Restorasi Citra Implementasi Dan Perbandingan Metode Geometric Mean Filter Dan Alpha-Trimmed Mean Filter Untuk Mereduksi Exponential Noise Pada Citra Digital

Gambar 2.4 Grafik Exponential Noise Gambar 2.5 Contoh Noise Eksponensial Negatif

2.5. Restorasi Citra

Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana mengurangi perubahan bentuk dan penurunan kualitas citra yang diawali selama pembentukan citra tersebut pitas, 1993 [9]. Gonzalez dan Wood mendefinisikan citra sebagai proses yang berusaha merekontruksi atau mengembalikan suatu citra yang mengalami degradasi [1]. Jadi, restorasi merupakan teknik yang berorientasi pada pemodelan degradasi dan menerapkan proses invers dalam rangka merekontruksi pada citra yang original. Contoh noise filtering dapat dilihat pada gambar 2.6. Universitas Sumatera Utara Gambar 2.6 Contoh Noise Filtering 2.5.1. Geometric mean filter Sebuah citra diperbaiki dengan menggunakan geometric mean filter yang diberikan oleh persamaan: fˆ �, � = �∏ ��, � �,� �� �� � 1 �� ………………..2.5 �, � = koordinat pixel pada citra �� = dimensi citra pixel s,t = nilai intensitas pixel Π = perkalian nilai ����� yang terkena filter Setiap piksel yang diperbaiki oleh hasil kali masing-masing piksel dalam subimage window, kemudian dipangkatkan dengan 1 ��. Misalkan � �� adalah subimage dari sebuah citra dan � �� berukuran 3 �3 yang mempunyai nilai-nilai intensitas seperti pada gambar 2.7. 5 5 4 7 2 6 1 4 1 Gambar 2.7 Piksel Citra Awal Universitas Sumatera Utara fˆ �, � = 5 �5�4�7�2�6�1�4�1 1 3 �3 = 33600 1 9 = 3,18 = 3 Sehingga bagian dari citra berubah menjadi seperti pada gambar 2.8. 5 5 4 7 3 6 1 4 1 Gambar 2.8 Piksel Citra Hasil [9] 2.5.2. Alpha-trimmed mean filter Filter ini mengganti nilai sebuah piksel dengan nilai rata-rata dari dalam subimage di bawah jendela ketetanggaan ukuran mxn setelah dikurangi nilai terkecil dan nilai terbesar, seperti persamaan berikut: fˆ �, � = 1 ��−� ∑ � � �, � �,� �� �,� ………………..2.6 �, � = koordinat pixel pada citra �� = dimensi citra pixel � = nilai inputan 0 - 8 s,t = nilai intensitas pixel ∑ = penjumlahan nilai ����� yang terkena filter Dimana ≤ � ≤ �� − 1. Jika � = 0, filter ini bekerja seperti arithmetic mean filter. Jika � = �� − 1, filter ini menjadi median filter. Untuk nilai � yang lain, filter ini berguna untuk mereduksi noise pada citra yang terdegradasi berbagai jenis noise [3]. Universitas Sumatera Utara Citra piksel awal seperti pada gambar 2.9, dengan hasil filter untuk d = 2 seperti pada gambar 2.10. 5 6 5 7 8 9 10 1 3 2 5 6 10 3 2 7 4 4 5 1 2 3 5 3 3 Gambar 2.9 Piksel Awal Piksel citra tersebut kemudian akan dilakukan reduksi terhadap noise dengan nilai inputan d = 2. Maka perhitungannya adalah : �2,2 = 1 9 − 2 � 5 + 5 + 5 + 6 + 6 + 9 + 10 = 1 7 � 46 = 6,57 = 7 Hasil filter : 5 6 5 7 8 9 7 1 3 2 5 6 10 3 2 7 4 4 5 1 2 3 5 3 3 Gambar 2.10 Hasil Filter dengan d = 2

2.6. Pengukuran Kinerja Restorasi Citra