Analisis Kualitas Citra Hasil Reduksi Noise Menggunakan Spatial Median Filter dan Adaptive Fuzzy Filter Terhadap Variasi Kedalaman Citra

Irpan Adiputra Pardosi, Ali Akbar Lubis

Abstract


Algoritma reduksi noise salt pada citra mampu mengurangi sebagian atau keseluruhan noise, tapi berdampak pada keragaman informasi dan kualitas citra. Persentase noise yang lebih besar juga membuat perubahan yang besar pada citra, namun hasilnya dapat berbeda untuk citra dengan kedalaman bit yang berbeda-beda. Kemampuan algoritma reduksi noise mampu bekerja maksimal untuk noise di bawah 20%. Penelitian terdahulu mengenai proses reduksi noise citra diantaranya menggunakan algoritma Adaptive Fuzzy Filter (AFF) dan Spatial Median Filter (SMF) yang mampu menghilangkan noise. Keduanya mampu mereduksi noise dengan hasil maksimal di bawah 45% pada citra 8 bit, namun menyisakan beberapa noise. Oleh karena itu, perlu dikaji kinerja algoritma dan dampaknya terhadap citra dengan noise yang lebih besar. Penelitian ini khusus mengatasi noise jenis salt and pepper dengan persentase noise di atas 45% pada citra warna bitmap. Selain itu, penelitian ini menganalisis citra hasil mulai dari kualitas citra dan keragaman informasi setelah proses reduksi noise dengan menggunakan Algoritma SMF dan AFF. Dari hasil pengujian citra untuk persentase noise salt 45%, 55%, 65%, dan 75% pada kedalaman citra 8, 16, dan 24 bit, dapat disimpulkan bahwa Algoritma AFF lebih baik dibandingkan SMF mengacu pada nilai Peak Signal to Noise Ratio (PSNR), sebaliknya algoritma SMF lebih baik untuk keragaman informasi, mengacu pada nilai shannon entropy. Kedua hal ini berlaku untuk semua variasi kedalaman citra warna.


Keywords


analisis kualitas citra; reduksi noise salt; spatial median filter; adaptive fuzzy filter

Full Text:

PDF

References


J. R. Tang and N. A. M. Isa, “An Adaptive Fuzzy Contrast Enhancement Algorithm with Details Preserving,” J. ICT Res. Appl., vol. 8, no. 2, pp. 126–140, Dec. 2014.

A. K. Gupta, S. S. Chauhan, and M. Shrivastava, “Low Contrast Image Enhancement Technique By Using Fuzzy Method,” Int. J. Eng. Res. Gen. Sci., vol. 4, no. 2, pp. 518–526, 2016.

M. Pitchammal, S. S. Nisha, and M. M. Sathik, “Noise Reduction in MRI Neck Image Using Adaptive Fuzzy Filter in Contourlet Transform,” Int. J. Eng. Sci. Comput., vol. 6, no. 3, pp. 2478–2484, 2016.

T. Gebreyohannes and D.-Y. Kim, “Adaptive Noise Reduction Scheme for Salt and Pepper,” Signal Image Process. An Int. J., vol. 2, no. 4, 2012.

E. J. Leavline and D. A. A. G. Singh, “Salt and Pepper Noise Detection and Removal in Gray Scale Images: An Experimental Analysis,” Int. J. Signal Process. Image Process. Pattern Recognit., vol. 6, no. 5, pp. 343–352, 2013.

L. Ehsan, “An Adaptive Fuzzy Filter for Gaussian Noise Reduction using Image Histogram Estimation,” Adv. Digit. Multimed., vol. 1, no. 4, pp. 190–193, 2013.

I. Irviantina, Syanti; Pardosi, “Salt and Pepper Noise Removal dengan Spatial Median Filter dan Adaptive Noise Reduction,” JSM (Jurnal SIFO Mikroskil), vol. 17, no. 2, pp. 127–136, 2016.

D. Putra, Pengolahan Citra Digital. Yogyakarta: Andi, 2010.

J. C. Church, Y. Chen, and S. V. Rice, “A Spatial Median Filter for noise removal in digital images,” in Conference Proceedings - IEEE SOUTHEASTCON, 2008, pp. 618–623.

Y. S. Choi and R. Krishnapuram, “A robust approach to image enhancement based on fuzzy logic,” IEEE Trans. Image Process., vol. 6, no. 6, pp. 808–825, 1997.

F. Russo, “Hybrid neuro-fuzzy filter for impulse noise removal,” Pattern Recognit., vol. 32, no. 11, pp. 1843–1855, 1999.

F. Russo and G. Ramponi, “Nonlinear fuzzy operators for image processing,” Signal Processing, vol. 38, no. 3, pp. 429–440, 1994.

P. Liu and H. Li, “Analyses for Lp(μ)-norm approximation capability of generalized Mamdani fuzzy systems,” Inf. Sci. (Ny)., vol. 138, no. 1–4, pp. 195–210, 2001.

Y. H. Kuo, C. S. Lee, and C. L. Chen, “High-stability AWFM filter for signal restoration and its hardware design,” Fuzzy Sets Syst., vol. 114, no. 2, pp. 185–202, 2000.

P. Liu, “Analysis of approximation of continuous fuzzy functions by multivariate fuzzy polynomials,” Fuzzy Sets Syst., vol. 127, no. 3, pp. 299–313, 2002.

P. & L. X. Liu, “Image restoration techniques based on fuzzy neural networks,” Sci. China Inf. Sci., vol. 45, no. 4, 2002.




DOI: https://doi.org/10.24002/ijis.v1i2.1939

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Indonesian Journal of Information Systems

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.