IMPLEMENTASI ADAPTIVE MEDIAN FILTER SEBAGAI REDUKSI NOISE PADA CITRA DIGITAL

(1)

IMPLEMENTASI ADAPTIVE MEDIAN FILTER SEBAGAI

REDUKSI NOISE PADA CITRA DIGITAL

Eva Listiyani1)

1) S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya

Abstract: When an image captured by a camera or image that has been stored in a long

time, often can not be directly used as desired because the quality has not met the standard for processing needs. For example, the image is accompanied by a lack of uniform intensity variations due to uneven lighting, or lacking in contrast so it is difficult to separate the object from its background via binerisasi surgery because too much noise (interference or distortion in the image), and others. In general it can be said that the image quality is so low, either because of the noise, as well as by other causes such as high intensity variations from the same area, or because of weak intensity difference of two or more different areas. The image quality such as these require corrective measures or quality needs to be improved to facilitate the processing to be performed. Adaptive median filter is a filter that is best used for image enhancement, because it can handle a greater probability than the standard median filter, and can also maintain the details of each image as well as to smooth the noise.

Key Words : Image Filtering, Adaptive Median Filter, Image Processing Ketika sebuah citra ditangkap oleh

kamera atau citra yang telah disimpan dalam waktu cukup lama, seringkali tidak dapat langsung digunakan sebaigaimana yang diinginkan karena kualitasnya belum memenuhi standar untuk kebutuhan pengolahan (Ahmad, Usman, 2005). Misalnya saja citra disertai oleh variasi intensitas yang kurang seragam akibat pencahayaan yang tidak merata, atau lemah dalam hal kontras sehingga obyek sulit sekali untuk dipisahkan dari latar belakangnya melalui operasi binerisasi karena terlalu banyak noise (gangguan atau distorsi dalam citra), dan lain sebagainya. Secara umum dapat dikatakan bahwa citra yang demikian kualitasnya masih rendah, baik oleh karena adanya noise, maupun oleh sebab lainnya seperti tingginya variasi intensitas dari daerah yang sama, atau karena lemahnya perbedaan intensitas dari dua atau lebih daerah yang berlainan. Citra dengan kualitas seperti ini memerlukan langkah-langkah perbaikan atau kualitasnya perlu ditingkatkan untuk memfasilitasi pengolahan yang akan dilakukan.

Untuk mengatasi noise tersebut perlu dilakukan usaha untuk memperbaiki kualitas citra itu. Median filter adalah salah satu

filtering non-linear yang mengurutkan nilai

intensitas sekelompok pixel, kemudian mengganti nilai pixel yang diproses dengan nilai mediannya. Median filter telah digunakan secara luas untuk memperhalus dan mengembalikan bagian dari citra yang mengandung noise yang berbentuk bintik putih.

Kualitas citra diukur dengan dua besaran, yaitu MSE (Mean Square Error) dan PSNR (Peak Signal to Noise Ratio). MSE (Mean

Square Error) menyatakan tingkat kesalahan

kuadrat rata-rata dari codebook yang dihasilkan terhadap vektor input. Semakin kecil nilai MSE menunjukkan semakin sesuai dengan vektor input. Parameter PSNR bernilai sebaliknya, semakin besar parameter PSNR semakin bagus codebook yang dihasilkan.

(2)

LANDASAN TEORI Citra Digital

Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, Rinaldi, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai bentuk informasi visual (Murinto, dkk, 2007). Seiring dengan perkembangan teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai bidang. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik tersebut dinamakan sebagai elemen citra atau pixel (picture elemen). Dalam kamus komputer, gambar atau foto diistilahkan sebagai citra digital yang mempunyai representasi matematis berupa matriks × 𝑛 = 𝑐𝑖𝑗 .

Matriks Bitmap

Citra disimpan di dalam berkas (file) dengan format tertentu (Munir, 2004). Format citra yang baku di lingkungan sistem operasi Microsoft Windows adalah berkas

bitmap (*.bmp). Saat ini format BMP

memang “kalah” populer dibandingkan dengan format JPG atau GIF. Hal ini karena berkas BMP pada umumnya tidak dimampatkan sehingga ukuran berkasnya relatif lebih besar daripada berkas JPG maupun GIF. Hal ini juga yang menyebabkan format BMP sudah jarang digunakan.

