Penghapusan Objek pada Citra Digital Menggunakan
Pendekatan Exemplar-based dan Konstruksi Kontur
Mukhammad Ifanto
Teknik Informatika ITB Jl. Ganesha 10, Bandung
mukhammadifanto@gmail.com
Nur Ulfa Maulidevi
Teknik Informatika ITB Jl. Ganesha 10, Bandung
ulfa@stei.itb.ac.id
Peb Ruswono Aryan
Teknik Informatika ITB Jl. Ganesha 10, Bandung
peb@stei.itb.ac.id
ABSTRAK
Pada citra digital, sering ditemukan objek yang tidak dikehendaki keberadaannya. Objek tersebut tidak dikehendaki keberadaannya karena mengganggu tampilan atau terkait permasalahan privasi. Permasalahan privasi ini terjadi pada citra Google Street View karena diambil di tempat publik dan disebarkan ke publik. Oleh karena itu perlu dilakukan penghilangan identitas melalui penghapusan objek (inpainting).
Berbagai penelitian terkait penghapusan objek telah dilakukan. Sebuah metode dengan proses utama exemplar-based inpainting
dan konstruksi struktur diperkenalkan baru-baru ini. Selanjutnya proses tersebut diadaptasi pada penelitian ini. Struktur citra diperoleh melalui algoritma Canny Edge dan konstruksi dilakukan dengan kurva Bezier. Informasi struktur ini dimanfaatkan pada penentuan urutan pengisian dan pencarian exemplar.
Selanjutnya dilakukan pengujian untuk melihat efektivitas metode dan pengaruh beberapa parameter. Pengujian dilakukan melalui pembandingan hasil dengan aplikasi komersial. Selain itu, dilakukan pengujian melalui kuesioner agar mendapat penilaian lebih objektif. Secara umum, inpainting dari metode yang diajukan menghasilkan kualitas yang bagus dengan kondisi ukuran daerah target tidak terlalu besar dan variasi objek di sekitar daerah target tidak kompleks. Kualitas inpainting
ditentukan oleh ukuran exemplar, metode perbandingan similaritas dan ukuran daerah target. Dengan penggunaan nilai parameter yang tepat, hasil dari inpainting akan cenderung bagus.
Kata Kunci
Citra digital, privasi, Google Street View, inpainting, exemplar
-based, konstruksi struktur, similaritas.
1.
LATAR BELAKANG
Pada era digital ini, penyimpanan dalam bentuk digital merupakan suatu hal yang lazim. Akan tetapi, terkadang dalam citra tersebut terekam beberapa objek yang tidak dikehendaki keberadaannya. Alasan objek tersebut tidak dikehendaki keberadaannya karena merusak tampilan citra menurut pengamatan subjektif seseorang. Selain itu, terdapat permasalahan privasi sehingga objek tersebut tidak dikehendaki keberadaannya. Permasalahan privasi ini sering muncul pada citra digital yang diambil di tempat publik dan disebarkan ke publik.
Citra di Google Street View (GSV) merupakan contoh citra yang diambil di tempat publik. Citra di GSV ini menuai kontroversi terkait hukum privasi di 28 negara seperti Swiss, UK, Korea Selatan, Jerman dan Kanada. Teknik pengaburan yang diterapkan Google untuk melindungi privasi masih belum efektif sepenuhnya. Anonimitas identitas perlu dijamin. [1]
Anonimitas identitas dapat dijamin melalui penghilangan identitas daripada penyamaran identitas. Penghilangan identitas ini dapat dilakukan dengan teknik inpainting. Teknik inpainting
memungkinkan suatu objek dihapus dari citra dan diisi dengan latar belakang yang menyesuaikan sekitarnya.
2.
