• Tidak ada hasil yang ditemukan

Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training corrupt image (dalam second)

N/A
N/A
Protected

Academic year: 2021

Membagikan "Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training corrupt image (dalam second)"

Copied!
47
0
0

Teks penuh

(1)

σ = 10 28.23 30.15 28.19 30.12 28.24 30.07 σ = 15 24.73 27.23 24.71 27.26 24.76 27.15 σ = 20 22.06 24.63 22.14 24.84 22.09 24.61 σ = 25 20.28 22.98 20.32 22.98 20.31 22.89 σ = 50 14.58 17.20 14.72 17.31 14.56 17.10 σ = 75 11.72 14.23 11.80 14.25 11.62 14.10 σ = 100 10.18 12.63 10.25 12.71 10.03 12.49

Hasil penelitian nilai PSNR training 30 image dengan EK-SVD (dalam dB) Tingkat

Noise

Gambar

Lena Barbara Boat

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.2 29.98 28.23 29.94 28.14 29.96 σ = 15 24.58 27.12 24.75 27.37 24.68 27.1 σ = 20 22.21 25 22.09 24.9 22.13 24.84 σ = 25 20.3 23.12 20.33 23.24 20.26 22.98 σ = 50 14.64 17.45 14.75 17.52 14.53 17.29 σ = 75 11.67 14.37 11.83 14.52 11.6 14.29 σ = 100 10.16 12.83 10.2 12.79 10.09 12.74

Hasil penelitian nilai PSNR training corrupt image dengan K-SVD (dalam dB) Tingkat

Noise

Gambar

Lena Barbara Boat

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.13 30.4 28.22 30.29 28.15 30.08

(2)

= 75 11.78 14.23 11.84 14.28 11.67 14.07

σ = 100 10.11 12.5 10.23 12.61 10.03 12.33

Hasil penelitian nilai PSNR training corrupt image dengan EK-SVD (dalam dB) Tingkat

Noise

Gambar

Lena Barbara Boat

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.22 30.13 28.22 29.99 28.14 29.90 σ = 15 24.56 27.15 24.73 27.32 24.66 27.12 σ = 20 22.21 25.04 22.10 24.88 22.18 24.83 σ = 25 20.22 23.05 20.36 23.21 20.29 23.00 σ = 50 14.57 17.37 14.66 17.44 14.50 17.27 σ = 75 11.76 14.47 11.84 14.50 11.70 14.40 σ = 100 10.19 12.83 10.23 12.81 10.07 12.75

Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training 30 image (dalam second)

Tingkat Noise

Gambar

Lena Barbara Boat

KSVD EK-SVD KSVD EK-SVD KSVD EK-SVD

σ = 10 52.65 33.74 58.37 38.02 49.25 21.84 σ = 15 53.88 32.74 52.85 37.98 49.44 21.44 σ = 20 53.48 32.40 55.03 38.01 49.78 21.41 σ = 25 58.07 36.01 54.73 35.45 45.93 21.20 σ = 50 56.47 34.44 52.65 36.13 45.94 21.41 σ = 75 49.56 31.70 46.31 36.08 45.96 22.24 σ = 100 52.63 31.06 52.74 36.12 45.97 22.56

(3)

Noise

KSVD EK-SVD KSVD EK-SVD KSVD EK-SVD

σ = 10 22.46 11.11 23.49 12.83 21.97 7.76 σ = 15 23.88 11.75 23.03 13.92 22.25 7.68 σ = 20 23.38 12.06 24.08 12.86 21.51 8.00 σ = 25 22.84 11.17 24.23 12.07 22.50 7.73 σ = 50 23.52 11.09 22.32 12.69 23.22 7.66 σ = 75 23.98 11.88 23.31 14.07 22.23 7.73 σ = 100 23.95 11.34 24.59 12.26 22.54 7.66

Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training 30 image K-SVD (dalam dB)

Tingkat Noise

Jenis Noise

Gausian Salt & Pepper Speckle

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = 10 28.24 30.07 33.02 33.09 33.66 33.56 σ = 15 24.76 27.15 31.37 32.05 30.13 31.44 σ = 20 22.09 24.61 28.08 29.91 27.57 29.57 σ = 25 20.31 22.89 25.63 27.75 25.62 27.82 σ = 50 14.56 17.10 19.77 22.34 19.67 22.20 σ = 75 11.62 14.10 16.08 18.62 16.24 18.82 σ = 100 10.03 12.49 13.65 16.11 13.87 16.44

