Materi Workshop

Workshop Computer Vision
Wawasan dan Trend Penelitian Terkait

Topik Computer Vision
23 November 2021
Universitas Sriwijaya
Fakultas Ilmu Komputer
Jurusan Sistem Komputer
Psychology Citra Medis
Cognition and
Keamanan lalulintas
Neuroscience
Mobil Cerdas
Robot Cerdas Militer
Domain aplikasi
Pengolahan citra/video
Tekni Sipil
Biometrik Pertanian Cerdas

Representasi Citra Digital
Signal audio analog
Audio digital
Digitizer :
- Sampling
- Quantization
video digital
Signal video analog
PAL/SECAM
- 25 frame/second
- 576 lines useful/frame
CNST
- 30 frame/second
- 483 lines useful / frame
Digitizer : - Digitalisasi signal analog/continu menjadi
signal digital/diskret
- Melalui proses sampling dan quantization
(kuantisasi) yang dilakukan secara bersamaan.
Sampling : - diskretisasi koordinat signal terhadap satuan waktu
- Banyaknya sampling ditentukan oleh frekuensi
(kecepatan) sampling.
- Makin tinggi frekuensi makin banyak jumlah
sampling, makin banyak informasi yang terrekam
dan kualitas signal mendekati signal aslinya.
- Makin rendah frekuensi makin sedikit jumlah
sampling, makin sedikit informasi yang terrekam
dan kualitas signal semakin rendah
Fréquence d’échantillonnage
• Sampling :
Contoh signal :
Amplitudo
Frekuensi sampling tinggi :

- Kualitas tinggi,
- jumlah data besar
0 x
Frekuensi sampling tinggi
Amplitudo
Frekuensi sampling rendah :

- Kualitas rendah,
- jumlah data kecil
0 x
Frekuensi sampling rendah

Kuantisasi : - Diskretisasi nilai amplitudo dari setiap sampel
hasil sampling.
- Pembagian nilai amplitudo dan pengkodeannya
dalam nilai biner sesuai dengan jumlah bit yang
digunakan.
- Makin banyak jumlah bit, makin banyak variasi
nilai tinggi rendahnya suara (untuk audio) atau
makin banyak variasi warna pada citra/video,
dan kualitas signal atau citra/video mendekati
signal aslinya, namun makin banyak data yang
terrekam.
- Makin sedikit jumlah bit, makin sedikit variasi
nilai tinggi rendahnya suara (untuk audio) atau
makin sedikit variasi warna pada citra/video,
kualitas signal atau citra/video semakin rendah
dan semakin sedikit data yang terrekam.
Fréquence d’échantillonnage
• Kuantisasi :
Amplitudo
Kuantisasi dengan 5 bit

- Variasi nilai amplitudo 25 = 32
- Jumlah data = N*32 bit
N = jumlah sampling
0 x
Amplitudo
Kuantisasi dengan 3 bit
- Variasi nilai amplitudo 23 = 8
- Jumlah data = N*8 bit
- Kualitas intensitas berkurang
0 x
Kualitas Citra :
• Ditentukan oleh resolusi, ukuran dan jumlah bit per

pixel.
• Resolusi :
- Jumlah bit persatuan panjang (ppi = pixels per
inch atau dpi = dot per inch)
- Ditentukan oleh frekuensi sampling
- ppi besar ➔ Lebih kaya informasi spatial
- ppi kecil ➔ kurang kaya informasi spatial
• Definition adalah ukuran citra NxM pixel : N baris dan
M colom.
• Jumlah bit b per pixel menentukan :
- Tingkat intensitas (tingkat keabuan) atau tingkat
variasi warna
- b besar ➔ lebih kaya informasi warna
- b kecil ➔ kurang kaya informasi warna
• Jumlah data citra tingkat keabuan : NxMxb
• Jumlah data citra berwarna : NxMx3xb
• Representasi citra berwarna RGB
- Dinyatakan dalam 3 matriks dua dimensi atau tiga citra
dua dimensi yang masing-masing menyatakan nilai
intensitas warna merah R, hijau G dan biru B.
- Setiap pixel P dinyatakan dengan tiga nilai warna
P = [R V B]
- Setiap nilai warna dikode dengan 8 bit,
- Setiap pixel dikode dengan 24 bit.
(data visual)
Citra Berwarna Citra Gray-level Citra Hitam-Putih

