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.