ANALISIS PENERAPAN MEKANISME PENDETEKSI IMPULSIVE NOISE PADA ADAPTIVE MINIMUM MEAN SQUARE ERROR FILTERING ANALYSIS OF IMPULSIVE NOISE DETECTION MECHANISMS ON ADAPTIVE MINIMUM
MEAN SQUARE ERROR FILTERING
I Made Werdhi Temaja¹, Adiwijawa², Tjokorda Agung Budi Wirayuda³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Suatu citra digital merupakan salah satu bentuk citra yang populer karena memiliki kemudahan dalam pengambilan, pengiriman, maupun pemrosesannya. Suatu citra digital sering mengalami kerusakan atau penurunan kualitas citra yang disebabkan oleh kondisi lingkungan yang kurang baik pada saat pengambilan sebuah citra digital seperti adanya debu. Untuk itu dibutuhkan sebuah filter noise untuk meningkatkan kualitas citra yang telah mengalami kerusakan sehingga diperoleh citra yang kualitasnya sama atau mendekati kualitas citra digital sebelum terkena noise.
Pada tugas akhir ini dibangun sebuah sistem yang menguji kombinasi pendeteksi dan filter noise dalam mengurangi noise pada sebuah citra digital. Noise yang diuji adalah impulsive noise yang membangkitkan noise dengan mengubah nilai intensitas sebuah pixel menjadi intensitas
maksimum atau intensitas minimum pada citra grayscale. Metode pendeteksian impulsive noise yang digunakan adalah Boundary Resetting Boundary Discriminative Noise Detection (BRBDND) dan Signal Dependent Rank Order Mean (SDROM). Sedangkan metode filter yang digunakan adalah Adaptive Minimum Mean Square Error Filter (Adaptive MMSE Filtering). BRBDND mendeteksi impulsive noise dengan mengelompokkan pixel yang diuji kedalam low-density cluster, middle cluster, dan high intensity cluster dimana pixel yang diuji termasuk impulsive noise apabila berada pada kelompok low-density cluster dan high intensity cluster.
Metode SDROM melakukan pendeteksian impulsive noise dengan menentukan 4 nilai ambang (threshold) yang dibandingkan dengan perbedaan nilai (sign difference) antara pixel tetangga dan pixel pusat pada matrik mask 3x3. Jika terdapat nilai sign difference yang melebihi nilai threshold, maka pixel yang diuji merupakan impulsive noise. Metode Adaptive MMSE Filtering melakukan filter dengan merata-ratakan nilai pixel tetangga dari pixel yang dikenai proses filter.
Ukuran mask yang digunakan untuk melakukan proses filter adalah 3x3, 5x5, dan 7x7 dimana dilakukan dianalisis pengaruh ukuran mask terhadap hasil filter kombinasi pendeteksi impulsive noise dengan Adaptive MMSE Filtering berdasarkan nilai parameter objektif Peak Signal to Noise Ratio (PSNR).
Kombinasi SDROM+Adaptive MMSE Filtering dan kombinasi BRBDND+Adaptive MMSE Filtering mampu melakukan kombinasi untuk meningkatkan kualitas citra yang terkena impulsive noise dimana kombinasi BRBDND+Adaptive MMSE Filtering mampu meningkatkan nilai PSNR citra ternoise hingga mencapai selisih rata-rata sebesar 10.3658 dB. Sedangkan pada kombinasi SDROM+Adaptive MMSE Filtering mampu meningkatkan nilai PSNR citra ter-noise hingga mencapai selisih rata-rata sebesar 8.4209 dB.
Kata Kunci : Adaptive MMSE Filtering, Boundary Resetting Boundary
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
Abstract
A digital imagery is a form of popular imagery for having ease in collecting, sending, and processing. A digital image are often damaged or image quality degradation caused by
unfavorable environmental conditions at the time of making a digital image such as the presence of dust. That requires a noise filter to improve the quality of image that has been damaged, so the image quality will be obtained the same or close to the quality of the digital image before affected by noise.
In this final task will be built a system that test the combination of detector and noise filter to reduce noise in a digital image. Noise to be tested is impulsive noise which generate noise by changing the intensity of a pixel value becomes the maximum intensity or minimum intensity in grayscale image. Impulsive noise detection method used was Boundary Resetting Boundary Discriminative Noise Detection (BRBDND) and Signal Dependent Rank Order Mean (SDROM).