Meskipun format BMP tidak mangkus dari segi ukuran berkas, namun format BMP mempunyai kelebihan dari segi kualitas gambar. Citra dalam format BMP lebih bagus daripada citra dalam format yang lainnya, karena citra dalam format BMP umumnya tidak dimampatkan sehingga tidak ada informasi yang hilang. Terjemahan bebas

bitmap adalah pemetaan bit. Artinya, nilai

intensitas pixel di dalam citra dipetakan disejumlah bit tertentu. Peta bit yang umum

adalah 8, artinya setiap pixel panjangnya 8 bit. Delapan bit ini merepresentasikan nilai intensitas pixel. Dengan demikian ada sebanyak 28 = 256 derajat keabuan, mulai dari 0-255.

Pixel

Pixel (Picture Elements) adalah nilai

tiap-tiap entri matriks pada bitmap. Rentang nilai-nilai pixel ini dipengaruhi oleh banyaknya warna yang dapat ditampilkan. Jika suatu bitmap dapat menampilkan 256 warna maka nilai-nilai pixel nya dibatasi dari 0-255. Suatu bitmap dianggap mempunyai ketepatan yang tinggi jika dapat menampilkan lebih banyak warna. Prinsip ini dapat dilihat dari contoh pada gambar 4 yang memberikan contoh dua buah bitmap dapat memiliki perbedaan dalam menangani transisi warna putih ke warna hitam.

Dimensi dan Resolusi

Dimensi bitmap adalah ukuran

bitmap yang dinotasikan dengan menulis

lebar x tinggii bitmap. Satuan ukur dimensi

bitmap adalah berupa satuan ukur metris

maupun pixel. Dimensi yang digunakan oleh

bitmap mewakili ordo matriks citra itu

sendiri. Model matriks untuk bitmap

dipengaruhi oleh kerapatan pixel atau resolusi. Kerapatan pixel ini digunakan

bitmap dalam mendekati kekontinyuan.

Semakin besar resolusi suatu bitmap, obyek yang ditampilkan citra tersebut semakin akurat.

Kerapatan titik-titik pada citra dinamakan resolusi, yang menunjukkan seberapa tajam gambar ini ditampilkan yang ditunjukkan dengan jumlah baris dan kolom. Resolusi merupakan ukuran kuantitas bukan kualitas. Pixel merupakan satuan ukuran terhadap jumlah area photo-receptor pada sensor gambar kamera, yang menentukan seberapa banyak data yang dapat ditangkap.

Resolusi digunakan untuk pendataan (sampling) citra dari sensor. Sensor mengubah citra dari fungsi kontinu ke fungsi diskrit sehingga semakin besar resolusi citra maka informasi yang dihasilkan akan

(3)

semakin baik, sebab data yang diperoleh menjadi lebih banyak.

Pengolahan Citra

Image processing atau pengolahan

citra adalah salah bidang dalam dunia komputer yang mulai berkembang sejak manusia memahami bahwa komputer tidak hanya mampu menangani data teks, tetapi juga data citra (Ahmad, 2005:4). Terminologi pengolahan citra dipergunakan bila hasil pengolahan data yang berupa citra, adalah juga berbentuk citra yang lain, yang mengandung atau memperkuat informasi khusus pada citra hasil pengolahan sesuai dengan tujuan pengolahannya.

Filter

Filtering merupakan suatu proses

yang mengambil sebagian sinyal frekuensi tertentu dan membuang sinyal pada frekuensi lain (Sigit, dkk ,2005). Filtering pada citra menggunakan prinsip sama, yaitu mengambil fungsi citra pada frekuensi-frekuensi tertentu dan membuang fungsi citra pada frekuensi-frekuensi lain.

Kernel Filter

Kernel atau mask memberikan petunjuk tentang apa yang harus dilakukan filter terhadap data. Pada umumnya kernel mempunyai panjang danlebar ganjil. Pola bilangan ganjil n bertujuan agar matriks kernel mempunyai jari-jari r sehingga n=2r-1. Contoh cara penentuan lokasi entri-entri matriks dapat dilihat pada contoh gambar dengan (i,j) yang berjalan dari -2 hingga 2 dan (x,y) yang berjalan dari 0 sampai 4. Filter Median

Cara kerja filter median dalam jendela tertentu mirip dengan filter linier namun prosesnya bukan lagi dengan pembobotan.

Rinaldi Munir (2004:126) menjelaskan filter median sebagai suatu jendela yang memuat sejumlah pixel ganjil. Jendela digeser titik demi titik pada seluruh daerah citra. Pada setiap pergeseran dibuat jendela baru. Titik tengah dari jendela ini

diubah dengan nilai median dari jendela tersebut.

