Noise salt and pepper merupakan gambar atau piksel yang mengganggu kualitas
citra yang berupa bintik hitam atau putih yang muncul secara acak seperti tebaran
garam dan merica.
1|Citra Digital
Seperti namanya noise jenis ini terlihat seperti salt and pepper. Pada citra grayscale,
noise ini akan muncul dalam dua warna yakni hitam (black) dan putih (white), sedangkan
untuk citra berwarna, titik-titik muncul dalam tiga warna yakni merah (red), hijau (green)
dan biru (blue)
Gambar 4.1. Local histogram window 3×3 pada citra dengan noise SP
Pada Matlab dapat diatur ”konstanta” noise. Konstanta berupa angka numerik non
negatif dengan range 0 sampai dengan 1. Makin besar konstantanya citra akan semakin
kabur, sebaliknya makin kecil konstantanya efek pada citra makin tidak terlihat. Nilai
default untuk konstanta noise salt & pepper adalah 0.05.
2. Noise Gaussian
Disebut juga gaussian white noise. Untuk menambahkan noise ini pada Matlab
memerlukan input tambahan berupa rata-rata dan variasi. Rata-rata dan variasi
merupakan suatu konstanta real. Nilainya bisa positif maupun negatif. Makin besar rata-
rata dan variasinya maka citra akan semakin kabur, sebaliknya makin kecil konstantanya
efek pada citra makin tidak terlihat. Nilai default adalah 0 untuk mean dan 0.01 untuk
variance.
Gambar 4.2. Local histogram window 3×3 pada citra dengan noise gaussian
2|Citra Digital
3. Noise Poisson
Poisson noise bukan merupakan noise buatan. Poisson merupakan noise yang
ditambahkan langsung pada citra tanpa kita menambahkan parameter apapun,
sehingga efeknya pada citra pun tetap, berbeda dengan tipe noise yang sudah dijelaskan
sebelumnya. Pada Matlab, jika matrik citra adalah double precision, maka nilai piksel
inputnya dianggap sebagai mean dari distribusi poisson dengan skala 10^12.
Gambar 4.3. Local histogram window 3×3 pada citra dengan noise poisson
4. Noise Speckle
Speckle merupakan noise ganda. Noise ini ditambahkan pada citra menggunakan
persamaan J=I+n*I, dimana n terdistribusi random seragam dengan mean 0 dan variance
V. V adalah konstanta non negative yang besarnya dapat berubah-ubah. Default nilai
untuk V adalah 0.04. Makin besar nilai V maka citra akan semakin kabur.
Gambar 4.4. Local histogram window 3×3 pada citra dengan noise speckle
5. Noise Localvar
Pada Matlab mengunakan dua parameter untuk menambahkan noise ini pada citra.
Dua parameter tersebut berupa vector yang ukurannya sama, dan grafik kedua
parameter tersebut menggambarkan relasi fungsional antara varians noise dan
intensitas citra. Vektor intensitas citra harus bernilai antara 0 dan 1 (normal). Localvar
merupakan gaussian noise dengan mean 0, dengan variance noise adalah fungsi dari
3|Citra Digital
intensitas citra yang nilainya berada dalam matrik citra. Vektor intensitas citra tidak
boleh bernilai sama karena citra akan nampak sebagai layar putih (gaussian white noise).
Gambar 4.5. Local histogram window 3×3 pada citra dengan noise localvar
Berdasarkan Gambar 2.3 sampai Gambar 2.8, jika dilihat local histogram dari
window 3×3 pada masing-masing citra maka dapat disimpulkan bahwa semua jenis
noise mempunyai satu karakteristik yang sama yaitu memiliki histogram dengan range
nilai piksel yang besar dibandingkan dengan range nilai piksel dari histogram citra asli,
sebagai contoh pada Gambar 2.4, citra dengan noise salt & pepper memiliki range paling
besar yaitu dari 0 sampai 255. Karakteristik ini juga bergantung pada parameter input
pada noise tersebut.
4|Citra Digital
Ada beberapa cara atau metode filtering citra (Noise filtering), diantaranya adalah
mean filtering, median filtering dan gausian filtering.
1. Mean Filtering
Mean adalah nilai rata-rata dari kumpulan data (Usman, 2005). Rumusan
menghitung mean adalah:
Keterangan :
X = Nilai rata-rata (Mean)
n = Jumlah data
i x = Nilai ke -i
i = Nilai Awal
Contoh:
Sebagai contoh jika diketahui suatu matrik berdimesi 3X3 yang berisi piksel utama
dan piksel-piksel disekitarnya:
Pada contoh di atas, yang diarsir (yaitu yang bernilai 68) merupakan nilai pada f(y,x).
Nilai rerata pengganti untuk g(y,x) dihitung dengan cara seperti berikut:
g(y,x) = 1/9 x (65+50+55+76+68+60+60+60+62) = 61,7778 ≅62
2. Median Filtering
Median adalah nilai tengah dari kumpulan data (Usman, 2005). Untuk mencari
median dari kumpulan data yang ganjil maka:
Keterangan :
n = Jumlah data
5|Citra Digital
x = Nilai baru median
Untuk median filtering, data yang digunakan untuk menghitung median terdiri dari
kumpulan data yang ganjil. Hal ini disebabkan dengan jumlah data yang ganjil maka
piksel yang akan diproses dapat berada ditengah.
