Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Topik Khusus EENG 860: Pemrosesan Gambar Digital

Kuliah 9: Restorasi Gambar Secara Frekuensi

Domain

Dr.Ahmadreza Baghaie
Departemen Teknik Elektro dan Komputer
Institut Teknologi New York

Musim semi 2020

Bacaan: Bab 5 (bagian 5.4-5.8) Cara membaca:

1 / 39
membaca, mencatat dan bereksperimen!
Daftar Isi

● Pengurangan Kebisingan Berkala Menggunakan Penyaringan Domain Frekuensi

● Linear, Degradasi Invarian Posisi

● Memperkirakan Fungsi Degradasi
● Penyaringan Terbalik

● Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener).

● Penyaringan Kuadrat Terkecil Terkendali

● Filter Rata-Rata Geometris

2/39
Model Degradasi/Restorasi Gambar

●
Degradasi gambar dimodelkan sebagai operatorℋbersama dengan istilah noise tambahan
untuk gambar masukanf(x,y), untuk menghasilkan gambar yang terdegradasig(x,y).

●
Diberikang(x,y), beberapa pengetahuan tentangℋdan sedikit pengetahuan
tentang istilah noise aditif, tujuan restorasi adalah untuk mendapatkan estimasi
citra asli.

3/39
Model Kebisingan

● Sumber noise pada gambar digital muncul terutama selama perolehan dan/atau
transmisi gambar.
● Misalnya pada kamera CCD, tingkat cahaya dan suhu sensor merupakan faktor
utama dalam jumlah kebisingan.
● Selama transmisi, gambar dipengaruhi oleh interferensi pada saluran
transmisi.
● Misalnya dalam transmisi nirkabel, petir atau gangguan atmosfer lainnya
menyebabkan kebisingan.

4/39
Fungsi Distribusi Probabilitas Kebisingan (PDF)

● Perilaku statistik nilai intensitas pada komponen kebisingan

dicirikan oleh Fungsi Distribusi Probabilitas (PDF).
● Komponen kebisingann(x,y)adalah gambar dengan ukuran yang sama dengan gambar
masukan.

● Kami mensimulasikan gambar noise dengan menghasilkan array yang nilai intensitasnya
berupa angka acak dengan PDF tertentu.

● PDF Kebisingan Penting:

– Kebisingan Gaussian
+∞
Berarti:z̄=E(z)=∫zp(z)dz
– suara Rayleigh
– Kebisingan Erlang (Gamma). −∞
+∞
– Kebisingan eksponensial Perbedaan:σ2=V(z)=∫(z-z̄)2P(z)dz
– Kebisingan seragam

– Kebisingan garam dan merica

● Kebisingan asin dan merica diterapkan secara berbeda.

5/39
PDF Kebisingan Penting: Contoh

6/39
PDF Kebisingan Penting: Contoh

9
Restorasi untuk Degradasi Hanya Kebisingan – Penyaringan
Spasial

● Filter Berarti:
– Filter Rata-rata Aritmatika
– Filter Rata-Rata Geometris
– Filter Rata-Rata Harmonik
– Filter Rata-Rata Kontra-Harmonik
● Filter Statistik Pesanan:
– Penyaring Median

– Filter Min/Maks
– Filter Titik Tengah

– Filter Rata-rata yang Dipangkas Alfa

● Filter Adaptif:
– Filter Pengurangan Kebisingan Lokal yang Adaptif

– Filter Median Adaptif

8/39
Pengurangan Kebisingan Berkala Menggunakan Penyaringan Domain
Frekuensi

● Kebisingan periodik dapat dianalisis dan disaring menggunakan pemfilteran domain frekuensi.

● Kebisingan periodik muncul sebagai semburan energi terkonsentrasi di

domain Fourier, di lokasi yang sesuai dengan frekuensi interferensi
periodik.
● Kami melihat tiga filter selektif sebelumnya:

– penolakan
– Bandpass
– Takik
● Filter takik lebih banyak digunakan dalam restorasi gambar.

