RESUME PAPER TRANSFORMASI

PERMASALAHAN DENOISING DALAM PENGOLAHAN CITRA DIGITAL DAN TEKNIK PENYELESAIANNYA

PENDAHULUAN

Gambar denoising telah dipelajari selama beberapa dekade dalam visi komputer, pengolahan citra dan pemrosesan sinyal statistik. Masalah ini tidak hanya menyediakan platform yang baik untuk memeriksa model gambar alam dan sinyal algoritma pemisahan, tetapi juga bagian penting dari perbaikan citra untuk sistem akui sisi citra digital. Kedua arah keduanya penting dan akan dibahas dalam makalah ini. Sebagian besar ada pekerjaan gambar denoising mengasumsikan aditif Gaussian white noise (AWGN) dan menghilangkan kebisingan secara independen dari data gambar RGB. Namun, jenis dan tingkat kebisingan yang dihasilkan oleh kamera digital tidak diketahui jika seri dan merek kamera, serta pengaturan kamera (ISO, shutter speed, aperture, dan flashon / off), tidak diketahui. Misalnya, formatfile gambar tukar (EXIF) meta data yang melekat dengan setiap gambar dapat hilang dalam format gambar konversi dan gambar mentransfer file[1]. Sementara itu,  statistik dari kebisingan warna ini tidak terlepas dari saluran RGB karena proses demosaic tertanam dalam kamera. Oleh karena itu, pendekatan yang paling denoising saat ini tidak benar-benar otomatis dan tidak dapat secara efektif menghilangkan noise warna.

Fakta ini mencegah teknik penghapusan kebisingan dari yang praktis diterapkan untuk denoising citra digital dan aplikasi meningkatkan. Dalam beberapa software image denoising, pengguna diwajibkan untuk menentukan sejumlah daerah gambar yang halus untuk memperkirakan tingkat kebisingan. Ini memotivasi kami untuk mengadopsi pendekatan berbasis segmentasi untuk secara otomatis memperkirakan tingkat kebisingan dari satu gambar. Karena tingkat kebisingan tergantung pada kecerahan gambar, kami mengusulkan untuk memperkirakan batas atas fungsi tingkat kebisingan (NLF) dari gambar. Gambar dibagi menjadi daerah halus piecewise dimana mean adalah estimasi kecerahan, dan standar deviasi adalah melebih-lebihkan tingkat kebisingan.

EVOLUSI      PENELITIAN GAMBAR DENOISING  

            Gambar denoising tetap menjadi masalah mendasar di bidang pengolahan citra. Wavelet memberikan kinerja yang unggul dalam gambar denoising karena sifat seperti struktur sparsity dan multiresolusi. Dengan Wavelet Transform mendapatkan popularitas dalam dua dekade terakhir berbagai algoritma untuk denoising dalam domain wavelet diperkenalkan. Fokus ini bergeser dari domain spasial dan Fourier ke Wavelet transform domain. Sejak Wavelet pendekatan thresholding berdasarkan Donoho yang diterbitkan pada tahun 1995, terjadi lonjakan di koran denoising diterbitkan. Walaupun konsep Donoho itu tidak revolusioner, metodenya tidak memerlukan pelacakan atau korelasi maxima wavelet dan minima seluruh skala yang berbeda seperti yang diusulkan oleh Mallat [3]. Dengan demikian, ada minat baru dalam wavelet berbasis teknik denoising sejak Donoho [4] menunjukkan pendekatan sederhana untuk masalah yang sulit. Para peneliti yang diterbitkan dengan cara yang berbeda untuk menghitung parameter untuk thresholding dari koefisien wavelet. Data adaptif ambang [6] diperkenalkan untuk mencapai nilai optimal threshold. Kemudian upaya menemukan bahwa perbaikan substansial dalam kualitas persepsi dapat diperoleh oleh terjemahan metode invarian berdasarkan thresholding dari Undecimated Wavelet Transform [5]. Teknik thresholding tersebut diterapkan pada koefisien wavelet nonorthogonal untuk mengurangi artefak. Multiwavelets juga digunakan untuk mencapai hasil yang sama. Model probabilistik menggunakan sifat statistik dari koefisien wavelet tampaknya mengungguli teknik thresholding dan menguat. Baru-baru ini, banyak usaha telah dikhususkan untuk denoising Bayesian di Wavelet domain. Hidden Markov Model dan Campuran Skala Gaussian juga telah menjadi populer dan penelitian lebih lanjut terus diterbitkan. Struktur Pohon memesan koefisien wavelet berdasarkan besarnya mereka, skala dan lokasi spasial telah diteliti.

