Implementasi Metode Gaussian dan Median Filtering dalam Penghilangan Noise pada Citra

2022 ◽  
Vol 10 (2) ◽  
pp. 189
Author(s):  
I Dewa Gede Rama Satya ◽  
I Made Widiartha ◽  
I Dewa Made Bayu Atmaja Darmawan ◽  
I Komang Ari Mogi ◽  
Luh Gede Astuti ◽  
...  
Keyword(s):  
Mean Square Error ◽  
Input Data ◽  
Signal To Noise Ratio ◽  
Median Filtering ◽  
Mean Square ◽  
Signal To Noise ◽  
Gaussian Filtering ◽  
Screen Capture ◽  
Noise Ratio

Meningkatnya angka kriminalitas menjadikan salah satu faktor dipasangnya CCTV pada beberapa sudut area oleh beberapa lembaga sebagai bentuk pengawasan, salah satunya yang telah dilakukan oleh Kementerian Perhubungan Republik Indonesia. Pengawasan melalui CCTV sering kali menghadapi gangguan, seperti hasil citra ber-noise yang menghambat proses pengidentifikasian suatu objek yang tertangkap CCTV. Oleh karena itu, penulis mencoba untuk melakukan implementasi metode Gaussian Filtering dan Median Filtering sebagai upaya dalam menghilangkan noise pada citra yang dihasilkan oleh CCTV. Implementasi yang akan dilakukan pada penelitian ini diawali dengan melakukan input data yang berupa citra hasil screen capture CCTV, kemudan dilakukan konversi dari citra berwarna menjadi citra greyscale. Tahap selanjutnya adalah melakukan penghilangan noise menggunakan metode Gaussian Filtering dan Median Filtering. Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR) digunakan dalam pengujian. Dapat disimpulkan dari penelitian ini, Median Filtering lebih efektif dalam melakukan penghilangan noise dari pada Gaussian Filtering. Hal ini dibuktikan dari 20 percobaan penghilangan noise menggunakan Median Filtering, 80% citra yang diproses menghasilkan nilai PSNR yang lebih besar daripada nilai PSNR citra dengan noise dan mengartikan jika citra yang diproses mendekati citra asli (citra tanpa noise). Sedangkan dari dari 20 percobaan penghilangan noise menggunakan Gaussian Filtering hanya 50% citra yang diproses menghasilkan nilai PSNR yang lebih besar daripada nilai PSNR citra dengan noise. Selanjutnya, untuk nilai standar deviasi terbaik penghilangan noise pada citra adalah ketika ada pada nilai 2 dengan rerata persentase penurunan noise sebesar 1,73%. Kata Kunci: CCTV, Citra, Pengolahan Citra, Noise, Gaussian Filtering, Median Filtering.

scholarly journals PEMILIHAN METODE PENGURANGAN NOISE PADA CITRA ULTRASONOGRAFI OVARIUM

2020 ◽  
Vol 15 (1) ◽  
pp. 13
Author(s):  
Eliyani Eliyani ◽  
Ahmad Riyadi Maulana
Keyword(s):  
Noise Reduction ◽  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Median Filtering ◽  
Mean Square ◽  
Signal To Noise ◽  
Noise Ratio

Pengurangan noise merupakan upaya untuk memperbaiki kualitas citra yang akan memudahkan tahapan selanjutnya dalam pengolahan citra. Noise Reduction atau mengurangi noise untuk menghasilkan citra lebih baik sehingga informasi data citra tidak hilang dan citra dapat diintepretasikan oleh mata manusia. Penelitian ini menggunakan data gambar ultrasonografi ovarium untuk membantu menganalisa kondisi kesehatan ovarium perempuan. Gambar ultrasonografi ovarium biasanya terdapat noise, metode pengurangan noise yang akan digunakan pada penelitian ini adalah Median Filtering dan Adaptive Median Filtering. Hasil filtering dari 2 metode tersebut akan dibandingkan menggunakan Mean Square Error(MSE) dan Peak Signal To Noise Ratio(PNSR). Ukuran kernel untuk Median Filtering dan Adaptive Median Filtering dipilih sebagai 3x3, 5x5, dan 7x7. Penelitian ini menghasilkan metode filtering dengan kinerja terbaik yaitu Adaptive Median Filtering dengan ukuran window 5x5 yang ditunjukan dari nilai Mean Square Error dan Peak Signal To Noise Ratio .