Contoh:
Sebagai contoh jika diketahui suatu matrik berdimesi 3X3 yang berisi piksel utama
dan piksel-piksel disekitarnya:
Matrik diatas harus diurutkan terlebih dahulu dan dimasukkan dalam sebuah
matrik yang berukuran 1X (3X3) atau 1X9.
Dari gambar dapat dicari nilai piksel yang baru dengan menggunakan perhitungan
median, maka nilai mediannya adalah x = 5. Nilai 5 ini akan menggantikan nilai 8
sehingga piksel utamanya akan memiliki warna yang berbeda dengan sebelumnya.
3. Gaussian Filtering
Gaussian filtering didapat dari operasi konvolusi. Operasi perkalian yang dilakukan
ialah perkalian antara matriks kernel dengan matriks gambar asli. Matriks kernel
gauss didapat dari fungsi komputasi dari distribusi gaussian, seperti pada
persamaan di bawah ini:
Keterangan :
c dan σ = konstanta
G (i,j) = elemen matriks kernel gauss pada posisi (i,j)
(u,v) = indeks tengah dari matriks kernel gauss
6|Citra Digital
Contoh:
Berikut ini contoh matrik kernel Gauss 3 X 3 dengan σ = 1.0
Perkalian antara bobot matriks gambar asli dengan bobot matrik kernel gauss dapat
dirumuskan seperti pada di bawah ini:
Keterangan :
Pixel A = gambar A (Gambar Asli)
Pixel B(i,j) = bobot hasil perkalian pada posisi (i,j)
N = jumlah kolom matriks kernel
M = jumlah baris matriks kernel
K = penjumlahan semua bobot di G
G(p,q) = elemen matriks kernel gauss pada posisi (p,q)
Gambar yang akan diproses dibagi menjadi 2 jenis piksel, yaitu piksel batas dan
piksel dalam. Piksel batas yaitu piksel yang berada dipaling luar pada gambar, selain
piksel tersebut disebut piksel dalam.
Contoh matrik kernel Gauss 3 X 3 dengan σ = 1.0
Keterangan:
A = Matriks gambar asal B = Matrik hasil perkalian
G = Matrik kernel gauss C = Matrik gambar hasil
7|Citra Digital
D. Evaluasi Kinerja Filtering
Pengujian Noise Filtering atau penilaian kualitas citra hasil noise removing dilakukan
secara objektif dengan menggunakan besaran MSE (Mean Square Error) dan PSNR (Peak
Signal to Noise Ratio), kedua besaran tersebut membandingkan piksel-piksel pada posisi
yang sama dari dua citra yang berlainan. Pengamatan baik tidaknya suatu pendekatan
untuk melakukan Perbaikan citra biasa dilakukan dengan menggunakan mata. Namun,
cara seperti itu bersifat subjektif. Agar biasa diukur secara kuantitatif ukuran
keberhasilan penghilangan derau (Noise) dapat dilakukan dengan menggunakan :
1. MSE (Mean Square Error) dan PSNR
MSE (Mean Square Error) adalah nilai error kuadrat rata rata antar hasil citra asli
dengan citra manipulasi. Nilai MSE diperoleh dengan cara membandingkan nilai
citra hasil pada posisi pixel yang sama dengan selisih pixel pixel citra asal.
MSE merupakan rata-rata kuadrat nilai kesalahan, sedangkan PSNR merupakan nilai
perbandingan antara harga maksimum warna pada citra hasil filtering dengan
kuantitas gangguan (noise), yang dinyatakan dalam satuan desibel (dB), noise yang
dimaksud adalah akar rata-rata kuadrat nilai kesalahan (√𝑀𝑆𝐸). Kedua parameter
diatas secara matematis dapat dirumuskan pada (3.5) dan (3.6).
1 M −1 N −1
MSE = ( f (x, y ) − g (x, y ))2
MN x =0 y =0
255
PSNR= 20 log 10
MSE
dimana, 𝑀 dan 𝑁 adalah ukuran window, 𝑓(𝑥, 𝑦) adalah intensitas nilai piksel citra
asli, dan 𝑔(𝑥, 𝑦) adalah intensitas nilai piksel hasil noise filtering.
8|Citra Digital
Latihan
1. Menurut pengamatan Anda, apa yang membedakan pemrosesan berikut kalau
dilihat hasilnya secara visual?
(a) Filter median
(b) Filter mean
(c) Filter gausian
2. Bagaimana bentuk kernel yang berguna untuk filter pererataan yang berukuran 5x5,
7 x 7, dan 9x9?
3. Jelaskan pengertian konvolusi.
4. Apa yang dimaksud dengan spasial?
5. Jelaskan pengertian filter linear dan nonlinear. Berikan contoh masing-masing.
9|Citra Digital