job 7 andy
-
Upload
ucu-alydroes -
Category
Documents
-
view
295 -
download
5
Transcript of job 7 andy
LAPORAN PRAKTIKUM
PENGOLAHAN CITRA DIGITAL
NO JOB 7
Nama : Andy Hafiandy
Nim : 3201016062
Kelas : 5 B
TEKNIK INFORMATIKA
TEKNIK ELEKTRO
POLITEKNIK NEGERI PONTIANAK
2012
Tujuan
1. Membangkitkan noise pada citra.
2. Mereduksi noise pada citra.
Teori Dasar
Noise gaussian merupakan model noise yang mengikuti distribusi normal standard
dengan rata-rata nol dan standard deviasi 1. Efek dari gaussian noise ini, pada gambar muncul
titik-titik berwarna yang jumlahnya sama dengan prosentase noise. Noise speckle merupakan
model noise yang memberikan warna hitam pada titik yang terkena noise. Sedangkan noise salt
& pepper seperti halnya taburan garam, akan memberikan warna putih pada titik yang terkena
noise.
Pada beberapa pengolahan citra, terkadang untuk menguji suatu algoritma untuk dapat
mereduksi noise, maka noise dihasilkan dari proses pembangkitan noise. Untuk
membangkitkan noise digunakan suatu bilangan acak sebagai pengganti noise yang dihasilkan.
Noise pada citra dibedakan menjadi beberapa macam yaitu :
1. GaussianNoiseGaussian dapat dibangkitkan dengan cara membangkitkan bilangan acak [0,1] dengan
distribusi gaussian. Kemudian untuk titik-titik yang terkena noise, nilai fungsi citra
ditambahkan dengan nilai noise yang ada, atau dirumuskan dengan:
y (i , j )=x ( i , j )+ p .a
Ket :
a : nilai bilangan acak berdistribusi uniform dari noise.
p : presentase noise.
y(i,j) : nilai citra terkena noise.
x(i,j) : nilai citra sebelum kena noise.
Untuk membangkitkan bilangan acak berdistribusi gaussian, tidak dapat langsung
menggunakan fungsi rnd, tetapi diperlukan suatu metode yang digunakan untuk mengubah
distribusi bilangan acak ke dalam fungsi f tertentu. Dalam buku ini digunakan metode
rejection untuk memudahkan dalam alur pembuatan programnya. Metode rejection
dikembangkan dengan cara membangkitkan dua bilangan acak (x,y) dan ditolak bila y >
f(x).
2. Noise UniformNoise Uniform seperti halnya noise gausssian dapat dibangkitkan dengan cara
membangkitkan bilangan acak [0,1] dengan distribusi uniform. Kemudian untuk titik-titik
yang terkena noise, nilai fungsi citra ditambahkan dengan nilai noise yang ada, atau
dirumuskan dengan :
y (i , j )=x ( i , j )+ p .a
Ket :
a : nilai bilangan acak berdistribusi uniform dari noise.
p : presentase noise.
y(i,j) : nilai citra terkena noise.
x(i,j) : nilai citra sebelum kena noise.
Noise uniform ini merupakan noise sintesis yang sebenarnya dalam penerapannya
jarang digunakan, tetapi secara pemrograman pembangkitan noise uniform ini merupakan
jenis pembangkitan noise yang paling mudah.
3. Reduksi noise menggunakan Filter Rata-RataAda berbagai macam teknik untuk mengurangi (reduksi) noise, salah satunya
menggunakan filter rata-rata. Dalam pengertian noise sebagai suatu nilai yang berbeda
dengan semua tetangganya maka dapat dikatakan noise merupakan nilai-nilai yang berada
pada frekwensi tinggi, untuk mengurangi noise digunakan Low Pass Filter (LPF). Salah satu
dari bentuk LPF adalah filter rata-rata.
Filter rata-rata merupakan filter H dalam bentuk matrik yang berukuran mxn, dan
nilainya adalah sama untuk setiap elemen, dan karena bersifat LPF maka jumlah seluruh
elemen adalah satu, dan dituliskan dengan :
H ( i , j )= 1m .n
,1≤i ≤m ,1≤ j ≤n
Filter rata-rata berukuran 3x3 yaitu :
H=[19
19
19
19
19
19
19
19
19] atau ditulis H=[1 1 1
1 1 11 1 1] /9
Filter rata-rata berukuran 5x5 yaitu :
H=[125
125
125
125
125
125
125
125
125125
125
125
125
125
125
125
125
125
125125
125
125
125
125
125
]Peningkatan ukuran filter memang akan semakain banyak mengurangi filter tetapi
terjadi proses blur yang tidak dapat dihindari, hall ini menyebabkan nilai SNR juga akan
semakin rendah.
