Overview Materi Pengolahan

Citra Digital
Image Processing vs Computer Graphics
Image Processing Computer Graphics
Berorientasi pixel Berorientasi Vektor
Mengolah data citra untuk
mendapatkan interpretasi 2D/3D
Menggunakan model 2D/3D
hasil realistik
Titik berat pada memanipulasi citra
sesuai dengan keperluan user
Cenderung mempelajari konsep
dan implementasi metode untuk
pembangkitan citra/animasi
(2D/3D)
Berawal dari citra digital
deskripsi objek pada citra
Mendeskripsikan objek dengan
primitif dasar grafis untuk mem-
bentuk citra 2D/3D
CITRA
Citra (image) = gambar pada bidang 2 dimensi.
Citra (ditinjau dari sudut pandang matematis) = fungsi yang
kontinu dari intensitas cahaya pada bidang 2 dimensi.
Sumber cahaya menerangi objek,dipantulkan kembali dan
di tangkap oleh alat-alat optik = Citra
Pengolahan Citra = memproses suatu citra sehingga
menghasilkan citra yang sesuai dengan keinginan kita atau
kualitasnya menjadi lebih baik.

(b) Citra Lena yang
diperbaiki
(a) Citra Lena yang
agak kabur
(b) Lena (a) Dog
Definisi Pengolahan Citra
Di dalam bidang komputer, ada 3 bidang studi yang
berkaitan dengan citra, namun tujuan ketiganya berbeda,
yaitu :
Grafika Komputer (Computer Graphics)
Pengolahan Citra (Image Processing)
Pengenalan Pola (Pattern Recognition/image interpretation)
Deskripsi
Citra
Deskripsi
Citra
Pengolahan Citra
Grafika
Komputer
Pengenalan
Pola
Computer Vision
Computer Vision mencoba meniru Human Vision
Computer Vision = proses otomatis yang
mengintegrasikan sejumlah besar proses untuk
persepsi visual, seperti :
Akuisisi citra
Pengolahan citra
Klasifikasi
Pengenalan (Recognition)
Membuat Keputusan.
Proses-proses dalam computer vision dapat
dibagi menjadi 3 aktivitas : akuisisi, komputasi /
modifikasi, analisis

Computer Vision
Scene
Alat Input
ex: kamera digital,
scanner
Prepocessing
Intermediate
Processing
Deskripsi
Gambar
Pattern Recognition
CITRA
POLA
Operasi Pengolahan Citra
Image Enhancement, Image Restoration,
Image Compression, Image Segmentation,
Image Analysis, Image Reconstruction
Aplikasi Pengolahan Citra :
Bid.Perdagangan, Bid.Militer,
Bid.Kedokteran, Bid.Biologi, Komunikasi
Data, Hiburan, Robotika, Pemetaan,
Geologi, Hukum


Pembentukan Citra Digital
Proses utama konversi analog ke digital:
Sampling,
digitalisasi koordinat spatial
Nilai-nilai dalam citra kontinyu f(x,y) didekati dengan
nilai-nilai diskrit dalam array N x M; biasanya N = 2
n
& M
= 2
m

Tiap elemen array picture element (pixel)
Kuantisasi
digitalisasi amplitudo
Jumlah gray level yang diperbolehkan untuk tiap elemen
array = G = 2
q

berjarak sama pada rentang [0,L]

Contoh sampling:
Contoh kuantisasi
24-bit 8-bit 4-bit 1-bit
Ukuran citra digital
Foto 3R
(3.375 inch x 5 inch)
Scanning
400 dpi
256 colors
Ukuran citra digital = jml dot (pixel) x jml bit / pixel
jml pixel = (3.275 x 400) x (5 x 400) = 1350 x 2000 = 2700000
bit / pixel 8 bit / pixel
Ukuran citra digital = 21600000 bit 2,57 MB
Microsoft Windows
Device Independent Bitmap (BMP)
Tiap file terdiri dari (muncul berurutan):
File header
Bitmap header
Color map (kecuali untuk citra 24-bit)
Bitmap data
Konvensi sesuai yg digunakan Intel:
Low byte disimpan lebih dulu
Tidak menggunakan word alignment
File Ms DIB bisa memuat citra dengan kedalaman
warna 1, 4, 8, atau 24 bit
Citra 1, 4, dan 8 bit memiliki color map
Citra 24 bit direct color

