Skip to main content

Modul teori — Metrik evaluasi kualitas citra: PSNR & SSIM

Pengolahan Citra Digital (PCD), pertemuan ke-16

Metrik evaluasi kualitas citra mengukur seberapa dekat citra hasil olahan (distorsi, kompresi, denoising) dengan citra referensi (biasanya citra asli sebelum degradasi). Dua metrik paling sering dipakai dalam literatur dan praktik adalah PSNR (Peak Signal-to-Noise Ratio) dan SSIM (Structural Similarity Index).

Modul ini menjelaskan kedua metrik langkah demi langkah — dari definisi matematis hingga implementasi — dengan studi kasus radiograf OPG (ortopantomogram) sebagai citra referensi. OPG adalah contoh yang relevan karena:

Gambar 1: Citra referensi: radiograf OPG (ortopantomogram) grayscale. Ukuran \(597 \times 1240\) piksel; intensitas 8-bit (\(0\)–\(255\)). Citra ini menjadi referensi \(I\) untuk semua perhitungan PSNR dan SSIM di modul ini.

0.1 Tujuan pembelajaran

  1. Menjelaskan peran metrik objektif dalam evaluasi citra (restorasi, kompresi, denoising).
  2. Menghitung MSE (Mean Squared Error) piksel demi piksel dan mengaitkannya dengan PSNR.
  3. Menurunkan PSNR langkah demi langkah beserta interpretasi satuan desibel (dB).
  4. Menjelaskan komponen SSIM: luminance (\(l\)), contrast (\(c\)), dan structure (\(s\)) dalam jendela lokal.
  5. Mengimplementasikan PSNR dan SSIM dengan NumPy / scikit-image pada citra OPG.
  6. Membandingkan nilai metrik untuk berbagai operasi olahan (noise, blur, kompresi JPEG, ekualisasi histogram).
  7. Menganalisis kelebihan, kekurangan, dan kapan memakai PSNR vs SSIM.

1 Mengapa butuh metrik evaluasi?

Setelah menerapkan filter, algoritma kompresi, atau restorasi noise, pertanyaan natural: “Apakah citra hasil lebih baik?” Evaluasi subjektif (mata manusia) penting, tetapi:

  • tidak konsisten antar pengamat dan kondisi tampilan;
  • mahal jika harus dilakukan untuk ribuan parameter algoritma;
  • sulit diotomatisasi dalam pipeline penelitian atau produksi.

Metrik objektif memberikan skalar numerik yang dapat dibandingkan antar metode, antar parameter, atau antar publikasi — asalkan citra referensi (\(I\), reference) tersedia dan distorsi bersifat full-reference (FR-IQA: full-reference image quality assessment).

Notasi umum:

Simbol Arti
\(I[i,j]\) Citra referensi (asli), intensitas piksel \((i,j)\)
\(K[i,j]\) Citra hasil olahan / terdistorsi (test / distorted)
\(M, N\) Lebar dan tinggi citra (jumlah baris × kolom)
\(L\) Rentang dinamis intensitas; untuk 8-bit: \(L = 256\), puncak sinyal \(= L-1 = 255\)

2 Mean Squared Error (MSE) — fondasi PSNR

Sebelum PSNR, kita ukur rata-rata kuadrat selisih intensitas antar piksel.

2.1 Langkah 1 — Selisih per piksel

Untuk setiap koordinat \((i,j)\):

\[ e[i,j] = I[i,j] - K[i,j]. \]

Contoh numerik (satu piksel pada OPG, baris \(i=300\), kolom \(j=620\)):

  • \(I[300,620] = 76\)
  • Setelah menambah noise Gaussian: \(K[300,620] = 69\)
  • \(e = 76 - 69 = 7\)

2.2 Langkah 2 — Kuadratkan selisih

\[ e^2[i,j] = \big(I[i,j] - K[i,j]\big)^2. \]

Pada contoh di atas: \(e^2 = 7^2 = 49\).

