PRESENTASI TUGAS AKHIR – KI091391
RESTORASI CITRA DENGAN METODE ITERATIF
BERDASARKAN
BAYESIAN GAUSS-MARKOV LINEAR
MODEL
DENGAN ALGORITMA GLOBAL GMRESMODEL
DENGAN ALGORITMA GLOBAL GMRESPenyusun Tugas Akhir :
Alfa Masjita Rahmat (NRP. 5106100103)
Dosen Pembimbing :
Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom. Rully Soelaiman, S.Kom, M.Kom.
PRESENTASI TUGAS AKHIR – CI 1599
RESTORASI CITRA DENGAN MENGGUNAKAN
METODE ITERATIF
LANCZOS – HYBRID
REGULARIZATION
REGULARIZATION
Penyusun Tugas Akhir :
Alfa Masjita Rahmat (NRP. 5106100103)
Dosen Pembimbing :
Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom. Rully Soelaiman, S.Kom, M.Kom.
LATAR BELAKANG (1)
• Dalam proses pengiriman citra digital, baik melalui
satelit maupun media yang lain akan mengalami gangguan dari luar yang berupa
blur
ataunoise
gangguan dari luar, yang berupa
blur
ataunoise
, sehingga menyebabkan kualitas citra yang diterima menjadi turun dibandingkan dengan citra aslinya.j g g y• Restorasi citra merupakan sebuah proses untukp p
memperbaiki atau merekonstruksi citra yang sebelumnya terdegradasi sehingga dapat menyerupai
it li
LATAR BELAKANG (2)
• Digunakan sebuah pendekatan baru, yaitu
pendekatan iteratif terhadap permasalahan restorasi citra yang seringkali dijumpai
citra yang seringkali dijumpai.
• Salah satu metode yang digunakan untuk • Salah satu metode yang digunakan untuk
permasalahan tersebut adalah
Metode Iteratif
dengan
Menggunakan
Lanczos
–
Hybrid
dengan
Menggunakan
Lanczos
Hybrid
TUJUAN
• Tujuan dari pembuatan tugas akhir ini adalah untuk
mengimplementasikan proses restorasi citra dengan menggunakan metode iteratif
Lanczos
Hybrid
menggunakan metode iteratif
Lanczos – Hybrid
Regularization
sehingga diharapkan dapatmenghasilkan citra yang lebih optimal dan efektif darig y g p metode pembanding yang lain.
MODEL REKONSTRUKSI CITRA
PROSES DEGRADASI CITRA
• Citra yang terdegradasi adalah citra yang
terpengaruh oleh
blur
dannoise
.P d d i it d t di t ik
• Proses degradasi citra dapat direpresentasikan
sebagai berikut :
( ) (
i
j
f
h
)( ) ( )
i
j
v
i
j
g
,
=
*
,
+
,
(1)• Dimana : g adalah citra terdegradasi, f adalah citra
asal h adalah PSF dan v adalah noise aditif asal, h adalah PSF dan v adalah noise aditif.
• Operator * adalah konvolusi dan (i,j) merupakan
representasi pixel citra representasi pixel citra.
MODEL REKONSTRUKSI CITRA
PROSES DEGRADASI CITRA (2)
•
Point Spread Function
(PSF) merupakan suatu fungsimatematis yang menggambarkan proses blurring pada citra seperti pengaruh suatu titik pusat cahaya pada citra, seperti pengaruh suatu titik pusat cahaya terhadap titik yang lain.
• Pada Tugas Akhir ini PSF yang menyebabkan efekPada Tugas Akhir ini, PSF yang menyebabkan efek
blur tertentu telah diketahui sebelumnya. Misalnya : efek blur yang disebabkan oleh
athmospheric
turbulence blur
yaitu Gaussian PSF.MODEL REKONSTRUKSI CITRA
b f ll d l h h l bl
PROSES DEGRADASI CITRA (3)
• PSF yang bersifat spatially invariant adalah hasil citra blur
-nya tidak bergantung dari posisi citra, sehingga blur yang dihasilkan terlihat sama tanpa memperhatikan letak posisi dihasilkan terlihat sama tanpa memperhatikan letak posisi pada citranya.
