1
Tiga Bidang Berkaitan dengan
Proses Citra atau Gambar (1)
Image
(MSU, 1990)
3
Computer Graphics
4
(Murni, 1979)
Computer Graphics
(JPL, 1972)
6
Computer Vision
(Ballard, 1992)
7
Pengolahan Citra Digital
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
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
14
Hasil Proses Pada Computer Vision
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
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
(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 Lx
x
0 L
58
Contrast Stretching
x 0 xa
yb
y ( x a ) ya a xb
( x b) y bxL
ya
b
a b x
0 L
59
Clipping
0 0 xa
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
Over-exposed image
66
Operasi titik linier
DB
f DA aDA b
b
DA
0 255
255
Contoh
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 after
73
Microarray
before after
74
Contoh global dan lokal
Equalization Histogram
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)
86
Aplikasi Penginderaan Jarak Jauh
(Sumber: Murni, 1997)
87
Aplikasi Penginderaan Jarak Jauh
(Sumber: Murni, 1997)
Redness
Cherries Apples
Diameter
Diagram Dua Ciri Pembeda Obyek
89
Aplikasi Industri
(Sumber: Jain dan Murni, 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)
93
Aplikasi Pengenalan Karakter
(Sumber: Edi, 2002)
94
Aplikasi Pengenalan Karakter
(Sumber: Skripsi S1 Juanita Rohali)
95
Topik-topik Penelitian Akhir (2000-2010):
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
Information Fusion
99
Accurate Thematic Image
Human Biometrics & Features
(Sumber: Kompanets et al., Skripsi S1 Maukar dan Uludag)
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)
103
Introduction
• What IS computer vision?
CT image of a
patient’s abdomen
liver
kidney kidney
“Mars” rover
• 3D Range Images
What am I?
Classification Results: