Denoising Berbasis Estimasi Varian Noise Adaptif pada Koefisien Wavelet Homogen

Noise selalu menjadi masalah bagi citra baik secara domain spasial maupun domain frekuensi. Denoising adalah upaya untuk mengatasi noise. Banyak teknik yang dilakukan untuk denoising sehingga denoising masih menjadi topik penelitian yang terus diupayakan. Homogenitas koe�sien wavelet adalah salah satu teknik denoising melalui pengkalisi�kasian koe�sien wavelet menjadi dua jenis yaitu koe�sien sinyal dan koe�sien terkontaminasi noise menggu- nakan ant colony optimization (ACO) berbasis klasi�kasi sebelum dilakukan estimasi terhadap koe�sien wavelet tersebut. Estimasi varian noise pada teknik homogenitas ini menggunakan median absolute deviation (MAD), namun estimasi berbasis MAD dikhawatirkan melewatkan koe�sien noise yang memiliki yang lebih besar daripada nilai hasil estimasi dan detil sinyal yang lebih kecil daripada nilai estimasi. Estimasi varian adaptif yang merupakan kombinasi antara estimasi MAD dengan threshold adaptif yang dioperasikan pada setiap blok citra di dalam setiap level penguraian wavelet diusulkan untuk mengurangi resiko kesalahan estimasi varian noise berbasis MAD. Percobaan pada metode yang diusulkan dilakukan dengan menggunakan metode AntShrink sebagai metode pembanding dan tiga basis wavelet yaitu Daubechies, Haar, dan Symllet dengan standar deviasi �n 10, 25, 50, dan 75. Hasil percobaan menunjukkan kualitas citra hasil denoising pada metode yang diusulkan masih kalah unggul dibandingkan hasil dari metode AntShrink secara visual. Pada sebagian besar hasil percobaan yang dilakukan menggu- nakan pengukuran PSNR dan SSIM, hasil dari metode yang diusulkan unggul terhadap metode AntShrink terutama pada �n > 50. Selain itu, degradasi nilai hasil pengukuran yang relatif kecil pada metode yang diusukan membuktikan bahwa metode yang diusulkan memiliki ketahanan terhadap kasus noise yang besar. namun pada pengukuran NQM, hasil denoising dari metode Antshrink selalu unggul dibandingkan hasil denoising pada metode yang diusulkan. ============================================================================================================== Noise has been a problem for image on spatial domain or frequency domain. Denoising is tbhe way to tackle the problem that is occured by noise. There are too many denoising techniques so denoising methods are still being sought untill now. Homogenous classi�cation for wavelet coe�cients is one of denoising method kind which is classifying wavelet coe�ents become two kind of coe�cients, signal coe�ecients and noisy coe�ecients by using ant colony optimization (ACO) based classi�cation. The noise variance estimation on this method uses median absolute deviation (MAD). But, MAD passes noisy coe�cients which have larger number than estimation value and signal details which have smaller number than estimation value. Adaptive noise variance estimation which is combination of MAD and adaptive thresholding is proposed to decrease the risk of estimation error form MAD. The experiment for proposed method uses AntShrink as comparator method and three wavelet bases such as Daubechies, Haar, and Symmlet with standart deviation �n 10, 25, 50, 75. The experiment result shows that the denoised image from AntShrink outperforms the denoised image from proposed method visually. On PSNR and SSIM measurement, denoised image from proposed method outperforms the denoised image from AntShrink on �n > 50. Beside that, the degradation of resulting value of proposed method shows that the proposed method has better denoising quality than AntShrink on big noise case. But on NQM measurement, denoising result on AntShrink outperforms the priposed method