MODUL
PENGOLAHAN CITRA
BAB I
PENDAHULUAN
A. Standar Kompetensi
1. Mahasiswa mampu memahami konsep dan teknik dasar pengolahan citra, mengenal tools
dalam pengolahan citra digital dan mampu mengimplementasikan algoritma pengolahan citra
dalam software dan aplikasi.
2. Mahasiswa memahami serta mengimplementasikan konsep dan metode Biomedical Signal &
Image Processing pada berbagai bidang.
3. Mahasiswa mampu memahami dan mengaplikasikan metodologi pengolahan citra.
B. Deskripsi
Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar,
audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut
multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web
(website) di Internet dibuat semenarik mungkin dengan menyertakan visualisasi berupa gambar
atau video yang dapat diputar. citra (image) adalah gambar pada bidang dwimatra (dua dimensi).
Dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya
pada bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari
berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat optik, misalnya mata pada
manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra
tersebut terekam. Pengolahan citra digital adalah manipulasi dan interprestasi digital dari citra
dengan bantuan komputer.
Citra digital merupakan fungsi intensitas cahaya f(x,y), harga x dan y merupakan koordinat
spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan tingkat kecemerlangan ataui
ntensitas cahaya citra pada titik tersebut; Citra digital adalah citra f(x,y) dimana dilakukan
diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat kecemerlangannya/keabuan
(kwantisasi); Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan
suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar/ piksel/
pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut. Ada2 proses
digitalisasi yakni sampling merupakan proses pengambilan nilai diskrit koordinat ruang (x,y)
dengan melewatkan citra melalui grid (celah). Kuantisasi merupakan proses pengelompokkan nilai
tingkat keabuan citra kontinu ke dalam beberapa level atau merupakan proses membagi skala
keabuan (0,L) menjadi G buah level yg dinyatakan dengan suatu harga bilangan bulat (integer),
dinyatakan sebagai G = 2mG : derajat keabuan, m : bil bulat positif. Citra digital berukuranN x M
dinyatakan dg matriks yg berukuran N baris danM kolom. Berarti penyimpanan untuk citra digital
yang disampling dengan N x M piksel dan dikuantisasi menjadi 2 m level derajat keabuannya
membutuhkan memori N x M x m. Warna pada citra diperlukan karena untuk analisis citra secara
otomatis, karena warna dapat menyerderhanakan proses identifikasi dan ekstraksi benda dari suatu
citra. Mata manusia dpt membedakan ribuan perubahan warna dengan berbagai intensitas, sedang
citra yg monokromati hanya dpt membedakan 2 lusin.
Di dalam matematika, fraktal merupakan sebuah kelas bentuk geometri kompleks yang umumnya
mempunyai "dimensi pecahan", sebuah konsep yang pertama kali diperkenalkan oleh
matematikawan Felix Hausdorff pada tahun 1918. Sering bentuk-bentuk fraktal bersifat
menyerupai diri sendiri (self-similar) – artinya setiap bagian kecil dalam sebuah fraktal dapat
dipandang sebagai replikasi skala kecil dari bentuk keseluruhan. Fraktal berbeda dengan gambar-
gambar klasik sederhana atau geometri Euclid – seperti bujur sangkar, lingkaran, bola, dsb. Fraktal
dapat digunakan untuk menjelaskan banyak obyek yang bentuknya tak beraturan atau fenomena
alam yang secara spasial tak seragam, seperti bentuk pantai atau lereng gunung. Istilah fraktal
(fractal) berasal dari kata Latin fractus (berarti "terpenggal" atau "patah"), dan diperkenalkan oleh
matematikawan kelahiran Polandia Benoit B. Mandelbrot.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.3
BAB II
PEMBELAJARAN
A. Rencana Belajar
Dosen :
1. Menjelaskan kontrak kuliah, ruang lingkup mata kuliah. dan konsep dasar pengolahan citra.
2. Memaparkan dan menjelaskan materi perkuliahan.
3. Membuat resume dari materi yang telah diterangkan.
4. Tanya jawab dan diberikan latihan soal terhadap individu
Mahasiswa:
1. Mendengarkan dan memberikan umpan balik.
2. Memberikan umpan balik terhadap hasil resume materi.
3. Menyelesaikan tugas dan tes.
B. Kegiatan Belajar
MODUL 1
A. TUJUAN
Mahasiswa mampu memahami konsep dan tehnik dasar pengolahan citra, mengenal tools dalam
pengolahan citra digital dan mampu mengimplementasikan algoritma pengolahan citra dalam software
dan aplikasiEra teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Data atau
informasi yang disajikan tidak hanya dalam bentuk teks, tetapi juga berupa gambar, audio (bunyi,
suara, musik), dan video. Citra (image) atau gambar sebagai salah satu komponen multimedia
memegang peranan penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak
dimiliki oleh data teks, yaitu citra kaya dengan informasi.
B. URAIAN MATERI
Secara harfiah Citra adalah data 2-D yang dapat ditampilkan (dilayar monitor, dicetak, difoto, dan
lain-lain).
Secara Matematis Citra adalah Fungsi kontinyu dari intensitas cahaya pada bidang 2-D.
Citra dapat bersifat:
• Optik berupa foto
• Analog berupa sinyal video seperti gambar pada monitor televisi
• Digital yang dapat langsung disimpan pada suatu pita magnetic
Representasi Citra :
• Citra Analog
• Citra Diskret
• Citra Digital
Jenis Citra :
Citra Diam (Still Image) Citra tunggal yang tidak bergerak.
Citra Bergerak (Moving Image) Rangkaian citra diam yang ditampilkan secara beruntun
(sekuensial) sehingga memberi kesan pada mata sebagai gambar yang bergerak. Setiap
citra dalam rangkaian itu disebut bingkai (Frame).
• Citra = gambar = image
Citra, menurut kamus Webster, adalah suatu representasi, kemiripan, atau imitasi dari suatu
objek atau benda misal :
- foto Anda mewakili entitas diri Anda sendiri di depan kamera
- foto sinar-X thorax mewakili keadaan bagian dalam tubuh seseorang
- data dalam suatu file BMP mewakili apa yang digambarkannya
• Citra, dari sudut pandang matematis, merupakan fungsi menerus (continue) dari intensitas cahaya
pada bidang 2 dimensi.
• Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya
menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan
cahaya ditangkap oleh alat-alat optik, misal mata manusia, kamera, scanner, sensor satelit, dsb,
kemudian direkam.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
1. optik berupa foto
2. analog berupa sinyal video seperti gambar pada monitor televisi
3. digital yang dapat langsung disimpan pada media penyimpan magnetik
Grafika Komputer
Adalah proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar
belakang yang terkandung pada gambar tersebut.
Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di alam nyata
(realism).
Bertujuan menghasilkan gambar/citra (lebih tepat disebut grafik/picture) dengan primitif-primitif
geometri seperti garis, lingkaran, dsb.
Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen
gambar. Data deskriptif : koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna, dsb.
Grafika komputer berperan dalam visualisasi dan virtual reality.
Pengolahan citra adalah pemrosesan citra, khususnya menggunakan computer, menjadi citra yang
kualitasnya lebih baik. Pengolahan citra dilakukan, jika:
Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau
menonjolkan beberapa aspek informasi yang terkandung di dalam citra.
1. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.
2. Sebagian citra perlu digabung dengan bagian citra yang lain.
Ada beberapa bidang studi yang terkait dengan data citra tetapi mempunyai tujuan berbeda, yaitu:
a. Grafika Komputer → menghasilkan citra Data Deskriptif → Grafika Komputer → Citra
b. Pengolahan Citra → memperbaiki citra Citra → Pengolahan Citra → Citra
c. Pengenalan Pola → mengenali suatu objek Citra → Pengenalan Pola →Deskripsi Objek
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh. Citra perlu
dimampatkan (image compression)
contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG
menjadi berukuran 49 KB.
6. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia
tersebut tidak diketahui orang (steganografi & watermarking)
COMPUTER VISION
Terminologi lain yang berkaitan erat dengan pengolahan citra adalah Computer Vision.
Computer vision = merupakan proses otomatis yang mengintegrasikan sejumlah besar proses
untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat
keputusan.
Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang
sesungguhnya sangat kompleks.
Manusia melihat dengan objek dengan indera penglihatan (mata), lalu citra objek diteruskan
ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam
pandangan mata. Hasil interpretasi ini digunakan untuk pengambilan keputusan (misal
menghindar kalau melihat ada mobil di depan).
Proses-proses dalam computer vision :
Memperoleh atau mengakuisisi citra digital
Operasi pengolahan citra
Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk
tujuan tertentu, misal memandu robot, mengontrol peralatan, dll.
Pengolahan citra merupakan proses awal pada computer vision, pengenalan pola
merupakan proses untuk menginterpretasi citra.
Image Enhancement (Perbaikan Kualitas Citra) Jenis operasi ini bertujuan untuk memperbaiki
kualitas citra dengan cara memanipulasi parameter-parameter citra. Contoh- contoh operasi
perbaikan citra adalah perbaikan kontras, tepi, penajaman, pewarnaan semu, penapisan derau.
Image Restoration (Pemugaran Citra) Operasi ini bertujuan untuk menghilangkan/
meminimumkan cacat pada citra. Contoh operasinya deblurring, denoising.
Image Compression (Pemampatan Citra) Jenis operasi ini dilakukan agar citra dapat
direprsentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih
sedikit.
Image Segmentation (Segmentasi Citra) Operasi ini bertujuan untuk memecah suatu citra ke dalam
beberapa segmen
Analisis Citra
Operasi ini bertujuan untuk menghitung besaran kuantitif dari citra untuk menghasilkan
deskripsinya. Contoh operasi ini adalah deteksi tepi, ekstraksi batas, dan representasi region.
Image Reconstruction (Rekonstruksi Citra) Operasi ini bertujuan untuk membentuk ulang objek
dari beberapa citra hasil.
Pengenalan Pola
Adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh
mesin (komputer).
Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra.
Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar
mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan
objek lainnya. Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin.
Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses
citra tersebut dan memberikan keluaran berupa informasi/deskripsi objek di dalam citra.
1.Photo Editing
2.Otomasi perkantoran
3.Media
4.Biometrik
5.Kedokteran (Medis)
6.Entertainment
C. RANGKUMAN
Citra (image) atau gambar sebagai salah satu komponen multimedia memegang peranan penting
sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data
teks, yaitu citra kaya dengan informasi.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.8
D. TUGAS
E. TES
MODUL 2
PEMBENTUKAN CITRA
A. TUJUAN
Mampu menjelaskan konversi citra dari anlog ke digital, penyajian citra digital dengan resolusi
dan tingkat keabuannya.
B. URAIAN MATERI
Sumber cahaya menyinari permukaan objek. Jumlah pancaran (iluminasi) cahaya yang diterima objek
pada koodinat (x,y) adalah i(x, y) atau L. Objek memantulkan cahaya yang diterimanya dengan derajat
pantulan r(x, y). Hasil kali antara i(x, y) dan r(x, y) menyatakan intensitas cahaya pada koordinat (x, y)
yang ditangkap oleh sensor visual nada sistem optik. Jadi, f(x,y) = i(x,y) . r(x,y) atau I = L . r
f(x,y) = i(x,y) . r(x,y) atau I = L . r yang dalam hal ini, 0 ≤ i(x,y) < ∞ 0 ≤ r(x,y) < 1
Nilai i(x, y) ditentukan oleh sumber cahaya, sedangkan r(x, y) ditentukan oleh karakteristik objek di
dalam gambar. Nilai r(x,y) = 0 mengindikasikan penerapan total, sedangkan r(x,y) = 1 menyatakan
pemantulan total.
Jika permukaan mempunyai derajat pemantulan nol, maka fungsi intensitas cahaya, f(x,y), juga nol.
Sebaliknya, jika permukaan mempunyai derajat pemantulan 1, maka fungsi intensitas cahaya sama
dengan iluminasi yang diterima oleh permukaan tersebut.
Pada umumnya citra Digital berbentuk empat persegipanjang, dan dimensi ukurannya dinyatakan
sebagai tinggi x lebar (atau lebar x panjang).
Proses digitalisasi citra ada dua macam :
1. Digitalisasi spasial (x, y), sering disebut sebagai penerokan (sampling)
2. Digitalisasi intensitas f(x,y),seiring disebut sebagai kuantisasi.
Citra digital mengandung sejumlah elemen-elemen dasar. Elemen-elemen dasar tersebut dimanipulasi
dalam pengolahan citra dan dieksploitasi lebih lanjnt dalam komputer vision. Elemen-elemen dasar
yang penting diantaranya adalah :
1. Kecerahan (brightness)
Kecerahan adalah kata lain untuk intensitas cahaya. Sebagaimana telah dijelaskan pada bagian
penerokan, kecerahan pada, sebuah- titik (pixel) di dalam citra bukanlah intensitas yang riil, tetapi
sebenarnya adalah intensitas rata-rata dari suatu area yang melingkupinya.
2. Kontras (contrast)
Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) di dalam sebuah gambar.
Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya adalah terang atau
sebagian besar gelap. Pada citra dengan kontras yang baik, komposisi gelap dan terang tersebar
secara merata.
3. Kontur (contour)
Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel yang
bertetangga. Karena adanya perubahan intensitas inilah mata mampu mendeteksi tepi-tepi (edge)
objek di dalam citra.
4. Warna (color)
Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang
cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang (k) yang
berbeda. Warna merah mempunyai panjang.
5. Bentuk (shape)
Shape adalah properti intrinsik dari objek tiga dimensi, dengan pengertian bahwa shape
merupakan properti intrinsik utama untuk Sistem visual manusia . Manusia lebih Bering
mengasosiasikan cbjek dengan bentuknya ketimbang elemen lainnya (warna misalnya). Pada
umumnya, citra yang dibentuk oleh mata merupakan citra dwimatra (2 dimensi), sedangkan objek
yang dilihat umumnya berbentuk trimatra (3 dimensi). Informasi bentuk objek dapat diekstraksi
dari citra pada permulaan prapengolahan dan segmentasi citra.
6. Tekstur (texture)
Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pixel-pixel
yang bertetangga. Tekstur tidak dapat didefinisikan untuk sebuah pixel.
Secara umum, elemen yang terlibat dalam pemrosesan citra dapat dibagi menjadi empat komponen :
a. digitizer
b. komputer digital
c. piranti tampilan
d. piranti penyimpanan
Digitizer terdiri dari tiga komponen dasar : sensor citra yang bekerja sebagai pengukur intensitas
cahaya, perangkat penjelajah yang berfungsi merekam hasil pengukuran intensitas pada seluruh bagian
citra, dan pengubah analog-ke-digital yang berfungsi melakukan penerokan dan kuantisasi. Komputer
digital yang digunakan pada sistem pemroses citra dapat bervariasi dari komputer mikro sampai
komputer besar yang mampu melakukan bermacam-- macam fungsi pada citra digital resolusi tinggi.
halus / kasarnya pembagian kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra digital
disebut digitalisasi (sampling). Misal hasil digitalisasi dengan jumlah baris 256 dan jumlah kolom
256 → resolusi spasial 256 x 256.
Resolusi kecemerlangan (intensitas / brightness)
halus / kasarnya pembagian tingkat kecemerlangan. Transformasi data analog yang bersifat
kontinue ke daerah intensitas diskrit disebut kuantisasi. Bila intensitas piksel berkisar antara 0 dan
255 → resolusi kecemerlangan citra adalah 256.
E. TES
1. Jelaskan proses pembentukan citra digital!
2. Jelaskan istilah berikut: a. piksel b. brightness c. citra bitmap d. resolusi e. resolusi spasial
3. Hitunglah memori yang dibutuhkan untuk sebuah citra format BMP 4 bit berukuran 648x 724
(tanpa header)!
4. Jelaskan jenis citra berdasarkan format penyimpanannya!
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.14
MODUL 3
A. TUJUAN
Citra digital direpresentasikan dengan matriks. Operasi pada citra digital pada dasarnya adalah
memanipulasi elemen-elemen matriks. Elemen matriks yang dimanipulasi dapat berupa elemen
tunggal (sebuah pixel), sekumpulan elemen yang berdekatan, atau keseluruhan elemen matriks. Di
dalam bab ini akan diuraikan operasi-operasi dasar pada pengolahan citra digital.
