Upload
phamkiet
View
233
Download
1
Embed Size (px)
Citation preview
Tugas Kelompok
Pengolahan Citra Digital
“Filter Robert &Adaptive Median Filter”
Disusun Oleh :
Kelompok 6 PTIK C
Alim Hakim Mahmud 102904027
Juradin 102904046
Yeyen Fresanita 102904104
Nur Indah Sari 102904139
PROGRAM STUDI PENDIDIKAN TEKNIK INFORMATIKA & KOMPUTER
JURUSAN PENDIDIKAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI MAKASSAR
2012
PENDAHULUAN
Saat ini kebutuhan akan ilmu pengetahuan semakin meningkat,
demikian pula dengan alat-alat yang diperlukan untuk menganalisa segala hal.
Contohnya adalah kebutuhan di dalam bidang kedokteran, penginderaan jarak
jauh, meteorology dan fisika, robotika,dan lain-lain.Bidang-bidang tersebut
membutuhkan alat/kamera yang biasa digunakan untuk merekam keadaan
yang diperlukan untuk kebutuhan analisis sehiongga memungkinkan peneliti
mendapatkan informasi yang diperlukan. Output alat-alat ini biasanya berupa
citra. Citra inilah yang nantinya akan dianalisis untuk mendapatkan informasi
yang berguna.Namun sayangnya, kebanyakan citra belum sesuai dengan hasil
yang diharapkan . Hal ini dapat terjadi karean beberapa kemungkinan,
misalnya adanya noise, adanya kabut yang menghalangi objek yang sedang di-
capture. Lensa kamera kotor dan lain-lain. Oleh sebab itu, proses pengolahan
citra sangat diperlukan. Disiplin ilmu yang melahirkan teknik-teknik untuk
mengolah citra dinamakan Pengolahan Citra Digital ( Digital Image Processing).
Nah oleh karena itu pada makalah ini kami akan menyajikan pemaparan tentang
pengaplikasian pengolahan citra digital didalam dunia fotografy yaitu tentang
bagaimana memperbaiki citra, bagaimana mengurangi kebisingan, bagaimana
untuk memberikan efek pada suatu citra, dll.
PEMBAHASAN
Filter Robert
Prinsip-Prinsip Deteksi Tepi
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang
menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah :
• Untuk menandai bagian yang menjadi detail citra
• Untuk memperbaiki detail dari citra yang kabur, yang terjadi
karena error atau adanya efek dari proses akuisisi citra
Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik
tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 8.1
berikut ini meng-gambarkan bagaimana tepi suatu gambar diperoleh.
Perhatikan hasil deteksi dari beberapa citra menggunakan model differensial
di atas.
Pada gambar 8.2. terlihat bahwa hasil deteksi tepi berupa tepi-tepi dari
suatu gambar. Bila diperhatikan bahwa tepi suatu gambar terletak pada titik-
titik yang memiliki perbedaan tinggi.
Metode yang banyak digunakan untuk proses deteksi tepi adalah
metode Robert, Prewitt dan Sobel. Namun yang akan dibahas pada makalah
ini adalah metode Robert.
Metode Robert
Metode Robert adalah nama lain dari teknik differensial yang
dikembangkan di atas, yaitu differensial pada arah horisontal dan differensial
pada arah vertikal, dengan ditambahkan proses konversi biner setelah
dilakukan differensial. Teknik konversi biner yang disarankan adalah konversi
biner dengan meratakan distribusi warna hitam dan putih, seperti telah
dibahas pada bab 3. Metode Robert ini juga disamakan dengan teknik DPCM
(Differential Pulse Code Modulation). Operator Robert Cross merupakan salah
satu operator yang menggunakan jendela matrik 2x2, operator ini melakukan
perhitungan dengan mengambil arah diagonal untuk melakukan perhitungan
nilai gradiennya.
Kernel filter yang digunakan dalam metode Robert ini adalah:
Atau
Sebenarnya operator sedehana ini hanya memeriksa sebuah piksel
tambahan pada satu arah gradient tetapi karena yang diperiksa adalah piksel
dalam arah diagonal, maka secara keseluruhan piksel-piksel yang terlibat
membentuk jendela matrik 2x2. Bentuk jendela yang demikian lebih
menekankan pemeriksaan pada kedua arah diagonal, dari pada arah
horizontal atau arah vertikal, sehingga perbedaan yang terletak pada sisi-sisi
miring objek akan terdeteksi dengan lebih baik. Untuk nilai Gx dan nilai GY
dapat dikombinasikan untuk mencari nilai mutlak gradient
pada suatu titik dengan persamaan sebagai berikut:
Perhatikan contoh berikut ini :
Berikut ini hasil perhitungannya :
Adaptive Median Filtering
Operasi dasar pengolahan citra digital
Untuk memahami apa median filtering adaptif adalah semua tentang,
orang perlupertama untuk memahami apa filter median dan apa yang
dilakukannya. Dalamberbagai macam pengolahan gambar digital, operasi
dasar adalah sebagai berikut: pada setiap pixel dalam sebuah gambar digital
kita menempatkansebuah lingkungan di sekitar titik tersebut, menganalisis
nilai-nilai semua pikseldi lingkungan menurut beberapa algoritma, dan
kemudian mengganti pixel aslidengan nilai yang didasarkan pada analisis yang
dilakukan pada piksel di lingkungan. Lingkungan kemudian bergerak berturut-
turut atas setiap pixel dalamgambar, mengulangi proses.