● Ingat:
jMN
dosa (2kamu0X/M+2πay0kamu/N)⇔ 0, ay+ay )−δ(kamu-kamu ay-ay )]
[δ(kamu+kamu
2
0 0, 0

1
karena (2πkamu0X/M+2πay0kamu/N)⇔ [δ(kamu+kamu, v
0 + ay)+δ(kamu-kamu ,ay-ay )]
2
0 0 0

9/39
Penyaringan Takik

● Fungsi transfer filter penolakan takik biasanya dibuat sebagai produk dari
fungsi transfer filter highpass yang pusatnya diterjemahkan ke pusat takik:

Q
Htidak(kamu, v)=∏Hk(kamu, v)H-k(kamu, v)
k=1

Di manaH k(kamu,v)DanH- (kamu,v)adalah

k
filter highpass dengan pusat di(kamu,v)Dan(-
k k
kamu,-v)masing-masing.
k k

● Fungsi domain frekuensi simetris terhadap pusat persegi panjang frekuensi,

sehingga takik ditetapkan sebagai pasangan simetris.
● Perhitungan jarak terpusat untuk fungsi transfer filter adalah:

Dk(kamu, v)=√(kamu-M/2−kamuk)2+(ay-N/2−ayk)2

D-k(kamu, v)=√(kamu-M/2+kamuk)2+(ay-N/2+ayk)2

10/39
Penyaringan Takik

● Contoh: filter penolakan pesanan takik ButterworthNdengan tiga pasang takik adalah:
3
1 1
Htidak(kamu, v)=∏[ ][ ]
k=1 1+[ D0k/Dk(kamu, v)]N 1+[D0k/D-k(kamu, v)]N
● Perhatikan ituDadalah sama untuk setiap pasangan, namun dapat berbeda untuk pasangan yang berbeda.
0k

● Filter notch pass dapat dibuat dengan:

Hhal(kamu,)=1−Htidak(kamu, v)

11/39
Pemfilteran Takik - Contoh

● Menggunakan filter penolakan takik yang ideal, untuk menghilangkan interferensi sinusoidal.

12/39
Pemfilteran Takik - Contoh

● Menggunakan filter tolak takik persegi panjang, untuk mengurangi garis pemindaian horizontal.

13/39
Penyaringan Takik Optimal

● Dalam contoh sebelumnya, pola interferensi mudah diidentifikasi dan

dikarakterisasi dalam domain frekuensi.
● Bagaimana jika kita memiliki banyak pola interferensi? Bagaimana cara memastikan lebih
sedikit penghapusan informasi gambar selama proses pemfilteran? Ini memerlukan
optimalisasi parameter filter.

● Untuk mencapai hal ini, kita mulai dengan filter notch pass untuk mengekstrak pola
interferensi. Hal ini direpresentasikan dalam domain frekuensi dan spasial sebagai:

N(kamu, v)=Hhal(kamu, v)G(kamu, v)

N(x , kamu)=IDFT[Hhal(kamu, v)G(kamu, v)]

● Berdasarkan asumsi interferensi aditif, kita dapat memperkirakan gambar

bebas interferensi sebagai:

F(x , kamu)=G(x , kamu)−N(x , kamu)

14/39
Penyaringan Takik Optimal

● Dalam praktiknya, untuk memodelkan dampak komponen yang tidak lengkap yang tidak terdapat dalam
estimasi kebisingan, kami menggunakan estimasi tertimbang atau termodulasi sebagai:

F(x , kamu)=G(x , kamu)−w(x , kamu)N(x , kamu)

● Pemfilteran takik optimal bertujuan untuk meminimalkan varian lokal dari gambar yang
dipulihkan.

