Analisis Citra dan Visi Komputer

1
 Tiga Bidang Berkaitan dengan
Proses Citra atau Gambar (1)

1950 Image Processing

Image

1970 Computer 1970 Computer Vision

Graphics 1960 Pattern Recognition
Artificial Intelligence

Description (Pavlidis, 1986)

2
Tiga Bidang Berkaitan dengan
Proses Citra atau Gambar (2)

(MSU, 1990)
3
 Computer Graphics

4
(Murni, 1979)
 Computer Graphics

(Hearn and Baker, 1986) 5

Image Processing

(JPL, 1972)
6
Computer Vision

Garage Bushes Grass House Sky Tree1 Tree2

Roof Side Roof Side1 Side2

(Ballard, 1992)
7
 Pengolahan Citra Digital

• memperbaiki kwalitas gambar, dilihat dari aspek

radiometrik (peningkatan kontras, transformasi warna,
restorasi citra) dan dari aspek geometrik (rotasi,
translasi, skala, transformasi geometrik);
• melakukan pemilihan citra ciri (feature images) yang
optimal untuk tujuan analisis;
• melakukan proses penarikan informasi atau deskripsi
obyek atau pengenalan obyek yang terkandung pada
citra;
• melakukan kompresi atau reduksi data untuk tujuan
penyimpanan data, transmisi data, dan waktu proses
data.
8
 Grafika Komputer
• merupakan 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).

9
 Visi Komputer
• Pengenalan Pola (Pattern Recognition): Speaker
Recognition, Segmentation and Classification;
• Visi Komputer (Computer Vision) merupakan proses
menyusun deskripsi tentang obyek yang terkandung
pada suatu gambar atau mengenali obyek yang ada
pada gambar, Word and Vowel Recognition, Object
Structure;
• Kecerdasan Buatan (Artificial Intelligence): Speech
Understanding, What is illustrated by this image.

10
Definisi dan Pengertian
Pengolahan Citra (Image Processing) :
Bidang yang berhubungan dengan proses transformasi
citra/gambar (image). Proses ini bertujuan untuk
mendapatkan kualitas citra yang lebih baik

Pengenalan Pola (Pattern Recognition) :

Bidang ini berhubungan dengan proses identifikasi obyek
pada citra atau interpretasi citra. Proses ini bertujuan untuk
mengekstrak informasi/pesan yang disampaikan oleh
gambar/citra.

11
Definisi dan Pengertian
Computer Vision :
• Ilmu pengetahuan yang mempelajari
bagaimana komputer dapat mengenali obyek
yang diamati/ diobservasi.
• Computer Vision adalah kombinasi antara
Pengolahan Citra dan Pengenalan Pola.
• Bersama Intelijensia Semu (Artificial
Intelligence) akan mampu menghasilkan
sistem intelijen visual (Visual Intelligence
System).
12
Hasil Proses Pengolahan Citra

Image Smoothing Contrast Stretching Noise Removal

13
Hasil Proses Pada Computer Vision

Shape recovery Cell segmentation

14
Hasil Proses Pada Computer Vision

3D Surface Shape from Stereo Images

15
Hasil Proses Pada Computer Vision

3D Surface Shape from Shading

16
Industri surat kabar menggunakan sistem transmisi kabel laut
Bartlane untuk mengirim gambar antara London dan New York
17
pada 1920
Perbaikan level keabuan dari 5 ke 15

18
- Visible & Non-visible spectrum
- Close distance & remote sensing

19
Visible & Close distance

20
Visible & Remote sensing

21
Non-visible (Thermal Image)

22
Non-visible (Radar Image) in
Microwave frequency

23
Non-visible (MRI &CT Scan)

24
Acoustic Imaging (Seismic)

25
Electron Microscope
(damaged IC)

26
Salt&Pepper (Impulse)Noise
and Gaussian Noise

27
Deblurring &Contrast Enhancement

28
Image Interpolation (Ex: Zooming)

29
Image Mosaicing/Stitching

+ =

30
Image Inpainting

31
Image Analysis (Edge Detection)

32
Image Analysis (Segmentation)

33
Image Matching

34
Image Analysis (Face Detection)

35
Content-based Image Retrieval

36
Image Compression

37
Struktur Mata Manusia

• Diameter rata=20mm
• Cornea: transparan,
melindungi bag. anterior
• Sclera: melindungi
sisanya
• Choroid dibawah sclera
berisi pembuluh darah,
terpigmentasi
• Lensa: mencegah
infrared & ultraviolet
berlebihan
• Membran terdalam,
dimana cahaya objek
dicitrakan
Distribusi ‘Rods’&’Cones’
pada Retina