4. Reduksi Noise menggunakan Filter GaussianFilter lain yang banyak digunakan dalam mereduksi noise selain filter rata-rata adalah
filter gaussian. Filter gaussian ini sebenarnya hampir sama dengan filter rata-rata hanya
ada nilai bobot yang tidak rata seperti pada filter rata-rata, tetapi mengikuti fungsi gaussian
sebagai berikut :
G ( x , y )= 1s√π
e−((x−mx )2+( y−m y)
2) /2 s
Ket :
s : sebaran dari fungsi Gaussian
(mx, my) : titik tengah dari fungsi Gaussian
Berdasarkan rumus dari fungsi gaussian di atas untuk ukuran 3x3 akan diperoleh
matrik kernel filter gaussian :
H=[1 1 11 4 11 1 1]/13 atau H=[0.077 0.077 0.077
0.077 0.308 0.0770.077 0.077 0.077]
Kernel filter gaussian untuk ukuran 5x5 adalah :
H=[0.0030 0.0133 0.02190.0133 0.0596 0.0983
0.0133 0.00300.0596 0.0133
0.0219 0.0983 0.1621 0.0983 0.02190.0133 0.0596 0.09830.0030 0.0133 0.0219
0.0596 0.01330.0133 0.0030
]
Kernel filter gaussian untuk ukuran 7x7 adalah :
H=[0.0013 0.0041 0.00790.0041 0.0124 0.02410.0079 0.0241 0.0470
0.0099 0.00790.0301 0.02410.0587 0.0470
0.0041 0.00130.0124 0.00410.0241 0.0079
0.0099 0.0301 0.05870.0079 0.0241 0.0470
0.0733 0.05870.0587 0.0470
0.0301 0.00990.0241 0.0079
0.0041 0.0124 0.02410.0013 0.0041 0.0079
0.0301 0.02410.0099 0.0079
0.0124 0.00410.0041 0.0013
]Berikut ini hasil dari program filter gaussian di atas dengan ukuran kernel yang
diubah-ubah, yaitu 3x3, 5x5 dan 7x7. Hall ini dapat dilakukan dengan mengubah nilai
Nfilter yang ada pada even form_load dengan nilai 3, 5 atau 7 secara manual, dan kemudian
jalankan programnya. Perhatikan bagaimana hasil dari masing-masing ukuran filter
gaussian dan bandingkan dengan dengan hasil dari filter rata-rata.
Prosedur Percobaan
I. Membangkitkan Noise dengan algoritma rata-rata
1. Buatlah project baru dan tambahkan komponen pada form sehingga tampak seperti
gambar berikut ini :
2. Tulislah kode program untuk form1, DivListBox1, DirListBox1, dan FileListBox1 dengan
kode berikut :
Private Sub Dir1_Change()
File1.Path = Dir1.Path
End Sub
Private Sub Drive1_Change()
Dir1.Path = Drive1.Drive
End Sub
Private Sub File1_Click()
Picture1.Picture = LoadPicture(File1.Path + "\" + File1.FileName)
End Sub
Private Sub Form_Load()
File1.Pattern = "*.bmp;*.jpg;*.jpeg;*.gif;*.tif"
End Sub
3. Tambahkan kode berikut pada CommandButton1 dengan kode berikut ini :
Private Sub Command1_Click()
probNoise = Val(Text1)
For i = 1 To Picture1.ScaleWidth Step 15
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise
sw = Rnd
wx = Abs(wx + 256 * sw * probNoise)
If wx > 255 Then wx = 255
Picture2.PSet (i, j), RGB(wx, wx, wx)
Next j
Next i
End Sub
4. Eksekusi Program, pilih citra, isi probabilitas noise pada Text1 dengan 0,1 kemudian
click CommandButton1. Amati (print) citra hasil.
5. Ubahlah probabilitas noise menjadi 0,2 , 0,3 , 0,4 , 0,5 , 0,6 , dan 0,7 print hasil citra.
II. Membangkitkan Noise dengan algoritma Gaussian
1. Tulislah kode program untuk membangkitkan noise dengan algoritma Gaussian berikut
ini pada tombol CommandButton2.