While the filter method to be used is the Adaptive MMSE Filtering (Adaptive MMSE Filtering).
Boundary Resetting Boundary Discriminative Noise Detection detected impulsive noise pixels are tested and classified into low-density cluster, middle cluster, and high-intensity cluster in where the pixel being examined including the noise if they are in the group of low-density cluster and high-intensity cluster.
Method of Signal Dependent Rank Order Mean make detection of impulsive noise by determining the fourth threshold value to be compared with the sign difference between neighboring pixels and the central pixel in the matrix mask of 3x3. If there is a signed difference value that exceeds the threshold value, then the tested pixel is noise. Method of Adaptive MMSE Filtering make the filter with uniformly averaged pixel values of neighboring pixels to be subjected to filter process.
Size mask that was used to filter process is a 3x3, 5x5, and 7x7 which will analyze the influence of mask size on the result of a combination of detector noise filter with the Adaptive MMSE Filtering based on an objective parameter value of Peak Signal to Noise Ratio (PSNR).
The combination of SDROM+Adaptive MMSE Filtering and combination of BRBDND+Adaptive MMSE Filtering able to combine to increase the image quality is affected by impulsive noise, where the combination BRBDND+Adaptive MMSE Filtering can improve image PSNR value was noise until it reaches an average difference of 10.3658 dB. While the combination
SDROM+Adaptive MMSE Filtering can improve image PSNR value was noise until it reaches an average difference of 8.4209 dB.
Keywords : Adaptive MMSE Filtering, Boundary Resetting Boundary
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Citra digital saat ini semakin diminati karena kemudahan dalam pengolahan, pengiriman, dan pemrosesannya. Hal ini menyebabkan banyak yang mulai beralih dari citra analog ke citra digital. Dalam perkembangannya citra digital tidak terlepas dari masalah, yaitu adanya noise pada citra yang muncul pada saat pengambilan dan pengiriman citra. Hal ini tentunya mempengaruhi kualitas dari citra, sehingga tujuan dari pemanfaatan citra menjadi kurang maksimal. Untuk mengatasi masalah tersebut, maka digunakan suatu teknik noise detection dan noise filtering untuk mengurangi noise pada citra digital.
Noise filtering merupakan bagian dari image enhancement yang bertujuan untuk memperbaiki kualitas citra dengan memanipulasi parameter-parameter citra [6]. Terdapat beragam jenis noise filter yang digunakan untuk berbagai jenis noise. Dalam melakukan pengurangan noise, maka perlu dipilih suatu algoritma pengurangan noise yang hanya berpengaruh pada pixel yang mengalami noise.
Beberapa algoritma yang ada hanya menggunakan teknik noise filtering tanpa melakukan noise detection terlebih dahulu dalam melakukan pereduksian noise sehingga pixel yang tidak terkena noise ikut diproses.
Pada tugas akhir ini dilakukan analisis perbandingan hasil pereduksian noise antara metode noise filter tanpa noise detection, dengan noise filter yang dikombinasikan dengan noise detection. Jenis noise yang diujikan pada tugas akhir ini adalah Impulsive Noise. Metode pendeteksian impulsive noise yang digunakan adalah Signal Dependent Rank Order Mean (SDROM) dan Boundary Resetting Boundary Discriminative Noise Detection (BRBDND), sedangkan metode pengurangan impulsive noise yang digunakan adalah Adaptive Minimum Mean Square Error Filtering (Adaptive MMSE Filtering). Mekanisme pendeteksian dengan SDROM yaitu dengan mencari nilai dari perbedaan tanda antara pixel pusat jendela dengan nilai tetangganya yang telah diurutkan membesar [5]. BRBDND tetap dapat melakukan pendeteksian meskipun tingkat kepadatan noise cukup tinggi [4].