#cones=6-7 juta,
color, masing2
terhubung ke 1
ujung saraf, detil,
photopic (bright-
light vision)
#rods=75-150 juta,
beberapa
terhubung ke 1
ujung saraf,
kurang detil,
scotopic (dim-
light vision)
Adaptasi ‘brightness’
Diskriminasi ‘brightness’

Weber ratio=I/I
Match bands
Kontras simultan
Ilusi Optikal
Definisi Citra Digital

12 28 10 ...
155
67
...
...
T. Informatika, ACVK_1 46
Representasi Matrik

47
 Citra Digital

Image matrix Screen

0 0 0 0
0 127 255 0

0 255 127 0

0 0 0 0
Digitasi Citra kontinyu

I(x, y) I(i, j)

Digitizer (e.g.,
scanner)
Sampling Citra Kontinyu

I(x, y)

Sampler
Sampling dan Kuantisasi

51
Efek Penurunan Resolusi
 Resolusi ‘Brightness’
• Pada kuantisasi, ‘brightness’ di titik
yg disampel pd citra kontinyu
diganti dg harga integer
7
B = 3 bits
Gray level of image

0
Scene brightness (a.u.) Ima
Efek Digitasi
 Perbaikan Citra
(Enhancement)
• Memproses citra supaya hasilnya
sesuai dengan keinginan operator
• Metode mana yang cocok
tergantung dari citra dan aplikasinya
 Domain pemrosesan

• Spatial domain: manipulasi

langsung piksel2 citra
• Frequency domain: manipulasi pada
transformasi Fourier citra
• Metode kombinasi dari kedua cara
diatas
Proses pada Spatial domain:
g(x,y) = T[f(x,y)]

(x,y) Filter

• Sharpening
&Smoothing

Point Processing
s = T(r)
Contrast
r = gray level f(x,y)
stretching
s = gray level g(x,y)
57
Proses Negatif
L

y  Lx
x
0 L

58
 Contrast Stretching

 x 0 xa
 yb
y    ( x  a )  ya a xb
  ( x  b)  y bxL
ya
 b
a b x
0 L

a  50, b  150,  0.2,   2,   1, ya  30, yb  200

59
 Clipping

 0 0 xa

y    ( x  a) a  x  b
  (b  a) b  x  L

a b x
0 L

a  50, b  150,   2
60
 Logaritmik

y  c log10 (1  x)

x
0 L

c=100

61
Definisi Histogram
Histogram
Histogram dengan Kontras
lebih tinggi
Gambar Gelap
 Gambar terekspos lebih

7000

6000

5000

4000

3000

2000

1000

0 50 100 150 200 250

Over-exposed image

66
 Operasi titik linier
DB

f  DA   aDA  b
b

DA
0 255
255
Contoh

Kanan: nilai a=1, b=-74

Bawah: a=1,14
 Domain pemrosesan

• Spatial domain: manipulasi

langsung piksel2 citra
• Frequency domain: manipulasi pada
transformasi Fourier citra
• Metode kombinasi dari kedua cara
diatas
Contoh: Citra negatif memberikan
gambar yang lebih jelas untuk
analisis kelainan

70
 Contoh aplikasi logaritmik citra:
Spektrum Fourier citra lebih jelas

71
 Perbandingan Histogram
3000 3000

2500 2500

2000 2000

1500 1500

1000
1000

500
500

0
0 50 100 150 200 0
0 50 100 150 200 250 300

before equalization after equalization

 Pengenalan Iris

before after

73
 Microarray

before after

74
 Contoh global dan lokal
Equalization Histogram

Hasil global Hasil local

Citra awal Histogram Histogram75
Equalization Equalization
Low Pass Filter 3 x 3
(Smoothing, blurring)

76
HPF

77
Contoh Gradient Sobel

78
Contoh Laplacian dan Sobel

79
 Contoh Matlab LPF
>> im = imread(‘filename’);
>> imshow(im)
>> h = fspecial(‘average’, 9);
>> im2 = uint8( round( filter2(h, im)));
>> imshow(im2)

im im2

80
 Filter Median
• Mengganti harga piksel dengan median dari
piksel dan tetangganya of the median)
• Reduksi random noise dengan hasil kurang
kabur dibandingkan filter penghalus
(smoothing)
• Eliminasi piksel2 terisolasi ooooo
ooooo
ooo ooooo
ooo ooooo
ooo ooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo 81
oooooooo oooooooo oooooooo
Contoh Filter Median