B. MATERI
Materi 1 : Image Prosesing
Image processing, image yang berarti gambar, memiliki banyak kegunaan dalam kehidupan sehari-
hari. Gambar memberikan suatu informasi, interpretasi, ilustrasi, evaluasi, komunikasi dan hiburan.
Image processing adalah suatu bentuk pengolahan atau pemrosesan sinyal dengan input berupa
gambar (image) dan ditransformasikan menjadi gambar lain sebagai keluarannya dengan teknik
tertentu. Image processing dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi
akibat transmisi dan selama akuisisi sinyal, serta untuk meningkatkan kualitas penampakan gambar
agar lebih mudah diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan manipulasi
dan juga penganalisisan terhadap gambar.
Jenis operasi ini bertujuan menghitung besaran kuantitatif dari citra masuk untuk menghasilkan
deskrpisinya. Teknik pengolahan citra mengekstraksi ciri-ciri tertentu yang membantu dalam
identifikasi objek. Proses segmentasi kadang diperlukan untuk melokalisasi objek yang diinginkan
dari sekelilingnya.
Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection)
b. Ektraksi batas (boundary)
c. Representasi daerah (region)
Rekonstruksi citra
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi
rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan
sinar X digunakan untuk membentuk ulang gambar organ tubuh.
Materi 3 : Aras Titik
1. Aras Titik
Operasi pada aras titik hanya dilakukan pada pixel tunggal di dalam citra. Operasi titik dikenal juga
dengan nama operasi pointwise. Operasi ini terdiri dari pengaksesan pixel pada lokasi yang diberikan,
memodifikasinya dengan operasi operasi lanjar (linear) atau nirlanjar (nonlinear), dan menempatkan
nilai pixel baru pada lokasi yang bersesuaian di dalam citra yang baru. Operasi ini diulangi untuk
keseluruhan pixel di dalam citra.
Secara matematis, operasi pada aras titik dinyatakan sebagai berikut :
fB(x, y) = Otitik{fA(x, y)}
2. Aras Lokal
Operasi pada aras lokal menghasilkan citra keluaran yang intensitas suatu pixel bergantung pada
intensitas pixel-pixel tetangganya.
fB(x, y)‟ = Olokal{fA(xi , yj ); (xi , yj ) Î N(x, y) }
(keterangan: N = neighborhood, yaitu pixel-pixel yang berada disekitar (x, y) )
MODUL 4
OPERASI ARITMATIKA
A. TUJUAN
Mahasiswa mampu memaparkan dan menjelaskan Operasi Aritmatik dan Geometri pada
Citra, Penambahan, Pengurangan, Perkalian Pixel Citra Rotasi, Translasi, Scalling Citra
Digital.
B. MATERI
Operasi-operasi yang dilakukan pada pengolahan citra dapat dikelompokkan ke dalam empat aras
(level) komputasi, yaitu aras titik, aras lokal, aras global, dan aras objek.
1. Aras Titik
Operasi pada aras titik hanya dilakukan pada pixel tunggal di dalam citra. Operasi titik dikenal juga
dengan nama operasi pointwise. Operasi ini terdiri dari pengaksesan pixel pada lokasi yang diberikan,
memodifikasinya dengan operasi operasi lanjar (linear) atau nirlanjar (nonlinear), dan menempatkan
nilai pixel baru pada lokasi yang bersesuaian di dalam citra yang baru. Operasi ini diulangi untuk
keseluruhan pixel di dalam citra.
Secara matematis, operasi pada aras titik dinyatakan sebagai :
fB(x, y) = Otitik{fA(x, y)}
fA dan fB masing-masing adalah citra masukan dan citra keluaran, Otitik dapat berupa operasi lanjar
(linear) atau nirlanjar (nonlinear).
Operasi lanjar adalah operasi yang dapat dinyatakan secara matematis sebagai persamaan lanjar,
kebalikannya adalah persamaan nirlanjar.
Operasi pada aras titik dapat dibagi menjadi tiga macam: berdasarkan intensitas, berdasarkan
geometri, atau gabungan keduanya.
a. Berdasarkan intensitas.
Nilai intensitas u suatu pixel diubah dengan transformasi h menjadi nilai intensitas baru v:
v = h(u), u, v Î [0, L]
Contoh operasi titik berdasarkan intensitas adalah operasi pengambangan (thresholding). Pada operasi
pengambangan, nilai intensitas pixel dipetakan ke salah satu dari dua nilai, a1 atau a2, berdasarkan
nilai ambang (threshold) T:
Jika a1 = 0 dan a2 = 1, maka operasi pengambangan mentransformasikan citra hitam-putih ke citra
biner. Dengan kata lain, nilai intensitas pixel semula dipetakan ke dua nilai saja: hitam dan putih.
Nilai ambang yang dipakai dapat berlaku untuk keseluruhan pixel atau untuk wilayah tertentu saja
(berdasarkan penyebaran nilai intensitas pada wilayah tersebut).
Operasi ini dilakukan jika nilai intensitas pixel hasil suatu operasi pengolahan citra terletak di bawah
nilai intensitas minimum atau di atas nilai intensitas maksimum.
(iii) Pencerahan citra (image brightening)
Kecerahan citra dapat diperbaiki dengan menambahkan (atau mengurangkan) sebuah konstanta kepada
(atau dari) setiap pixel di dalam citra.
Secara matematis operasi ini ditulis sebagai f(x, y)‟ = f(x, y) + b. Jika b positif, kecerahan citra
bertambah, sebaliknya jika b negatif kecerahan
citra berkurang.
b. Berdasarkan geometri.
Posisi pixel diubah ke posisi yang baru, sedangkan intensitasnya tidak berubah. Contoh operasi titik
berdasarkan geometri misalnya pemutaran (rotasi), pergeseran (translasi), penskalaan (dilatasi),
pembetulan erotan (distorsi) geometr..
c. Gabungan intensitas dan geometri.
Operasi ini tidak hanya mengubah nilai intensitas pixel, tapi juga mengubah posisinya. Misalnya
image morphing, yaitu perubahan bentuk objek beserta nilai intensitasnya.
2. Aras Lokal
Operasi pada aras lokal menghasilkan citra keluaran yang intensitas suatu pixel bergantung pada
intensitas pixel-pixel tetangganya
fB(x, y)‟ = Olokal{fA(xi, yj); (xi, yj) Î N(x, y) }
(keterangan: N = neighborhood, yaitu pixel-pixel yang berada di sekitar (x, y) )
3. Aras Global
Operasi pada aras global menghasilkan citra keluaran yang intensitas suatu pixel bergantung pada
intensitas keseluruhan pixel.
fB(x, y)‟ = Oglobal{fA(x, y)}
4. Aras Objek
Operasi jenis ini hanya dilakukan pada objek tertentu di dalam citra. Tujuan dari operasi pada aras
objek adalah untuk mengenali objek tersebut, misalnya dengan menghitung rata-rata intensitas,
ukuran, bentuk, dan karakteristik lain dari objek. Operasi aras objek adalah operasi yang sangat sulit,
karena sebelumnya kita harus dapat menjawab: apakah objek itu, bagaimana menemukannya
Hasil pengurangan citra kedua dengan gambar pertama menghasilkan citra yang latar belakangnya
hitam, sedangkan latar depannya (objek orang) berwarna putih.
3) Perkalian Citra
Persamaannya: C(x, y) = A(x, y) B(x, y)
Perkalian citra sering digunakan untuk mengoreksi kenirlanjaran sensor dengan cara mengalikan
matriks citra dengan matrik koreksi. Jadi, dalam hal ini A adalah citra sedangkan B adalah matriks
koreksi. Hasil operasi mungkin bernilai riil, karena itu semua nilai dibulatkan ke nilai bulat
terdekat, nilai maksimum adalah 255.
4) Penjumlahan/pengurangan citra dengan scalar
Persamaannya: B(x, y) = A(x, y) ± c
Penjumlahan citra A dengan skalar c adalah menambah setiap pixel di dalam citra dengan sebuah
skalar c, dan menghasilkan citra baru B yang intensitasnya lebih terang daripada A. Kenaikan
intensitas sama untuk seluruh pixel, yaitu c.