Halftoning
Metode untuk mencetak sejumlah [besar] warna
dengan rentang warna perangkat yang terbatas
Saat melihat daerah sempit yang memuat sejumlah
pixel, mata akan cenderung merata-ratakan warna
Contoh penggunaan: printer monokrom atau
rentang warna yang sangat terbatas
Digital halftoning
Pendekatan halftoning dengan pola pixel-grid
(rektangular)
Jumlah intensitas yang dapat ditampilkan
tergantung dari
Jumlah pixel yang menyusun tiap grid
Jumlah level intensitas yang didukung oleh perangkat
Dengan n x n pixel pada sistem bilevel, jumlah
intensitas yang bisa didapat = n
2
+1
Penggunaan grid n x n meningkatkan jumlah
intensitas yang bisa ditampilkan menurunkan
resolusi citra setara 1/n sepanjang sumbu x maupun
y. Mengapa ??
Contoh: area tampilan 512 x 512 pixel
Grid 2 x 2 256 x 256 titik intensitas
Dithering
Teknik untuk melakukan pendekatan
halftoning dengan meminimalkan penurunan
resolusi


Dengan hanya dua warna (Red & Blue),
jika ukuran pixel cukup kecil, maka akan
tampak seperti warna Magenta
Beberapa teknik Dithering
Average dithering: memilih warna pixel yang paling
dekat dengan rata-rata warna
Ordered dithering: serupa dengan teknik yang
digunakan pada halftoning (pixel-grid)
Dither noise (random dithering): menambahkan
noise (random) ke seluruh pixel untuk memperhalus
batas antar intensitas
Error diffusion: error antara intensitas input dengan
intensitas pixel yang ditampilkan disebar (difusi) ke
pixel-pixel di sebelah kanan dan bawahnya untuk
mendapatkan tampilan yang lebih mendekati citra
aslinya =>Ingat caranya dan pedoman pemrosesan

Operasi Aljabar
X opr Y = Z
Level komputasi:
Berbasis titik (pointwise): dilakukan antara tiap
elemen X dan Y
Berbasis matriks: melibatkan matriks
ketetanggaan
Beberapa operasi aritmatika:
Penjumlahan
Pengurangan
Perkalian
Pembagian

Operation
X Y Z
Operation
X
Y
Z
Efek Operasi Aljabar
Efek Penjumlahan, Pengurangan
Efek brigthness
Efek Perkalian, Pembagian
Efek kontras
Dapat digunakan untuk membangun aplikasi
pendeteksi gerak/ security
Efek Operasi boolean
Menghasilkan invers dari gambar


Operasi Geometri
Proses yang memanipulasi posisi spatial dari
pixel
Contoh:
Zoom (in & out) => aspect ratio, sifat reversible
dan non-reversible
Rotasi => sumbu rotasi dan sudut, biasanya
menyebakan perubahan dimensi image
Flipping
Cut & paste
Warping

Konvolusi dan Transformasi Fourier
Materi ini tentang konsep matematis yang
melandasi teori pengolahan citra
Dua operasi matematis penting dalam
pengolahan citra :
Operasi Konvolusi (Spatial Filter/Discret
Convolution Filter)
Transformasi Fourier
Teori Konvolusi (Spatial Filter)
Konvolusi terdapat pada operasi pengolahan citra
yang mengalikan sebuah citra dengan sebuah mask
(convolution mask) atau kernel

Pada operasi konvolusi di atas, g(x) disebut mask
(convolution mask) atau kernel.
Kernel g(x) yang akan dioperasikan secara bergeser
pada sinyal masukan f(x), yang dalam hal ini, jumlah
perkalian kedua fungsi pada setiap titik merupakan
hasil konvolusi yang dinyatakan dengan keluaran
h(x)

