REVIEW PUBLIKASI KARYA ILMIAH PENGAPLIKASIAN PENGOLAHAN

CITRA DIGITAL BERBASIS TRANSFORMASI WAVELET

NAMA :1. 15-2021-064 – Rian Mochamad Jibril

2. 15-2021-214 – Alfalery Ady Putra
3. 15-2021-216 – Fadhlan Azka
KELAS : DD

PROGRAM STUDI INFORMATIKA

JURUSAN INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI NASIONAL
BANDUNG
2023
1. Tujuan
Dengan perkembangan teknologi informasi, orang semakin tergantung pada jaringan untuk
mengakses informasi, dan lebih dari 80% informasi di jaringan digantikan oleh teknologi
multimedia yang diwakili oleh gambar. Oleh karena itu, penelitian teknologi pemrosesan
gambar sangat penting, tetapi sebagian besar penelitian teknologi pemrosesan gambar fokus
pada suatu aspek tertentu. Hasil penelitian modeling terpadu pada berbagai aspek teknologi
pemrosesan gambar masih jarang. Untuk itu, paper ini menggunakan teknik denoising gambar,
watermarking, enkripsi dan dekripsi, dan kompresi gambar dalam proses teknologi pemrosesan
gambar untuk melakukan modeling terpadu, menggunakan transformasi wavelet sebagai
metode untuk mensimulasikan 300 foto dari kehidupan. Hasil menunjukkan bahwa modeling
terpadu telah mencapai hasil yang baik pada semua aspek pemrosesan gambar.
2. Cara Kerja Sistem
Sistem "Penelitian aplikasi teknologi pengolahan citra media digital berbasis transformasi
wavelet" bekerja dengan menggunakan teknik transformasi wavelet untuk melakukan
pengolahan citra digital. Transformasi wavelet adalah sebuah teknik matematis yang
digunakan untuk memecahkan sebuah sinyal atau citra menjadi komponen-komponen yang
lebih sederhana, seperti frekuensi rendah dan tinggi.

Langkah-langkah kerja dari sistem ini adalah sebagai berikut:

1. Proses pembacaan citra digital
2. Proses pemecahan citra menjadi komponen-komponen frekuensi rendah dan tinggi
menggunakan transformasi wavelet.
3. Proses pemrosesan citra menggunakan teknik pengolahan citra yang diinginkan,
seperti kompresi, denoising, atau peningkatan resolusi.
4. Proses rekonstruksi citra yang telah diolah menjadi citra asli dengan menggabungkan
kembali komponen-komponen frekuensi rendah dan tinggi yang telah diolah.
5. Proses penyimpanan citra hasil dari pengolahan.
Dengan menggunakan transformasi wavelet, sistem ini dapat melakukan pengolahan citra
dengan lebih efisien dan akurat dibandingkan dengan metode pengolahan citra lain.
3. Metode yang digunakan
Ada beberapa metode yang digunakan sebagai berikut:
3.1 Metode pemrosesan binarisasi gambar
Nilai abu-abu dari titik gambar berkisar dari 0 hingga 255. Dalam pemrosesan gambar,
untuk memfasilitasi pemrosesan gambar lebih lanjut, bingkai gambar pertama-tama
disorot dengan metode binarisasi. Yang disebut binarisasi adalah memetakan nilai abu-
abu titik gambar dari ruang nilai 0-255 ke nilai 0 atau 255. Dalam proses binarisasi,
pemilihan ambang batas merupakan langkah kunci. Ambang batas yang digunakan
dalam makalah ini adalah metode varians antar-kelas maksimum (OTSU). Yang disebut
metode varians antar-kelas maksimum berarti bahwa untuk sebuah gambar, ketika
ambang batas segmentasi pemandangan saat ini dan latar belakang adalah t, rasio
gambar pra-atraksi adalah w0, nilai rata-rata adalah u0, titik latar belakang adalah rasio
gambar w1, dan nilai rata-rata adalah u1. Kemudian rata-rata dari seluruh gambar
adalah:

Fungsi objektif dapat ditetapkan menurut rumus 1:

Algoritma OTSU membuat g(t) mengambil nilai maksimum global, dan t yang sesuai
ketika g(t) maksimum disebut ambang batas optimal.

