Peran Pengolahan Citra pada

Pencitraan Medis
• Meminimalisir faaktor yg mempengaruhi
visibilitas object pada citra
• Mereduksi noise sebagai faktor kualitas citra
• Mengoptimalkan diagnosis medis
• dll

2
 How many blobs?

contrast = 1 contrast = 2

contrast = 4 contrast = 8

3
 Visibility of Objects
• If contrast is to small, object can’t be seen
– Increase contrast!
• If object is too small, it can’t be seen
– Magnify!

4
 low contrast

high contrast
The circles have the same objective intensity.

6
 Image Noise
• Variations of intensity that have no bearing on
the information in the image are called noise
• White noise means that the variation is
uncorrelated from pixel to pixel

7
‘White Noise’ Pattern

8
 Noise Patterns
The standard deviation is a measure of noise
intensity.

White (left), low frequency (middle), and high

frequency noises. All have same standard deviation

9
 Effect of noise on
image quality: UL ~
original 8-bit image;
UR ~ white noise; LL
~ low pass noise; LR ~
high pass noise.
Noise standard
deviation is equal to
8.

MIPR Lecture 4
10
Copyright Oleh Tretiak, 2004
 Effect of noise on
image quaity: UL ~
original 8-bit image;
UR ~ white noise;
LL ~ low pass
noise; LR ~ high
pass noise. Noise
standard deviation
is equal to 32.

MIPR Lecture 4
11
Copyright Oleh Tretiak, 2004
 Sehingga
• Visibilitas objek dapat ditingkatkan dengan
meningkatkan kontras dan ukuran.
• Hal ini akan efektif jika object bebas noise
• Seluruh sistem fisik (sistem modalitas
pencitraan) memiliki noise, dan hal ini
membatasi visibilitas.

12
Akuisisi citra
f(x,y)  intensitas
sebanding dengan energi
yang dipancarkan oleh
sumber (misal gel.
elektromagnetic.
f(x,y)  disusun oleh jumlah
iluminasi sumber yg terjadi
pada suatu kejadian yg sedang
dilihat. Serta jumlah iluminasi
yg dipantulkan oleh obyek.
f(x,y)  ilumination i(x,y) dan
reflectance r(x,y).

f(x,y) = i(x,y) r(x,y)

Dimana
0 < i(x,y) <  , dan
0 < r(x,y) < 1
 Pencuplikan (sampling) dan kuantisasi citra

Untuk menghasilkan citra digital, diperlukan konversi dari data kontinu

menjadi bentuk digital. Proses ini memerlukan proses pencuplikan dan kuantisasi.

Sampling diskretisasi nilai

koordinat
Kuantisasi  diskretisasi nilai
amplitudo
 Representasi citra digital
• Citra digital dapat direpresentasikan sebagai suatu matrik 2D bilangan
real.
• Suatu citra f(x,y) dengan ukuran MxN, dimana x meruapakan baris (dari 0
hingga M-1) dan y merupakan kolom (antara 0 hingga N-1).
• Nilai f(x,y) pada koordinat (x0, y0), yang dituliskan dengan f(x0, y0) disebut
dengan intensitas atau tingkat keabuan citra pada piksel tersebut.

STTN-BATAN
 Representasi citra digital
y
(0,0)

STTN-BATAN
 Representasi citra digital
• Nilai maksimum dan minimum intensitas
piksel bergantung pada tipe data.
– Type data double: 0.0 (hitam), dan 1.0 (putih).
– Type uint8 (unsigned integer 8 bit): 0 (hitam), 255
(putih)

STTN-BATAN
 Representasi Citra Digital

• Citra f(x,y) disampling menghasilkan citra dengan M baris dan N kolom,

maka dikatakan citra M×N
• Pada hampir semua referensi titik awal citra berada pada (x,y)=(0,0),
kemudian koordinat berikut adalah (x,y)=(0,1), dan akhir koordinat adalah
(M-1, N-1).
• Namun untuk penggunaan dalam Matlab, sebagai kesepakatan, titik awal
citra adalah (x,y)=(1,1), sehingga akhir koordinat adalah (M,N)
 Citra sebagai matriks

• Representasi citra sebagai matriks secara umum mengikuti

persamaan diatas , setiap elemen disebut image element, picture
element, pixel, atau pel. Elemen inilah yang digunakan dalam
pembahasan selanjutnya.