2.3 Langkah 3 — Rata-rata seluruh piksel

\[ \mathrm{MSE} = \frac{1}{MN} \sum_{i=0}^{M-1} \sum_{j=0}^{N-1} \big(I[i,j] - K[i,j]\big)^2. \]

Cara membaca. MSE = 0 berarti citra identik. Semakin besar MSE, semakin besar perbedaan intensitas rata-rata. MSE tidak membedakan apakah distorsi terlihat oleh mata — hanya mengukur error numerik piksel demi piksel.

import numpy as np
from skimage import io, util
from pathlib import Path

img = io.imread(Path("radigraphs/12052026_133040.png"))
if img.ndim == 3:
    img = np.mean(img, axis=2).astype(np.uint8)

noisy = util.random_noise(img, mode="gaussian", var=0.01)
noisy_u8 = np.clip(noisy * 255, 0, 255).astype(np.uint8)

# Langkah 1–3: MSE manual
diff = img.astype(np.float64) - noisy_u8.astype(np.float64)
mse_manual = np.mean(diff ** 2)
print(f"MSE manual (noise Gaussian): {mse_manual:.2f}")

# Verifikasi satu piksel
i, j = 300, 620
print(f"  I[{i},{j}] = {img[i,j]}, K[{i},{j}] = {noisy_u8[i,j]}")
print(f"  (I-K)² = {(int(img[i,j]) - int(noisy_u8[i,j]))**2}")
MSE manual (noise Gaussian): 595.96
  I[300,620] = 76, K[300,620] = 75
  (I-K)² = 1

3 PSNR — Peak Signal-to-Noise Ratio

PSNR mengekspresikan MSE dalam logaritma basis 10 relatif terhadap puncak sinyal maksimum (\(255\) untuk 8-bit), sehingga hasilnya dalam desibel (dB) — konvensi yang familiar dari bidang telekomunikasi dan pemrosesan sinyal.

3.1 Langkah 1 — Hitung MSE (seperti di atas)

\[ \mathrm{MSE} = \frac{1}{MN}\sum_{i,j}\big(I[i,j]-K[i,j]\big)^2. \]

3.2 Langkah 2 — Tentukan puncak sinyal

Untuk citra 8-bit tidak bertanda (unsigned):

\[ P = 255 \quad (\text{atau } L-1 \text{ dengan } L=256). \]

3.3 Langkah 3 — Rumus PSNR

\[ \mathrm{PSNR} = 10 \cdot \log_{10}\!\left(\frac{P^2}{\mathrm{MSE}}\right) = 20 \cdot \log_{10}\!\left(\frac{P}{\sqrt{\mathrm{MSE}}}\right) \quad [\mathrm{dB}]. \]

Cara membaca.

  • MSE kecil → rasio \(P^2/\mathrm{MSE}\) besar → PSNR tinggi → kualitas lebih baik.
  • MSE = 0 → PSNR = \(\infty\) (citra identik); praktis dibatasi presisi floating-point.
  • Aturan jempol (bukan absolut): PSNR > 40 dB sering dianggap distorsi kecil; 30–40 dB sedang; < 30 dB terlihat jelas — tergantung aplikasi.

3.4 Langkah 4 — Contoh perhitungan tangan (noise Gaussian pada OPG)

Dari perhitungan pada citra OPG dengan noise Gaussian (\(\sigma^2 = 0.01\), dinormalisasi ke [0,1]):

Langkah Nilai
MSE 595,89
\(P^2 / \mathrm{MSE} = 255^2 / 595{,}89\) ≈ 109,15
\(\log_{10}(109{,}15)\) ≈ 2,038
PSNR = \(10 \times 2{,}038\) ≈ 20,38 dB

Distorsi noise terasa kuat — PSNR rendah.

import numpy as np
from skimage import metrics

P = 255.0
mse = mse_manual  # dari chunk sebelumnya
psnr_manual = 10 * np.log10(P ** 2 / mse)
psnr_skimage = metrics.peak_signal_noise_ratio(img, noisy_u8, data_range=255)
print(f"PSNR manual : {psnr_manual:.2f} dB")
print(f"PSNR skimage: {psnr_skimage:.2f} dB")
PSNR manual : 20.38 dB
PSNR skimage: 20.38 dB

3.5 Kelebihan PSNR

Aspek Penjelasan
Sederhana Satu rumus, mudah diimplementasi (beberapa baris NumPy).
Cepat Kompleksitas \(O(MN)\) — linear terhadap jumlah piksel.
Standar Hampir universal di literatur kompresi (JPEG, video H.264/HEVC).
Interpretasi log Skala dB memudahkan perbandingan orde magnitud error.