PENELITIAN TERKAIT
Inpainting merupakan proses pengisian data atau informasi yang hilang (dalam hal ini berupa warna di posisi tertentu) di daerah yang telah dispesifikasikan dari sebuah citra. [2] Teknik
inpainting berusaha menghasilkan citra keluaran dengan kualitas bagus atau rasional di mana daerah yang dihapus tidak terlihat jelas. Penelitian terkait berbagai teknik inpainting telah dilakukan. Setiap penelitian dibagi ke dalam dua pendekatan yaitu pixel synthesized (pixel disintesis untuk menyesuaikan spektrum citra) dan exemplar-based (dibuat potongan citra sumber yang sesuai dengan sekitarnya). Setiap pendekatan dibagi dalam dua skema yaitu structure oriented (mengembalikan struktur linear target yang dihapus) dan texture oriented (mengembalikan tekstur daerah yang dihapus). [5]
Bertalmio [3] memperkenalkan pendekatan pixel synthesized
dengan skema structure oriented untuk mengisi daerah yang hilang berdasarkan informasi isophote (propagasi struktur linear). Ketika di aplikasikan ke daerah target yang besar, akan menghasilkan citra kabur. Selanjutnya Bertalmio [4] menggabungkan dua pendekatan yaitu pixel synthesized dengan skema structure oriented dan exemplar-based dengan skema
texture oriented. Citra sumber dibagi menjadi dua. Citra pertama yang menangkap informasi struktur diproses dengan pixel synthesized skema structure oriented. Sedangkan citra kedua yang menangkap informasi tekstur diproses dengan pendekatan
exemplar-based skema texture oriented. Selanjutnya, hasil keduanya digabung. Terdapat empat proses penting yang dilakukan yaitu dekomposisi citra, inpainting dengan pixel synthesized, inpainting dengan exemplar-based dan penggabungan citra.
Criminisi [6] memperkenalkan pendekatan exemplar-based yang menggabungkan skema structure oriented dengan texture oriented. Metode ini membutuhkan satu proses untuk melakukan sintesis tekstur sekaligus perbaikan struktur linear. Inpainting
dilakukan dengan memanfaatkan informasi tekstur (direpresentasikan dalam confidence term) dan informasi isophote
atau struktur (data term). Kedua informasi tersebut dimanfaatkan untuk menentukan prioritas urutan pengisian daerah target. Metode yang serupa dengan [6] diperkenalkan pada [5]. Akan tetapi, terdapat perbedaan pada formulasi penghitungan prioritas. Ditemukan pada [6] terjadi penurunan confidence term secara
drastis yang mengarahkan pada kesalahan urutan pengisian. Fungsi prioritas diperbaiki untuk mengatasi kasus tersebut. Baru-baru ini, Hung dkk [7] memperkenalkan pendekatan yang mengadaptasi [6] dan digabungkan dengan konstruksi kontur. Informasi struktur linear tidak diambil dari nilai isophote citra tetapi dari hasil konstruksi kontur di daerah target. Konstruksi kontur dilakukan dengan memanfaatkan metode MeanShift Segmentation, Edge Crispening dan Bezier Curve.
3.
METODE YANG DIUSULKAN
Berbagai metode telah diajukan untuk melakukan inpainting dengan pendekatan exemplar-based [5] [6] [7] [8]. Dinyatakan pada [6] bahwa urutan pengisian merupakan hal yang penting pada pendekatan exemplar-based. Urutan pengisian dengan
concentric layer filling (daerah target diisi dari daerah paling luar searah jarum jam) mengarahkan pada kegagalan inpainting yang semakin besar. Selanjutnya dilakukan adaptasi pada metode [7] sehingga diperoleh metode seperti pada [9]. Proses utama dari metode yang diajukan mengikuti proses dari metode [7]. Dilakukan beberapa modifikasi sehingga diperoleh metode dengan hasil yang bagus dan mendekati metode [7].
3.1
Arsitektur Umum
Metode inpainting citra yang dibangun terdiri atas empat subsistem yaitu subsistem praproses, subsistem edge detection, subsistem konstruksi kontur dan subsistem exemplar-based
seperti pada Gambar 1.
