optimasi nilai ambang wavelet berbasis logika … · optimasi nilai ambang wavelet berbasis logika...
TRANSCRIPT
OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA
(Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median
absolute deviation)
PRESENTASI TUGAS AKHIR – KI091391
Penyusun Tugas Akhir :
Diah Karisma Andini
(NRP : 5106.100.065)
Dosen Pembimbing : Yudhi Purwananto, S.Kom, M.Kom
Rully Soelaiman, S.Kom, M.Kom
09 januari 2012 Tugas Akhir – KI091391
1
• Proses perbaikan citra adalah salah satu topik penting dalam pengolahan citra digital. Dan salah satu permasalahan yang dihadapai adalah adanya noise (derau ) yang biasanya disebabkan pada saat pengambilan dan proses transmisi data sehingga mengakibatkan lemahnya kualitas suatu citra atau tidak sesuai dengan citra asli. Oleh karena itu diperlukan proses denoising ( pengurangan derau).
• Proses denoising citra dapat dilakukan pada domain citra, namun akan memiliki directional selectivity yang buruk, sehingga dilakukan penelitian dengan metode wavelet untuk mengatasinya. Dalam denoising terdapat banyak metode yang dapat digunakan, Dan pada tugas akhir ini akan digunakan metode wavelet berbasis logika fuzzy.
LATAR BELAKANG
01 Februari 2012 Tugas Akhir – KI091391
2
• Proses denosing wavelet berbasis logika fuzzy akan dilakukan melalui proses dekomposisi, perhitungan fuzzy, fuzzy membership function, perhitungan citra bebas noise dan rekonstruksi citra.
• Pada fuzzy membership function, proses thresholding di penelitian sebelumnya dirasa kurang optimal karena perhitungannya masih memasukkan nilai variabel secara manual dimana nilai konstanta yang digunakan adalah k1 (0, 0.5, 1) dan k2 (1, 1.5, 2, 2.5, 3, 3.5) sedangkan nilai estimasi noise langsung memasukkan nilai varians noise, oleh karena itu perlu dilakukan optimasi nilai ambang wavelet agar hasil yang diperoleh dapat lebih optimal.
LATAR BELAKANG (2)
1. Bagaimana mendapatkan nilai konstanta terbaik yang sebelumnya dilakukan dengan nilai-nilai yang telah ditentukan secara langsung?
2. Bagaimana menghitung estimasi varians noise pada sebuah citra berwarna yang telah diberi noise?
RUMUSAN MASALAH
01 Februari 2012 Tugas Akhir – KI091391
4
a. Citra yang diproses adalah citra RGB berukuran 512 x 512.
b. Implementasi dilakukan menggunakan Matlab 7.6
c. Tipe noise yang digunakan dalam proses uji coba adalah gaussian white noise .
d. Varians noise sudah ditetapkan yaitu 5, 15, 25, 35, 40, dan 50
BATASAN MASALAH
01 Februari 2012 Tugas Akhir – KI091391
5
a. Memperbaiki hasil penelitian sebelumnya dalam mendapatkan nilai threshold
b. Membangun aplikasi dengan menggunakan matlab 7.6 untuk mendapatkan nilai threshold yang optimal
TUJUAN
01 Februari 2012 Tugas Akhir – KI091391
6
Membuat noise
Dekomposisi menggunakan DT-DWT
Citra asal
DESAIN MODEL UMUM APLIKASI
01 Februari 2012 Tugas Akhir – KI091391
7
Denoising menggunakan logika fuzzy
Citra hasil
Rekonstruksi menggunakan DT-IDWT
100 200 300 400 500
100
200
300
400
500
100 200 300 400 500
100
200
300
400
500
100 200 300 400 500
100
200
300
400
500
Masukan awal berupa citra RGB. selanjutnya dari citra input ditambahkan Gaussian White Noise sebagai simulasi citra bernoise, kemudian dilakukan proses dekomposisi dengan Transformasi Wavelet Diskrit Dual-tree (DT-DWT) untuk menghasilkan subband wavelet yang akan dijadikan input untuk proses denoising menggunakan logika fuzzy. Dan Langkah terakhir adalah proses rekonstruksi
kembali subband wavelet yang bebas noise .