• Model diskrit dari proses degradasi citra dengan PSF yang
bersifat spatially invariant dapat dinyatakan dalam Fourier space sebagai berikut :
n
f
H
g
+
(2)• dimana f, g dan n merupakan vektor dari matrix asalnya
yaitu : F citra asli, G citra terdegradasi, N noise aditif dan
n
f
H
g
=
.
+
(2)ya tu c t a as , G c t a te deg adas , o se ad t da H adalah blurring matrix
MODEL REKONSTRUKSI CITRA
PENDEKATAN ITERATIF
• Metode iteratif akan menyelesaikan sistem
persamaan linear dengan cara mencari nilai aproksimasi dari solusi secara berulang-ulang
aproksimasi dari solusi secara berulang-ulang.
• Sistem linear pada
large-scale inverse problem
seringdirepresentasikan sebagai berikut : direpresentasikan sebagai berikut :
n
Ax
b
=
+
(3)• Dimana
A
є Rm x n,b
є Rm danx
є Rn• Vektor
n
є Rm merepresentasikan gangguan pada • Vektorn
є Rm merepresentasikan gangguan padadata (
unknown perturbations
) dan matrixA
bersifatMODEL REKONSTRUKSI CITRA
PENDEKATAN ITERATIF (2)
• Permasalahan tersebut seringkali disebut sebagai
ill-posed problem
, dimana gangguan pada data (dalamhal ini
noise
) dapat memberikan pengaruherror
hal ini,
noise
) dapat memberikan pengaruherror
yang signifikan pada saat proses perhitungan aproksimasi dari x.p
• Persamaan (3) sering digunakan pada beberapa
permodelan aplikasi, seperti rekonstruksi citra dan
restorasi citra dan lainnya.
• Dibutuhkan penyelesaian secara iteratif pada pada
permasalahan tersebut karena bersifat
large-scale
METODE RESTORASI CITRA
LANCZOS – HYBRID REGULARIZATION
• Metode ini menggabungkan dua metode yang
berperan penting dalam menyelesaikan
large scale
ill-posed problem
antara lain :posed problem,
antara lain :• Metode Iteratif Lanczos Bidiagonalization dan
• Teknik regularisasi Tikhonov dengan Weighted GCV sebagaig g g g
metode pemilihan parameter regularisasi.
• Dasar penggabungan kedua metode tersebut yaitu : • Dasar penggabungan kedua metode tersebut yaitu :
• Memproyeksikan permasalahan ill-posed berskala besar
pada Krylov Subspace dengan dimensi yang lebih kecil
• Kemudian permasalahan ill-posed dari hasil proyeksi
tersebut bisa diselesaikan dengan mudah melalui teknik regularisasi
METODE RESTORASI CITRA
• Berikut ini gambaran model sistem restorasi citra dengan metode
LANCZOS – HYBRID REGULARIZATION (2)
• Berikut ini gambaran model sistem restorasi citra dengan metode
iteratif lanczos hybrid regularization secara umum :
Permasalahan Penyelesaian secara iteratif Perancangansistem dan restorasi citra
large scale ill-posed
y
dan proyeksi Krylov Subspace dengan Lanczos Bidiaogonalization
Projected Least Square
uji coba
Penyelesaian ill-posed problem dari hasil proyeksi, dengan
regularisasi tikhonov
Selesai
tidak
-Projected Least Square ill-posed problem. -Matrix Bidigonal Bk f sebagai Stop atau Konvergen ? regularisasi tikhonov ya
Perhitungan nilai aproksimasi x -fλ sebagai
solusi projected ill-posed problem
X b i h il ?
Penentuan Stopping Kriteria dan konvergensi hasil
-Xk sebagai hasil
proses restorasi
dan konvergensi hasil
METODE RESTORASI CITRA
LANCZOS BIDIAGONALIZATION
• Metode ini adalah metode iteratif yang digunakan
untuk menyelesaikan permasalahan
large scale.