3.6 Kekurangan PSNR

Aspek Penjelasan
Tidak selaras persepsi manusia Dua citra dengan PSNR sama bisa terlihat sangat berbeda oleh mata.
Piksel-wise saja Tidak mempertimbangkan struktur, tepi, atau korelasi spasial.
Sensitif shift global Perbedaan brightness/kontras global menurunkan PSNR meski struktur utuh.
Tidak cocok tanpa referensi Butuh citra asli; tidak bisa dipakai pada skenario blind IQA.

3.7 Kapan memakai PSNR?

  • Benchmark kompresi (JPEG, JPEG2000, codec video): standar de facto.
  • Optimasi parameter algoritma restorasi bila MSE/PSNR adalah fungsi objektif yang di-minimize.
  • Perbandingan cepat antar metode pada dataset besar.
  • Tidak disarankan sebagai satu-satunya metrik untuk citra medis diagnostik — padukan dengan SSIM atau evaluasi klinis.

4 SSIM — Structural Similarity Index

PSNR mengukur error per piksel. SSIM (Wang et al., 2004) mengukur kesamaan struktur lokal: luminance, contrast, dan pola spasial dalam jendela kecil (mis. \(11 \times 11\) piksel) yang digeser (sliding window) di seluruh citra.

4.1 Intuisi

Mata manusia sangat sensitif terhadap:

  1. Luminance — rata-rata terang/gelap lokal;
  2. Contrast — variasi intensitas lokal;
  3. Structure — pola relatif antar piksel (tepi, tekstur).

SSIM membandingkan kedua citra pada ketiga aspek ini secara lokal, lalu merata-rata.

4.2 Langkah 1 — Pilih jendela lokal

Misalkan jendela \(W\) berisi \(n = |W|\) piksel (contoh: \(11 \times 11 = 121\) piksel) di sekitar \((i,j)\).

Ekstrak vektor intensitas referensi \(\mathbf{x}\) dan test \(\mathbf{y}\) dari jendela tersebut.

4.3 Langkah 2 — Statistik lokal

\[ \mu_x = \frac{1}{n}\sum_{k \in W} x_k, \qquad \mu_y = \frac{1}{n}\sum_{k \in W} y_k, \]

\[ \sigma_x^2 = \frac{1}{n-1}\sum_{k \in W}(x_k - \mu_x)^2, \qquad \sigma_y^2 = \frac{1}{n-1}\sum_{k \in W}(y_k - \mu_y)^2, \]

\[ \sigma_{xy} = \frac{1}{n-1}\sum_{k \in W}(x_k - \mu_x)(y_k - \mu_y). \]

Cara membaca. \(\mu\) = rata-rata lokal (luminance); \(\sigma^2\) = varians lokal (contrast); \(\sigma_{xy}\) = kovarians (korelasi struktur).

4.4 Langkah 3 — Tiga komponen SSIM

Konstanta stabilisasi (untuk 8-bit, standar):

\[ C_1 = (0.01 \times 255)^2 = 6.5025, \qquad C_2 = (0.03 \times 255)^2 = 58.5225. \]

Luminance comparison:

\[ l(x,y) = \frac{2\mu_x\mu_y + C_1}{\mu_x^2 + \mu_y^2 + C_1}. \]

Contrast comparison:

\[ c(x,y) = \frac{2\sigma_x\sigma_y + C_2}{\sigma_x^2 + \sigma_y^2 + C_2}. \]

Structure comparison:

\[ s(x,y) = \frac{\sigma_{xy} + C_2/2}{\sigma_x\sigma_y + C_2/2}. \]

