PRAKTIKUM

EL4027 PENGOLAHAN CITRA BIOMEDIKA

EB7031 PENGOLAHAN CITRA BIOMEDIKA LANJUT
MODUL 1 IMAGE ENHANCEMENT

Dalam bidang pengolahan citra, istilah citra mengacu pada suatu fungsi intensitas dalam
bidang dua dimensi. Pemrosesan citra menggunakan komputer membutuhkan citra digital
sebagai masukannya. Oleh karena itu, kita mengenal beberapa macam format citra digital,
yang masing-masing memiliki format penyimpanan dan pembacaan data yang berbeda-beda.
Dengan menggunakan toolbox image processing di Matlab, proses pembacaan citra dapat
dilakukan dengan mudah, sebagaimana diperlihatkan oleh beberapa contoh berikut:

Windows Bitmap (*.bmp)

a=imread('taz_ref.bmp');
figure,imshow(a);

Joint Photographic Experts Group (*.jpg)

b=imread('oranges.jpg');
figure,imshow(b);

Tagged Image File Format (*.tif)

c=imread('saturn.tif');
figure,imshow(c);

Jumlah warna yang terdapat dalam suatu citra digital berkaitan erat dengan format data digital
yang digunakan. Suatu citra 8 bit (misalnya pada format *.bmp 8-bit) dapat memiliki paling
banyak 256 jenis warna di dalamnya. Sedangkan suatu citra 24 bit (misalnya pada format
*.png 24-bit) memiliki 224 kombinasi data warna yang dapat ditampilkan.
Suatu citra berwarna dapat dinyatakan dalam banyak cara. Salah satu metode yang paling
populer adalah dengan menggunakan metode kanal RGB. Dalam format ini, suatu citra
berwarna dinyatakan dalam bentuk gabungan dari tiga buah citra monochrome merah, hijau,
dan biru yang berukuran sama. Warna dari setiap piksel citra digital bergantung pada
kombinasi ketiga nilai intensitas piksel monochrome yang bersesuaian.
Contoh program untuk mengekstraksi citra monochrome pada toolbox image processing di
Matlab adalah sebagai berikut:
d=imread('flowers.tif'); figure, imshow(d);
dR=d(:,:,1); figure,imshow(dR),title('Kanal Merah');
dG=d(:,:,2); figure,imshow(dG),title('Kanal Hijau');
dB=d(:,:,3); figure,imshow(dB),title('Kanal Biru ');

Teknik image enhancement digunakan untuk meningkatkan kualitas suatu citra digital, baik
dalam tujuan untuk menonjolkan suatu ciri tertentu dalam citra tersebut, maupun untuk
memperbaiki aspek tampilan. Proses ini biasanya didasarkan pada prosedur yang bersifat
eksperimental, subjektif, dan amat bergantung pada tujuan yang hendak dicapai.

1.

Operasi Titik

Operasi titik dalam image enhancement dilakukan dengan memodifikasi histogram citra
masukan agar sesuai dengan karakteristik yang diharapkan. Histogram dari suatu citra adalah
grafik yang menunjukkan distribusi frekuensi dari nilai intensitas piksel dalam citra tersebut.
Contoh perintah untuk menampilkan histogram adalah:
I=imread('rice.tif');
figure,imshow(I);
figure,imhist(I);

Beberapa teknik image enhancement melalui operasi titik antara lain adalah intensity
adjustment (termasuk brightening dan darkening), histogram equalization, dan thresholding.
1.1 Intensity Adjustment
Intensity adjusment bekerja dengan cara melakukan pemetaan linear terhadap nilai
intensitas pada histogram awal menjadi nilai intensitas pada histogram yang baru.
Perintah umum untuk melakukan pemetaan linear tersebut adalah:
J = imadjust(I,[low_in,high_in),[low_out,high_out])

dimana :
low_in merupakan nilai intensitas yang akan dipetakan sebagai low_out
high_in merupakan nilai intensitas yang akan dipetakan sebagai high_out

Contoh:
Citra rice.tif di samping memiliki nilai kekontrasan yang
rendah. Berdasarkan histogramnya, dapat diketahui bahwa citra
ini tidak memiliki piksel dengan intensitas di bawah 40 dan di
atas 225. Untuk memperbaikinya, kita dapat memetakan
histogram secara linear sehingga diperoleh sebuah citra baru
yang memiliki rentang histogram antara 0 hingga 255.
Perintah untuk melakukan intensity adjustment:
I=imread('rice.tif');
J=imadjust(I,[0.15 0.9],[0 1]);
figure,imshow(I);
figure,imhist(I);
figure,imshow(J);
figure,imhist(J);

Histogram Equalization
Teknik histogram equalization bertujuan untuk menghasilkan suatu citra keluaran yang
memiliki nilai histogram yang relatif sama.
Contoh perintah untuk melakukan histogram equalization:
I=imread('rice.tif');
J=histeq(I);
figure,imshow(I);
figure,imhist(I);
figure,imshow(J);
figure,imhist(J);

Thresholding
Thresholding merupakan proses pemisahan piksel-piksel berdasarkan derajat keabuan
yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang
ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang
lebih besar dari batas akan diubah menjadi bernilai 1
Contoh perintah untuk melakukan thresholding:
I=imread('rice.tif');
J=im2bw(I,0.4);
K=im2bw(I,0.5);
figure,imshow(I);
figure,imhist(I);
figure,imshow(J);
figure,imshow(K);

2.

Operasi Spasial

Operasi spasial dalam pengolahan citra digital dilakukan melalui penggunaan suatu kernel
konvolusi 2-dimensi. Beberapa metode image enhancement yang termasuk dalam keluarga ini
adalah neighborhood averaging, median filtering, dan high-pass filtering.
2.1 Neighborhood Averaging
Pada prinsipnya, filter yang digunakan dalam neighborhood averaging merupakan salah
satu jenis low-pass filter, yang bekerja dengan cara mengganti nilai suatu piksel pada citra
asal dengan nilai rata-rata dari piksel tersebut dan lingkungan tetangganya.
Contoh perintah untuk melakukan neighborhood averaging dengan kernel berukuran 33:
I=imread('eight.tif');
kernel=[1 1 1;1 1 1;1 1 1]/9;
J=uint8(conv2(double(I),kernel,'same'));
figure,imshow(I);
figure,imshow(J);

Salah satu persoalan pada penggunaan neighborhood averaging adalah apabila citra masukan
telah terkontaminasi noise, sebagaimana diperlihatkan oleh contoh berikut:
I=imread('eight.tif');
IN=imnoise(I,'salt & pepper',0.02);
kernel=[1 1 1;1 1 1;1 1 1]/9;
J=uint8(conv2(double(I),kernel,'same'));
JN=uint8(conv2(double(IN),kernel,'same'));
figure,imshow(I);
figure,imshow(J);
figure,imshow(IN);
figure,imshow(JN);

2.2 Median Filtering

Median filter merupakan salah satu jenis low-pass filter, yang bekerja dengan mengganti
nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan lingkungan
tetangganya. Dibandingkan dengan neighborhood averaging, filter ini lebih tidak sensitif
terhadap perbedaan intensitas yang ekstrim.

Contoh perintah untuk melakukan median filtering dengan kernel berukuran 33:
I=imread('eight.tif');
IN=imnoise(I,'salt & pepper',0.02);
J=medfilt2(I,[3 3]);
JN=medfilt2(IN,[3 3]);
figure,imshow(I);
figure,imshow(J);
figure,imshow(IN);
figure,imshow(JN);

2.3 High-pass Filtering

Sebagaimana pada proses pengolahan sinyal satu dimensi, high-pass filter dua dimensi
akan melewatkan komponen citra frekuensi tinggi dan meredam komponen citra frekuensi
rendah.
Contoh perintah untuk melakukan high-pass filtering:
I=imread('saturn.tif');
hpf1=[ 1 -2 1;-2 5 -2; 1 -2 1];
hpf2=[ 0 -1 0;-1 5 -1; 0 -1 0];
hpf3=[-1 -1 -1;-1 9 -1;-1 -1 -1];
J1=uint8(conv2(double(I),hpf1,'same'));
J2=uint8(conv2(double(I),hpf2,'same'));
J3=uint8(conv2(double(I),hpf3,'same'));
figure,imshow(I);
figure,imshow(J1);
figure,imshow(J2);
figure,imshow(J3);

3.