● Dengan asumsi sebuah lingkunganSberukuran

xy
ganjilmxnberpusat pada(x,y), Dan
dengan asumsi bobot di lingkungan sekitar adalah konstan dan merupakan bobot di
pusat piksel, kita dapat menuliskan varians gambar yang dipulihkan di lokasi(x,y)
sebagai:

σ21
= ∑ [F(r,c)−F]2
M N(r, c)∈S xy

= 1 ∑ {[G(r, c)−w(x , kamu)N(r,c)]−[G-w(x , kamu)N]}2

M N(r, c)∈S xy

di mana simbol “batang” menunjukkan rata-rata parameter

terkait di lingkungan sekitar. 15/39
Penyaringan Takik Optimal

σ21
= ∑ [F(r,c)−F]2
M N(r, c)∈S xy

= 1 ∑ {[G(r, c)−w(x , kamu)N(r,c)]−[G-w(x , kamu)N]}2

M N(r, c)∈S xy

● Untuk meminimalkan varians sehubungan denganw(x,y), kita ambil turunannya dan

samakan dengan nol:
∂σ2(x , kamu)
=0
∂w(x , kamu)
● Hasilnya adalah:
gn−¯gn¯
w(x , kamu)=
N2-N2
yang berarti untuk setiap piksel(x,y), bobot ini dihitung dan kemudian digunakan pada
persamaan pertama di slide sebelumnya.

16/39
Pemfilteran Takik Optimal - Contoh

● Gambar digital medan Mars, dengan pola interferensi semi-periodik

yang kompleks.
● Gambar asli, spektrum Fourier terpusat, Spektrum Fourier tidak terpusat,
spektrum interferensi Fourier yang dirancang ahli, pola interferensi spasial,
gambar yang dipulihkan.

17/39
Degradasi Linear, Posisi-Invarian (LPI).

● Hubungan input-output dapat dinyatakan sebagai:

G(x , kamu)=ℋ[F(x , kamu)]+N(x , kamu)

● Kita mengetahui bahwa ℋ linier jika memenuhi sifat aditivitas dan homogenitas
sebagai berikut:

ℋ[af1(x , kamu)+bf2(x , kamu)]=Aℋ[F1(x , kamu)]+Bℋ[F2(x , kamu)]

● Kita mengatakan ℋ adalah invarian posisi jika:

ℋ[F(X-α, kamu-β)]=G(X-,kamu-β)

8/39
Degradasi Linear, Posisi-Invarian (LPI).

● Dapat dibuktikan bahwa jika ℋ merupakan operator linier, posisi-invarian (LPI), maka
degradasi pada domain spasial direpresentasikan dengan menggunakan konvolusi:

G(x , kamu)=H(x , kamu)⊗F(x , kamu)+N(x , kamu)

Di manah(x,y)adalahrespon impuls, ataufungsi penyebaran titik(PSF)

dari operasi degradasi.
● Dalam domain Fourier kita akan memiliki:

G(kamu, v)=H(kamu, v)F(kamu, v)+N(kamu, v)

● Tujuan restorasi citra adalah untuk memperkirakan operasi degradasi; di sini,

kami hanya fokus pada operator degradasi linier dan invarian posisi.
● Catatan: kami tidak menggunakan padding untuk restorasi domain frekuensi, karena di sini
kami hanya memiliki gambar yang terdegradasi. Padding hanya efektif jika diterapkan pada
gambar sebelum degradasi!

19/39
Estimasi Fungsi Degradasi

● Karena degradasi dimodelkan sebagai konvolusi, restorasi citra

biasa disebutdekonvolusi gambar.
● Ada tiga cara untuk memperkirakan fungsi degradasi:
– Pengamatan gambar
– Percobaan
– Pemodelan matematika
● Proses restorasi citra dengan fungsi estimasi degradasi biasa disebut
dekonvolusi buta.
● Untuk melihat cara kerja pendekatan ini, mari kita fokus pada kasus degradasi saja, tanpa
komponen noise terlebih dahulu.

G(kamu, v)=H(kamu, v)F(kamu, v)

20/39
Estimasi Dengan Pengamatan Gambar

● Tanpa mengetahui fungsi degradasi, kita dapat mengumpulkan

informasi dari gambar itu sendiri.
● Misalnya jika gambarnya buram, kita dapat memeriksa bagian kecil yang berisi fitur gambar
dan latar belakang untuk memperkirakan bagaimana bagian tepinya menjadi buram.