Metode Adaptive

Oleh karena itu adaptive median filter telah diterapkan secara luas sebagai metode canggih dibandingkan dengan median filter standar. Adaptive median filter melakukan pengolahan spasial untuk menentukan piksel dalam gambar yang telah dipengaruhi oleh impuls noise. Adaptive median filter

mengklasifikasikan piksel sebagai kebisingan dengan membandingkan setiap piksel pada gambar dengan piksel tetangga disekitarnya. Ukuran lingkungan disesuaikan, serta ambang batas untuk perbandingan. Sebuah piksel yang berbeda dari mayoritas tetangganya, maupun yang tidak selaras secara struktural dengan piksel mereka yang sama, akan diberi label sebagai impuls noise. Noise dari piksel ini kemudian akan digantikan oleh nilai piksel median dari piksel median dari piksel di lingkungan yang telah lulus uji pelabelan kebisingan.

Noise Uniform dan Noise Gaussian

Noise Uniform seperti halnya Noise Gaussian dapat dibangkitkan dengan cara

membangkitkan bilangan acak [0,1] dengan distribusi uniform. Kemudian untuk titik-titik yang terkena noise , nilai fungsi citra ditambahkan dengan noise yang ada

Noise Uniform merupakan noise

sintesis yang sebenarnya dalam penerapannya jarang digunakan, tetapi secara pemrograman pembangkitan noise uniform ini merupakan jenis pembangkitan noise yang paling mudah.

MSE dan PSNR

Peak Signal to Noise Ratio (PSNR)

adalah sebuah perhitungan yang menentukan nilai dari sebuah citra yang dihasilkan. Nilai PSNR ditentukan oleh besar atau kecilnya nilai MSE yang terjadi pada citra. Semakin besar nilai PSNR, semakin baik pula hasil yang diperoleh pada tampilan citra hasil. Sebaliknya, semakin kecil nilai PSNR, maka akan semakin buruk pula hasil yang diperoleh pada tampilan citra hasil. Satuan

(4)

nilai dari PSNR sama seperti MSE, yaitu decibel (dB). Jadi hubungan antara nilai PSNR dengan nilai MSE adalah semakin besar nilai PSNR, maka akan semakin kecil nilai MSE-nya.

PSNR secara umum digunakan untuk mengukur kualitas pada penyusunan ulang citra. Hal ini lebih mudah didefinisikan dengan Mean Square Error (MSE).

Mean Square Error (MSE) adalah

kesalahan kuadrat rata-rata. Nilai MSE didapat dengan membandingkan nilai selisih

pixel-pixel citra asal dengan citra hasil pada

posisi pixel yang sama. Semakin besar nilai MSE, maka tampilan pada citra hasil akan semakin buruk. Sebaliknya, semakin kecil nilai MSE, maka tampilan pada citra hasil akan semakin baik. (Lestari, Dewi, 2006)

METODOLOGI PENELITIAN Deskripsi Sistem

Proses Penambaan Noise

START Citra Masukan Jumlah Noise (Variance) Tambahkan Noise Citra Bernoise STOP

Proses Pemilihan Matriks Input

START Matriks Citra Noise 2D Hitung Jumlah Kolom Matriks Iterasi sebanyak jumlah kolom

Ambil nilai tiap kolom dari matriks

citra Simpan pada matriks temporary Matriks input kolom n baris STOP Citra butuh pembangkitan noise? Yes Inputkan Citra No

Inputkan level yang diinginkan

Proses Filtering

Hitung Nilai MSE dan PSNR Tampilkan Citra Hasil Inputkan citra START Tambahkan noise ke citra END Filter Foto

(5)

Proses Pengolahan Matriks Input dengan Adaptive Median Filter

START

Matriks input 1kolom dan n baris

Simpan matriks input pada memori

sementara

Pengurutan bubble sorting

Ambil nilai pada urutan yang paling

tengah

Simpan matriks hasil pada memori

bitmap citra hasil

Matriks hasil filter

STOP Tentukan nilai

M

Proses Pembentukan Sinyal Output

START

Load matriks hasil pengolahan

Sinyal output

Matriks Hasil

STOP

HASIL dan ANALISA

Citra yang digunakan dalam perbaikan citra bernoise ini berformat .bmp atau bitmap. Uji coba yang digunakan menggunakan citra noise.bmp (256*195), noise2.bmp (360*480), normal.bmp (360*480), normal2.bmp (259*194), tes-coret.bmp (640*480), tes-coret2.bmp (340*250). Hasil uji coba akan memberikan nilai berupa MSE dan PSNR. MSE digunakan untuk menghitung beda (kesalahan)

antara citra masukan dan citra keluaran, sedangkan PSNR digunakan untuk menghitung rasio citra keluaran terhadap

noise.