Operasi Transformasi

Berbeda dengan beberapa metode yang telah dibahas sebelumnya, proses image enhancement
berbasis transformasi citra dilakukan dengan:
a. mentransformasi citra asal ke dalam domain yang sesuai bagi proses enhancement
b. melakukan proses enhancement pada domain tersebut
c. mengembalikan citra ke dalam domain spasial untuk ditampilkan/diproses lebih lanjut
Salah satu metode transformasi yang paling populer dalam aplikasi pengolahan citra digital
adalah Fast Fourier Transform (FFT). Transformasi ini memindahkan informasi citra dari
domain spasial ke dalam domain frekuensi, yaitu dengan merepresentasikan citra spasial
sebagai suatu penjumlahan eksponensial kompleks dari beragam frekuensi, magnituda, dan
fasa.
Contoh perintah untuk melakukan low-pass filtering dan high-pass filtering melalui FFT
adalah:
I=double(imread('cameraman.tif'));
IF=fft2(I);
mask_high=double(imread('maskpojok.bmp'));
mask_low =not(mask_high);
IFH=IF.*mask_high;
IFL=IF.*mask_low;
hasil_high=abs(ifft2(IFH));
hasil_low =abs(ifft2(IFL));
figure,imagesc(I)
,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(IF )),[0 17]),colormap('hot') ,colorbar('vert');
figure,imagesc(hasil_high)
,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(IFH)),[0 17]),colormap('hot') ,colorbar('vert');
figure,imagesc(hasil_low )
,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(IFL)),[0 17]),colormap('hot') ,colorbar('vert');

Pada contoh program tersebut, proses filtering dilakukan melalui masking terhadap komponen
frekuensi yang ditentukan. Agar tercipta karakteristik high-pass filter, maka komponen
frekuensi rendah (koefisien frekuensi yang berada pada bagian pojok dari citra hasil FFT) dimasking menggunakan nilai 0. Demikian pula sebaliknya untuk memunculkan sifat low-pass
filter, komponen frekuensi tinggi (koefisien frekuensi yang berada pada bagian tengah dari
citra hasil FFT) dibuat menjadi 0 melalui perkalian dengan mask low-pass.

4.

Tugas

4.1 Operasi Titik

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.
I=imread('rice.tif');
J=imadjust(I,[0.15 0.9],[1 0]);
figure,imshow(I); figure,imhist(I);
figure,imshow(J); figure,imhist(J);

4.2 Operasi Spasial

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.
I=double(imread('saturn.tif'));
kernel=[1 1 1;1 1 1;1 1 1]/9;
J=conv2(I,kernel,'same');
K=I-J;
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');
figure,imagesc(K),colormap('gray'),colorbar('vert');

4.3 Operasi Transformasi

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.
I =double(imread('segitiga.bmp')); F =fft2(I);
IF=fliplr(I); FF=fft2(IF);
IR=rot90 (I); FR=fft2(IR);
figure,imagesc(I) ,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(F ))),colormap('hot') ,colorbar('vert');
figure,imagesc(IF) ,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(FF))),colormap('hot') ,colorbar('vert');
figure,imagesc(IR) ,colormap('gray'),colorbar('vert');
figure,imagesc(log(abs(FR))),colormap('hot') ,colorbar('vert');

Gunakan file segitiga.bmp sebagai citra masukan. Pastikan terlebih dahulu agar file tersebut telah
berada di direktori kerja yang digunakan.

4.4 Studi Kasus

Image enhancement pada dasarnya merupakan proses yang bersifat subjektif, sehingga
parameter keberhasilannya bersifat subjektif pula. Namun demikian, apabila terdapat suatu
citra referensi yang merepresentasikan hasil image enhancement yang diinginkan, pengukuran
keberhasilan prosedur image enhancement secara kuantitatif dapat dilakukan melalui
perhitungan nilai parameter MSE (Mean Squared Error) sebagai berikut:

a.

Untuk citra yang terkontaminasi noise berikut (gambar sebelah kiri), lakukanlah
prosedur image enhancement sehingga diperoleh hasil yang paling mendekati citra
referensi yang bersesuaian (gambar sebelah kanan).
Prosedur image enhancement yang dilakukan dapat merupakan gabungan dari berbagai
metode image enhancement yang tersedia.

b.

Tuliskan langkah-langkah image enhancement yang memberikan hasil optimum

dalam sebuah m-file. Prosedur image enhancement yang optimum adalah langkahlangkah yang menghasilkan keluaran citra dengan nilai MSE paling rendah. Perhitungan
nilai MSE antara citra yang telah di-enhance dengan citra referensi dapat dilakukan
melalui program hitungmse.m berikut:
%HITUNGMSE Fungsi untuk menghitung nilai MSE dari dua buah citra
function NilaiMSE=HitungMSE(Citra,CitraRef);
[tinggi,lebar]=size(Citra);
NilaiSSE=sum(sum((double(Citra)-double(CitraRef)).^2));
NilaiMSE=NilaiSSE/tinggi/lebar;

Dengan menggunakan file hitungmse.m tersebut, perhitungan MSE dapat dilakukan dari
command window melalui perintah:
nilai_mse = hitungmse(citra,citra_referensi)

Gunakan file taz_noise.bmp sebagai citra yang akan di-enhance, dan file taz_ref.bmp sebagai citra
referensi.

PRAKTIKUM

EL4027 PENGOLAHAN CITRA BIOMEDIKA

EB7031 PENGOLAHAN CITRA BIOMEDIKA LANJUT
MODUL 2 EDGE DETECTION

Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra
digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai
langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objekobjek yang terdapat dalam citra ataupun konteks citra secara keseluruhan.
Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang
terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai
perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara
mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.

1. Operator Gradien
Pada citra digital f(x,y), turunan berarah sepanjang tepian objek akan bernilai maksimum pada
arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar
pemanfaatan operator gradien sebagai edge detector.
Operator gradien citra konvensional melakukan diferensiasi intensitas piksel pada arah baris
dan kolom, mengikuti persamaan local intensity variation berikut :

Nilai magnitudo gradien |(x,y)| dari persamaan di atas dapat dinyatakan sebagai berikut:

Operator gradien dapat direpresentasikan oleh dua buah kernel konvolusi Gx dan Gy, yang
masing-masing mendefinisikan operasi penghitungan gradien dalam arah sumbu x dan sumbu
y yang saling tegak lurus.
Dalam kasus penghitungan gradien dengan persamaan local intensity variation, maka kernel
Gx dan Gy dapat dirumuskan seperti berikut:

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan gradien orde satu:

I = double(imread('cameraman.tif'));
% Gradien orde satu pada arah horizontal
gx = [-1 1];
Ix = conv2(I,gx,'same');
% Gradien orde satu pada arah vertikal
gy = [-1;1];
Iy = conv2(I,gy,'same');
% Magnitudo gradien
J = sqrt((Ix.^2)+(Iy.^2));
% Gambar hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

Dari operator gradien konvensional di atas, dapat diturunkan berbagai operator gradien
berikut:
1.1 Operator Selisih Terpusat
Operator selisih terpusat juga dikenal sebagai Centered Difference Edge Detector Mask,
dan dinyatakan sebagai kernel:

I = double(imread('cameraman.tif'));
% Konvolusi dengan operator selisih terpusat
d1x = [-1 0 1];
d1y = [-1;0;1];
Ix = conv2(I,d1x,'same');
Iy = conv2(I,d1y,'same');
J = sqrt((Ix.^2)+(Iy.^2));
% Gambar Hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

1.2 Operator Roberts

Operator Roberts memiliki ukuran kernel sebesar 22, yang direpresentasikan sebagai:

Contoh perintah menggunakan operator Roberts:

I = double(imread('cameraman.tif'));

% Konvolusi dengan operator Roberts

robertshor = [0 1; -1 0];
robertsver = [1 0; 0 -1];
Ix = conv2(I,robertshor,'same');
Iy = conv2(I,robertsver,'same');
J = sqrt((Ix.^2)+(Iy.^2));
% Gambar Hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Roberts (matlab toolbox) 1:

I = imread('cameraman.tif');
J = edge(I,'roberts');
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');

1.3 Operator Prewitt

Contoh perintah menggunakan operator Prewitt:

I = double(imread('cameraman.tif'));
%Konvolusi dengan operator Prewitt
prewitthor = [-1 0 1; -1 0 1; -1 0 1];
prewittver = [-1 -1 -1; 0 0 0; 1 1 1];
Ix = conv2(I,prewitthor,'same');
Iy = conv2(I,prewittver,'same');
J = sqrt((Ix.^2)+(Iy.^2));
%Gambar Hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Prewitt (matlab toolbox):

I = imread('cameraman.tif');
J = edge(I,'prewitt');
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');
1

Perintah edge (pada toolbox Matlab) untuk mensimulasikan operator Prewitt, Roberts, Sobel, dan lainnya
memiliki konsep dasar yang sama dengan operasi konvolusi kernel setiap operator secara manual. Bedanya,
perintah edge menambahkan suatu skema thresholding secara otomatis, sehingga dihasilkan citra keluaran yang
bersifat biner (bernilai 0 atau 1).