GS(x , kamu) : bagian yang diamati

FS(x , kamu) : bagian yang diharapkan dipulihkan

G(kamu,
S v)
HS(kamu, v)=
FS(kamu, v)

● Berdasarkan asumsi operator degradasi linier, posisi invarian (LPI), kita dapat membangun
suatu fungsiH(kamu,v)dalam skala yang lebih besar, tetapi mempunyai bentuk dasar
sebagaiH (kamu,v). S

21/39
Estimasi Dengan Eksperimen

● Jika kita mempunyai akses terhadap peralatan yang serupa dengan yang digunakan untuk
memperoleh gambar yang terdegradasi, kita dapat menghasilkan perkiraan degradasi yang akurat.

● Ingatlah bahwa operator degradasi disebut afungsi penyebaran

titik(PSF) ataurespon impuls?
● Artinya jika kita dapat mensimulasikan suatu impuls (titik cahaya terang) dan kemudian
mencitrakannya menggunakan peralatan, kita dapat memperkirakan fungsi degradasi sebagai:

G(kamu, v)
H(kamu, v)=
A
dengan konstanAsebagai transformasi Fourier dari impuls dengan kekuatanA.

22/39
Estimasi Dengan Pemodelan Matematika

● Untuk estimasi dengan pemodelan matematika, kami memperhitungkan

sifat fisik dari operasi degradasi.
● Misalnya, dengan menggunakan karakteristik fisik turbulensi udara, kita dapat
memodelkan degradasi pada foto udara sebagai:

H(kamu, v)=e-k(kamu +ay )

2 2 5/6

● Di Sinikadalah ketergantungan konstan pada sifat turbulensi.

● Perhatikan bahwa fungsi degradasi sangat mirip dengan fungsi transfer filter
lowpass Gaussian.
● Dengan menggantik, kita dapat menyimulasikan keburaman gambar udara.

23/39
Estimasi Dengan Pemodelan Matematika

24/39
Estimasi Dengan Pemodelan Matematika

● Untuk melihat pendekatan umum pemodelan tersebut, mari kita turunkan

persamaan pemodelan keburaman akibat gerakan antara gambar dan sensor
selama perolehan gambar.
● Di sini, kami ingin memodelkan gambarf(x,y)melalui gerak planar, danx (t) Dankamu
0
(t)adalah
0
komponen gerak yang berubah terhadap waktuXDankamu petunjuk arah.

● Kami berasumsi bahwa pembukaan dan penutupan rana terjadi secara instan.

● Gambar yang diambil pada titik mana pun merupakan bagian integral dari
eksposur selama rana terbuka.
● JikaTadalah durasi eksposur, gambar yang diambil dapat diturunkan sebagai:
T
G(x , kamu)=∫F[X-X0(T), kamu-kamu0(T)]dt
0

25/39
Estimasi Dengan Pemodelan Matematika

● Untuk memperolehH(kamu,v), kita menemukan transformasi Fourier kontinu darig(x,y):

∞∞
G(kamu, v) = ∫ ∫G(x , kamu)e-J2π(ux+vy)dxdy
− ∞ −∞

[ ]
∞∞ T
= ∫ ∫ ∫F[X-X0(T), kamu-kamu0(T)]dt e-J2π(ux+vy)dxdy
− ∞ −∞ 0
T
[
∞∞
= ∫ ∫ ∫F[X-X0(T), kamu-kamu0(T)]e- dxdy
J2π(ux+vy) ] dt
0 -∞ −∞
T
=
∫F(kamu,v)e-J2π[ux (T)+vy (T)]dt
0 0

0
T
F(kamu,v)∫e-J2π[ux (T)+vy (T)]dt
=
0 0

0
● ArtinyaH(kamu,v)adalah:
T
H(kamu, v)=∫e-J2π[ux (T)+vy (T)]dt 0 0

0
26/39
Estimasi Dengan Pemodelan Matematika

● Jika geraknya berubah-ubahx0(t)Dankamu

0
(t)diketahui,H(kamu,v)dapat diperoleh dari
persamaan tersebut.

