Restorasi Citra

Tujuan
Memberikan pemahaman kepada
mahasiswa tentang :
Apa itu restorasi citra?
Berbagai macam model noise yang ada, seperti
gaussian, rayleigh, gamma, eksponensial
Metode untuk mengestimasi parameter noise
Filtering pada domain spasial untuk reduksi
noise dengan berbagai macam filter mean dan
filter order statistik
Gambaran Umum
 Seperti halnya perbaikan citra, tujuan utama dari teknik-
teknik restorasi adalah untuk memperbaiki citra.
 Teknik-teknik perbaikan umumnya merupakan prosedur
heuristik yang dirancang untuk memanipulasi citra
dengan memanfaatkan aspek “psychophysical” dari
sistem visual manusia. Misalnya : contrast stretching.
 Restorasi berusaha untuk merekonstruksi atau
mengembalikan citra yang telah terdegradasi dengan
memanfaatkan pengetahuan tentang fenomena
degradasi. Jadi, teknik-teknik restorasi diarahkan untuk
memodelkan degradasi dan menerapkan proses
kebalikan dari model degradasi untuk mendapatkan
kembali citra asal. Misalnya : deblurring.
Model Proses Degradasi/Restorasi
Citra
Model Proses Degradasi/Restorasi
Citra
Citra terdegradasi dinyatakan pada
domain spasial dengan :
g ( x , y )  h ( x , y ) * f ( x , y )   ( x, y )

Citra terdegradasi dinyatakan pada

domain frekuensi dengan :
G (u, v)  H (u, v) F (u, v)  N (u, v)
Model-Model Noise
 Sumber utama munculnya noise dalam citra digital
adalah pada saat proses mendapatkan data gambar
(atau digitisasi) dan juga pada saat transmisi.
 Sifat-sifat noise ditunjukkan oleh parameter-
parameter yang mendefinisikan karakteristik spasial
dari noise, dan apakah kemunculan noise berkaitan
dengan citra atau tidak. Di kuliah ini, diasumsikan
bahwa noise bersifat “tidak tergantung” pada
koordinat spasial, dan tidak ada korelasi antara nilai
piksel dengan nilai komponen noise.
 Pada domain frekuensi, sifat-sifat noise ditunjukkan
oleh komponen frekuensi pada hasil transformasi
Fourier.
Noise Gaussian
Probability density function (PDF) dari
variabel random Gaussian, z, dinyatakan
dengan :
1  ( z   ) 2 / 2 2
p( z )  e
2 

z menyatakan tingkat keabuan, 

menyatakan rata-rata dari z, dan  adalah
deviasi standard. Pangkat dua dari deviasi
standard disebut variance dari z.
Noise Rayleigh

PDF dari noise Rayleigh dinyatakan

dengan :
2
 ( z  a )e ( z  a ) 2 / b
for za
p( z )   b

 0 for za

Mean dan variance dari PDF dinyatakan

dengan :
  a  b / 4
b( 4   )
 
2

4
Noise Erlang (Gamma)

PDF dari noise Erlang dinyatakan dengan:

 a b z b 1  az
 e for za
p ( z )   (b  1)!
 0 for za
Nilai dari parameter adalah a>0 dan b
adalah integer positif. Mean dan variance
dari PDF dinyatakan dengan :
 b/a
 2  b / a2
Noise Eksponensial
 PDF dari noise eksponential dinyatakan dengan:
ae  az for z  0
p( z )  
 0 for z  0

dengan a>0. Mean dan variance dari PDF

dinyatakan dengan :
  1/ a
 2  1/ a2
 PDF ini merupakan kasus khusus dari PDF
Erlang, with b=1.
Noise Uniform

PDF dari noise uniform dinyatakan

dengan:  1
 if a zb
p( z )   b  a

 0 otherwise

Mean dan variance dari PDF dinyatakan

dengan :
ab

2
(b  a ) 2
 
2

12
Noise Impulse (salt-and-pepper)
 PDF noise impulse (bipolar) dinyatakan dengan :
Pa for za

p( z )   Pb for z b
0
 otherwise
 Jika b > a, tingkat keabuan b akan muncul sebagai titik
terang dalam citra. Sebaliknya, a akan muncul sebagai
titik gelap.
 Jika Pa atau Pb nol, noise impulse disebut unipolar.
 Jika tak satupun probabilitas bernilai nol, khususnya jika
keduanya bernilai hampir sama, nilai-nilai noise impulse
akan memunculkan butir-butir garam dan merica (salt-
and-pepper) yang terdistribusi random pada citra.
Karena alasan inilah, noise impulse bipolar disebut juga
noise salt-and-pepper .
Noise Impulse (salt-and-pepper)