D k k i d K l
• Dengan menggunakan proyeksi pada Krylov
Subspace, dengan properti
orthonormality
, akan dihasilkan urutan vektor Lanczosw
k dany
k serta dihasilkan urutan vektor Lanczosw
k dany
k , serta bilangan α dan β dari matrix A berukuran m x n.• Dengan vektor lanczos yang bersifat orthonormal,Dengan vektor lanczos yang bersifat orthonormal,
maka :
(
)
∈ ×( +1) = m k R w w w W(
)
(4) 1 2 1 1 , ,..., + + = k ∈ k w w w R W(
)
n k k k y y y R Y = 1, 2,..., ∈ × (4) (5)METODE RESTORASI CITRA
d k k d d l k
LANCZOS BIDIAGONALIZATION (2)
• Pada iterasi ke-k dari Lanczos Bidiagonalization akan
terbentuk matrix bidiagonal Bk sebagai berikut : ⎟ ⎞ ⎜ ⎛α ⎟ ⎟ ⎟ ⎟ ⎟ ⎞ ⎜ ⎜ ⎜ ⎜ ⎜ ⎛ = 3 2 2 1 k B β α β α O O (6)
• Konstruksi kolom dari matrix Wk+1 dan Yk akan memenuhi
⎟ ⎟ ⎠ ⎜ ⎜ ⎝ k+1 k β α O k+1 k kondisi recurrence sebagai berikut :
1 − − = T j j j j j y A w
β
yα
j j j j j 1 (7) j j j j jw
Ay
α
w
β
+1 +1=
−
(8)METODE RESTORASI CITRA
( ) d ( ) k b k
LANCZOS BIDIAGONALIZATION (3)
• Dari persamaan (7) dan (8), maka terbentuk representasi
dibawah ini :
k k
k
W
B
AY
=
+1 (9)• Bila vektor awal adalah
b
dan kolom pertama dariWk+1 adalah maka k k k +1
b
b
/
Wk+1 adalahb
/
b
maka(
e
)
b
W
k+1β
1 1=
(10)METODE RESTORASI CITRA
LANCZOS BIDIAGONALIZATION (4)
• Berdasarkan proyeksi pada krylov subspace dan
perhitungan matrix Bk, Wk+1 dan Yk, permasalahan least square pada
large scale ill-posed
akan menjadi : least square padalarge scale ill-posed
akan menjadi :2 2 min min A b AYk f b R f x K x∈ k − = ∈ k −
Dengan sifat
orthogonality
pada matrix W(
1 1)
2 1 min Wk Bk f e R f kβ
− = + ∈ (11)• Dengan sifat
orthogonality
pada matrix Wk+1,sehingga Lanczos Bidiagonalization akan menyelesaikan projected least square problem :
menyelesaikan projected least square problem :
2 1 1
min
B
kf
e
R f kβ
−
∈ (12) fMETODE RESTORASI CITRA
l kh d l h d
REGULARISASI TIKHONOV
• Regularisasi Tikhonov adalah suatu metode yang
digunakan untuk menyelesaikan permasalahan ill-posed,
yaitu seperti persamaan (12) : yaitu seperti persamaan (12) :
2 1 1
min
B
kf
e
R f kβ
−
∈• Dengan menggunakan Singular Value Decomposition
(SVD) dari Bk, maka nilai f adalah :
i k i i T i i v e u f
∑
= Φ = 1 1) (σ
β
λ Æ ui dan vi : vektorsingular kiri dan kanan i (13)
i 1
[ ]
0,1 2 2 2 ∈ + = Φλ
σ
σ
i i matrix BkÆ σi : nilai singular dari
matrix Bk (14)
+
λ
σ
METODE RESTORASI CITRA
Weighted GCV
• Parameter regularisasi (λ) mempunyai pengaruh
yang besar pada teknik regularisasi tikhonov, sehingga pemilihannya harus dilakukan secara tepat sehingga pemilihannya harus dilakukan secara tepat.
