan inti-
pondensi sudut
8.

Transformasi Fourier dari N(u, v).' Namun, ini mahal secara komputasi,
karena melibatkan pembalik transformasi 2-D. Pendekatan yang dibahas pada
bagian berikut ini jauh lebih efisien.

5.11.5 Rekonstruksi Menggunakan Paralel-Beam Tersaring

Proyeksi belakang
Seperti yang kita lihat di Bagian 5.11.1 dan di Contoh 5.18, memperoleh
proyeksi baliklangsung menghasilkan hasil buram yang tidak dapat diterima.
Untungnya, ada solusi langsung untuk masalah ini berdasarkan penyaringan
proyeksi Jhe sebelum menghitung proyeksi mundur. Dari Persamaan. (4,5-S),
transformasi Fourier invers 2-D dari F(u, t) adalah

F(u, mengikat Saya 2°' ^*'•' du dv (5.11-12)

Jika, seperti dalam Persamaan. (5.11-10) dan (5.11-11), kami membiarkan kamu =
m co 8 dan C = Hai sin 8, maka diferensialnya menjadi du d» -- o dw d8, dan kita
dapat menyatakan Persamaan. (5.1J -12) dalamkoordinat kutub:
kalkulus integral dasar.
digunakan sebagai dasar untuk

Kemudian, dengan menggunakan teorema irisan Fourier,

'Perhatikan bahwa kekaburan akan tetap ada dalam gambar yang dipulihkan
menggunakan transformasi Fourier terbalik. karena hasilnya gquivaleni dengan
hasil yang diperoleh dengan menggunakan pendekatan yang dibahas pada bagian
sebelumnya,