Note Online 2 :

Histogram dan Perbaikan Kualitas Citra

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.

1. Membuat Histogram
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 :

yang dalam hal ini,

ni = jumlah pixel yang memiliki derajat keabuan i
n = jumlah seluruh pixel di dalam citra
Plot hi versus fi dinamakan histogram. Gambar 6.1 adalah contoh sebuah histogram citra. Secara
grafis histogram ditampilkan dengan diagram batang. Perhatikan dari persamaan 6.1 bahwa nilai
ni telah dinormalkan dengan membaginya dengan n. Nilai hi berada di dalam selang 0 sampai 1.
Algoritma Perhitungan Histogram
Algoritma perhitungan histogram ditunjukkan pada Algoritma di bawah ini. 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] .
Beberapa program komersil seperti Adobe Photoshop, Paintshop, dan PolyView, dapat digunakan
untuk membangkitkan histogram citra.
Khusus untuk citra berwarna, histogramnya dibuat untuk setiap kanal RGB (merah, hijau, dan
biru). Misalnya citra berwarna pepper 512 512 pixel 8-bit, pada Gambar di bawah,
histogramnya ada tiga buah, masing-masing untuk komponen
merah, hijau, dan biru. Histogram tersebut dihasilkan dari program [WIC01].

Gambar di bawah memperlihatkan tiga buah citra Lena. Citra Lena yang pertama terlalu gelap.
Histogramnya banyak menumpuk pada bagian kiri karena citra tersebut mengandung banyak nilai
intensitas yang dekat dengan 0 (hitam). Citra Lena yang kedua terlalu terang. Histogramnya
banyak menumpuk pada bagian kanan karena citra tersebut mengandung banyak nilai intensitas
yang dekat dengan 255 (putih). Citra Lena yang ketiga adalah citra yang normal (bagus).
Histogramnya tersebar merata di seluruh daerah derajat keabuan. Tiga buah histogram tersebut
dihasilkan dengan program Adobe Photoshop.
2. Pembentukan Histogram
Perataan histogram memetakan histogram citra semula menjadi histogram yang seragam. Bila
histogram yang diinginkan tidak seragam, maka cara ini tidak dapat digunakan. Metode
pembentukan histogram (histogram spesification) memberikan cara menghasilkan histogram yang
dispesifikasikan oleh pengguna. Cara pembentukannya memanfaatkan sifat pada perataan
histogram. Bila fungsi transformasi pada perataan histogram menghasilkan histogram semula
menjadi histogram yang seragam, maka fungsi balikannya (inverse) memetakan histogram yang
seragam menjadi histogram semula. Sifat ini dapat dimanfaatkan untuk mengubah histogram citra
menjadi histogram lain yang tidak seragam. Dasar teorinya adalah sebagai berikut: misalkan Pr(r)
dan Pz(z) masing-masing adalah histogram citra semula dan histogram yang diinginkan.

3. Restorasi Citra
Seperti halnya Image Enhancement, tujuan utama teknik restorasi adalah untuk meningkatkan
kualitas suatu citra. Restorasi berupaya untuk merekonstruksi (reconstruct)atau mendapatkan
kembali (recover) suatu citra yang telah mengalami penurunan kualitas (degraded) dengan
menggunakan pengetahuan mengenai fenomena degradasi. Teknik restorasi akan memodelkan
degradasi dan menerapkan proses inverse yang bertujuan untuk memulihkan citra asli

Berdasarkan bentuk dan karakteristiknya, noise pada citra dibedakan menjadi beberapa macam,
yakni sebagai berikut:
1. Gaussian
• Merupakan model noise yg mengikuti distribusi normal standard dengan rata-rata nol dan
standard deviasi 1
• Efek dari noise ini adalah munculnya titik-titik berwarna yang jumlahnya sama dengan
prosentase noise.
2. Speckle : Merupakan model noise yg memberikan warna hitam pada titik yang terkena noise
3. Noise salt & pepper : Memberikan noise seperti halnya taburan garam, akan memberikan warna
putih pada titik yang terkena noise.

Seperti halnya Image Enhancement, tujuan utama teknik restorasi adalah untuk meningkatkan
kualitas suatu citra

 Restorasi berupaya untuk merekonstruksi (reconstruct)atau mendapatkan kembali

(recover) suatu citra yang telah mengalami penurunan kualitas (degraded) dengan
menggunakan pengetahuan mengenai fenomena degradasi

 Teknik restorasi memodelkan degradasi dan menerapkan proses inverse yang bertujuan
untuk memulihkan citra asli

Noise Gaussian
 Dibuat dengan cara membangkitkan bilangan random [0,1] dengan distribusi Gaussian
 Untuk piksel yang terkena noise, nilai fungsi citra ditambahkan dengan noise yang ada,
atau dirumuskan dengan:
y(i, j) = x(i, j) + p.a
 Dimana:

a: Bilangan acak berdistribusi Gaussian

p: Prosentase noise
y(i,j): nilai citra yang terkena noise
x(i,j) : nilai citra sebelum kena noise

Noise Uniform
Noise Uniform seperti halnya noise gausssian dapat dibangkitkan dengan cara membangkitkan
bilangan acak[0,1] dengan distribusi uniform. Kemudian untuk titik-titik yang terkena noise, nilai
fungsi citra ditambahkan dengan nilai noise yang ada, atau dirumuskan dengan:

Noise Speckle
Noise ini dapat dibangkitkan dengan cara membangkitkan bilangan 0 (warna hitam) pada titik-
titik yang secara probabilitas lebih kecil dari nilai probabilitas noise, dan dirumuskan dengan
f (x, y) = 0 jikap(x, y) < ProbNoise
Dimana:

f(x,y) adalah nilai gray-scale pada titik(x,y)

p(x,y) adalah probabilitas acak

Noise salt & pepper

Noise ini dapat dibangkitkandengancaramembangkitkanbilangan255 (warnaputih) padatitik-titik
yang secara probabilitas lebih kecil dari nilai probabilitas noise, dan dirumuskan dengan
f (x, y) = 255 jikap(x, y) < ProbNoise
Dimana:
- f(x,y) adalahnilaigray-scalepada titik(x,y)
- p(x,y) adalahprobabilitasacak