Private Sub Command2_Click()
probNoise = Val(Text1)
For i = 1 To Picture1.ScaleWidth Step 15
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise Gaussian
'Menggunakan metode Rejection
sw = 0
While sw = 0
x = 2 * Rnd - 1
y = Rnd
If y < Exp(-x ^ 2) Then
sw = x
End If
Wend
wx = Abs(wx + sw * 127 * probNoise)
If wx > 255 Then wx = 255
Picture2.PSet (i, j), RGB(wx, wx, wx)
Next j
Next i
End Sub
2. Eksekusi program dan print hasil citra.
III. Membangkitkan Noise pada citra dengan algoritma Salt and Papper.
1. Tulislah kode program untuk membangkitkan noise dengan algoritma Salt and Papper
berikut ini pada tombol CommandButton3.
Private Sub Command3_Click()
probNoise = Val(Text1)
For i = 1 To Picture1.ScaleWidth Step 15
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise
If sw < probNoise Then wx = 255
Picture2.PSet (i, j), RGB(wx, wx, wx)
Next j
Next i
End Sub
2. Eksekusi program dan print hasil citra.
IV. Membangkitkan Noise dengan algoritma Speckle
1. Tulislah kode program untuk membangkitkan noise dengan algoritma Speckle berikut
ini pada tombol CommandButton4.
Private Sub Command4_Click()
probNoise = Val(Text1)
For i = 1 To Picture1.ScaleWidth Step 15
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise
sw = Rnd
If sw < probNoise Then wx = 0
Picture2.PSet (i, j), RGB(wx, wx, wx)
Next j
Next i
End Sub
2. Eksekusi program dan cetak hasil eksekusi.
V. Reduksi noise dengan algoritma rata-rata, kernel 3x3
1. Buatlah project baru dengan nama reduksi, tambahkan komponen pada form seperti
yang terlihat pada gambar berikut.
2. Tulislah kode program untuk form1, DivListBox1, DirListBox1, dan FileListBox1 dengan
kode berikut :
Private Sub Dir1_Change()
File1.Path = Dir1.Path
End Sub
Private Sub Drive1_Change()
Dir1.Path = Drive1.Drive
End Sub
Private Sub File1_Click()
Picture1.Picture = LoadPicture(File1.Path + "\" + File1.FileName)
End Sub
Private Sub Form_Load()
File1.Pattern = "*.bmp;*.jpg;*.jpeg;*.gif;*.tif"
End Sub
3. Tambahkan kode program kernel berikut ini pada form1
Randomize Timer
For i = 1 To 3
For j = 1 To 3
h(i, j) = 1 / 9
Next j
Next i
4. Tulis kode berikut ini pada CommandButton1.
Private Sub Command1_Click()
probNoise = Val(Text1)
dx = 0
sx = 0
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
n2 = n2 + 1
wt(n1, n2) = wx
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise Gaussian
'Menggunakan Metode Rejection
sw = 0
While sw = 0
x = 2 * Rnd - 1
y = Rnd
If y < Exp(-x ^ 2) Then
sw = x
End If
Wend
wx1 = Abs(wx + sw * 255 * probNoise)
If wx1 > 255 Then wx1 = 255
Picture2.PSet (i, j), RGB(wx1, wx1, wx1)
nx = nx + Abs(wx1 - wx)
sx = sx + Abs(wx)
Next j
Next i
snr = 10 * Log(sx / nx) / Log(10)
Label5.Caption = snr
End Sub
5. Untuk menfilter citra tempatkan kode program berikut ini pada CommandButton2.
Private Sub Command2_Click()
Dim xt(400, 400) As Integer
'RGB to Gray
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture2.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
n2 = n2 + 1
wx = Int((r + g + b) / 3)
xt(n1, n2) = wx
Next j
Next i
'Proses Filtering dengan Konvolusi
nx = 0
sx = 0
For i = 1 To n1
For j = 1 To n2
z = 0
For u1 = -1 To 1
For u2 = -1 To 1
z = z + h(u1 + 2, u2 + 2) * xt(i + u1, j + u2)
Next u2
Next u1
Picture3.PSet ((i - 1) * 15 + 1, (j - 1) * 15 + 1), RGB(z, z, z)
nx = nx + Abs(z - wt(i, j))
sx = sx + Abs(wt(i, j))
Next j
Next i
snr = 10 * Log(sx / nx) / Log(10)
Label3.Caption = snr
End Sub
6. Tambahkan deklarasi variable berikut pada permulaan program.
Dim wt(400, 400) As Integer
Dim h(3, 3) As Single
7. Eksekusi Program dan print hasil eksekusi.
VI. Reduksi noise dengan algoritma rata-rata, kernel 5x5
1. Tulislah kode program untuk membangkitkan noise pada citra pada tombol
CommandButton3.
