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 dicapture. 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 titiktitik 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 berturutturut 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. Alihalih 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.)
mengilustrasikan sebuah contoh perhitungan.
Gambar
2
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 manamana 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 batasbatas 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
(a) Zmed tidak dorongan dan pergi ke level B atau (b) Smax tercapai: output Zxy Level B: JIKA Zmin
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 dengan probabilitas 0,1;
b) Hasil aritmatika berarti filtering;
c) Hasil median adaptif penyaringan penyaringan
Figure 6
d) Hasil rata-rata standar
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.