5) Perkalian/pembagian Citra dengan Skalar
Persamaannya: B(x, y) = c × A(x, y), dan B(x, y) = A(x, y) / c (4.15)
Perkalian citra A dengan skalar c menghasilkan citra baru B yang intensitasnya lebih terang
daripada A. Kenaikan intensitas setiap pixel sebanding dengan c. Operasi perkalian citra dengan
skalar dipakai untuk kalibrasi kecerahan (callibration of brightness). Pembagian citra A dengan
skalar c menghasilkan citra baru B yang intensitasnya lebih gelap daripada A. Penurunan
intensitas setiap pixel berbanding terbalik dengan c. Operasi pembagian citra dengan skalar
dipakai untuk normalisasi kecerahan (normalization of brightness).
Flipping horizontal adalah pencerminan pada sumbu-Y (cartesian) dari citra A menjadi citra B,
yang diberikan oleh:
B[x][y] = A[N – x][y]
Flipping vertikal adalah pencerminan pada sumbu-X (cartesian) dari citra A menjadi citra B, yang
diberikan oleh:
B[x][y] = A[x][M – y]
Pencerminan pada titik asal (cartesian) dari citra A menjadi citra B diberikan oleh:
B[x][y] = A[N – x][M – y]
Pencerminan pada garis x = y dari citra A menjadi citra B diberikan oleh:
B[x][y] = A[y][x]
C. RANGKUMAN
Citra digital dipresentasikan dengan matriks. Operasi pada citra digital pada dasarnya
adalah memanipulasi elemen-elemen matriks. Elemen matriks yang dimanipulasi dapat
berupa elemen tunggal (sebuah pixel), sekumpulan elemen yang berdekatan, atau
keseluruhan elemen matriks.
D. TUGAS
1. Membuat resume dari materi yang telah diterangkan.
2. Tanya jawab dan diberikan latihan soal terhadap individu.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.20
MODUL 5
KONVOLUSI DAN TRANSFORMASI FOURIER
A. TUJUAN
Mahasiswa mampu memahami konsep konvolusi dan transformasi fourier.
B. MATERI
Materi 1 : Konvolusi
Konvolusi berguna pada proses pengolahan citra seperti:
- perbaikan kualitas citra (image enhancement)
- penghilangan derau - mengurangi erotan
- penghalusan/pelembutan citra
- deteksi tepi, penajaman tepi
Teori Konvolusi
Operasi yang mendasar dalam pengolahan citra adalah operasi konvolusi. Konvolusi 2 buah fungsi
f(x) dan g(x) didefinisikan sebagai berikut:
yang dalam hal ini, tanda * menyatakan operator konvolusi, dan peubah (variable) a adalah peubah
bantu (dummy variable). Untuk fungsi diskrit, konvolusi didefinisikan :
Pada operasi konvolusi di atas, g(x) disebut kernel konvolusi atau kernel penapis (filter). Kernel g(x)
merupakan suatu jendela yang dioperasikan secara bergeser pada sinyal masukan f(x), yang dalam hal
ini, jumlah perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan
dengan keluaran h(x).
Konvolusi Pada Fungsi Dwimatra
Untuk fungsi dengan dua peubah (fungsi dua dimensi atau dwimatra), operasi konvolusi didefinisikan
sebagai berikut:
a) Fungsi Malar
b) Fungsi Diskrit
Fungsi penapis g(x,y) disebut juga convolution filter, convolution mask, convolution kernel, atau
template. Dalam ranah diskrit kernel konvolusi dinyatakan dalam bentuk matriks (umumnya 3 x 3,
namun ada juga yang berukuran 2 x 2 atau 2 x 1 atau 1 x 2). Ukuran matriks ini biasanya lebih kecil
dari ukuran citra. Setiap elemen matriks disebut koefisien konvolusi.
Satu cara mengurangi waktu komputasi adalah mentransformasi citra dan kernel ke dalam ranah
frekuensi (dengan menggunakan Transformasi Fourier. Konvolusi dilakukan dalam ranah waktu.
Keuntungan utama dari penggunaan ranah frekuensi adalah proses konvolusi dapat diterapkan dalam
bentuk perkalian langsung. Proses perubahan fungsi dari ranah ranah spasial ke ranah frekuensi
dilakukan melalui Transformasi Fourier. Sedangkan perubahan fungsi dari ranah frekuensi ke ranah
spasial dilakukan melalui Transformasi Fourier Balikan (invers).
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.21
Transformasi Fourier adalah kakas (tool) untuk mengubah fungsi dari ranah waktu/spasial ke ranah
frekuensi. Untuk perubahan sebaliknya digunakan Transformasi Fourier Balikan. Intisari dari
Transformasi Fourier adalah menguraikan sinyal atau gelombang menjadi sejumlah sinusoida dari
berbagai frekuensi, yang jumlahnya ekivalen dengan gelombang asal.
transformasi Fourier digunakan untuk menganalisis frekuensi pada operasi seperti perekaman citra,
perbaikan kualitas citra, restorasi citra, pengkodean, dan lain-lain. Dari analisis frekuensi, kita dapat
melakukan perubahan frekuensi pada gambar. Perubahan frekuensi berhubungan dengan spektrum
antara gambar yang kabus kontrasnya samapi gambar yang kaya akan rincian visualnya. Sebagai
contoh, pada proses perekaman citra mungkin terjadi pengaburan kontras gambar.
Pada gambar yang mengalami kekaburan kontras terjadi perubahan intensitas secara perlahan, yang
berarti kehilangan informasi frekuensi tinggi. Untuk meningkatkan kualitas gambar, kita
menggunakan penapis frekuensi tinggi sehingga pixel yang berkontras kabur dapat dinaikkan
intensitasnya.
Baik transformasi Fourier maupun Transformasi Fourier Balikan keduanya dinamakan pasangan
transformasi Fourier.
Untuk f(x) real, F(u) adalah fungsi kompleks dan dapat dituliskan sebagai:
C. RANGKUMAN
Dua operasi matematis penting yang perlu dipahami dalam mempelajari pengolahan citra dijital adalah
operasi konvolusi dan Transformasi Fourier. Konvolusi terdapat pada operasi pengolahan citra yang
mengalikan sebuah citra dengan sebuah mask atau kernel (akan dijelaskan kemudian), sedangkan
Transformasi Fourier dilakukan bila citra dimanipulasi dalam ranah (domain) frekuensi ketimbang
dalam ranah spasial.
D. TUGAS
1. Membuat resume dari materi yang telah diterangkan.
2. Tanya jawab dan diberikan latihan soal terhadap individu.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.23
MODUL 6
Warna-warna yang diterima oleh mata manusia merupakan hasil kombinasi cahaya dengan panjang
gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang
warna yang paling lebar adalah red (R), green (G), dan blue (B). Ketiga warna tersebut dinamakan
warna pokok (primaries), dan sering disingkat sebagai warna warna dasar RGB.
Selain RGB, warna juga dapat dimodelkan berdasarkan atribut warnanya. Setiap warna memiliki 3
buah atribut, yaitu intensity (I), hue (H), dan saturation (S). a. Intensity/brightness/luminance Atribtu
yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna. Kisaran
nilainya adalah antara gelap (hitam) dan terang (putih). b. Hue Menyatakan warna sebenarnya, seperti
merah, violet,dan kuning. Hue digunakan untuk membedakan warna-warna dan menentukan
kemerahan (redness), kehijauan (greenness), dsb, dari cahaya. Hue berasosiasi dengan panjang
gelombang cahaya, dan bila kita menyebut warna merah, violet, atau kuning, kita sebenarnya
menspesifikasikan hue-nya. c. Saturation Menyatakan tingkat kemurnian warna cahaya cahaya, yaitu
mengindikasi seberapa banyak warna putih diberikan pada warna.