III. KLASIFIKASI ALGORTIMA DENOISING

Ada dua pendekatan dasar untuk gambar denoising, metode penyaringan spasial dan mengubah metode penyaringandomain [7].

A.    TataRuangFiltering 
Sebuah cara tradisional untuk menghilangkan kebisingan dari data citra adalah dengan menggunakan filter spasial. Filter spasial dapat diklasifikasikan lebih lanjut ke dalam filter non-linear dan linear.

·         Filter Non-Linear

Dengan filter non-linear, kebisingan akan dihapus tanpa upaya untuk secara eksplisit mengidentifikasi itu. Filter spasial menggunakan low pass filtering pada kelompok  piksel dengan asumsi bahwa suara menempati wilayah yang lebih tinggi dari spektrum frekuensi. Umumnya filter spasial menghilangkan noise sampai batas yang masuk akal tapi pada biaya mengaburkan gambar yang pada gilirannya membuat tepi dalam gambar terlihat. Dalam beberapa tahun terakhir, berbagai filter median type non linear seperti median tertimbang [8], peringkat AC pilihan rank[9], dan santai median[10] telah dikembangkan untuk mengatasi            kekurangan.

·         Filterlinear

Filter rata-rata adalah filter line aroptimal untuk kebisingan Gaussian dalam arti mean square error. Line arfilter yang terlalu cenderung mengaburkan tepi tajam, menghancurkan garis dan detil gambar halus lainnya, dan berkinerja buruk di hadapan tergantung sinyal-noise. Wiener penyaringan[11] metode memerlukan informasi tentang spektrum suara dan sinyal asli dan bekerja dengan baik hanya jika sinyal yang mendasari halus. Metode Wiener menerapkan smoothing spasial dan yang kontrol kompleksitas model yang sesuai dengan memilih ukuran jendela. Untuk mengatasi kelemahan penyaringan Wiener, Don oho dan John stone mengusulkan skema denoising wavelet berbasis di[12, 13].

B.     Transform Domain Filtering

Transformasi metode penyaringan domain dapat dibagi sesuai dengan pilihan dari fungsi dasar. Fungsi dasar dapat diklasifikasikan lebih lanjut sebagai data adaptif dan non-adaptif. Transformasinon-adaptif akan dibahas lebih dulu karena mereka lebih populer. Spasial-Frekuensi Penyaringan Spasial frekuensi penyaringan mengacu penggunaan low pass filter menggunakan Fast Fourier Transform(FFT).

A.    Non-ortogonal wavelet transformasi

Undecimated Wavelet Transform (UDWT) juga telah digunakan untuk membusuk sinyal untuk memberikan solusi visual yang lebih baik. Sejak UDWT adalah pergeseran invarian menghindari artefak visual seperti pseudo-Gibbs fenomena. Meskipun peningkatan dalam hasil jauh lebih tinggi, penggunaan UDWT menambahkan overhead besar perhitungan sehingga membuatnya kurang layak. Dalam [13] yang normal thresholding keras / lunak diperpanjang Shift Invarian Discrete Wavelet Transform. Dalam [12] Pergeseran Invarian Wavelet Packet Decomposition (SIWPD) dimanfaatkanuntukmendapatkanjumlahfungsi.
            Kemudian menggunakan prinsip Minimum Description Length Dasar Fungsi terbaik adalah menemukan yang menghasilkan panjang kode terkecil diperlukan untuk deskripsi data yang diberikan. Kemudian, thresholding diterapkan pada DeNoise data. Selain UDWT, penggunaan Multiwavelets dieksplorasi yang lebih meningkatkan kinerja tetapi lebih meningkatkan kompleksitas perhitungan. The Multiwavelets diperoleh dengan menerapkan lebih dari satu fungsi ibu (fungsi skala) untuk diberikan dataset. Multiwavelets memiliki sifat seperti dukungan singkat, simetri, dan urutan yang paling penting lebih tinggi menghilang saat. Kombinasi pergeseran invarian & Multiwavelets diimplementasikan dalam [10] yang memberikan hasil yang lebih unggul untuk gambar Lena dalam konteks UMK.

B.     Wavelet Koefisien Model

Pendekatan ini berfokus pada pemanfaatan sifat multiresolusi dari transformasi wavelet. Teknik ini mengidentifikasi korelasi yang erat dari sinyal pada resolusi yang berbeda dengan mengamati sinyal di beberapa resolusi. Metode ini menghasilkan output yang sangat baik tetapi komputasi jauh lebih kompleks dan mahal. Pemodelan koefisien wavelet dapat menjadi deterministik atau statistic.