1.4 Operator Sobel

Contoh perintah menggunakan operator Sobel:

I = double(imread('cameraman.tif'));
%Konvolusi dengan operator Sobel
sobelhor = [-1 0 1; -2 0 2; -1 0 1];
sobelver = [-1 -2 -1; 0 0 0; 1 2 1];
Ix = conv2(I,sobelhor,'same');
Iy = conv2(I,sobelver,'same');
J = sqrt((Ix.^2)+(Iy.^2));
%Gambar Hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

Contoh perintah menggunakan operator Sobel (matlab toolbox):

I = imread('cameraman.tif');
J = edge(I,'sobel');
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');

1.5 Operator Isotropic

Contoh perintah menggunakan operator isotropic:

I = double(imread('cameraman.tif'));
%Konvolusi dengan operator isotropic
isohor = [-1 0 1; -sqrt(2) 0 sqrt(2); -1 0 1];
isover = [-1 -sqrt(2) -1; 0 0 0; 1 sqrt(2) 1];
Ix = conv2(I,isohor,'same');
Iy = conv2(I,isover,'same');
J = sqrt((Ix.^2)+(Iy.^2));
%Gambar Hasil
figure,imagesc(I ),colormap('gray'),colorbar('vert');
figure,imagesc(Ix),colormap('gray'),colorbar('vert');
figure,imagesc(Iy),colormap('gray'),colorbar('vert');
figure,imagesc(J ),colormap('gray'),colorbar('vert');

1.6 Operator Compass

Operator Compass bekerja menggunakan pola empat arah mata angin:

1.7 Operator Kirsch

Operator Kirsch bekerja menggunakan pola delapan arah mata angin:

2. Operator Laplacian
Dalam kondisi transisi tepian yang lebih tidak ekstrem, penggunaan operator turunan kedua
lebih dianjurkan.

Representasi turunan kedua dalam bentuk kernel operator Laplacian adalah sebagai berikut:

Dengan berbagai macam pembobotan, kernel Laplacian tersebut dapat dimodifikasi menjadi
beberapa kernel konvolusi berikut :

Laplacian of Gaussian
Turunan kedua memiliki sifat lebih sensitif terhadap noise, selain itu juga menghasilkan
double edge. Oleh karena itu, operator Laplacian dalam deteksi tepi pada umumnya tidak
dipergunakan secara langsung, namun dikombinasikan dengan suatu kernel Gaussian menjadi
sebuah operator Laplacian of Gaussian.
Fungsi transfer dari kernel Laplacian of Gaussian dapat dirumuskan sebagai berikut:

dimana merupakan standar deviasi dari kernel Gaussian.

Contoh perintah untuk mendeteksi tepian dengan menggunakan operator Laplacian of
Gaussian (Matlab toolbox) adalah:
I = imread('cameraman.tif');
J = edge(I,'log');
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');

3. Operator Canny
Salah satu algoritma deteksi tepi modern adalah deteksi tepi dengan menggunakan metoda
Canny. Berikut adalah diagram blok algoritma Canny :

Contoh perintah untuk mendeteksi tepian menggunakan metoda Canny (matlab toolbox) :
I = imread('cameraman.tif');
J = edge(I,'canny');
figure,imagesc(I),colormap('gray'),colorbar('vert');
figure,imagesc(J),colormap('gray'),colorbar('vert');

4. Tugas
A. Pada percobaan dengan kernel Sobel, kernel Isotropic, dan kernel Compass, jelaskan
mengenai garis abu-abu yang ditemukan pada pinggiran citra hasil konvolusi.
B. Untuk citra cameraman.tif, edge detector manakah yang memberikan hasil terbaik?
Berikan analisis mengenai pendapat anda tersebut.
C. Sensitivitas edge detector terhadap noise dapat diukur dengan menggunakan parameter
error rate sebagai berikut:

dimana:
nR : jumlah piksel yang dinyatakan sebagai edge pada citra referensi
nN : jumlah piksel yang dinyatakan sebagai edge pada citra noisy
Nilai P yang besar menyatakan sensitivitas edge detector yang tinggi terhadap noise.
Dalam kasus citra cameraman.tif terkontaminasi oleh noise salt & pepper dengan
distribusi 0.02, edge detector manakah yang paling terpengaruh performansinya?
Simulasikan dengan Matlab.
%Contoh perhitungan error rate untuk edge detector Sobel
%(kerjakan pula untuk jenis edge detector lain pada Matlab toolbox)
Ia = imread('cameraman.tif');
Ja = edge(Ia,'sobel');
In = imnoise(Ia,'salt & pepper',0.02);
Jn = edge(In,'sobel');
nr = sum(sum(Ja));
nn = sum(sum(Jn));
P = abs(nn-nr)/nr

PRAKTIKUM
EL4027 PENGOLAHAN CITRA BIOMEDIKA
EB7031 PENGOLAHAN CITRA BIOMEDIKA LANJUT
MODUL 3 ANALISIS TEKSTUR

Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat
kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan
struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari
segmentasi, klasifikasi, maupun interpretasi citra.
Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan)
dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan :

Makrostruktur
Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada suatu daerah
citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk
direpresentasikan secara matematis.

Mikrostruktur
Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas,
sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.

Contoh gambar berikut ini menunjukkan perbedaan tekstur makrostruktur dan mikrostruktur
yang diambil dari album tekstur Brodatz.

Gambar 1 Contoh tekstur visual dari Album Tekstur Brodatz .

Atas: makrostruktur Bawah: mikrostruktur

Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain
spasial. Dua persoalan yang seringkali berkaitan dengan analisis tekstur adalah:

Ekstraksi ciri
Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra.
Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri
yang sesuai. Dalam praktikum ini kita akan mengamati metoda ekstraksi ciri statistik orde
pertama dan kedua, serta mengenali performansi masing-masing skema dalam mengenali
citra dengan karakteristik tekstural yang berlainan.

Segmentasi citra
Segmentasi citra merupakan proses yang bertujuan untuk memisahkan suatu daerah pada
citra dengan daerah lainnya. Berbeda dengan pada citra non-tekstural, segmentasi citra
tekstural tidak dapat didasarkan pada intensitas piksel per piksel, tetapi perlu
mempertimbangkan perulangan pola dalam suatu wilayah ketetanggaan lokal. Dalam
praktikum ini kita akan mencoba menerapkan filter Gabor untuk melakukan segmentasi
citra tekstural berdasarkan perulangan pola lokal pada orientasi dan frekuensi tertentu.

1. Ekstraksi Ciri Statistik

Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan
interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya
membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode berikut:

Metode statistik
Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram)
dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari
hubungan ketetanggaan antar piksel di dalam citra.
Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk teksturtekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur).

Metode spektral
Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power
distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur.

Metode struktural
Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik.
Metode struktural banyak digunakan untuk pola-pola makrostruktur.

Bagian ini akan membahas metode ekstraksi ciri statistik orde pertama dan kedua. Ekstraksi
ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua
dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan
hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.

Gambar 2 Ilustrasi ekstraksi ciri statistik

Kiri : Histogram citra sebagai fungsi probabilitas kemunculan nilai intensitas pada citra
Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial

1.1 Ekstraksi ciri orde pertama

Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada
karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat
keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat
dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, skewness, variance,
kurtosis, dan entropy.
a.

Mean ()
Menunjukkan ukuran dispersi dari suatu citra

dimana fn merupakan suatu nilai intensitas keabuan, sementara p(fn) menunjukkan nilai
histogramnya (probabilitas kemunculan intensitas tersebut pada citra).

b.

Variance (2)
Menunjukkan variasi elemen pada histogram dari suatu citra

c.

Skewness (3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra

d.

Kurtosis (4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra

e.

Entropy (H)
Menunjukkan ukuran ketidakaturan bentuk dari suatu citra

Berikut adalah fungsi ciriordesatu yang dipergunakan untuk menghitung ciri orde satu dari
citra:

1.2 Ekstraksi ciri orde kedua

Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan
antar citra. Pada kasus seperti ini, kita membutuhkan pengambilan ciri statistik orde dua.
Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung
probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu.
Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra,
dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.
Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga
dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut () tertentu. Jarak
dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam
empat arah sudut dengan interval sudut 45, yaitu 0, 45, 90, dan 135. Sedangkan jarak
antar piksel biasanya ditetapkan sebesar 1 piksel.
Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat
jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada matriks kookurensi
berorientasi berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q
pada jarak d serta orientasi dan (180).

