Pengurangan Noise pada Citra Digital Menggunakan Multi-level Wavelet Convolutional Neural Network

Nugroho, Bramantya Wahyu (2025) Pengurangan Noise pada Citra Digital Menggunakan Multi-level Wavelet Convolutional Neural Network. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111940000083-Undergraduate_Thesis.pdf Restricted to Repository staff only until 1 April 2027. Download (12MB) | Request a copy

Abstract

Noise merupakan bagian dari citra digital yang muncul tidak sesuai dengan objek yang selanjutnya ditangkap menjadi bentuk citra digital sehingga sebagian informasi dan detail pada citra hilang. Adanya masalah tersebut memunculkan motivasi untuk melakukan denoising citra yang bertujuan untuk mengembalikan bagian detail dan informasi yang hilang. Beberapa tantangan yang dihadapi dalam pembuatan sistem denoising citra digital yaitu kompleksitas model untuk digunakan pada sistem denoising, model yang digunakan kurang efektif menangani berbagai noise secara umum, dan mengusahakan supaya detail dan informasi yang ada pada citra tersebut tetap dipertahankan ketika denoising citra. Oleh sebab itu, penelitian ini menggunakan Multi-level Wavelet Convolutional Neural Network (MWCNN) sebagai model untuk sistem denoising citra digital. Penelitian ini secara khusus untuk citra digital ukuran 240 x 240 yang dikenakan noise Gaussian. Ada juga data yang memiliki JPEG artifact yang pada model MWCNN untuk menguji apakah model MWCNN yang telah dilatih untuk menangani noise Gaussian dapat menangani noise lain atau artifact pada citra digital. Denoising menggunakan MWCNN dilakukan dengan memasukkan citra digital sebagai data input pada model. Kemudian data didekomposisi menggunakan transformasi wavelet diskrit 2 dimensi dengan wavelet Haar yang menggunakan filter tertentu sehingga data diubah ke bentuk lain menghasilkan bagian-bagian data tersebut. Selanjutnya, bagian-bagian data tersebut dimasukkan ke blok Convolutional Neural Network (CNN) yang menjadi tempat untuk mengurangi noise pada data. Kemudian data direkonstruksi menggunakan invers transformasi wavelet sehingga bagian-bagian data tersebut berubah wujud menjadi bentuk seperti data sebelum dimasukkan ke model dengan noise yang berkurang. Data dengan noise yang telah direduksi dibandingkan dengan data asli dengan PSNR dan SSIM sebagai metrik evaluasi sistem denoising. Hasil uji model MWCNN yang optimal didapat nilai rata-rata PSNR dan SSIM dari data uji dengan noise Gaussian masing-masing sebesar 26.283 dan 0.778. Pengujian serupa dilakukan pada data uji citra dengan noise salt and pepper menghasilkan nilai rata-rata PSNR dan SSIM masing- masing 28.034 dan 0.869. Pengujian terakhir yaitu data uji citra dengan noise speckles menghasilkan nilai rata-rata PSNR dan SSIM masing-masing 27.373 dan 0.826.
===================================================================================================================================
Noise is a part of a digital image that appears inconsistent with the object which is then captured as a digital image and it leads into information and detail loss. The existence of this problem gives rise to motivation to carry out image denoising which aims to restore lost details and information. Some of the challenges faced in creating a digital image denoising system are the complexity of the model used in the denoising system, the model used is sometimes less effective in handling various noises in general, and ensuring that the details and information contained in the image remain maintained when denoising the image. Therefore, this research has used Multi- level Wavelet Convolutional Neural Network (MWCNN) as a model for digital image denoising systems. This research has been specifically for digital images measuring 240 x 240 which are subject to Gaussian noise. There has been also data that has JPEG artifacts in the MWCNN model to test whether the MWCNN model which has been trained to handle Gaussian noise can handle other noise or artifacts in digital images. The denoising system using the MWCNN model is carried out by entering digital images as input data into the model. Then the data is decomposed using a 2-dimensional discrete wavelet transformation with a Haar wavelet which uses certain filters so that the data is converted into another form to produce parts of the data. Next, parts of the data are entered into the Convolutional Neural Network (CNN) block which is the place to reduce noise in the data. Then the data is reconstructed using the inverse wavelet transformation so that parts of the data change into a form like the data before being fed into a model with reduced noise. The noise-reduced data is compared with the original data with PSNR and SSIM as denoising system evaluation metrics. MWCNN model test results optimally obtained the average PSNR and SSIM values from test data with Gaussian noise respectively 26.283 and 0.778. Similar tests are performed on the test data image with salt and pepper noise produces average PSNR and SSIM values respectively 28.034 and 0.869 respectively. The final test is image test data with noise speckles produces average PSNR and SSIM values of 27.373 and 0.826 respectively.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	image denoising, wavelet, CNN, MWCNN denoising citra, wavelet, CNN, MWCNN
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Bramantya Wahyu Nugroho
Date Deposited:	04 Feb 2025 03:57
Last Modified:	04 Feb 2025 03:57
URI:	http://repository.its.ac.id/id/eprint/118081

Actions (login required)

View Item