• Dengan menggunakan SVD dari matrix Bk maka nilai
λ didapatkan dengan menghitung fungsi Weighted
λ didapatkan dengan menghitung fungsi Weighted GCV dibawah ini :
(
)
2 2 2 1. . ⎟⎞ ⎜ ⎛∑
k T T i e u β λ β(
)
(
)
(
)
2 2 2 1 1 2 2 1 . . , ⎤ ⎡ ⎟ ⎞ ⎜ ⎛ + ⎟⎟ ⎠ ⎜⎜ ⎝ + =∑
= k i T i i i e u n G σ λ β λ σ β λ ω (15)(
)
1 2 2 2 2 1 1 ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ + ⎟⎟ ⎠ ⎞ ⎜⎜ ⎝ ⎛ + − + +∑
= i i i i σ λ σ ω λ σ λ Nilai ω harus diketahui d h l dahulu…METODE RESTORASI CITRA
Weighted GCV (2)
• Nilai omega akan dicari dengan menggunakan
derivasi dari fungsi W-GCV :
∂
N d it i it i b ik t i(
)
[
]
opt kG
,,
λ λλ
ω
λ
=∂
∂
(16)• Namun, pada iterasi – iterasi berikutnya, pencarian
nilai ω berdasarkan pendekatan diatas akan gagal, karena nilai
σ
(B
k) akan mendekati 0 akibat kondisi karena nilaiσ
min (B
k) akan mendekati 0 akibat kondisiMETODE RESTORASI CITRA
d k l k d l h
Weighted GCV (3)
• Cara pendekatan yang lain untuk mencari omega adalah
dengan menggunakan formula berikut ini:
{
}
• Berdasarkan pendekatan diatas, bagian yang digunakan
{
k}
k
mean
ω
ω
ω
ω
=
1,
2,...,
(17)Berdasarkan pendekatan diatas, bagian yang digunakan masih bersifat well-conditioned. Sehingga hal itu berguna untuk membantu menstabilkan efek dari nilai singular yg k il
kecil.
• Namun, ada hal lain yang membatasi cara pencarian nilai
ω dengan pendekatan diatas yaitu solusinya akan bersifat
ω dengan pendekatan diatas yaitu solusinya akan bersifat
undersmooth untuk nilai k yang semakin membesar. Oleh karena itu, dibutuhkan stopping criteria yang tepat.
METODE RESTORASI CITRA
REGULARISASI TIKHONOV dengan WGCV
• Secara umum, alur regularisasi tikhonov dengan
Weighted GCV untuk penyelesaian ill-posed problem dari hasil proyeksi Krylov Subspace adalah :
dari hasil proyeksi Krylov Subspace adalah :
Pencarian nilai ω pada fungsi W-GCV
Pencarian λ (parameter regularisasi) dengan menghitung fungsi W-GCV
Menghitung fλ sebagai hasil penyelesaian ill-posed problem dari hasil proyeksi
METODE RESTORASI CITRA
k l d
PERHITUNGAN NILAI
x
• Aproksimasi solusi x dari :
Dihit b d k k i 2 d K l S b
min
Ax
b
x
−
• Dihitung berdasarkan proyeksi pada Krylov Subspace,
dimana permasalahan large scale diatas menjadi :
min
B
f
β
• Dan aproksimasi solusinya adalah :
2 1 1
min
B
kf
e
R f kβ
−
∈ p y• Dimana f adalah hasil dari regularisasi tikhonov dan Yk
f
Y
x
k=
k (18)k adalah matrix hasil dari Lanczos Bidiagonalization
METODE RESTORASI CITRA
l k d l h b d l
STOPPING CRITERIA
• Perilaku metode lanczos – hybrid regularization yang
konvergen saat kondisi ideal juga berdampak pada perilaku konvergensi dari fungsi GVC yaitu G(j, λk) pada perilaku konvergensi dari fungsi GVC yaitu G(j, λk) pada suatu nilai tertentu.