82
 Aplikasi Pengolahan Citra
• Kedokteran Gigi (Orthodonti);
• Kedokteran Biomedik;
• Penginderaan Jarak Jauh / Inderaja (Remote
Sensing);
• Industri;
• Bahasa Isyarat;
• Pengenalan Karakter.
• Digital Signature & Biometric Data (e-Commerce,
Banking etc.) 83
Aplikasi Kedokteran Gigi (Orthodonti)
(Sumber: Thesis S2 Tini Bagyo)

84
 Aplikasi Kedokteran Gigi
(Sumber: Skripsi Tirza, 2004)
• Pada citra cephalometri, dapat dideteksi kurva bentuk
dahi manusia dari landmark Nasion (lekuk dahi ke
hidung) sampai ke Bergman (titik ubun-ubun)
• Dari lengkung bentuk dahi dapat dihitung koefisien
transformasi Fourier dan transformasi Wavelet
• Dari sampel laki2 dan perempuan dapat ditentukan
aturan keputusan berdasarkan analisis diskriminan,
sehingga jenis kelamin dapat ditentukan berdasarkan
bentuk dahi tengkorak manusia
• Eksperimen menunjukkan penggunaan transformasi
Wavelet menghasilkan tingkat pengenalan yang lebih
baik dari transformasi Fourier
85
 Aplikasi Kedokteran (Biomedik)
(Sumber: Thesis S2 Kartono)

Thorax X-Ray Standard Landmarks Thorax Tissue

86
Aplikasi Penginderaan Jarak Jauh
(Sumber: Murni, 1997)

Urut kiri ke kanan

atas ke bawah:
Citra Optik;
Klasifikasi Optik;
Fusi Joint Prob.;
Citra Radar;
Klasifikasi Radar;
Fusi High Rank.

87
Aplikasi Penginderaan Jarak Jauh
(Sumber: Murni, 1997)

Urut kiri ke kanan

atas ke bawah:
Citra Optik;
Klasifikasi Optik;
Citra Hasil
Mosaik; Citra
Radar; Klasifikasi
Radar;
Citra Hasil Fusi.
88
 Aplikasi Industri
(Sumber: Castleman, 1972)

Redness

Cherries Apples

Fruit Sorter Jackfruits

Lemons

Diameter
Diagram Dua Ciri Pembeda Obyek
89
 Aplikasi Industri
(Sumber: Jain dan Murni, 1990)

Original Image Edge Image Recognized Circle

90
 Aplikasi Industri
(Sumber: Jain, 1990)

Obyek: Jenis Mur, Sekrup dan Pin Diagram Dua Ciri Pembeda Obyek
91
 Aplikasi Bahasa Isyarat (Bibir)
(Sumber: MSU, 1990)

Bahasa Isyarat lain: menggunakan bahasa tangan dan ada juga yang disebut
sebagai ‘body language’.

92
 Aplikasi Pengenalan Karakter
(Sumber: Murni, 1990)

Huruf A hasil scanning Huruf A setelah ‘thinning’

93
 Aplikasi Pengenalan Karakter
(Sumber: Edi, 2002)

Huruf hasil scanning Huruf setelah ‘skeletonizing’

94
 Aplikasi Pengenalan Karakter
(Sumber: Skripsi S1 Juanita Rohali)

BAP AK BER UANG YANG J AH AT

PAD A ZAMAN DAHU L U KALA ADA SE E KOR BER UANG YANG
NAKAL DA N JA HAT
BER UA NG I TU BE RN AMA XAM I N
DIA S UKA ME M AKAN AN AK AN AK YANG TI DAK D I SU KAI
OLEH I BUN YA
SEHINGG A LA M A KELAMAAN ANAK AN AK DI D UNIA ME NJADI
MU SNAH B I NASA KAR EN A
DI MAKAN OLEH BAPAK BE RUAN G TERS EBUT

95
Topik-topik Penelitian Akhir (2000-2010):

• Multitemporal Multisensor Image

Classification, Data and Information
Fusion, and Change Analysis
• Biomedical Image Analisis
• Human Biometrics for Digital Signature

