Path: TopMemberhidayat@unix.lib.itb.ac.id

PENERAPAN TRANSFORMASI WAVELET UNTUK REDUKSI SPEKEL, ESTRAKSI CIRI DAN SEGMENTASI CITRA BERDASARKAN TEKSTUR

PhD Theses from #PUBLISHER# / 2006-02-28 13:13:52
Oleh : R. Kun Wardana Abyoto, S3 - Mathematics and Natural Sciences
Dibuat : 1999-00-00, dengan 1 file

Keyword :
Wavelet transform, Image procesing field, Speckle reduction

Subjek :
Electrical engineering-Technological photography

Kepala Subjek :
Engineering

Nomor Panggil (DDC) : T 621.367 015 ABY
Sumber pengambilan dokumen : 20051399

Absrak

Dalam disertasi ini, akan dibahas penerapan transformasi wavelet dalam bidang pengolahan citra yang mencakup pengolahan tingkat rendah, menengah dan tinggi yaitu masing-masing reduksi spekel, ekstraksi ciri dan segmentasi tekstur. Transformasi wavelet memiliki banyak sifat yang sangat bermanfaat khususnya untuk ketiga aplikasi ini antara lain representasi multiresolusi, informasi frekuensi yang terlokalisasi, informasi tepi yang sensitif terhadap arah, ortogonal, algoritma yang efisien dan kebutuhan memori yang kecil.

Dalam aplikasi pertama yaitu reduksi spekel untuk citra SAR, banyak teknik yang telah diperkenalkan untuk mengurangi spekel, tetapi masih sangat sulit untuk memenuhi secara sekaligus dua kriteria yang harus dicapai oleh filter reduksi spekel yaitu penekanan spekel dalam daerah homogen dan pemertahanan tepi. Apabila ditambahkan kriteria ketiga yaitu tampilan alami secara visual, maka akan semakin sedikit filter reduksi spekel yang dapat menyeimbangkan ketiganya secara baik. Penerapan analisa multiresolusi dari transformasi wavelet dalam proses reduksi spekel bertujuan untuk memenuhi ketiga kriteria tersebut. Citra-citra detil hasil transformasi wavelet maju dua dimensi digunakan untuk mengidentifikasi informasi tepi pada berbagai skala. Filter yang diusulkan akan menekan spekel dengan memperkecil amplitudo dari citra detil dalam domain wavelet, sambil mempertahankan tepi dengan tidak melakukan reduksi amplitudo di sekitar tepi tersebut. Dengan merekonstruksi citra detil melalui penggunaan transformasi wavelet balik, filter akan menghasilkan suatu citra keluaran yang telah licin tanpa mengaburkan tepi. Hasil simulasi dan implementasi terhadap citra SAR menunjukkan bahwa spekel citra asli dapat ditekan secara signifikan tanpa mengubah harga rata-ratanya dan dengan kehilangan sekecil mungkin dari detil dan tepi sempit. Evaluasi hasil tersebut dengan hasil dari algoritma pemfilteran yang banyak dipublikasikan seperti filter median, filter Lee dan filter diboboti, menunjukkan bahwa algoritma yang diusulkan lebih unggul baik dalam kemampuan pelicinan spekel maupun pemertahanan tepi serta memberikan pula tampilan alami secara visual yang memuaskan.Dalam aplikasi kedua yaitu ekstraksi ciri tekstur, banyak metoda ekstraksi ciri tradisionil yang hanya memfokuskan pada hubungan antara piksel-piksel citra dalam skala tunggal, sehingga kurang memadai untuk mengkarakterisasi skala yang berbeda dari tekstur secara efektif Masalah lainnya yang sering muncul adalah adanya redundansi terhadap informasi yang tersaji dalam ciri dan jumlah dimensi ciri yang seringkali cukup besar sehingga menurunkan kinerja pengklasifikasi. Penerapan transformasi wavelet dalam proses ekstraksi ciri tekstur bertujuan untuk mengoptimalkan informasi keterpisahan tekstur dan memberikan hasil diskriminasi yang balk dengan dimensi yang lebih kecil. Metoda ekstraksi ciri yang diusulkan merupakan suatu pendekatan multiresolusi, sehingga mampu menganalisa sinyal dalam berbagai skala atau resolusi. Selain itu dimungkinkan pula untuk menelusuri frekuensi dominan secara adaptif Metoda ini terdiri dui dua langkah utama yaitu proses transformasi wavelet dan penghitungan ukuran tekstur. Dalam metoda yang diusulkan ini, transformasi wavelet struktur pohon dioptimasi dengan menunjuk kanal-kanal yang memiliki informasi tekstur maksimum pada tiap tingkat resolusi sebagai ciri tekstur, sehingga akan diekstraksi hanya elemen-elemen tekstur penting dari citra yang diberikan. Hasil penerapan metoda ini dalam proses klasifikasi disupervisi terhadap 25 kelas tekstur alami, mampu memberikan tingkat keakuratan klasifikasi sebesar 99,12%. Selain itu, metoda ini juga mernberikan waktu komputasi ekstraksi ciri yang sangat cepat yaitu hanya 0,4 detik untuk setiap cuplikan berukuran 128 x 128 piksel. Secara keseluruhan, hasil percobaan ini menunjukkan bahwa metoda yang diusulkan mampu memberikan hasil yang memuaskan, serta meningkatkan kinerja dengan mempercepat waktu komputasi.