• Sehingga, iterasi dapat dihentikan ketika selisih nilai
fungsi GCV-nya sangat kecil, seperti formula berikut ini:
(
)
(
)
l j G j G ,λk+1 − ,λkNamun pendekatan diatas sangat jarang ditemui pada
(
)
(
)
(
j)
tol G j G j G k k < + 1 1 , , , λ λ λ (19)• Namun, pendekatan diatas sangat jarang ditemui pada
sebagian besar contoh permasalahan yang ada karena perilaku semi-konvergen dari solusi
METODE RESTORASI CITRA
STOPPING CRITERIA (2)
• Perilaku semi-konvergen pada solusi tentunya juga
berdampak pada nilai fungsi GCV yang mengalami perilaku semi-konvergen
perilaku semi-konvergen
• Oleh karena itu, kriteria lain untuk pemberhentian
iterasi dan fungsi GCV yang digunakan adalah: iterasi dan fungsi GCV yang digunakan adalah:
(
k)
k
j G
PERANCANGAN SISTEM
DATA MASUKAN
• Data yang dibutuhkan untuk membangkitkan citra
terdegradasi (b) yaitu
1 P i t S d F ti (PSF) 1. Point Spread Function (PSF)
2. Blurring matrix yang berasal dari PSF (A) 3 Nil i P k Si l T N i R i (PSNR) 3. Nilai Peak Signal-To-Noise Ratio (PSNR)
• Data input yang dibutuhkan oleh sistem restorasi
citra antara lain :
1 Cit a ang te deg adasi (b)
1. Citra yang terdegradasi (b)
PERANCANGAN SISTEM
DATA KELUARAN
• Data keluaran yang dihasilkan oleh sistem :
1. Citra hasil restorasi
2 Nil i l i
2. Nilai relative error
UJI COBA DAN ANALISIS
SKENARIO UJI COBA
• Skenario uji coba yang dilakukan adalah:
1. Perubahan parameter blur (contoh : σ pada Gaussian PSF)
PSF)
2. Variasi nilai PSNR (prosentase noise) pada citra terdegradasi
terdegradasi
3. Perubahan dimensi / ukuran citra terdegradasi
4. Uji coba dengan metode pembanding lain (Wiener,j g p g ( , Lucy Richardson dan Regularized Filter pada Matlab)
5. Penggunaan preconditioner pada proses restorasi citra
d t d it tif l h b id l i ti
UJI COBA DAN ANALISIS
SKENARIO 1 – Perubahan
σ
pada Gaussian PSF
• Tabel hasil perbandingan citra hasil terhadap perubahan nilai σ
pada citra lena dengan nilai PSNR = 40 dB
Sigma(σ) Iterasi Error Relatif Sigma(σ) Iterasi Error Relatif
2 6 0.0061 3 6 0.0103 4 6 0 0147 4 6 0.0147 5 7 0.0184 Analisis hasil :
Perubahan nilai σ menyebabkan hasil yang berbeda pada tiap citra uji. Semakin besar nilai sigmanya, citra akan menjadi semakin Jumlah iterasi tidak dipengaruhi secara signifikan oleh perubahan nilai sigma. Hal itu
The image cannot be displayed. Your computer may not have enough memory to open the image, or the image may have been corrupted. Restart your computer, and then open the file again. If the red x still appears, you may have to delete the image and then insert it again.
g y j
kabur dan sehingga sistem mempunyai keterbatasan dalam merestorasi citra tersebut. Hal itu terlihat dari nilai error relatif
g p g
disebabkan pemilihan stopping criteria hanya berdasarkan grafik GCV.
UJI COBA DAN ANALISIS
SKENARIO 2 – Variasi PSNR Citra Terdegradasi
• Berikut ini tabel hasil perbandingan citra hasil terhadap
variasi nilai PSNR pada 3 citra uji :
Cit PSNR It i Error Citra (dB) Iterasi Relatif
Nature PSF-1 6050 4515 0.05280.0631 Grain PSF-2 6050 6812 0.16620.2197 Pep - PSF G i ( 2 5) 40 6 0.0096 Gaussian(σ=2.5) 30 3 0.0128 A li i h il S ki k il il i PSNR k ki b h i
Kemudian, terjadi penurunan jumlah iterasi yang dihasilkan sesuai denganAnalisis hasil : Semakin kecil nilai PSNR maka semakin besar pengaruh noise pada citra terdegradasi. Hal ini berpengaruh pada hasil restorasi citra. Terlihat jelas bahwa nilai error relatif pada hasil restorasi pada citra uji dengan nilai PSNR rendah, lebih besar daripada citra uji dengan nilai PSNR yang tinggi.