(RGB) (Luminance) (“0” & “1”)
(data visual)
Definisi Citra
Secara fisik : Representasi informasi pada suatu media;
kertas, film, monitor dll.
Informasi dalam citra :

- informasi dasar (warna, bentuk dan texture)
- informasi abstrak (Cantik, senang, dst.)
- informasi kejadian (pesta, perkawinan, dst.)
Secara matematis :
• Fungsi dua dimensi I(x, y) yang menyatakan nilai
intensitas atau warna I pada posisi x,y.
• Citra berwarna ➔ I(m,n,w) ➔ w = (R,G,B [0, 2b-1])
88 73 73 56 40
97 90 88 75 80 134 129 127 114 115
97 90 88 75 80
 I (0,0) I (0,1) . . . I (0, N − 1)  73 84 88 84 66
79 75 73 62 55
 I (1,0) I (1,1) I (1, N − 1)  77 81 94 90 91
  134 129
63
127
69
114
89
115
89 79 110 122 126 120 97
 .  110 122
41
126
55
120
78
97
81 75 73 84 88 84 66
I (m, n) =   107 112 127 121 123 81 77 84 83 78
 .  107 112 127 121 123
88 73 8973 9356 119
40 119 107
 .  79 75 7173 8462 106
55 110 100 77 81 94 90 91
  79 77 78 79 76
 I ( M − 1,0) I ( M − 1,1) . . . I ( M − 1, N − 1) 81 77 84 83 78
79 77 78 79 76 89 93 119 119 107
81 71 91 70 69 63 69 89 89 79
81 71 91 70 69
71 84 106 110 100
41 55 78 81 75
Citra gray level :
• Diperoleh dari citra berwarna,
• L = 0.299 R + 0.587 G + 0.114 B
• Citra gray level ➔ I(m,n) = L [0, 2b-1]
 I (0,0) I (0,1) . . . I (0, N − 1)  106 97 96 82 78

 I (1,0) I (1,1) I (1, N − 1) 
  87 94 96 89 73
 . 
I (m, n) =   88 90 102 98 97
 . 
 .  77 80 95 97 87
 
 I ( M − 1,0) I ( M − 1,1) . . . I ( M − 1, N − 1) 64 70 92 87 81
Citra Biner :
• Diperoleh dari citra gray level,
1 jika L > Threshold

• B=
0 jika L < Threshold
• Citra biner ➔ I(m,n) = B [0, 1] Threshold < 90

 I (0,0) I (0,1) . . . I (0, N − 1)  1 1 1 0 0
 I (1,0) I (1,1) I (1, N − 1) 
  0 1 1 0 0
 . 
I (m, n) =   0 1 1 1 1
 . 
 .  0 0 1 1 0
 
 I ( M − 1,0) I ( M − 1,1) . . . I ( M − 1, N − 1) 0 0 1 0 0
2.1 HUBUNGAN ANTARA PIXEL DALAM CITRA
PIXEL TETANGGA (neighbors of pixel):
pixel p ➔ koordinat (xp ,yp).

Empat pixel tetangga N4(p) ➔ (xp +1, yp), (xp -1, yp), (xp, yp +1) dan (xp, yp -1)
Empat pixel tetangga ND(p) ➔ (xp +1, yp +1), (xp +1, yp -1), (xp -1, yp +1) dan (xp -1, yp -1)
Delapan tetangga N8(p), Enam belas tetangga N16(p), Dua puluh empat tetangga N24(p)
Pengolahan Citra dan Video Digital: Teori, Algoritma dan Pemrograman Matlab 16
Oleh: Sarifuddin Madenda
KETERHUBUNGAN ANTAR PIXEL (pixel connectivity):
- Mengunakan defenisi tetangga terdekat N4(p) , ND(p) atau N8(p).
- Dua pixel saling berdekatan dan memiliki nilai intensitas sesuai dengan
spesifikasi tingkat similaritas (sama atau similar). Sebagai contoh misalnya
pixel-pixel yang nilainya ada dalam lingkup V=[99, 101].
- Disebut memiliki connectivity N4(p) bila dua pixel p dan q memiliki nilai dalam V
dan q adalah bagian dari set N4(p).
- Disebut memiliki connectivity ND(p) bila dua pixel p dan q memiliki nilai dalam V
dan q adalah bagian dari set ND(p).
- Disebut memiliki connectivity N8(p) bila dua pixel p dan q memiliki nilai dalam V
dan q adalah bagian dari set N8(p).
KETERHUBUNGAN ANTAR PIXEL (pixel connectivity):
- Misalnya nilai keterhubungan antar pixel V=[99, 101] = {99, 100, 101}.
- Keterhubungan N8(p) gambar 2.2-b.