3.2 Metode transformasi wavelet

Transformasi wavelet (WT) adalah hasil penelitian dari pengembangan teknologi
transformasi Fourier, dan transformasi Fourier hanya ditransformasikan ke dalam
frekuensi yang berbeda. Transformasi wavelet tidak hanya memiliki karakteristik lokal
dari transformasi Fourier tetapi juga mengandung hasil frekuensi transformasi.
Keuntungannya tidak berubah dengan ukuran jendela. Oleh karena itu, dibandingkan
dengan transformasi Fourier, transformasi wavelet lebih sesuai dengan transformasi
frekuensi-waktu. Karakteristik terbesar dari transformasi wavelet adalah bahwa ia dapat
lebih baik merepresentasikan fitur lokal dari fitur tertentu dengan frekuensi, dan skala
transformasi wavelet dapat berbeda. Pembagian frekuensi rendah dan frekuensi tinggi
dari sinyal membuat fitur lebih fokus. Makalah ini terutama menggunakan transformasi
wavelet untuk menganalisis gambar dalam pita frekuensi yang berbeda untuk mencapai
efek analisis frekuensi. Metode transformasi wavelet dapat dinyatakan sebagai berikut:

di mana ψ(t) adalah wavelet induk, a adalah faktor skala, dan τ adalah faktor translasi.
Karena sinyal gambar adalah sinyal dua dimensi, ketika menggunakan transformasi
wavelet untuk analisis gambar, perlu untuk menggeneralisasi transformasi wavelet
menjadi transformasi wavelet dua dimensi. Misalkan sinyal gambar diwakili oleh f (x,
y), ψ (x, y) mewakili wavelet dasar dua dimensi, dan ψa, b, c (x, y) mewakili skala dan
perpindahan wavelet dasar, yaitu, ψa, b, c (x, y) dapat dihitung dengan rumus berikut:
Menurut definisi wavelet kontinu di atas, transformasi wavelet kontinu dua dimensi
dapat dihitung dengan rumus berikut:

Di mana ψ(x, y) adalah konjugat dari ψ(x, y).

3.3 Digital Watermark

Menurut metode penggunaan yang berbeda, teknologi tanda air digital dapat dibagi
menjadi beberapa jenis berikut ini:

Pendekatan domain spasial: Algoritme watermarking yang umum dalam jenis

algoritme ini menyematkan informasi ke dalam bit paling tidak signifikan (LSB)
dari titik-titik gambar yang dipilih secara acak, yang memastikan bahwa watermark
yang disematkan tidak terlihat. Namun, karena penggunaan bit piksel yang
gambarnya tidak penting, ketahanan algoritmanya buruk, dan informasi watermark
mudah dihancurkan oleh pemfilteran, kuantisasi gambar, dan operasi deformasi
geometris. Metode umum lainnya adalah dengan menggunakan karakteristik statistik
piksel untuk menyematkan informasi dalam nilai pencahayaan piksel.

Metode transformasi domain: pertama-tama hitung transformasi kosinus diskrit

(DCT) gambar, lalu tumpang susun tanda air di koefisien k depan dengan amplitudo
terbesar dalam domain DCT (tidak termasuk komponen DC), biasanya komponen
frekuensi rendah gambar. Jika k komponen terbesar pertama dari koefisien DCT
direpresentasikan sebagai D =, i = 1, ..., k, dan watermark adalah deret real acak W
=, i = 1, ..., k yang mengikuti distribusi Gaussian, maka algoritma penyematan
watermark adalah di = di (1 + awi), di mana konstanta a adalah faktor skala yang
mengontrol kekuatan penambahan watermark. Gambar watermark I kemudian
diperoleh dengan melakukan inversi transformasi dengan koefisien baru. Fungsi
decoding menghitung transformasi kosinus diskrit dari citra asli I dan citra
watermark I*, dan mengekstrak watermark yang disematkan W*, dan kemudian
melakukan uji korelasi untuk menentukan ada tidaknya watermark.

Algoritma domain terkompresi: Sistem penandaan air digital domain terkompresi

berdasarkan standar JPEG dan MPEG tidak hanya menghemat banyak proses
decoding dan re-encoding yang lengkap, tetapi juga memiliki nilai praktis yang
tinggi dalam penyiaran TV digital dan video on demand (VOD). Sejalan dengan itu,
deteksi dan ekstraksi tanda air juga dapat dilakukan secara langsung dalam data
domain terkompresi.

