Anda di halaman 1dari 38

PANDUAN

MATA KULIAH

PENGOLAHAN CITRA DIGITAL


SEMESTER 6

POLTEK HARAPAN BERSAMA TEGAL


DOSEN PENGAMPU : IDA AFRILIANA,ST

TUJUAN UMUM

MAHASISWA DAPAT MENGIKUTI MATA KULIAH INI DIHARAPKAN :


1

Mendapatkan teori dan teknik-teknik dalam pengolahan Citra Digital yang bias digunakan
di berbagai bidang aplikasi seperti penginderaan jauh, diagnose medis, pengolahan
dokumen,pengolahan dan pengenalan suara publishing, di dunia perfilman,fotografi, dunia
komunikasi.

TUJUAN KHUSUS

MAHASISWA DAPAT :
1. Mengerti Konsep Dasar Citra Digital
2. Mengerti Pengolahan Citra Dasar Digital
3. Mengerti tentang teknologi Pengolahan Citra Digital

MATERI :

1. Konsep Dasar Citra Digital


2. Pengantar Citra Digital
3. Transformasi Citra Digital
4. Klasifikasi Citra Digital
5. Enhancement Citra
6. Image Restoration
7. Image Compresion
8. Segmentasi Citra
9. Digital Image Fundamental, Image Transform ( Fast Fourier Transform), Image
Enhancement ( Smoothing, Sharpening), Image Restoration,, Im,age Segmentation,
Representative dan Description, Recognation Interpretation.

Summarry:

1. Mata Kuliah Pengolahan Citra Digital memberikan pemahaman tentang manfaat


pengolahan citra pada berbagai aplikasi
2. Teknik Pengolahan Citra Digital digunakan dlam berbagai bidang kehidupan,
kriminalitas,kedokteran,perfilman,fotografi,komunikasikeamanan data dan proteksi
hak cipta.
3. Pengolahan Citra digital bersifat multi disiplin ilmu antara lain Grafika Komputer
dan Komputer Vision.

Daftar pustaka:
- Ani Murniyati
- T.Sutoyo,S.Si.,Edy Mulyanto,S.Si.,SM.Kom.,Dr.Vincent Suhartono,Oky
Dwi Nurhayati,M.T.,MT.,Wijanarto,M.Kom,”Teori Pengolahan Citra
Digital,”Andi UDINUS”

Program yang digunakan:


- Program Matlab 7.0 ( alternatif CLI )
- Java ( Builder Java)
- Delphi

Pertemuan Ke :1&2
Materi : - Pengantar dan Aplikasi Citra Digital
2

- Konsep Dasar Citra Digital


PENDAHULUAN

Saat ini kebutuhan akan ilmu pengetahuan semakin meningkat, demikian pula
dengan alat-alat yang diperlukan untuk menganalisa segala hal. Contohnya adalah
kebutuhan di dalam bidang kedokteran, penginderaan jarak jauh, meteorology dan fisika,
robotika,dan lain-lain.Bidang-bidang tersebut membutuhkan alat/kamera yang bias
digunakan untuk merekam keadaan yang diperlukan untuk kebutuhan analisis sehiongga
memungkinkan peneliti mendapatkan informasi yang diperlukan.
Output alat-alat ini biasanya berupa citra. Citra inilah yang nantinya akan dianalisis
untuk mendapatkan informasi yang berguna.Namun sayangnya, kebanyakan citra belum
sesuai dengan hasil yang diharapkan . Hal ini dapat terjadi karean beberapa kemungkinan,
misalnya adanya noise, adanya kabut yang menghalangi objek yang sedang di-capture.
Lensa kamera kotor dan lain-lain. Oleh sebab itu, proses pengolahan citra sangat
diperlukan.
Disiplin ilmu yang melahirkan teknik-teknik untuk mengolah citra dinamakan
Pengolahan Citra Digital ( Digital Image Processing).

Hubungan dengan bidang lain

Pengenalan Pola

Citra Deskripsi/
Informasi
Grafika Komputer

Pengolahan Citra Kecerdasan Buatan

Aplikasi Pengolahan Citra Digital


1. Pengolahan Citra Digital dalam dunia Komunikasi
Pengolahan Citra dalam bidang ini digunakan untuk memperjelas foto permukaan
bumi yang dihasilkan dari satelit cuaca atau memperjalas foto planet-planet yang
dihasilkan satelit penyelidik.Foto-foto tersebut pada umunya hamper tidak dapat
dilihat karena pada saat foto tersebut dikirim ke stasiun bumi melalui gelombang
terjadi banyak gangguan di perjalanan. Gangguan ini disebabkan oleh gelombang
lain, misalnya gelombang radio,tlevisi dan lain-lain yang bercampur dengan
gelombang data tersebut sehingga menyebabnya terjadinya noise (gangguan).Selain
itu pengolahan citra juga bermanfaat untuk proses tranmisi data.
2. Pengolahan Citra Digital dalam dunia Fotografi
Dalam dunia fotografi digunakan sebagai pengganti kamera filter.Filter kamera
digunakan untuk membuat film hitam putih,memberi efek berkabut, dan memberi
cahaya pada bagian tertentu pada foto,dan lain-lain.
3. Pengolahan Citra Digital dalam dunia Kedokteran
Dalam dunia kedokteran digunakan untuk memperjelas foto hasil X-ray organ tubuh
manusia, pengolahan hasil CT scan dan lain-lain.
4. Pengolahan Citra Digital dalam dunia Perfilman
Dimanfaatkan untuk menghaluskan gambar , menajamkan gambar, memberi efek
terang dan gelap. Memberi kesan timbul, memberi efek morphing dan lain-lain.
5. Pengolahan Citra Digital dalam Keamanan Data dan proteksi Hak Cipta
Seringkali data yang dikirim dari suatu tempat ke tempat lain merupakan data
rahasia sehingga keamnannya perlu dijamin. Teknik keamanan data dan proteksi
hak cipta yang biasanya digunakan adalah Stenografi dan Watermark
6. Pengolahan Citra Digital dalam Pengenalan Pola
Pengolahan citra yang termasuk dalam bidang ini adalah pengenalan pola huruf,pola
wajah,pola sidik jari,pola iris mata, dan sebagainya.

I. CITRA DIGITAL
3

1.1. Definisi Citra


Citra adalah suatu representasi (gambaran) ,kemiripan, atau imitasi dari suatu objek.
Citra sebagai suatu keluaran suatu system perekaman data dapat bersifat optik, seperti
foto, bersifat analog ataupun bersifat digital.

1. Definisi Citra Analog


Citra analog adalah citra yang bersifat kontinu, seperti gambar pada monitor
televise, foto sinar X, foto yang tercetak di kertas foto, lukisan, pemandangan alam,
hasil CT scan, ambar-gambar yang terekam pada pita kaset dan lain sebagainya.
Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa
diproses dikomputer secara langsung.
Oleh sebab itu , agar citra ini dapat diproses di computer , proses konversi analao ke
digital harus dilakukan terlebih dulu.Citra analog dihasilkan dari alat-alat analog,
seperti video kamera analog,kamera foto analog,webcam,CT scan, sensor roentgen
untuk thorax, sensor gelombang pendek pada sistem radar, sensor ultrasound pada
system USG dan lain-lain.

2. Definisi Citra Digital


Citra digital adalah citra yang dapat diolah oleh komputer. Citra digital dapat
didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x  dan y adalah koordinat
spasial sedangkan nilaif(x,y) adalah intensitas citra pada koordinat tersebut, hal
tersebut diilustrasikan pada gambar di bawah ini

1.2. Sistem Pencitraan ( Imaging)


Pencitraan adalah proses untuk mentranformasi citra analog menjadi citra
digital.Proses mengubah citra analog menjadi citra digital disebut digitalisasi citra.
Ada 2 hal yang harus dilakukan pada digitalisasi citra , yakni digitalisasi spasial
(sampling) dan digitalisasasi intensitas ( kuantisasi ).

Beberapa alat yang dgunakan untuk pencitraan adalah :


1. kamera digital
2. kamera konvensional dan converter analog to digital
3. scanner dan lain-lain
Kita tahu bahwa citra yang dihasilkan dari peralatan digital langsung bias diproses oleh
computer karena sebenarnya di dalam alat tersebut sudah terdapat system sampling dan
kuantisasi. Sedangkan peralatan analog tidak dilengkapi kedua system tersebut.

1.3. Representasi Citra Digital


4

Sebuah citra digital diwakili oleh sebuah matriks yang terdiri dari M kolom dan N
baris. Dimana perpotongan antara kolom dan baris disebut piksel (piksel = picture
element), yaitu elemen terkecil dari sebuah citra.
Piksel mempunyai 2 parameter yaitu koordinat dan intensitas atau warna. Nilai yang
terdapat di koordinat (x,y) adalah f(x,y), yaitu besar intensitas atau warna dari piksel di
titik itu. Oleh sebab itu Citra digital dapat ditulis dalam bentuk berikut:

Berdasarkan gambaran tersebut , secara sistematis citra digital dapat ditulis sebagai
fungsi intensitas f(x,y), dimana harga x (baris) dan y (kolom) merupakan koordinat posisi
dan f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan besar intensitas citra
atau tingkat keabuan atau warna dari piksel di titik tersebut.

II. PENGOLAHAN CITRA DIGITAL

II.1. Pengertian

Pengolahan Citra Digital adalah sebuah disiplin ilmu yang mempelajari hal-hal yang
berkaitan dengan perbaikan kualitas gambar ( peningkatan kontras, transformasi
warna,restorasi citra) ,transformasi gambar(rotsi,tranlasi,skala,tranformasi goemetrik),
melakukan pemilihan citra cirri (feature images) yang optimal untuk tujuan analisis,
melakukan proses penarikan informasi atau deskripsi objek yang terkandung pada citra ,
melakukan kompresi atau reduksi data untuk tujuan penyimpanan data , transmisi data ,dan
waktu proses data.

Input dari pengolahan citra adalah citra , sedangkan outputnya adalah citra hasil
pengolahan.

