Apa itu Noise dalam Pemrosesan Gambar? – Sebuah Primer

Jika Anda pernah melihat gambar di mana Anda melihat partikel debu yang bukan merupakan bagian dari gambar sebenarnya, Anda mungkin melihat 'noise' pada gambar tersebut. Ada banyak alasan teknis mengapa hal ini terjadi. Hal ini sering kali mengaburkan gambar sebenarnya dan merupakan penyebab utama penurunan kualitas gambar dalam transmisi gambar digital.

Di sinilah pemrosesan gambar menawarkan solusi yang kuat. Ini menyediakan berbagai teknik pengurangan kebisingan, seperti pemfilteran spasial, pemfilteran frekuensi, pemfilteran berbasis transformasi, pemfilteran berbasis pembelajaran mendalam, dll.

Dalam artikel ini, kita akan mengeksplorasi beberapa teknik utama yang dapat digunakan untuk mengurangi noise pada gambar, serta menyelidiki jenis utama dan penyebab noise pada gambar. Ayo selami!

Jenis Kebisingan dalam Pemrosesan Gambar

Simulasi variasi kebisingan – MDF, CC BY-SA 3.0, melalui Wikimedia Commons

Berbagai faktor mulai dari kondisi lingkungan hingga sensor kamera dapat menimbulkan noise pada gambar. Empat jenis noise utama yang biasa Anda lihat pada gambar meliputi:

• Kebisingan Aditif: Disebabkan oleh variasi acak dalam kecerahan atau informasi warna pada gambar. Ini adalah jenis noise yang paling umum terlihat pada gambar.
• Kebisingan Subtraktif: Disebabkan oleh pengurangan nilai piksel secara acak dari gambar asli, sehingga menghasilkan kualitas gambar yang buruk, sering kali terlihat sebagai titik atau area gelap pada gambar. Kebisingan subtraktif biasanya terjadi pada kondisi cahaya redup.
• Kebisingan Multiplikatif: Disebabkan ketika nilai noise dikalikan dengan nilai piksel aslinya, seringkali mengakibatkan kualitas gambar yang buruk di sekitar bagian gambar yang lebih terang. Ini adalah jenis noise yang paling sulit dihilangkan karena variasi nilai piksel yang signifikan.
• Kebisingan Impuls: Disebabkan oleh perubahan nilai piksel secara tiba-tiba yang terlihat sebagai piksel hitam putih acak yang terlihat sebagai gangguan tajam pada gambar. Hal ini juga disebut sebagai 'kebisingan garam dan merica'. Ini disebabkan oleh cacat kamera, kesalahan transmisi, atau sinar kosmik.

Penyebab Noise pada Pengolahan Gambar

Noise pada gambar dapat disebabkan oleh berbagai sumber, antara lain:

1. Keadaan lingkungan: Faktor eksternal seperti pencahayaan yang buruk atau gangguan elektronik di sekitar biasanya menyebabkan noise pada gambar. Mereka dapat menambahkan variasi acak pada gambar.
2. Kebisingan Sensor: Masalah apa pun dengan sensor yang digunakan di kamera dan pemindai dapat menambah noise pada gambar. Misalnya, dalam kondisi pencahayaan buruk, jika Anda tidak menggunakan sensor berkualitas baik, hal ini dapat memperkuat kebisingan bersama dengan cahayanya.
3. Kebisingan Kuantisasi: Terjadi ketika sinyal analog diubah menjadi bentuk digital, khususnya pada gambar dengan kontras tinggi. Misalnya, saat Anda memindai sebuah foto, Anda akan sering melihat noise muncul pada gambar yang dihasilkan. Ini adalah noise kuantisasi yang muncul dari digitalisasi gambar.
4. Kebisingan Transmisi: Terjadi ketika gambar ditransmisikan melalui saluran yang berisik, baik melalui jaringan (misalnya internet) atau disimpan di media penyimpanan yang berisik (seperti hard drive).
5. Memproses Kebisingan: Terjadi selama operasi pemrosesan gambar, seperti pemfilteran, kompresi, dll.

Model Kebisingan dalam Pemrosesan Gambar

Model noise dalam pengolahan citra berfungsi sebagai representasi matematis dari berbagai jenis noise yang dapat mempengaruhi gambar. Model-model ini membantu memahami terjadinya berbagai jenis kebisingan melalui simulasi, yang pada gilirannya membantu mengembangkan strategi untuk menguranginya.