PENJELASAN MODEL UMUM APLIKASI
Citra asal
DESAIN MODEL MEMBUAT NOISE
01 Februari 2012 Tugas Akhir – KI091391
9
Generate gaussian white noise
Inisialisasi varians noise
100 200 300 400 500
100
200
300
400
500
100 200 300 400 500
100
200
300
400
500
Pada proses ini sengaja dilakukan penambahan noise terhadap citra asli untuk mengetahui seberapa besar metode denoising efektif menghilangkan noise. Model noise yang digunakan adalah Additive Gaussian White Noise dimana parameter yang digunakan adalah varians noise. Varians noise dapat dipilih dengan nilai 5, 15, 25, 35 , 40 dan 50. semakin besar nilai varians maka citra akan semakin banyak mengandung noise
PENJELASAN MODEL MEMBUAT NOISE
DESAIN MODEL DEKOMPOSISI
01 Februari 2012 Tugas Akhir – KI091391
11
Citra bernoise Start
Citra hasil dekomposisi (LL, LH, HL, HH)
End
Filtering
• Wavelet adalah suatu fungsi yang mempresentasikan data. Fungsi wavelet akan memotong-motong data menjadi komponen-komponen frekuensi yang berbeda sehingga komponen-komponen tersebut dapat dipelajari dengan menggunakan skala resolusi yang sesuai.
• Pada wavelet diskrit terdapat dua jenis yaitu non redudant dan redudant. Non redudant yaitu discrete wavelet transform (DWT) dan redudant yaitu dual tree discrete wavelet transform (DT-DWT)
• Transformasi wavelet memiliki dua tahap, yaitu dekomposisi dan rekonstruksi
• Dari dekomposisi akan menghasilkan subband-subband wavelet yang akan dijadikan input pada proses denoising
METODE WAVELET
12
• Dekomposisi dilakukan dengan filtering untuk memisahkan citra yang memiliki frekuensi rendah dan citra yang memiliki frekuensi tinggi. Hasil dari dekomposisi akan menghasilkan 4 subband, yaitu Low-Low (LL), subband Low- High (LH), subband High-Low (HL) dan subband High-High (HH) untuk setiap level.
• Dekomposisi pada DT-DWT menggunakan dua pasang filter tree yaitu tree real dan tree imajiner secara terpisah untuk melakukan sum dan diferencing, masing-masing memfilter citra secara horizontal kemudian vertical, sehingga menghasilkan 8 subband.
METODE WAVELET (2)
LL1 LH1
HL1 HH1
LL2 LH2
HL2 HH2
Tree pertama Tree kedua 13
• Enam highpass subband kemudian secara linear dikombinasikan baik itu sum maupun diferencing sehingga menghasilkan subband dari setiap levelnya, diperoleh sebagai berikut :
• DT-DWT memiliki directional selectivity yang baik dibandingkan dengan DWT karena DT-DWT memiliki filter arah ± 75º, ± 15º, ± 45º. Berbeda halnya dengan fungsi dasar HH pada DWT yang hanya ± 45º. Dengan menerapkan rumus
Filter DWT
Filter DT-DWT
2/ba HLHL 2/ba HLHL
2/ba LHLH 2/ba LHLH
2/ba HHHH 2/ba HHHH
METODE WAVELET (3)
14
DESAIN MODEL DENOISING
01 Februari 2012 Tugas Akhir – KI091391
15
Menghitung nilai fuzzy feature
Start
Menghitung nilai fuzzy membership function
End
Menghitung citra bebas noise
• Dekomposisi DT-DWT menghasilkan subband koefisien wavelet yaitu koefisien aproksimasi (LL) dan koefisien detail (LH,HL,HH). Proses denoising akan dilakukan pada koefisien detail tetapi tidak dengan koefisien aproksimasi karena menyimpan informasi penting
• Dari koefisien detail akan dicari nilai fuzzy feature sebagai proses awal untuk memperbaiki informasi citra pada subband-subband wavelet, selain itu juga dapat menandakan noise pada subband yang harus disusutkan. Yang dihitung dengan rumus :
• W(l,k) merupakan hasil perkalian dari magnitude similarity m(l,k) dan spatial similarity s(l,k)
METODE DENOISING (1)
01 Februari 2012 Tugas Akhir – KI091391
16
L
Ll
K
Kk
L
Ll
K
Kk
ds
klw
kjliyklw
jif
),(
),(),(),(
,
2,, ),(),(
exp),(Thr
kjliyjiyklm
dsds
N
klkls
22
exp),(
• Proses pembentukan fuzzy membership function adalah dengan melalui pendekatan kurva-S (sigmoid), kurva-S didefinisikan dengan menggunakan 3 parameter, yaitu : T1, T2, dan , dengan rumus :
• Nilai x merupakan nilai fuzzy feature, T1 dan T2 merupakan hasil perkalian nilai konstanta (k1 dan k2) dengan estimasi varians noise ( )
221 TT
METODE DENOISING (2)
2
221
211
1
2
12
2
2
12
1
2
2
1
21
2
0
)(
Tx
TxTT
TTxT
Tx
TT
xT
TT
Tx
x
17
nKT ̂11 nKT ̂22
n̂
Nilai konstanta ditentukan dengan melakukan beberapa percobaan sehingga diperoleh nilai yang lebih detail dan optimal.