(4)

Noise

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.14 29.96 33.02 33.12 33.61 32.96 σ = 15 24.68 27.10 31.37 32.29 30.17 31.19 σ = 20 22.13 24.84 27.47 30.21 27.56 29.48 σ = 25 20.26 22.98 25.46 28.59 25.65 27.96 σ = 50 14.53 17.29 19.85 23.05 19.66 22.43 σ = 75 11.60 14.29 16.04 18.94 16.21 19.01 σ = 100 10.09 12.74 13.63 16.40 13.90 16.69

Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training corrupt image K-SVD (dalam dB)

Tingkat Noise

Jenis Noise

Gausian Salt & Pepper Speckle

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.15 30.08 34.64 33.88 33.61 33.66 σ = 15 24.63 26.96 30.52 31.64 30.10 31.44 σ = 20 22.20 24.58 27.20 29.13 27.55 29.49 σ = 25 20.24 22.65 25.89 27.99 25.61 27.88 σ = 50 14.56 16.96 19.89 22.45 19.63 22.15 σ = 75 11.67 14.07 16.08 18.66 16.23 18.82 σ = 100 10.03 12.33 13.65 16.14 13.83 16.39

(5)

Noise

Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah

σ = 10 28.14 29.90 34.18 33.49 33.61 33.01 σ = 15 24.66 27.12 29.93 31.67 30.14 31.18 σ = 20 22.18 24.83 27.24 30.02 27.59 29.50 σ = 25 20.29 23.00 25.76 28.85 25.65 27.95 σ = 50 14.50 17.27 19.78 23.01 19.71 22.46 σ = 75 11.70 14.40 16.11 19.00 16.23 19.00 σ = 100 10.07 12.75 13.77 16.53 13.79 16.53

(6)

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25

(7)

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15

(8)

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100

(9)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

(10)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising EK-SVD untuk noise Gaussian dengan Training 30 Image:

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20

(11)

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 10

(12)

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75

(13)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

(14)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising KSVD untuk noise Gaussian dengan Training Corrupt Image:

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15

(15)

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100

(16)

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50

(17)

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

(18)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising EK-SVD untuk noise Gaussian dengan Training Corrupt Image:

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10

(19)

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75

(20)

Gambar sebelum dan sesudah denoising Barbara dengan tingkat noise 10

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25

(21)

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

(22)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising KSVD untuk noise Salt & Pepper dan Speckle dengan Training 30 Image

Salt & Pepper Speckle

(23)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

(24)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising KSVD untuk noise Salt & Pepper dan Speckle dengan Training Corrupt Image

Salt & Pepper Speckle

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

(25)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100

Hasil image denoising EK-SVD untuk noise Salt & Pepper dan Speckle dengan Training 30 Image

Salt & Pepper Speckle

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

(26)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

(27)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25

(28)

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75

(29)

program image_read.m dan patch_train.m

image read.m

clc clear all close all

A = imread('1.jpg'); %reads file into a matrix B = imfinfo('1.jpg'); %reads file info

X1 = getimg(A,B); save 'X1.mat' X1 clear all A = imread('2.jpg'); B = imfinfo('2.jpg'); X2 = getimg(A,B); save 'X2.mat' X2 clear all A = imread('3.jpg'); B = imfinfo('3.jpg'); X3 = getimg(A,B); save 'X3.mat' X3 clear all A = imread('4.jpg'); B = imfinfo('4.jpg'); X4 = getimg(A,B); save 'X4.mat' X4 clear all A = imread('5.jpg'); B = imfinfo('5.jpg'); X5 = getimg(A,B); save 'X5.mat' X5 clear all A = imread('6.jpg'); B = imfinfo('6.jpg'); X6 = getimg(A,B);

(30)

B = imfinfo('7.jpg'); X7 = getimg(A,B); save 'X7.mat' X7 clear all A = imread('8.jpg'); B = imfinfo('8.jpg'); X8 = getimg(A,B); save 'X8.mat' X8 clear all A = imread('9.jpg'); B = imfinfo('9.jpg'); X9 = getimg(A,B); save 'X9.mat' X9 clear all A = imread('10.jpg'); B = imfinfo('10.jpg'); X10 = getimg(A,B); save 'X10.mat' X10 clear all A = imread('11.jpg'); B = imfinfo('11.jpg'); X11 = getimg(A,B); save 'X11.mat' X11 clear all A = imread('12.jpg'); B = imfinfo('12.jpg'); X12 = getimg(A,B); save 'X12.mat' X12 clear all A = imread('13.jpg'); B = imfinfo('13.jpg'); X13 = getimg(A,B); save 'X13.mat' X13 clear all