scholarly journals An Image Steganography Algorithm using Fractional Discrete Wavelet Transform with Advanced Encryption System

2020 ◽  
Vol 9 (5) ◽  
pp. 541-546
Keyword(s):  
Wavelet Transform ◽  
Discrete Wavelet Transform ◽  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Image Steganography ◽  
Discrete Wavelet ◽  
Mean Square ◽  
Signal To Noise ◽  
Noise Ratio

The research constitutes a distinctive technique of steganography of image. The procedure used for the study is Fractional Random Wavelet Transform (FRWT). The contrast between wavelet transform and the aforementioned FRWT is that it comprises of all the benefits and features of the wavelet transform but with additional highlights like randomness and partial fractional value put up into it. As a consequence of the fractional value and the randomness, the algorithm will give power and a rise in the surveillance layers for steganography. The stegano image will be acquired after administrating the algorithm which contains not only the coated image but also the concealed image. Despite the overlapping of two images, any diminution in the grade of the image is not perceived. Through this steganographic process, we endeavor for expansion in surveillance and magnitude as well. After running the algorithm, various variables like Mean Square Error (MSE) and Peak Signal to Noise ratio (PSNR) are deliberated. Through the intended algorithm, a rise in the power and imperceptibility is perceived and it can also support diverse modification such as scaling, translation and rotation with algorithms which previously prevailed. The irrefutable outcome demonstrated that the algorithm which is being suggested is indeed efficacious.

scholarly journals Analysis and Implementation of Enhanced Image Inpainting method using adjustable patch sizes

2021 ◽  
Vol 9 (3) ◽  
pp. 310-317
Keyword(s):  
Mean Square Error ◽  
Patch Size ◽  
Signal To Noise Ratio ◽  
Image Inpainting ◽  
Absolute Difference ◽  
Mean Square ◽  
Patch Selection ◽  
Signal To Noise ◽  
Distance Method ◽  
Noise Ratio

Image inpainting is the process of reconstruction of the damaged image and removal of unwanted objects in an image. In the image inpainting process patch priority andselection of best patch playsa major role. The patch size is also considered for producing good results in the image inpainting. In this paper patch priority is obtained by introducing a regularization factor (ɷ). The best patch selection is acquired by using the Sum of Absolute Difference (SAD) distance method. The results of inpainting are investigated with adjustable patch sizes of 5×5, 7×7, 9×9, 11×11, and 13×13 for the proposed method. The performance of these adjustable patch sizes is observed by using Peak Signal to Noise Ratio (PSNR) and Mean Square Error (MSE). The best suitable patch size for good inpainting is announced based on the values of PSNR and MSE.

scholarly journals PERBANDINGAN METODE UNTUK PERBAIKAN KUALITAS CITRA MAMMOGRAM

2016 ◽  
Vol 7 (2) ◽  
pp. 657
Author(s):  
Hanifah Rahmi Fajrin
Keyword(s):  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Median Filter ◽  
Region Of Interest ◽  
Contourlet Transform ◽  
Mean Square ◽  
Signal To Noise ◽  
Noise Ratio