Jika suatu warna mempunyai saturation = 0, maka warna tersebut tanpa hue, yaitu dibuat dari warna
putih saja. Jika saturation = 225, maka tidak ada warna putih yang ditambahkan pada wana tersebut
saturation dapat digambarkan sebagai panjang garis dari titik pusat lingkaran ke titik warna. Intensity
nilainya dari gelap sampai terang (dalam praktek, gelap = 0, terang=225). Intensity dapat digambarkan
sebagai garis vertikal yang menembus pusat lingkaran. Ketiga atribut warna (I, H, dan S) digambarkan
dalam model IHS (ada juga yang menyebutkan model HSV, dengan V = Value = I )
CIE (Commission Internasional de l‟Elclairege) atau internasional lighting Committee adalah lembaga
yang membakukan warna pada tahun 1931. CIE mula-mula menstandarkan panjang gelombang
warna-warna pokok sebagai berikut: R : 700 nm G : 546.1 nm B : 435.8 nm Warna-warna lain dapat
dihasikan dengan mengkombinasikan ketiga warna pokok tersebut. Warna lain dapat juga digunakan
sebagai warna pokok (misalnya C = Cyan, M = magenta, dan Y = Yellow),
Kromatisitas (chromaticity of color) masing-masing warna pokok, menunjukkan persentase relative
untuk warna pokok di antara warna pokok lainnya pada warna yang diberikan, yang didefenisikan
sebagai :
Warna putih acuan dinyatakan dengan X = Y = Z = 1. Jumlah seluruh nilai kromatis warna adalah
satu:
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.24
MODUL 7
PENINGKATAN MUTU CITRA
A. TUJUAN
Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar
hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu.
B. MATERI
Materi 1 : Point Processing
Cara paling mudah untuk melakukan peningkatan mutu pada domain spasial adalah dengan melakukan
pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan). Jenis
Teknik Peningkatan Mutu Citra :
Peningkatan mutu citra pada domain spasial
Point Processing
Mask Processing
Peningkatan mutu citra pada domain frekuensi
Pengolahan menggunakan histogram juga termasuk dalam bagian point processing.
1) Image Negative
Mengubah nilai grey-level piksel citra input dengan:
Gbaru = 255 – Glama
Hasilnya seperti klise foto
2) Contrast Stretching
Mengubah kontras dari suatu image dengan cara mengubah greylevel pikselpiksel pada citra
menurut fungsi s = T(r) tertentu
r1 ≤ r2, s1 ≤ s2
r1 = r2, s1 = s2 --> tidak ada perubahan
r1 = r2, s1 = 0, s2 = 255 --> tresholding menjadi citra biner dengan ambang r1
Fungsi lain yang baik digunakan adalah:
fout = (fin – a) * b
a = min(fin )
b = 255 / (max(fin) – min(fin))
Citra masukan yang grey level nya tidak penuh dari 0 – 255 (low constrast) diubah menjadi citra
yang grey level nya berkisar dari 0 – 255 (high contrast)
3) Histogram Equalization
Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga
berubah. Histogram: diagram yang menunjukkan jumlah kemunculan grey level (0-255) pada
suatu citra
Histogram processing:
Gambar gelap: histogram cenderung ke sebelah kiri
Gambar terang: histogram cenderung ke sebelah kanan
Gambar low contrast: histogram mengumpul di suatu tempat
Gambar high contrast: histogram merata di semua tempat
Histogram Equalization in all grey level and all area : mengubah pemetaan greylevel agar sebarannya
(kontrasnya) lebih menyebar pada kisaran 0-255.
Sifat:
Grey level yang sering muncul lebih dijarangkan jaraknya dengan grey level sebelumnya
Grey level yang jarang muncul bisa lebih dirapatkan jaraknya dengan grey level sebelumnya
Histogram baru pasti mencapai nilai maksimal keabuan (contoh: 255)
Sifat:
Grey level yang sering muncul lebih dijarangkan jaraknya dengan grey level sebelumnya.
Grey level yang jarang muncul bisa lebih dirapatkan jaraknya dengan grey level sebelumnya.
Histogram baru pasti mencapai nilai maksimal keabuan (contoh: 255)
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.26
E. RANGKUMAN
Perbaikan kualitas citra (image enhancement) merupakan salah satu proses dalam pengolahan citra
(image preprocessing). Perbaikan kualitas diperlukan karena seringkali citra yang dijadikan obiek
pembahasan mempunyai kualitas yang buruk, misalnya citra mengalami derau (noise) pada saat
pengiriman melalui saluran transmisi, citra terlalu terang/gelap, citra kurang tajam, kabur, dan
sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki sehingga citra dapat
digunakan untuk aplikasi lebih lanjut, misalnya untuk aplikasi pengenalan (recognition) objek di
dalam citra
F. TUGAS
1. Membuat resume dari materi yang telah diterangkan.
2. Tanya jawab dan diberikan latihan soal terhadap individu.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.27
MODUL 8
HISTOGRAM CITRA
A. TUJUAN
Mahasiswa mampu membuat grafik (histogram) yang menggambarkan frekuensi. Mampu
membuat Algoritma Perhitungan Histogram.
B. MATERI
Materi 1 : Defenisi Histogram
Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu
citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan
nisbi (relative) dari intensitas pada citra tersebut. Histogram juga dapat menunjukkan banyak hal
tentang kecerahan (brightness) dan kontas (contrast) dari sebuah gambar. histogram adalah alat bantu
yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif.
Materi 2 : Membuat Histogram
Informasi penting mengenai isi citra digital dapat diketahui dengan membuat histogram citra.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu
citra atau bagian tertentu di dalam citra. Dari sebuah histogram dapat diketahui frekuensi kemunculan
nisbi (relative) dari intensitas pada citra tersebut. Histogram juga dapat menunjukkan banyak hal
tentang kecerahan (brightness) dan kontas (contrast) dari sebuah gambar. Karena itu, histogram adalah
alat bantu yang berharga dalam pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif.
Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0 sampai L – 1 (misalnya pada citra
dengan kuantisasi derajat keabuan 8-bit, nilai derajat keabuan dari 0 sampai 255). Secara matematis
histogram citra dihitung dengan rumus
Plot hi versus fi dinamakan histogram. secara grafis histogram ditampilkan dengan diagram batang.
Perhatikan persamaan berikut bahwa nilai ni telah dinormalkan dengan membaginya dengan n. Nilai
hi berada di dalam selang 0 sampai 1.
Sebagai contoh, misalkan matriks di bawah ini menyatakan citra dijital yang berukuran 8 x 8 pixel
dengan derajat keabuan dari 0 sampai 15 (ada 16 buah derajat keabuan):
Citra masukan mempunyai 256 derajat keabuan yang nilai-nilainya dari 0 sampai 255. Intensitas pixel
disimpan di dalam Image[0..N-1][0..M-1], sedangkan histogram disimpan di dalam tabel Hist[0..255] .
Khusus untuk citra berwarna, histogramnya dibuat untuk setiap kanal RGB (merah, hijau, dan biru).
Misalnya citra berwarna pepper 512 x 512 pixel 8-bit,
Histogram citra banyak memberikan informasi penting sebagai berikut:
1.
2. Puncak histogram menunjukkan intensitas pixel yang menonjol. Lebar dari puncak menunjukkan
rentang kontras dari gambar. Citra yang mempunyai kontras terlalu terang (overexposed) atau terlalu
gelap (underexposed) memiliki histogram yang sempit. Histogramnya terlihat hanya menggunakan
setengah dari daerah derajat keabuan. Citra yang baik memiliki histogram yang mengisi daerah derajat
keabuan secara penuh dengan distribusi yang merata pada setiap nilai intensitas pixel.
Gambar (a) citra gelap, (b) citra terang, (c) citra normal (normal brightness), (d) normal brightness dan
high contrast
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.29
MODUL 9
SEGMENTASI CITRA
A. TUJUAN
Mahasiswa mampu deteksi titik, deteksi garis, deteksi sisi Dapat menggunakan mask/kernel,
berbeda untuk setiap jenis deteksi.
B. MATERI
Materi 1 : Segmentasi Citra Digital
Segmentasi merupakan proses mempartisi citra menjadi beberapa daerah atau objek.
Segmentasi citra pada umumnya berdasar pada sifat discontinuity atau similarity dari intensitas pixel.
Pendekatan discontinuity: mempartisi citra bila terdapat perubahan intensitas secara tiba-tiba (edge
based). Pendekatan similarity: mempartisi citra menjadi daerah-daerah yang memiliki kesamaan sifat
tertentu (region based), contoh thresholding, region growing, region splitting and merging.