4.5 Langkah 4 — SSIM lokal dan global

SSIM lokal dalam satu jendela:

\[ \mathrm{SSIM}(x,y) = l(x,y) \cdot c(x,y) \cdot s(x,y). \]

SSIM global = rata-rata SSIM lokal dari semua posisi jendela:

\[ \mathrm{SSIM}_{\mathrm{global}} = \frac{1}{|\Omega|}\sum_{(i,j) \in \Omega} \mathrm{SSIM}\big(W_{i,j}^I, W_{i,j}^K\big). \]

Rentang nilai: SSIM \(\in [-1, 1]\); praktis pada citra natural biasanya \([0, 1]\). 1 = identik, 0 = tidak mirip, nilai negatif jarang pada distorsi umum.

import numpy as np
from skimage import metrics

# Patch 11×11 di sekitar piksel (300, 620)
r, c = 300, 620
half = 5
patch_I = img[r - half : r + half + 1, c - half : c + half + 1].astype(np.float64)
patch_K = noisy_u8[r - half : r + half + 1, c - half : c + half + 1].astype(np.float64)

mu_x, mu_y = patch_I.mean(), patch_K.mean()
var_x, var_y = patch_I.var(), patch_K.var()
cov = np.mean((patch_I - mu_x) * (patch_K - mu_y))

C1 = (0.01 * 255) ** 2
C2 = (0.03 * 255) ** 2

l = (2 * mu_x * mu_y + C1) / (mu_x**2 + mu_y**2 + C1)
c = (2 * np.sqrt(var_x) * np.sqrt(var_y) + C2) / (var_x + var_y + C2)
s = (cov + C2 / 2) / (np.sqrt(var_x) * np.sqrt(var_y) + C2 / 2)
ssim_local = l * c * s

ssim_full = metrics.structural_similarity(img, noisy_u8, data_range=255)
print(f"Patch 11×11 — l={l:.4f}, c={c:.4f}, s={s:.4f} → SSIM lokal={ssim_local:.4f}")
print(f"SSIM global (seluruh citra): {ssim_full:.4f}")
Patch 11×11 — l=0.9998, c=0.4265, s=0.2401 → SSIM lokal=0.1024
SSIM global (seluruh citra): 0.1996

4.6 Kelebihan SSIM

Aspek Penjelasan
Lebih selaras persepsi Mempertimbangkan luminance, contrast, dan struktur — lebih dekat dengan penilaian visual.
Sensitif pada tepi & tekstur Penting untuk citra medis (tepi gigi, trabekula tulang OPG).
Robust pada shift kecil Lebih tahan terhadap perbedaan brightness global kecil dibanding PSNR murni.
Dapat diperluas MS-SSIM (multi-scale), SSIM pada channel warna, dll.

4.7 Kekurangan SSIM

Aspek Penjelasan
Lebih kompleks Butuh jendela, konstanta \(C_1, C_2\), dan rata-rata lokal.
Parameter jendela Ukuran window mempengaruhi hasil; harus konsisten antar eksperimen.
Tetap full-reference Butuh citra referensi — sama seperti PSNR.
Bukan gold standard medis Tidak menggantikan validasi radiolog; hanya proxy kualitas teknis.
Kesulitan pada distorsi geometrik Shift/rotasi kecil dapat menurunkan SSIM meski secara visual hampir sama.

4.8 Kapan memakai SSIM?

  • Evaluasi denoising / deblurring bila struktur anatomis harus terjaga.
  • Penelitian restorasi citra sebagai pelengkap PSNR.
  • Optimasi filter (memilih \(\sigma\) Gaussian blur, ukuran median) dengan memaksimalkan SSIM.
  • Kompresi lossy bila artefak blocking merusak struktur — SSIM sering turun lebih drastis daripada yang diharapkan dari PSNR saja.

5 Studi kasus: OPG vs berbagai olahan

Berikut citra OPG referensi \(I\) dibandingkan dengan beberapa operasi olahan umum \(K\). Setiap baris menampilkan pasangan visual dan metrik.