(31)

A = imread('15.jpg'); B = imfinfo('15.jpg'); X15 = getimg(A,B); save 'X15.mat' X15 clear all A = imread('16.jpg'); B = imfinfo('16.jpg'); X16 = getimg(A,B); save 'X16.mat' X16 clear all A = imread('17.jpg'); B = imfinfo('17.jpg'); X17 = getimg(A,B); save 'X17.mat' X17 clear all A = imread('18.jpg'); B = imfinfo('18.jpg'); X18 = getimg(A,B); save 'X18.mat' X18 clear all A = imread('19.jpg'); B = imfinfo('19.jpg'); X19 = getimg(A,B); save 'X19.mat' X19 clear all A = imread('20.jpg'); B = imfinfo('20.jpg'); X20 = getimg(A,B); save 'X20.mat' X20 clear all A = imread('21.jpg'); B = imfinfo('21.jpg'); X21 = getimg(A,B);

(32)

B = imfinfo('22.jpg'); X22 = getimg(A,B); save 'X22.mat' X22 clear all A = imread('23.jpg'); B = imfinfo('23.jpg'); X23 = getimg(A,B); save 'X23.mat' X23 clear all A = imread('24.jpg'); B = imfinfo('24.jpg'); X24 = getimg(A,B); save 'X24.mat' X24 clear all A = imread('25.jpg'); B = imfinfo('25.jpg'); X25 = getimg(A,B); save 'X25.mat' X25 A = imread('26.jpg'); B = imfinfo('26.jpg'); X26 = getimg(A,B); save 'X26.mat' X26 A = imread('27.jpg'); B = imfinfo('27.jpg'); X27 = getimg(A,B); save 'X27.mat' X27 A = imread('28.jpg'); B = imfinfo('28.jpg'); X28 = getimg(A,B); save 'X28.mat' X28 A = imread('29.jpg'); B = imfinfo('29.jpg'); X29 = getimg(A,B); save 'X29.mat' X29

(33)

getimg.m function X = getimg(A,B) b = 8; width=B.Width; height=B.Height; A = rgb2gray(A); A = im2double(A); W=ceil(width/b); H=ceil(height/b I=zeros(H*b,W*b); I(1:height,1:width)=A(1:height,1:width); for J=1:H for K=1:W for j=1:b for k=1:b X(J,K,j,k)=I((J-1)*b+j,(K-1)*b+k); end end end end figure imshow(A) patch_train.m close all clear all clc clear all close all X = []; load X1 [a b H W] = dimen(X1);

(34)

patch = getpatch(a,b,H,W,X2); X = [X patch]; load X3 [a b H W] = dimen(X3); patch = getpatch(a,b,H,W,X3); X = [X patch]; load X4 [a b H W] = dimen(X4); patch = getpatch(a,b,H,W,X4); X = [X patch]; load X5 [a b H W] = dimen(X5); patch = getpatch(a,b,H,W,X5); X = [X patch]; load X6 [a b H W] = dimen(X6); patch = getpatch(a,b,H,W,X6); X = [X patch]; load X7 [a b H W] = dimen(X7); patch = getpatch(a,b,H,W,X7); X = [X patch]; load X8 [a b H W] = dimen(X8); patch = getpatch(a,b,H,W,X8); X = [X patch]; load X9 [a b H W] = dimen(X9); patch = getpatch(a,b,H,W,X9); X = [X patch]; load X10 [a b H W] = dimen(X10); patch = getpatch(a,b,H,W,X10);

(35)

X = [X patch]; load X12 [a b H W] = dimen(X12); patch = getpatch(a,b,H,W,X12); X = [X patch]; load X13 [a b H W] = dimen(X13); patch = getpatch(a,b,H,W,X13); X = [X patch]; load X14 [a b H W] = dimen(X14); patch = getpatch(a,b,H,W,X14); X = [X patch]; load X15 [a b H W] = dimen(X15); patch = getpatch(a,b,H,W,X15); X = [X patch]; load X16 [a b H W] = dimen(X16); patch = getpatch(a,b,H,W,X16); X = [X patch]; load X17 [a b H W] = dimen(X17); patch = getpatch(a,b,H,W,X17); X = [X patch]; load X18 [a b H W] = dimen(X18); patch = getpatch(a,b,H,W,X18); X = [X patch]; load X19 [a b H W] = dimen(X19); patch = getpatch(a,b,H,W,X19); X = [X patch];