Gambar 3 Ilustrasi pembuatan matriks kookurensi

(a) Citra masukan

(b) Nilai intensitas citra masukan
(c) Hasil matriks kookurensi 0

(d) Hasil matriks kookurensi 45

(e) Hasil matriks kookurensi 90
(f) Hasil matriks kookurensi 135

Setelah memperoleh matriks kookurensi tersebut, kita dapat menghitung ciri statistik orde dua
yang merepresentasikan citra yang diamati. Haralick et al mengusulkan berbagai jenis ciri
tekstural yang dapat diekstraksi dari matriks kookurensi. Dalam modul ini dicontohkan

perhitungan 6 ciri statistik orde dua, yaitu Angular Second Moment, Contrast, Correlation,
Variance, Inverse Difference Moment, dan Entropy.
a. Angular Second Moment
Menunjukkan ukuran sifat homogenitas citra.

dimana p(i,j) merupakan menyatakan nilai pada baris i dan kolom j pada matriks
kookurensi.
b.

Contrast
Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika
letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai
kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

c.

Correlation
Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat
memberikan petunjuk adanya struktur linear dalam citra.

d.

Variance
Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat
keabuan kecil akan memiliki variansi yang kecil pula.

e.

Inverse Different Moment

Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan
memiliki harga IDM yang besar.

f.

Entropy
Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan
transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur
(bervariasi).

Berikut adalah fungsi ciriordedua yang dipergunakan untuk menghitung ciri orde dua
dari citra:

2. Filter Gabor
Kemampuan sistem visual manusia dalam membedakan berbagai tekstur didasarkan atas
kapabilitas dalam mengidentifikasikan berbagai frekuensi dan orientasi spasial dari tekstur
yang diamati. Filter Gabor merupakan salah satu filter yang mampu mensimulasikan
karakteristik sistem visual manusia dalam mengisolasi frekuensi dan orientasi tertentu dari
citra. Karakteristik ini membuat filter Gabor sesuai untuk aplikasi pengenalan tekstur dalam
computer vision.
Secara spasial, sebuah fungsi Gabor merupakan sinusoida yang dimodulasi oleh fungsi Gauss.
Respon impuls sebuah filter Gabor kompleks dua dimensi adalah :

dan dapat digambarkan sebagai berikut:

Gambar 4 Respon impuls filter Gabor dua dimensi.

Dalam domain frekuensi spasial, filter Gabor dapat direpresentasikan sebagai berikut:

Dalam domain frekuensi spasial, parameter-parameter filter Gabor dapat digambarkan

sebagai:

Gambar 5 Parameter filter Gabor dalam domain frekuensi spasial

Tabel 1 Enam parameter filter Gabor

Ada enam parameter yang harus ditetapkan dalam implementasi filter Gabor. Keenam
parameter tersebut adalah: F, , x, y, BF, dan B

Frekuensi (F) dan orientasi () mendefinisikan lokasi pusat filter.

BF dan B menyatakan konstanta lebar pita frekuensi dan jangkauan angular filter.

Variabel x berkaitan dengan respon sebesar -6 dB untuk komponen frekuensi spasial.

Variabel y berkaitan dengan respon sebesar -6dB untuk komponen angular.

Posisi (F, ) dan lebar pita (x, y) dari filter Gabor dalam domain frekuensi harus
ditetapkan dengan cermat agar dapat menangkap informasi tekstural dengan benar.
Frekuensi tengah dari filter kanal harus terletak dekat dengan frekuensi karakteristik
tekstur.
Setelah mendapatkan ciri Gabor maka dapat dilakukan ekstraksi ciri. Salah satu ciri
yang dapat dipilih adalah ciri energi, yang didefinisikan sebagai:

Dalam modul ini digunakan lebar pita frekuensi (BF), dan jarak frekuensi tengah (S F)
sebesar satu oktaf, serta lebar pita angular (B ) dan jarak angular (S) sebesar 30 dan 45.
Pemilihan lebar pita angular sebesar 30 dan 45 adalah karena nilai ini dianggap
mendekati karakteristik sistem visual manusia.

Berikut adalah fungsi gb dan en yang dipergunakan dalam percobaan filter Gabor ini:

2.1 Percobaan Mencari Frekuensi dan Orientasi Dominan pada Suatu Tekstur

Berdasarkan program filter Gabor di atas, lakukan urutan kerja sebagai berikut :
a.

Baca file citra straw.tif

1
2

b. Lakukan proses filtering terhadap citra tersebut menggunakan filter Gabor. Parameter
frekuensi dan orientasi ditentukan sebagai:

c. Tampilan hasil citra yang telah difilter

figure, imshow(G1);

d. Hitung nilai energi citra yang telah difilter

E1 = en(G1);

e. Ulangi proses filtering pada beberapa frekuensi dan orientasi yang berbeda.
Ambil kesimpulan berdasarkan besarnya energi dari masing-masing citra keluaran.

2.2 Percobaan Segmentasi Citra Tekstural

Berdasarkan program filter Gabor di atas, lakukan urutan kerja sebagai berikut :
a. Baca file citra tex2.tif

b. Analisis tekstur mengunakan filter Gabor

c. Lakukan thresholding dengan nilai threshold = 0.25.

d. Lakukan median filtering sebanyak dua kali

3. Tugas

3.1 Ciri Orde Satu

a. Tampilkan histogram citra Taz1.bmp, Taz2.bmp, dan Taz3.bmp. Selanjutnya jalankan
fungsi ciriordesatu terhadap masing-masing citra.
b. Lakukan hal yang sama terhadap masing-masing citra Tekstur1.bmp, Tekstur2.bmp,
dan Tekstur3.bmp.
c. Berikan analisis mengenai proses yang telah dilakukan.
3.2 Ciri Orde Dua
a. Jalankan fungsi ciriordedua terhadap masukan citra Tekstur1.bmp, Tekstur2.bmp,
dan Tekstur3.bmp.
b. Berikan analisis mengenai proses yang telah dilakukan.
3.3 Filter Gabor
a. Jalankan program mikimos.m berikut. Berikan analisis mengenai proses yang
dijalankan.

b. Gantilah baris perintah: X=imread('mikimos1.bmp');

dengan:
X=imread('mikimos2.bmp');

Bandingkan hasilnya dengan (a), berikan analisis mengenai hasil yang diperoleh.
c. Gantilah baris perintah:
Y=gb(X,2,3);

dengan:
Y=gb(X,2,6);

Bandingkan hasilnya dengan (a), berikan analisis mengenai hasil yang diperoleh.

PRAKTIKUM
EL4027 PENGOLAHAN CITRA BIOMEDIKA

EB7031 PENGOLAHAN CITRA BIOMEDIKA LANJUT

MODUL 4 IMAGE RECONSTRUCTION

1. Pendahuluan
Istilah rekonstruksi citra umum dipergunakan dalam lingkup pencitraan tomografi, yaitu
teknik pencitraan yang menghasilkan gambaran potongan lintang suatu objek melalui
pengolahan terhadap sinyal proyeksi trans-aksial dari objek tersebut. Sinyal proyeksi transaksial diperoleh dengan cara memberikan radiasi terhadap objek dalam berbagai sudut
orientasi. Modalitas pencitraan tomografi pada umumnya memiliki sistem mekanik yang
mengatur rotasi posisi transduser pemancar radiasi dan transduser pendeteksi sinyal sehingga
pengambilan proyeksi objek dapat dilakukan dari berbagai sudut orientasi.
Sinyal proyeksi yang menjadi input dari proses rekonstruksi citra dapat dihasilkan dari 3
macam teknik pencitraan tomografi, yaitu:
Transmission Tomography
Pada transmission tomography, sinyal informasi proyeksi diperoleh dari intensitas
sinyal radiasi yang ditangkap setelah sinyal menembus objek. Contoh modalitas
pencitraan yang temasuk kategori ini adalah CT-Scanner. CT-Scanner
mempergunakan radiasi sinar X dalam berbagai orientasi untuk menghasilkan citra
irisan lintang objek pencitraan.
Reflection Tomography
Teknik tomografi refleksi banyak dipergunakan dalam aplikasi radar. Dalam aplikasi
ini, sinyal informasi proyeksi objek merupakan intensitas sinyal refleksi yang
dipantulkan oleh permukaan luar objek, misalnya seperti pada aplikasi doppler
radar-imaging.
Emission Tomography
Tomografi emisi memanfaatkan sinyal informasi berupa intensitas peluruhan
radioaktif dari komponen radionuklida yang dimasukkan ke dalam objek. Dalam
aplikasi medis, contoh modalitas pencitraan yang menggunakan metode tomografi
emisi antara lain adalah PET (Positron Emission Tomography).