Gambar 2: Perbandingan visual citra referensi OPG (kiri) dengan empat olahan: noise Gaussian, blur \(\sigma=2\), kompresi JPEG \(Q=10\), dan histogram equalization (kanan). Metrik PSNR/SSIM tercantum pada judul panel kanan.

5.1 Tabel perbandingan metrik

Tabel berikut dihitung reproducible dari citra 12052026_133040.png. Citra referensi = asli; setiap baris = satu metode olahan \(K\).

Tabel 1
Metode olahan MSE PSNR (dB) SSIM
0 Gaussian noise ($\sigma^2=0.01$) 594.99 20.39 0.2005
1 Salt & pepper (2%) 399.18 22.12 0.5679
2 Gaussian blur ($\sigma=2$) 46.36 31.47 0.8227
3 Gaussian blur ($\sigma=0.5$) 1.92 45.30 0.9895
4 Median filter ($5\times5$) 20.30 35.06 0.8814
5 JPEG kompresi ($Q=10$) 38.01 32.33 0.7802
6 JPEG kompresi ($Q=30$) 14.80 36.43 0.8967
7 JPEG kompresi ($Q=50$) 10.19 38.05 0.9265
8 JPEG kompresi ($Q=90$) 3.75 42.39 0.9715
9 Histogram equalization 3409.76 12.80 0.6776
10 Unsharp mask 88.63 28.65 0.8436

5.1.1 Membaca tabel — wawasan klinis OPG

Olahan PSNR SSIM Interpretasi singkat
Blur \(\sigma=0.5\) ≈ 45 dB (tinggi) ≈ 0,99 (hampir identik) Penghalusan ringan — metrik baik, tepi gigi hampir utuh.
JPEG \(Q=90\) ≈ 42 dB ≈ 0,97 Kompresi ringan; layak untuk arsip bila bandwidth terbatas.
Blur \(\sigma=2\) ≈ 31 dB ≈ 0,82 PSNR masih “sedang”, tetapi SSIM sudah turun — tepi gigi mulai kabur, relevan diagnostik menurun.
JPEG \(Q=10\) ≈ 32 dB ≈ 0,78 PSNR tidak seburuk noise, tetapi artefak blocking merusak struktur — SSIM rendah.
Histogram equalization ≈ 13 dB (sangat rendah) ≈ 0,68 Kontras global berubah drastis → PSNR jatuh; SSIM moderat karena struktur relatif masih ada meski intensitas bergeser.
Noise Gaussian ≈ 20 dB ≈ 0,20 Keduanya rendah — distorsi jelas pada tekstur tulang halus.

Pelajaran penting: PSNR dan SSIM tidak selalu sepakat. Histogram equalization memperburuk PSNR (error intensitas global besar) tetapi SSIM masih relatif tinggi karena pola spasial banyak yang terjaga. Sebaliknya, noise Gaussian menurunkan keduanya tajam.

Gambar 3: Scatter PSNR vs SSIM untuk berbagai olahan OPG. Setiap titik = satu metode. Histogram equalization (EQ) menunjukkan PSNR rendah tetapi SSIM moderat — contoh ketidakselarasan kedua metrik.

6 Alur kerja evaluasi (step-by-step praktis)

Berikut pipeline evaluasi yang disarankan saat membandingkan algoritma pada citra medis atau umum:

  1. Siapkan pasangan citra — \(I\) (referensi) dan \(K\) (hasil olahan); pastikan ukuran dan tipe data sama (grayscale 8-bit, atau normalisasi ke [0,1] konsisten).
  2. Hitung MSE — verifikasi manual pada beberapa piksel sampel untuk memastikan implementasi benar.
  3. Hitung PSNR — laporkan dalam dB; catat data_range (255 untuk uint8).
  4. Hitung SSIM — gunakan library terpercaya (skimage.metrics.structural_similarity); catat ukuran window (default 11).
  5. Visualisasikan — side-by-side \(I\) vs \(K\); jangan hanya andalkan angka.
  6. Interpretasi domain — untuk OPG: apakah tepi enamel/root canal masih tajam? Apakah noise menutupi lesi kecil?
  7. Laporkan keduanya — PSNR untuk comparability literatur; SSIM untuk proxy persepsi struktur.
from skimage import metrics
import numpy as np