II.2 . Langkah-langkah pengting dalam Pengolahan Citra

II.2.1. Akuisisi Citra


5

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital. Tujuan akuisisi
citra adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra
digital. Tahap ini dimulai dari objek yang akan diambil gambarnya,persiapan alat-alat
sampai pada pencitraan.
Pencitraan adalah kegiatan tranformasi dari citra tampak
(foto,gambar,lukisan,patung ,dll) menjadi citra digital.
Hasil dari akuisisi citra ini ditentukan oleh kemampuan sensor untuk mendigitalisasi
sinyal yang terkumpul pada sensor tersebut. Kemampuan digitalisasi alat ditentukan oleh
resolusi alat tersebut.

II.2.2. Processing
Tahapan ini diperlukan untuk menjamin kelancaran pada proses berikutnya. Hal-hal
yang penting dilakukan pada tingkatan ini diantaranya adalah :
a. peningkatn kualitas citra ( kontras,brightness,dll)
b. menghilangkan noise
c. perbaikan citra
d. transformasi 9image transformation)
e. menentukan bagian citra yang akan diobservasi.

II.2.3. Segmentasi
Tahapan ini bertujuan untuk mempartisi citra menjadi bagian-bagian pokok yang
mengandung informasi penting .Misalnya, memisahkan objek dengan latar belakang.

II.2.4. Representasi dan deskripsi


Dalam hal ini representasi merupakan suatu proses untuk mempresentasikan suatu
wilayah sebagai suatu daftar titik-titik koordinat dalam kurva tertutup,dengan deskripsi
luasan atau parameternya. Setelah suatu wilayah dapat dipresentasi,proses selanjutnya
adalah melakukan deskripsi citra dengan cara seleksi cirri dan ekstrasksi cirri ( Feature
Extraction and selection). Seleksi cirri bertujuan untuk emmilih informasi kuantitatif dari
ciri yang ada, yuang dapat membedakan kelas-kelas objek secara baik, sedangkan ekstraksi
cirri mbertujuan untuk mengukur besaran kuantitatif cirri setiap piksel, misalnya rata-rata ,
standar deviasi,koefisien variasi,SigmaltoNoise ratio,dll.

II.2.5.Pengenalan dan interpretasi


Tahap ini bertujuan untuk memberi label pada sebuah objek yang informasinya
disediakan oleh descriptor, sedangkan interpretasi bertujuan untuk memberi arti atau
makna kepada kelompok objek-objek yang dikenali.

II.2.6. Basis pengetahuan


Basis pengetahuan sebagai basis data pengetahuan berguna untuk memandu operasi
dari msing-masing modul proses dan mengkontrol interaksi antara modul-modul tersebut .
Selain itu pengetahuan juga digunakan sebagai referensi pada proses template matching
atau pada pengenalan pola.

III. OPERASI PENGOLAHAN CITRA

 Perbaikan kualitas citra ( Image Enhancement)


 Pemugaran citra (Image Restoration)
 Pemampatan citra (Image Compression)
 Segmentasi citra (Image Segmentation)
 Pengorakan citra (Image Analysis)
 Rekonstruksi citra (Image Reconstruction)

Pertemuan Ke : 2 dan 3
6

Materi : - Resolusi
-Jenis-jenis Citra Digital
Setiap citra digital mempunyai karakteristik dasar, yaitu ukuran citra ,resolusi, dan format
lainnya. Ukuran citra dinyatakan dalam bentuk piksel atau panjang kali lebar sebuah citra
sehingga ukuran citra selalu bernilai bulat. Besar kecilnya ukuran digital tergantung besar
kecilnya resolusi peralatan digital yang digunakan.
Sebelum mempelajari klasifikasi citra digital, akan kita ketahui dulu tentang resolusi.

RESOLUSI
Ada 2 resolusi yang perlu diketahui , yakni:
1. Resolusi Spasial
Resolusi spasial adalah ukuran halus atau kasarnya pembagian kisi-kisi baris dan
kolom pada saat dilakukan sampling.
Resolusi spasial dipakai untuk menentukan jumlah piksel per satuan panjang.
Biasanya satuan resolusi ini adalah dpi (dot per inch). Resolusi ini sangat
berpengaruh pada detail dan perhitungan gambarnya.
Contoh :
Citra dengan resolusi 50 dpi, artinya 1 inch mempunyai 50 piksel bila luas citra 1
inch2 berarti citra tersebut mempunyai jumlah piksel 50 x 50 piksel. Bila ukuran
citra diperbesar menjadi 10x10 inch2 maka jumlah pikselnya tetap 50x50, tetapi
resolusinya berubah menjadi 50:10=5dpi.Artinya 1 inch hanya diisi 5 piksel. Hal ini
mengakibatkan gambar menjadi kabur,pecah-pecah dan kasar.

2. Resolusi Kecemerlangan ( intensitas /brightness)


Biasanya disebut sebagai kedalam bit/kedalaman warna (Bit depth) adalah ukuran
halus atau kasarnya pembagian tingkat gradasi warna saat dilakukan kuantisasi. Bit
depth menentukan berapa banya informasi warna yang tersedia untuk ditampilkan
dalam setiap piksel.Semakin besar nilainya,semakin bagus kualitas gambar yang
dihasilkan.Tentu ukurannya juga semakin besar.
Contoh:
Suatu gambar mempunyai bit depth = 1, artinya hanya ada 2 kemungkinan warna
(21=2) yang ada pada gambar tersebut, yaitu hitam dan putih.
Bit depth = 8 artinya mempunyai kemungkinan warna 28=256 warna.
Kedua jenis resolusi tersebut dihasilkan dari peralatan digital (scanner,printer,VGA
card,Webcam,foto camera digital dan peralatan digital yang lain) karena umumnya
peralatan digital dilengkapi dengan system sampling dan system kuantisasi.

REPRESENTASI CITRA DIGITAL


Sebuah citra digital dapat diwakili oleh sebuah matriks yang terdiri dari M kolom dan N
baris, dimana perpotongan antara kolom dan baris disebut piksel (picture element),yakni
elemen terkecil dari suatu citra.
Citra digambarkan dalam bentuk matrik berikut :
 f ( 0,0) f ( 0,1 ) .... .. f ( 0,
 f (1 ,0) f (1 ,1 ) ...... f (1, M
f ( x, y)  
. ...... .. ....... ...... ... .......

 f ( N  1,0) f ( N  1 ,1) .. f ( N  1

Fungsi intensitas f(x,y), dimana harga x=baris dan y=kolom merupakan koordinat posisi
f(x,y) adalah nilai fungsi pada setiap titik (x,y) yang menyatakan besar intensitas citra atau
tingkat keabuan atau warna piksel dari titik tersebut.

JENIS-JENIS CITRA DIGITAL

Ada beberapa jenis citra digital yang sering digunakan yakni: citra biner, citra
grayscale,citra warna.
1. Citra Biner ( Binary images )
7

Banyaknya warna ada 2 yaitu, hitam dan putih.


Dibutuhkan 1 bit di memori untuk menyimpan kedua warna ini.
Citra biner merupakan citra yang telah melalui proses pemisahan piksel – piksel
berdasarkan derajat keabuan yang dimiliki. Pembentukan citra biner memerlukan
nilai batas keabuan yang akan digunakan sebagai nilai patokan. Pixel dengan
derajat keabuan lebih besar dari nilai batas akan diberi nilai 1 dan sebaliknya piksel
dengan derajat keabuan lebih kecil dari nilai batas akan diberi nilai 0. 

 Jika a1 = 0 dan a2 = 1, serta T = gray level/2, maka operasi di atas
mentransformasikan suatu citra menjadi citra biner.

Gradasi warna :

Bit 0 = warna hitam


Bit 1 = warna putih.

2. Citra Intensitas ( Skala Keabuan)


Citra Intensitas disebut juga citra grayscale. Citra grayscale merupakan citra digital
yang mengandung matriks data I yang merepresentasikan nilai dalam suatu range.
Elemen – elemen dalam matriks intensitas merepresentasikan berbagai nilai
intensitas atau derajat keabuan, dimana nilai 0 merepresentaikan warna hitam dan 1,
255 atau 65535 merepresentasikan intensitas penuh atau warna putih.
Contoh :

3. Citra RGB (RGB Images)


Citra RGB disebut juga
citra truecolor.  Citra RGB merupakan
citra digital yang mengandung matriks
data berukuran m x n x 3 yang
8

merepresentasikan warna merah, hijau, dan biru untuk setiap pikselnya. Setiap


warna dasar diberi rentang nilai. Untuk monitor komputer, nilai rentang paling kecil
0 dan paling besar 255. Pemilihan skala 256 ini didasarkan pada cara mengungkap 8
digit bilangan biner yang digunakan oleh komputer. Sehingga total warna yang
dapat diperoleh adalah lebih dari 16 juta warna. Warna dari tiap pixel ditentukan
oleh kombinasi dari intensitas merah, hijau, dan biru.

FORMAT FILE CITRA


Ada 2 jenis format file citra yang sering dinakan dalam pengolahan citra:
1. Format File Citra Bitmap
- Disebut juga citra raster
- Citra bitmap menyimpan data kode citra secara digital dan lengkap ( cara
penyimpanannya per piksel).
- Kelebihannya : untuk memanipulasi warna,tetapi untuk mengubah objek
sulit.
- Tampilan bitmap mampu menunjukkan kehalusan gradasi bayangan dan
warna sebuah gambar.
- Cocok untuk gambar-gambar dengan perpaduan warna yang rumit seperti
foto dan lukisan digital
- Diperoleh dengan cara scanner,camera digital,video capture ,dll
- Bila citra diperbesar hasilnya akan tampak pecah2/kualitas menurun.
- Beberapa format yang umum digunakan dalam pemrograman pengolahan
citra antara lain: BMP, GIFF, TIF, WPG, IMG, PCX, MSP, TGA, PNTG,
RAS, dan XBM.