2. Rekonstruksi Citra 2 Dimensi dari Sinyal 1 Dimensi

Transformasi Radon dan invers transformasi Radon merupakan pendekatan paling langsung
terhadap permasalahan proyeksi dan rekonstruksi citra, sehingga teknik ini dipergunakan
sebagai teknik dasar dalam rekonstruksi citra 2D dari sinyal-sinyal 1D.
2.1 Transformasi Radon
Transformasi Radon merepresentasikan citra sebagai kumpulan sinyal 1D hasil proyeksi citra
tersebut pada berbagai sudut orientasi. Transformasi Radon dari suatu citra pada suatu sumbu
proyeksi dinyatakan sebagai integral garis dari fungsi representasi citra f(x,y) pada arah yang
tegak lurus dengan sumbu proyeksinya. Hasil transformasi Radon dalam domain transformasi
dinyatakan sebagai sinyal g(s,), dimana s merupakan jarak titik yang ditransformasikan
terhadap titik pusat koordinat citra asal, dan merupakan sudut orientasi proyeksi.

Gambar 1. Ilustrasi transformasi Radon dalam koordinat asal kartesian

Apabila citra dinyatakan dalam format koordinat asal polar f(r,), integral garis transformasi
Radon sepanjang r menghasikan kurva sinusoidal s = r cos(). Bentuk sinusoidal ini
menghasilkan istilah umum sinogram untuk kumpulan hasil transformasi Radon pada
berbagai orientasi proyeksi .

Gambar 2. Ilustrasi transformasi Radon dalam koordinat asal polar

Dalam image processing toolbox Matlab, transformasi Radon dapat dilakukan dengan
memanggil fungsi berikut:
[R,xp] = radon(I,theta);

dimana R merupakan hasil transformasi Radon terhadap citra asal I, pada jangkauan
orientasi arah theta dan jangkauan lebar daerah proyeksi pada koordinat transformasi xp.
Berikut adalah code lengkap dari simulasi transformasi Radon terhadap gambar phantom
irisan lintang kepala menggunakan Matlab:

Gambar 3. Hasil transformasi Radon pada citra irisan kepala

2.2 Transformasi Radon Invers

Invers transformasi Radon dari proyeksi g(s,) R(f), -<s<, 0< dirumuskan sebagai
berikut:

Transformasi Radon invers terdiri dari dua buah tahapan, yaitu:

Proyeksi balik (backprojection)

Unblur filtering

Gambar 4. Skema transformasi Radon invers

Agar menghasilkan rekonstruksi sempurna, proses unblur filtering membutuhkan filter

unblur 2 dimensi. Akan tetapi pemfilteran 2 dimensi dengan kernel unblur merupakan operasi
yang sangat exhaustive secara komputasional, terutama untuk resolusi citra yang besar.
Strategi yang biasa digunakan dalam aplikasi praktis adalah melalui unblur filtering pada
sinyal proyeksi 1 dimensi, dan dilanjutkan dengan operasi backprojection. Strategi ini
diilustrasikan pada Gambar 5 berikut:

Gambar 5. Skema transformasi Radon invers, apabila unblur filtering dilakukan terhadap sinyal satu
dimensi

Penukaran posisi blok unblur filtering dan blok proyeksi balik (antara Gambar 4 dan Gambar
5) diperbolehkan oleh adanya teorema (irisan) proyeksi. Dengan berpegang pada teorema
ini, proses unblur filtering dapat dikerjakan pada domain frekuensi, sehingga akan
mengurangi beban komputasi.

Gambar 6. Teorema (Irisan) - Proyeksi

2.2.1 Operasi unblur filtering

Mekanisme unblur filtering dapat dilakukan dengan menggunakan berbagai skema
filter unblur yang dapat dipilih. Filter unblur yang umum dipergunakan adalah filter
Shepp-Logan dengan properti sebagai berikut:
Respons frekuensi : H() = || sinc(d) rect(d)
Respons impuls : h(s) = 2(1+sin2 0s) /2(d2 4s2)
Respons impuls diskrit : h(m) =2 / (2d(1 - 4m2))

2.2.2 Operasi proyeksi balik Operasi backprojection dapat didefinisikan sebagai berikut:

Koordinat kartesian:
Koordinat polar:

Hasil operasi proyeksi balik menunjukkan jumlah berkas proyeksi yang melewati suatu titik
(x,y) dalam citra, sebagaimana diilustrasikan dalam Gambar 7 berikut:

Gambar 7. Ilustrasi operasi backprojection

Hasil operasi backprojection dapat dinyatakan sebagai citra asal yang dikaburkan dengan
fungsi blurring dengan point spread function berupa (x2 +y2)1/2.

Dalam code Matlab, operasi transformasi Radon invers dilakukan dengan memanggil fungsi
sebagai berikut: (ilustrasi code sebagai lanjutan dari code transformasi Radon sebelumnya)

Fungsi ini sekaligus menjalankan operasi unblurring dan backprojection. Matlab

menyediakan berbagai skema unblurring, yang dapat dipilih.

Gambar 8. Hasil transformasi Radon invers (citra irisan kepala)

3. Rekonstruksi Citra 3 Dimensi dari Citra 2 Dimensi

Operasi rekonstruksi citra 3 dimensi dari citra 2 dimensi pada dasarnya merupakan
bentuk lanjut dari operasi rekonstruksi citra 2 dimensi dari citra 2 dimensi yang berbeda
sumbu iris. Proses ini memiliki spesifikasi input berupa kumpulan citra irisan lintang dari
suatu objek dalam koordinat irisan yang terurut (image slices) pada sumbu irisan tertentu
(misalnya: potongan transversal), dan spesifikasi output berupa kumpulan citra irisan lintang
objek yang sama pada sumbu irisan yang berbeda (misalnya sagittal atau koronal).
Apabila rekonstruksi dilakukan untuk 3 sumbu irisan yang mewakili sistem koordinat ruang 3
dimensi, maka dapat dilakukan graphical rendering untuk menghasilkan citra rekonstruksi
volumetrik 3 dimensi. Dalam pembahasan ini akan dijelaskan teknik rekonstruksi citra 2
dimensi dari citra 2 dimensi berbeda sumbu iris.
PERCOBAAN
Rekonstruksi irisan sagittal dan coronal dari citra MRI dengan sumbu iris transversal.
a. Loading & viewing movie citra MRI sumbu iris transversal
1
truesizewarning = iptgetpref('TruesizeWarning');
iptsetpref('TruesizeWarning','off'); % Turn warning off
load mri;
figure;
immovie(D,map);
montage(D,map);
title('Horizontal Slices');

Penjelasan:

Gambar MRI yang dipergunakan terdiri atas 27 slices gambar MRI cranium bertipe
indexed dengan ukuran per slice 128x128 piksel, disimpan sebagai mri.mat.

Perintah load mri akan menambahkan 2 variabel ke dalam workspace, yaitu

variabel D (128x128x1x27) dan variabel map (89x3).

Variabel D berisi data citra, sedangkan variabel map berisi data colormap yang
digunakan sebagai acuan tipe gambar indexed. Dimensi variabel D disusun sebagai
berikut:
Dimensi 1: array data MRI terurut dari arah kepala depan ke kepala belakang
Dimensi 2: array data MRI terurut dari arah kepala kiri ke kepala kanan
Dimensi 4: array data MRI terurut dari arah kepala bawah ke kepala atas

Pada saat akuisisi citra, dimensi 1 dan 2 di-sampling 2.5 kali lebih rapat dari dimensi
4.

Perintah immovie akan menghasilkan movie citra MRI transversal menurut dimensi
ke-4.

Perintah montage akan menghasilkan tampilan citra MRI lengkap sebanyak 27 slices
dengan urutan slices dari kiri ke kanan.

Gambar 9. Citra irisan kepala transversal

b. Ekstraksi citra irisan sagittal dari citra irisan transversal dengan imtransform
M1 = D(:,64,:,:);
M2 = reshape(M1,[128 27]);
figure,imshow(M2,map);
title('Sagittal - Raw Data');
T0 = maketform('affine',[0 -2.5; 1 0; 0 0]);
R2 = makeresampler({'cubic','nearest'},'fill');
M3 = imtransform(M2,T0,R2);
figure,imshow(M3,map);
title('Sagittal - IMTRANSFORM')

Penjelasan:

Variabel M1 dari code di atas berisi data MRI pada koordinat dimensi kedua bernilai
64, berarti berarti array data irisan ke arah sagittal untuk ke-27 slices.

