Pengindraan Kompresif Berbasis Sparsity Averaging Reweighted Analysis Untuk Kompresif Citra Iris

Penulis

DOI:

https://doi.org/10.34818/eoe.v7i3.14070

Abstrak

Compressed sensing (CS) merupakan teknik pemrosesan sinyal dengan cara mengambil sampel sinyal pada gelombang sinyal yang utuh, sehingga memungkinkan informasi yang dikirimkan secara efisien dan tidak kehilangan informasi penting. Salah satu metode CS adalah sparsity averaging reweighted analysis (SARA) yang diusulkan untuk meningkatkan kinerja dari metode basis pursuit denoise (BPDN). Pada penelitian sebelumnya SARA diusulkan untuk data citra radio-intrferometric dan citra natural. Analisis algoritma SARA dalam citra medis masih sedikit dan kurang optimal pada penelitian-penelitian sebelumnya. Untuk mengisi celah ini, data medis berupa citra medis digunakan untuk menyelidiki kinerja SARA. Jurnal ini bertujuan untuk menganalisis algoritma SARA pada data citra Iris mata. Analisa yang dilakukan terhadap SARA, yaitu dengan melihat performansi SNR dan SSIM dengan basis level dari jenis wavelet yang berbeda, seperti daubechies, symlet, dan Biorthogonal. kemudian membandingkan nilai performansi reweighted dengan metode reweighted lainnya seperti Haar dan curvelet. Pada tugas akhir ini didapat Hasil bahwa Jenis wavelet Daubechies memiliki performa yang lebih baik dibandinkan Symlet dan Biorthogonal ketika SARA atau BPSA menggunakan parameter terbaik basis q = 8, level L = 4, ukuran citra 64 x 64 dan MR = 0.1. kemudian, Hasil SNR dan SSIM menunjukkan parameter terbaik adalah q = 8 dan L = 4. Waktu komputasi linier terhadap jumlah basis dan level dekomposisi, dimana waktu semakin lama untuk nilai q dan L yang semakin besar. Algoritma SARA mengungguli algoritma RW-Haar sebesar 11,26 dB dan RW-Curvelet sebesar 13,21 dB pada MR = 0,1.Dan Waktu proses rata-rata pada parameter terbaik adalah 20 detik. Keywords: Compressed sensing, sparsity averaging, reweighted analysis, medical data compression, spread spectrum, wavelet.

Unduhan

Data unduhan tidak tersedia.

Referensi

[1] Chapter 4 - compressive sensing in medical signal processing and imaging systems, in: N. Dey, J. Chaki, R. Kumar (Eds.), Sensors for Health Monitoring, Vol. 5 of Advances in ubiquitous sensing applications for healthcare, Academic Press, 2019, pp. 69 – 92. doi:https://doi.org/10.1016/B978-0-12-819361-7.00004-X.

[2] D. L. Donoho, Compressed sensing, IEEE Transactions on Information Theory 52 (4) (2006) 1289–1306.

[3] E. J. Candes, T. Tao, Near-optimal signal recovery from random projections: Universal encoding strategies?, IEEE Transactions on Information Theory 52 (12) (2006) 5406–5425.

[4] E. J. Candes, M. B. Wakin, An introduction to compressive sampling, IEEE Signal Processing Magazine 25 (2) (2008) 21–30.

[5] R. E. Carrillo, J. D. McEwen, Y. Wiaux, Sparsity Averaging Reweighted Analysis (SARA): a novel algorithm for radiointerferometric imaging, Monthly Notices of the Royal Astronomical Society 426 (2) (2012) 1223–1234.

[6] R. E. Carrillo, J. D. McEwen, D. Van De Ville, J.-P. Thiran, Y. Wiaux, Sparsity averaging for compressive imaging, IEEE Signal Processing Letters 20 (6) (2013) 591–594.

[7] J.-L. Starck, F. Murtagh, J. M. Fadili, Sparse Image and Signal Processing: Wavelets, Curvelets, Morphological Diversity, Cambridge University Press, 2010. doi:10.1017/CBO9780511730344.

[8] S. C. Miss Monika Shukla, Dr, A comparative study of wavelet and curvelet transform for image denoising 7 (2013) 63–68.

[9] E. J. C. Jean-Luc Starck, D. L. Donoho, The curvelet transform for image denoising, IEEE Transactions on Signal Processing 11 (6) (June 2010) 670–684.

Diterbitkan

2020-12-01

Terbitan

Halaman

9105-9114

Bagian

Program Studi S1 Teknik Telekomunikasi

Cara Mengutip

Aryoseno, R. P., Wahidah, I., & Nur Fu'adah, R. Y. (2020). Pengindraan Kompresif Berbasis Sparsity Averaging Reweighted Analysis Untuk Kompresif Citra Iris. eProceedings of Engineering, 7(3), 9105-9114. https://doi.org/10.34818/eoe.v7i3.14070