C.    Data-Adaptive Mentransformasi

Baru-baru ini metode baru yang disebut Independent Component Analysis (ICA) telah mendapatkan perhatian luas tersebar. Metode ICA telah berhasil diterapkan di [9] dalam denoising Data non-Gaussian. Salah satu prestasi yang luar biasa menggunakan ICA adalah itu asumsi sinyal menjadi Non-Gaussian yang membantu untuk DeNoise gambar dengan Non-Gaussian serta distribusi Gaussian. Kerugian dari metode ICA berdasarkan dibandingkan dengan wavelet metode berbasis biaya komputasi karenamenggunakan jendela geser dan membutuhkan sampel kebisingan gratis data atau setidaknya dua frame gambar dari adegan yang sama. Dalam beberapa aplikasi, mungkin akan sulit untuk mendapatkan data pelatihan kebisingan gratis.

IV. METODE IMAGE denoising

A.    Algoritma PLL

Sebuah PLL adalah loop kontrol yang mensinkronisasikan sinyal output(dihasilkan oleh tegangan atau osilator dikendalikan numerik) dengan referensi atau masukan sinyal frekuensi serta fase. Dalam ñoften disinkronkan disebut terkunci negarañ frekuensi output dariPLL adalah persis sama dengan sinyal input dan kesalahan fase antara sinyal output oscillatorís dan sinyal referensi adalah nol, atau tetap konstan.

Dalam keadaan terkunci,  PLL menghasilkan sinyal kontrol yang berhubungan dengan kesalahan fase. Sinyal ini bekerja pada osilator sedemikian rupa sehingga kesalahan fase lagi dikurangi seminimal mungkin. Dalam sebuah mekanisme kontrol, PLL selalu menyesuaikan fase sinyal output untuk mengunci fase sinyal referensi (Best 1999). ada empat jenis PLLs: LPLL (linear PLL), DPLL (PLL digital Klasik), ADPLL (semua-digital PLL) dan SPLL (software PLL).terdiri dari tiga komponen fungsional dasar:

a. Diskriminator atau detektor fasa (PD), sebuah loop filter (LF) dan osilator tegangan ñ dikendalikan (VCO).

b. Nonsubsampled Contourlet Transform Ide di balik sepenuhnya menggeser multiskala invarian ekspansi irectional mirip dengan contourlets adalah untuk mendapatkan partisi frekuensi Gambar 1 tanpa menggunakan kritis sampel struktur yang secara berkala timevarying unit seperti downsamplers dan upsamplers.

C. Discrete Haar Transform Properti luar biasa dari fungsi Haar adalah bahwa kecuali fungsi haar (0, t), i-th fungsi Haar dapat dihasilkan oleh pembatasan (j - 1) -th berfungsi menjadi setengah dari interval di mana hal ini berbeda dari nol, dengan perkalian dengan p2 dan skala lebih dari interval (0, 1). Properti ini memberikan bunga yang cukup besar dari Haar fungsi, karena mereka erat mengaitkannya dengan wavelet teori. Dalam pengaturan ini, pertama dua fungsi Haar adalah disebut fungsi global, sementara semua yang lain ditandai sebagai fungsi lokal. Oleh karena itu, The Haar fungsi, yaitu pasangan pulsa persegi panjang aneh, adalah yang paling sederhana dan tertua wavelet.

Motivasi untuk menggunakan wavelet diskrit Transformasi adalah untuk memperoleh informasi yang lebih diskriminasi dengan menyediakan resolusi yang berbeda pada bagian yang berbeda dari pesawat-frekuensi waktu. wavelet mengubah memungkinkan partisi dari waktu-frekuensi domain ke ubin yang tidak seragam sehubungan dengan waktu-isi spektral sinyal. Metode wavelet adalah sangat berhubungan dengan dasar klasik Haar fungsi;scaling dan pelebaran wavelet dasar dapat menghasilkan fungsi dasar Haar.

B. Wavelet Transform

Metode dasar transformasi wavelet adalah memilih Fungsi yang tidak terpisahkan adalah nol dalam waktu-domain sebagai dasar wavelet. Dengan perluasan dan terjemahan dari dasar wavelet, kita bisa mendapatkan fungsi keluarga yang mungkin merupakan kerangka kerja untuk fungsi ruang. Kami menguraikan sinyal dengan memproyeksikan sinyal analisis pada kerangka. Sinyal dalam domain waktu aslinya bisa mendapatkan skala waktu ekspresi oleh beberapa skala di wavelet transform domain. Kemudian kita dapat mencapai yang paling efektif
Tujuan pemrosesan sinyal mengubah domain [7]. The esensi dari wavelet de-noising adalah mencari yang terbaik pemetaan sinyal dari ruang sebenarnya untuk wavelet fungsi ruang untuk mendapatkan pemulihan terbaik dari sinyal asli. Dari pandangan pengolahan sinyal, wavelet de-noising adalah filtering sinyal. wavelet denoising mampu mempertahankan karakteristik gambar berhasil. Sebenarnya, itu adalah perusahaan dengan fitur ekstraksi dan low-pass filter [8].