Gambar 1. Arsitektur umum sistem
3.2
Praproses
Pada subsistem ini didefinisikan daerah citra yang akan dihapus. Selanjutnya, daerah yang akan dihapus dijadikan sebagai daerah target sedangkan daerah lain di sekelilingnya dijadikan sebagai daerah sumber. Dari batas daerah target, ditentukan batas Region of Interest (selanjutnya disebut ROI) yang berbentuk persegi dengan daerah target sebagai pusat. Didefinisikan ROI yang merupakan citra sumber yang berada di dalam batas ROI. Pemrosesan selanjutnya tidak dilakukan pada keseluruhan citra, melainkan pada ROI. Kemudian ROI dikonversi ke dalam warna
abu-abu (grayscale). Dilakukan modifikasi kontras citra abu-abu dengan histogram equalization agar lebih tajam (opsional).
3.3
Edge Detection
Pada subsistem ini dilakukan pendeteksian tepi untuk memperoleh kontur dari citra di daerah sumber. Algoritma yang digunakan untuk pendeteksian tepi adalah algoritma Canny Edge. Citra diproses terlebih dahulu dengan penapisan Gaussian (standar deviasi σ =1.4) untuk mengurangi derau. Selanjuntya, dihitung gradien citra sehingga diperoleh tepi tetapi dalam ukuran yang masih tebal. Tepi tersebut ditipiskan dengan non-maximum suppression yang melihat maksimum lokal di tepi tersebut. Tepi hasil penipisan dikategorikan dengan menggunakan dua treshold
(double tresholding) yaitu treshold atas dan treshold bawah. Tepi yang nilainya di atas treshold atas (kategori kuat) dan di antara
treshold atas-bawah (kategori lemah) dipertahankan. Sedangkan tepi yang di bawah treshold bawah (kategori buang) dibuang. Selanjutnya dilakukan edge tracking. Tepi kategori lemah akan dipertahankan jika disekelilingnya terdapat tepi kategori kuat. Jika tidak ada, tepi kategori lemah dibuang.
3.4
Konstruksi Kontur
Pada subsistem ini dilakukan konstruksi kontur di daerah target berdasarkan tepi citra. Konstruksi dilakukan dengan menentukan terlebih dahulu pasangan titik sebagai titik kontrol ujung (awal dan akhir) dari kurva Bezier. Selanjutnya titik tersebut dihubungkan dengan kurva Bezier. Secara umum, langkah-langkah konstruksi garis dijelaskan sebagai berikut:
1. Buat batas ke arah luar dari batas daerah target sejauh 4
pixel.
2. Titik-titik yang berada di batas tersebut selanjutnya dijadikan sebagai titik kontrol.
3. Hitung kontur untuk setiap garis di titik kontrol menggunakan metode yang diajukan [7] dan dilakukan modifikasi pada penghitungan akhir kontur menggunakan persamaan ( 1 ).
( 1 )
4. Selanjutnya, pasangkan setiap titik kontrol dengan titik kontrol lain dengan pertimbangan berikut:
• Setiap kontur yang memiliki nilai S negatif dipasangkan dengan kontur yang memiliki nilai S
positif.
• Similaritas citra di sekitar titik kontrol. Similaritas berdasarkan 7x7 matriks ketetanggaan dengan metode Squared Euclidean dalam ruang warna CIE L*a*b*. Semakin rendah nilai similaritasnya, kemungkinan pasangan tersebut diambil semakin besar.
• Dengan kontur1 u = (ux, uy) dan kontur2 v =
(vx,vy). Hitung perkalian silang kedua kontur sesuai persamaan ( 2 ). Semakin mendekati nilai 0, kemungkinan pasangan tersebut diambil semakin besar.
( 2 ) • Jarak antara dua titik kontrol dengan metode
kemungkinan pasangan tersebut diambil semakin besar.
