4. a. Gaussian Filter
Gaussian filter merupakan filter linear dengan nilai pembobotan untuk setiap anggotanya
dipilih berdasarkan fungsi gaussian. Gaussian filter didapat dari operasi konvolusi. Filter
ini biasanya digunakan untuk membuat gambar menjadi blur atau mengurangi noise pada
gambar.
Berikut ini merupakan rumus Gaussian Filter :
Keterangan :
c dan = konstanta
G (i,j) = elemen matriks kernel gauss pada posisi (i,j)
(u,v) = indeks tengah dari matriks kernel gauss
Implementasi Gaussian Filter
a. Implementasi Gausian Filter pada buah Apel Merah
Keterangan :
Fspecial : Jenis filter yang digunakan.
Imfilter : implementasi dari filter
b. Average Filter (Mean Filter)
Menurut Usman (2005:61) salah satu filter linier adalah filter rata-rata (Filter Mean) dari
intensitas pada beberapa pixel lokal dimana setiap pixel akan digantikan nilainya dengan
rata-rata dari nilai intensitas pixel tersebut dengan pixel-pixel tetangganya, dan jumlah
pixel tetangga yang dilibatkan tergantung pada filter yang dirancang. Mean Filter adalah
mengganti nilai pixel pada posisi (x,y) dengan nilai rata-rata pixel yang berada tetangga
disekitarnya. Luasan jumlah pixel tetangga ditentukan sebagai masking/kernel/window
yang berukuran misalkan 2x2, 3x3, 4x4, dan seterusnya. Kemudian akan dilakukan mean
filter untuk citra M dengan menggunakan matriks kernel (3x3). Pixel m(2,2) = 3, akan
diubah menjadi Selain mean filtering yang merupakan proses filter linier, terdapat pula
pendekatan filter pembobotan (weighted filter).
Rumus average filter :
Keterangan :
Keterangan :
Cmax adalah nilai pixel terbesar pada keseluruhan citra.
x dan y adalah koordinat suatu titik pada citra.
M dan N adalah dimensi dari citra.
S adalah citra tersisipi (stego-image)
C adalah citra asli (cover image)
-Implementasi MSE-
-Implementasi PSNR-
-Hasil PSNR-
Kesimpulan :
Jadi dari implementasi MSE dan PSNR dapat diambil kesimpulan bahwa hubungan
antara nilai MSE dan PSNR adalah semakin kecil nilai PSNR, maka semakin besar pula
nilai MSE nya.