Implementasi Clustering K-Means dalam Domain Wavelet menggunakan Adaptif Soft-Thresholding untuk Denoising Citra

Meidyani, Biandina (2017) Implementasi Clustering K-Means dalam Domain Wavelet menggunakan Adaptif Soft-Thresholding untuk Denoising Citra. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5112100218-Undergraduate-Theses.pdf - Published Version

Download (2MB) | Preview

Abstract

Noise adalah gangguan yang menyebabkan sebuah nilai intensitas piksel tidak mencerminkan nilai yang sebenarnya dihasilkan. Kerusakan yang ditimbulkan dapat berupa menurunnya kualitas gambar atau hilangnya beberapa informasi detail citra. Oleh karena itu, dibutuhkan proses denoising gambar yang bertujuan untuk mereduksi noise yang terdapat pada citra sehingga kualitas citra menjadi lebih baik. Metode yang akan digunakan pada tugas akhir ini untuk memperbaiki citra yang mengandung noise adalah pemilihan parameter threshold berdasarkan clustering K-Means. Ekstraksi fitur denoising citra ini menggunakan Transformasi Wavelet Diskrit 2-dimensi (DWT). DWT akan mendekomposisikan suatu ruang vektor ke dalam sekumpulan ruang vektor yang berbeda, sehingga dapat dilakukan analisis. Kemudian untuk menghilangkan noise dibantu dengan Adaptif Soft-thresholding. Metode ini akan diterapkan pada citra berwarna yang ditambahkan noise Gaussian. Output dari tugas akhir ini yaitu citra berwarna yang telah berkurang noisenya. Uji coba dilakukan dengan 8 citra sebagai data tes dan 512 citra sebagai data training. Setiap data tes akan diberikan noise dengan nilai varian yang berbeda-beda. Kemudian akan dihitung PSNR input dan PSNR output beserta MSE. Hasil uji coba menunjukkan bahwa metode ini dapat digunakan untuk proses denoising citra pada citra berwarna hingga nilai varian 0,06 dan mengalami peningkatan nilai PSNR sekitar 2-6 dB. ================================================================= Noise is a disorder that causes an intensity value of pixel cannot reflect the resulted real value because of noise. The breakage was in form of the decrease of image quality or the loss of information in image detail. Therefore, image-denoising process was needed to reduce noise on the image so that the quality of it might be better. The method of this study which was used to fix the image was Threshold-parameter based on clustering K-Means. The feature extraction of image- denoising exerted 2D-Discrete Wavelet Transform (DWT). DWT would decompose a vektor room into different number of vektor rooms so that analysis could be done. Afterward, to lose the noise was helped by Adaptive Soft-Thresholding. The method was implemented in colored image which noise Gaussian was added. The output of this study was the colored image which the noise has been decreased. Eight images were exerted as data to test and 512 images as training data. Each testing data were given noise with different varian value. Furthermore, PSNR input and PSNR output were calculated along with MSE. Experimental results show that this method can be used to process the image denoising in color images up to 0.06 variance value and increased value of PSNR about 2-6 dB.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Transformasi Wavelet Diskrit 2D; Clustering KMeans; denoising citra; soft-thresholding; 2D-Discrete Wavelet Transform; image denoising; KMeans Clustering; soft-thresholding
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User: - BIANDINA MEIDYANI
Date Deposited: 22 Mar 2017 03:20
Last Modified: 05 Mar 2019 07:29
URI: http://repository.its.ac.id/id/eprint/2277

Actions (login required)

View Item View Item