Perintah reshape menghasilkan ekstraksi gambar 2 dimensi dari array data 4

dimensi M1. Data hasil reshape merupakan Sagittal-Raw Data dengan ukuran matriks
128x27.

Untuk memperbaiki bentuk irisan agar diperoleh orientasi citra yang tepat dan ukuran
yang lebih representatif, dilakukan transformasi affine. 4 buah parameter pertama dalam
transformasi affine merupakan elemen matriks 2x2 untuk fungsi rotasi dan dilatasi. Dalam
hal ini, dilakukan rotasi citra sebesar 90 derajat dan dilatasi sebanyak 2.5 kali ke arah
horizontal. 2 buah parameter transformasi affine terakhir merupakan opeartor translasi.
Dalam hal ini tidak dilakukan translasi sehingga operator di-assign dengan nilai 0.

Selanjutnya untuk memperbaiki kualitas dilatasi, dilakukan interpolasi dengan fungsi

resample. Citra diinterpolasi secara cubic untuk arah vertikal dan nearest neighbour
untuk arah horizontal. Hasilnya merupakan gambar rekonstruksi ke arah sagittal.

Gambar 10. Citra hasil rekonstruksi sagittal

c. Ekstraksi citra irisan sagittal dari citra irisan transversal dengan tformarray
T1 = maketform('affine',[-2.5 0; 0 1; 68.5 0]);
T2 = maketform('custom',3,2,[],@ipex003,64);
Tc = maketform('composite',T1,T2);
R3 = makeresampler({'cubic','nearest','nearest'},'fill');
M4 = tformarray(D,Tc,R3,[4 1 2],[1 2],[66 128],[],0);
figure, imshow(M4,map);
title('Sagittal - TFORMARRAY');

Penjelasan:

Langkah ini menghasilkan citra rekonstruksi sagittal yang sama dengan langkah
kedua, namun tidak diperlukan citra antara M1 dan M2.

Variabel T1 mendefinisikan spesifikasi transformasi affine yang sama dengan

langkah kedua, namun diberikan translasi sebanyak 68.5 ke arah vertikal agar nilai
koordinat tetap positif.

Variabel T2 mendefinisikan spesifikasi transformasi custom untuk mengekstraksi

informasi sagittal pada koordinat horizontal ke-64 dari gambar.

Variabel Tc mengkompositkan transformasi T1 dan T2. Fungsi tformarray

melakukan transformasi Tc kepada data gambar D, disusul dengan interpolasi dengan
resampler R3.

Parameter [4 1 2] melakukan pengurutan ulang terhadap dimensi dari data D

Parameter [1 2] menunjukkan urutan dimensi dari data hasil transformasi

Parameter [66 128] menunjukkan ukuran data hasil transformasi per slice.

Parameter [ ] dan 0 merupakan parameter translasi array (di-assign dengan nilai 0

karena tidak adanya perubahan terhadap urutan slices pada gambar).

Tformarray menyatakan perintah untuk melakukan transformasi 3-D ke 2-D.

d.

Loading & viewing movie citra MRI sumbu iris sagittal

T3 = maketform('affine',[-2.5 0 0; 0 1 0; 0 0 0.5; 68.5 0 -14]);
S = tformarray(D,T3,R3,[4 1 2],[1 2 4],[66 128 35],[],0);
figure;
immovie(S,map);
S2 = padarray(S,[6 0 0 0],0,'both');
montage(S2,map);
title('Sagittal Slices');

Penjelasan:

Langkah ini melakukan ekstraksi citra sagittal untuk keseluruhan koordinat irisan
sagittal, tidak hanya untuk irisan pada koordinat horizontal ke-64.

Fungsi tformarray dipergunakan kembali, namun kini dipergunakan untuk

transformasi dari 3-D ke 3-D.

Parameter transformasi affine menjadi parameter transformasi 3-D.

Diinginkan movie bergerak dari potongan kiri ke potongan kanan dengan urutan
tampilan 30 slices kiri disusul 35 slice tengah-genap dan diakhiri dengan 30 slices kanan,

sementara montage hanya menampilkan 35 citra mid-sagittal. Oleh karena itu,

ditambahkan nilai 0.5 dan 14 untuk menormalisasi urutan slices 30-98 pada dimensi
keempat menjadi nomor slice 1-35.
Fungsi padarray memberikan jeda di antara urutan citra sagittal agar movie lebih
mudah diamati.

Gambar 11. Citra hasil rekonstruksi sagittal

e.

Loading & viewing movie citra MRI sumbu iris coronal

T4 = maketform('affine',[-2.5 0 0; 0 1 0; 0 0 -0.5; 68.5 0 61]);
C = tformarray(D,T4,R3,[4 2 1],[1 2 4],[66 128 45],[],0);
figure;
immovie(C,map);
C2 = padarray(C,[6 0 0 0],0,'both');
montage(C2,map);
title('Coronal Slices');
% Restore preference for TruesizeWarning
iptsetpref('TruesizeWarning',truesizewarning);

Penjelasan:

Langkah ini melakukan hal yang sama dengan langkah sebelumnya, namun
mengekstraksi gambar ke arah irisan coronal. Perhatikan perubahan urutan dimensi pada
parameter transformasi affine dan tformarray.

Diinginkan movie bergerak dari potongan depan ke potongan belakang dengan

urutan tampilan 8 slices depan disusul 57 slice tengah-genap dan diakhiri dengan
8 slices belakang, sementara montage hanya menampilkan 45 citra mid-coronal.
Untuk itu, ditambahkan nilai -0.5 dan 61 untuk menormalisasi urutan slices 8-120
pada dimensi keempat menjadi nomor slice 57-1, dan parameter [66 128 45] pada
tformarray untuk menampilkan 45 slices penyusun montage.

Fungsi padarray memberikan jeda di antara urutan citra coronal agar movie lebih
mudah diamati.

Gambar 12. Citra hasil rekonstruksi coronal

Dari hasil data citra irisan transversal, sagittal, dan coronal, dapat dihasilkan rekonstruksi
volumetrik 3 dimensi. Dalam aplikasi medis, hal ini sangat menguntungkan karena dengan
melakukan satu kali pencitraan tomografi, dapat diekstraksi informasi citra dari irisan yang
lain. Selain efisiensi biaya, kemudahan semacam ini juga memperkecil risiko prosedur
pencitraan terhadap pasien.

4. Tugas
4.1 Transformasi Radon
a. Perhatikan Gambar 3. Berikan analisis mengapa transformasi Radon menghasilkan
gambar seperti di sebelah kanan untuk citra phantom yang diberikan di sebelah kiri!
b. Lakukan kembali transformasi Radon untuk berbagai jangkauan nilai theta dan
berbagai nilai step theta, kemudian bandingkan hasilnya. Jelaskan dimana dan
bagaimana terdapat perbedaan!
c. Citra phantom yang diberikan pada Gambar 3 merupakan gambar phantom ideal yang
disediakan oleh Matlab. Simulasikan transformasi Radon terhadap gambar phantom
di atas pada kondisi tidak ideal (terdapat noise) dan analisis hasilnya untuk berbagai
jenis dan nilai distribusi noise!
Hint: refer ke Matlab Help>Image Processing Tolbox>phantom, radon, dan fungsi
terkait, dan modul praktikum sebelumnya (image enhancement) tentang pemberian
noise pada citra.
4.2 Transformasi Radon Invers
a. Jelaskan parameter-parameter dari fungsi iradon dalam Matlab!
b. Lakukan transformasi Radon invers terhadap citra phantom dengan input hasil
transformasi Radon dalam berbagai jangkauan theta yang berbeda. Analisis
hasilnya!
c. Matlab menyediakan berbagai macam filter unblur yang dapat dipergunakan dalam
proses rekonstruksi citra hasil transformasi Radon. Analisis hasil rekonstruksi citra
phantom dengan menggunakan berbagai model filter unblur!
Hint: refer ke Matlab Help>Image Processing Tolbox>irad.