Adaptive MMSE Filtering melakukan pereduksian impulsive noise dengan mencari nilai rata-rata dari suatu pixel dengan menggunakan nilai dari masing- masing pixel tetangganya [10]. Parameter performansi akurasi pendeteksian impulsive noise yang digunakan adalah dengan membandingkan jumlah pixel ter- noise dengan jumlah pixel ter-noise seharusnya. Sedangkan parameter objektif performansi reduksi noise yang digunakan adalah PSNR (Peak Signal-to-Noise Ratio). PSNR merupakan parameter standar dalam perhitungan nilai secara objektif kualitas citra yang diuji dan perbandingan antara sinyal puncak terhadap noise. Semakin besar nilai PSNR, maka semakin baik kualitas citra hasil filter [1]. Adaptive MMSE Filtering melakukan filter sesuai dengan peta matrik biner yang merupakan output dari proses deteksi impulsive noise yang dilakukan oleh SDROM dan BRBDND. Nilai 1 pada peta matrik biner merupakan pixel ter-noise dan nilai 0 pada peta matrik biner bukan merupakan pixel ter-noise.
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
1.2 Perumusan Masalah
Pada tugas akhir ini dirumuskan berbagai masalah diantaranya:
a. Bagaimana mengimplementasikan SDROM dan BRBDND sebagai pendeteksi impulsive noise serta Adaptive MMSE Filtering sebagai pereduksi impulsive noise pada citra digital.
b. Bagaimana pengaruh tiap pendeteksi impulsive noise yang dikombinasikan dengan Adaptive MMSE Filtering dalam pereduksian impulsive noise pada citra digital berdasarkan nilai PSNR
Untuk menghindari meluasnya materi pembahasan tugas akhir ini, maka penulis membatasi permasalahan dalam tugas akhir ini mencakup hal-hal berikut:
a. Ukuran citra yang diuji adalah 256×256 pixel.
b. Format citra yang dipakai untuk pengujian adalah bitmap 8 bit.
c. Perangkat lunak hanya menerima file imputan berupa citra grayscale.
d. Performansi yang ditinjau berdasarkan kualitas dari citra hasil filtering dengan mencari nilai PSNR.
e. Implementasi dibuat dengan menggunakan Matlab versi R2007(7.4).
1.3 Tujuan
Tujuan yang ingin dicapai pada tugas akhir ini adalah :
a. Mengimplementasikan pendeteksi impulsive noise dengan menggunakan BRBDND dan SDROM yang dikombinasikan dengan Adaptive MMSE Filtering sebagai noise filter pada citra grayscale.
b. Menganalisis pengaruh nilai threshold terhadap akurasi pendeteksian impulsive noise oleh SDROM berdasarkan perbandingan antara total pixel ter-noise dengan pixel ter-noise seharusnya.
c. Menganalisis perbandingan kombinasi SDROM+Adaptive MMSE Filtering, BRBDND+Adaptive MMSE Filtering, dan Adaptive MMSE Filtering tanpa pendeteksi impulsive noise dalam mengurangi kerusakan citra akibat impulsive noise berdasarkan nilai PSNR.
d. Menganalisis pengaruh ukuran kernel terhadap kualitas filter impulsive noise oleh Adaptive MMSE Filtering berdasarkan nilai PSNR.
1.4 Metodologi Penyelesaian Masalah
Metodologi penyelesaian masalah yang digunakan adalah : a. Study Literatur
Tahapan ini bertujuan untuk mengumpulkan bahan, data, dan
literatur untuk menunjang pemahaman mengenai BRBDND dan
SDROM sebagai pendeteksi impulsive noise dan Adaptive MMSE
Filtering sebagai filter impulsive noise.
3
b. Analisis dan Desain
Tahap ini meliputi analisis pengaruh pendeteksian BRBDND dan SDROM terhadap Adaptive MMSE Filtering dalam mengurangi impulsive noise pada citra digital. Desain perancangan dibuat dalam bentuk Diagram Blok dan Flow Chart dimana BRBDND, SDROM, dan Adaptive MMSE Filtering memiliki desain perancangan masing-masing.
c Implementasi Sistem
Berdasarkan tahapan yang dilakukan sebelumnya, maka dilakukan implementasi dari analisis yang telah dilakukan dengan menggunakan Matlab versi R2007(7.4).
d. Pengujian dan Analisis Hasil
Pada tahap ini dilakukan pengujian terhadap implementasi yang telah dibuat dan dilakukan pula analisis terhadap output pengujian. Analisis dilakukan dengan melakukan pengujian terhadap hasil reduksi citra ter-noise dengan metode Adaptive MMSE Filtering dengan melakukan pendeteksian impulsive noise terlebih dahulu menggunakan metode SDROM dan BRBDND.