Apa filter median dan apa yang dilakukannya?
Median filtering berikut ini resep dasar. The median filter biasanya
digunakan untuk mengurangi kebisingan dalam foto, agak seperti filter
berarti. Namun, sering melakukan pekerjaan yang lebih baik dari filter rata-rata
melestarikan rinci berguna dalam gambar. Kelas ini filter termasuk kelas tepi
melestarikan smoothing filter yang non-linear filter. Ini berarti bahwa untuk
dua gambar A (x) dan B (x):
Filter ini menghaluskan data sekaligus mempertahankan detail kecil
dan tajam. Median adalah hanya nilai tengah dari semua nilai dari pixel di
lingkungan. Catatan bahwa ini adalah tidak sama dengan rata-rata (atau
rerata), melainkan rata-rata memiliki setengah nilai-nilai di lingkungan yang
lebih besar dan lebih kecil setengah. Median adalah "indikator sentral" lebih
kuat dari rata-rata. Secara khusus, rata-rata sangat sulit dipengaruhi oleh
sejumlah kecil nilai discrepant antara piksel di lingkungan. Akibatnya, median
filtering sangat efektif menghilangkan berbagai macam kebisingan. Gambar 1
menggambarkan contoh dari median filtering.
Figure 1
Seperti filter rata-rata, filter median menganggap setiap pixel dalam
gambar pada gilirannya dan melihat tetangga terdekat untuk memutuskan
apakah atau tidak itumerupakan perwakilan dari lingkungan sekitarnya. Alih-
alih hanya mengganti nilaipixel dengan rata-rata dari nilai pixel tetangga, ia
menggantikan dengan median dari nilai-nilai. Median dihitung dengan terlebih
dahulu menyortir semua nilai pixel dari lingkungan sekitar ke dalam urutan
numerik dan kemudian mengganti pikselyang dipertimbangkan dengan nilai
pixel tengah. (Jika lingkungan dalam pertimbangan berisi bahkan jumlah
piksel, rata-rata dari dua nilai pixel tengahdigunakan.) Gambar 2
mengilustrasikan sebuah contoh perhitungan.
Gambar 2 Menghitung nilai median lingkungan pixel. Seperti dapat
dilihat, nilai pixel pusat 150 agak tidak representatif dari pixel di sekitarnya dan
diganti dengan nilai tengah: 124. Sebuah lingkungan 3 × 3 persegi digunakan di
sini --- lingkungan yang lebih besar akan menghasilkan smoothing yang lebih
parah.
Apakah kebisingan?
Kebisingan adalah sinyal yang tidak diinginkan. Kebisingan di mana-
mana dan dengan demikian kita harus belajar untuk hidup dengan itu.
Kebisingan akan diperkenalkan ke dalam data melalui sistem listrik yang
digunakan untuk penyimpanan, transmisi dan / atau pengolahan. Selain itu,
alam akan selalu memainkan "berisik" trik atau dua dengan data di bawah
pengamatan. Ketika menghadapi gambar rusak dengan kebisingan Anda akan
ingin memperbaiki penampilan untuk aplikasi tertentu. Teknik-teknik yang
digunakan adalah aplikasi berorientasi. Selain itu, prosedur yang berbeda
terkait dengan tipe kebisingan diperkenalkan ke foto tersebut. Beberapa
contoh kebisingan adalah: Gaussian atau Putih, Rayleigh, shot atau Impulse,
periodik, sinusoidal atau koheren, tidak berkorelasi, dan granular.
Kebisingan Model
Kebisingan dapat dicirikan oleh nya:
Probabilitas fungsi kepadatan (pdf): Gaussian, seragam, Hahahaha, dll
Spasial sifat: korelasi
Frekuensi sifat: kebisingan vs putih merah muda kebisingan
Figure 3 Original Image
Gambar 4 Gambar dan histogram yang dihasilkan dari penambahan noise
Gaussian, Rayleigh dan Gamma ke gambar asli.
Gambar 4 (lanjutan) Gambar dan histogram yang dihasilkan dari penambahan
kebisingan Eksponensial, Uniform dan Salt & Pepper gambar asli.