Transformasi wavelet yang digunakan dalam makalah ini adalah metode

transformasi domain. Proses utamanya adalah: asumsikan bahwa x(m, n) adalah
gambar grayscale dari M*N, tingkat keabuannya adalah 2a, di mana M, N, dan a
adalah bilangan bulat positif, dan rentang nilai m dan n didefinisikan sebagai
berikut: 1 ≤ m ≤ M, 1 ≤ n ≤ N. Untuk dekomposisi wavelet dari gambar ini, jika
jumlah lapisan dekomposisi adalah L (L adalah bilangan bulat positif), maka 3*L
peta parsial frekuensi tinggi dan peta parsial perkiraan frekuensi rendah dapat
diperoleh. Kemudian Xk, L dapat digunakan untuk merepresentasikan koefisien
wavelet, di mana L adalah jumlah lapisan dekomposisi, dan K dapat diwakili oleh H,
V, dan D, masing-masing, yang merepresentasikan subgraf horisontal, vertikal, dan
diagonal. Karena distorsi sub-gambar pada frekuensi rendah besar, maka gambar
yang tertanam dalam tanda air dihapus dari gambar di luar frekuensi rendah.

Untuk mewujudkan tanda air digital yang disematkan, pertama-tama kita harus
membagi XK, L (mi, nj) ke dalam ukuran tertentu, dan menggunakan B (s, t) untuk
merepresentasikan blok koefisien dengan ukuran s * t di XK, L (mi, nj). Kemudian
nilai rata-rata dapat dinyatakan dengan rumus berikut:

Di mana ∑B(s, t) adalah jumlah kumulatif dari nilai koefisien di dalam blok.

Penyematan urutan tanda air w dicapai dengan kuantisasi AVG.

Interval kuantisasi diwakili oleh Δl sesuai dengan pertimbangan ketahanan dan

penyembunyian. Untuk lapisan ke-L tingkat rendah, karena amplitudo koefisiennya
besar, interval yang lebih besar dapat ditetapkan. Untuk lapisan lainnya, mulai dari
lapisan L-1, mereka secara berturut-turut dikurangi.

Menurut wi = {0, 1}, AVG dikuantisasi ke titik tunggal terdekat, titik genap, D(i, j)
digunakan untuk merepresentasikan koefisien wavelet dalam blok, dan koefisien
yang dikuantisasi diwakili oleh D(i, j)', di mana i = 1, 2, ..., s, j = 1, 2, ..., t. Misalkan
T = AVG/Δl, TD = rem (|T|, 2), di mana || berarti pembulatan dan rem berarti
membagi dengan 2 untuk mengambil sisanya.
 Berdasarkan apakah TD dan wi adalah sama, perhitungan koefisien wavelet
terkuantisasi D(i, j)' adalah sebagai berikut:

Dengan menggunakan basis wavelet yang sama, sebuah gambar yang mengandung
tanda air dihasilkan oleh transformasi wavelet terbalik, dan basis wavelet, nomor
lapisan dekomposisi wavelet, wilayah koefisien yang dipilih, metode pemblokiran,
interval kuantisasi, dan korespondensi paritas direkam untuk membentuk kunci.

Ekstraksi tanda air ditentukan oleh metode tertanam, yang merupakan kebalikan dari
mode tertanam. Pertama, transformasi wavelet dilakukan pada gambar yang akan
dideteksi, dan posisi watermark yang disematkan ditentukan sesuai dengan kunci,
dan operasi kebalikan dari pemrosesan pengacakan dilakukan pada watermark.

3.4 Metode Evaluasi

Menyaring kesalahan kuadrat rata-rata yang dinormalisasi

Untuk mengukur efek sebelum dan sesudah pemfilteran, makalah ini memilih
deskripsi normalized mean square error M. Metode perhitungan M adalah sebagai
berikut:

di mana N1 dan N2 adalah Piksel sebelum dan sesudah normalisasi.

Fungsi korelasi silang yang dinormalisasi

Fungsi korelasi silang yang dinormalisasi adalah algoritme klasik dari algoritme
pencocokan gambar, yang dapat digunakan untuk merepresentasikan kemiripan
gambar. Korelasi silang yang dinormalisasi ditentukan dengan menghitung metrik
korelasi silang antara peta referensi dan grafik templat, yang secara umum dinyatakan
dengan NC (i,j). Jika nilai NC lebih besar, itu berarti kesamaan antara keduanya lebih
besar. Rumus perhitungan untuk metrik korelasi silang adalah sebagai berikut:
di mana T(m,n) adalah baris ke-n dari gambar template, nilai piksel ke-m; S(i,j)
adalah bagian di bawah sampul template, dan i,j adalah koordinat sudut kiri bawah
subgraf pada gambar referensi S.
Normalisasi rumus di atas NC sesuai dengan rumus berikut:

Rasio sinyal-ke-noise puncak

Rasio sinyal-ke-noise puncak sering digunakan sebagai ukuran kualitas rekonstruksi
sinyal di bidang-bidang seperti kompresi gambar, yang sering kali secara sederhana
didefinisikan oleh kesalahan kuadrat rata-rata (MSE). Dua gambar monokrom m × n,
I dan K, jika salah satunya adalah perkiraan noise, maka kesalahan kuadrat rata-rata
didefinisikan sebagai:

Kemudian, metode penghitungan rasio sinyal-ke-noise puncak PSNR:

Di mana Max adalah nilai maksimum pigmen yang mewakili gambar.