2. Format File Citra Vektor


- Citra vektor dihasilkan dari perhitungan matematis dan tidak berdaasarkan
piksel, yaitu data tersimpan dalam bentuk posisi, dimana yang tersimpan
hanya informasi vektor posisi dengan bentuk sebuah fungsi.
- Mengubah warna sulit dilakukan,tetapi membentuk objek dengan cara
mengubah nilai lebih mudah.
- Jika diperbesar atau diperkecil ralatif tetap baik dan tidak berubah.
- Citra vektor biasanya dibuat aplikasi-aplikasi citra vektor seperti
CorelDRAW, Adobe Illustrator, Macromedia Freehand, Autocad , dll
- Yang termasuk dalam format ini AutoCAD Drawing Format (DWG),
AutoCAD Drawing Exchange Format (DXF), Microstation Drawing Format
(DGN), dan Scalable Vector Graphics (SVG).
REVIEW :
1. Apa Definisi Pengolahan Citra Digital ?
2. Sebutkan contoh aplikasi PCD dalam kehidupan sehari-hari?minimal satu anggota
kelompok memberikan 2 contoh aplikasi.
3. Bagaimana representasi citra digital, dan sebutkan klasifikasi citra digital beserta
contohnya masing-masing citra!
4. Ada berapa jenis format file citra dan sebutkan contoh dari masing-masing jenis
format tersebut!

Pertemuan Ke :4&5
Materi : - Peningkatan Kualitas Citra ( Enhancement
Image )
- Smoothing dan Sharpening

I. Peningkatan Kualitas Citra

Definisi :
9

Peningkatan kualitas citra adalah suatu proses untuk mengubah sebuah citra menjadi citra
baru yang sesuai dengan kebutuhan melalui berbagai cara.

Cara-cara yang bisa dilakukan :


- fungsi transformasi ( sub III )
- operasi matematis
- pemfiltran ( sub IV )
- dll

Tujuan utama :
Untuk memproses citra sehingga citra dihasilkan lebih baik daripada citra aslinya untuk
aplikasi tertentu.

Peningkatan Kualitas Citra ada 2 Kategori, yakni :


1. Metode Domain Spasial
Metode Domain spasial adalah berdasarkan manipulasi langsung dari piksel dari
citra.
2. Metode Domain Frekuensi
Metode domain frekuensi adalah berdasarkan perubahan tranformasi fourier pada
citra.

II. Histogram
Histogram adalah grafik yang menunjukkan frekuensi kemunculan setiap gradasi warna.
Bila digambarkan pada koordinat kartesian maka sumbu X (absis) menunjukkan tingkat
warna dan sumbu Y (ordinat) menunjukkan frekuensi kemunculan.

Manfaat histogram :
1) Sebagai indikasi visual untuk menentukan skala keabuan yang tepat sehingga
diperoleh kualitas citra yang diinginkan.
Contoh :
pengubahan kontras,kecemerlangan,dll
2) Untuk pemilihan batas ambang (threshold)
Contoh :
Proses segmentasi citra ( memisahkan objek dari latar belakang) pada hakikatnya
adalah menentukan batas-batas nilai keabuan dari objek dan batas-batas nilai
keabuan latar belakangnya sehingga antara objek dan latar belakang dipisahkan.

III. TRANFORMASI

Peningkatan kualitas citra dapat dilakukan melalui transformasi intensitas citra,


yaitu besar intensitas setiap piksel pada citra diubah, tetapi posisi piksel tetap. Transformasi
ini dilakukan melalui sebuah fungsi yang disebut fungsi transformasi skala keabuan atau
Gray Scale Transformation function atau biasa disebut fungsi GST (Castleman,1996).
Fungsi ini memetakan fungsi input fi (x,y) (yang bertindak sebagai citra input) menjadi
fungsi output fo(x,y),(yang bertindak sebagi output).
10

Untuk citra warna,fungsi GST diterapkan untuk ketiga elemen warna yang ada
(RGB).Penerapan ketiga elemen warna tadi tidak harus sama, misalnya Red dikenai fungsi
kontras,hijau dikemnai fungsi brightness dan biru dikenani fungsi negasi.

III.1. Tranformasi Citra Warna menjadi Citra Grayscale


Citra warna bisa diubah menjadi citra grayscale dengan cara menghitung rata-rata
elemen warna Red,Green, dan Blue.
Secara matematis perhitungannya adalah sebagai berikut :

f1R ( x, y )  f1G ( x, y )  f1B ( x, y )


f 0 ( x, y ) 
3

III.2 Operasi Negasi ( Invers )


Operasi negasi dipakai untuk mendapatkan citra negatif, seperti film (negatif) dari
hasil cetak foto.
Contoh :
citra yang menggunakan operasi negasi

Dari gambar diatas terlihat bahwa piksel-piksel yang berwarna putih diubah menjadi
hitam, dan sebaliknya piksel-pikse berwarna hitam diubah menjadi putih.
Cara untuk mendapatkan citra negasi caranya adalah denga mengurangi nilai
intensitas piksel dari nilai keabuan maksimumnya.

fo (x, y ) = fmaksimum - fi (x, y)

III.3. Kecerahan ( Brightness )


Sebuah citra Grayscale 256 akan tampak gelap bila seluruh komponen warnanya
berada mendekati nilai 0. Sebaliknya citra akan tampak terang bila seluruh komponen
warnanya mendekati 256. Untuk mengontrol nilai warna citra agar diperoleh tingkat
kecerahan sesuai dengan yang diinginkan maka fungsi kecerahan berikut digunakan:
fo (x, y ) = fi (x, y) + k
Dimana
fo = nilai intensitas (warna) setelah dilakukan operasi fungsi kecerahan
fi = nilai intensitas (warna) sebelum dilakukan operasi fungsi kecerahan
k = konstanta kecerahan.

Jika nilai k positif maka citra hasil operasi lebih cerah disbanding citra asli, dan
sebaliknya jika k negate maka hasil operasi citra akan lebih redup.Jika citra warna
perhitungan dikenakan bagi masing-masing warna.

III.4. Kontras ( Contrast )


Mengubah kontras dari suatu citra adalah proses pengaturan nilai range interval pada
setiap nilai derajat keabuan, dan didefinisikan dengan :

xk = k x
dimana
x = nilai derajat keabuan
11

k = nilai kontras
xk = nilai setelah pengaturan kontras

Ada 3 macam kontras, yakni:


1. Citra kontras rendah
Citra yang memiliki kontras rendah dapat terjadi karena kurangnya
pencahayaan,kurangnya bidang dinamika dari sensor citra, atau kesalahan setting
pembuka lensa pada saat pengambilan citra.Citra ini memiliki kurva histogram
yang sempit ( tepi paling kanan berdekatan dengan tepi paling kiri). Akibatnya
sebaran intensitas terang atau intensitas gelap tidak merata. Ini berarti titik
bergelap dalam citra tersebut tidak mencapai hitam pekat dan titik paling terang
tidak mencapai berwarna putih cemerlang.
2. Citra kontras tinggi
Citra dikatakan kontras tinggi memiliki kontras tinggi bila memiliki kurva
histogram yang terlalu lebar , akibatnya sebaran intensitas terang gelap merata ke
seluruh skala intensitas .
3. Citra kontras normal
Citra memiliki kontras normal bila lebar kurva histogram tidak terlalu sempit dan
tidak terlalu lebar.

Citra di bawah ini adalah Pengubahan intensitas citra akan menghasilkan


perubahan kecerahan dan kontras citra

III.5. Operasi Ambang Batas ( Thresholding )


Pada operasi ini nilai piksel yang memenuhi syarat ambang batas dipetakan ke suatu
nilai yang dikehendaki, disesuaikan dengan kebutuhan.

Operasi holding yang mempunyai ketentuan sebagai berikut nilai intensitas output :
fo(x,y)=0 bila intensitas input fi(x,y) < 0
fo(x,y)=T1 bila intensitas input T1 < fi(x,y) < T2
fo(x,y)=T2 bila intensitas input T2 < fi(x,y) < T3 ................
fo(x,y)=Tn-1 bila intensitas input Tn-1 < fi(x,y) < Tn
dalam hal ini
T1 , T2 , Tn adalah nilai yang dikehendaki.
input Tn-1 < fi(x,y) < Tn adalah ambang batas yang diisyaratkan.

III.6. Tranformasi Logaritmik


Tranformasi Logaritmik didefinisikan dengan G = c Log (F +1)
Tranformasi Invers Logaritmik didefinisikan dengan G = c Log (L-F +1)
Dimana G adalah citra hasil, F citra asal, c adalah konstanta yang dipasang sebagai
efek perubahan kontras

III.7. Tranformasi Power-law


12

Transformasi Power Law mempunyai dasar sebagai berikut :

f0 ( x, y) = C f i ( x, y ) y

dimana C dan y adalah konstanta positif.

IV. Peningkatan Kualitas Citra menggunakan pemfilteran spasial


Selain menggunakan transformasi intensitas, peningkatn kualitas citra juga bisa
diperoleh dengan pemfilteran spasial.
Penfilteran dilakukan dengan menggunakan beberapa filter, antara lain :
1. Penghalusan (Smoothing ) Citra dengan filter rata-rata
2. Penghalusan (Smoothing ) Citra dengan filter Gaussian
3. Peningkatan kualitas citra menggunakan filter maksimum
4. Peningkatan kualitas citra menggunakan filter minimum
5. Peningkatan kualitas citra menggunakan filter median
6. Penajaman Citra ( Sharpening )
7. Efek Embos

IV.1. Penghalusan (Smoothing ) Citra dengan filter rata-rata


Cara membuat efek penghalusan citra dengan filter rata-rata adalah melakukan
proses pemfilteran citra f(x,y) dengan filter rata-rata g(x,y) untuk berbagai ukuran
filter , dari ukuran 3x3,5x5,7x7,dan seterusnya.