def evaluate_quality(reference: np.ndarray, test: np.ndarray, data_range: int = 255) -> dict:
    """Hitung MSE, PSNR, dan SSIM untuk pasangan citra full-reference."""
    ref = reference.astype(np.float64)
    tst = test.astype(np.float64)
    mse = np.mean((ref - tst) ** 2)
    psnr = metrics.peak_signal_noise_ratio(reference, test, data_range=data_range)
    ssim = metrics.structural_similarity(reference, test, data_range=data_range)
    return {"MSE": mse, "PSNR_dB": psnr, "SSIM": ssim}


# Contoh pemakaian
blur_light = np.clip(gaussian_filter(img.astype(float), sigma=0.5), 0, 255).astype(np.uint8)
print(evaluate_quality(img, blur_light))
{'MSE': np.float64(1.9190819689847085), 'PSNR_dB': np.float64(45.29986835888833), 'SSIM': np.float64(0.9894935786360659)}

7 PSNR vs SSIM — ringkasan perbandingan

Kriteria PSNR SSIM
Dasar pengukuran Error kuadrat rata-rata per piksel Kesamaan luminance, contrast, structure lokal
Satuan / rentang dB (semakin tinggi semakin baik); tidak dibatasi atas \([-1, 1]\), praktis \([0,1]\); 1 = identik
Kompleksitas \(O(MN)\), sangat cepat \(O(MN \cdot w^2)\) dengan window \(w\)
Korelasi persepsi visual Lemah–sedang Lebih kuat
Sensitif pada Semua perbedaan intensitas, termasuk global Struktur lokal, tepi, tekstur
Standar industri kompresi Ya (video, JPEG) Semakin dipakai, belum seuniversal PSNR
Butuh referensi Ya Ya
Rekomendasi laporan Selalu laporkan bila membandingkan kompresi/restorasi Laporkan bersama PSNR, terutama denoising & citra medis

7.1 Rekomendasi praktis untuk praktikum PCD

  1. Gunakan keduanya — jangan memilih salah satu secara eksklusif.
  2. Sertakan visualisasi — angka tanpa gambar menyesatkan (lihat histogram equalization).
  3. Tetapkan baseline — olahan “identik” (copy) harus PSNR \(\to \infty\) dan SSIM = 1; uji sanity check.
  4. Domain medis — metrik objektif melengkapi, tidak menggantikan, penilaian klinis.
  5. Eksplorasi lanjutan — MS-SSIM, LPIPS (deep learning), dan metrik no-reference (BRISQUE, NIQE) untuk skenario tanpa citra asli.

8 Latihan mandiri

  1. Muat citra OPG (radigraphs/12052026_133040.png). Tambahkan salt-and-pepper dengan amount = 0.01, 0.05, 0.10. Plot PSNR dan SSIM vs amount — mana yang turun lebih cepat?
  2. Terapkan median filter \(3\times3\), \(5\times5\), \(7\times7\) pada citra ber-noise. Apakah SSIM naik monoton? Kapan PSNR dan SSIM “bercerai”?
  3. Kompres JPEG dengan \(Q \in \{5, 10, 20, \ldots, 95\}\). Tentukan \(Q\) minimum agar SSIM \(\geq 0.90\).
  4. Refleksi: Mengapa histogram equalization memperbaiki kontras visual tetapi PSNR-nya sangat rendah? Apakah itu berarti olahan “buruk”?

Referensi

  • Wang, Zhou et al. (2004). “Image quality assessment: from error visibility to structural similarity.” IEEE Transactions on Image Processing, 13(4), 600–612.
  • Gonzalez & Woods, Digital Image Processing — bab metrik error dan evaluasi restorasi.
  • Dokumentasi scikit-image: peak_signal_noise_ratio, structural_similarity.