● Misalnya mari kita asumsikan gerak linier dengan lajux (t)=pada/TDan

0
y (t)=bt/T
dalamXDankamupetunjuk
0
arah. Lalu kita punya:
T
H(kamu, v)=∫e-J2π[uat/T+vbt/T] T
dt= dosa [π(kamu+vb)]e-j π(kamu+vb)
0 π(kamu+vb)

● Filter ukuran diskritMxNdihasilkan dengan mengambil sampel fungsi ini untuk

kamu=0,1,2,…,M-1Danv=0,1,2,…,N-1.

27/39
Penyaringan Terbalik

● Sekarang pertanyaannya bagaimana prosedur restorasi yang harus dilakukan?

● Pendekatan paling sederhana adalah pemfilteran terbalik, yang berarti untuk

mendapatkan citra yang dipulihkan, citra yang terdegradasi dibagi berdasarkan
elemen dengan perkiraan fungsi transfer degradasi dalam domain frekuensi:

G(kamu, v)
F(kamu, v) =
H(kamu,v)
H(kamu,v)F(kamu, v)+N(kamu,v)
=
H(kamu,v)

N(kamu,v)
= F(kamu, v)+
H(kamu, v)

● Hal ini nampaknya cukup sederhana, apalagi jika tidak ada komponen noise.
● Namun bagaimana jika ada kebisingan? Bahkan jika kita mengetahui fungsi degradasinya, kita tidak
dapat memulihkan gambar aslinya karena kita tidak mengetahuinyaTidak(kamu,v).

● Selain itu, jika fungsi degradasi bernilai nol atau kecil, maka rasionya N(u,v)/H(u,v)
akan mendominasi istilah tersebutF(kamu,v)!
28/39
Pemfilteran Terbalik - Contoh

● Salah satu pendekatan untuk mengurangi efek nilai nol atau kecil adalah dengan
membatasi frekuensi filter ke nilai yang mendekati asal domain frekuensi, yang
biasanya memiliki konsentrasi amplitudo tertinggi.

29/39
Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener).

● Pendekatan penyaringan terbalik tidak secara eksplisit mempertimbangkan

kebisingan dalam proses restorasi.

● Pendekatan pemfilteran minimum mean square error (Wiener) menganggap

gambar dan noise sebagai variabel acak.

● Hal ini bertujuan untuk menemukan gambar yang dipulihkan dengan kesalahan kuadrat rata-rata minimum dengan

gambar yang tidak rusak:

e2=E{(F-F)2}

denganE{.}sebagai nilai argumen yang diharapkan.

● Kebisingan dan citra diasumsikan tidak berkorelasi, dengan salah satu dari keduanya memiliki

rata-rata nol, dan tingkat intensitas dalam perkiraan tersebut merupakan fungsi linier dari tingkat

dalam citra yang terdegradasi.

30/39
Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener).

● Dengan mempertimbangkan semua asumsi ini, gambar yang dipulihkan direpresentasikan sebagai:

F(kamu, v) =
[ H*(kamu, v)S(kamu,
F v)

]
SF(kamu, v)|H(kamu, v)|2+SN(kamu, v)
G(kamu, v)

=
[ H*(kamu, v)

] G(kamu,v)

[
|H(kamu, v)|2+SN(kamu, v)/SF(kamu, v)

1 |H(kamu,v)|2
=
H(kamu, v) |H(kamu, v)|2+SN(kamu, v)/SF(kamu, v) ] G(kamu, v)

● Dalam formulasi ini:

H*(kamu, v) : konjugat kompleks dariH(kamu,v) H*(

|H(kamu,v)|2 = kamu,v)H(kamu,v)

SN(kamu, v) = |N(kamu, v)|2spektrum kekuatan kebisingan

SF(kamu,v) = |F(kamu,v)|2spektrum daya dari gambar yang tidak terdegradasi

● Derivasinya berada di luar cakupan kursus. 31/39

Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener).

