BAB 3
PROSES PENGOLAHAN CITRA
3.1. Pengertian proses pengolahan citra
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan
persepsi visual. Proses ini tahap pertama di sebagian besar visi komputer aplikasi, yaitu
penggunaan pengolahan citra untuk preproses gambar dan mengubahnya menjadi bentuk
yang cocok untuk analisis lebih lanjut. Contoh operasi tersebut meliputi koreksi eksposur dan
warna balancing, pengurangan noise gambar, meningkatkan ketajaman, atau meluruskan
gambar dengan memutar itu (Gambar 3.1). Pengolahan citra sering diajarkan di departemen
teknik elektro sebagai tindak di jalur untuk kursus pengantar dalam pemrosesan sinyal
(Oppenheim dan Schafer 1996; Oppenheim, Schafer, dan Buck 1999).
2.
3.
4.
Sinyal tersebut adalah informasi yang akan merepresentasikan objek dalam image.
5.
Sedangkan noise adalah segala bentuk interferensi, kekurang pengaburan, yang terjadi
pada sebuah objek.
3.1.
tergantung hanya pada nilai input yang sesuai dengan pixel. Berikut ini penjelasan dari
penggunaan operasi titik pada pemrosesan citra antara lain:
3.1.1. Transformasi pixel
Merupakan sebuah operator pengolahan citra yang berfungsi mengambil satu atau
lebih gambar input dan menghasilkan keluaran gambar. Persamaan pada domain
continous sebagai berikut:
Dimana
: domain D-dimensi dari fungsi (biasanya D=2 untuk gambar)
Fungsi f(x) dan g(x): fungsi dengan beberapa rentang nilai yang dapat menjadi nilai
skalar atau vektor.
3.1.2. Transformasi warna
Gambar berwarna dapat diperlakukan sebagai fungsi vektor bernilai sewenangwenang atau koleksi independen, biasanya sangat berkorelasi dengan sinyal koneksi
yang kuat untuk proses pembentukan citra. Misalnya mencerahkan gambar dengan
menambahkan nilai konstan untuk semua channel.
3.1.3. Compositing and matting
Merupakan tools pemrosesan citra yang digunakan untuk memotong latar sebuah
objek dan meletakkannya diatas background tersebut. Proses penggalian objek dari
gambar asli disebut Matting. Sedangkan proses memasukkan kedalam gambar lain
disebut Composting.
Linear Filtering
Jenis operator lingkungan yang paling umum digunakan adalah filter linear, di mana
sebuah nilai output pixel ditentukan sebagai jumlah bobot nilai input pixel. Dengan
persamaan filter linier sebagai berikut:
Masukan dalam berat kernel atau mask h (k; l) sering disebut koefisien filter. Operator
korelasi di atas dapat lebih kompak dinotasikan sebagai
3.2.1. Separabel Filtering
Proses melakukan konvolusi membutuhkan K2 (multiply-add) operasi per pixel, di
mana K adalah ukuran (lebar atau tinggi) dari kernel konvolusi, misalnya, filter box
pada Gambar dibawah ini.
Gambar 3.3 filter linear dipisahkan: Untuk setiap gambar (a) - (e), menunjukkan
filter kernel 2D (atas), yang sesuai horisontal kernel 1D (tengah), dan gambar difilter
(bawah). Filter Sobel dan gambar sudut ditandai, ditingkatkan oleh 2 dan 4, masingmasing, dan menambahkan untuk abu-abu offset sebelum layar.
3.2.2. Contoh pada filter linier
Linear filtering juga dapat digunakan sebagai tahap pra-pengolahan ke tepi ekstraksi
dan deteksi titik bunga algoritma. Gambar 3.3d menunjukkan ekstrasi tepi sederhana
3x3 disebut operator Sobel, yang merupakan kombinasi dipisahkan dari pusat
horizontal. Perbedaan (disebut demikian karena turunan horisontal berpusat pada
pixel) dan vertical tenda filter (untuk menghaluskan hasil). Seperti yang Anda lihat
pada gambar di bawah kernel, filter ini efektif menekankan tepi horisontal.
3.2.3. Band Pass and separabel
Merupakan filter secara kolektif melakukan filter terhadap frekuensi rendah dan
tinggi. Contoh filter ini yaitu sobel dan operator sudut. Kernel yang lebih canggih
dapat dibuat dengan terlebih dahulu menghaluskan gambar dengan (satuan luas)
Gaussian filter, dan kemudian mengambil pertama atau kedua turunan (Marr 1982;
Witkin 1983; Freeman dan Adelson 1991).