Adapun dalam proses segmentasi citra itu sendiri terdapat beberapa algoritma diantaranya : algoritma
Deteksi Titik, Deteksi Garis, dan Deteksi Sisi (berdasarkan Operator Robert dan Operator Sobel).
Gonzalez dan Wintz (1987) menyatakan bahwa segmentasi adalah proses pembagian sebuah citra ke
dalam sejumlah bagian atau objek. Segmentasi merupakan suatu bagian yang sangat penting dalam
analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan disadap untuk
proses selanjutnya, misalnya : pada pengenalan pola. Algoritma segmentasi didasarkan pada 2 buah
karakteristik nilai derajat kecerahan citra, yaitu: discontinuity dan similarity. Pada item pertama, citra
dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya. Aplikasi yang
umum adalah untuk deteksi titik, garis, area dan sisi citra. Pada kategori kedua, didasarkan atas
tresholding, region growing, dan region spiltting and merging. Prinsip segmentasi citra bisa diterapkan
untuk citra yang statis maupun dinamis. Segmentasi citra adalah membagi suatu citra menjadi
wilayah-wilayah yang homogen.
Segmentasi bertujuan untuk memilih dan mengisolasikan (memisahkan) suatu objek dari keseluruhan
citra. Segmentasi terdiri dari downsampling, penapisan, dan deteksi tepian. Tahap downsampling
merupakan proses untuk menurunkan jumlah piksel dan menghilangkan sebagian informasi dari citra.
Dengan resolusi citra yang tetap, downsampling menghasilkan ukuran citra yang lebih kecil. Tahap
segmentasi selanjutnya adalah penapisan dengan filter median, hal ini dilakukan untuk menghilangkan
derau yang biasanya muncul pada frekuensi tinggi pada spektrm citra. Pada penapisan dengan filter
median, gray level citra pada setiap piksel digantikan dengan nilai median dari gray level pada piksel
yang terdapat pada window filter. Tahap yang terakhir pada proses segmentasi yaitu deteksi tepian.
Pendekatan algoritma Canny dilakukan berdasarkan konvolusi fungsi citra dengan operator Gaussian
dan turunan-turunannya. Pendeteksi tepi ini dirancang untuk mempresentasikan sebuah tepian yang
ideal, dengan ketebalan yang diinginkan. Secara umum, proses segmentasi sangat penting dan secara
langsung akan menentukan keakurasian sistem dalam proses identifikasi iris mata.
• Segmentasi
Memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek tersendiri.
Membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan
tertentu antara derajat keabuan suatu piksel dengan derajat keabuan piksel-piksel tetangganya.
Ada bermacam-macam teknik segmentasi, semuanya digolongkan dalam 2 jenis berdasarkan cara
kerjanya, yaitu :
1. Segmentasi berdasarkan intensitas warna (derajat keabuan)
2. Segmentasi berdasarkan karakteristik
pembagian citra dengan mebagi histogram citra. Segmentasi Berdasarkan Intensitas Warna, berikut
langkah-langkahnya:
1. Cari intensitas maksimum dan minimum yang digunakan dalam citra.
2. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah N. N ini menentukan
jumlah objek yang diharapkan ada pada gambar.
3. Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-bagian yang disebut cluster
(kelompok). Kemudian pada citra dilakukan penelusuran untuk seluruh titik, setiap titik akan
digrupkan ke cluster terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada
gambar menjadi N.
4. Cari hasil rata-rata /mean dari seluruh titik pada setiap cluster, kemudian mengganti warna seluruh
titik dalam cluster-cluster tersebut dengan rata-rata dari cluster masing-masing.
Kelemahannnya:
Harus tahu dengan tepat berapa jumlah objek yang ada pada citra
Citra hasil kurang bagus jika pada citra terdapat beberapa objek dengan warna pada masing-
masing objeknya bervariasi atau pada setiap objek memiliki warna yang sama.
2. Segmentasi berdasarkan karakteristik
Cara lain yang biasa digunakan adalah berdasarkan karakteristik objek pada citra yaitu
mengelompokkan bagian-bagian citra yang memiliki karakteristik yang sama berupa perubahan warna
antara titik yang berdekatan, nilai rata-rata dari bagian citra tersebut. Untuk menghitung/menentukan
karakteristik digunakan perhitungan statistik seperti varian, standard deviasi, teori probabililitas,
fourier transform, dll. Salah satu teknik segmentasi berdasarkan karakteristik adalah split and merge
(membagi kemudian menggabungkan). Berikut langkah-langkahnya:
1. Bagi citra menjadi 4 bagian
2. Dari 4 bagian tersebut dilakukan perhitungan karakteristik masing-masing.
3. Bagian dari citra yang memiliki karakteristik yang sama akan digabungkan dan dianggap satu
bagian, sedangkan yang tidak, akan dibagi lagi menjadi 4 bagian dan dilakukan perhitungan
karakteristik dan dilakukan lagi proses penggabungan bagian yang sama. Demikian seterusnya
sehingga diperoleh hasil dari proses segmentasi.
mereka. Pengembangan watermark pada data digital tahun 1990 di Jepang dan Swiss tahun
1993.
Kriteria penyembunyian data (steganografi) yang bagus :
o Fidelity
Setelah penambahan data rahasia, mutu citra penampung tidak jauh berubah, masih terlihat
dengan baik. Pengamat tidak mengetahui kalau di dalam citra tersebut terdapat data
rahasia.
o Robustness
Data yang disembunyikan harus tahan (robust) terhadap berbagai operasi manipulasi yang
dilakukan pada citra penampung, seperti pengubahan kontras, penajaman, kompresi, zoom,
cropping, dsb. Data yang disembunyikan seharusnya tidak rusak dan tetap valid jika
diekstraksi kembali.
o Recovery
Data yang disembunyikan harus dapat diambil kembali untuk digunakan lebih lanjut.
Teknik penyembunyian data
Dilakukan dengan mengganti bit-bit data di dalam segmen citra dengan bit-bit data rahasia
Banyak metode penyembunyian data diantaranya yang paling sederhana adalah metode
modifikasi LSB (Least Significant Bit Modification)
Pada susunan bit dalam 1 byte (8 bit) ada bit yang paling berarti (Most Significant Bit / MSB)
dan bit yang paling kurang berarti (Least Significant Bit / LSB)
Misal pada byte 11010010
Penggantian dilakukan pada bit LSB, karena hanya mengubah nilai byte tersebut satu lebih
tinggi atau satu lebih rendah dari nilai sebelumnya. Jadi perubahan 1 bit LSB tidak mengubah
warna tersebut secara berarti, mata manusia tidak dapat membedakan perubahan yang kecil..
Teknik pengungkapan data
Posisi byte yang menyimpan bit data rahasia diketahui dari bilangan acak yang
dibangkitkan oleh PRNG
Digunakan kunci yang sama untuk membangkitkan bilangan acak
Bilangan acak yang dihasilkan sama dengan bilangan acak yang dipakai pada waktu
penyembunyian data, sehingga bit-bit data rahasia yang bertaburan pada citra dapat
dikumpulkan kembali.
IDH
C. RANGKUMAN
Bertujuan untuk mendapatkan segemntasi dengan wilayah-wilayah yang tertutup dan bersambungan
Prosedur: Lakukan proses deteksi sisi untuk menhasilkan citra sisi (piksel edge dan piksel non-edge)
Lakukan pemisahan wilayah dengan metode connected region. Connected regions adalah set piksel 4-
tetangga yang bukan piksel edge. Selanjutnya dilakukan proses merging regions dengan rumusan-
rumusan tertentu.
D. TUGAS
1. Membuat resume dari materi yang telah diterangkan.
2. Tanya jawab dan diberikan latihan soal terhadap individu.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.33
MODUL 10
B. MATERI
Materi 1 : Pengantar
Pemampatan citra kadang-kadang disalah mengertikan dengan pengkodean citra (image encoding),
yaitu persoalan bagaimana pixel-pixel di dalam citra dikodekan dengan representasi tertentu.
Pengkodean citra yang menghasilkan representasi memori yang lebih sedikit daripada representasi
aslinya itulah yang dinamakan pemampatan citra. Ada dua proses utama dalam persoalan pemampatan
citra :
1. Pemampatan citra (image compression)
Citra dalam representasi tidak mampat dikodekan dengan representasi yang meminimumkar
kebutuhan memori. Citra dengan format bitmap pada umumnya tidak dalam bentuk mampat.