F(kamu, v) = [ 1 |H(kamu,v)|2

]
H(kamu,v) |H(kamu,v)|2+SN(kamu,v)/SF(kamu,v)
G (kamu,v)

● Jika noise nol, filter Wiener direduksi menjadi filter invers sederhana.

● Rasio signal-to-noise mengukur tingkat kekuatan gambar asli yang tidak

terdegradasi terhadap tingkat kekuatan noise:
M−1N−1 M−1N−1
∑ ∑|F(kamu,v)|2 ∑ ∑|F(x , kamu)| 2

SNR=kamu=0ay=0
M−1 N−1 = M−1N−1
X=0kamu=0

∑ ∑|N(kamu, v)|2 ∑ ∑[F(x , kamu)−F(x , kamu)] 2

kamu=0ay=0 X=0kamu=0
● Untuk menyederhanakan filter Wiener:

– Kami mengasumsikan white noise, dengan spektrum konstan;

– Kami mengasumsikan rasio antara spektrum daya gambar yang tidak

32/39
terdegradasi dan spektrum daya derau adalah suatu konstanta.
Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener).

● Mempertimbangkan asumsi penyederhanaan, filter Wiener dapat

direpresentasikan sebagai:

F(kamu, v) = [ 1 |H(kamu,v)|2

H(kamu,v) |H(kamu,v)|2+K ] G(kamu, v)

denganKkonstanta yang ditambahkan ke semua suku|H(kamu,v)|2.

33/39
Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener)
- Contoh

34/39
Penyaringan Kuadrat Terkecil Terkendali

● Pemfilteran Wiener mampu memulihkan gambar, namun memerlukan spektrum

daya dari gambar yang tidak terdegradasi dan noise untuk diketahui!

● Metode baru ini hanya membutuhkan mean dan varians dari noise.

● Untuk mengurangi sensitivitas noise kita dapat mempertimbangkan ukuran kehalusan,

misalnya dengan menggunakan turunan kedua dari gambar tersebut, Laplacian.

● Solusi domain frekuensi untuk pendekatan ini adalah:

F(kamu,v)=[ H*(kamu, v)

|H(kamu,v)|2+γ|P(kamu,v)|2 ] G(kamu,v)

denganγsebagai parameter yang dapat disesuaikan danP(kamu,v)adalah transformasi Fourier dari

]
fungsi:
0 −1 0
P(x , kamu)= [ −1 4 −1
0 −1 0
35/39
Pemfilteran Kuadrat Terkecil Terkendali - Contoh

● FungsinyaP(kamu,v)DanH(kamu,v)harus mempunyai ukuran yang sama. JikaHadalahMxN,

Kemudian p(x,y)harus tertanam di tengah-tengah sebuahMxNarray nol.

● Untuk menjaga simetri genapp(x,y),MDanNharus bilangan bulat genap. Jika gambar

terdegradasi yang diberikan tidak berdimensi genap, maka baris dan/atau kolom harus
dihilangkan sebelum dihitungH.

36/39
Filter Rata-Rata Geometris

● Filter Wiener dapat digeneralisasikan dalam bentuk filter mean geometrik:

α 1- α

[ ][ |H(kamu,v)| +β
H*(kamu, v) H* (kamu,v)
F(kamu, v)= G(kamu, v)

]
|H(kamu, v)|2 S(kamu, v)
2 N
SF(kamu,v)

denganɑDanβsebagai konstanta real non-negatif.

● Kapanɑ=1, filter direduksi menjadifilter terbalik.

● Kapanɑ=0, filternya menjadi afilter Wiener parametrik, yang direduksi menjadi

standarpenyaring wienerKapan=1.

● Kapan=1/2Dan=1penyaringnya disebut afilter pemerataan spektrum.

● Filter rata-rata geometris berguna dalam restorasi gambar, karena filter ini mewakili
sekumpulan filter sebagai ekspresi tunggal.
37/39
Apa selanjutnya?

● Dasar-dasar Segmentasi Gambar

● Deteksi Titik
● Deteksi Garis
● Deteksi Tepi
● Ambang Batas Gambar

38/39
Pertanyaan?

abaghaie@nyit.edu

39/39