Contoh perbandingan citra asli dan citra yang terkena Rayleigh noise dapat dilihat pada Gambar 2.6.
a b
Gambar 2.6. a Citra sebelum terkena noise, b Citra setelah terkena Rayleigh Noise.
2.4 Filtering
Filtering adalah teknik untuk memodifikasi atau meningkatkan mutu citra. Sebagai contoh, kita dapat mem-filter sebuah citra untuk mengutamakan fitur
tertentu dan membuang fitur yang lain noise. Filtering merupakan salah satu aspek
pengolahan citra
yang pada
umumnya memiliki
tujuan untuk
menghilangkan noise pada citra digital dan juga untuk menghaluskan citra. Dalam pengolahan citra, filtering juga menggunakan prinsip mengambil fungsi citra pada
frekuensi-frekuensi tertentu dan membuang fungsi citra pada frekuensi-frekuensi tertentu.
2.4.1 Weighted Mean Filtering Filter Rata-rata Berbobot
Weighted Mean Filtering adalah merupakan salah satu dari kategori Spatial Filtering. Pada dasarnya metode ini hampir sama dengan Mean Filtering, tetapi
pada Weighted Mean Filtering kita menambahkan bobot individu pada posisi wilayah subimage nilai pixel citra yang akan di-filter dan mengganti nilai pixel
dengan hasil jumlah perkalian semua nilai intensitas dari tetangga pixel tersebut dengan bobot yang diberikan kemudian dibagi dengan jumlah bobot keseluruhan.
Bobot weight yang dipakai pada perhitungan ini bukanlah bilangan random. Tetapi nilai bobot tersebut merupakan nilai terbaik yang dapat digunakan
sehingga nantinya didapat hasil yang maksimal dalam proses filtering-nya. Bobot tersebut memiliki pola tertentu pada setiap baris dan kolomnya, dalam hal ini
peneliti memakai bobot dengan pola binomial. Pola bobot yang peneliti pakai pada penelitian ini adalah W= [1,2,1,2,3,2,1,2,1] Burger, 2008. Secara
matematis, Weighted Mean diberikan oleh persamaan Burger 2008 :
̅ ∑
∑
Keterangan: ̅= Weighted Mean
xi = nilai nilai intensitas pixel ke-i wi = bobot weight ke-i
n = jumlah pixel dalam kernel
Cara kerja rumus Weighted Mean Filter : 1.
Misalkan nilai dari citra adalah W = [3,7,2,1,0,0,9,5,5]. 2.
Bobot untuk Weighted Mean adalah X = [1,2,1,2,3,2,1,2,1]. 3.
Lakukan perkalian nilai citra dengan banyak bobot Weighted Mean kemudian hasilnya dijumlahkan.
4. Kemudian lakukan pembagian dengan jumlah semua bobot .
5. Setelah proses dilakukan maka nilai Weighted Mean
̅ = 3
Contoh proses perhitungan Weighted Mean Filtering ditunjukkan pada Gambar 2.7.
3 7 2 1 0 0
9 5 5
Nilai Weighted Mean :
̅
Hasil perhitungan :
Gambar 2.7. Contoh proses perhitungan Weighted Mean Filtering.
2.4.2 Harmonic Mean Filtering
Harmonic mean filter adalah anggota dari bagian Nonlinear filter yang lebih baik dalam menghilangkan Gaussian noise dari pada metode Aritmetic mean filter
Sutoyo, T. Mulyanto, E. 2009. Pada filter ini, pixel akan digantikan oleh perkalian ukuran subimage pixel dibagi dengan hasil penjumlahan tiap per satuan
nilai pixel.
1 2
1 2
3 2
1 2
1
3 7 2
1 0 0
9 5 5
3 7 2
1 3 0
9 5 5
Bobot weight
Operasi dari harmonic mean filter diberikan oleh persamaan Kadir, 2013:
Keterangan :
1. m x n adalah mbaris dan nkolom kernel Harmonic Mean Filter. 2. Gs,t adalah baris dan kolom pixel yang akan diproses
Perhitungan digital dari Harmonic mean filter :
Misalkan S
xy
adalah subimage dari sebuah citra berukuran 3 x 3 yang mempunyai nilai- nilai intensitas seperti berikut :
G = [5,6,5,9,10,1,5,6,10]
Contoh proses perhitungan Harmonic Mean Filtering ditunjukkan pada Gambar 2.8.
nilai Harmonic Mean :
f x,y =
⁄ ⁄
⁄ ⁄
⁄ ⁄
⁄ ⁄
⁄
=
4 5
6 5
9 10
1 5
6 10
Hasil perhitumgan :
Gambar 2.8. Contoh proses perhitungan Harmonic Mean Filtering
2.5 Mean Square Error MSE