Nilai estimasi varians noise dihitung dengan menggunakan metode median absolute deviation (mad)
Dari kedua langkah diatas, fuzzy feature akan dibandingkan dengan 3 nilai parameter threshold, sehingga dapat ditentukan fuzzy membership function yang akan digunakan . Sehingga citra bebas noise didapatkan menggunakan rumus berikut:
),()),((),(ˆ ,, jiyjifjix dsds
METODE DENOISING (3)
Median Absolute Deviation (mad) dapat digunakan Untuk menghitung estimasi noise varians, yaitu dengan menyatakan ukuran sebaran data.
Mad bersifat sensitif terhadap outliners, akan tetapi tidak terlalu memindahkan nilai sebaran data lebih banyak seperti pada parameter standar deviasi dan varians dalam merespons adanya data yang buruk / outlier.
Deviasi Absolut suatu elemen dari sebuah kumpulan data adalah perbedaan mutlak antara elemen dan titik tertentu. Biasanya titik dari penyimpangan yang diukur adalah tendensi sentral, salah satu nilai tersebut adalah nilai median.
Rumus untuk menghitung Median Absolute Deviation (mad ) adalah sebagai berikut :
METODE MEDIAN ABSOLUTE DEVIATION (MAD)
n̂
DESAIN MODEL REKONSTRUKSI
01 Februari 2012 Tugas Akhir – KI091391
20
Citra ter-denoising (LL, LH, HL, HH)
Start
Citra hasil rekonstruksi
End
Filtering
• Rekontruksi merupakan kebalikan dari dekomposisi
• Pada proses rekonstruksi akan dilakukan penggabungan antara subband-subband wavelet sehingga akan menghasilkan citra yang utuh dan tidak terbagi-bagi.
MODEL REKONSTRUKSI
LL1 LH1
HL1 HH1
LL2 LH2
HL2 HH2
Hasil citra
21
• SNR digunakan untuk mengukur tingkat kualitas sinyal. Nilai ini dihitung berdasarkan perbandingan antara citra asli dengan citra hasil denoising. Kualitas sinyal berbanding lurus dengan dengan nilai SNR. Semakin besar nilai SNR semakin baik kualitas sinyal yang dihasilkan. SNR dihitung dalam satuan decibels (dB). Persamaan SNR adalah sebagai berikut:
• SNR = 10 log 10
22
SNR (signal to noise ratio)
1
0
1
0
2
1
0
1
0
2
),(),(
),(
m
x
n
y
m
x
n
y
yxfyxf
yxf
• Skenario ujicoba dilakukan melalui tahap sebagai berikut :
1. Menentukan Nilai variabel konstanta (k1 dan k2), bertujuan untuk mendapatkan nilai k1 dan k2 yang akan digunakan untuk optimasi nilai ambang. Dengan memberikan nilai varians yang berbeda pada citra akan diperoleh nilai SNR. Diasumsikan bahwa nilai k1 dan k2 yang dipakai adalah pada saat SNR mencapai optimal
2. Menghitung Estimasi Varians Noise, bertujuan untuk mengukur penyebaran noise pada citra berdasarkan nilai varians yang diberikan menggunakan Median Absolute Deviation
3. Menghitung Signal to Noise Ratio (SNR), bertujuan untuk mengukur tingkat kualitas sinyal dengan membandingkan citra input dan citra yang telah didenoising menggunakan optimasi nilai ambang.
SKENARIO UJI COBA
01 Februari 2012 Tugas Akhir – KI091391
23
a. Uji coba 1, menambahkan varians noise yang diberikan ke input citra Lena. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 25, 35, 40 dan 50.
b. Uji coba 2, menambahkan varians noise yang diberikan ke input citra Pepper. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 25, 35, 40 dan 50.
c. Uji coba 3, menambahkan varians noise yang diberikan ke input citra Baboon. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 25, 35, 40 dan 50.
d. Uji coba 4, menambahkan varians noise yang diberikan ke input citra Plane. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 25, 35, 40 dan 50.
e. Uji coba 5, menambahkan varians noise yang diberikan ke input citra Stone. Terdapat 6 varians noise yang akan diuji, yaitu 5, 15, 25, 35, 40 dan 50.