Private Sub Command3_Click()
probNoise = Val(Text2)
dx = 0
sx = 0
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
n2 = n2 + 1
wt(n1, n2) = wx
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise Gaussian
'Menggunakan Metode Rejection
sw = 0
While sw = 0
x = 2 * Rnd - 1
y = Rnd
If y < Exp(-x ^ 2) Then
sw = x
End If
Wend
wx1 = Abs(wx + sw * 255 * probNoise)
If wx1 > 255 Then wx1 = 255
Picture2.PSet (i, j), RGB(wx1, wx1, wx1)
nx = nx + Abs(wx1 - wx)
sx = sx + Abs(wx)
Next j
Next i
snr = 10 * Log(sx / nx) / Log(10)
Label2.Caption = snr
End Sub
2. Tambahkan kode program berikut ini pada Form1
Randomize Timer
For i = 1 To Nfilter
For j = 1 To Nfilter
h(i, j) = 1 / (Nfilter ^ 2)
Next j
Next i
3. Definisikan variable global berikut pada awal program
Dim wt(400, 400) As Integer
Dim h(3, 3) As Single
Dim Nfilter As Integer
4. Tulislah program untuk mereduksi noise dengan kernel 5x5 pada CommandButton4.
Private Sub Command4_Click()
Dim xt(400, 400) As Integer
'RGB to Gray
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture2.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
n2 = n2 + 1
wx = Int((r + g + b) / 3)
xt(n1, n2) = wx
Next j
Next i
'Proses Filtering dengan Konvolusi
nx = 0
sx = 0
For i = 1 To n1
For j = 1 To n2
z = 0
For u1 = -1 To 1
For u2 = -1 To 1
z = z + h(u1 + 2, u2 + 2) * xt(i + u1, j + u2)
Next u2
Next u1
Picture3.PSet ((i - 1) * 15 + 1, (j - 1) * 15 + 1), RGB(z, z, z)
nx = nx + Abs(z - wt(i, j))
sx = sx + Abs(wt(i, j))
Next j
Next i
snr = 10 * Log(sx / nx) / Log(10)
Label3.Caption = snr
End Sub
5. Eksekusi program dan print citra hasil eksekusi.
VII. Reduksi noise dengan algoritma Gaussian
1. Buatlah project baru dan tambahkan komponen pada form seperti yang terlihat pada
gambar berikut.
2. Tulislah kode program untuk form1, DivListBox1, DirListBox1, dan FileListBox1 dengan
kode berikut :
Private Sub Dir1_Change()
File1.Path = Dir1.Path
End Sub
Private Sub Drive1_Change()
Dir1.Path = Drive1.Drive
End Sub
Private Sub File1_Click()
Picture1.Picture = LoadPicture(File1.Path + "\" + File1.FileName)
End Sub
Private Sub Form_Load()
File1.Pattern = "*.bmp;*.jpg;*.jpeg;*.gif;*.tif"
End Sub
3. Tulislah kode berikut ini pada CommandButton1, untuk membangkitkan Noise
Private Sub Command1_Click()
probNoise = Val(Text1)
dx = 0
sx = 0
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture1.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
wx = Int((r + g + b) / 3)
n2 = n2 + 1
wt(n1, n2) = wx
Picture1.PSet (i, j), RGB(wx, wx, wx)
'Pembangkitan Noise Gaussian
'Menggunakan metode Rejection
sw = 0
While sw = 0
x = 2 * Rnd - 1
y = Rnd
If y < Exp(-x ^ 2) Then
sw = x
End If
Wend
wx1 = Abs(wx + sw * 255 * probNoise)
If wx1 > 255 Then wx1 = 255
Picture2.PSet (i, j), RGB(wx1, wx1, wx1)
nx = nx + Abs(wx1 - wx)
sx = sx + Abs(wx)
Next j
Next i
snr = (10 * Log(sx / nx)) / Log(10)