5. Selanjutnya, cari titik potong setiap titik kontrol. Jika titik potong berada di dalam daerah target, hubungkan dengan kurva Bezier seperti pada persamaan ( 3 ). Jika diluar daerah target, hubungkan dengan garis lurus.
di mana t∈ [0,1]
( 3 )
3.5
Exemplar-based Inpainting
Subsistem exemplar-based merupakan proses pengisian daerah target dengan potongan-potongan yang direplika dari daerah sumber. Metode yang digunakan pada subsistem ini mengadaptasi metode [6]. Konvensi simbol terkait metode pada subsistem diberikan pada Gambar
Gambar 2. Konvensi simbol metode inpainting
Langkah-langkah pada subsistem exemplar-based antara lain: 1. Penghitungan prioritas patch
• Hitung confidence term dengan persamaan ( 4 )
di mana
( 4 )
• Hitung data term dengan persamaan ( 5 )
di mana
( 5 )
• Hitung prioritas setiap patch ( 6 ) dan ambil patch dengan prioritas paling tinggi ψp^
( 6 )
2. Pencarian exemplar
Dicari potongan yang sesuai untuk mengisi daerah target dengan persamaan ( 7 )
( 7 )
di mana, d : ukuran similaritas yang dipilih
: seluruh region yang berada di daerah sumber
citra dengan titik pusat q dan radius r : potongan yang diambil dari citra biner hasil
konstruksi kontur dengan posisi sama dengan posisi .
Ukuran kemiripan d dihitung dalam ruang warna CIE L*a*b*
3. Penyisipan exemplar
Potongan replika di sisipkan ke daerah target.
4. Update confidence term
Nilai confidence term diperbaharui untuk potongan-potongan baru yang muncul akibat penyisipan
exemplar. Update confidence term dilakukan dengan persamaan ( 8 )
( 8 )
4.
PENGUJIAN, HASIL DAN ANALISIS
Pada bagian ini dilakukan pengujian untuk melihat efektivitas dari metode yang diusulkan. Pengujian dilakukan dengan eksperimen mandiri terlebih dahulu untuk memperoleh asumsi awal keefektifan metode dan parameter-parameter yang mempengaruhinya. Selanjutnya dilakukan penilaian melalui kuesioner untuk menilai kebenaran asumsi awal tersebut agar lebih objektif.
4.1
Tujuan dan Lingkungan Pengujian
Tujuan dari pengujian ini adalah melihat keefektifan solusi yaitu metode inpainting yang diajukan. Berdasarkan eksperimen mandiri, diperoleh empat parameter umum yang memiliki pengaruh signifikan terhadap kualitas hasil, yaitu:
1. Jarak pencarian exemplar dari titik tengah patch
(potongan) yang akan diisi.
2. Ukuran exemplar untuk mengisi patch di daerah target. 3. Metode perbandingan similaritas citra
4. Ukuran daerah target yang dihapus berbanding dengan daerah sumber
Keempat parameter tersebut dinilai pengaruhnya melalui kuesioner.
Kuesioner disebarkan ke beberapa responden secara acak. Kriteria utama dari responden adalah dapat membedakan tingkat rasionalitas citra. Setiap orang yang sudah memiliki kemampuan berpikir rasional memenuhi kriteria tersebut. Target jumlah responden untuk kuesioner ini adalah 40-50 orang. Pemilihan responden dilakukan dengan menyebarkan kuesioner ke jejaring sosial. Setiap orang di jejaring sosial memiliki karakteristik yang berbeda-beda dalam menilai sesuatu dan sudah dapat berpikir secara rasional. Diharapkan melalui penyebaran ke jejaring sosial diperoleh penilaian yang lebih objektif.
4.2
Dataset Pengujian
1. GSV (http://maps.google.com/help/maps/streetview) pada galeri Scenic Hawaii, University Campuses dan Russian Highlight.