Kemudian, terjadi penurunan jumlah iterasi yang dihasilkan sesuai dengan penurunan nilai PSNR yang digunakan. Hal ini menunjukkan terdapat pengaruh noise pada penyelesaian restorasi citra. Bila nilai PSNR yang digunakan semakin kecil, maka sistem akan segera mendeteksi bentuk perilaku semi konvergen b drendah, lebih besar daripada citra uji dengan nilai PSNR yang tinggi.k f i GCV hi it i j di b k
UJI COBA DAN ANALISIS
SKENARIO 3 – Perubahan Dimensi Citra Uji
• Berikut ini adalah tabel hasil perbandingan citra hasil terhadap
perubahan dimensi pada 3 citra uji :
Citra Dimensi Iterasi Error Kriteria Citra Dimensi Iterasi
Relatif Stop Leni PSF-1 PSNR 60 dB 256 x 256 48 0.0422 Semi-Konv 192 x 192 20 0.0668 Semi-Konv 128 128 153 0 0393 Fl t 10-4 128 x 128 153 0.0393 Flatness Grain PSF-2 PSNR = 60 dB 256 x 256 67 0.1684 Semi-Konv 192 x 192 15 0.197 Semi-Konv 128 x 128 12 0 198 Semi-Konv 10-5 128 x 128 12 0.198 Semi Konv Lena (σ=3) Gaussian PSF PSNR = 40 dB 256 x 256 6 0.0103 Semi-Konv 192 x 192 4 0.0099 Semi-Konv 128 x 128 3 0.012 Semi-Konv 10-6
Analisis hasil : Seringkali pada permasalahan nyata, hasil restorasi citranya tidak akan mengalami bentuk konvergensi. Namun, pada citra uji leni dengan dimensi 128x128 menghasilkan stopping kriteria flatness (selisih nilai fungsi GCVnya telah Terdapat pengaruh dimensi terhadap citra terdegradasi. Hal itu terlihat jelas pada citra lena dengan dimensi 128 x 128 dengan dimensi lainnya.
Noise yang muncul sangat terlihat jelas meskipun nilai PSNRnya tetap
100 101 102 103 10
g pp g ( g y
mendekati 0).
UJI COBA DAN ANALISIS
SKENARIO 4 – Uji Coba Metode Pembanding
• Berikut ini tabel hasil perbandingan citra hasil terhadap metode
lucy richardson, wiener dan regularized filter pada 3 citra uji :
L H b id L R Wiener Reg. Citra Lanczos Hybrid Lucy R. Filter
g Filter Iter Error Rel. Error Rel. Error Rel. Error Rel. Leni PSF-1, PSNR 60dB, 48 0.0421 0.1419 3.8933 3.8722
Tire PSF-2, PSNR 40dB 14 0.0526 0.1137 0.7262 0.624 Lena GaussianPSF (σ=5), PSNR 55dB 21 0.0149 0.0234 0.2663 0.2655
Analisis hasil : Restorasi citra dengan menggunakan metode iteratif lanczos – hybrid regularization menghasilkan nilai error relatif yang lebih kecil dibandingkan dengan ketiga metode lainnya. Sehingga metode lanczos – hybrid menghasilkan hasil yang lebih baik daripada metode wiener filter lucy menghasilkan hasil yang lebih baik daripada metode wiener filter, lucy
UJI COBA DAN ANALISIS
SKENARIO 5 – Pengaruh Preconditioner
• Pada metode iteratif yang menggunakan Krylov
subspace, preconditioner dapat digunakan untuk membantu terciptanya perilaku konvergensi solusi membantu terciptanya perilaku konvergensi solusi yang lebih cepat dari metode iteratif tersebut.
• Dengan kata lain preconditioner dapat mengurangi • Dengan kata lain, preconditioner dapat mengurangi
jumlah iterasi yang dibutuhkan untuk mendapatkan hasil yang optimal.y g p
• Implementasi preconditioner telah disediakan pada
UJI COBA DAN ANALISIS
SKENARIO 5 – Pengaruh Preconditioner(2)
• Berikut ini adalah tabel hasil perbandingan citra hasil terhadap
pengaruh preconditioner pada maupun tanpa preconditioner pada lanczos-hybrid regularization berdasarkan 3 citra uji :
p y g j
Citra
Hybrid Lanczos
Tanpa Preconditioner Preconditioner Iter Norm Krit. Iter Norm Krit. Iter Norm
Stop Iter Norm Stop Leni PSF-1 PSNR 60dB 48 0.0421 Semi-K 8 0.0181 Flatness Grain PSF 2PSNR 60dB 68 0 1673 Semi K 32 0 0266 Flatness Grain PSF-2PSNR 60dB 68 0.1673 Semi-K 32 0.0266 Flatness
Cameraman (σ=3)
Gaussian PSF PSNR 45 dB 10 0.0194 Semi-K 17 0.0196 Semi-K Tanpa PrecTanpa PrecTanpa Prec Prec.Prec.Prec.