Label2.Caption = snr
End Sub
4. Tambahkan kode berikut ini pada CommandButton2 untuk reduksi noise.
Private Sub Command2_Click()
Dim xt(400, 400) As Integer
'RGB to Gray
n1 = 0
For i = 1 To Picture1.ScaleWidth Step 15
n1 = n1 + 1
n2 = 0
For j = 1 To Picture1.ScaleHeight Step 15
warna = Picture2.Point(i, j)
r = warna And RGB(255, 0, 0)
g = Int((warna And RGB(0, 255, 0)) / 256)
b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256)
n2 = n2 + 1
wx = Int((r + g + b) / 3)
xt(n1, n2) = wx
Next j
Next i
'Proses Filter dengan konvolusi
nx = 0
sx = 0
For i = 1 To n1
For j = 1 To n2
z = 0
For u1 = -1 To 1
For u2 = -1 To 1
z = z + h(u1 + 2, u2 + 2) * xt(i + u1, j + u2)
Next u2
Next u1
Picture3.PSet ((i - 1) * 15 + 1, (j - 1) * 15 + 1), RGB(z, z, z)
nx = nx + Abs(z - wt(i, j))
sx = sx + Abs(wt(i, j))
Next j
Next i
snr = 10 * Log(sx / nx) / Log(10)
Label3.Caption = snr
End Sub
5. Ubahlah prosedur form1_Load menjadi seperti kode berikut ini
Private Sub Form_Load()
File1.Pattern = "*.bmp;*.jpg;*.jpeg;*.gif;*.tif"
Randomize Timer
Nfilter = 3
s = 0.5
m = Int(Nfilter / 2) + 1
sh = 0
For i = 1 To Nfilter
t1 = (i - m) / (m - 1)
For j = 1 To Nfilter
t2 = (j - m) / (m - 1)
h(i, j) = Exp(-(t1 ^ 2 + t2 ^ 2) / (2 * s ^ 2)) / (s ^ 2 * 3.14 ^ 0.5)
sh = sh + h(i, j)
Next j
Next i
For i = 1 To Nfilter
For j = 1 To Nfilter
h(i, j) = h(i, j) / sh
Next j
Next i
End Sub
6. Deklarasikan variable global berikut di awal program.
Dim wt(400, 400) As Integer
Dim h(5, 5) As Single
Dim Nfilter As Integer
7. Eksekusi program dan cetak hasil eksekusi.
TUGAS
1. Pada percobaan I – IV bandingkan noise yang dihasilkan. Apa perbedaan masing-masing algoritma?
2. Bandingkan hasil percobaan V dan VI. Jelaskan analisa saudara!3. Pada percobaan VII, ubahlah ukuran kernel 5x5 dan bandingkan hasil eksekusi. Jelaskan
analisa saudara!
Jawab
1. GaussianSemakin besar nilai prosentasenya, maka semakin banyak titik-titik sehingga membuat kabur citra yang dihasilkan.
0.2 0.3 0.4
0.5 0.7
Noise Uniform
0.2 0.3 0.4
0.5 0.7
Salt And Pepper
0.2 0.3 0.4
0.5 0.7Pada gambar dari hasil noise Salt and Pepper terlihat banyak titik-titik putih, karena noise Salt and Pepper akan memberikan warna putih pada titik yang terkena noise. Ini terlihat seperti taburan garam. Semakin besar nilai prosentasenya, maka semakin banyak titik-titik putih yang terdapat pada citra yang akan dihasilkan.
Speckle
0.2 0.3 0.4
0.5 0.7Pada gambar noise Speckel lebih banyak titik-titik hitam, karena noise Speckle memberikan warna hitam pada titik yang terkena noise. Semakin besar nilai prosentasenya, maka semakin banyak titik-titik hitam sehingga membuat gelap pada citra yang akan dihasilkan.
2. Pada gambar di atas bahwa Reduksi Noise menggunakan filter rata-rata terdapat titik-titik yang kemudian dilakukan blur sehingga hasilnya akan menjadi sedikit lebih buram. Bila dilakukan perbandingan antara reduksi noise menggunakan filter rata kernel 3x3 dengan 5x5, maka akan lebih buram. Semakin besar nilai kernelnya, maka semakin besar tingkat blurnya.
Hasil Running Kernel 3x3
Hasil Running Kernel 5x5
3. Pada gambar di atas bahwa metode Reduksi Noise menggunakan Filter Gaussian ini hampir sama dengan Reduksi Noise menggunakan Filter Rata-Rata. Hanya saja metode ini tidak menghasilkan gambar yang di blur. Ini karena metode ini ada nilai bobot yang tidak rata seperti pada filter rata-rata.
Reduksi Noise Gaussian Kernel 5X5