2. Berkeley Segmentation Dataset (http://www.eecs.ber keley.edu/Research/Projects/CS/vision/grouping/segben ch/BSDS300/html/dataset/images.html)
4.3
Implementasi Perangkat Lunak
Perangkat lunak diaplikasikan sebagai web application di mana proses perhitungan diberatkan di sisi client. Bahasa yang digunakan untuk mengembangkan aplikasi ini antara lain HTML 5, CSS 3 dan javascript. Fitur utama canvas HTML 5 dimanfaatkan untuk mengambil informasi citra. Inti aplikasi dibuat dengan Javascript. Sedangkan library yang digunakan adalah JQuery dan KineticJs. KineticJs memudahkan layering
pada canvas.
4.4
Prosedur Pengujian
Pengujian dilakukan dengan mengubah-ubah nilai sebuah parameter ke tiga nilai berbeda sedangkan nilai parameter lainnya tetap. Set nilai tersebut diujikan ke setiap citra dataset. Set nilai
default yang digunakan sama untuk keseluruhan citra adalah 1. Ekualisasi citra abu-abu: true (selalu dilakukan) 2. Treshold atas: 80% dari intensitas maksimum 3. Treshold bawah: 20% dari intensitas maksimum 4. Jarak titik kontrol dari batas di daerah target: 4 pixel
Tabel 1 menunjukkan daftar nilai untuk setiap parameter yang akan diuji. Sedangkan untuk pengujian ukuran daerah yang dihapus dilakukan dengan menggunakan berbagai macam citra yang memiliki ukuran daerah target bervariasi. Citra hasil
inpainting selanjutnya dinilai oleh responden melalui kuesioner.
Tabel 1. Nilai-nilai parameter dari parameter yang diuji
No Parameter Nilai 1 Nilai 2 Nilai 3
1. Jarak pencarian
exemplar
10 pixel 30 pixel 50 pixel
2. Ukuran exemplar 3x3 9x9 15x15 3. Metode perbandingan
similaritas citra
Manhattan Squared euclidean
Canberra
4.5
Hasil dan Analisis
Gambar hasil inpainting dari metode yang diajukan dan dari aplikasi komersial diberikan pada Gambar 3 dan Gambar 4. Hasil dari aplikasi komersial digunakan untuk melakukan perbandingan.
Inpainting dari metode yang diajukan menghasilkan kualitas yang bagus dengan kondisi ukuran daerah target tidak terlalu besar dan variasi objek di sekitar daerah target tidak kompleks.
Berdasarkan hasil kuesioner terhadap 43 responden, dilakukan analisis untuk mengetahui asosiasi antara setiap parameter yang diuji dengan hasil inpainting. Asosiasi dilihat berdasarkan independensi antara dua buah variabel serta kekuatan asosiasi (korelasi). Independensi menandakan tidak adanya asosiasi antara dua variabel sehingga mengetahui nilai variabel A tidak
memberikan gambaran untuk memprediksi nilai variabel B dan sebaliknya.
Hasil pengujian jarak exemplar, ukuran exemplar dan ukuran daerah target dianalisis dengan metode pengujian hipotesa Pearson r dan korelasi Pearson r. Sedangkan hasil pengujian metode perbandingan similaritas citra menggunakan metode uji
chi-square dan koefisien kontingensi Cramer. Analisis hasil pengujian untuk setiap parameter diberikan pada Tabel 2.
Tabel 2. Analisis hasil pengujian setiap parameter No Parameter Hasil korelasi
1. Jarak pencarian exemplar Tidak mempengaruhi hasil
inpanting
Deskripsi:
Walaupun tidak terdapat asosiasi antara jarak pencarian exemplar
dengan hasil inpainting, terdapat rule of thumb jarak pencarian.
Rule of thumb tersebut adalah jarak yang diambil memungkinkan terjadinya pencarian berbagai exemplar sesuai ukuran
exemplarnya untuk dibandingkan.