Citra yang sudah dimampatkan disimpan ke dalam arsip dengan format tertentu.
2. Penirmampatkan citra (image decompression)
Citra yang sudah dimampatkan harus dapat dikembalikan lagi (decoding) menjadi representasi
yang tidak mampat. Proses ini diperlukan jika citra tersebut ditampilkan ke layar atau disimpan ke
dalam arsip dengan format tidak mampat.
Pemampatan citra bermanfaat untuk aplikasi yang melakukan :
a. Pengiriman data (data transmission) pada saluran komunikasi data Citra yang telah dimampatkan
membutuhkan waktu pengiriman yang lebih singkat dibandingkan dengan citra yang tidak
dimampatkan. Contohnya aplikasi pengiriman gambar lewat fax, video conferencing, pengiriman
data medis, pengiriman gambar dari satelit luar angkasa, pengiriman gambar via telepon
genggam. download gambar dari internet. dan sebagainya.
b. Penyimpanan data (data storing) di dalana media sekunder (storage) Citra yang telah
dimampatkan membutuhkan ruang memori di dalam media storage yang lebih sedikit
dibandingkan dengan citra yang tidak dimampatkan. Contoh aplikasinya antara lain aplikasi basis
data gambar, office automation, video storage (seperti Video Compact Disc), dll.
sedikit dibandingkan dengan memampatkan citra yang mengandung banyak objek (misalnya citra
pemandangan alam).
3. Kualitas pemampatan (fidelity) Informasi yang hilang akibat pemampatan seharusnya seminimal
mungkin sehingga kualitas hasil pemampatan tetap dipertahankan. Kualitas pemampatan dengan
kebutuhan memori biasanya berbanding terbalik. Kualitas pemampatan yang bagus umumnya
dicapai pada proses pemampatan yang menghasilkan pengurangan memori yang tidak begitu
besar, demikian pula sebaiknya.
Ukuran kualitas hasil pemampatan citra menjadi ukuran kuantitatif dengan menggunakan besaran
PSNR (peak signal-to-noise ratio). PSNR dihitung untuk mengukur perbedaan antara citra semula
dengan citra hasil pemampatan (tentu saja citra hasil pemampatan harus dimampatkan terlebih dahulu)
dengan citra semula, dengan rumus :
dengan b adalah nilai sinyal terbesar (pada citra hitam-putih, b = 255) dan rms adalah akar pangkat
dua dari selisih antara citra semula dengan citra hasil pemampatan. Nila rms dihitung dengan rumus :
f dan f ' masing-masing menyatakan nilai pixel citra semula dan nilai pixel citra hasil pemampatan.
PSNR memiliki satuan decibel (M). Semakin besar nilai PSNR, semakin bagus kualitas
pemampatannya. Seberapa besar nilai PSNR yang bagus tidak dapat dinyatakan secara eksplisit,
bergantung pada citra yang dimampatkan.
Klasifikasi Metode Pemampatan Metode pemampatan citra dapat diklasifiksikan ke dalam dua
kelompok besar :
1. Metode lossless Metode lossless selalu menghasilkan citra hasil penirmampatan yang tepat sama
dengan citra semula, pixel per pixel. Tidak ada informasi yang hilang akibat pemampatan.. Contoh
metode lossless adalah metode Human. Nisbah pemampatan citra, dihitung dengan rumus :
Metode lossless cocok untuk memampatkan citra yang mengandung informasi penting yang tidak
boleh rusak akibat pemampatan. Misalnya memampatkan gambar hasil diagnosa medis.
2. Metode lossy menghasilkan citra hasil pemampatan yang hampir sama dengan citra semula. Ada
informasi, yang hilang akibat pemampatan, tetapi dapat ditolerir oleh persepsi mata. Mata tidak
dapat membedakan perubahan kecil pada gambar. Metode pemampatan lossy menghasilkan nisbah
pemampatan yang tinggi daripada metode lossless.
pixel di dalam citra semula, akan dimampatkan menjadi n derajat keabuan. Algoritmanya adalah
sebagai berikut :
Algoritma metode kuantisasi:
1. Buat histogram citra semula. (citra yang akan dimampatkan).
2. Identifikasi n buah kelompok di dalam histogram sedemikian sehingga setiap kelompok
mempunyai kira-kira Pln buah pixel.
3. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n – 1. Setiap pixel di dalam kelompok
dikodekan kembali dengan nilai derajat keabuan yang baru.
Metode Pemampatan Fraktal
Metode pemampatan fraktal adalah metode yang relatif baru. Prinsipnya adalah mencari bagian di
dalam citra yang memiliki kemiripan dengan bagian lainya namun ukurannya lebih besar (self
similarity). Kemudian dicari matriks yang mentransformasikan bagian yang lebih besar tersebut
dengan bagian yang lebih kecil. Hanya menyimpan elemen-elemen dari sekumpulan matriks
transformasi tersebut (yang disebut matriks transformasi affine). Pada proses penirmampatan, matriks
transformasi affine di-iterasi sejumlah kali terhadap sembarang citra awal. Hasil iterasi akan
konvergen ke citra semula. Metode ini menghasilkan nisbah pemampatan yang tinggi namun waktu
pemarnpatannya relatif lama, sedangkan waktu penirmampatannya berlangsung cepat.
Semakin besar ukuran citra, semakin besar memori yang dibutuhkan. Namun kebanyakan citra
mengandung duplikasi data, yaitu :
suatu piksel memiliki intensitas yang sama dengan dengan piksel tetangganya, sehingga
penyimpanan setiap piksel memboroskan tempat
citra banyak mengandung bagian (region) yang sama, sehingga bagian yang sama ini tidak
perlu dikodekan berulangkali karena mubazir atau redundan
Contoh : citra langit biru dengan beberapa awan putih � banyak intensitas piksel dan region
yangsama
C. RANGKUMAN
Pemampatan citra atau kompresi citra (image compression) bertujuan meminimalkan kebutuhan
memori untuk merepresentasikan citra digital. Prinsip umum yang digunakan pada proses pemampatan
citra adalah mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan untuk
merepresentasikan citra, menjadi lebih sedikit daripada representasi citra semula.
D. TUGAS
1. Membuat resume dari materi yang telah diterangkan.
2. Tanya jawab dan diberikan latihan soal terhadap individu.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.37
MODUL 11
FRAKTAL
A. TUJUAN
Mahasiswa mampu memahami konsep frackal dan pemampatan citra fraktal
C. MATERI
Materi 1 : Defenisi Fraktal
Banyak fraktal memiliki sifat menyerupai dirinya, paling tidak hampir, jika tidak persis. Sebuah obyek
yang menyerupai dirinya adalah suatu obyek yang memiliki bagian-bagian pembentuk yang sama
dengan bentuk keseluruhan. Pengulangan detil atau pola ini terjadi pada skala yang lebih kecil secara
progresif, dan untuk kasus entitas abstrak murni, kontinyu secara terus-menerus, sehingga setiap
bagian dari setiap komponen jika diperbesar akan tampak seperti bagian tetap dari keseluruhan obyek.
Akibatnya, obyek-obyek yang serupa dirinya tetap tidak berubah bentuk sekalipun skalanya diubah,
yakni obyek tersebut memiliki skala simetris. Fenomeka fraktal sering dapat dideteksi pada obyek-
obyek seperti bongkahan-bongkahan salju (snowflake) dan kulit pohon. Semua fraktal alam jenis ini,
dan juga beberapa fraktal serupa dirinya dalam matematika bersifat stokastik, atau acak; bentuk-
bentuk tersebut berkembang secara statistiks.
Defenisi Fraktal :
Fraktal adalah benda geometris yang kasar pada segala skala, dan terlihat dapat "dibagibagi“
dengan cara yang radikal.
Fraktal dikatakan memiliki detil yang tak hingga dan dapat memiliki struktur serupa diri pada
tingkat perbesaran yang berbeda.
Pada banyak kasus, sebuah fraktal bisa dihasilkan dengan cara mengulang suatu pola, biasanya
dalam proses rekursif atau iteratif.