Analisis hasil : Nilai error relatif akibat pengaruh preconditioner juga cenderung berubah. Hal itu semakin terlihat pada percobaan citra grain dan leni, dimana citra hasil restorasi dengan peran preconditioner lebih bagus dibandingkan
Peran cukup
Peran preconditioner pada metode lanczos – hybrid regularization cukup signifikan. Hal ini dapat dilihat pada citra leni dan grain, jumlah iterasi menjadi berkurang dengan hasil yang cukup bagus. Namun, pada citra cameraman,
it i dih ilk d diti l bih b k d i d t
Pada sebagian besar permasalahan restorasi citra secara iteratif, preconditioner mempunyai peran yang cukup signifikan dalam mereduksi jumlah iterasi. Namun, pada beberapa kasus, peran preconditioner masih belum tampak. Misalnya, padag p p g g iterasi yang dihasilkan dengan preconditioner lebih banyak daripada tanpa
p p , p p p y , p
KESIMPULAN DAN SARAN
l h d l k k b d l h l h d l k
KESIMPULAN
Setelah dilakukan uji coba dan analisis hasil terhadap aplikasi yang telah dibuat maka dapat diambil kesimpulan sebagai berikut:
berikut:
a. Perubahan parameter σ pada Gaussian PSF juga memberikan
hasil restorasi citra yang berbeda pula [Uji Coba 1]
bb. Jumlah iterasi yang dihasilkan oleh lanczos – hybrid
regularization bergantung pada grafik fungsi GCV yang
dipengaruhi oleh perubahan tingkat PSNR dan pengaruhp g p g p g
ukuran dimensi pada beberapa permasalahan. [Uji Coba 2 & 3]
c. Peran preconditioner pada metode lanczos – hybrid
regularization sebagian besar dapat mengurangi jumlah iterasi regularization sebagian besar dapat mengurangi jumlah iterasi
KESIMPULAN DAN SARAN
d R i i k d i if l h b id
KESIMPULAN (2)
d. Restorasi citra menggunakan metode iteratif lanczos – hybrid
regularization terbukti dapat menjadi salah satu metode alternatif dalam menyelesaikan permasalahan restorasi citra yang terdegradasi oleh blur dengan PSF yang tersedia dan noise aditif secara lebih baik dbandingkan dengan metode lain
yang sudah pernah ada. [Uji Coba 4]
KESIMPULAN DAN SARAN
k b l b h l d kh
SARAN
Saran untuk pengembangan lebih lanjut dari tugas akhir ini antara lain:
a Perlu dilakukan uji coba yang lebih mendalam untuk
a. Perlu dilakukan uji coba yang lebih mendalam untuk
mengetahui efektifitas hasil dengan metode lanczos – hybrid regularization.
b V i i it PSF di k l bih di b k t k
b. Variasi citra PSF yang digunakan agar lebih diperbanyak untuk
memberikan informasi tentang variasi hasil dan tingkat keoptimalan dari metode lanczos-hybrid regularization
DAFTAR PUSTAKA
[1] J Ch J G N d D P O’l A W i ht d GCV M th d f L
[1] J. Chung, J.G. Nagy and D.P. O’leary. A Weighted GCV Method for Lanczos Hybrid Regularization. Electronic Transactions on Numerical Analysis Vol. 28. 2008.
[2] R.C. Gonzalez and R.E. Woods. Digital Image Processing. Upper Saddle [2] R.C. Gonzalez and R.E. Woods. Digital Image Processing. Upper Saddle
River, NJ.: Prentice Hall, 2002.
[3] Image Processing Toolbox, The Mathworks Inc.
[4] A.K. Jain, Fundamentals of Digital Image Processing, Prentice-Hall, Engelwood Cliff NJ 1989
Cliffs, NJ, 1989.
[5] R.M. Larsen, Lanczos Bidiagonalization with Partial Reorthogonalization, Department of Computer Science, University of Aarhus, 1998.