UJI COBA
1. Nilai k1 dan k2 hasil percobaan terhadap citra lena pada masing – masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 1;
2. Hasil perhitungan estimasi noise varians pada citra lena dengan nilai varians 5, 15, 25, 35, 40 dan 50 dapat dilihat pada tabel 2 :
3. Hasil citra denoising adalah sebagai berikut :
UJI COBA 1 : Denoising pada citra Lena
Tabel 2 Tabel 1
Varians Lena
k1 k2 SNR optimal
5 0 2.68 25.8608
15 0.42 1.96 22.9527
25 0.52 1.54 22.2413
35 0.56 1.36 20.1884
40 0.58 1.26 18.2931
50 0.6 1.2 18.0193
Varians Estimasi Noise
5 5.1854
15 15.5478
25 25.9122
35 36.2769
40 41.4593
50 51.8241
UJI COBA 1 : Denoising pada citra Lena (2)
Varians noise = 5
SNR = 25.8595
Varians noise = 15 Varians noise = 25
SNR = 22.9178 SNR = 22.2333
UJI COBA 1 : Denoising pada citra Lena(3)
Varians noise = 35
SNR = 20.1806
Varians noise = 40
SNR = 18.2831
Varians noise = 50
SNR = 18.0085
1. Nilai k1 dan k2 hasil percobaan terhadap citra pepper pada masing – masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 3;
2. Hasil perhitungan estimasi noise varians pada citra pepper dengan nilai varians 5, 15, 25, 35, 40 dan 50 dapat dilihat pada tabel 4 :
3. Hasil citra denoising adalah sebagai berikut :
UJI COBA 2 : Denoising pada citra Pepper
Tabel 4 Tabel 3
Varians Pepper
k1 k2 SNR optimal
5 0 3.46 24.5014
15 0 3.5 19.3345
25 0 3.5 19.2695
35 0.26 3.5 16.0390
40 1 3.5 12.2558
50 1 3.5 12.5831
Varians Estimasi Noise
5 5.1849
15 15.5479
25 25.9124
35 36.2771
40 41.4595
50 51.8243
UJI COBA 1 : Denoising pada citra Baboon (2)
Varians noise = 5
SNR = 24.3708
Varians noise = 15 Varians noise = 25
SNR = 18.8569 SNR = 17.4734
UJI COBA 1 : Denoising pada citra Baboon (3)
Varians noise = 35
SNR =14.361
Varians noise = 40 Varians noise = 50
SNR = 12.446 SNR = 12.1528
1. Nilai k1 dan k2 hasil percobaan terhadap citra Baboon pada masing – masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 5;
2. Hasil perhitungan estimasi noise varians pada citra Baboon dengan nilai varians 5, 15, 25, 35, 40 dan 50 dapat dilihat pada tabel 6:
3. Hasil citra denoising adalah sebagai berikut :
UJI COBA 3 : Denoising pada citra Baboon
Tabel 6 Tabel 5
Varians
Baboon
k1 k2 SNR optimal
5 0 2.78 24.3724
15 0.28 2.02 18.8582
25 0.44 1.66 17.4784
35 0.46 1.56 14.3710
40 0.5 1.4 12.4532
50 0.54 1.32 12.1590
Varians Estimasi Noise
5 5.1855
15 15.5484
25 25.9129
35 36.2777
40 41.4601
50 51.8249
UJI COBA 3 : Denoising pada citra Baboon (2)
Varians noise = 5
SNR = 24.5001
Varians noise = 15 Varians noise = 25
SNR = 19.348 SNR = 19.2701
UJI COBA 3 : Denoising pada citra Baboon (3)
Varians noise = 35
SNR =16.0605
Varians noise = 40 Varians noise = 50
SNR = 12.3006 SNR = 12.6318
1. Nilai k1 dan k2 hasil percobaan terhadap citra Plane pada masing – masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 7;
2. Hasil perhitungan estimasi noise varians pada citra plane dengan nilai varians 5, 15, 25, 35, 40 dan 50 dapat dilihat pada tabel 8:
3. Hasil citra denoising adalah sebagai berikut :
UJI COBA 4 : Denoising pada citra Plane
Tabel 8 Tabel 7
Varians Plane
k1 k2 SNR optimal
5 0 2.78 27.1430
15 0.28 2.02 24.927
25 0.44 1.66 24.326
