atau berubah sangat lambat. Operasi denoise dilakukan untuk menekan komponen yang berfrekuensi tinggi dan meloloskan komponen yang berfrekuensi rendah
Murinto, 2007. Contoh citra yang memiliki noise dapat dilihat pada gambar 2.6.
Gambar 2.6. Citra usg.bmp yang berisi noise
2.7. Pengolahan Citra Digital
Operasi-operasi pengolahan citra diklasifikasikan dalam beberapa jenis sebagai berikut Munir, 2004:
1. Perbaikan kualitas citra image enhancement
Bertujuan untuk memperbaiki kualitas yang dimiliki citra dengan cara memanipulasi parameter-parameter citra, sehingga ciri-ciri khusus yang terdapat pada citra dapat
ditonjolkan. Contoh-contoh operasi perbaikan citra: a.
Perbaikan kontras gelapterang. b.
Perbaikan tepian objek. c.
Penajaman. d.
Pemberian warna semu. e.
Penapisan derau. 2.
Pemugaran citra image restoration Bertujuan menghilangkan atau meminimumkan cacat pada citra. Dengan operasi ini
penyebab degradasi gambar dapat diketahui. Contoh-contoh operasi pemugaran citra: a.
Penghilangan kesamaran deblurring. b.
Penghilangan derau noise.
Universitas Sumatera Utara
3. Pemampatan citra image compression
Bertujuan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan
dalam operasi ini adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode Run
Length Encoding RLE. 4.
Segmentasi citra image segmentation Tujuan dari operasi ini untuk memecah suatu citra ke dalam beberapa segmen dengan
kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. 5.
Pengorakan citra image analysis Bertujuan menghitung besaran kuantitatif dari citra untuk menghilangkan
deskripsinya. Teknik pengorakan citra mengektraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek edge detection
b. Ekstraksi batas boundary
c. Representasi daerah region
6. Rekonstruksi citra image reconstruction
Bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang medis. Contohnya beberapa foto
rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.
Universitas Sumatera Utara
2.7.1. Pengolahan Citra di Kawasan Spasial dan Kawasan Frekuensi Citra dapat ditransformasikan baik pada domain spasial, maupun domain frekuensi.
Ada dua cara untuk melakukan transformasi yang ditunjukkan pada gambar 2.7.
Gambar 2.7. Proses Transformasi Citra
Pada pengolahan citra di kawasan spasial, dapat dilakukan transformasi spasial dengan memanipulasi intensitas piksel, seperti brightness dan thresholding posisi
piksel seperti rotasi dan translasi. Sedangkan pengolahan citra di kawasan frekuensi, diperlukan transformasi domain untuk memetakan citra dari kawasan spasial ke dalam
kawasan frekuensi, transformasi inilah yang kemudian dinamakan transformasi Fourier. Dengan cara ini, citra digital ditransformasikan lebih dulu dengan
transformasi Fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse transformasi Fourier untuk
mendapatkan citra kembali. Metode domain frekuensi ini dapat digunakan untuk menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan
menggunakan metode domain spasial Sutoyo, 2009. 2.7.1.1. Adaptive Median Filter
Salah satu cabang dari Median Filter adalah Adaptive Median Filter. Adaptive Median Filter dirancang untuk menghilangkan masalah yang dihadapi dengan standar Median
Filter. Perbedaan mendasar antara dua filter ini adalah bahwa pada Adaptive Median Filter besarnya window jendelakernel sekitarnya setiap piksel adalah variabel.
Variasi ini tergantung pada median dari piksel dalam jendela sekarang atau saat ini. Jika nilai median adalah impulse, maka ukuran jendela akan diperluas. Jika tidak,
proses lebih lanjut dilakukan pada citra dalam spesifikasi jendela saat ini Al-amri, et al. 2010.
Universitas Sumatera Utara
Pada dasarnya pada “pengolahan” citra diperlukan : piksel pusat dari jendela window dievaluasi untuk memverifikasi apakah itu suatu impulse atau bukan. Jika
itu adalah suatu impulse, maka nilai piksel baru pada gambar yang telah difilter akan menjadi nilai median dari piksel dalam jendela itu. Jika piksel pusat bukan suatu
impulse, maka nilai dari pusat piksel akan dipertahankan dalam citra yang difilter. Piksel terkecuali yang dipertimbangkan sebagai sebuah impulse, nilai grayscale
dalam piksel pada gambar yang difilter adalah sama dengan citra masukan. Adaptive median filter memiliki tujuan ganda yaitu menghapus impuls noise pada gambar dan
mengurangi distorsi pada gambar. Adaptive Median Filter dapat menangani operasi filter pada gambar rusak dengan impulse noise. Filter ini juga memperhalus noise.