= = ) ( ) ( ) ( ) ( ) ( a x g a f x g x f x h
Teori Konvolusi (Spatial Filter)
Citra dengan 5 x 5 pixel dan 8 grayscale :



Hasilnya :

0 5 5 4 4
0 0 5 4 4
1 6 1 3 3
1 6 7 2 3
1 6 7 6 6
Dikonvolusi dengan
image mask :
-2 -1 0
-1 0 1
0 1 2
8 Hasil konvolusi = (0 x -2)+ (5 x -1) +
(5 x 0) + (0 x -1) + (0 x 0) + (5 x 1) +
(1 x 0) + (6 x 1) + (1 x 2) = 8
Teori Konvolusi (Spatial Filter)
Citra dengan 5 x 5 pixel dan 8 grayscale :



Hasilnya :

0 5 5 4 4
0 0 5 4 4
1 6 1 3 3
1 6 7 2 3
1 6 7 6 6
Dikonvolusi dengan
image mask :
-2 -1 0
-1 0 1
0 1 2
8 -4 Hasil konvolusi = (5 x -2)+ (5 x -1) +
(4 x 0) + (0 x -1) + (5 x 0) + (4 x 1) +
(6 x 0) + (1 x 1) + (3 x 2) = -4
Teori Konvolusi (Spatial Filter)
Citra dengan 5 x 5 pixel dan 8 grayscale :




Hasilnya :

0 5 5 4 4
0 0 5 4 4
1 6 1 3 3
1 6 7 2 3
1 6 7 6 6
Dikonvolusi dengan
image mask :
-2 -1 0
-1 0 1
0 1 2
5 15 12 11 0
13 8 -4 -6 -13
19 20 3 -4 -12
18 18 2 9 -5
5 -2 -19 -17 -13
5 7 7 7 0
7 7 0 0 0
7 7 3 0 0
7 7 2 7 0
5 0 0 0 0
Normalisasi
Transformasi Fourier
Konvolusi per-pixel Lama, terdapat operasi perkalian dan
penjumlahan untuk setiap pixel
Untuk mempercepat komputasi :
Mengubah citra dari domain spatial ke domain frekuensi, dengan
Transformasi Fourier.
Keuntungan penggunaan domain frekuensi adalah proses
konvolusi dapat diterapkan dalam bentuk perkalian langsung
Jika :
h(x,y) = f(x,y) g(x,y)
F(u,v) = Transf.Fourier dari f(x,y)
G(u,v) = Transf.Fourier dari g(x,y)
Maka berlaku :
H(u,v) = F(u,v) .G(u,v)
h(x,y) = invers Transf.Fourier dari H(u,v)
Transformasi Fourier
1 ,..., 2 , 1 , 0 1 ,..., 2 , 1 , 0 :
2 sin ). , ( 2 cos ). , ( ) , (
2 sin . 2 cos ). , ( ) , (
1 ,..., 2 , 1 , 0 1 ,..., 2 , 1 , 0 :
2 sin ). , ( .
.
1
2 cos ). , ( .
.
1
) , (
2 sin . 2 cos ). , ( .
.
1
) , (
2
1
0
1
0
2
1
0
1
0
1
0
1
0
2
1
0
1
0
2
1
0
1
0
1
0
1
0
= =
(