IV.2. Penghalusan (Smoothing ) Citra dengan filter Gaussian


Teknik yang digunakan sama dengan penghalusan citra menggunakan filter rata-
rata, yaitu melakukan proses penfilteran citra f(x,y) dengan filter Gaussian g(x,y)
untuk berbagai ukuran filter , dari ukuran 3x3,5x5,7x7,dan seterusnya

IV.3. Peningkatan kualitas citra menggunakan filter maksimum


Tekniknya adalah memilih intensitas paling terang diantara intensitas-intensitas
piksel yang tercakup dalam filter.

IV.4. Peningkatan kualitas citra menggunakan filter minimum


Tekniknya adalah memilih intensitas paling gelap diantara intensitas-intensitas
piksel yang tercakup dalam filter.

IV.5. Peningkatan kualitas citra menggunakan filter median


Filter ini bekerja dengan cara memilih intensitas piksel yang di tengah,setelah
piksel-piksel yang tercakup didalam filter diurutkan.
Di bawah ini adalah contoh citra dengan peningkatan kualitas median

IV.6. Penajaman Citra ( Sharpening )


Prinsip penajaman citra adalah menjumlahkan citra asli dengan citra hasil dari
operasi tepi. Operator deteksi tepi yang digunakan adalah operator Laplacian.
Dengan cara ini bagian tepi objek akan tampak berbeda dengan latar belakangnya
sehingga terkesan lebih tajam.
13

Banyaknya penambahan komponen citra tepi diatur dengan suatu nilai yang
disebut derajat ketajaman . Besar kecilya tingkat ketajaman bisa disesuaikan
dengan kebutuhan dan keinginan kita dengan cara mengatur nilai  .
Secara matematis :
h( x, y )  f ( x, y )   . 2 f ( x, y )

IV.7. Efek Embos


Efek emboss dihasilkan dari hasil penjumlahan citra asli dengan citra tepi yang
menggunakan citra tepi yang menggunakan operator gradien.
Salah satu operator yang dipakai adalah operator Prewitt ( akan dibahas di
bag.segmentasi).

Pertemuan Ke :6
Materi : Restorasi Citra ( Image Restoration)
14

Setiap gangguan pada citra dinamakan noise, seperti kamera tidak fokus,muncul
bintik-bintik yang disebabkan capture tidak sempurna,pencahayaan tidak merata dan
sebagainya.
Citra yang mengandung noise seperti ini memerlukan langkah-langkah perbaikan, hal
tersebut dilakukan untuk menfasilitasi proses citra.

Definisi
Restorasi citra digital adalah suatu teknik yang memperhatikan bagaimana mengurangi
perubahan bentuk dan penurunan kualitas citra yang diawali selama pembentukan citra
tersebut (Pitas,1993)

Restorasi Citra digital merupakan teknik yang berorientasi pada pemodelan degradasi dan
menerapkan proses invers dalam rangka merekontruksi pada citra yang original (Gonzales
and Wood ,1993).

Sekilas terkadang restorasi image hampir samar dengan enhancement image,sebenarnya


tidak sama. Perbedaannya :
 Jika restorasi image adalah bertitik tumpu pada perbaikan citra yang mengalami
kerusakan,baik selama proses digitalisasi maupun cacat akibat usia,jamur
,goresan,pelabelan tek pada citra yang dilakukan secara sengaja atau tidak sengaja
 Sedangkan enhancement image cenderung memperhatikan perbaikan kualitas citra
yang mengalami penurunan kualitas citra selama pembentukan citra atau justru
memberi efek berlebih pada citra yang sudah ada.

I. MODEL-MODEL NOISE

Noise yang akan dibahas disini adalah noise yang terjadi karena karakteristik dari
derajat keabu-abuan (gray-level) atau dikarenakan adanya variabel acak yang terjadi
karena karakteristik fungsi Probability Kepadatan ( Probability Density
Function=PDF ).

Beberapa diantaranya,adalah :
1. Noise Gaussian
PDF variabel Gaussian , z dinyatakan sebagai berikut :
1 2 2
p( z )  e ( z   ) / 2
2 Dimana:
z = tingkat keabu-abuan
µ = mean dari rata-rata nilai z
σ = deviasi standar
 2 disebut variance dari z

2. Noise Rayleigh
PDF dari Rayleigh

2 ( z a)2 / b
 ( z  a )e  untuk z  a
p( z )   b

0  untuk z  a

3. Noise Erlang (Gamma)

PDF dari derau Erlang

 a b z b 1  az
 e  untuk z a
p ( z )   (b  1)!
0  untuk z  a

15

4. Noise Eksponensial
PDF dari derau Eksponensial adalah :
ae  az  untuk z  a
p( z )  
0  untuk z  a

5. Noise Uniform
PDF dari Uniform Noise adalah :
 1
  untuk a  z b
p( z )   b  a
0  lainnya

6. Noise Salt and Paper ( Impulse noise )


PDF dari Uniform Noise adalah :
P a untuk z  a

p( z )  Pb untuk z  b
0 lainnya

II. REDUKSI NOISE

II.1. Reduksi Noise dengan menggunakan Mean Filter


Bila citra yang mengandung noise langsung diproses dan diekstrak maka fitur-fitur
pentingnya akan menimbulkan masalah akusi.Jadi sebaiknya citra tersebut
dibersihkan dari noise terlebih dahulu, kemudian diproses untuk diekstrak fitur-fitur
pentingnya.
1. Arithmetic Mean Filter
- Aritmetic Mean Filter adalah metode yang paling mudah dari mean filter.

1
fˆ ( x, y ) 
mn
 g ( s, t )
( s , t )Sxy

2. Geometric Mean Filter


- Persamaan Geometric Mean Filter
1
  mn
fˆ ( x, y )   g ( s , t ) 
 ( s ,t )Sxy 

3. Harmonic Mean Filter


- Persamannya :

mn
fˆ ( x, y ) 
1

( s ,t )Sxy g ( s, t )

4. Contraharmonic Mean Filter


- Filter in sangat cocok untuk mengurangi atau secara virtual mengeliminasi
efek noise pada salt pepper.
- Persamannya :
 g ( s, t ) Q 1
fˆ ( x, y ) 
( s ,t )Sxy

 g ( s, t ) Q
( s ,t )Sxy

Dimana : Q adalah order dari filter, untuk Q positif mengeliminsi noise


pepper dan untuk Q negatif untuk mengeliminasi noise salt.filter ini tidak
dapat melakukan dua-duanya secara bersamaan.

II.1. Reduksi Noise dengan menggunakan Order-Statistics Filter


16

Order-statistics filter adalah filter spasial yang hasil responnya berdasarkan


pengurutan nilai piksel yang dilingkupi oleh filter.Respon filter pada tiap titiknya
ditentukan oleh hasil pengurutan.
1. Filter Median
Filter ini sangat populer karena untuk tipetipe noise tertentu, filter ini memberikan kemampuan
reduksi noise yang sangat baik, dengan bluuring yang lebih sedikit daripada ;linier smoothing
filter untuk ukuran citra yang sama.
Perumusannya :
fˆ ( x, y )  median g ( s, t )
( s , t )Sxy

2. Filter Maksimum
Perumusannya :
fˆ ( x, y )  max  g ( s, t )
( s , t )Sxy

3. Filter Minimum
Perumusannya:
fˆ ( x, y )  min  g ( s, t )
( s , t )Sxy

4. Filter Titik Tengah


Perumusannya :
1
fˆ ( x, y )   max  g ( s, t )  max  g ( s, t ) 
2 ( s , t )Sxy ( s , t )Sxy 

5. MSE ( Mean Squared Error )


Perbaikan citra pada dasarnya merupakan proses yang bersifat subyektif
sehingga parameter keberhasilannya bersifat subyektif pula.
1 M

N
MSE  j 1
( f a (i, j )  f b (i, j )) 2
MxN i 1

Pertemuan Ke :6
Materi : Restorasi Citra ( Image Restoration)
Tentang korelasi dan Konvolusi

1. KORELASI
 Korelasi adalah perkalian antara dua buah fungsi f(x,y) dan g(x,y).
 Untuk fungsi diskrit korelasi didefinisikan oleh persamaan :
M N
f ( x, y )  f ( x, y )  g ( x, y )   f (k , l ).g ( x  k , y  l )
k 1 l 1
Dimana:
x,y,k,l adalah variabel bebas yang memiliki nilai diskrit yang berupa posisi
titik di dalam citra.
M,N adalah batas titik tetangg yang masih memberikan pengaruh ke titik
yang sedang ditinjau untuk arah vertikal dan horisontal.
h(x,y) adalah hasil korelasi dari citra f(x,y) dengan filter g(x,y)

 Operasi korelasi dilakukan dengan menggeser filter korelasi piksel per piksel.
 Hasil korelasi disimpan di dalam matriks yang baru.
 Contoh:
Citra keabuan f(x,y) yang berukuran 10x8 mempunyai 8 skala dan sebuah filter
g(x,y) yang berukuran 3x3 sbb:

f(x,y)=
5 3 3 0 4 4 0 5 2 2
4 2 1 3 4 0 5 1 3 3
6 3 0 1 6 2 3 0 7 0
7 4 0 1 6 2 3 2 7 0
7 4 5 1 0 6 3 2 7 0
7 4 5 5 7 7 6 2 6 4
6 0 1 4 7 0 7 2 0 2
17

6 5 1 3 2 4 4 1 0 0

g(x,y)
1 0 1
0 2 0
- -
0
1 2

Hasil korelasi h(x,y) dihitung sbb:


Langkah ke-1
Pilih f(x,y) ukuran 3x3, dimulai dari pojok kiri atas.kemudian , hitung
korelasinya dengan filter g(x,y)
f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 1 3 4 0 5 1 3 3
6 3 0 1 6 2 3 0 7 0
7 4 0 1 6 2 3 2 7 0
7 4 5 1 0 6 3 2 7 0
7 4 5 5 7 7 6 2 6 4
6 0 1 4 7 0 7 2 0 2
6 5 1 3 2 4 4 1 0 0

g(x,y)
1 0 1
0 2 0
- -
0
1 2

Hasil korelasinya adalah:


(1x5)+(0x3)+(1x3)+(0x4)+(2x2)+(0x1)+(-1x6)+(0x3)+(-2x0)=6,maka angka 2
di tengah matrik f(x,y) diganti dengan 6.