Fraktal (bidang matematika) :
Di dalam matematika, fraktal merupakan sebuah kelas bentuk geometri kompleks yang
umumnya mempunyai "dimensi pecahan",
Sebuah konsep yang pertama kali diperkenalkan oleh matematikawan Felix Hausdorff pada
tahun 1918.
Sering bentuk-bentuk fraktal bersifat menyerupai diri sendiri (self-similar) – artinya setiap
bagian kecil dalam sebuah fraktal dapat dipandang sebagai replikasi skala kecil dari bentuk
keseluruhan. Fraktal berbeda dengan gambar-gambar klasik sederhana atau geometri Euclid –
seperti bujur sangkar, lingkaran, bola, dsb.
Fraktal dapat digunakan untuk menjelaskan banyak obyek yang bentuknya tak beraturan atau
fenomena alam yang secara spasial tak seragam, seperti bentuk pantai atau lereng gunung.
Istilah fraktal (fractal) berasal dari kata Latin fractus (berarti "terpenggal" atau "patah"), dan
diperkenalkan oleh matematikawan kelahiran Polandia Benoit B. Mandelbrot.
Gambar Segitiga Sierpinski, daun pakis Barsnsley, dan pohon fractal
Karakteristik kunci lain sebuah fraktal adalah sebuah parameter matematika yang disebut dimensi
fraktal. Tidak seperti dimensi dalam geometri Euclid, dimensi fraktal pada umumnya dinyatakan
dengan bilangan bukan bulat – yakni berupa bilangan pecahan. Dimensi fraktal dapat digambarkan
dengan melihat sebuah contoh khususmisalnya kurva bongkahan salju yang didefinisikan oleh Helge
von Koch pada 1904. Contoh fraktal ini merupakan gambar matematika secara murni dengan enam
simetri lipat, seperti kepingan salju alami. Fraktal ini bersifat menyerupai dirinya, dalam arti bahwa
bentuk ini terdiri atas tiga bagian identik, masing-masing pada gilirannya tersusun dari empat bagian
dan secara persis merupakan bentuk secara keseluruhan dalam skala kecil. Jadi setiap bagian dari
empat bagian itu sendiri terdiri atas empat bagian yang juga merupakan bentuk keseluruhan dalam
skala kecil. Tidaklah mengherankan apabila faktor skalanya empat, karena sifat demikian benar untuk
sebuah segmen garis atau busur lingkaran. Akan tetapi, untuk kurva bongkahan salju, faktor skala
pada setiap tahap adalah tiga. Dimensi fraktal, dinyatakan dengan huruf D, adalah pangkat untuk
bilangan 3 sehingga menghasilkan 4, yakni 3D = 4. Dimensi dari fraktal
Sebuah fraktal snowflake Koch dibentuk dengan membuat penambahan secara terus menerus bentuk
yang sama pada sebuah segitiga sama sisi. Penambahan dilakukan dengan membagi sisi-sisi segitiga
menjadi tiga sama panjang dan membuat segitiga sama sisi baru pada tengah-tengah setiap sisi (luar).
Jadi, setiap frame menunjukkan lebih banyak kompleksitas, namun setiap segitiga baru dalam bentuk
tersebut terlihat persis seperti bentuk semula. Refleksi bentuk yang lebih besar pada bentuk-bentuk
yang lebih kecil merupakan karakteristik semua fraktal.
Secara teoritis proses tersebut akan meng-hasilkan sebuah gambar yang luasnya ber-hingga namun
dengan batas yang panjangnya tak berhingga, yang terdiri atas tak berhingga titik. Dalam istilah
matematika, kurva demikian tidak dapat diturunkan (dideferensialkan).
Pada setiap tahap pembentukan, panjang sisi-sisinya bertambah dengan rasio 4 banding 3. Ahli
matematika Benoit Mandelbrot telah menggeneralisasi istilah dimensi, disimbolkan dengan D, untuk
menyatakan pangkat pada bilangan 3 yang menghasilkan 4, yakni 3D = 4. Dimensi fraktal snowflake
Koch, dengan demikian, adalah log 4/log 3 atau mendekati 1,26.
Titik balik kajian tentang fraktal dimulai dengan penemuan geometri fraktal oleh ahli matematika
Perancis kelahiran Polandia Benoit B. Mandelbrot pada tahun 1970. Mandelbrot menggunakan
definisi dimensi yang lebih bastrak daripada yang digunakan dalam geometri Euclid (geometri biasa
yang diajarkan di sekolah), dengan menyatakan bahwa dimensi sebuah fraktal harus digunakan
sebagai pangkat pada saat mengukurnya. Hasilnya adalah bahwa sebuah fraktal tidak mungkin
diperlakukan seperti benda-benda geometris lain yang berdimensi satu, dua, atau bilangan-bilangan
bulat lain. Akan tetapi, fraktal harus diperlakukan secara matematis sebagai bentuk-bentuk geometris
yang berdimensi pecahan. Sebagai contoh, kurva fraktal snowflake Koch memiliki dimensi 1.2618.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.39
Jika dilanjutkan sistem L dengan pembuatan aturan penghasilan string maka hasilnya
dapat berbeda dan menarik.
Fraktal juga telah diterapkan pada citra foto dan video pada komputer. Pada tahun 1987,
matematikawan kelahiran Inggris Dr. Michael F. Barnsley menemukan transformasi frakatal (Fractal
Transform™) yang secara otomatis mendeteksi kode fraktal di dalam citra obyek nyata (foto digital).
Penemuan kompresi citra fraktal yang diperbanyak, digunakan di dalam berbagai aplikasi multimedia
dan aplikasi-aplikasi komputer lain yang berbasis citra. Tampilan dua buah program penghasil fraktal,
Kfract dan Mandel Ultimativ, keduanya dalam versi Linux (desktop KDE). Program Kfract dapat
menghasilkan dua jenis fraktal, yakni himpunan Mandelbrot dan Julia. Program Mandel Ultimativ
dapat menghasilkan puluhan jenis fraktal, termasuk kurva Lorenz. Bahkan program Mandel Ultimativ
menyediakan fasilitas untuk mengatur parameter-parameter sebuah fraktal dan komposisi warna (color
map), membuat animasi fraktal, dll. Dengan kedua program tersebut kita dapat melakukan zooming
untuk melihat detil dari setiap bagian fraktal. Berbeda dengan gambar biasa, di mana detil setiap
bagian hanya menampilkan potongan gambar, detil sebuah fraktal tetap menampakkan bentuk
keseluruhan. Dengan menggunakan program Mandel Ultimativ kita dapat melakukan eksplorasi
berbagai jenis fraktal yang sangat indah dan menarik.
Modul Pengolahan Citra_Anita Sindar RMS, ST, M.T.I.41
DAFTAR PUSTAKA
Adet Pramadihanto, Image Enhancement, Inhouse Training Politeknik Elektronika Negeri Surabaya,
1999.
Acmad Basuki dkk,Pengolahan Citra Menggunakan Visual Basic,Graha Ilmu
Aniati murni Arymurthy & Suryana Setiawan, Pengantar Pengolahan Citra, Elex Media Komputindo,
1992
Burger, Burge. Digital Image Processing, An Algorithmic Introduction Using Java. Springer.
Gonzales, Rafael C., Digital Image Processing, Second Edition, Addison-wesley publishing, 1992
Jain, Anil K., Fundamentals of Digital Image Processing, Prentice Hall international, 1989
Maria, Costas. 2010. Image Processing, Pengolahan Citra Digital, Darma Putra, 2010, Andi Publishe
Rafael C. Gonzales E.Woods,”Digital Image Processing,2nd Edition”,Prentice Hall,2001
Richard Alan Peter, “Lecture Notes 2007“
http://www.archive.org/details/Lectures_on_Image_Processing
Richard Szeliski, “Computer Vision: Algorithms and Applications,23 April 2010
Rinaldi Munir, Pengolahan Citra digital dengan Pendekatan Algoritmik, Penerbit Informatika
Bandung, 2004
Riyanto Sigit dkk,”Step by Step dkk,Pengolahan Citra Menggunakan Visual C++”,Andi Offset
Wanasanan Thongsongkrit,”Lecture Notes”
Willey, Digital Image Processing, 3rd edition, 2001