Perbandingan antara median filter dan filter rata-rata
Kadang-kadang kita bingung oleh filter median filter dan rata, sehingga
mari kita lakukan perbandingan beberapa di antara mereka. Filter median
adalah alat non-linear, sedangkan filter rata-rata adalah satu linier. Dalam
halus, daerah seragam dari gambar, median dan rata-rata akan berbeda
dengan yang sangat sedikit. Filter median menghilangkan kebisingan,
sedangkan filter rata-rata hanya menyebar di sekitar merata. Kinerja median
filter sangat baik untuk menghilangkan impulse noise dari saringan rata-rata.
Seperti Gambar 5 di bawah ini merupakan gambar asli dan gambar
yang sama setelah itu telah rusak oleh impulse noise sebesar 10%. Ini berarti
bahwa 10% dari pixel nya digantikan oleh piksel putih penuh. Juga ditampilkan
adalah hasil penyaringan rata-rata menggunakan windows 3x3 dan 5x5; tiga
(3) iterasi dari filter median 3x3 diterapkan pada gambar berisik, dan akhirnya
untuk perbandingan, hasil ketika menerapkan 5x5 berarti filter untuk gambar
bising.
a)Original image; b)Added Impulse Noisy at 10%
a)3x3 Median Filtered; b)5x5 Median Filtered
Perbandingan filter non-linear Median filter dan mean linier.
a)3x3 Median Filtered applied 3 times; b)5x5 Average Filter
Figure 5
Kerugian dari filter median
Meskipun median filter adalah non-linear berguna gambar smoothing
dan teknik perangkat tambahan. Ia juga memiliki beberapa kelemahan. The
median filter menghilangkan noise dan detail halus karena tidak bisa
membedakan antara keduanya. Apa pun relatif kecil dalam ukuran
dibandingkan dengan ukuran dari lingkungan akan memiliki minimal
mempengaruhi pada nilai median, dan akan disaring. Dengan kata lain, filter
median tidak dapat membedakan detail halus dari kebisingan.
Adaptive Median Filtering
Oleh karena itu median filtering adaptif telah diterapkan secara luas
sebagai metode canggih dibandingkan dengan median filtering standar. Filter
Median Adaptive melakukan pengolahan spasial untuk menentukan piksel
dalam gambar telah dipengaruhi oleh impulse noise. Filter Median Adaptive
mengklasifikasikan pixel sebagai kebisingan dengan membandingkan setiap
pixel pada gambar untuk piksel sekitarnya tetangga. Ukuran lingkungan itu
dapat disesuaikan, serta ambang batas untuk perbandingan. Sebuah pixel
yang berbeda dari mayoritas negara tetangga, serta yang tidak struktural
sejalan dengan yang pixel yang mirip, diberi label sebagai impulse noise. Ini
piksel kebisingan tersebut kemudian digantikan oleh nilai pixel median dari
piksel di lingkungan yang telah lulus tes pelabelan kebisingan.
Tujuan
1). Menghilangkan noise impuls
2). Smoothing dari kebisingan lainnya
3). Mengurangi distorsi, seperti penipisan berlebihan atau penebalan batas-
batas obyek
Cara kerjanya?
● Adaptive median filter yang perubahan ukuran Sxy (ukuran dari lingkungan)
selama operasi.
● Notasi
Zmin = nilai minimum tingkat abu-abu di Sxy
Zmax = nilai maksimum tingkat keabuan dalam Sxy
Zmed = rata-rata tingkat abu-abu di Sxy
Zxy level = abu-abu pada koordinat (x, y)
Smax size = diperbolehkan maksimum Sxy
● Algoritma
A Level: A1 = Zmed - Zmin
A2 = Zmed - Zmax
jika A1> 0 DAN A2 <0, pergi ke level B
lain meningkatkan ukuran jendela
jika jendela ukuran <Smax, ulangi tingkat A
lain keluaran Zxy
Level B: B1 = Zxy - Zmin
B2 = Zxy - Zmax
jika B1> 0 DAN B2 <0, Zxy keluaran
keluaran lain Zmed
● Penjelasan
Level: JIKA Zmin <Zmed <Zmax, maka
• Zmed tidak impuls
(1) pergi ke B tingkat untuk menguji apakah Zxy adalah dorongan
hati ...
ELSE
• Zmed adalah dorongan
(1) ukuran jendela meningkat dan
(2) tingkat A diulang sampai ...