2. Ukuran exemplar Mempengaruhi hasil
inpanting
Deskripsi:
• Dari ukuran 3x3 hingga 9x9 terdapat asosiasi berupa hubungan positif (searah) dengan kekuatan 0.51. • Dari ukuran 9x9 hingga 15x15 terdapat asosiasi berupa
hubungan negatif (berlawanan arah) dengan kekuatan 0.72.
• Peningkatan ukuran exemplar di sekitar ukuran batas akan meningkatkan kualitas inpainting
3. Metode perbandingan similaritas citra
Mempengaruhi hasil
inpanting
Deskripsi:
• Terdapat relasi antara metode perbandingan dengan jumlah pemilihan dengan kekuatan asosiasi sebesar 0.48
• Metode perbandingan Euclidean dan Canberra cenderung memberikan hasil inpainting yang bagus 4. Ukuran daerah target Mempengaruhi hasil
inpanting
Deskripsi:
• Terdapat asosiasi ukuran daerah target dengan penilaian bagus berupa hubungan negatif dengan kekuatan 0.67.
• Terdapat asosiasi dengan kategori jelek berupa hubungan positif dengan kekuatan 0.88
• Semakin besar ukuran daerah target, kualitas inpainting
akan cenderung turun.
Gambar 3. Beberapa hasil inpainting dari citra GSV. Kolom pertama merupakan citra asli. Kolom kedua merupakan citra dengan daerah targetnya. Kolom kedua merupakan citra hasil inpainting.
Gambar 4. Beberapa hasil inpainting dari citra Berkeley. Kolom pertama merupakan citra asli dengan daerah targetnya. Kolom kedua merupakan hasil inpainting dengan metode yang diajukan. Kolom ketiga merupakan hasil inpainting dengan aplikasi
Pada saat pencarian exemplar, setiap exemplar akan memiliki nilai similaritas yang semakin tinggi ketika titik tengah exemplar
semakin dekat ke titik target. Oleh karena itu, peningkatan jarak pencarian tidak memiliki pengaruh yang signifikan pada hasil
inpainting. Hal ini diperkuat dengan nilai korelasi yang sangat kecil dari analisis hasil kuesioner.
Sedangkan peningkatan ukuran exemplar dapat memperbaiki hasil
inpainting karena meningkatnya jumlah pixel dari daerah target yang digunakan untuk perbandingan dengan exemplar di daerah sumber. Hal ini meningkatkan kemungkinan untuk mendapatkan
exemplar yang tepat dalam mengisi daerah target. Akan tetapi, peningkatan ini dapat menurunkan hasil inpainting ketika ukuran
exemplarnya terlalu besar. Ukuran exemplar yang terlalu besar menyebabkan penyalinan informasi yang berlebihan. Informasi yang berlebihan tersebut mengarahkan pada kesalahan hasil
inpainting. Selain itu, semakin besar ukuran exemplarnya akan memperjelas batas-batas exemplar yang diisikan ke daerah target. Pengaruh metode perbandingan similaritas citra terhadap hasil
inpainting terkait dengan sensitivitas masing-masing metode. Peningkatan ukuran target mengurangi hasil inpainting
disebabkan adanya kemungkinan daerah target akan diisi dengan
exemplar dari daerah target yang sudah diisi sebagian. Pengulangan pola ini akan semakin terlihat ketika daerah target semakin besar. Batas-batas pengulangan pola akan semakin terlihat terlihat karena penyisipan dilakukan hanya dengan menyalin exemplar. Penghalusan citra antar batas untuk mengaburkan batas setiap exemplar yang diisi ke daerah target tidak dilakukan. Oleh karena itu untuk tekstur yang kompleks, ukuran daerah target yang besar akan cenderung menghasilkan citra yang jelek atau kurang bagus.
5.
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Berdasarkan implementasi, pengujian dan analisis yang telah dilakukan, kesimpulan yang dapat diambil adalah sebagai berikut:
1. Inpainting dari metode yang diajukan menghasilkan kualitas yang bagus dengan kondisi ukuran daerah target tidak terlalu besar dan variasi objek di sekitar daerah target tidak kompleks.