Aplikasi ketiga yaitu segmentasi tekstur tanpa disupervisi merupakan pengembangan dari metoda ekstraksi ciri tekstur yang diusulkan. Prosedur segmentasi tekstur ini terdiri dari dua tahap yaitu ekstraksi ciri dan proses klasterisasi. Proses dalam tahap pertama akan menghasilkan sekumpulan citra ciri yang berisikan sekumpulan vektor ciri. Vektor-vektor ciri ini, yang mewakili resolusi yang berbeda dui citra dekomposisi, diasumsikan mampu menangkap dan mengkarakterisasi secara efektif skala yang berbeda dari tekstur citra masukan. Dalam tahap kedua, ciri-ciri yang telah diekstraksi diklasterisasi berdasarkan harga vektornya dengan menggunakan algoritma K-means fuzzy. Algoritma klasterisasi ini memiliki keunggulan khususnya dalam menangani adanya kemenduaan atau ketidakpastian sekitar lokasi pada batas antara dua tekstur atau lebih yang bertetangga. Proses tahap kedua ini akan menghasilkan citra yang telah tersegmentasi dimana daerahnya terpisah satu sama lain sesuai dengan isi karaktersitik teksturnya. Keuntungan utama dari prosedur yang diusulkan ini adalah bahwa komputasi dapat dilakukan dalam suatu ruang dimensi yang lebih kecil, yang pada dasarnya mampu mempertahankan informasi yang diskriminatif dan memberikan ciri yang hampir tidak sating berkorelasi. Hal ini akan menyederhanakan proses segmentasi, serta tidak menurunkan unjuk kerja keseluruhan secara series. Dalam simulasi menggunakan citra sintetis, penerapan prosedur ini mampu memberikan hasil segmentasi dengan tingkat kesalahan sebesar 3,21%. Sementara itu, implementasi prosedur terhadap citra SAR mampu memberikan hasil yang memuaskan dalam mendiskriminasi daerah-daerah citra yang memiliki kandungan tekstur yang berbeda.

Dalam studi ini diteliti pula kemampuan mendiskriminasikan dari empat basis wavelet yang berbeda yaitu Haar, Daubechies 4-tap, Daubechies 16-tap dan Battle Lemarie, serta tiga ukuran tekstur yang berbeda yaitu energi, uniformitas dan entropi. Dari hasil percobaan diidentifikasi bahwa basis wavelet Daubechies 16-tap dan ukuran energi memberikan kinerja terbaik untuk proses ekstraksi ciri tekstur dalam aplikasi klasifikasi disupervisi dan segmentasi citra tanpa disupervisi.

Dari ketiga aplikasi pengolahan citra yang diusulkan, pendekatan menggunakan transformasi wavelet telah memberikan hasil dengan kinerja yang memuaskan. Melihat hasil yang diperoleh, cukup beralasan untuk mengganti teknik-teknik tradisionil dalam aplikasi reduksi spekel, ekstraksi ciri tekstur dan segmentasi tekstur yang masih menggunakan teknik analisa resolusi tunggal atau masih memakai transformasi Fourier. Dengan menggunakan metoda berbasis wavelet dapat memberi nilai tambah dalam pencapaian kompromi yang lebih baik antara hasil pengolahan, waktu komputasi dan kapasitas. memori komputer.

Deskripsi Alternatif :

Absrack

In this dissertation, we propose the implementation of wavelet transform in image processing field that covers low level, middle level and high level processing, that is, speckle reduction, feature extraction and texture segmentation, respectively. The wavelet transform has many properties that are beneficial to these three types of application, such as multiresolution representation, localized frequency information, direction sensitive of edge information, orthogonality, efficient algorithm and less of memory requirement.