Matrik f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 3
6 0
7 0
7 0
7 4
6 2
6 5 1 3 2 4 4 1 0 0

Matriks setelah konversi ke-1


5 3 3 0 4 4 0 5 2 2
4 6 3
6 0
7 0
7 0
7 4
6 2
6 5 1 3 2 4 4 1 0 0

Langkah ke-2
Geser f(x,y) ukuran 3x3 satu piksel ke kanan, kemudian hitung korelasinya
dengan filter g(x,y
f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 1 3 4 0 5 1 3 3
18

6 3 0 1 6 2 3 0 7 0
7 4 0 1 6 2 3 2 7 0
7 4 5 1 0 6 3 2 7 0
7 4 5 5 7 7 6 2 6 4
6 0 1 4 7 0 7 2 0 2
6 5 1 3 2 4 4 1 0 0

g(x,y)
1 0 1
0 2 0
- -
0
1 2
Hasil korelasinya:
(1x3)+(0x3)+(1x0)+(0x2)+(2x1)+(0x3)+(-1x3)+(0x0)+(-2x1)=0
Matrik f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 1 3
6 0
7 0
7 0
7 4
6 2
6 5 1 3 2 4 4 1 0 0
Matriks setelah konversi ke-2
5 3 3 0 4 4 0 5 2 2
4 6 0 3
6 0
7 0
7 0
7 4
6 2
6 5 1 3 2 4 4 1 0 0

Langkah ke-3
Geser f(x,y) ukuran 3x3 satu piksel ke kanan, kemudian hitung korelasinya
dengan filter g(x,y
f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 1 3 4 0 5 1 3 3
6 3 0 1 6 2 3 0 7 0
7 4 0 1 6 2 3 2 7 0
7 4 5 1 0 6 3 2 7 0
7 4 5 5 7 7 6 2 6 4
6 0 1 4 7 0 7 2 0 2
6 5 1 3 2 4 4 1 0 0

g(x,y)
1 0 1
0 2 0
- -
0
1 2
Hasil korelasinya:
(1x3)+(0x0)+(1x4)+(0x1)+(2x3)+(0x4)+(-1x0)+(0x1)+(-2x6)=1
Matrik f(x,y)
5 3 3 0 4 4 0 5 2 2
4 2 1 3 3
6 0
7 0
7 0
7 4
19

6 2
6 5 1 3 2 4 4 1 0 0
Matriks setelah konversi ke-2
5 3 3 0 4 4 0 5 2 2
4 6 0 1 3
6 0
7 0
7 0
7 4
6 2
6 5 1 3 2 4 4 1 0 0

Langkah diatas terus dilakukan sampai mengisi semua kotak kosong/piksel


yang kosong,yakni paling kanan pojok bawah,sehingga didapatkan hasil:
5 3 3 0 4 4 0 5 2 2
4 6 0 1 7 0 7 0 7 3
6 4 0 7 7 7 1 0 7 0
7 0 0 3 0 7 0 0 7 0
7 0 1 0 0 4 0 0 6 0
7 7 7 0 7 0 7 7 7 4
6 4 0 7 7 3 7 7 5 2
6 5 1 3 2 4 4 1 0 0

2. KONVOLUSI
 Konvolusi adalah suatu proses yang cara kerjanya sama dengan proses korelasi,
hanya saja nilai-nilai filternya dibalik 180o .
 Contoh , sebuah citra f(x,y) akan dikonvolusi dengan filter g(x,y) berikut:
1 3 1
5 2 7
-
4 0
2
Terlebih dahulu nilai-nilai g(x,y) dibalik 180o menjadi:
-2 0 4
7 2 5
1 3 1
Kemudian baru dilakukan korelasi seperti langkah-langkah yang dijelaskan
diatas.
20

Pertemuan Ke :7
Materi : Kompresi Citra

Perkembangan teknologi informasi ternyata berdampak pada perkembangan ilmu


pengetahuan yang lain. Salah satu contoh aplikasi teknologi PCD adalah dibidang medis
antara lain di bidang radiologi,seperti:
 X-ray
 Computer tomography ( CT)
 Magnetic resonance imaging (MRI)
 Ultrasonography (USG)
 Positron emission tomography (PET),dll
Semuanya merupakan iformasi yang penting,oleh karena itu detail karakteristik citra tidak
boleh ada yang hilang.

Sebelum ada teknologi informasi, citra-citra tersebut disimpan dalam bentuk film sehingga
disimpan dalam jumlah yang besar dan tentu saja data-data citra tersebut memerlukan
tempat penyimpanan yang besar,sera kemungkinan terjadinya kerusakan amat besar,
sehingga jika digunakan untuk kebutuhan analisi, hasilnya kurang memuaskan.

Sejalan dengan perkembangan teknologi informasi yang semakin pesat, cita-citra tersebut
disimpan dalam bentuk file-file.Sayangnya,file-file citra ini berukuran besar, sehingga file-
file tersebut belum dapat disimpan dalam rekam medik bersama-sama dengan informasi
tekstual. Salah satu solusinya dengan kompresi Citra.

Tujuan kompresi citra/pemampatan citra:


21

Meminimalkan kebutuhan memori dalam mempresentasikan citra digital dengan


mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan menjadi lebih
sedikit daripada representasi semula.

Manfaat kompersi citra/pemampatan citra adalah :


1. Waktu pengiriman data pada saluran komunikasi data lebih singkat.
2. Membutuhkan ruang memori dalam storage yang lebih sedikit dibandingkan dengan
citra yang tidak dimampatkan.

I.Teknik Kompresi Citra


Ada 2 teknik yang dapat dilakukan dalam melakukan kompresi citra,yakni:
1. Lossless Compression
- Merupakan kompresi citra dimana hasil dekompresi dari citra yang
terkompresi sama dengan citra aslinya,tidak ada informasi yang hilang.
- Ratio kompresi dengan metode ini sangat rendah.
- Aplikasi yang memerlukan kompresi ini contohnya Red Lenght Encoding
(RLE), Entrophy encoding (huffman aritmatik), Adaptive Dictionary Based
(LZW).

2. Lossy compression
- Adalah kompresi citra di mana hasil dekompresi dari citra yang terkompresi
tidak sama dengan citra aslinya karena ada informasi yang hilang, tetapi
masih bisa ditolerir oleh persepsi mata. Mata tidak dapat membedakan
perubahan kecil pada gambar.
- Ratio kompresi lebih tinggi daripada Lossless Compretion.
- Contohnya : color reduction, chroma subsampling, dan transform coding
seperti tranformasi fourier,Wavelet,dll.

II.Kriteria Kompresi Citra


Kriteria yang digunakan untuk mengukur pemampatan citra adalah :
1. Waktu Kompresi dan waktu dekompresi
- Proses kompresi merupakan proses mengodekan citra ( encode ) sehingga
diperoleh citra dengan representasi kebutuhan yang minimum.
- Citra terkompresi disimpan dalam file dengan format tertentu, misalnya
JPEG.
- Proses dekompresi adalah proses untuk menguraikan citra yang
dimampatkan untuk dikembalikan lagi (decoding) menjadi citra yang tidak
mampat.
2. Kebutuhan Memori
- Metode kompresi yang baik adalah metode kompresi yang mampu
mengompresi file citra menjadi file yang berukuran paling
minimal.algoritma pemampatan yang baik akan menghailkan memori yang
dibutuhkan untuk menyimpan hasil kompresi yagn berkurang secara berati.
- Biasanya semakin besar presentase pemampatan,semakin kecil kebutuhan
memori yang diperlukan sehingga kualitas citra makin berkurang, dan
sebaliknya.
3. Kualitas Pemampatan (fidelity)
- Metode kompresi juga dikatakan baik jika metode kompresi mampu
mengembalikan citra hasil kompresi menjadi citra semula tanpa kehilangan
informasi apapun, kalaupun ada informasi yang hilang akibat pemampatan,
sebaiknya ditekan seminimal mungkin.

Kualitas citra pemampatan dapat diukur secara kuantitatif menggunakan


besaran PSNR
22

( Peak signal-to-noise-ratio). Semakin besar nilai PSNR maka citra hasil


pemamptan semakin mendekati citra aslinya, dengan kata lain semakin
bagus kualitas citra hasil pemampatan tersebut.

 maks 
PSNR  20 x log10  
 rms 
Dimana : Maks = nilai intensitas terbesar.
Nilai rms dihitung dengan persamaan berikut:

rms 
1 N M 0

MxN i 1 N
 f ij  f iji 
2

Dimana:M dan N adalah lebar dan tinggi citra


f ijo f ij0 masing-masing adalah nilai intensitas baris ke-i dan ke-j
dari citra hasil pemampatan dan citra sebelum pemampatan
Satuan PSNR mempunyai satuan desiBel (dB)

4. Format Keluaran
Format citra hasil pemampatan yang baik adalah yang cocok dengan kebutuhan
pengiriman dari penyimpanan data.

III.Rasio Kompresi Citra


Secara matematis dapat ditulis :

 Hasil kompresi 
Rasio  100%   x100% 
 citra hasil 
Misalkan ratio kompresi adalah 25%, artinya 25% dari citra semula telah berhasil
dimampatkan.