Kanker payudara merupakan pembunuh nomor satu pada wanita di seluruh dunia. Sejauh ini, deteksi dari kanker payudara hanya menggunakan mata telanjang dan berdasarkan jam terbang (pengalaman) dari dokter dan radiologis. Terdapat beberapa kelemahan dalam menganalisis mammogram payudara guna mendeteksi keberadaan kanker payudara. Hal ini bisa diakibatkan oleh sel kanker yang tertutup oleh noise, kontras citra yang rendah dan faktor manusiawi lainnya seperti : kelelahan, mood, dan lainnya. Untuk meminimalisir hal tersebut dibutuhkan suatu metode yang dapat membantu dokter dalam menganalisis citra mammogram payudara. Pada penelitian ini, dilakukan suatu proses yang bertujuan untuk meningkatkan kualitas mammogram agar lebih memudahkan dokter dalam mendiagnosis kelainan pada payudara. Citra yang diolah merupakan citra mammogram yang tidak dipangkas dan tidak disegmentasi pada bagian Region of Interest (ROI), melainkan keseluruhan citra payudara setelah dihilangkan background yang berlebihan. Tahapan pada proses peningkatan kuliatas citra mammogram ini (pra pengolahan) terdiri dari : menghilangkan label atau artifak yang ditemukan pada mammogram, meng-crop citra pada bagian payudara saja (menghilangkan background), memperbaiki kontras citra dengan membandingkan beberapa metode yaitu: CLAHE, Non Subsampled Contourlet Transform (NSCT), Contras Stretching (CS) dan selanjutnya dilakukan smoothing dengan menggunakan filter median. Kinerja dari setiap metode dihitung dengan mencari nilai Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR) citra. Dari nilai MSE dan PSNR yang didapatkan, ditemukan nilai MSE dan PSNR terbaik pada metode NSCT dengan nilai 50.20878 db 31.75332 db. Kata kunci: CLAHE, NSCT, CS, median filter.

scholarly journals Steganographic Techniques Using Modified Least Significant Bit and Modification Reshape Transposition Methods

2021 ◽  
Vol 13 (1) ◽  
pp. 67-77
Author(s):  
Guntoro Barovih ◽  
Fadhila Tangguh Admojo ◽  
Yoda Hersaputra
Keyword(s):  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Lossless Compression ◽  
Mean Square ◽  
Least Significant Bit ◽  
Signal To Noise ◽  
Image File ◽  
Modification Technique ◽  
Noise Ratio

A message is a form of conveying information. Various ways are used to secure the information conveyed in the form of messages either in encrypted form or in the form of applying a password in the message. Messages can also be encrypted and embedded in other media such as images (steganography). This research aimed to insert a message into the form of an image by combining the Modified Least Significant Bit (MLSB) method in encrypting messages and reshape modification technique to determine at which position the message encryption will be embedded in the image. Tests were carried out to obtain the quality of the encryption process using the parameters of Fidelity, mean square error, peak signal to noise ratio, testing on file type, robustness, and comparison of message contents. The results of the tests showed that the files that can be used are files with the image file type in the lossless compression category, the rotation can be done at 90, 180, 270 without destroying the message in it, and changing the pixel in the image file will destroy the message inside

scholarly journals PERBAIKAN CITRA DENGAN NOISE MISSING BLOCK MENGGUNAKAN IMPLEMENTASI ALGORITMA PROJECTION ONTO CONVEX SETS (POCS)

KONVERGENSI ◽  
2016 ◽  
Vol 11 (01) ◽  
Author(s):  
Dwi Harini Sulistyawati ◽  
Heri Setyo Utomo
Keyword(s):  
Mean Square Error ◽  
Discrete Cosine Transform ◽  
Convex Sets ◽  
Signal To Noise Ratio ◽  
Mean Square ◽  
Signal To Noise ◽  
Cosine Transform ◽  
Projection Onto Convex Sets ◽  
Noise Ratio