Karena intensitas impulse biasanya lebih

besar dibanding intensitas piksel-piksel
citra, maka noise impulse didigitisasi
sebagai nilai ekstrim (hitam atau putih)
dalam citra.
a=0 dan b=255
Model-Model Noise
Model-Model Noise
Model-Model Noise
Model-Model Noise
Estimasi Parameter Noise
 Parameters noise dari suatu PDF bisa diketahui
secara parsial dari spesifikasi sensor, tetapi perlu
juga untuk mengestimasinya berdasarkan susunan
citra bernoise.
 Jika yang tersedia hanya citra yang dihasilkan
melalui sensor, estimasi parameter PDF bisa
dilakukan menggunakan tambalan-tambalan
(patches) kecil dari citra yang memiliki tingkat
keabuan konstan. Contoh, potongan kecil berukuran
150 x 20 piksel pada gambar 5.6. diambil dari citra
Gaussian, Rayleigh, dan uniform images pada
gambar 5.4.
Estimasi Parameter Noise
Estimasi Parameter Noise

Misalkan potongan citra dinyatakan

dengan S. Mean dan variance bisa
dihitung dengan :
   z p( z ) i i
zi S

2  
 iz   2
p  zi 
zi S

zi adalah tingkat keabuan dari piksel-piksel

dalam S, dan p(zi) adalah nilai dari
“normalized histogram” (probabilitas).
Estimasi Parameter Noise
 Bentuk histogram bisa digunakan untuk mengidentifikasi
bentuk PDF yang paling mirip.
 Jika bentuk histogram mendekati Gaussian, maka
parameter mean dan variance yang kita butuhkan,
karena PDF Gaussian bisa didefinisikan secara lengkap
dengan menggunakan dua parameter tersebut.
 Untuk bentuk histogram yang lain, kita bisa
menggunakan mean dan variance untuk menghitung
parameter a dan b.
 Noise Impulse diperlakukan berbeda karena yang
dibutuhkan adalah propabilitas kemunculan piksel putih
dan hitam.
Restorasi – Penghilangan Noise Saja
– Spatial Filtering

Jika degradasi yang ada pada citra hanya

noise saja, maka :
g ( x , y )  f ( x, y )   ( x, y )
G (u, v)  F (u, v)  N (u, v)
Filtering pada domain spatial merupakan
salah satu metode yang bisa digunakan
untuk menghilangkan noise additif.
Filter Mean
Misalkan Sxy menyatakan himpunan
koordinat dari sub citra berbentuk
segiempat berukuran m x n, yang
berpusat pada titik (x,y).
Filter mean arithmetik :
ˆf ( x, y)  1
 g ( s, t )
mn ( s ,t )S xy

Noise direduksi sebagai akibat dari

pengkaburan (blurring).
Filter Mean

Filter mean geometrik :

1
  mn
fˆ ( x, y )    g ( s, t )
 s ,t S xy 

Filter mean geometrik menghaluskan citra

sebagaimana halnya filter mean
arithmetik, tetapi filter mean geometrik
kehilangan lebih sedikit detail citra.
Filter Mean
Filter mean harmonik :
mn
fˆ ( x, y ) 
1

 
s ,t S xy g ( s, t )
Filter mean harmonik bisa menghilangkan
noise salt dengan baik, tetapi tidak untuk
noise pepper. Filter mean harmonik juga
memberikan hasil yang bagus untuk noise
yang mirip noise Gaussian.
Filter Mean
 Filter mean contraharmonic :

 g ( s ,
( s ,t )S xy
t ) Q 1

fˆ ( x, y ) 
 g ( s ,
( s ,t )S xy
t ) Q

Q disebut order filter. Jika Q bernilai positif, maka filter

akan menghilangkan noise pepper. Jika Q bernilai
negatif, maka filter akan menghilangkan noise salt.
Tetapi filter tidak bisa menghilangkan dua tipe noise
secara bersamaan. Filter contraharmonic menjadi filter
mean arithmetik jika Q=0, dan menjadi filter mean
harmonik jika Q=-1.
Filter Mean
Filter Mean
Filter Mean
Filter Order-Statistic

Filter order-statistic adalah filter spasial

yang responnya didasarkan pada
pengurutan (ranking) piksel-piksel dalam
area citra yang dilingkup oleh filter.
Respons filter pada sembarang titik
ditentukan oleh hasil pengurutan.
Filter median :
median g ( s, t )
ˆ
f ( x, y) 
( s, t )  S xy
Filter Order-Statistic
 Filter median efektif untuk menghilangkan noise
impulse bipolar dan unipolar.
 Filter max dan min :
max g (s, t ) ˆ
min g (s, t )
fˆ ( x, y)  f ( x, y ) 
( s, t )  S xy ( s, t )  S xy

 Filter Midpoint :

ˆ 1  max g ( s, t ) min g ( s, t )

f ( x, y )    
2 ( s, t )  S xy ( s, t )  S xy 
Filter Order-Statistic

Filter mean alpha-trimmed :