96
Topik-topik Penelitian Akhir (2000-2005):
Multisensor Multitemporal Image Preprocessing Module

97
 Change Detection

Change
Information

Image Classification,
Data Fusion,
Change Detection
Module

98
 Information Fusion Module

SAR and Optical-sensor Images

Image Classification Image Segmentation / Clustering Edge Detection

Thematic Image Segmented / Clustered Image Edge Image

Information Fusion

99
Accurate Thematic Image
 Human Biometrics & Features
(Sumber: Kompanets et al., Skripsi S1 Maukar dan Uludag)

Citra Wajah Citra Sidik Jari

100
 Topik-topik Penelitian Akhir (2000-2005)
1. Penyelesaian Masalah Awan pada Citra Optik
2. Penggunaan Ciri Tekstur dan Wavelet pada Citra Radar
3. Evaluasi Metode-metode Pemilihan Ciri
4. Metode Kompresi Citra Berdasarkan Transform Coding,
Vektor Kwantisasi, Non-Entropy Coding dan Non-
Transform Coding, serta Pendekatan Hybrid
5. Clustering Hybrid antara Region Growing dan Spectral,
Hierarchical dan Partitional, Multiresolusi dan Fuzzy
6. Metode Deteksi Sisi dengan Neural Network, Sobel, dan
Canny serta penggunaan Indikator Kinerja untuk Evaluasi
101
secara Kwantitatip dan Subyektip
 Topik-topik Penelitian Akhir (2000-2005)

7. Metode Thinning dengan Pendekatan Paralel, Penghapusan

Pixel, dan Distance Transform serta penggunaan Indikator
Kinerja untuk Evaluasi secara Kwantitatip dan Subyektip
8. Metode Segmentasi Region Growing, Hybrid dengan Clustering,
Pendekatan Fusioni serta penggunaan Indikator Kinerja untuk
Evaluasi secara Kwantitatip dan Subyektip
9. Klasifikasi Geometrik Berdasarkan Nearest Neighbour
10. Penggunaan Computational Intelligence Approach untuk
Multisensor Multitemporal Classification and Change Detection
11. Information (Spectral, Spatial, and Edge) Fusion 102
 Topik-topik Penelitian Akhir (2005)

12. Hyperspectral thematic image construction: feature extraction

and selection, spectral and spatial approah, pair wise classifier
and fusion
13. Radar image classification: texture and wavelet features,
neural network classifiers
14. Geographics Information System, cellular automata, dynamic
modeling, dan multi agent system
15. Image and parallel processing

103
 Introduction
• What IS computer vision?

the analysis of digital images by a computer

• Where do images come from?

T. Informatika, ACVK_1 104

 Applications: Medical Imaging

CT image of a
patient’s abdomen
liver

kidney kidney

T. Informatika, ACVK_1 105

Visible Man Slice Through Lung

T. Informatika, ACVK_1 106

3D Reconstruction of the Blood Vessel Tree

T. Informatika, ACVK_1 107

Slice of a Chicken Embryo’s Inner Ear

T. Informatika, ACVK_1 108

CBIR of Mouse Eye Images for Genetic Studies

T. Informatika, ACVK_1 109

Robotics
• 2D Gray-tone or Color Images

“Mars” rover

• 3D Range Images

What am I?

T. Informatika, ACVK_1 110

• Robot Soccer

T. Informatika, ACVK_1 111

Image Databases:
Images from my Ground-Truth collection:
http://www.cs.washington.edu/research/imagedatabase/groundtruth

• retrieve images containing trees

T. Informatika, ACVK_1 112

 Some Features for Image Retrieval

Original Images Color Regions Texture Regions Line Clusters

T. Informatika, ACVK_1 113

Documents:

T. Informatika, ACVK_1 114

T. Informatika, ACVK_1 115
 Science

Calineuria (Cal) Doroneuria (Dor) Yor (Yor)

Classification Results:

Classifie as as Yor Classifie as Cal as Dor

d Cal d
Cal 171 16 Cal 114 72
T. Informatika, ACVK_1 116
Yor 0 99 Dor 70 133
Surveillance: Event Recognition in Aerial Videos

Original Video Frame

T. Informatika, ACVK_1 117

Color Regions Structure Regions
Face Detection (and Recognition)

T. Informatika, ACVK_1 118

Graphics: Special Effects

Andy Serkis, Gollum, Lord of the Rings

T. Informatika, ACVK_1 119
3D Reconstruction and Graphics Viewer

T. Informatika, ACVK_1 120

Object Recognition from “Parts”

T. Informatika, ACVK_1 121