Dengan demikian, filter ini memberikan output citra jauh lebih baik dari standar median filter.
Filter ini melakukan pengolahan spasial untuk menentukan nilai mana dalam citra yang terkena noise dengan membandingkan setiap pikselnya terhadap
tetangganya. Ukuran window dapat disesuaikan dengan batasan maksimum window. Piksel yang berbeda dengan tetangganya maka dianggap sebagai noise untuk
kemudian digantikan dengan nilai median piksel yang ada dalam satu window. Ukuran dari Median Filter dipergunakan pada piksel individual yang ditentukan berdasarkan
perkiraan tingkat noise lokal. Filter yang lebih besar dipakai pada area dengan noise tingkat tinggi, dan filter yang lebih kecil dipakai pada area dengan noise tingkat
rendah Listiyani, 2013. Tujuan dari algoritma Adaptive Median Filter ini adalah mengidentifikasi
kandidat noise Z
xy
kemudian mengganti setiap Z
xy
dengan nilai median dari piksel yang ada pada window S
xy
. Algoritma ini bekerja pada dua bagian, bagian A dan B sebagaimana terlihat pada persamaan 3 dan persamaan 4 Prasetyo, 2011 :
Bagian A :
1 =
−
2 =
− ……………………………………………………………… 3
Jika A1 0 dan A2 0, pindah ke bagian B. Jika tidak, naikkan ukuran window Jika ukuran window
≤ , ulangi bagian A. Jika tidak, keluarkan
Bagian B :
Universitas Sumatera Utara
1 =
−
2 =
− ……………………………………………………………….. 4
Jika B1 0 dan B2 0, keluarkan . Jika tidak, keluarkan
Penjelasan untuk algoritma Adaptive Median Filter adalah sebagai berikut Thivakaran Chandrasekaran, 2010:
Untuk setiap piksel pada lokasi x,y : Langkah 1. Inisialisasi S = 3.
Langkah 2. Hitung ,
, dan yang merupakan nilai minimum, median,
dan maksimum dari piksel-piksel di dalam window .
Langkah 3. Lakukan perhitungan pada persamaan 3 yang berfungsi untuk melihat apakah
. Jika hasilnya bernilai true, dilanjutkan ke langkah 5. Jika tidak, atur ukuran
= + 2
, hingga mencapai ukuran maksimum dari .
Langkah 4. Jika ≤
, ulangi langkah 2. Selain itu, ubah dengan
. Langkah 5. Lakukan perhitungan pada persamaan 4 yang berfungsi untuk melihat
apakah . Jika hasilnya bernilai true, maka
bukan noise sehingga nilai tidak perlu diubah, selain itu, ubah nilai
dengan nilai .
Keterangan : = fltering window
= nilai piksel pusat pada window = nilai minimum pada window
= nilai tengah pada window = nilai maksimum pada window
= ukuran maksimal window
Universitas Sumatera Utara
2.7.1.2. Wiener Filter Wiener Filter adalah salah satu jenis filter spasial non-linear. Wiener filter yang
diusulkan pertama kali oleh N. Wiener pada tahun 1942 dilaksanakan dengan meminimalkan kesalahan kuadrat rerata antara citra ideal dan citra terestorasi. Apabila
f adalah citra ideal dan adalah citra terestorasi, kesalahan kuadrat reratanya berupa
= ,
−
,
≈ ∑
∑
,
−
,
…….. 5 Dengan M adalah tinggi citra dan N adalah lebar citra. Solusi atas problem di atas
dikenal dengan nama Wiener Filter Kadir Susanto, 2013. Dalam kawasan frekuensi, solusi untuk Wiener Filter berupa McAndrew, 2004 :
, = 1
, | , |
| , | + , …………………………………………… 6
Dimana
,
pada persamaan 6 merupakan nilai dari hasil alihragam Fourier yang akan digunakan nantinya, dan
,
adalah piksel citra. Sementara adalah nilai konstanta yang dalam hal ini bernilai 100.
2.8. Parameter Pembanding Kualitas Citra