- Gabungan keterhubungan N4(p) dan ND(p) dengan syarat:
(i) q adalah bagian dari N4(p) atau
(ii) q adalah bagian dari ND(p) dan N4(p)∩N4(q) = Ø. (gambar 2.2-c)
JARAK ANTARA PIXEL:
untuk a=1 disebut city-block distance dan

untuk a=2 disebut Euclidean distance
2.2 OPERASI ARITMETIKA DAN LOGIKA
OPERASI ARITMETIKA :
- Nilai dinamik pixel: [0, 255], Citra gray-level, citra berwarna

- Ukuran citra P dan citra Q harus sama
- Operasi aritmetika antara dua pixel p dan q <= Nilai dinamik pixel
- Bobot dan normalisasi
Penjumlahan : a.p + b.q
Pengurangan : |p – q| atau |a.p – b.q|
Perkalian : round( (p x q) (255/d))
Pembagian : round( (p ÷ q) (255/d))
d merupakan nilai maksimum dari hasil kali/pembagian citra P dan citra Q,
sedang a dan b merupakan bobot dimana a + b = 1
CONTOH HASIL OPERASI ARITMETIKA :
OPERASI LOGIKA:
- Operasi untuk Citra biner

- Ukuran citra P dan citra Q harus sama
NOT : NOT p disebut juga operasi invers
AND : p AND q atau p AND C
NAND : p NAND q atau p NAND C
OR : p OR q atau p OR C
NOR : p NOR q atau p NOR C
XOR : p XOR q atau p XOR C
XNOR : p XNOR q atau p XNOR C
OPERASI LOGIKA: AND NAND
Y = p.q Y = p.q
p q Y p q Y
0 0 0 0 0 1
1 0 0 1 0 1
0 1 0 0 1 1
1 1 1 1 1 0
OPERASI LOGIKA: OR NOR
Y = p+q Y = p+q
p q Y p q Y
0 0 0 0 0 1
1 0 1 1 0 0
0 1 1 0 1 0
1 1 1 1 1 0
OPERASI LOGIKA: XOR XNOR
Y = pq Y = pq
p q Y p q Y
0 0 0 0 0 1
1 0 1 1 0 0
0 1 1 0 1 0
1 1 0 1 1 1
2.3 OPERASI KONVOLUSI
N M ( N −1) / 2 ( M −1) / 2
C = A * B =  A(n, m).B (n, m) =   A(n, m).B(n, m)
n =1, m =1 n = − ( N −1) / 2 , m = − ( M −1) / 2
a = (1x0 + 1x0 + 1x0 + 1x0 + 1x164 + 1x63 + 1x0 +1x120 + 1x135) / 9 = 53,56
b = (1x0 + 1x0 + 1x0 + 1x164 + 1x63 + 1x75 + 1x120 + 1x135 + 1x55) / 9 = 68,0
..
.
y = (1x50 + 1x81 + 1x0 + 1x60 + 1x76 + 1x0 + 1x0 + 1x0 + 1x0) / 9 = 29.67
2.6 MORPHOLOGI MATEMATIKA
DILASI
(DILATION)
CITRA BINER :
DILASI CITRA
GRAY LEVEL :
EROSI (EROSION) CITRA BINER :
EROSI CITRA
GRAY LEVEL :
Penutupan (Closing) dan Pembukaan (Opening) :
BAB 3.
RUANG WARNA
DAN DASAR-DASAR
PENGOLAHAN CITRA BERWARNA
Oleh:
Sarifuddin Madenda
3.3 RUANG WARNA
Sensasi warna didefenisikan oleh CIE (Prancis : Commission internationale de
l'éclairage atau Ingris : International Commission on Illumination) berupa :
Brightness (kecerahan) yaitu sensasi visual mata dalam membedakan suatu area
yang memiliki lebih banyak intensitas cahaya atau kurang.
Hue (warna) yaitu sensasi visual mata dalam memandang satu area yang memiliki
warna yang sama atau mirip dengan area lainnya atau memiliki proporsi
perbedaan warna antara keduanya.
Colorfulness yaitu sensasi visual mata dalam membedakan suatu area yang
mengandung warna (chromatic) atau tidak (achromatic atau gray level).
Saturation (saturasi) yaitu sensasi visual mata dalam membedakan kecerahan suatu
warna terhadap kecerahan warna murninya (pure hue).
Chroma (kemurnian) yaitu sensasi visual mata dalam membedakan kecerahan
suatu warna relative pada referensi warna putih (identik dengan saturasi).
Lightness (Luminance) yaitu sensasi visual mata dalam membedakan kecerahan
suatu area relative pada referensi warna putih dalam ruang pandang mata
tersebut.
3.3.1 SISTEM WARNA MUNSELL
3.3.3 RUANG WARNA RGB
- Ruang warna standard RGB (Red, Green, Blue) didasarkan
pada hasil aquisisi frekuensi warna oleh sensor elektronik.
- Setiap komponen warna dikodekan dalam 8 bit sehingga dapat
terbentuk 224 atau 16777216 nuansa warna
3.3.4 RUANG WARNA CMYK
- Merupakan ruang warna subtraktif yang digunakan dalam printer
- Empat warna: Cyan, Magenta (ungu), Yellow (kuning) dan Black
(hitam)
- Gabungan cyan, magenta dan yellow menghasilkan warna coklat gelap
(bukan hitam).
- Penambahan warna K (hitam) ditujukan untuk menghasilkan warna
hitam sempurnah
3.3.4 RUANG WARNA CMYK
Konversi dari RGB ke CMY : Cyan = Imax – Red