35 0.46 1.56 22.3267
40 0.5 1.4 20.9899
50 0.54 1.32 20.5896
Varians Estimasi Noise
5 5.184
15 15.5436
25 25.9051
35 36.2668
40 41.4477
50 51.8096
UJI COBA 4 : Denoising pada citra Plane (2)
Varians noise = 5
SNR = 27.1421
Varians noise = 15 Varians noise = 25
SNR = 24.9232 SNR = 24.1587
UJI COBA 4 : Denoising pada citra Plane (3)
Varians noise = 35
SNR =22.3124
Varians noise = 40 Varians noise = 50
SNR = 20.9809 SNR = 20.5757
1. Nilai k1 dan k2 hasil percobaan terhadap citra Stone pada masing – masing varians dengan nilai SNR optimal dapat dilihat hasilnya pada tabel 9;
2. Hasil perhitungan estimasi noise varians pada citra stone dengan nilai varians 5, 15, 25, 35, 40 dan 50 dapat dilihat pada tabel 10:
3. Hasil citra denoising adalah sebagai berikut :
UJI COBA 5 : Denoising pada citra Stone
Tabel 10 Tabel 9
Varians Stone
k1 k2 SNR optimal
5 0 2.08 30.5876
15 0.44 1.54 26.0300
25 0.56 1.38 24.5897
35 0.62 1.18 22.1511
40 0.62 1.12 20.4715
50 0.64 1.1 20.0104
Varians Estimasi Noise
5 5.1858
15 15.5442
25 25.9054
35 36.2671
40 41.448
50 51.8098
UJI COBA 5 : Denoising pada citra stone (2)
Varians noise = 5
SNR = 30.5834
Varians noise = 15 Varians noise = 25
SNR = 26.0193 SNR = 24.5726
UJI COBA 5 : Denoising pada citra stone (3)
Varians noise = 35
SNR =22.1363
Varians noise = 40 Varians noise = 50
SNR = 20.4561 SNR = 19.9912
• Metode wavelet berbasis logika fuzzy terbukti dapat digunakan untuk memperbaiki / mengembalikan citra yang diberi noise kedalam kondisi bebas noise
• Metode Median Absolute Deviation dapat digunakan untuk menghitung estimasi varians noise
• Dengan melakukan lebih banyak percobaan untuk menentukan nilai k1 dan k2 yang sesuai dapat mempengaruhi nilai threshold yang akan diperoleh
KESIMPULAN
01 Februari 2012 Tugas Akhir – KI091391
40
• Tingkat keberhasilan ( diukur menggunakan SNR ) pada metode wavelet berbasis logika fuzzy bergantung dari nilai varians noise
• Nilai kontanta k1 dan k2 yang digunakan dan nilai estimasi noise varians memiliki pengaruh dalam menentukan SNR. Berdasarkan ujicoba, setiap citra memiliki nilai k1 dan k2 serta nilai estimasi yang berbeda-beda.
• Metode denoising citra berwarna berbasis logika fuzzy lebih optimal dengan optimasi Nilai Ambang Wavelet
KESIMPULAN (2)
a. Perlu dilakukan uji coba yang lebih mendalam untuk mengetahui efektivitas hasil perbaikan dengan metode wavelet berbasis logika fuzzy dalam citra RGB.
b. Perlu dilakukan percobaan optimasi nilai ambang berbasis logika fuzzy pada citra multispectral satelit.
SARAN
01 Februari 2012 Tugas Akhir – KI091391
42
• Secara ilmiah, logika fuzzy merupakan suatu logika bernilai banyak yang dapat mendefinisikan nilai diantara keadaan biasa seperti “ya” atau “tidak”, “benar” atau “salah”, “hitam” atau “putih”, dan sebagainy
• Logika fuzzy akan memberikan nilai yang spesifik pada setiap nilai diantara pernyataan “ya” atau “tidak” dengan menentukan fungsi keanggotaan (membership function). Fungsi keanggotaan berada diantara 0 sampai 1, sehingga memungkinkan bagi suatu persamaan memiliki nilai true dan false secara bersamaan.
LOGIKA FUZZY
01 Februari 2012 Tugas Akhir – KI091391
44