Analisis Transformasi Proyeksu Gaussian Untuk Penginderaan Citra Kompresif

ABSTRAKSI: Penginderaan kompresif (compressive sensing) merupakan teknik terbaru untuk menghilangkan ketidakefisienan saat pengumpulan data dan kompresi. Kompresi dilakukan pada data digital yang saat pengumpulannya (dipotret atau direkam) menghasilkan sejumlah besar data untuk kemudian dibuang pada saat kompresi.Pada Tugas Akhir ini, input yang digunakan adalah berupa citra digital. Setelah melewati transformasi penjarang (sparsity transform), citra akan melalui tahap transformasi proyeksi menurut distribusi gaussian untuk pengukuran dan pengamatan. Hasil pengukuran merupakan citra tak sempurna karena koefisien yang terambil hanya sedikit dan letaknya acak berdasarkan distribusi gaussian. Selanjutnya citra akan direkonstruksi dengan menggunakan algoritma basis pursuit.Dari hasil pengujian sistem dapat diketahui bahwa proyeksi gaussian dapat digunakan sebagai transformasi proyeksi pada penginderaan kompresif untuk citra digital. Selain itu, dari pengujian sistem didapatkan PSNR untuk citra black – white sekitar 50,68 dB - Inf dB, untuk citra grayscale 6,29 dB - 42,54 dB dan untuk citra RGB pada kanal R sekitar 4,78 dB - 43,69 dB.Kata Kunci : penginderaan kompresif, discrete haar wavelet transform, gaussian projection, sparsity, basis pursuit.ABSTRACT: Compressive sensing is the last technique to eliminate inefficiency during data collection and compression. Compression is performed on digital data that is currently collected (photographed or recorded) produce large amounts of data for later discarded during compression.In this final project, the input used is a digital image. After sparsity transform, the image will go though the transformation of the projection according to gaussian distribution for the measurements and observations. The measurement result is not perfect because the coefficient image that is picked up only slightly and is located at random based on gaussian distribution. Furthermore, the image will be reconstructed by using basis pursuit algorithm.From the test results can be seen that the projection system can be used as a transformation gaussian projection on compressive sensing for digital images. In addition, the test system obtained PSNR for the image of black-white arround 50,68 dB – inf dB, for grayscale images 6,29 dB – 42,54 dB and for color image on R channel of about 4,74 dB – 43,69 dB.Keyword: compressive sensing, discrete haar wavelet transform, gaussian projection, sparsity, basis pursuit