(36)

load X21 [a b H W] = dimen(X21); patch = getpatch(a,b,H,W,X21); X = [X patch]; load X22 [a b H W] = dimen(X22); patch = getpatch(a,b,H,W,X22); X = [X patch]; load X23 [a b H W] = dimen(X23); patch = getpatch(a,b,H,W,X23); X = [X patch]; load X24 [a b H W] = dimen(X24); patch = getpatch(a,b,H,W,X24); X = [X patch]; load X25 [a b H W] = dimen(X25); patch = getpatch(a,b,H,W,X25); X = [X patch]; load X26 [a b H W] = dimen(X26); patch = getpatch(a,b,H,W,X26); X = [X patch]; load X27 [a b H W] = dimen(X27); patch = getpatch(a,b,H,W,X27); X = [X patch]; load X28 [a b H W] = dimen(X28); patch = getpatch(a,b,H,W,X28); X = [X patch];

(37)

load X30

[a b H W] = dimen(X30);

patch = getpatch(a,b,H,W,X30); X = [X patch];

save 'Patch train.mat' clear all dimen.m function [a b H W] = dimen(C) S = size(C); a = randperm(S(1)-1); b = randperm(S(2)-1); if S(1) < S(2) H = 10; W = 20; else H = 20; W = 10; end getpatch.m

function patch = getpatch(a,b,H,W,P) patch = [ ]; for i = 1:H J = a(i); for j = 1:W K = b(j); f=zeros(8,8); f(:,:) = P(J,K,:,:); f = f(:); patch = [patch f]; end end

(38)

– ubah sesuai dengan tingkatan noise yang diuji. Jika pada saat noise yang diuji 100 maka σ diisi nilai 100. clc clear all close all A = imread('lenaa.ras'); B = imfinfo('lenaa.ras'); Im = im2double(A); Y = imnoise(Im,'gaussian',0,(25/255)^2); subplot(2,1,1) imshow(Im) subplot(2,1,2) imshow(Y) C = 1.15; sd = σ/255; err = (C*sd)^2; lambda = 30/σ; C =B.Width; R =B.Height; N = C*R ; p = 8; n = p^2; X = [ ]; Y = Y(:); for J = 1 : C - p + 1 ; for I = 1 : R - p + 1 ; patch = [ ];

(39)

end

X = [X patch]; end

end

(40)

pada saat noise yang diuji 100 maka σ diisi nilai 100. Adapun nilai T diubah sesuai dengan parameter yang diuji. T merupakan sparsiti / nilai non-zero. OMP.m dan overDCT.m dibuka terlebih dahulu.

Learning Dictionary dengan K-SVD :

clc

close all clear all

load 'Patch train.mat' R = input('iterasi='); [N L] = size(X); K = 4*N; psi = overDCTdict(N,K); C = 1.15; sd = σ/255; err = (C*sd)^2; T = 4; tic for r = 1:R for jj = 1:L y = X(:,jj);

[teta, residual, M] = OMP(psi, y, T, err); Teta(:,jj) = teta;

(41)

if norm(Teta(i,:)) == 0 i disp('not updated') else w = find(Teta(i,:)~=0); S = 0; for l = 1:K if i == l temp = 0; else temp = psi(:,l)*Teta(l,w); end S = S + temp ; end E = X(:,w) - S; [U S V] = svd(E); psi(:,i) = U(:,1); Teta(i,w) = (V(:,1)*S(1,1))'; end end disp('Iterasi ke') r

save 'KSVD Dictionary.mat' psi

(42)

close all clear all

load 'Patch train.mat' R = input('iterasi='); [N L] = size(X); K = 4*N; psi = overDCTdict(N,K); C = 1.15; sd = σ/255; err = (C*sd)^2; T = 6; tic C = [ ]; r = X; i = 1; s = [ ]; Teta = zeros(K,L);

while (i <= T) && (norm(r,'fro') > err) A = psi'*r; % K x L;

[v j] = max(abs(A)); [vv jj] = max(abs(v)); t = j(jj) ;