Misal kita menghapus tingkat keabuan
terendah ke d/2 dan tingkat keabuan
tertinggi ke d/2 dari g(s,t) dalam
neighborhood Sxy. Dan gr(s,t) menyatakan
sisa mn-d piksel. Maka :
1
fˆ ( x, y ) 
mn  d
 g ( s, t )
( s ,t )S xy
r
Filter Order-Statistic
Filter Order-Statistic
Filter Order-Statistic
Tujuan

Memberikan pemahaman kepada

mahasiswa tentang :
Filtering pada domain spasial untuk reduksi
noise dengan menggunakan filter adaptif
Filtering pada domain frekuensi untuk reduksi
noise dengan menggunakan filter bandreject,
bandpass dan notch
Estimasi fungsi degradasi
Filter Adaptif

Perilaku filter adaptif berubah berdasarkan

karakteristik statistik citra di dalam area
filter berukuran berukuran m x n. Area
tersebut dinyatakan dengan Sxy.
Filter adaptif memiliki performance yang
lebih baik dibanding filter non-adaptif,
tetapi memiliki kompleksitas yang lebih
tinggi.
Filter Adaptif
 Mean dan variance adalah parameter-parameter
yang digunakan untuk merumuskan filter adaptif,
karena nilai dari parameter tersebut berkaitan
erat dengan bentuk citra. Mean menyatakan
tingkat keabuan rata-rata pada daerah dimana
mean dihitung, dan variance menyatakan
kekontrasan rata-rata.
 Filter dioperasikan pada daerah sub citra secara
lokal, Sxy. Respons filter pada sembarang titik
(x,y) yang merupakan pusat sub citra, ditentukan
oleh empat hal, yaitu :
Filter Adaptif
1. g(x,y), nilai dari citra bernoise pada (x,y)
2.  2 , variance dari noise yang ditambahkan pada f(x,y)
sehingga membentuk g(x,y)
3. mL, mean lokal dari piksel-piksel dalam Sxy
4.  L2 , variance lokal dari piksel-piksel dalam Sxy.
 Perilaku filter adalah :
1. Jika   bernilai nol, filter seharusnya mengembalikan nilai
2

g(x,y)
Jika variance lokal lebih tinggi dari   , filter seharusnya
2
2.
mengembalikan nilai yang mendekati g(x,y).
3. Jika dua buah variance bernilai sama, filter seharusnya
mengembalikan nilai mean arithmetik dari piksel-piksel dalam
Sxy.
Filter Adaptif

Perumusan adaptif bisa ditulis sebagai

berikut :

2
ˆf ( x, y )  g ( x, y )   g ( x, y )  m 
L2 L
Filter Adaptif
Filter Median Adaptif

Filter median cukup berhasil jika

kerapatan noise impulse tidak besar (Pa
dan Pb kurang dari 0,2).
Filter median adaptif mampu meng-handle
noise impulse dengan probabilitas lebih
besar dari 0,2; dan mampu
mempertahankan detail citra dan
menghaluskan noise non-impulse.
Filter Median Adaptif
 Algoritma median adaptif bekerja dalam dua level:
 Level A :
 A1 = zmed – zmin
 A2 = zmed - zmax
 If A1>0 dan A2<0, lanjutkan ke level B
 Else tambah ukuran window
 If ukuran window <= Smax ulangi level A
 Else output zxy.
 Level B :
 B1 = zxy - zmin
 B2 = zxy - zmax
 If B1>0 dan B2<0, output zxy
 Else output zmed.
Filter Median Adaptif

 Algoritme memiliki tiga tujuan :

1. Menghilangkan noise salt dan pepper
(impulse)
2. Melakukan penghalusan (smoothing)
terhadap noise lain yang tidak impulsive
3. Mengurangi distorsi, seperti penulangan dan
penebalan boundary objek secara berlebihan.
Filter Median Adaptif
Reduksi Noise Periodik dengan filtering pada
domain frekuensi

Noise periodik biasanya muncul karena

pengaruh elektrik atau elektromekanik
pada saat pengambilan data citra.
Noise ini bersifat “dependent spatially”.
Noise periodik bisa dikurangi dengan
melakukan filtering pada domain
frekuensi.
Reduksi Noise Periodik dengan filtering pada
domain frekuensi
Filter Bandreject

Filter bandreject menghilangkan atau

menurunkan satu “band” frekuensi dari
transformasi Fourier.
Filter bandreject ideal dinyatakan dengan
rumus : 
1 if D(u, v)  D 
W
 0
2
 W W
H (u, v)  0 if D0   D(u, v)  D0 
 2 2
1 if W
D(u, v)  D0 
 2
Filter Bandreject