Hasil pendeteksian dua metode deteksi impulsive noise tersebut kemudian dikombinasikan secara terpisah dengan proses filtering.
Hasil filtering dua kombinasi tersebut kemudian dibandingkan.
e. Pembuatan Laporan
Pada tahap ini dilakukan pembuatan laporan dan membuat kesimpulan dari hasil penelitian yang telah dilakukan.
1.5 Sistematika Penulisan
Tugas Akhir ini terdiri beberapa bagian yaitu:
BAB I PENDAHULUAN
Berisi latar belakang, perumusan masalah, batasan masalah, tujuan pembahasan, metodologi penyelesaian masalah dan sistematika penulisan.
BAB II LANDASAN TEORI
Berisi penjelasan singkat mengenai konsep-konsep yang mendukung dikembangkannya sistem ini. Konsep yang digunakan untuk mendukung sistem ini adalah BRBDND dan SDROM sebagai pendeteksi impulsive noise dan Adaptive MMSE Filtering sebagai
filter impulsive noise.Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
BAB III ANALISIS DAN PERANCANGAN SISTEM
Berisi rincian mengenai perancanggan sistem serta implementasi sistem yang dibuat.
BAB IV PENGUJIAN DAN ANALISIS SISTEM
Berisi rincian mengenai pengujian yang dilakukan terhadap sistem yang dikembangkan, disertai analisis terhadap hasil pengujian.
BAB V KESIMPULAN DAN SARAN
Berisi kesimpulan yang diambil berkaitan dengan sistem yang dikembangkan, serta saran-saran untuk pengembangan lebih lanjut.
36
BAB V PENUTUP
5.1 Kesimpulan
Berdasarkan analisis terhadap penerapan pendeteksian impulsive noise pada Adaptive MMSE Filtering, maka kami dapat memberikan kesimpulan sebagai berikut:
1. Semakin besar nilai threshold yang diinputkan maka semakin kecil akurasi pendeteksian SDROM terhadap impulsive noise pada semua kelompok citra berdasarkan perbandingan antara total pixel ter-noise dengan pixel ter-noise seharusnya.
2. Akurasi pendeteksian impulsive noise BRBDND lebih baik daripada pendeteksian SDROM berdasarkan perbandingan antara total pixel ter- noise dengan pixel ter-noise seharusnya.
3. Kombinasi SDROM+Adaptive MMSE Filtering lebih optimal dalam mengurangi impulsive noise saat probabilitas impulsive noise 0.01 dan 0.1 dibandingkan dengan kombinasi BRBDND+Adaptive MMSE Filtering.
Hal ini Karena pada probabilitas impulsive noise 0.01 dan 0.1 kombinasi SDROM+Adaptive MMSE Filtering menghasilkan perbedaan antara pixel noise terdeteksi dengan pixel ter-noise seharusnya yang lebih kecil dibandingkan dengan perbedaan antara pixel noise terdeteksi dengan pixel ter-noise seharusnya pada kombinasi BRBDND+Adaptive MMSE Filtering.
4. Kombinasi BRBDND+Adaptive MMSE Filtering lebih optimal ketika mengurangi impulsive noise pada saat probabilitas impulsive noise tinggi (0.3 dan 0.5) dibandingkan dengan kombinasi SDROM+Adaptive MMSE Filtering. Hal ini karena saat probabilitas impulsive noise 0.3 dan 0.5 pendeteksian BRBDND memiliki perbedaan antara pixel noise terdeteksi dengan pixel ter-noise seharusnya dan perbedaan total pixel ter-noise dengan pixel ter-noise seharusnya yang lebih kecil dibandingkan dengan perbedaan antara pixel noise terdeteksi dengan pixel ter-noise seharusnya dan perbedaan total pixel ter-niose dengan pixel ter-noise seharusnya pada pendeteksian SDROM
5. Ukuran kernel yang semakin besar menghasilkan nilai PSNR yang semakin baik, namun waktu pemrosesan yang dibutuhkan akan semakin lama. Hal in dikarenakan dengan semakin besarnya ukuran kernel, maka akan semakin banyak pixel yang akan digunakan pada proses estimasi rata-rata proses filter sehingga waktu pemrosesan akan semakin lama.
Ukuran kernel 3x3 mampu mencapai waktu pemrosesan selama 2.7335 detik, ukuran kernel 5x5 mampu mencapai waktu pemrosesan selama 2.7759 detik, dan ukuran kernel 7x7 mampu mencapai waktu pemrosesan selama 2.8029 detik.