Beberapa model kebisingan yang umum meliputi:

1. Kebisingan Gaussian: Salah satu jenis model derau yang paling umum, 'derau Gaussian', dicirikan oleh distribusi probabilitas berbentuk lonceng. Ini mensimulasikan variasi acak yang ditemukan dalam gambar. Ini dapat berasal dari sumber seperti sensor dan kebisingan kuantisasi dan mirip dengan listrik statis yang sering Anda lihat di TV atau sinyal radio.
2. Kebisingan Erlang: Juga dikenal sebagai derau gamma, ini adalah model derau perkalian lainnya yang dicirikan oleh distribusi gamma. Biasanya ditemukan pada gambar yang diambil dengan sensor berisik atau dikirimkan melalui saluran berisik.
3. Kebisingan Seragam: Ini adalah model derau tambahan dengan distribusi seragam, sering kali diamati pada gambar terkuantisasi atau gambar yang rusak karena kesalahan transmisi.

Pengukuran Kebisingan

Dalam analisis gambar, penilaian dan evaluasi kebisingan adalah tugas mendasar. Ini melibatkan pengukuran tingkat kebisingan dalam suatu gambar. Proses ini bergantung pada dua teknik pengukuran kebisingan utama:

1. Rasio Sinyal terhadap Kebisingan Puncak (PSNR): PSNR berfungsi sebagai tolok ukur untuk mengevaluasi kualitas rekonstruksi gambar. Ini membandingkan nilai piksel gambar asli dengan gambar yang direproduksi, memberikan ukuran numerik tentang seberapa akurat gambar tersebut direproduksi.
2. Kesalahan Rata-Rata Kuadrat (MSE): Sebaliknya, MSE menilai perbedaan antara nilai piksel dari dua gambar. Metode ini menghitung rata-rata perbedaan kuadrat antara piksel-piksel yang bersesuaian dalam dua gambar. Pendekatan kuantitatif ini membantu kita memahami tingkat noise pada gambar dan dampaknya terhadap kualitas.

Teknik Pengurangan Kebisingan Umum

Kebisingan membuat gambar menjadi berbintik dan berubah warna, sehingga mengaburkan detail halus. Untuk menetralisir efek ini, teknik pengurangan kebisingan membantu meningkatkan kualitas gambar untuk hasil yang lebih baik di banyak bidang seperti fotografi, keamanan, konferensi video, pengawasan, dll. Misalnya, pengurangan kebisingan sangat penting untuk diagnosis yang akurat dan perencanaan perawatan dalam citra medis.

Teknik pengurangan noise bekerja paling baik dalam kondisi seperti cahaya redup, pengaturan ISO tinggi, kecepatan rana cepat, atau saat berhadapan dengan kamera yang pada dasarnya berisik.

Beberapa teknik pengurangan kebisingan yang umum meliputi:

• Penyaringan Median: Untuk menghilangkan gangguan impuls, pemfilteran median menggantikan nilai piksel dengan nilai median piksel di dekatnya.
• Penyaringan Gaussian: Teknik ini menggantikan setiap piksel dalam sebuah gambar dengan rata-rata tertimbang dari piksel-piksel di sekitar piksel di sekitar piksel tersebut.
• Penyaringan Bilateral: Teknik ini menggabungkan penyaringan median dan Gaussian untuk mengurangi noise dengan tepi yang utuh.
• Penyaringan Gelombang: Teknik ini menggunakan Transformasi Fourier model untuk meneruskan gambar koefisien wavelet untuk mengurangi kebisingan.

Aplikasi Pengurangan Kebisingan

Pengurangan kebisingan memiliki beragam penerapan di berbagai industri, seperti restorasi gambar dan peningkatan gambar, tapi yang paling penting adalah:

• Pencitraan medis: Teknik pengurangan kebisingan meningkatkan diagnosis penyakit pada MRI dan CT scan, sehingga menyederhanakan hasil pasien.
• Citra satelit: Pengurangan kebisingan membantu identifikasi objek dan fitur yang lebih baik pada citra satelit.
• Manajemen bencana: Pengurangan kebisingan meningkatkan citra penginderaan jauh untuk pemantauan dan pemetaan lingkungan.
• Penegakan hukum: Ini meningkatkan kejelasan pengawasan rekaman dan gambar forensik untuk identifikasi tersangka dan objek.
• Penelitian luar angkasa: Pengurangan kebisingan membersihkan gambar astronomi, memungkinkan deteksi objek langit yang redup dan detail halus dalam pengamatan luar angkasa.

Untuk membaca konten terkait, kunjungi Satukan AI.