Gambar 3.4. Kedua-order dikendalikan filter (Freeman 1992) c 1992 IEEE: (a)
Gambar asli Einstein; (b) orientasi peta dihitung dari energi yang berorientasi orde
3.3.
non-linear, seperti tepi-melestarikan median atau filter bilateral, kadang-kadang tampil lebih
baik. Contoh lain dari operator lingkungan termasuk operator morfologi yang beroperasi pada
gambar biner, serta operator semi-global yang menghitung jarak mengubah dan menemukan
komponen yang terhubung dalam gambar biner.
3.4.
Fourier Transform
Pada awal tahun 1800an, matematikawan asal Prancis Joseph Fourier, dengan
Gambar 3.5. Transformasi Fourier sebagai respon dari h filter (x) ke sinusoid
masukan
terlebih dahulu mencari contoh kecil dari objek yang ditingkat kasar piramida dan kemudian
mencari objek resolusi penuh hanya di sekitar deteksi kasar-tingkat. Piramida gambar sangat
berguna untuk melakukan operasi editing multi-skala seperti pencampuran gambar tetap
menjaga rincian. Pada bagian ini, pertama-tama kita membahas filter yang baik untuk
mengubah resolusi gambar, yaitu, upsampling (interpolasi, Bagian 3.5.1) dan downsampling
(penipisan). Kemudian konsep piramida multi-resolusi, yang dapat digunakan untuk
membuat hirarki lengkap dari berbeda gambar ukuran dan untuk memungkinkan berbagai
aplikasi. Sebuah konsep yang terkait erat bahwa dari wavelet, yang merupakan jenis khusus
dari piramida dengan frekuensi yang lebih tinggi selektivitas dan sifat yang berguna lainnya
(Bagian 3.5.4). Aplikasi yang berguna piramida, yaitu campuran dari gambar yang berbeda
dengan cara yang menyembunyikan editan antara batas-batas gambar.
Terdapat beberapa operasi dalam mendukung proses piramida yaitu:
1. Interpolasi, Untuk interpolasi (atau upsample) gambar untuk resolusi yang lebih
tinggi, kita perlu memilih beberapa kernel interpolasi yang dapat digunakan untuk
membelit gambar dengan persamaan
2. Desimasi, merupakan jenis interpolasi dapat digunakan untuk meningkatkan resolusi gambar,
penipisan (downsampling), sehingga diperlukan untuk mengurangi resolusi.
3. Multi-resolusi, merupakan konsep piramida dengan banyak resolusi yang dihasilkan.
Gambar 3.5. Sebuah piramida citra tradisional: setiap tingkat memiliki setengah resolusi
(lebar dan tinggi), dan karenanya seperempat dari piksel, tingkat puncaknya.
4. Wavelet, Wavelet filter yang melokalisasi sinyal dalam ruang dan frekuensi (seperti filter
Gabor pada Tabel 3.2) dan didefinisikan lebih hirarki skala.
a. Wavelet menyediakan cara halus untuk menguraikan sinyal ke dalam komponen frekuensi
tanpa memblokir dan berhubungan erat dengan piramida.
b. Wavelet secara luas digunakan dalam komunitas grafis komputer untuk melakukan multiresolusi pengolahan geometris (Stollnitz, DeRose, dan Salesin 1996) dan juga telah digunakan
di komputer visi untuk aplikasi yang serupa (Szeliski 1990b; Pentland 1994; Gortler dan
Cohen 1995; Yaou dan Chang 1994; Lai dan Vemuri 1997; Szeliski 2006b),
c. serta untuk multi-skala berorientasi penyaringan (Simoncelli, Freeman, Adelson et al. 1992)
3.6.
Transformasi Geometrik
Transformasi geometrik melakukan transformasi yang lebih umum, seperti rotasi gambar
atau warps umum. Berbeda dengan proses titik yang kita lihat dalam Bagian 3.1, di mana
fungsi diterapkan pada gambar mengubah berbagai gambar (Gambar 3.6.)
Optimisasi global
Pada optimasi global terdapat 2 bagian yaitu
1. Regularisasi atau metode variational, konstruksi fungsi energi global yang terus menerus
yang menggambarkan karakteristik yang diinginkan dari solusi dan kemudian
menemukan solusi energi minimum menggunakan sistem linear jarang atau terkait teknik
berulang.
2. Merumuskan masalah dengan menggunakan statistik Bayesian, pemodelan kedua proses
pengukuran bising yang menghasilkan gambar masukan serta sebelum asumsi tentang
ruang solusi, yang sering disandikan menggunakan lapangan acak Markov..