PRAKTIKUM
EL4027 PENGOLAHAN CITRA BIOMEDIKA
EB7031 PENGOLAHAN CITRA BIOMEDIKA LANJUT
MODUL 5 TRANSFORMASI CITRA
IMAGE TRANSFORM
Ada banyak metode yang digunakan untuk melakukan tranformasi image. Dua diantaranya
adalah DFT (Discrete Fourier Transform) dan DCT (Discrete Cosinus Transform. Dengan
menggunakan MatLab hal ini dapat kita lakukan dengan mudah.
DFT (Discrete Fourier Transform)
Transformasi Fourier merupakan representasi dari sebuah citra sebagai penjumlahan
eksponensial kompleks dari beragam magnitude, frekuensi dan fasa. Contoh perintah untuk
melakukan transformasi Fourier pada suatu citra:
f=checkerboard(8,8);
f(5:24,13:17)=1;
imshow(f,'notruesize')
f=fft2(f);
f2=log(abs(f));
figure,imshow(f2,[-1,5],'notruesize');
colormap(jet);
colorbar

Output program diberikan sebagai berikut:

Gambar 1. Sebelum dikenai FFT

Gambar 2. Setelah dikenai FFT

DCT (Discrete Cosine Transform)

Discrete Cosine Transform merepresentasikan sebuah citra dari penjumlahan sinusoida dari
magnitude dan frekuensi yang berubah-ubah. Sifat dari DCT adalah mengubah informasi citra
yang signifkan dikonsentrasikan hanya pada beberapa koefisien DCT. Oleh karena itu DCT
sering digunakan untuk kompresi citra seperti pada JPEG.
Contoh perintah untuk melakukan DCT pada suatu citra:
i=checkerboard(8,8);
j=dct2(i);
imshow(i);
figure,imshow(log(abs(j)),[]),colormap(jet(64)),
colorbar j(abs(j)<10)=0;
k=idct2(j)/255;
figure,imshow(k);

Output program diatas adalah sebagai berikut:

Transformasi Wavelet
Wavelet merupakan klas dari suatu fungsi yang digunakan untuk melokalisasi suatu fungsi
dalam ruang dan skala. Wavelet dapat dibentuk dari satu fungsi (x) , dikenal sebagai
mother wavelet dalam suatu interval berhingga. Daughter wavelet a,b (x) dibentuk oleh
translasi (b) dan kontraksi (a).
Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai
property yang ada dalam beberapa cara terhadap transformasi Fourier konvensional. Wavelet
tunggal dapat didefinisikan dengan:

Selanjutnya

dan formula Calderon memberikan :

Wavelet yang sering digunakan didefinisikan dengan fungsi Haar sebagai berikut :

dan
dengan j integer dan nonnegative, 0k2j-1
Transformasi dengan Image Processing Toolbox pada MatLab.
Berikut ini diberikan contoh transformasi dengan Toolbox pada MatLab. Output memberikan
diberikan gambar asli dan enam gambar hasil transformasi dengan enam metode yang
berbeda yakni transformasi linear conformal, transformasi affine, transformasi proyeksi,
transformasi polinomial, transformasi piecewise linear, transformasi barel, transformasi
sinusoid dan transformasi pin cushion.
clc;clear;
gbr = checkerboard(6,6);
figure
subplot(331)

imshow(gbr)
title('gb asli')
% Transformasi linear dg 4 parameter
skala = 1.2; % faktor skala
sudut = 40*pi/180; % sudut rotasi
tx = 0; % translasi x
ty = 0; % translasi y
sc = skala*cos(sudut);
ss = skala*sin(sudut);
T = [ sc -ss;
ss sc;
tx ty];
t_lc = maketform('affine',T);
gbr_lc = imtransform(gbr,t_lc,'FillValues',.3);
subplot(332)
imshow(gbr_lc);
title('transf. linear conformal')
% Matrik T dg 6 elemen
T = [1 0.1;
1 1;
0 0];
t_aff = maketform('affine',T);
I_affine = imtransform(gbr,t_aff,'FillValues',.3);
subplot(333)
imshow(I_affine)
title('affine')
T = [1 0 0.008;
1 1 0.01;
0 0 1];
t_proj = maketform('projective',T);
I_projective = imtransform(gbr,t_proj,'FillValues',.3);
subplot(334)
imshow(I_projective)
title('transf. proyeksi')
xybase = reshape(randn(12,1),6,2);
t_poly = cp2tform(xybase,xybase,'polynomial',2);
% matrik T dg 12 elemen
T = [0 0;
1 0;
0 1;
0.001 0;
0.02 0;
0.01 0];
t_poly.tdata = T;
I_polynomial = imtransform(gbr,t_poly,'FillValues',.3);
subplot(335)
imshow(I_polynomial)
title('transf. polinomial')
imid = round(size(gbr,2)/2); % mencari indeks tengah
I_left = gbr(:,1:imid);
stretch = 1.5; % faktor tarik
size_right = [size(gbr,1) round(stretch*imid)];
I_right = gbr(:,imid+1:end);
I_right_stretched = imresize(I_right,size_right);
I_piecewiselinear = [I_left I_right_stretched];
subplot(336)
imshow(I_piecewiselinear)
title('transf. piecewise linear')
% variasi dg sinusoid
[nrows,ncols] = size(gbr);

[xi,yi] = meshgrid(1:ncols,1:nrows);
a1 = 5; % amplitudo sinusoid
a2 = 3;
u = xi + a1*sin(pi*xi/imid);
v = yi - a2*sin(pi*yi/imid);
tmap_B = cat(3,u,v);
resamp = makeresampler('linear','fill');
I_sinusoid = tformarray(gbr,[],resamp,[2 1],[1 2],[],tmap_B,.3);
subplot(337)
imshow(I_sinusoid)
title('transf. sinusoid')
% distorsi barel
xt = xi(:) - imid;
yt = yi(:) - imid;
[theta,r] = cart2pol(xt,yt);
a = .001; % amplitudo
s = r + a*r.^3;
[ut,vt] = pol2cart(theta,s);
u = reshape(ut,size(xi)) + imid;
v = reshape(vt,size(yi)) + imid;
tmap_B = cat(3,u,v);
I_barrel = tformarray(gbr,[],resamp,[2 1],[1 2],[],tmap_B,.3);
subplot(338)
imshow(I_barrel)
title('transf. barrel')
% distorsi radial pin cushion
xt = xi(:) - imid;
yt = yi(:) - imid;
[theta,r] = cart2pol(xt,yt);
a = -.0005; % amplitudo
s = r + a*r.^3;
[ut,vt] = pol2cart(theta,s);
u = reshape(ut,size(xi)) + imid;
v = reshape(vt,size(yi)) + imid;
tmap_B = cat(3,u,v);
I_pin = tformarray(gbr,[],resamp,[2 1],[1 2],[],tmap_B,.3);
subplot(339)
imshow(I_pin)
title('transf. pin cushion')

Gambar 5. Output dengan enam model transformasi yang berbeda.

KOMPRESI CITRA GRAY SCALE DENGAN MODIFIKASI

ALGORITMA KUANTISASI
Krisnawati
STMIK AMIKOM Yogyakarta
Abstract
Suatu file yang kapasitasnya besar dapat diperkecil dengan pemampatan (compression).
Untuk file image metode kuantisasi bisa menjadi salah satu pilihan. Pada citra grayscale
metode kuantisasi bekerja dengan mengurangi derajat keabuan, sehingga jumlah bit yang
digunakan untuk merepresentasikan citra menjadi berkurang. Oleh karena jumlah bit
berkurang maka ukuran file menjadi lebih kecil. Dari algoritma kuantisasi yang ada,
dilakukan modifikasi pada saat konversi derajat keabuan lama ke derajat keabuan yang
baru, dengan mengabaikan unsur penyebaran derajat keabuan. Hasilnya kapasitas citra
hasil kompresi tidak berubah. Histogram citra sangat berpengaruh terhadap hasil akhir.
Keyword : kompresi, citra grayscale, kuantisasi.
1.

Pendahuluan

Perkembangan media penyimpan berkapasitas besar mengakibatkan orang tidak lagi menemui
masalah jika mempunyai file dengan ukuran yang besar. Lebih-lebih jika file yang kita punya
merupakan file image. Walaupun demikian, adakalanya ukuran file yang besar tersebut terasa
mengganggu jika kita harus memanage media penyimpan yang kita punya untuk bermacammacam data. Apalagi jika file tersebut akan akan kita kirim secara elektronik, tentunya
kapasitas file menjadi masalah tersendiri.
Kompresi citra (image compression) adalah proses untuk meminimalkan jumlah bit yang
merepresentasikan suatu citra sehingga ukuran citra menjadi lebih kecil. Pada dasarnya teknik
kompresi citra digunakan untuk proses transmisi data (data transmission) dan penyimpanan
data (storage). Kompresi citra banyak diaplikasikan pada penyiaran televisi, penginderaan
jarak jauh (remote sensing), komunikasi militer, radar dan lain-lain.
Ada banyak metode kompresi data, salah satunya adalah metode kuantisasi. Metode
kuantisasi bekerja dengan mengurangi jumlah intensitas warna, sehingga jumlah bit yang
digunakan untuk merepresentasikan citra menjadi berkurang. Oleh karena jumlah bit
berkurang maka ukuran file menjadi lebih kecil. Dengan berkurangnya intensitas warna tentu
saja ada informasi yang hilang dari citra asal. Oleh karena itu metode ini termasuk dalam
loossy compression. Oleh karena itu citra yang sudah dikompresi sulit didekompresi kembali
karena adanya informasi yang hilang.
Proses kompresi tentunya akan berdampak kepada banyak hal. Yang pertama adalah ukuran
citra hasil kompresi. Ukuran citra diharapkan lebih kecil dari citra asal. Kedua adalah kualitas
citra untuk input terhadap proses berikutnya. Sampai berapa persenkah citra asli bisa
dikompresi ini tentunya tergantung pada banyak factor. Faktor inilah yang ingin diketahui
pula dalam penelitian ini.
Ada beberapa teknik kompresi yang dapat dikategorikan ke dalam Lossless maupun Lossy
Compression, antara lain:
1.
Kompresi berbasis Statistik (Lossless)
Merepresentasikan citra dengan frekuensi kemunculan nilai intensitas tertentu.
2.
Kompresi berbasis Kuantisasi (Lossy)
Mengurangi jumlah intensitas warna.