IV.Redudansi Data
Redudansi data adalah kelebihan data yang dibutuhkan dalam menampilkan citra.
Contoh :
Pada sebuah grayxcale yang rata-rata pikselnya memerlukan memori 8 bit bis jadi
bila dilakukan pengkodean menggunakan kode lain ternyata rata-rata setiap
pikselnya hanya memerlukan 5 bit saja.ini berarti setiap piksel bisa bisa menghemat
memori 3 bit.
Ada 3 jenis redudansi data,yakni:
1. coding redudancy
o adalah pengkodean citra sedemikian sehingga jumlah kode yang diberikan
untuk menampilkan suatu grayscale melebihi dari apa yang dibutuhkan.
o Pengkodean ini sering muncul bila kita menggunakan teknik natural bit.
Contoh :
Sebuah citra grayscale 3-bit berukuran 10 piksel dikodekan dengan teknik natural
bit dan pengodean huffman.
Ukuran citra yang dibutuhkan untuk pengodean natural bit adalah:
Natural bit = 100 x 3 bit = 300 bit
Ukuran citra yang dibutuhkan untuk pengodean huffman adalah:
Huffman=23x3 bit+8x4 bit+6x4 bit+26x2 bit+9x3 bit+17x3 bit+6x4
bit+5x5bit=276
1 1 1 3 1 4 4 4 1 0 No N Natural bit Huffman
3 5 3 5 5 5 5 3 3 0 0 23 000 = 3 bit 00 = 2 bit
0 0 0 2 2 6 6 6 6 6 1 8 001 = 3 bit 1000 = 4 bit
3 3 4 4 4 4 4 4 3 3 2 6 010 = 3 bit 1001 = 4 bit
2 2 0 0 0 0 0 0 0 0 3 26 011 = 3 bit 11 = 2 bit
7 5 5 5 7 7 7 3 3 3 4 9 100 = 3 bit 010 = 3 bit
3 3 3 3 3 3 3 3 7 5 5 17 102 = 3 bit 101 = 3 bit
23

5 5 5 5 5 5 5 5 2 3 6 6 110 = 3 bit 0111 = 4 bit


0 0 0 0 0 0 0 0 0 0 7 5 111 = 3 bit 0110 = 4 bit
3 3 3 3 3 1 1 1 6 2
2. interpixel redudancy
o sering disebut juga sebagai spatial redudancy,geometric redudancy, atau
interframe redudancy.
o Maksud dari intrpixel redudancy adalah data redudan dapat dinyatakan
sebagai korelasi antar pixel dimana intensitas suatu piksel dapat
diperkirakan dari intensitas piksel-piksel tetangganya.Biasanya informasi
yang dibawa oleh setiap piksel relatif kecil sehingga bisa dikatakan bahwa
kontribusi setiap piksel pada citra secara keseluruhan adalah redudan.
o Citra yang mengandung interpixel redudancy dapat dipresentasi ke dala
bentuk yang lebih efisien ( non-visual-format). Artinya , citra tidak harus
dinyatakan dalam bentuk matriks dari intensitas piksel-pikselnya, tetapi
dipetakan (mapping) dalam bentuk perbedaan intensitas antar piksel
bersebalahan.
o Bentuk data yang dimampatkan ini bersifat reversible- dapat direkonstruksi
kembali menjadi citra asalnya.
o Contoh :
Kompresi c itra menggunakan algoritma RLE (Run Lenght Encoding).
3. psychovisual redudancy
- psychovisual redudancy yakni fenomena dengan intensitas keabuan
yang bervariasi dilihat oleh mata sebagai intensitas
konstan.Penghilangan psychovisual redudancy merupakan
penghilangan sebagian informasi atau merupakan suatu proses
kuantisasi.Dimana kuantisasi menghasilkan lossy data compression
- Hal tersebut bila dihilangkan tidak menggangu persepsi kualitas
citra.
- Umumnya orang melihat citra mencari hal-hal penting, seperti sudut-
sudut atau area bertekstur dan mengelompokkannya ke dalam grup
yang dapat dikenal. Setelah itu, otak bertugas menggabungkan grup-
grup tersebut dengan pengetahuan ayng dimilikinya agar pengenalan
citra menjadi sempurna.
- Alasan menghilangkan redudan ini adalah ada informasi yang kurang
dibutuhkan dlam proses visual normal.

V.Beberapa Metode Dasar Kompresi

1. Metode Huffman
Algoritma huffman adalah algortma pemampatan citra yang menggunakan
pendekatan statistik.
Urutan langkah proses encode algoritma ini adalah sebagai berikut :
1. Urutkan nilai-nilai grayscale berdasarkan frekuensi kemunculannya.
2. Gabung dua buah pohon yang mempunyai frekuensi kemunculan terkecil dan
urutkan kembali.
3. Ulangi langkah (2) samapai tersisa satu pohon biner.
4. Beri label pohon biner tersebut dengan cara sisi kiri pohon diberi label ) dan sisi
kanan pohon diberi label 1.
5. Telusuri pohon biner dari akar ke daun. Barisan label-label sisi dari akar ke daun
adalah kode huffman.

2. Metode Aritmatik
Pengodean aritmatik yakni menggantikan satu deretan simbol input dengan sebuah
bilangan floating point. Semakin panjang dan semakin kompleks pesan yang
dikodekan, semakin banyak bit yang diperlukan untuk keperluan tersebut. Output
dari pengkodean satu angka yang lebih kecil dari 1 dan lebih besar atau sama
dengan 0. Angka ini secara unik dapat di-decode sehingga menghasilkan deretan
simbol yang dipakai untuk menghasilkan angka tersebut. Untuk menghasilkan
output tersebut , tiap simbol akan di-encode diberi satu set nilai probabilitas.
3. Metode Kuantisasi
24

Metode ini bekerja dengan cara mengurangi derajat keabuan sehingga jumlah bit
yang dibutuhkan untuk merepresentasikan citra berkurang. Algoritma metode ini
adalah :
Misalkan P adalah jumlah piksel citra sebelum dimampatkan.
1. Buat histogram citra semula
2. Buat n kelompok sehingga setiap kelompok kira-kira berjumlah P/n
3. Ganti keabuan piksel dengan keabuan kelompok yang baru.

4. Metode RLE (Run Length Encoding )


- Algoritma RLE menggunakan pendekatan ruang.
- Algoritma ini cocok digunakan untuk memampatkan citra yang memiliki
kelompok-kelompok piksel berderajat keabuan yang sama.
- Metode ini dilakukan dengan menyatakan seluruh baris citra menjadi sebuah
baris run-length untuk setiap derajat keabuan yang berurutan.

5. Metode LZW
- Algoritma LZW menggunakan teknik adaptif dan berbasiskan “kamus”.
- Algorima ini melakukan kompresi dengan menggunakan kamus, dimana
fragmen-fragmen teks digantikan dengan indeks yang diperoleh dari sebuah
kamus.
- Prinsip kompresi tercapai jika referransi dalam untuk pointer dapat disimpan
dalam jumlah bit yang lebih sedikit dibandingkan string aslinya.

REVIEW

1. Bagaimana langkah kode ASCII string”ABBABABACAACDDD” dimampatkan


dengan metode huffman !dan hitung ratiionya !
2. Citra yang berukuran 100x100 dengan kedalaman 3 bit dan jumlah seluruh piksel
=100 x100 = 10.000 piksel mempunyai probabilitas piksel sbb:
K   nk     P(K)=nk/n    
0 2500 0,25
1 1000 0,1
2 600 0,06
3 100 0,01
4 4000 0,4
5 400 0,04
6 500 0,05
7 900 0,09
25

Pertemuan Ke : 9 & 10
Materi : - Transformasi Citra
- Transformasi Fast Fourier

Mengapa perlu transformasi ?


Setiap orang pada suatu saat pernah menggunakan suatu teknik analisis dengan
transformasi untuk menyederhanakan penyelesaian suatu masalah ( Bringham,1974)
Contoh :Penyelesaian fungsi y=x/z
Analisa konvensional : pembagian secara manual
Analisa transformasi : melakukan transformasi
log (y) = log (x) – log (z)
look-up tabel >pengurangan>look-up table

Definisi:
Tranformasi Citra, yakni merupakan proses perubahan bentuk citra untuk mendapatkan
suatu informasi tertentu, berdasarkan kebutuhan.

Transformasi dibagi menjadi 2:

I. Transformasi Piksel/Transformasi Geometris


Transformasi piksel masih bermain di ruang/domain yang sama (domain spasial),hanya
posisi piksel yang kadang diubah.
Contoh : rotasi, translasi, scalling,invers,shear,dan lain-lain.
Transformasi jenis ini raltif mudah diimplementasikan dan banyak yang dapat
melakukan (Paint,ACDSee,dll).
26

Pada bagian ini akan dibahas perubahan bentuk geometri citra yang meliputi :
a. Operasi pencerminan ( flipping )
- Merupakan operasi geometri yang tidak mengalami perubahan ukuran citra
- Hanya mengakibatkan adanya perubahan orientasi citra,baik secara
horisontal, vertikal, maupun keduanya.
b. Operasi rotasi
- Rotasi juga merupakan operasi yang tidak mengalami perubahan ukuran
citra.Posisi suatu piksel hanya mengalami perputaran terhadap titik pusat
putaran dengan besar sudut tertentu sesuai kebutuhan/keinginan
c. Operasi Pemotongan ( cropping)
- Operasi ini adalah pengolahan citra dengan kegiatan memotong satu bagian
dari citra.
d. Operasi Penskalaan ( Scalling )
- Operasi ini dimaksudkan untuk memperbesar (zoom-in ) atau memperkecil
(zoom-out) citra sesuai dengan faktor skala K yang diinginkan.
- Pada prinsipnya, operasi ini penskalaan menggandakan jumlah piksel
sebesar K kali semula, bila K > 1 dan 1/K kali semula bila 0<K<1 dalam
arah vertika dan horisontal.
e. Interpolasi
- Interpolasi adalah untuk mengisi piksel-piksel diantara n buah piksel yang
ada agar tingkat gradasi dari nilai intensitas ataupun posisi piksel tampak
lebih halus.Karena terkadang pada operasi pembesaran citra, secara geometri
terjadi penambahan jarak antara satu titik dengan titik lainnya, akibatnya
citra tampak pecah-pecah.
- Biasanya interpolasi yang sering digunakan adalah interpolasi tetangga
terdekat ( nearest neighbour), interpolasi bilinier, interpolasi kubik spline.
f. Transpose Citra
- Adalah hasil transpose citra B(MxN) dari citra asal A(NxM).
g. Efek gelombang
- efek ini mengubah geometri asli menjadi bentuk citra yang bergelombang.

h. Efek Warp dan Swirl


- Efek ini mempunyai persamaan:
sign(k  x0 )
Warp : x(k , l )  * (k  x0 ) 2  x0 y (k , l )  l
x0
Swirl : 

x(k , l )  (k  x 0 ) co s( )  (l  y

y (k , l )  (k  x 0 ) si n( )  (l  y

r  (k  x 0 ) 2
 (l  y 0 ) 2

Dimana xo dan yo adalah pusat citra


i. Efek glass
- Efek galss mempunyai persamaan sebagai berikut :
x(k , l )  k  ( rand (1,1)  0,5) * 10

y (k , l )  l  ( rand (1,1)  0,5) * 10

II. Transformasi Ruang/domain/space


Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain ke
ruang/domain lainnya.
Contoh : dari ruang spasial ke ruang frekuensi.