Magenta = Imax – Green
Yellow = Imax − Blue
dari CMY ke CMYK : Black = Min(Cyan, Magenta, Yellow)
Cyan = (Cyan − Black)/( Imax − Black)
Magenta = (Magenta − Black)/( Imax − Black)
Yellow = (Yellow − Black)/( Imax − Black)
dari CMYK ke CMY : Cyan = Min(Imax, Cyan * (Imax − Black) + Black)
Magenta = Min(Imax, Magenta * (Imax − Black) + Black)
Yellow = Min(Imax, Yellow * (Imax − Black) + Black)
dari CMY to RGB : Red = Imax − Cyan
Green = Imax − Magenta
Blue = Imax – Yellow
3.3.5 RUANG WARNA HSL
- mengacu pada hue, saturation, and lightness (luminance) dan
merepresentasikan nuansa warna dalam koordinat silinder 3-D
- Lebih mendekati pada intuisi dan persepsi visual manusia seperti
halnya pada sistem warna Munsell
- HSL dikembangkan untuk aplikasi komputer grafik dan digunakan
sebagai tools untuk memodifikasi warna citra dalam perangkat
lunak image editing.
3.3.5 RUANG WARNA HSL
3.3.5 RUANG WARNA HSV
- Mengacu pada hue, saturation, and value (luminance) dan
merepresentasikan nuansa warna dalam koordinat silinder 3-D
- Lebih mendekati pada intuisi dan persepsi visual manusia seperti
halnya pada sistem warna Munsell
- HSV dikembangkan untuk aplikasi komputer grafik dan
digunakan sebagai tools untuk memodifikasi warna citra dalam
perangkat lunak image editing.
3.3.5 RUANG WARNA HSV
3.3.6 RUANG WARNA L*a*b DAN L*C*H*
- Mengacu pada luminance L, chrominance C, and hue H dan
merepresentasikan 3nuansa warna dalam koordinat silinder 3-D
- Mengacu pada sistem warna Munsell, representasi warna yang
Lebih uniform dengan persepsi warna oleh mata normal manusia
(perceptually uniform)
- Kelebihan ruang warna L*a*b* dan H*C*L* adalah tidak
bergantung pada peralatan yang digunakan (device independent).
- Digunakan sebagai Profile Connection Space (PCS) yang
berfungsi menjembatani dua ruang warna yaitu input RGB (hasil
akuisisi dari scanner atau kamera) dan output CMYK (printer).
- secara luas digunakan khususnya untuk aplikasi fotografi dengan
kualitas tinggi.
3.3.5 RUANG WARNA L*a*b* dan L*C*H*
3.3.7 RUANG WARNA HCL
- HCL (Hue, Chroma, Luminance) dikembangkan berdasarkan
gabungan kelebihan yang ada pada ruang warna HSL, HSV dan
L*a*b* atau L*C*H*.
- Juga mengacu pada model warna Munsell dan sifat scotopic dan
photopic vision,
- Menghasilkan ruang warna yang lebih uniform terhadap persepsi
visual manusia.
Konversi
RGB➔HCL
Konversi
HCL ➔ RGB
3.3.8 RUANG WARNA YUV dan YCbCr
- Ruang warna YUV menjadi standar dalam perekaman,