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
6. Kombinasi SDROM+Adaptive MMSE Filtering dan kombinasi BRBDND+Adaptive MMSE Filtering dapat dikatakan berhasil melakukan kombinasi untuk meningkatkan kualitas citra yang terkena impulsive noise dimana kombinasi BRBDND+Adaptive MMSE Filtering mampu meningkatkan nilai PSNR citra ter-noise hingga mencapai selisih rata-rata sebesar 10.3658 dB. Sedangkan pada kombinasi SDROM+Adaptive MMSE Filtering mampu meningkatkan nilai PSNR citra ter-noise hingga mencapai selisih rata-rata sebesar 8.4209 dB.
7. Kombinasi BRBDND+Adaptive MMSE Filtering dan kombinasi SDROM+Adaptive MMSE Filtering memiliki hasil filter yang lebih baik dibandingkan dengan Adaptive MMSE Filtering tanpa pendeteksi impulsive noise.
8. Kombinasi BRBDND+Adaptive MMSE Filtering lebih baik dari pada kombinasi SDROM+Adaptive MMSE Filtering berdasarkan selisih rata- rata tertinggi kenaikan nilai PSNR citra ter-noise.
5.2 Saran
Pendeteksian Signal Dependent Rank Order Mean dan Boundary Resetting
Boundary Discriminative Noise Detection berpotensi untuk dikombinasikan
dengan metode filter lain sehingga diperoleh nilai performansi yang lebih baik
pada hasil filter citra yang terkena impulsive noise.
38
DAFTAR PUSTAKA
[1] Alfatwa, Dean Fathony.2009.Watermarking Pada Citra Digital Menggunakan Discrete Wavelet Transform. Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung.
[2] Arya Mahendra Putra, Adi Wijaya,ST,MSi, ,Tjokorda Agung Budi W,ST,MT.2008. Pengurangan Noise pada Citra Digital menggunakan Adaptive MMSE Filtering. Bandung.Intitut Teknologi Telkom.
[3] Bagus Stiawan Adhi , Adi Wijaya,ST,MSi , Tjokorda Agung Budi W,ST,MT.2009. Kombinasi Signal Dependent Rank Order Mean dan Iterative Self Adaptive Algorithms Untuk Mengurangi Impulse Noise Pada Citra Berwarna. Bandung. Institut Teknologi Telkom.
[4] Cheng-Hsiung Hsieh, Po-Chin Huang, and Sheng-Yung Hung.2009.Noisy Image Restoration Based on Boundary Resetting BDND and Median Filtering with Smallest Window.Department of Computer Science and Information Engineering Chaoyang University of Technology 168 Jifong E.
Rd., Wufong, Taiwan 41349.
[5] Michael S. Moore, Sanjit K. Mitra.1999.Statistical Threshold Design for The Two-State Signal-Dependent Rank Order Mean Filter. Department of Electrical and Computer Engineering University of California, Santa Barbara Santa Barbara, CA 93106 USA.
[6] Muntina D, Eddy, ST, MT. 2005. Pengantar Pengolahan Citra Digital.Slide Mata Kuliah Grafika dan Citra STT Telkom. Bandung. STT Telkom.
[7] Muntina D, Eddy, ST, MT.2006.Pembentukan Citra Digital, Format BMP,
Halftoning&Dithering.ppt. Slide Mata Kuliah Grafika dan Citra. Bandung.STT Telkom.
[8] Pei-Eng Ng, Kai-Kuang Ma.2008.A Switching Median Filter with Boundary Discriminative Noise Detection for Extremely Corrupted Images.IEEE Transactions on Image Processing, Vol. 15,No. 6, June 2006, pp. 1506- 1516.
[9] Pratt K, William.2007.Digital Image Processing Forth Edition. PixelSoft,
Inc.Los Altos, California.[10]
Qureshi, Shehrzad.2005.Embedded Image Processing on the TMS320C6000™ DSP. Labcyte Inc., Palo Alto, CA USA.
[11] Wijaya, Marvin Ch dan Prijono, Agus.2007.Pengolahan Citra Digital Menggunakan Matlab.Bandung.Informatika.
Powered by TCPDF (www.tcpdf.org)
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