Ada beberapa transformasi ruang yang akan kita pelajari :


 Transformasi Fourier ( basis:cos-sin)
Transformasi Fourier adalah transformasi yang mengubah domain spasial ke
domain frekuensi. Dengan cara ini, citra digital ditransformasikan lebih dulu
dengan trasformasi Fourier, kemudian dilakukan manipulasi pada hasil
trasformasi tersebut.
27

Setelah manipulasi selesai, dilakukan inverse transformasi Fourier untuk


mendapatkan citra kembali.
1. Transformasi Fourier 1D
Rumus transformasi 1D

F (u )   
f ( x ) exp[2 jux]dx

f ( x)   F (u ) exp[2 jux ]du


Euler' s formula : exp[2 jux ]  cos 2ux  j sin 2ux

2. Transformasi Fourire 2D
M 1 N 1
1
FT : F (u , v) 
MN
 f ( x, y ) exp[2 j (ux / M  vy / N )]
x 0 y 0
M 1 N 1
InversFT : f ( x, y )   F (u, v) exp[2 j (ux / M  vy / N )]
u  0 v 0

M  tinggi citra (jumlah baris)


N  lebar citra (jumlah kolom)

3. Discrete Fourier Transform (DFT) 1D


1

N 1
F (u )  x 0
f ( x ) exp[2 jux / N ]
N
1

N 1
f ( x)  x 0
F (u ) exp[2 jux / N ]
N

4. Discrete Fourier Transform (DFT) 2D


Trasnformasi Fourier diskrit 2 dimensi dari sebuah fungsi diskrit f(x,y)
dinyatakan sbb:
x  M 1 y  N 1
  ux vy  
F  x, y     f  x, y . exp  2j   dxdy 
x 0 y 0  M N  

Inversnya adalah :
1 M 1 N 1   ux uy 
f  x, y    F  u, v . exp2j    dxdy
MN u 0 v 0   M N 
Spektrum fourier didefinisikan sbb:

F  x, y   R 2  u , v   I 2  u , v  
1/ 2

 Tranformasi Hadamard/Walsh (basis:kolom dan baris yang ortogonal)


 Transformasi DCT (basis : cos)
 Transformasi Wavelet (basis:scaling function dan mother wavelet)
28

Pertemuan Ke : 11
Materi : Segmentasi Citra

Definisi :
Segementasi citra salah satu metode penting yang digunakan untuk mengubah citra input ke
dalam citra output berdasarkan atribut yang diambil dari citra tersebut.

Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan
suatu kriteria tertentu.

Tujuan akhir segmentasi citra :


menyederhanakan dan atau merubah representasi suatu citra ke dalam gambaran yang lebih
mempunyai arti dan lebih mudah untuk di analisa.

Segmentasi membagi citra ke dalam daerah intensitasnya masing-masing sehingga bisa


membedakan antara objek dan background-nya. Pembagian ini tergantung pada masalah
yang akan diselesaikan.Segmentasi harus dihentikan apabila masing-masing objek telah
terisolasi atau terlihat jelas. Tingkat keakurasian segmentasi bergantung pada tingkat
keberhasilan prosedur analisis yang dilakukan. Dan, diharapkan proses segmentasi
memiliki tingkat keakuratan yang tinggi.

Contoh segmentasi citra adalah sebagai berikut :


Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang
dapat dihitung (computed property), seperti : warna (color), intensitas (intensity),dan
tekstur (texture).
29

Segmen yang dihasilkan dari  algortima clustering  biasanya dinamakan dengan cluster-
cluster.Global segmentasi berhubungan dengan segmentasi dalam keseluruahn citra.
Sedangkan lokal segmentasi berhubungan dengan segmentasi sub-citra yang merupakan
bagian kecil dari keselruhan citra tersebut. Biasanya bekerjanya dalam window-window
berukuran kecil yang mewakili keseluruhan citra.

Terdapat tiga masalah utama yang berhubungan dengan tekstur yaitu :


1. Segmentasi Tekstur (Texture segmentation):
merupakan masalah yang memecah suatu citra ke dalam beberapa komponen
dimana tekstur dianggap konstan. Segmentasi tekstur melibatkan representasi
suatu tekstur, dan penentuan dasar dimana batas segmen akan ditentukan.
2.  Sintesis Tekstur (Texture synthesis) berusaha untuk membangun region tekstur
besar yang berasal dari contoh citra kecil yang ada. Dengan menggunakan contoh
citra akan dibangun model probabilitas tekstur tersebut, dan kemudian
menggambarkannya pada model probabilitas untuk menentukan tekstur citra.
3.  Bentuk Tekstur (Shape from Texture) melibatkan perbaikan orientasi permukaan
atau bentuk permukaan dari tekstur. Di sini diasumsikan bahwa tekstur “kelihatan
sama” pada titik-titik yang berbeda pada suatu permukaan, ini artinya bahwa
deformasi tekstur dari titik ke titik adalah petunjuk  bentuk permukaan.

Ada 2 jenis segmentasi citra :


1. Diskontinuitas
Pembagian citra berdasarkan dalam intensitasnya, contohnya titik,garis, dan edge
(tepi).
2. Similaritas
Pembagian Citra berdaasarkan kesamaan-kesamaan kriteria yang dimilikinya.
Contohnya , thresholding, region growing,region spliting, dan region merging.

Akan kita bahas beberapa dari segmentasi diatas.


I. Diskontinuitas
I.1. Deteksi Titik
Pengkodean titik yang terisolasi dari suatu citra secara prisip berlangsung secara
straightforward. Kita dapat mengatakan bahwa suatu titik dinyatakan terisolasi jika:
R T
Dimana T = thresholding
Dan R adalah persamaan :
9
R  Wi Z i
i 1
Dengan demikian, titik yang terisolasi adalah titik yang berbeda dengan titik-titik di
sekitarnya, dan mask-nya:
-1 -1 -1
-1 8 -1
-1 -1 -1

I.2. Deteksi Garis


30

Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan
menunjukkan bagian tertentu yang berbeda secara garis lurus baik secara vertikal,
horisontal maupun miring 450 ( baik kanan maupun kiri).
Secara matematis dirumuskan sbb:
Ri  R j dim ana i j
Adapun mask-nya adalah sebagai berikut :

Arah horisontal dan arah vertikal


-1 -1 -1
2 2 2
-1 -1 -1

Arah -450
-1 -1 2
-1 2 -1
2 -1 -1
-1 2 -1
-1 2 -1
-1 2 -1
Arah +450
2 -1 -1
-1 2 -1
-1 -1 2

I.3. Deteksi Tepi Objek


Sebelum membahas deteksi tepi objek, kita akan ketahui dulu apa itu tepi objek?
Tepi objek adalah pertemuan bagian objek dengan bagian latar belakang.
Dalam pengolahan citra, tepi objek ditandai oleh keabuannya memiliki perbedaan yang
cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling
tumpang tindih maka mereka akan meninggalkan jejak tepi apabila intensitas mereka
tidak sama sehingga diketahui bahwa objek yang satu berada di depan objek yang lain
atau sebaliknya.

I.3.1. Deteksi Tepi objek berbasis gradient


- dilakukan dengan menghitung selisih antara dua buah titik yang bertetangga
sehingga didapat besar gradient citra.
-gradien adalah turunan pertama dari persamaan dimensi yang didefinisikan
sebagi vektor seperti berikut :
 f 
G x   x 
G  f ( x, y )       
G y   f 

 y 

-Gradien mempunyai 2 sifat penting, yaitu :


1. Vektor G[f(x,y)] menunjukkan arah penambahan laju maksimum dari fungsi
f(x,y).
2. Besar gradien sama dengan penambahan laju maksimum dari fungsi f(x,y) per
satuan jarak dalam arah G

 Operator Robert
Adalah operator yang berbasis gradien yang menggunakan kernel ukuran
2x2 piksel. Operator ini mengambil arah diagonal untuk penentuan arah
dalam perhitungan nilai gradien.
G  f ( x, y )  f ( x  1, y  1)  f ( x  1, y )  f ( x, y  1)
Dimana Gx dan Gy, dihitung menggunakan kernel konvolusi sbb:
 Operator Sobel
Operator sobel adalah salah satu operator yang menghindari adanya
perhitungan gradient di titik interpolasi. Operasi ini menggunakan kernel
3x3 pikwl untuk perhitungan gradient sehingga perkiraan gradient berada
tepat di tengah jendela.Misalkan susunan piksel-piksel di sekitar piksel
(x,y) adalah :

a0 a1 a2
31

a7 x,y) a3
a6 a5 a4

Berdasarkan susunan piksel tsb,gradient dihitung dengan operator sobel


adalah :
M  S x2  S y2
Dimana M adalah besar gradient di titik tenah kernel dan turunan parsial
dihitung menggunakan persamaan berikut :
Sx=(a2 + ca3 + a4 ) – ( a0 + ca1 + a6 )

Sy=(a0 + ca1 + a2 ) – ( a6 + ca5 + a4 )


Dimana :
C = konstanta

Dalam melakukan perhitungan gradient, operator ini meupakan gabungan


posisi mendatar dan vertikal.

 Operator Prewit
Operator ini menggunakan persamaan yang sama dengan sobel , hanya
saja konstanta c yang digunakan berbeda, yakni 1.

