MAKALAH CITRA DIGITAL

DI SUSUN OLEH :
ADITYA BAGUS SASMITO (17.01.071.004)

ARSI DWI SEPTIARINI (17.01.071.001)

UNIVERSITAS TEKNOLOGI SUMBAWA

FAKULTAS TEKNIK PRODI T. INFORMATIKA

TAHUN AJARAN 2019-2020

 A. CITRA BINER
Citra biner (binary image) adalah citra digital yang hanya memiliki 2 kemungkinan
warna, yaitu hitam dan putih. Citra biner disebut juga dengan citra W&B (White&Black) atau
citra monokrom. Hanya dibutuhkan 1 bit untuk mewakili nilai setiap piksel dari citra biner.

Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan sebagai
nilai patokan. Piksel 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.

Citra biner sering sekali muncul sebagai hasil dari proses pengolahan, seperti segmentasi,
pengambangan, morfologi ataupun dithering. Fungsi dari binerisasi sendiri adalah untuk
mempermudah proses pengenalan pola, karena pola akan lebih mudah terdeteksi pada citra yang
mengandung lebih sedikit warna.

Persamaan untuk binerisasi dapat dilihat pada rumus di bawah ini :

nilai a1 biasanya 0 dan nilai a2 = 1

Seperti yang sudah disebutkan di awal Bab, citra biner hanya mempunyai dua nilai derajat
keabuan: hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0.
Pada waktu menampilkan gambar, 0 adalah putih dan 1 adalah hitam. Jadi, pada citra biner, latar
belakang berwarna putih sedangkan objek berwarna hitam. Gambar 11.1 memperlihatkan
beberapa contoh citra biner, sedangkan Gambar 11.2 adalah contoh pengkodean citra biner.
Meskipun komputer saat ini dapat memproses citra hitam-putih (greyscale) maupun citra berwarna,
namun citra biner masih tetap dipertahankan keberadaannya. Alasan penggunaan citra biner adalah karena
ia memiliki sejumlah keuntungan sebagai berikut:

1. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan representasi 1 bit.
Kebutuhan memori untuk citra biner masih dapat berkurang secara berarti dengan metode pemampatan
run-length encoding (RLE). Metode RLE akan dijelaskan kemudian.

2. Waktu pemrosesan lebih cepat dibandingkan dengan citra hitam-putih karena banyak operasi pada citra
biner yang dilakukan sebagai operasi logika (AND, OR, NOT, dll) ketimbang operasi aritmetika bilangan
bulat.

Konversi Citra hitam-putih ke Citra Biner

Pengkonversian citra hitam-putih (greyscale) menjadi citra biner dilakukan untuk alasan-alasan
sebagai berikut:

1. Untuk mengidentifikasi keberadaan objek, yang direpresentasikan sebagai daerah (region) di

dalam citra. Misalnya kita ingin memisahkan (segmentasi) objek dari gambar latar belakangnya.
Pixel-pixel objek dinyatakan dengan nilai 1 sedangkan pixel lainnya dengan 0. Objek
ditampilkan seperti gambar siluet. Untuk memperoleh siluet yang bagus, objek harus dapat
dipisahkan dengan mudah dari gambar latar belakangnya.

2. Untuk lebih memfokuskan pada analisis bentuk morfologi, yang dalam hal ini intensitas pixel
tidak terlalu penting dibandingkan bentuknya. Setelah objek dipisahkan dari latar belakangnya,
properti geometri dan morfologi/ topologi objek dapat dihitung dari citra biner. Hal ini berguna
untuk pengambilan keputusan.
3. Untuk menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu
bit, yaitu piranti penampil dua-aras atau biner seperti pencetak (printer).

4. Mengkonversi citra yang telah ditingkatkan kualitas tepinya (edge enhancement) ke

penggambaran garis-garis tepi. Ini perlu untuk membedakan tepi yang kuat yang berkoresponden
dengan batas-batas objek dengan tepi lemah yang berkoresponden dengan perubahan
illumination, bayangan, dll.

Pengambangan

Konversi dari citra hitam-putih ke citra biner dilakukan dengan operasi pengambangan
(thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap pixel ke
dalam 2 kelas, hitam dan putih. Dua pendekatan yang digunakan dalam operasi pengambangan
adalah pengambangan secara global dan pengambangan secara lokal.

B. Image Enhancement
Image Enhancement adalah langkah dimana kita memberikan perlakuan pada citra
dengan tujuanmeningkatkan persepsi informasi citra bagi manusia (viewer). Bisa juga diartikan
sebagai carauntuk mendapatkan citra yang lebih ‘baik’ sebagai input untuk teknik-teknik
pengolahan citra.Memang tidak ada aturan baku mengenai bagaimana menentukan teknik-teknik
imageenhancement yang tepat dan bagus. Persepsi manusia terhadap kualitas citra tersebut
yangmenjadi referensi, sehingga bila telah dianggap bagus maka citra tersebut sudah bagus

Image Enhancement pada umumnya terbagi menjadi 2 berdasarkan domainnya yakni, :

1. Kawasan Spasial (ruang)

Diaplikasikan untuk tiap piksel secara langsung
2. Kawasan Frekuensi
Diaplikasikan pada output dari alihragam special ke frekuensi dalam hal ini alihragam
Fourier.