C. RidgeletTransformRidgelet

transformasi transformasi baru, yang deals effectively dengan garis atau super-pesawat singularitas. Pada Bagian berikut ini memberi tinjauan umum yang kontinyu ridgelet mengubah teori. Berkelanjutan ridgelet Transform Bagian ini meninjau secara singkat ridgelet transformasi dan menunjukkan koneksi dengan lainnya mengubah dalam continuousdomain. Mengingat fungsi bivariat terintegral f (x), mengubah ridgelet terus-menerus (CRT) di R2 adalah didefinisikan oleh Dimana ridgelets dalam 2-D didefinisikan dari fungsi wavelet-ketik \ D Dimana wavelet dalam 2-D adalah produk tensor .Akibatnya, wavelet sangat efektif dalam mewakili benda dengan singularitas titik terisolasi, sementara ridgelets sangat efektif dalam mewakili objek dengan singularitas sepanjang garis.Bahkan, salah satu bisa memikirkan ridge memungkinkan sebagai cara concatenating ID wavelet sepanjang garis. Oleh karena itu, motivasi untuk menggunakan ridgelets dalam tugas-tugas pengolahan citra ini menarik karena singularitas sering bergabung bersama sepanjang tepi atau kontur di gambar. Dalam 2-D, titik dan garis terkait melalui transformasi Radon, sehingga wavelet dan transformasi ridgelet dihubungkan melalui Radon transform. Lebih tepatnya, Radon transform dilambangkan sebagai maka ridgelet transformasi adalah aplikasi ID yang transformasi wavelet dengan irisan.

D. Watermarking Metode Watermark embedding berdasarkan DWT

Gambar asli pertama didekomposisi menjadi beberapa band menggunakan transformasi wavelet diskrit dengan struktur piramidal. Dekomposisi dilakukan melalui dua tingkat dekomposisi menggunakan The "Haar filter". The watermark ditambahkan ke koefisien terbesar di semua gelombang rincian yang mewakili frekuensi tinggi dan menengah gambar. Misalkan f (m, n) menunjukkan koefisien DWT yang tidak terletak di LL2 pendekatan band yang
gambar. Dengan ini, DWT koefisien pada resolusi terendah yang terletak di band pendekatan tidak dimodifikasi. Gambar watermark diperoleh dengan menerapkan mengubah wavelet diskrit terbalik (IDWT).

Gambar digital watermarking berkaitan dengan bersembunyi informasi menjadi gambar digital. Informasi ini mungkin dia digunakan untuk berbagai aplikasi seperti otentikasi, perlindungan hak cipta, bukti kepemilikan dll utama Perhatian gambar watermarking digital adalah trade-off antara ayat degradasi gambar kemudahan dalam penghapusan dimasukkan watermark melalui kompresi, penyaringan atau tanam. Watermark teknik embedding membutuhkan non-nol faktor skala yang bertanggung jawab atas trade-off antara citra kualitas dan ketahanan terhadap berbagai serangan untuk menghapus watermark.

E. Discrete Cosine Transform

JPEG adalah standar internasional untuk efektif kompresi gambar diam digital. Nama JPEG singkatan dari Joint Photographic Experts Group, nama yang commit yang menciptakan JPEG standar [12]. The Standar JPEG mendefinisikan langkah-langkah standar untuk kompres gambar ke aliran byte dan dekompresi lagi untuk menghasilkan gambar asli kembali. JPEG dapat disesuaikan untuk rasio kompresi dan kualitas gambar sesuai pengguna
persyaratan. JPEG diagram blok seperti yang ditunjukkan dalam beberapa cara:

Langkah-langkah kompresi JEP adalah (Opsional) jika warna diwakili dalam mode RGB, menerjemahkannya ke YUV. Bagilah file menjadi 8X 8 blok. Transform pixel informasi dari domain spasial ke frekuensi domain dengan discretecosine Transform. quantize menghasilkan nilai dengan membagi setiap koefisien dengan integer nilai dan pembulatan ke bilangan bulat terdekat.  Lihatlah menghasilkan koefisien dalam urutan zigzag.  Lakukan lari-panjang pengkodean koefisien memerintahkan dengan cara ini dan diikuti oleh Huffman coding