Image Restoration

Dalam kuliah ini kita akan membahas teknik

restorasi citra yang digunakan untuk
menghilangkan noise.
 Apa restorasi citra?
 Noise dan model noise
 Menghilangkan noise menggunakan filter
dalam domain spatial
 Menghilangkan noise menggunkan filter
domain frekwensi
Apa Restorasi citra?
Restorasi citra mencoba untuk mencoba
untuk memperbaiki citra yang telah
mengalami degradasi
Noise
Sumber noise dalam citra
digital muncul selama akuisasi
citra (digitasi) dan transmisi
 Sensor dipengaruhi
lingkungan sekitar
 Interferensi ditambahkan
selama proses transmisi
Restorasi citra

• Restorasi citra dan perbaikan citra

 Perbaikan :
 Sebagian besar prosesnya subyektif
 Tidak perlu pengetahuan tentang degradasi
 Restoration:
 Proses yang lebih objektif
 Citra degradasi
 Berupaya untuk memperbaiki citra dengan menggunakan
pengetahuan tentang degradasi
Model degradasi citra dan proses restorasi
citra
 Model Degradasi citra
• Dua bentuk degradasi
 Ada penambahan noise
 Disarankan menggunakan teknik restorasi domain
spatial
 Citra blur
 Disarankan menggunakan restorasi domain
frekwensi
Bentuk bentuk noise
Gaussian Noise
Rayleigh noise
Erlang (Gamma) noise
Exponential noise
Uniform noise
Impulse (salt-and-pepper) noise
Gaussian Noise

• Noise (image) dapat diklasifikasikan sesuai distribusi

dari dari nilai nilai pixel (citra yang bernoise atau
histogramnya (normalized)
• Gaussian noise dinyatakan dengan dua parameter 
(mean) dan σ2 (variance),

1  ( z   ) 2 / 2 2
p( z )  e
2 
• 70% dari nilai z berada pada range range [(-
σ),(+σ)]
• 95% nilai nilai z berada dlm range [(-2σ),(+2σ)]
Gaussian Noise
• Rayleigh noise
2
 ( z  a )e  ( z  a ) / b for z  a
2

p( z )   b

0 for z  a
 mean dan variansi dinyatakan
dengan
b( 4   )
  a  b / 4 and  2 
4
 a dan b dapat diperoleh melalui
mean dan variansi
• Erlang (Gamma) noise
 a b z b 1  az
 e for z  0
p( z )   (b  1)!
0 for z  0
 mean dan variansi dinyatakan
dengan
b
  b / a and  2 
a2
 a dan b dapat diperoleh
melalui mean dan variansi
• Exponential noise
ae  az for z  0
p( z )  
 0 for z  0
 mean dan variansi
dinyatakan dengan
1
  1 / a and  2 
a2
 kasus khusus dari pdf
Erlang PDF dengan b=1
• Uniform noise
 1
 if a  z  b
p( z )   b  a
  0 otherwise

 mean dan variansi

dinyatakan dengan
(b  a ) 2
  (a  b) / 2 and  2 
12
Other Noise Models
• Impulse (salt-and-pepper)
noise  Pa for z  a
 
p( z )   Pb for z  b
0 otherwise

 Jika Pa atau Pb adalah
nol impulse noise disebut
unipolar
 a dan b biasanya nilai-
nilainya extreme
Contoh citra
Effect penamabhan noise pada citra

H.R. Pourreza
Effect penamabhan noise pada citra

H.R. Pourreza
Estimasi nose
crop a relatively large homogeneous
region from an image and inspect its
histogram
Estimasi dari parameter noise

• Dalam banyak kasus, hanya mean dan

variansi yang diestimasi
 Yang lain dapat diperoleh dari mean dan variansi
yang sudah diestimasi
• Misalkan sub-image dengan dinotasikan S

1
̂   z ( xi , yi )
N S ( xi , yi )S

2 1
0   i i(
N S ( xi , yi )S
z ( x , y )   ) 2
 Restorasi hanya dengan adanya noise
(De-Noising)
• Mean filter 1

ˆ
Arithmetic mean filter f ( x, y )   g ( s, t )
mn ( s ,t )S x , y
 g(x,y) citra mengalami degradasi 1
 Sx,y adalah mask   mn

 Geometric mean filters ˆf ( x, y )  

 g ( s, t ) 
 Cenderung digunakan untuk mempe  
( s ,t )S x , y

 tahankan detail citra

 Harmonic mean filter ˆf ( x, y )  mn
1

( s ,t )S x , y g ( s, t )
 Baik untuk salt noise tetapi gagal untuk pepper noise
Contraharmonic mean filter

 Positive Q bekerja untuk pepper noise
 g ( s, t ) Q 1
( s ,t )S x , y
 Negative Q untuk salt noise fˆ ( x , y ) 
 Q=0arithmetic mean filter  g ( s , t ) Q

( s ,t )S x , y
 Q=-1harmonic meanH.R.
filter
Pourreza
 Corrupted by
Gaussian Noise
De-Noising

Mean
Filtering Geometric
Mean Filtering
 Corrupted by Corrupted by
pepper noise salt noise
De-Noising

3x3 3x3
Contraharmonic Contraharmonic
Q=1.5 Q=-1.5
De-Noising
Filters berdasarkan Order Statistics
(De-Noising)
fˆ ( x, y)  median {g ( s, t )}
• Median filter (s,t)S x,y

• Max filter :baik untuk menghilangkan pepper noise

• Min filter :Good for removing salt noise
• Midpoint filter :
fˆ ( x, y )   max {g ( s, t )}  min {g ( s, t )}
1
2 ( s ,t )S xy ( s ,t )S xy 
 Baik untuk Gaussian atau uniform noise
 Corrupted by salt & One pass
pepper noise median filtering
De-Noising

Two pass Three pass

median filtering median filtering
 Corrupted by Corrupted by
pepper noise salt noise

De-Noising

Max Filtering Min Filtering

Alpha-Trimmed Mean Filter
(De-Noising)

• Alpha-trimmed mean filter mengambil rata-rata nilai

pixel dari m×n mask setelah menghapus d/2 nilai
pixel terendah dan d/2 nilai pixel tertinggi
1
fˆ ( x, y ) 
mn  d
 g ( s, t )
( s ,t )S xy
r

 gr(s,t) menyatakan sisa mn-d pixels

 Digunakan dari berbagai kombinasi dari salt-and-
pepper dan gausian Gaussian
De-Noising Added salt &
pepper noise
Corrupted by
additive Uniform
noise

5x5 Mean
Filtering 5x5 Geo-Mean
Filtering

5x5 Median 5x5 Alpha-

Filtering trimmed Mean
Filtering

H.R. Pourreza
Bandreject Filters

• Bandreject filters menghilangkan band frekwensi

tertentu
• LPF dan HPF
• Ideal bandreject
• Butterworth bandreject filter
• Gaussian bandreject filter
Bandreject Filters
• Ideal bandreject filter
 W
 1 if D (u , v )  D0 
2
 W W
H (u, v)  0 if D0   D(u, v)  D0 
 2 2
1 if D(u, v)  D0  W
 2
Bandreject Filters
• Butterworth bandreject filter
1
H (u, v)  2n
 D(u, v)W 
1  2 2
 D (u , v )  D0 

n =1
Bandreject Filters
• Gaussian bandreject filter

1  D 2 ( u ,v )  D02 
  
2  D ( u ,v )W 
H (u, v) 1  e