Ketajaman kualitas gambar sangat diperlukan untuk melihat dan mengamati gambar dengan jelas tanpa gangguan seperti blur atau noise. Dalam proses pengiriman atau penyimpanan, gambar dapat terganggu dalam bentuk kerusakan pada bagian-bagian tertentu yang hilang atau blok-blok piksel, kerusakan ini adalah bentuk utama dari kesalahan dalam suatu gambar. Jadi dengan mengimplementasikan algoritma rekonstruksi citra Projection Onto Convex Sets (POCS) pada domain Discrete Cosine Transform (DCT) untuk meningkatkan citra, terutama gambar yang mengalami kerusakan pada beberapa bagian yang hilang atau blok piksel. Untuk blok proses pemulihan ada beberapa langkah yang harus diambil termasuk deteksi garis, pembacaan jendela di sekitarnya dan vektor pemulihan. Dari hasil pengujian dapat disimpulkan bahwa metode ini dapat digunakan untuk pemulihan blok POCS dan nilai-nilai piksel yang sesuai dengan blok warna di sekitar blok. Pengukuran nilai kesalahan citra menggunakan Mean Square Error (MSE) dan Peak Signal to Noise Ratio (PSNR).

scholarly journals Perbandingan Metode Contrast Enhancement pada Citra CT-Scan Kanker Paru-paru

Gravitasi ◽  
2020 ◽  
Vol 19 (2) ◽  
pp. 24-28
Author(s):  
Nurhidayah ◽  
Bannu Abdul Samad ◽  
Bualkar Abdullah
Keyword(s):  
Ct Scan ◽  
Contrast Enhancement ◽  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Median Filter ◽  
Histogram Equalization ◽  
Mean Square ◽  
Signal To Noise ◽  
Adaptive Histogram Equalization ◽  
Noise Ratio

Abstrak: Di Indonesia kanker paru menjadi penyebab kematian kedua setelah kanker payudara. Angka mortalitas yang cukup tinggi, maka penentuan diagnosis lebih awal memegang peranan yang sangat penting dalam manajemen terapi. Kelemahan CT-Scan dalam mendiagnosa kanker paru-paru disebabkan oleh kontras citra yang rendah dan derau pada citra. Pada penelitian ini akan membandingkan metode contrast enhancement berbasis histogram equalization dan contrast limited adaptive histogram equalization untuk meningkatkan kualitas citra dengan menggunakan software Matlab. Namun, sebelumnya dilakukan reduksi noise dengan menggunakan metode median filter. Kinerja dari setiap metode dihitung dengan mencari nilai MSE (Mean Square Error) dan PSNR (Peak Signal to Noise Ratio) citra. Dari nilai MSE dan PSNR yang di dapatkan diperoleh nilai MSE dan PSNR terbaik pada metode contrast limited adaptive histogram equalization dengan nilai 653,434 dB dan 245,547 dB.

A Novel Biometric Image Enhancement Approach With the Hybridization of Undecimated Wavelet Transform and Deep Autoencoder

2020 ◽  
pp. 245-269
Author(s):  
Sasirekha K. ◽  
Thangavel K.
Keyword(s):  
Wavelet Transform ◽  
Image Enhancement ◽  
Mean Square Error ◽  
Signal To Noise Ratio ◽  
Mean Square ◽  
Signal To Noise ◽  
Undecimated Wavelet Transform ◽  
Long Time ◽  
Noise Ratio ◽  
Undecimated Wavelet

For a long time, image enhancement techniques have been widely used to improve the image quality in many image processing applications. Recently, deep learning models have been applied to image enhancement problems with great success. In the domain of biometric, fingerprint and face play a vital role to authenticate a person in the right way. Hence, the enhancement of these images significantly improves the recognition rate. In this chapter, undecimated wavelet transform (UDWT) and deep autoencoder are hydridized to enhance the quality of images. Initially, the images are decomposed with Daubechies wavelet filter. Then, deep autoencoder is trained to minimize the error between reconstructed and actual input. The experiments have been conducted on real-time fingerprint and face images collected from 150 subjects, each with 10 orientations. The signal to noise ratio (SNR), peak signal to noise ratio (PSNR), mean square error (MSE), and root mean square error (RMSE) have been computed and compared. It was observed that the proposed model produced a biometric image with high quality.

Sign in / Sign up

Export Citation Format

Share Document