Salah satu metode perbaikan citra (image enhancement) adalah dengan cara ekualisasi
histogram equalization dan Logarithmic Image Processing (LIP). Kedua metode tersebut
memiliki algoritma yang berbeda dan belum diketahui keunggulan dan kelemahan dari masing-
masing metode. Penelitian ini membandingkan kinerja antara metode ekualisasi histogram dan
LIP dalam memperbaiki kualitas kecemerlangan citra. Jenis gambar yang digunakan berekstensi
*.bmp (bitmap) berformat 24 bit dengan ukuran pixel yang tidak dibatasi. Citra tersebut
kemudian dimasukan ke dalam program lalu dilakukan proses ekualisasi histogram dan LIP.
Adapun parameter yang digunakan adalah citra hasil, histogram, timming-run dan signal-to-noise
(SNR). Pengujian dilakukan dengan metode Black Box Tes dan Alfa Test. Hasil penelitian dari
beberapa sampel citra yang diujikan menunjukan bahwa pendistribusian nilai intensitas piksel
menggunakan LIP dapat memberikan kualitas citra yang lebih baik bila dilihat dari secara visual
meskipun memerlukan waktu proses lama dibandingkan dengan metode ekualisasi histogram
tetapi bila dilihat dari segi SNR metode Logarithmic Image Processing lebih unggul.

Metode yang digunakan akan menghasilkan kualitas citra yang berbeda. Gambar-gambar
dibawah ini menampilkan citra hasil dari kedua metode dengan menggunakan citra berformat
.bmp

Dengan melihat tabel 1 diperoleh kesimpulan bahwa citra hasil yang memiliki kualitas terbaik
setelah diproses adalah dengan menggunakan metode Logarithmic Image Processing (LIP). Pada
Logarithmic Image Processing (LIP) citra tidak merubah warna dasar citra, hanya meningkatkan
kecemerlangan citra sedangkan citra hasil Ekualisasi Histogram warna berubah tidak sesuai
dengan citra aslinya dan tidak terlalu terang atau kabur.
 C. Pixel Operation (Operasi Pixel)
Pada pengolahan citra terdapat istilah operasi piksel atau kadang disebut operasi piksel-
ke-piksel. Operasi piksel adalah operasi pengolahan citra yang memetakan hubungan setiap
piksel yang bergantung pada piksel itu sendiri. Jika f(y, x) menyatakan nilai sebuah piksel pada
citra f dan g(y, x) menyatakan piksel hasil pengolahan dari f(y, x).

Dalam hal ini, T menyatakan fungsi atau macam operasi yang dikenakan terhadap piksel
f(y, x). Model operasi inilah yang akan dibahas di bab ini, termasuk pembahasan pengolahan
citra berbasis histogram.

Menggunakan Histogram Citra

Histogram citra merupakan diagram yang menggambarkan frekuensi setiap nilai

intensitas yang muncul di seluruh piksel citra. Nilai yang besar menyatakan bahwa piksel-piksel
yang mempunyai intensitas tersebut sangat banyak.

Pada citra berskala keabuan, jumlah aras keabuan (biasa disimbolkan dengan L) sebanyak
256. Nilai aras dimulai dari 0 hingga 255. Adapun histogram untuk suatu aras dinyatakan dengan
hist(k+1) dengan k menyatakan nilai aras (0 sampai dengan L-1). Jadi, hist(k+1) menyatakan
jumlah piksel yang bernilai k. Penggunaan k+1 pada hist diperlukan mengingat dalam Octave
dan MATLAB tidak ada indeks nol atau hist(0). Cara menghitung hist(k+1) ditunjukkan pada
algoritma berikut.

Dengan memanggil
>> Img = imread (‘C:\Image\innsbruck.png’);
>> histo(Img);
diperoleh hasil seperti terlihat pada Gambar 3.1. Perhatikan keberadaan satu garis yang cukup
panjang di posisi intensitas nol, yang berasal dari bagian citra yang berwarna hitam. Adapun
puncak histogram di posisi intensitas sekitar 90 menyatakan warna dominan abu-abu. Garis
panjang di sisi kanan menyatakan warna putih.

Untuk kemudahan dalam mengamati histogram, fungsi bawaan bernama imhist dapat
dimanfaatkan. Contoh penggunaannya:
>> Img=imread(‘C:\Image\innsbruck.png’);

>> imhist(Img);
Hasilnya ditunjukkan pada Gambar 3.2.
Untuk mengetahui nilai histogram, diperlukan perintah seperti berikut:
>> [Histog, aras] = imhist(Img);
Dengan cara seperti itu, Histog berupa larik yang berisi jumlah piksel setiap nilai aras dalam
argumen aras. Namun, diagram tidak dibuat.

Pada pengolahan citra, histogram mempunyai peran yang cukup penting. Manfaat yang
dapat didapatkan seperti berikut.

1. Berguna untuk mengamati penyebaran intensitas warna dan dapat dipakai untuk
pengambilan keputusan misalnya dalam peningkatan kecerahan atau peregangan kontras
serta sebaran warna.
2. Berguna untuk penentuan batas-batas dalam pemisahan objek dari latarbelakangnya.
3. Memberikan persentase komposisi warna dan tekstur intensitas untuk kepentingan
identifikasi citra.

D. SPATIAL FILTERING

Mask Processing
Jika pada point processing kita hanya melakukan operasi terhadap masing-masing
piksel, maka pada mask processing kita melakukan operasi terhadap suatu jendela
ketetanggaan pada citra. Kemudian kita menerapkan (mengkonvolusikan) suatu mask
terhadap jendela tersebut. Mask sering juga disebut filter, window, kernel

Jenis-jenis filter spasial

Smoothing filters:
- Lowpass filter (linear filter, mengambil nilai rata-rata)
- Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan)

Sharpening filters:
- Highpass filter
- Roberts
- Prewitt
- Sobel
 Contoh penerapan filter spasial

Contoh penerapan filter low pass dan median

(a) Gambar asli

(b) Gambar yang diberi noise
(c) Hasil dari 5x5 lowpass average filtering
(d) Hasil dari 5x5 median filtering