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.
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:
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.
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.
(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
(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)
(126)
dan
(5,2-7)
33a Pengadopsi S Restorasi dan Rekonstruksi Gambar
(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
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
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.
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
(a) Gambar
dirusak oleh
kebisingan
sinusoidal.
(b) Spektrum
(setiap
pasangan
mengkonjuga
sikan impuls
sesuai dengan
(Gambar asli
courtesy of
NASA.)
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
(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.
(5.3-3)
(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.
(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.
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.)
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.
âb
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.
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:
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.
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.
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
(5.3-12)
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
355
Algoritme filter median adaptif bekerja dalam dua tahap, dilambangkan dengan tahap A
dan panggung B, sebagai berikut:
Panggung B: Bl = y — zq„
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
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
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.
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
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 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 + ),
n
**'(' '
(2u + 1)(2b + 1) 2
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
(ñ.4- l2)
(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.)
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
Jika ff adalah operator linier dan kita memperluas sifat aditif menjadi tak beraturan,
maka
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
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),
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, 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.
(5.6-1)
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)
(5.6-5)
Membalikkan urutan integrasi memungkinkan Persamaan. (5.6-5) untuk dinyatakan dalam bentuk
(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
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)
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
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
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.
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
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
/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
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
(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
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
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
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.
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".
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"
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.
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
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.
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,
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
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
Dalam kasus diskrit, lire tégral kebohongan sebuah suin dari semua mack -projccted imiiges:
(û. l—7)
& 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
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
(5.11-9)
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,
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
;.:
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.
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
'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,