3.

Kompresi berbasis Transformasi (Lossless/Lossy)

Mengoptimalkan kinerja kompresi berbasis statistik dan kuantisasi dengan cara
melakukan transformasi terlebih dahulu sebelum menerapkan salah satu teknik tersebut.
Sehingga kompresi bersifat lossy atau lossles tergantung teknik mana yang digunakan
setelah transformasi apakah itu statistik (lossless) atau kuantisasi (lossy).
4.
Kompresi berbasis fraktal (Lossy)
Fraktal merupakan bentuk rekursif yang merepresentasikan komponen dasar objek.
Dalam konsep kompresi, data direpresentasikan sebagai pasangan antar elemen fraktal,
pola umum konfigurasi yang membentuk objek secara keseluruhan, dan koefisien
transformasi spasial (affine) untuk masing-masing fraktal sesuai dengan posisinya dalam
konfigurasi pembentuk objek.
1.1 Proses Kompresi
Kompresi Berbasis Kuantisasi
Kompresi berbasis kuantisasi menggunakan metode pengurangan jumlah intensitas
warna, sehingga dapat mengurangi jumlah bit yang digunakan untuk merepresentasikan
citra. Kompresi ini bersifat lossy, karena intensitas warna berkurang, sehingga kualitas
gambar hasil kompresi menjadi kurang baik.
Secara algoritma teknik kompresi ini diberikan sebagai berikut:
1. Buat histogram citra asal.
Histogram citra adalah grafik yang menunjukkan distribusidari intensitas citra.
Histogram citra menyatakan frekuensi kemunculan berbagai derajat keabuan dalam
citra. Teknik pemodelan histogram mengubah citra hingga memiliki histogram sesuai
keinginan. Untuk meningkatkan kualitas citra salah satunya dapat dilakukan dengan
ekualisasi histogram. Dengan ekualisasi histogram dapat diperoleh histogram citra
dengan distribusi seragam.
2. Tentukan jumlah kelompok dalam histogram. Jumlah tersebut menunjukkan tingkat
intensitas warna citra kompresi.
3. Buat kelompok intensitas warna baru dengan menghitungjumlah piksel/jumlah
kelompok.
4. Atur pengelompokan.
5. Lakukan kuantisasi.
6. Kodekan nilai intensitas warna hasil kuantisasi ke dalam citra kompresi.
Contoh: Diketahui citra array berukuran 6x6 piksel (8 derajat keabuan, 3 bit) sebagai
berikut :

Citra diatas memiliki histogram sebagai berikut:

Misalnya citra akan dikompresi menjadi 4 derajat keabuan (0 3), sehingga setiap
derajat keabuan direpresentasikan dalam 2 bit. Citra asli terdiri dari 36 piksel,
sehingga jika dibagi menjadi 4 kelompok maka dibuat 36/4= 9 piksel tiap kelompok
sehingga histogram baru menjadi sebagai berikut:

Dari histogram baru tersebut diperoleh citra baru (dengan 4 derajat keabuan, 2 bit)
sebagai berikut:

Ukuran citra sebelum kompresi = 36 piksel x 3 bit = 108 bit

Ukuran citra setelah kompresi = 36 piksel x 2 bit = 72 bit

Pengembangan Algoritma Kompresi

Pengembangan dilakukan dengan mengubah proses pengkodean warna baru. Pengkodean
dilakukan dengan cara yang lebih sederhana dengan mengelompokkan intensitas warna
yang ada ke intensitas warna kompresi yang diinginkan.
Contoh: Citra asal terdiri dari 8 derajat keabuan akan dikompresi menjadi 4 derajat
keabuan.

Histogram citra terkompresi menjadi sebagai berikut:

Dari histogram diatas didapat matrik citra terkompresi sebagai berikut:

Untuk ukuran citra kompresi tidak berubah dari algoritma asal yakni 36 piksel x 3 bit =
108 bit.

2.

Pembahasan

Allgoritma diatas diimplementasikan dengan MatLab 6.5. Gambar lama yang semula
mempunyai 256 derajat keabuan (8 bit), dikompresi menjadi 128 derajat keabuan (7 bit).
Langkah pertama
adalah melakukan pembacaan terhadap file citra sebagai berikut:
clc;clear;
j=imread('anakblm.jpg');
gblama=j;

Selanjutnya dicari ukuran matrik citra. Ukuran ini nantinya akan digunakan sebagai indek
perulangan dalam proses selanjutnya. Selain itu juga harus diketahui derajat keabuan
minimum dan maksimun untuk menentukan ukuran vektor histogram citra.
[m,n]=size(gblama);
% ukuran gblama
array=double(gblama);
% indeks perulangan
figure,imshow(gblama);
% tampilan gambar gblama
%cari derajat keabuan min dan max
abumax=max(max(array));
% indeks dari abu2 maximum
abumin=min(min(array));
% indeks dari abu2 maximum

Histogram citra asal dapat diketahui dengan cara menghitung kemunculan untuk setiap derajat
keabuan yang ada di dalam citra.
%bikin histogram image yg pake fungsi imhist
arraybaru=zeros(1,256);
for i=1:256
for j=1:m
for k=1:n
if (array(j,k)==i)
arraybaru(i)=arraybaru(i)+1;
end
end
end
end;
%hitung jumlah pixel
jpixel=m*n;
%gambar histogram
figure,plot(arraybaru);
%cari rentang derajat keabuan
derajatabu=(abumax-abumin)+1;
%membuat histogram kompresi
%256 drjt keabuan (8 bit) menjadi
%128 derajat keabuan (7bit)
hiskompresi=zeros(1,128);
j=1;
for i=1:128
hiskompresi(i)=arraybaru(j)+arraybaru(j+1);
j=j+2;
end
%bikin array image baru dari hasil kompresi
gbbaru=zeros(m,n);
for i=1:m
for j=1:n
if mod(double(gblama(i,j)),2)==0
gbbaru(i,j)=((double(gblama(i,j))+1))/2;
else
gbbaru(i,j)=double(gblama(i,j))/2;
end
end
end
%konversi array gambar terkompresi
%dari double ke uint8
gbbaru1=uint8(gbbaru);
%Tampilkan histogram gambar hasil kompresi
%dan gambar hasil kompresi
figure, plot(hiskompresi);
figure, imshow(gbbaru1);
%Simpan gambar ke media penyimpan
imwrite(gbbaru1,'anakkomp.jpg');

Hasil pada saat program dijalankan dengan beberapa sampel gambar yang berbeda adalah
sbb:

Rerata rasio kompresi didapat sebesar 30.33%

3.

Kesimpulan

Modifikasi yang dilakukan terhadap algoritma asal tidak mengubah kapasitas file dari citra
hasil kompresi. Presentase kompresi dipengaruhi oleh histogram citra yang diberikan citra
asal. Tingkat kemunculan derajat keabuan suatu citra, antara citra yang satu dengan citra yang
lainpun berbeda-beda.
Daftar Pustaka
Departmen Teknik Elektro, Modul Praktikum Pengolahan Citra dan Pengenalan Pola,
Institut Teknologi Bandung.
Paul Wintz, 2000, Digital Image Processing, Prentice-Hall.
MatLab 6 Help.
William J Palm, 2004, Introduction to MatLab 6 for Engineers, The McGraw-Hill
Companies, Inc.
www.iprg.ee.itb.ac.id/lectures.html
www.datacompression.info/Quantization.shtml
www.cbloom.com/src/index_im.html