Entropi informasi
Untuk sinyal digital dari sebuah gambar, frekuensi kemunculan setiap pikselnya
berbeda, sehingga dapat dianggap bahwa sinyal digital gambar sebenarnya adalah
sinyal ketidakpastian. Untuk enkripsi gambar, semakin tinggi ketidakpastian gambar,
semakin gambar cenderung acak, semakin sulit untuk dipecahkan. Semakin rendah
 aturannya, semakin teratur gambar itu, dan semakin besar kemungkinannya untuk
dipecahkan. Untuk gambar grayscale 256 level, nilai maksimum entropi informasi
adalah 8, jadi semakin hasil perhitungannya cenderung ke angka 8, maka semakin
baik.

Korelasi
Korelasi adalah sebuah parameter yang menggambarkan hubungan antara dua vektor.
Makalah ini menjelaskan hubungan antara dua gambar sebelum dan sesudah enkripsi
gambar dengan korelasi. Dengan mengasumsikan p(x, y) mewakili korelasi antara
piksel sebelum dan sesudah enkripsi, metode perhitungan p(x, y) dapat dihitung
dengan rumus sebagai berikut:
Metode perhitungan entropi informasi adalah sebagai berikut:

4. Cara kerja dari metode pengolahan citra

Metode pengolahan citra berbasis transformasi wavelet memanfaatkan konsep wavelet untuk
mengkompres dan menganalisis citra digital. Transformasi wavelet mengubah representasi
citra dari domain spasial ke domain frekuensi, yang memungkinkan untuk mengekstrak
informasi yang bermanfaat dan menghilangkan informasi yang tidak berguna.
Proses pengolahan citra berbasis transformasi wavelet terdiri dari beberapa tahap:
1. Pembacaan Citra: Pertama, citra digital harus dibaca dan dikonversi ke format yang
sesuai untuk diolah dengan transformasi wavelet.
2. Transformasi Wavelet: Setelah itu, transformasi wavelet akan diterapkan pada citra
untuk mengubah representasi spasial menjadi representasi frekuensi.
3. Analisis Citra: Setelah transformasi wavelet, citra akan dianalisis untuk mengekstrak
informasi bermanfaat. Ini bisa meliputi deteksi tepi, pengenalan pola, dan
pengurangan noise.
4. Kompresi Citra: Transformasi wavelet juga dapat digunakan untuk mengkompres
citra. Dalam hal ini, informasi yang tidak berguna dapat diterima dan informasi yang
berguna disimpan, sehingga menghasilkan file yang lebih kecil dengan kualitas yang
lebih baik dibandingkan dengan kompresi standar.
5. Rekonstruksi Citra: Setelah proses pengolahan selesai, citra dapat dikembalikan ke
representasi spasial melalui proses rekonstruksi.
Dengan menggunakan transformasi wavelet, metode pengolahan citra berbasis transformasi
wavelet memungkinkan untuk mengkompres citra dengan baik dan mengekstrak informasi
berguna dari citra. Ini membuat metode ini sangat berguna dalam aplikasi pengolahan citra
media digital, seperti pengenalan pola, deteksi tepi, dan pengurangan noise.
 DAFTAR PUSTAKA

1. H.W. Zhang, The research and implementation of image Denoising

method based on Matlab[J]. Journal of Daqing Normal
University 36(3), 1-4 (2016)
2. J.H. Hou, J.W. Tian, J. Liu, Analysis of the errors in locally adaptive
wavelet domain wiener filter and image Denoising[J]. Acta Photonica
Sinica 36(1), 188–191 (2007)
3. M. Lebrun, An analysis and implementation of the BM3D image
Denoising method[J]. Image Processing on Line 2(25), 175–213
(2012)
4. A. Fathi, A.R. Naghsh-Nilchi, Efficient image Denoising method
based on a new adaptive wavelet packet thresholding function[J].
IEEE transactions on image processing a publication of the IEEE
signal processing. Society 21(9), 3981 (2012)
5. X. Zhang, X. Feng, W. Wang, et al., Gradient-based wiener filter for
image denoising [J]. Comput. Electr. Eng. 39(3), 934–944 (2013)
6. T. Chen, K.K. Ma, L.H. Chen, Tri-state median filter for image
denoising.[J]. IEEE Transactions on Image Processing A Publication
of the IEEE Signal Processing Society 8(12), 1834 (1999)
7. S.M.M. Rahman, M.K. Hasan, Wavelet-domain iterative center
weighted median filter for image denoising[J]. Signal Process. 83(5),
1001–1012 (2003)