|
.
|

\
|
+ +
(

|
.
|

\
|
+ =
(

|
.
|

\
|
+ +
|
.
|

\
|
+ =
= =
(

|
.
|

\
|
+ +
(

|
.
|

\
|
+ =
(

|
.
|

\
|
+
|
.
|

\
|
+ =

=
M y dan N x dengan
M
vy
N
ux
v u F
M
vy
N
ux
v u F y x f
M
vy
N
ux
i
M
vy
N
ux
v u F y x f
M v dan N u dengan
M
vy
N
ux
y x f
M N M
vy
N
ux
y x f
M N
v u F
M
vy
N
ux
i
M
vy
N
ux
y x f
M N
v u F
N
u
M
v
N
u
M
v
N
u
M
v
N
x
M
y
N
x
M
y
N
x
M
y
t t
t t
t t
t t
Equalisasi histogram
Tujuan: melakukan transformasi terhadap
histogram citra asli sedemikian sehingga didapat
histogram citra hasil dengan distribusi lebih
seragam (uniform) linearisasi
Dasar konsep: transformasi probability density
function menjadi uniform density bentuk
kontinyu
Agar dapat dimanfaatkan dalam pengolahan citra
digital, diubah ke bentuk diskrit
1. Buat histogram dari citra asli
2. Transformasikan histogram citra asli menjadi
histogram dengan distribusi seragam
3. Ubah nilai tiap pixel sesuai dengan nilai hasil
pemetaan (histogram asli uniform histogram)
Spesifikasi histogram
Kelemahan equalisasi histogram: histogram hasil
tidak bisa dibentuk sesuai kebutuhan
Kadangkala dibutuhkan untuk lebih menonjolkan
rentang gray level tertentu pada citra spesifikasi
histogram
1. Buat histogram dari citra asli
2. Transformasikan histogram citra asli menjadi
histogram dengan distribusi seragam
3. Tentukan fungsi trasformasi sesuai spesifikasi
histogram yang diinginkan
4. Ubah nilai tiap pixel sesuai dengan nilai hasil
pemetaan (histogram asli histogram equalisasi
histogram hasil)

Operasi spesifikasi histogram
1. Buat histogram dari citra asli
2. Transformasikan histogram citra asli menjadi
histogram dengan distribusi seragam
3. Tentukan fungsi trasformasi sesuai spesifikasi
histogram yang diinginkan
4. Ubah nilai tiap pixel sesuai dengan nilai hasil
pemetaan (histogram asli histogram equalisasi
histogram hasil)
Image Smoothing
Biasa dilakukan untuk menghilangkan efek pada
citra digital yang disebabkan oleh keterbatasan
sistem pencuplikan atau kanal transmisi
Teknik penghalusan:
Domain spasial, contoh: mean, median, dan modus filtering
Domain frekwensi, contoh: lowpass filtering
Efek samping: citra menjadi blur
Low-pass filtering:
Sisi dan transisi tajam lain (misal: noise) pada gray level
dari suatu citra berkontribusi terhadap frekwensi tinggi
pada transformasi Fourier
Blurring dapat dilakukan dengan menyaring
(menghilangkan) frekwensi tinggi

Image Sharpening
Teknik sharpening biasa digunakan untuk
memperjelas sisi pada citra
Teknik sharpening
Di domain spasial (contoh: differentiation) => robert
Di domain frekwensi (contoh: high-pass filter)
High-pass filtering:
Sisi dan transisi tajam lain (misal: noise) pada gray level
dari suatu citra berkontribusi terhadap frekwensi tinggi
pada transformasi Fourier
Sharpening dapat dilakukan dengan menyaring
(menghilangkan) frekwensi rendah

Segmentasi Citra
Proses untuk memisahkan citra menjadi
bagian-bagian pembentuknya (region)
Merupakan fase penting dalam analisis citra otomatis
pengenalan objek
Pendekatan algoritma segmentasi:
Berdasar discontinuity perubahan warna mendadak
deteksi titik, garis, dan tepi
Berdasar similarity => ciri/ feature dari citra
Pengelompokan berdasar distribusi properti pixel
(warna), contoh: thresholding
Mencari region secara langsung berdasar persamaan
karakteristik suatu area, contoh: region growing, split &
merge
Image Compression
Berdasarkan hasilnya, teknik kompresi ada 2 :
Lossless Compression
Lossy Compression
Klasifikasi Teknik Kompresi :
Entropy Encoding (Lossless)
Run Length Encoding (RLE)
Pattern Substitution
Huffman
DPCM
Source Encoding (Lossy)
Quantizing Compression
Transfrom Encoding
Hybrid Encoding (Lossy)
JPEG
JPEG Joint Photographic Experts
Group
Preparation
Process
Transformasi
DCT
Quantization
Entropy
Encoding
Table Table
Binary Stream
Data
Image