Lecture 9.en - Id
Lecture 9.en - Id
com
Dr.Ahmadreza Baghaie
Departemen Teknik Elektro dan Komputer
Institut Teknologi New York
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)
● Kami mensimulasikan gambar noise dengan menghasilkan array yang nilai intensitasnya
berupa angka acak dengan PDF tertentu.
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 Adaptif:
– Filter Pengurangan Kebisingan Lokal yang Adaptif
● Kebisingan periodik dapat dianalisis dan disaring menggunakan pemfilteran domain frekuensi.
– 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
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
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
● Untuk mencapai hal ini, kita mulai dengan filter notch pass untuk mengekstrak pola
interferensi. Hal ini direpresentasikan dalam domain frekuensi dan spasial sebagai:
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:
● Pemfilteran takik optimal bertujuan untuk meminimalkan varian lokal dari gambar yang
dipulihkan.
σ21
= ∑ [F(r,c)−F]2
M N(r, c)∈S xy
σ21
= ∑ [F(r,c)−F]2
M N(r, c)∈S xy
16/39
Pemfilteran Takik Optimal - Contoh
17/39
Degradasi Linear, Posisi-Invarian (LPI).
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:
19/39
Estimasi Fungsi Degradasi
20/39
Estimasi Dengan Pengamatan Gambar
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.
G(kamu, v)
H(kamu, v)=
A
dengan konstanAsebagai transformasi Fourier dari impuls dengan kekuatanA.
22/39
Estimasi Dengan Pemodelan Matematika
23/39
Estimasi Dengan Pemodelan Matematika
24/39
Estimasi Dengan Pemodelan Matematika
● 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
[ ]
∞∞ 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
27/39
Penyaringan Terbalik
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).
● Hal ini bertujuan untuk menemukan gambar yang dipulihkan dengan kesalahan kuadrat rata-rata minimum dengan
e2=E{(F-F)2}
● 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
● 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)
|H(kamu,v)|2 = kamu,v)H(kamu,v)
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.
SNR=kamu=0ay=0
M−1 N−1 = M−1N−1
X=0kamu=0
kamu=0ay=0 X=0kamu=0
● Untuk menyederhanakan filter Wiener:
direpresentasikan sebagai:
F(kamu, v) = [ 1 |H(kamu,v)|2
33/39
Penyaringan Kesalahan Kuadrat Rata-Rata Minimum (Wiener)
- Contoh
34/39
Penyaringan Kuadrat Terkecil Terkendali
● Metode baru ini hanya membutuhkan mean dan varians dari noise.
F(kamu,v)=[ H*(kamu, v)
|H(kamu,v)|2+γ|P(kamu,v)|2 ] G(kamu,v)
]
fungsi:
0 −1 0
P(x , kamu)= [ −1 4 −1
0 −1 0
35/39
Pemfilteran Kuadrat Terkecil Terkendali - Contoh
36/39
Filter Rata-Rata Geometris
[ ][ |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)
● Filter rata-rata geometris berguna dalam restorasi gambar, karena filter ini mewakili
sekumpulan filter sebagai ekspresi tunggal.
37/39
Apa selanjutnya?
38/39
Pertanyaan?
abaghaie@nyit.edu
39/39