Hasil uji coba pada bab ini akan ditampilkan berupa hasil uji coba citra keluaran serta tabel nilai PSNR dan MSE. Hal ini dilakukan supaya pengamatan terhadap citra keluaran lebih leluasa.

Tampilan Awal Program

Uji Coba Citra Input dengan Noise Uniform

dengan Kernel 3x3

Citra Normal dengan ukuran 360*480

No Besar Noise (%) MSE PSNR 1. 5% 12,5282 34,7682 2. 25% 11.2678 45,2762 3. 50% 9,8776 68,7765

(6)

4. 70% 6,3028 91,2456 5. 80% 3,4529 105,7822

Citra Normal2 dengan ukuran 259*194

No Besar Noise (%) MSE PSNR 1. 5% 23,7633 49,2507 2. 25% 19,2841 56,6081 3. 50% 13,1483 75,7758 4. 70% 12,7685 99,3152 5. 80% 7,2190 116,2959

Uji Coba Citra Input dengan Noise Uniform dengan Kernel 5x5

Citra Normal dengan ukurab 360*480

Uji Coba Citra Input dengan Noise Gaussian dengan Kernel 3x3

(7)

Uji Coba Citra Input dengan Noise Gaussian dengan Kernel 5x5

No Besar Noise (%) MSE PSNR 1. 5% 19,0026 28,6464 2. 25% 15,7702 42,9404 3. 50% 12,5233 61,0837 4. 70% 8,9204 93,5193 5. 80% 3,4888 107,3796 Kesimpulan

Berdasarkan aplikasi yang telah dibuat beserta uji coba yang telah dilakukan, maka dapat ditarik kesimpulan berikut :

1. Adaptive median filter merupakan filter yang paling baik digunakan untuk perbaikan citra, baik dengan noise yang sengaja dibangkitkan oleh komputer maupun yang dimasukkan secara manual oleh user.

2. Adaptive median filter dapat menangani noise yang memiliki probabilitas lebih besar daripada flter median standar.

3. Adaptive median filter dapat mempertahankan detail dari setiap citra sekaligus dapat menghaluskann noise.

Saran

Saran yang hendak disampaikan terkait dengan pengerjaan Tugas Akhir ini adalah perbaikan citra bernoise dengan menggunakan menggunakan metode

Adaptive median filter dapat juga dilakukan

pada semua jenis noise yang ada baik yang sengaja dibangkitkan oleh komputer maupun yang dimasukkan manual oleh user.

Diharapkan juga penghalusan noise pada gambar yang telah diberi noise manual atau sengaja dicoret-coret dapat lebih sempurna lagi sehingga citra hasilnya akan lebih baik. Daftar Pustaka

A Achmad, B. & Firdausy, K. 2005.

Teknik Pengolahan Citra Digital Menggunakan Delphi. Jogjakarta:

Ardi Publishing.

Ahmad, Usman. 2005. Pengolahan

Citra Digital dan Teknik

Pemrogramannya. Edisi Pertama.

Yogyakarta : Graha Ilmu. No Besar Noise (%) MSE PSNR 1. 5% 26,1512 46,2053 2. 25% 15,8312 59,4436 3. 50% 12,4836 78,3760 4. 70% 7,7876 93,3788 5. 80% 6,1233 124,9387

(8)

Basuki, A. & Palandi, J.F.F. 2005.

Pengolahan Citra Digital

Menggunakan Visual Basic.

Jogjakarta: Graha Ilmu.

H, Hwang & Haddad R. A. 1995.

Adaptive Median Filters : New Algorithm and Result.

Jannah, Asmaniatul. 2008. Analisis

Perbandingan Metode Filter Gaussian, Mean, dan Median Terhadap Reduksi Noise Salt and Pepper

Munir, Rinaldi. 2004. Pengolahan

Citra Digital dengan Pendekatan

Algoritmik. Bandung :

Informatika.

R.C. Gonzalez, R.E. Woods. 1992.

Digital Image Processing. USA :

Addison-Wesley Publishing Company.

Sigit, Riyanto, dkk. 2005. Step by Step

Pengolahan Citra Digital.