 Representasi citra sebagai matriks dalam Matlab

 Resolusi intensitas dan spasial
• resolusi spasial sebuah pengukuran dari detail terkecil yang
dapat dilihat dalam suatu citra.
• Resolusi spasial dapat dinyatakan dalam beberapa cara misal
line pairs per unit distance dan dots (pixels) per unit distance
merupakan ukuran yg paling umum.
• Resolusi intensitas  perubahan level intensitas terkecil yg
mampu dilihat.
• Berdasarkan hardware yg digunakan, resolusi intensitas
dinyatakan dalam bilangan integer berpangkat 2.
– 2 bit (2 level)
– 8 bit (256 level)
– 16 bit (65536 level)
Resolusi spasial

1250 dpi 300 dpi 150 dpi 72 dpi

 Resolusi intensitas

256, 128, 64, 32 level 16, 8, 4, 2 level

 Interpolasi citra

100 x 100 150 x 150

imaginary grid
150 x 150

Interpolasi merupakan proses menggunakan data yang sudah diketahui untuk

mengestimasi nilai pada lokasi yang tidak diketahui.
Untuk menentukan nilai interpolasi terdapat metode
Bilinear interpolation : v(x,y)=ax + by +cxy + d
3 3 j
i
Bicubic interpolation : a x y
i0 j0
ij
 Citra biner (1-bit)
• Citra biner dikodekan sebagai array 2D menggunakan 1
bit per piksel, dimana 0 = hitam, dan 1 = putih.

STTN-BATAN
 Citra graylevel (8-bit)
• Disebut pula citra monochrome, dikodekan berupa array 2D
menggunakan 8 bit per piksel. 0 = hitam, dan 255 = putih.
Nilai diantaranya menyatakan variasi keabuan.

STTN-BATAN
 Citra berwarna
• Representasi citra warna lebih komplek dan bervariasi.
RGB adalah representasi paling umum, dengan nilai 24
bit tiap pikselnya, terdiri dari komponen merah (R),
hijau (G), dan biru (B) masing-masing 8 bit.
(a) Citra RGB
(b) - (d). komponen
R, G, dan B secara
terpisah.

STTN-BATAN
 Format file citra
• Header file citra selain menyimpan informasi
terkait citra juga umumnya mencantumkan
type konversinya untuk keperluan dekompresi.
• Jenis format file, BMP, JPEG, TIFF, GIF, dll.

STTN-BATAN
 Pixel Neighbors (tetangga piksel)

Suatu piksel p pada koordinat (x,y) memiliki empat tetangga horisontal dan
vertikal dengan koordinat sbb

Himpunan piksel tersebut adalah 4-Neigbors dari p dinotasikan N4(p).

Sedangkan 4 tetangga diagonal yg dinotasikan ND (p) adalah

Gabungan N4(p) dan ND (p) adalah 8 tetangga p atau N8(p)

 Neighborhood

– Piksel yang mengelilingi suatu

piksel.

STTN-BATAN
Operasi ketetanggaan
 Operasi ketetanggaan

Kernel/kedok/
mask 3x3

Sorting

median
 Adjacency, Connectivity, Regions dan Boundary

4-adjacency. Dua piksel p dan q dengan nilai intensitas V merupakan 4-

adjacency jika q merupakan himpunan N4(p)

8-adjacency. Dua piksel p dan q dengan nilai intensitas V merupakan 8-

adjacency jika q merupakan himpunan N8(p)

m-adjacency (mixed-adjacency). Dua piksel p dan q dengan nilai intensitas

V merupakan m-adjacency jika
1. q merupakan himpunan N4(p)
2. 2. q merupakan ND(p) dan himpunan N4(p)  N4(q) tidak ada piksel
dengan nilai dari V
Adjacency, Connectivity, Regions dan Boundary
 Jarak antar piksel
Dua piksel p dan q dengan koordinat (x0, y0) dan (x1, y1).

STTN-BATAN
 Operasi spasial

• Operasi piksel tunggal

– Yaitu mengubah nilai piksel individu berbasis pada intensitasnya.
Fungsi transformasi ini diungkapkan dengan
s=T(z)
 Operasi global / operasi titik

• Memperlakukan seluruh piksel (titik) sebagai suatu fungsi

matematis.
• dapat disebut sebagai transformasi fungsi, karena seluruh piksel
diperlakukan sama, tanpa melihat nilai-nilai ketetanggaan.
• g(x,y) atau s merupakan citra keluaran hasil transformasi
• f(x,y) atau r merupakan citra masukan
• T meruapkaan operator transformasi

STTN-BATAN
 Operasi spasial

• Operasi ketetanggaan

1
g ( x, y )   f (r , c)
mn ( r ,c )sxy
Kelas data
PENGOLAHAN HISTOGRAM
 Indikator Keberhasilan

Mahasiswa mampu:
• Menjelaskan pengertian histogram citra
• Menjelaskan bagaimana histogram citra
dihitung
• Menjelaskan berapa informasi yg diberikan
histogram
• Memodifikasi histogram dan pengaruh pada
citra
 Histogram Citra
Definisi
• Histogram pada citra monochrome adalah representasi grafis
dari frekuensi munculnya setiap level intensitas pada citra
• Struktur data yang menyimpan nilai frekuensi adalah nilai array
1 dimensi.

• k = 0, 1, …, L – 1.  L merupakan jumlah level intensitas

keabuan citra digital
• Card{…}  himpunan bilangan bulat, yang menunjukkan
jumlah elemen didalam himpunan (nk)
 Histogram Citra

Histogram ternomalisasi
• n jumlah total piksel dalam citra
• p(rk)  probabilitas dari level intensitas ke-k
dari (rk)
 Interpretasi Histogram

Informasi histogram
•kontras total
•Rerata kecerahan
Interpretasi Histogram
Interpretasi Histogram
 Interpretasi Histogram
Histogram memberikan informasi kualitatif dan kuantitatif citra

• Minimum, maksimum, rerata nilai intensitas

• Dominasi piksel gelap dan terang
• Ada atau tidaknya noise

Namun histogram tidak memberikan infomasi distibusi spasial dari

piksel

Histogram memberikan representasi statistik dari distribusi level

keabuan dalam citra

Histogram dapat digunakan untuk meningkatkan/memodifikasi

karakteristik citra, yaitu kontras  teknik modifikasi histogram
 Modifikasi Histogram:

Ekualisasi Histogram
• Teknik dimana distribusi level keabuan citra diubah
sedemikian sehingga menghasilkan histogram yang
rata, dimana persentase piksel setiap level sama.
• Ekualisasi histogram dilakukan dengan fungsi
transformasi T(r) dengan kriteria
• T(r) merupakan fungsi peningkatan monoton dalam
interval 0 ≤ r ≤ L-1
• 0 ≤ T(r) ≤ L – 1 untuk 0 ≤ r ≤ L-1
 Modifikasi Histogram:

Ekualisasi Histogram
• Fungsi transformasi yg umum digunakan
adalah cumulative distribution function (cdf)

Sk dalah level keabuan baru dari semua piksel

 Contoh
rk n(k) p(rk)
0 12046 0.184
1 3325 0.051
2 2390 0.036
3 8716 0.133
4 19544 0.298
5 18748 0.286
6 594 0.009
7 173 0.003

0.184

0.235
Contoh
Local ekualisasi histogram
 Modifikasi Histogram:

Peregangan Histogram
• Sering disebut input cropping  terdiri dari
transformasi linier yang mengekspan (meregang)
bagian dari histrogram asal sehingga range
intensitas menjadi selebar rentang maksimumnya.
• Fungsi transformasi/fungsi pemetaan liniernya
adalah sbb:
Contoh
 Modifikasi Histogram:

Perampingan Histogram
• Sering disebut output cropping  kebalikan
dari peregangan histogram, menyebabkan
histogram lebih ramping.
• Fungsi transformasi/fungsi pemetaan
liniernya adalah sbb:
Contoh
TERIMA KASIH
Muhtadan
081 7040 2381