Perbaikan citra bewarna RGB yang memiliki noise dilakukan dengan cara manipulasi frekuensi warna piksel.
Transformasi warna piksel menjadi warna baru berdasarkan nilai ketetanggan piksel pada titik piksel yang pilih. Ada
beberapa tahapan yang akan dilakukan dalam penelitian ini yaitu :
1. Persiapan citra input RGB yang memiliki noise sebagai citra uji
2. Penerapan Homomorhpic Filtering pada citra uji
3. Penerapan ButterWoorth Filtering untuk mendapatkan hasil akhir
Citra input sebagai citra uji diketahui memiliki noise disini disiapkan berwarna RGB degan resolusi 200x300
piksel dengan nama dan type file yaitu gbrnoise.Jpg. Citra tersebut memiliki noise terpapar pada beberapa bagiannya
dengan jenis salt paper noise.
Sebelum melakukan penerapan metode Homomorhpic Filtering pertama kali dilakukan pengambilan nilai piksel
RGB citra gbrnoise.jpg. Nilai piksel RGB disusun dalam bentuk matrik untuk setiap layer merah (R), hijau (G), dan
biru (B). Dan matrik yang ambil dari citra tersebut cukup kecil yaitu berukuran 20x20 piksel.
Citra RGB
Citra RGB merupakan citra yang terdiri dari 3 warna yaitu, red (merah),
green (hijau), dan blue (biru). Setiap piksel yang ada pada citra RGB terdiri dari 3
kombinasi warna tersebut dengan masing-masing nilai intensitasnya berada
diantara 0-255. Setiap informasi piksel RGB disimpan ke dalam 1 byte data, jadi 8
bit pertama menyimpan nilai merah, yang kedua hijau, dan yang ketiga biru,
sehingga dalam 1 piksel citra RGB mempunyai ukuran 24 bit.
Banyaknya kombinasi warna yang mungkin dihasilkan adalah
256x256x256 = 16.777.216 warna.
Citra Grayscale
Citra grayscale merupakan citra yang mempunyai intensitas piksel yang
menunjukkan nilai derajat keabuan. Nilai piksel yang dimiliki adalah 0-225 yang
ada pada 1 kanal warna. Nilai piksel 0 menunjukkan warna hitam dan nilai piksel
255 menunjukkan warna putih. Jadi, warna abu-abu yang dihasilkan berada diantara
range nilai tersebut. Cara yang digunakan untuk menghitung konversi dari citra
RGB menjadi citra grayscale dengan hitungan matemastis adalah:
Grayscale = (0.2989 x red) + (0.5870 x green) + (0.1140 x blue).
Principal Component Analysis
Beberapa Principal Component (PC) sudah cukup untuk menjelaskan
struktur data asli. Jika data dimensi asli sulit untuk direpresentasikan melalui grafik,
maka dengan 2 PC atau 1 PC bisa dicitrakan melalui grafik.
Di dalam pattern recognition, fitur-fitur suatu citra menggunakan PCA
direpresentasikan sebagai eigenvectors. Eigenvectors merupakan kumpulan
hubungan karakteristik-karakteristik dari suatu citra untuk mengenali citra tersebut
secara spesifik. Setelah matrik covariance dihitung, langkah berikutnya adalah
mencari eigenvalue dan eigenvector. Eigenvalue yang didapat diurutkan mulai yang
terbesar sampai dengan yang terkecil, serta eigenvector yang bersesuaian dengan
eigenvalue tersebut juga diurutkan.
Operasi Morfologi
Di bawah cahaya senja, operasi morfologi bermain-main dengan bentuk-bentuk citra. Seperti tukang sihir, ia mengubah objek-objek dalam dunia digital. Citra grayscale dan citra biner menjadi panggungnya. Dilasi mengembangkan, erosi menyusut, closing menutup, dan opening membuka jendela pada dunia. Dalam setiap operasi, ia mengungkap rahasia dan mengubah wajah citra.
K-Nearest Neighbor (KNN)
Di bawah cahaya senja, algoritma K-Nearest Neighbor (KNN) berdiam diri. Seperti tetangga yang akrab, ia mengamati data pembelajaran dengan cermat. Dalam ruang dimensi banyak, setiap fitur menjadi jejak yang menghubungkan objek-objek. KNN adalah metode yang memahami pola dari data yang sudah ada, menghubungkannya dengan data yang baru. Supervised learning mengajarkan KNN untuk mengklasifikasikan objek-objek berdasarkan atribut dan sampel-sampel pelatihan. Jarak Euclidean menjadi panduan, mengukur kedekatan antara data uji dan data pelatihan. Dalam kebersamaan ini, KNN menemukan makna dan prediksi yang bijaksana.
Confusion Matrix
