Restorasi Citra Penginderaan Jarak Jauh Menggunakan Metode U-Net
Abstract
Restorasi citra adalah proses untuk meningkatkan kualitas citra yang mengalami degradasi, seperti akibat gangguan noise. Penelitian ini berfokus pada peningkatan kualitas citra penginderaan jarak jauh yang terdegradasi menggunakan model Convolutional Neural Network (CNN) dengan arsitektur U-Net. Dataset FAIR1M, yang terdiri dari citra resolusi tinggi hasil penginderaan jarak jauh, digunakan dalam penelitian ini. Pada tahap pra-proses, citra resolusi tinggi diubah ke format grayscale, diubah ukurannya, dan ditambahkan noise. Proses pelatihan model menggunakan fungsi Mean Squared Error (MSE), sementara optimasi dilakukan dengan Algoritma Adam. Model dievaluasi menggunakan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM). Hasil penelitian menunjukkan bahwa model U-Net secara efektif dan signifikan mampu mengurangi noise dan meningkatkan kualitas citra. Proses pengujian terhadap 2.000 data menghasilkan rata-rata nilai PSNR sebesar 39,7892 dB dan rata-rata nilai SSIM sebesar 0,9814.
References
Zhang, P., Gong, J., Jiang, S., Shi, T., Yang, J., Bao, G., & Zhi, X. (2024). A method for remote sensing image restoration based on the system degradation model. Results in Physics, 56. https://doi.org/10.1016/j.rinp.2023.107262
Zakaria, A. I., Ernawati, E., Vatresia, A., & Oktoeberza, W. K. (2019). Perbandingan Metode High-Frequency Emphasis (HFE) Dan Contrast Limited Adaptive Histogram Equalization (CLAHE) Dalam Perbaikan Kualitas Citra Penginderaan Jauh (Remote Sensing). Pseudocode, 6(2), 125–137. https://doi.org/10.33369/pseudocode.6.2.125-137
Dua, P. (2019). Image Denoising Using a U-net. https://api.semanticscholar.org/CorpusID:212684125
Sun, X., Wang, P., Yan, Z., Xu, F., Wang, R., Diao, W., Chen, J., Li, J., Feng, Y., Xu, T., Weinmann, M., Hinz, S., Wang, C., & Fu, K. (2021). FAIR1M: A Benchmark Dataset for Fine-grained Object Recognition in High-Resolution Remote Sensing Imagery. http://arxiv.org/abs/2103.05569
Siddique, N., Paheding, S., Elkin, C. P., & Devabhaktuni, V. (2021). U-Net and Its Variants for Medical Image Segmentation: A Review of Theory and Applications. IEEE Access, 9, 82031–82057. https://doi.org/10.1109/ACCESS.2021.3086020
Mei, S. (2024). U-Nets as Belief Propagation: Efficient Classification, Denoising, and Diffusion in Generative Hierarchical Models. http://arxiv.org/abs/2404.18444
Beheshti, S., Hashemi, M., Sejdić, E., & Chau, T. (2011). Mean square error estimation in thresholding. IEEE Signal Processing Letters, 18(2), 103–106. https://doi.org/10.1109/LSP.2010.2097590
Kingma, D. P., & Ba, J. L. (2015). Adam: A method for stochastic optimization. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. https://arxiv.org/abs/1412.6980
Nawansari, M. (2022). Kinerja Penapisan Gaussian dan Median Dalam Pelembutan Citra. Journal of Information Technology, 2, 1–4. https://doi.org/10.46229/jifotech.v2i2.433
Omara, A. N., Salem, T. M., Elsanadily, S., & Elsherbini, M. M. (2022). SSIM-based sparse image restoration. Journal of King Saud University - Computer and Information Sciences, 34(8, Part B), 6243–6254. https://doi.org/https://doi.org/10.1016/j.jksuci.2021.07.024
GeeksForGeeks. (2023). U-Net Architecture Explained. https://www.geeksforgeeks.org/u-net-architecture-explained/
Idris, M., Anggraeny, F. T., & Mumpuni, R. (2023). IDENTIFIKASI KANKER PARU-PARU PADA GAMBAR HISTOPATOLOGI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Scan : Jurnal Teknologi Informasi Dan Komunikasi, 18(3). https://doi.org/10.33005/scan.v18i3.4728
Full Text: PDF