I.3.2. Deteksi Tepi objek berbasisTurunan kedua


Deteksi tepi yang dihitung dengan turunan pertama akan menghasilkan banyak titik-
titik tepi. Idealnya obyek yang diinginkan adalah sebuah garis tipis setebal satu piksel
agar tidak menibulkan keraguan bila dilakukan analisis.
Jika dengan turunan kedua, perpotongan antara fungsi dengan sumbu x berupa satu
titik maka garis tepi yang didapatkan dengan bantuan fungsi turunan kedua akan
mempunyai ketebalan satu piksel saja,sesuai dengan ketebalan tepi yang diinginkan.
- Operator Laplacian
Ciri operator laplacian adalah titik-titik tepi yang dilacak dengan cara
menemuakan titik perpotongan dengan sumbu x oleh turunan kedua dari
fungsi citra sangat sensitif terhadap noise.
Rumus laplacian :
2 f 2 f
 2 f ( x, y )  
x 2 y 2
  2 f ( x, y )  4 f ( x, y )   f ( x  1), y )  f ( x  1, y )  f ( x, y  1  f ( x, y  1)

Bila diimplementasikan dalam bentuk konvolusi ( terlepas dari tanda yang


negatif atau positif) akan diperoleh kernel beikut :
0 1 0
1 -4 1
0 1 0
Laplacian 5 titik

0 -1 0
-1 4 -1
0 -1 0
Laplacian 5 titik

- Operator Laplacian of Gaussian (LOG)


32

Laplacian sangat sensitif trhadap noise yang terletak pada titik-titik tepi,jadi
sebelum dilakukan deteksi tepi terlebioh dahulu diperlukan filter yang dapat
melemahkan noise.
Operator Laplacian og Gaussian merupakan kombinasi dari operator
gaussian dan operator laplacian.
Operator laplcaian of gaussian diperoleh dari konvolusi berikut :
h ( x, y )   2  g ( x, y ) * f ( x, y ) 
  2  g ( x, y )  * f ( x, y )
dim ana
x2  y2
 x 2  y 2  2 2 
  g ( x, y )  
2
e 2 2

 4 

Persamaan diatas disebut sebagai topi meksiko karena apabila persamaan


tersebut diplot terhadap sumbu x dan sumbu y untuk jumlah bilangan positif
dan negataif yang sama maka akan membentuk lekukan seperti topi orang
meksiko.

- Operator Isotropic
Operator isotropic memiliki ukuran kernel sebesar 3x3 yang
direpresentasikan sebagai:
 1 0 1   1  2  1
 
I x   2 0 2  Iy   0 0 0
  1 0 1  1 2 1 

- Operator kompas
Operator kompas menggunakan 4 arah angin
Utara
1 1 1 
CN 
1 2 1 
 1
 1 
 1
Sela tan
 1 1  1
CS  
1 2 1 

1 1 1 
Timur
 1 1 1
Ce  
 1 2 1


 1 1 1

Barat
1 1  1
CB 
1 2  1


1 1  1

- Operator kirsch
Operator ini menggunakan 8 mata arah angin
33

 5 5  3  5 5 5   3 5 5 
K4   5 0  3 K 3   3 0  3 
K 2   3 0 5 
 3  3  3  3 3  3  3  3  3
5  3  3  3  3 5
K 5  5 0  3 K1   3 0 5
5  3  3  3  3 5
 3 3  3  3 3  3  3  3  3
K 6   5 0  3 K 7   3 0  3 K 8   3 0 5 
 5 5  3  5 5 5   3 5 5 

I.4. Sensitivitas Deteksi Tepi


Sensitivitas detektor tepi terhadap noise dapat diiukur dengan menggunakan parameter
error rate sbb:
nN  nR
P
NR
Dimana:
NR= jumlah piksel yang dinyatakan sebagai tepi pda citra referensi
nN= jumlah piksel yang dinyatakan sebagai tepi pda citra noisy
Nilai P yang besar menyatakan sensitivitas detektor tepi yang tinggi terhadap noise.

II. Similaritas
II.1.Segementasi citra berbasis histogram
- Global Thresholding
Dengan metode ini, kita bisa mendapatkan nilai threshold T yang tepat
sehingga bagian obyek dan latar belakang citra bisa ditentukan.
Langkah-langkah dalam menentukan threshold T adalah sbb:
1. Pilih nilai T awal, yaitu nilai rata-rata dari intensitas citra.
2. Bagi citra menjadi 2 daerah,misalnya R1 dan R2 menggunakan nilai T
awal yang telah ditentukan.
3. Hitung nilai rata-rata intensitas  1 dan  2 , masing-masing untuk
daerah R1 dan R2
  2
4. Hitung nilai threshold yang baru dengan rumus T  1
2
5. Ulangi langkah kedua sampai 4 hingga nilai-nilai  1 dan  2 tidak
berubah lagi.Saat itulah nilai t merupakan nilai yang dicari.

- Mean Clustering
Bila historgram terbagi lebih dari 2 wilayah , maka pendekatan yang
digunakan adalah Mean Clustering, untuk mendapatkan wilayah-wilayah
yang hampir seragam/homogen.

II.2.Segmentasi citra berbasis wilayah


Selain menggunakan histogram, segmentasi juga bisa dilakukan berdasarkan wilayah citra.
Tujuan: membagi gambar menjadi beberapa wilayah.
Hal ini dilakukan dengan cara mengelompokkan bagia-bagian citra yang memiliki
karakteristik yang sama berupa perubahan warna antara titik yang berdekatan, nilai rata-
rata, varian,standart deviasi, dll.
Formulasi yang digunakan adalah sebagai berikut dimana R mempresentasikan wilayah
gambar, dan n adalah subwilayah :
n
a.  Ri  R
i 1

Syarat : menunjukkan bahwa segmentasi harus lengkap,semua piksel harus masuk.


b. R1 adalah wilayah terkoneksi , i=1,2,3,....,n
Syarat : menyatakatan bahwa titik-titik pada sebuah wilayah harus terhubung.
c. Ri  R j   untuk semua i dan j, dimana i  j
Syarat : menunjukkan bahwa wilaya-wilayah harus disjoint.
34

d. P(Ri)=true untuk i=1,2,3,....,n


Syarat : menyatakan bahwa kesepadanan antara sifat-sifat yang diimiliki harus
dipenuhi oleh piksel-piksel pada wilayah segmentasi.
Contoh : P(R1)=true jika R1 memiliki intensitas yang sama.
e. P Ri  R j   false untuk i  j
Syarat : menyatakan bahwa wilayah Ri dan Rj berbeda

Yang merupakan citra berbasis wilayah diantaranya:


- Region Growing
Region Growing merupakan sebuah prosedur yang mengelompokkan piksel-
piksel atau subwilayah menjadi wilayah yang lebih besar berdasarkan
kriteria yang sudah didefinisikan.
Pendekatan dasarnya dimulai dari himpunan titik awal, kemudian wilayah
diperbesar dengan menambahkan setiap titik piksel tetangga yang
mempunyai sifat mirip dengan titik tersebut.
Masalah lain dalam hal ini adalah perumusan aturan pemberhentian ketika
tidak ada lagi piksel yang memenuhi kriteria. Langkah selanjutnya adalah
memilih kriteria untuk penambahan wilayah.

- Split dan Merge


Teknik ini mempunyai representasi tepat dalam bentuk yang disebut
quadtree (tree yang mempunyai tepat 4 anak)

REVIEW
Berilah penerapan segmentasi citra di bidang :
- Kedokteran/medis
Dengan menggunakan deteksi tepi berbasis gradient dengan ketiga operator
yakni operator Robert,operator Sobel dan operator prewit.
Jika ada operator lain, boleh ditambahkan beserta dengan aplikasinya.

- Identifikasi luas bencana tsunami di Aceh


Dengan menggunakan segmentasi citra,khususnya untuk aplikasi
penginderaan jarak jauh.
35

Pertemuan Ke : 12
Materi : Representasi dan Deskripsi

Pertemuan Ke : 13
Materi : Pengenalan dan Interpretasi
36

Pertemuan Ke : 14
Materi : Aplikasi Stenografi

Definisi :
Stenografi merupakan seni untuk menyembunyikan pesan di dalam media digital
sedemikian rupa sehingga orang lain tidak menyadari ada sesuatu pesan di dalam media
tersebut.

Kata stenografi berasal dari bahasa Yunani steganos yang artinya tersembunyi dan grahein
yang artinya adalah menulis, yang berarti kurang lebih artinya adalah tulisan tersembunyi
atau terselubung.

Stenografi membutuhkan 2 properti , yaitu wadah penampung dan data rahasia yang akan
diseembunyikan. Stenografi digital menggunakan media digital seebagai wadah
penampung misalnya citra audio, teks dan video.

Penyembunyian data rahasia ke dalam citra digital akan mengubah kualitas citra
tersebut.Hal ini tergantung pada ukuran file media penyimpan dan ukuran file pesan yang
disisipkan. Untuk itu ada beberaha hal yang harus diperhatikan:
1. Fidelity
Mutu citra penampung data tidak jauh berubah. Setalah terjadipenambahan pesan
rahsia stego-data masih terliahat dengan baik. Pebengamatan tidak mengetahui
kalaudi dalam stego-data tersebut terdapat pesan rahasia.
2. Robustness
Pesan yang di sembunyikan harus tahan (robust) terhadap berbagai operasi
manipulasi yang dilakukan pada stego-data, seperi pengubahan kontras, penajaman,
penempatan, rotasi, pembesaran gambar, pemotongan cropping, enkripsi, dan
sebagainya. Bila pada citra penampung dilakukan operasi-operasi pengolahan citra
tersebut, maka pesan yang disembunyikan seharusnya tidak rusak ( tetap valid jika
diekstrasi kembali).
3. Recovery
Data yang disembunyakan harus dapat diungkapkan krmbali (recovery). Karena
tujuan steganografi adalah penyembunyian informasi maka sewaktu-waktu pesan
rahasia didalam stego-data harus dapat diambil kembali untuk digunakan lebih
lanjut.
37

Anda mungkin juga menyukai