8. H.L. Eng, K.K. Ma, Noise adaptive soft-switching median filter for
image denoising[C]// IEEE International Conference on Acoustics,
Speech, and Signal Processing, 2000. ICASSP '00. Proceedings.
IEEE 4, 2175–2178 (2000)
9. S.G. Chang, B. Yu, M. Vetterli, Adaptive wavelet thresholding for
image denoising and compression[J]. IEEE transactions on image
processing a publication of the IEEE signal processing. Society 9(9),
1532 (2000)
10.M. Kivanc Mihcak, I. Kozintsev, K. Ramchandran, et al., Low-
complexity image Denoising based on statistical modeling of wavelet
Coecients[J]. IEEE Signal Processing Letters 6(12), 300–303 (1999)
11. J.H. Wu, F.Z. Lin, Image authentication based on digital
watermarking[J]. Chinese Journal of Computers 9, 1153–1161 (2004)
12. A. Wakatani, Digital watermarking for ROI medical images by
using compressed signature image[C]// Hawaii international
conference on system sciences. IEEE (2002), pp. 2043–2048
13. A.H. Paquet, R.K. Ward, I. Pitas, Wavelet packets-based digital
watermarking for image verification and authentication [J]. Signal
Process. 83(10), 2117–2132 (2003)
14. Z. Wen, L.I. Taoshen, Z. Zhang, An image encryption technology
based on chaotic sequences[J]. Comput. Eng. 31(10), 130–132 (2005)
15. Y.Y. Wang, Y.R. Wang, Y. Wang, et al., Optical image encryption
based on binary Fourier transform computer-generated hologram
and pixel scrambling technology[J]. Optics & Lasers in
Engineering 45(7), 761–765 (2007)
16. X.Y. Zhang, C. Wang, S.M. Li, et al., Image encryption technology on
two-dimensional cellular automata[J]. Journal of Optoelectronics
Laser 19(2), 242–245 (2008)
17. A.S. Lewis, G. Knowles, Image compression using the 2-D wavelet
transform[J]. IEEE Trans. Image Process. 1(2), 244–250 (2002)
18. R.A. Devore, B. Jawerth, B.J. Lucier, Image compression through
wavelet transform coding[J]. IEEE Trans.inf.theory 38(2), 719–746
(1992)
19. R.W. Buccigrossi, E.P. Simoncelli, Image compression via joint
statistical characterization in the wavelet domain[J]. IEEE
transactions on image processing a publication of the IEEE signal
processing. Society 8(12), 1688–1701 (1999)
20. A.A. Cruzroa, J.E. Arevalo Ovalle, A. Madabhushi, et al., A deep
learning architecture for image representation, visual interpretability
and automated basal-cell carcinoma cancer detection. Med Image
Comput Comput Assist Interv. 16, 403–410 (2013)
21. S.P. Mohanty, D.P. Hughes, M. Salathé, Using deep learning for
image-based plant disease detection[J]. Front. Plant Sci. 7, 1419
(2016)
22. B. Sahiner, H. Chan, D. Wei, et al., Image feature selection by a
genetic algorithm: application to classification of mass and normal
breast tissue[J]. Med. Phys. 23(10), 1671 (1996)
23. B. Bhanu, S. Lee, J. Ming, Adaptive image segmentation using a
genetic algorithm[J]. IEEE Transactions on Systems Man &
Cybernetics 25(12), 1543–1567 (2002)
24. Y. Egusa, H. Akahori, A. Morimura, et al., An application of
fuzzy set theory for an electronic video camera image stabilizer[J].
IEEE Trans. Fuzzy Syst. 3(3), 351–356 (1995)
25. K. Hasikin, N.A.M. Isa, Enhancement of the low contrast
image using fuzzy set theory[C]// Uksim, international conference
on computer modelling and simulation. IEEE (2012), pp. 371–376
26. P. Yang, Q. Li, Wavelet transform-based feature extraction for
ultrasonic flaw signal classification. Neural Comput. & Applic. 24(3–
4), 817–826 (2014)
27.R.K. Lama, M.-R. Choi, G.-R. Kwon, Image interpolation for high-
resolution display based on the complex dual-tree wavelet transform
and hidden Markov model. Multimedia Tools Appl. 75(23), 16487–
16498 (2016)