D(u,v) adalah jarak dari titik pusat

segiempat frekuensi. W adalah lebar
“band”. D0 adalah pusat radial.
Filter bandreject butterworth berorde n
dirumuskan :
1
H (u , v)  2n
 D(u , v)W 
1  2 2
 D (u , v)  D0 
Filter Bandreject

Filter bandreject Gaussian dirumuskan :

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

Filter bandpass melakukan operasi yang

berlawanan dengan filter bandreject .
Fungsi filter bandpass dirumuskan :

H bp (u, v)  1  H br (u, v)

Filtering menggunakan filter bandpass

berguna untuk mengembalikan (recover)
pola noise.
Filter Bandpass
Filter Notch
 Gambar 3-D dari filter notch (reject) ideal,
Butterworth, dan Gaussian filters adalah :
Filter Notch
 Pada gambar hanya diilustrasikan sepasang notch.
Sebenarnya, jumlah pasangan filter notch yang
digunakan bisa sembarang. Bentuk dari filter notch pun
sembarang.
 Fungsi filter notch reject ideal dengan jari-jari D0, pusat
pada (u0,v0), dan simetri pada (-u0,-v0), adalah :

0 if D1 (u, v)  D0orD2 (u, v)  D0

H (u, v)  
1 otherwise
Filter Notch
dengan

D1 (u, v)  u  M / 2  u0   v  N / 2  v0 
2

2 1/ 2

and

D2 (u, v)  u  M / 2  u0   v  N / 2  v0 
2

2 1/ 2

 Jika u0=v0=0, filter menjadi filter highpass ideal.

 Fungsi filter notch pass dirumuskan :

H np (u, v)  1  H nr (u, v)
Filter Notch
Filtering Notch Optimal
 Untuk citra yang terdegradasi oleh berbagai
komponen noise, kita bisa menerapkan filtering
notch optimal dengan langkah-langkah berikut :
1. Ekstrak komponen frekuensi utama dari pola noise
dengan menggunakan filter pass notch H(u,v)
berikut:
N(u,v)=H(u,v)G(u,v)
 Bentuk dari H(u,v) disusun secara interaktif dengan
mengamati bentuk dari spektrum G(u,v).
 Pola noise pada domain spasial didapatkan dengan rumus:

 ( x, y)   H (u, v)G(u, v)

1
Filtering Notch Optimal
2. Kurangkan porsi tertentu dari (x,y) dari g(x,y) untuk
mendapatkan aproksimasi terhadap f(x,y) :
fˆ ( x, y )  g ( x, y )  w( x, y ) ( x, y )
dengan
g ( x, y) ( x, y)  g ( x, y) ( x, y)
w( x, y) 
 2 ( x, y)   2 ( x, y)
w(x,y) dihitung satu titik untuk setiap neighborhood
yang tidak overlap (sebaiknya pilih titik pusat) dan
selanjutnya digunakan untuk memproses semua titik
citra yang berada di dalam neighborhood.
Filtering Notch Optimal
Filtering Notch Optimal
Filtering Notch Optimal
Filtering Notch Optimal
Degradasi Position-Invariant, Linear

Sistem degradasi spatially-invariant linier

dengan noise aditif bisa dimodelkan
sebagai berikut :
g ( x , y )  h ( x , y ) * f ( x , y )   ( x, y )

G (u, v)  H (u, v) F (u, v)  N (u, v)

Estimasi Fungsi Degradasi
 Ada 3 cara untuk mengestimasi fungsi
degradasi, yaitu :
1. Pengamatan
2. Eksperiman
3. Pemodelan matematis
 Proses restorasi citra dengan menggunakan
fungsi degradasi yang diestimasi dengan cara-
cara di atas, disebut dengan konvolusi buta
(blind convolution), karena fungsi degradasi
yang sesungguhnya jarang diketahui secara
lengkap.
Estimasi dengan Pengamatan
 Salah satu cara untuk mengestimasi fungsi degradasi
adalah dengan mendapatkan informasi dari citra
terdegradasi itu sendiri. Kita bisa melihat pada satu area
kecil dari citra terdegradasi, gs(x,y), (sebaiknya dipilih
area yang memiliki signal yang cukup kuat, yang berisi
objek dan background). Selanjutnya :
Gs (u, v)
H s (u, v) 
Fˆs (u, v)

 Berdasarkan Hs(u,v), kita bisa menyusun fungsi H(u,v)

dengan skala yang lebih besar, tetapi memiliki bentuk
yang sama.
Estimasi dengan Eksperimen

Jika alat yang mirip dengan alat yang

digunakan pada saat pengambilan data
citra terdegradasi tersedia, maka
dimungkinkan untuk mendapatkan
estimasi yang akurat terhadap fungsi
degradasi melalui eksperimen.
Referensi

Bab 5, “Image Restoration”, Digital Image

Processing, edisi 2, Rafael C. Gonzales
dan Richard E. Woods, Prentice Hall,
2002