(43)

temp = ((C'*C)^-1)*C'*X ; r = X - C*temp; Teta(s,:) = temp; i = i + 1; end for i = 1:K if norm(Teta(i,:)) == 0 i disp('not updated') else w = find(Teta(i,:)~=0); S = 0; for l = 1:K if i == l temp = 0; else temp = psi(:,l)*Teta(l,w); end S = S + temp ; end E = X(:,w) - S; [U S V] = svd(E);

(44)

disp('Iterasi ke') r

save 'KSVD Dictionary.mat' psi clear all

toc

OMP.m

function [s, residual, L] = OMP(A,y,T,err) s = zeros(size(A,2),1);

i = 2;

while (i-1 <= T) && (norm(r(:,end))>err) l = A'*r(:,i-1);

[B, IX] = sort(abs(l),'descend'); L = [L' IX(1)]';

Psi = A(:,L); x = Psi\y;

yApprox = Psi*x; r(:,i) = y - yApprox; i = i + 1; end s(L) = x; residual = r(:,end);

overDCTdict.m

function D = overDCTdict(n,L) D = zeros(n,L); D(:,1) = 1/sqrt(n);%sqrt=mencari akarnya for k = 2:L v = cos((0:n-1)*pi*(k-1)/L)'; v = v-mean(v);

D(:,k) = v/norm(v); %akan dijalankan saat k=2:L terpenuhi end

(45)

err = 1e-5 T = 12 ; C = 1.15;

sd = σ/255; %pada koding langsung diisi nilai. Di lampiran ditulis dalam bentuk simbol agar diketahui bahwa nilainya diubah sesuai parameter

err = (C*sd)^2; lambda = (30/255)/sd; A = imread('barbara.jpg'); B = imfinfo('barbara.jpg'); Im = im2double(A); C =B.Width; R =B.Height; N = C*R ; p = 8; n = p^2; load 'KSVD Dictionary' E = 0; F = 0; Y = imnoise(Im,'gaussian',0,sd^2); Y = Y(:); tic for J = 1 : C - p + 1 ; for I = 1 : R - p + 1 ; patch = [ ]; for j = 1:p for i = 1:p

(46)

[teta, residual, M] = OMP(psi, patch, T, err); f = psi*teta; temp = zeros(N,1); temp1 = zeros(N,1); for j = 1:p for i = 1:p k = ((I-1) + i) + (((J-1)+ (j-1))*R); temp(k) = 1; ind = i + (j-1)*p; temp1(k) = f(ind); end end E = E + temp; F = F + temp1; end end I = ones(N,1); sk = (lambda*I + E); sk = 1./sk; Z = sk.*(lambda*Y + F); err = Z - Im(:); P_signal = norm(Z)^2; P_err = norm(err(:))^2; MSE = P_err/N;

(47)

P_signal = norm(Y)^2; P_err = norm(err(:))^2; MSE = P_err/N; SNR_noise = 10*log10((P_signal)/P_err) PSNR_noise = 10*log10((1^2)/MSE) Y = reshape(Y,R,C); Z = reshape(Z,R,C); subplot(3,1,1) imshow(Im) subplot(3,1,2) imshow(Y) subplot(3,1,3) imshow(Z) toc

Gambar

Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100
Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10
Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75
Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25
+7

Referensi

Dokumen terkait

Hasil: Prosedur restrain yang diakukan di UPIP sebagian besar kurang sesuai dengan SOP yang telah ditetapkan oleh rumah sakit, diikat dalam waktu lebih dari 4 jam, Pelaksanaan

Berdasarkan hasil analisis data menunjukan bahwa kinerja lingkungan dan pengungkapan lingkungan berpengaruh terhadap kinerja keuangan pada perusahaan sektor barang

Candidates will gain a knowledge and understanding of national and international management of isheries and sustainability; human impacts on marine ecosystems and

Hasil penelitian menunjukkan bahwa: 1)Volume perdagangan saham pada periode publikasi tidak lebih tinggi dari di luar periode publikasi laporan arus kas, hal

yang tersimpan dalam basis data dapat. terdiri dari identifier item,

Penelitian terdahulu hanya menggunakan variabel kepemilikan institusional sebagai variabel independen, sedangkan pada peneliti saat ini menambahkan tiga variabel independen

Mengingat pentingnya dalam mencapai pembangunan ekonomi disektor perikanan terutama perikanan tambak diantara sektor-sektor yang lain maka penelitian ini mencoba menganalisa dan

Genetic variants and allele frequencies of kappa casein in Egyptian cattle and buffalo using PCR-RFLP.. Le polymorphisme genetique ded principales