(a) Zmed tidak dorongan dan pergi ke level B atau
(b) Smax tercapai: output Zxy
Level B: JIKA Zmin <Zxy <Zmax, maka
• Zxy tidak impuls
(1) output Zxy (distorsi dikurangi)
ELSE
• baik Zxy = Zmin atau Zxy = Zmax
(2) output Zmed (median filter standar)
• Zmed bukanlah impuls (dari tingkat A)
Keuntungan
Filter median standar tidak melakukan dengan baik ketika impulse noise
adalah
a. Lebih besar dari 0,2, sedangkan median filter adaptif yang lebih baik
dapat menangani suara.
b. The median filter adaptif mempertahankan detail dan halus non-impulsif
kebisingan, sedangkan median filter standar tidak.
Lihat contoh bentuk a) d) dalam gambar 6.
a) Gambar rusak oleh impuls noise b) Hasil aritmatika berarti filtering;
dengan probabilitas 0,1;
c) Hasil median adaptif penyaringan d) Hasil rata-rata standar
penyaringan
Figure 6
KESIMPULAN
Metode Robert adalah nama lain dari teknik differensial yang
dikembangkan di atas, yaitu differensial pada arah horisontal dan
differensial pada arah vertikal, dengan ditambahkan proses
konversi biner setelah dilakukan differensial. Teknik konversi biner
yang disarankan adalah konversi biner dengan meratakan distribusi
warna hitam dan putih, seperti telah dibahas pada bab 3. Metode
Robert ini juga disamakan dengan teknik DPCM (Differential Pulse
Code Modulation). Operator Robert Cross merupakan salah satu
operator yang menggunakan jendela matrik 2x2, operator ini
melakukan perhitungan dengan mengambil arah diagonal untuk
melakukan perhitungan nilai gradiennya.
Kernel filter yang digunakan dalam metode Robert ini adalah:
Filter median berkinerja baik selama kepadatan spasial dari impulse
noise tidak besar. Namun median filtering adaptif dapat menangani
impulse noise dengan probabilitas lebih besar dari ini. Keuntungan
tambahan dari filter median adaptif adalah bahwa ia berusaha
untuk melestarikan rinci sementara menghaluskan suara
nonimpulse. Mengingat tingginya tingkat kebisingan, algoritma
adaptif dilakukan dengan cukup baik. Pemilihan ukuran jendela
maksimum yang diizinkan tergantung pada aplikasi, tetapi nilai awal
yang wajar dapat diperkirakan dengan melakukan percobaan
dengan berbagai ukuran dari filter median standar pertama. Hal ini
akan membangun dasar visual yang mengenai harapan pada kinerja
dari algoritma adaptif.
REFERENCES
Filter Robert
1. Rafael C. Gonzalez and Richard E. Woods, “Digital Image Processing”, Addison-Wesley Publishing, 2002
2. Ioannis Pitas, “Digital Image Processing Algorithms”, Prentice-Hall International, 1993
3. Rinaldi Munir, “Pengolahan Citra Digital dengan Pendekatan Algoritmik”, Informatika Bandung, 2004
4. Balza Achmad, Kartika Firdausy, “Teknik Pengolahan Citra Digital Menggunakan Delphi”, Ardi Publishing, 2005
5. Agustinus Nalwan, “Pengolahan Gambar Secara Digital”, Elex Media Komputindo, 1997
6. Achmad Basuki, Jozua F. Palandi, Fatchurrochman, “Pengolahan Citra Digital Menggunakan Visual Basic”, Graha Ilmu, 2005
7. Edy Mulyanto, “Catatan Kuliah Pengolahan Citra”, Teknik Informatika Udinus, 2007
Adaptive Median Filter
1. Rafael C. Gonzalez and Richard E. Woods Digital Image Processing, 2001, pp.220 – 243.
2. R. Boyle and R. Thomas Computer Vision: A First Course, Blackwell Scientific Publications, 1988, pp. 32 - 34.
3. E. Davies Machine Vision: Theory, Algorithms and Practicalities, Academic Press, 1990, Chap. 3.
4. A. Marion An Introduction to Image Processing, Chapman and Hall, 1991, pp. 274.
5. D. Vernon Machine Vision, Prentice-Hall, 1991, Chap. 4. 6. J. Chen, A. K. Jain, "A Structural Approach to Identify Defects on Textural
Images", Proceedings of the IEEE International Conference on Systems,
Man, and Cybernetics, pp. 29-32, Beijing, 1988.
7. H.Moro, T.Watanabe, A.Taguchi and N. Hamada, "On the adaptive
algorithm and its convergence rate improvement of 2-Dlattice filter",
1988 IEEE International Symposium on Circuits and Systems,
Proceeding vol. 1 of 3, pp. 430-434. 8. R.Meylani, S.Sezen, A. Ertüzün, Y. Istefanopulos, "LMS and Gradient
Based Adaptation Algorithms for the Eight-Parameter Two-Dimensional
Lattice Filter", Proceedings of the European Conference on Circuit
Theory and Design, pp.741-744, 1995.