2. Berdasarkan hasil pengujian, faktor-faktor yang mempengaruhi kualitas hasil inpainting antara lain: a. Ukuran exemplar
Ukuran exemplar sebaiknya di sekitar nilai kritis 9x9.
b. Metode perbandingan similaritas citra
Metode perbandingan similaritas citra yang sebaiknya digunakan adalah Squared Euclidean atau Canberra.
c. Ukuran daerah target
Semakin besar ukuran daerah target akan meningkatkan kecenderungan menghasilkan kualitas inpainting yang jelek. Oleh karena itu, sebaiknya ukuran daerah target yang dihapus dalam persentase di bawah 10% dari keseluruhan gambar.
3. Walaupun jarak pencarian tidak berasosiasi dengan kualitas hasil inpainting, sebaiknya jarak yang diambil memungkinkan terjadinya pencarian berbagai exemplar
untuk dibandingkan. Lebih baik jika nilai jarak pencarian di sekitar nilai 30 pixel (61x61).
5.2
Saran
Saran untuk pengembangan lebih lanjut dari penelitian ini antara lain:
1. Dilakukan penghalusan ketika menyisipkan exemplar ke daerah target. Hal ini untuk mengaburkan batas-batas antar exemplar yang disisipkan..
2. Ketika konstruksi kontur gagal dilakukan atau ketika sekitar titik di daerah target tidak terdapat informasi kontur, prioritas hanya berdasarkan confidence term. Hal ini dapat mengarahkan pada hasil inpainting yang jelek atau kurang bagus. Ketika tidak ada informasi data term, sebaiknya data term di ambil berdasarkan informasi struktur lain seperti nilai isophote. Nilai tersebut harus lebih kecil dari nilai data term
berdasarkan informasi keberadaan kontur.
3. Dilakukan penelitian lebih lanjut untuk menghasilkan metode yang dapat menangani variasi objek yang kompleks.
6.
REFERENSI
[1] Bostwick, H. (2011, Juli). Google Street View Privacy Issues Raised Again. Dipetik Desember 9, 2011, dariLegalZoom: http://www.legalzoom.com/us-law/privacy/google-street-view-privacy-issues [2] Furht, B. (2008). Image Inpainting. In B. Furht,
Encyclopedia of Multimedia (p. 329). New York: Springer. [3] Bertalmio, M., Sapiro, G., Caselles, V., & Ballester, C.
(2000). Image Inpainting. SIGGRAPH '00 Proceedings of the 27th annual conference on Computer graphics and interactive techniques (pp. 417-424). New York, NY, USA: ACM Press/Addison-Wesley Publishing Co.
[4] Bertalmio, M., Vese, L., Sapiro, G., & Osher, S. (2003). Simultaneous Structure and Texture Image Inpainting. IEEE Transaction on Image Processing, 12(8), 882-889
[5] Cheng, W.-H., Hsieh, C.-W., Lin, S.-K., Wang, C.-W., & Wu, J.-L. (2005). Robust Algorithm for Exemplar-based Image Inpainting. Computer Graphics, Imaging and Vision, (pp. 64-49).
[6] Criminisi, A., Peres, P., & Toyama, K. (2004). Region Filling and Object Removal by Exemplar-Based Image Inpainting. IEEE Transactions on Image Processing, 13(9), 1200-1212.
[7] Hung, J., Hwang, C.-H., Liao, Y.-C., & Chen, T.-J. (2008). Exemplar-based Image Inpainting base on Structure Construction. Journal of Software, Vol 3, No 8, (pp. 57-64).. [8] Efros, A., & Leung. (2002). Texture Synthesize by
Non-parametric Sampling. The Proceedings of the Seventh IEEE International Conference on Computer Vision, 1999. II, pp. 1033-1038. Kerkyra , Greece: IEEE.