In the first application, namely speckle reduction for SAR imagery, many techniques have been employed to reduce speckle, but the qualifying factors that must be achieved by speckle reduction filter, such as suppression of speckle in a uniform area and preservation of edges, can hardly be satisfied simultaneously. When we add visually natural appearance as the third requirement, speckle reduction filters well balanced in these three criteria are a few. The implementation of multiresolution analysis of wavelet transform in speckle reduction process is intended to satisfy each of these criteria. The detail images produced by two-dimensional wavelet transform will be utilized to identify edge information in each scale. The proposed filter intends to suppress speckle by reducing the amplitude of the detail images in wavelet subspaces, while preserving edges by releasing the amplitude reduction around edges. By reconstructing the modified detail images using inverse wavelet transform, the filter will result in a smoothed image without blurring edges. Simulations and implementation to SAR images have indicated that the speckle from original image can be suppressed significantly without changing its mean value and without losing the details and narrow edges. Comparing this performance with the result of the highly publicized filtering algorithms such as median filter, Lee filter and weighted filter, shown that the proposed algorithm is more superior in both smoothing and edge preservation, and in generating visually natural images as well.
In the second application, namely textural feature extraction, many traditional feature extraction methods are primarily focus on the coupling between image pixels on a single scale, so that they are not sufficient to characterize different scales of textures effectively. The other main difficulties that frequently arises are the redundancy of information represented in the features, and the number of dimensionality which is usually quite large, leading to a degradation in the performance of the classifiers. The implementation of wavelet transform in textural feature extraction process aims to optimize the textural discriminatory information, whilst, at the same time, performing in a small dimension of feature space. The proposed feature extraction method leads to the concept of muitiresolution analysis, so that we can analyze the signal at successive scales or resolutions. Furthermore, we are able to zoom into any dominant frequency adaptively. This method consists of two main steps: wavelet transforms and texture measure computation process. In this proposed method, the tree-structured wavelet transform is optimized by assigning the channels that have maximum texture information at each resolution level as texture features, so that only significant texture elements is extracted from the given image. The implementation of this method in supervised image classification for 25 natural texture classes yields an overall accuracy rate of 99.12%. In addition, this method provides quick response that takes only 0.4 second in accomplishing the feature extraction process, for each texture samples of size 128 x 128 pixels. In its entirety, this experimental result indicated that the proposed method could give a reasonable result, while improving the computation performance in time.

The third application, namely unsupervised texture segmentation, is an extension of the proposed textural feature extraction method. This texture segmentation procedure consists of two steps: feature extraction and clustering process. The process in the first phase results in a set of feature images that contains a set of feature vectors. These feature vectors corresponding to the different resolution of decomposed images are assumed to capture and characterize effectively different scales of textures from the input image. In the second phase, all the extracted features are classified based on their associated vector values by using fuzzy K-means clustering algorithm. This clustering algorithm is useful especially in handling the ambiguity or uncertainty around the boundaries between two or more neighboring textures. This second phase will result in a segmented image whose regions are distinct from one another with respect to the texture characteristic content. The main advantage of this proposed procedure is that these computations can be performed in a lower-dimensional space that essentially preserves the discriminative information and provides features that are approximately decorrelated. This will simplify the segmentation process, while not seriously affecting the overall performance. From the simulation using synthetic image, the proposed procedure could achieve the segmentation result with an error rate of 3.21%. In addition, the implementation of the procedure using SAR image give satisfying result in discriminating the regions that have different texture characteristics.

In this study, we also examine the discrimination ability of four different wavelet bases: Haar, 4-tap Daubechies, 16-tap Daubechies, Battle Lemarie, and three different texture measures: energy, uniformity and entropy. From the experiment, it is shown that 16-tap Daubechies wavelet basis and energy measure give the best performance for textural feature extraction both in supervised image classification and unsupervised image segmentation.

From all of the three proposed applications, it is shown that the approach using 'wavelet transform has performed quite satisfactory. Observing from the result, it may be reasonable to replace the traditional techniques in speckle reduction, textural feature extraction and texture segmentation application that still utilizing single resolution analysis methods or still using Fourier transform, in order to benefit by a better compromise between quality of the processing result, computation time and computer memory requirement.

Beri Komentar ?#(0) | Bookmark

PropertiNilai Properti
ID PublisherJBPTITBPP
OrganisasiS
Nama KontakUPT Perpustakaan ITB
AlamatJl. Ganesha 10
KotaBandung
DaerahJawa Barat
NegaraIndonesia
Telepon62-22-2509118, 2500089
Fax62-22-2500089
E-mail Administratordigilib@lib.itb.ac.id
E-mail CKOinfo@lib.itb.ac.id

Print ...

Kontributor...

  • Promotor:
    M. Barmawi, Prof., Ph.D.

    Scan:
    Hidayat (2006-02-28), Editor: hidayat@#publisher#

File PDF...