penyimpanan, transmisi dan display dalam sistem televisi
analog NTSC dan PAL.
- Ruang warna YCbCr merupakan bagian dari standar
internasional yang digunakan pada sistem TV digital.
- Keduanya memisahkan komponen luminance Y dari dua
koponen chroma UV, dan CbCr.
- Kompatibilitas gambar hitam putih dapat terjaga, sehingga
terminal TV hitam putih tetap dapat menangkap sinyal dan
menayangkan informasi gambar dari komponen Y, sekalipun
sinyal TV yang dipancarkan adalah berwarna.
3.3.8 RUANG WARNA YUV dan YCbCr
3.4.1 REPRESENTASI WARNA CITRA
DALAM RUANG WARNA 3D
3.4.2 HISTOGRAM DAN BIN WARNA CITRA
BAB 4.
PENDETEKSIAN TEPI OBJEK
Oleh:
Sarifuddin Madenda
- Tepi (edge) dan kontur (contour) membantu sistem visual
dalam menggambarkan atau merekonstruksi dan
mengenali sebuah objek.
- Tepi dan kontur didefenisikan secara berbeda namun
dalam prakteknya keduanya kadang diartikan sama.
- Tepi citra didefenisikan sebagai perbedaan intensitas atau
warna antara satu pixel dengan pixel tetangga
terdekatnya.
- Semakin tinggi perbedaanya semakin tampak dengan jelas
tepi tersebut.
- Tepi merupakan sebuah titik sedang kontur merupakan
titik-titik tepi yang saling terhubung dan membentuk garis
batas antara dua area yang berbeda.
- Pendeteksian tepi objek juga identik dengan
pendeteksian kontur objek dalam sebuah citra.
- Secara matematis, perbedaan intensitas antara dua
titik pada jarak spasial tertentu dikenal sebagai
turunan pertama dari suatu fungsi.
- Turunan pertama fungsi citra I(x,y) disebut gradien
citra
- Dari konsep gradien citra dikembangkan fungsi
pendeteksian tepi atau edge detector
- Turunan parsial pertama fungsi citra I(x,y) terhadap sumbu x
dan sumbu y, diperlihatkan oleh persamaan (4.1), sedang
gradient vector dan magnitude-nya diberikan oleh persamaan
(4.2) dan (4.3) atau persamaan (4.4)
(a) (b) (c)
(d) (e)
(f) (g) (h)
Gambar 4.1. (a) citra asli gray-level, (b), (c) dan (d) masing-masing adalah gradien citra arah x, gradien arah y, dan gradien
total citra dengan menggunakan persamaan (4.4). (e) adalah gradien citra menggunakan fungsi yang ada di Matlab. (g) dan
(h) masing-masing adalah gradien citra kupu-kupu menggunakan persamaan (4.4) dan fungsi yang ada di Matlab.
4.2.1 OPERATOR ROBERTS
Operator Roberts atau gradien Roberts menggunakan
turunan pertama dari fungsi citra, pada arah diagonal
45̊ dan 135̊ :
4.2.1 OPERATOR ROBERTS
(a) (b) (c)
(d) (e)
(f) (g) (h)

Gambar 4.2. (a) citra asli gray-level, (b), (c) dan (d) masing-masing adalah gradient citra arah 45̊, arah 135̊,
dan gradien total dengan menggunakan persamaan (4.7). (e) Hasil gradient Roberts menggunakan fungsi
yang tersedia di Matlab. (g) dan (h) masing-masing adalah gradien citra kupu-kupu menggunakan persamaan
(4.7) dan fungsi gradien Roberts yang telah tersedia di Matlab.
4.2.2 OPERATOR PREWITT dan SOBEL
- Gabungan filter perata dan turunan pertama citra.
- Pemfilteran noise dan pendeteksian tepi citra.
(a) (b) (c)
(d) (e)
(f) (g) (h) (i) (j)

Gambar 4.3. (a) dan (f) citra asli gray-level, (b) dan (c) masing-masing adalah gradient citra Prewit dan Sobel.
(d) dan (e) masing-masing adalah hasil gradient citra Prewit dan Sobel melalui fungsi imgradient()
yang tersedia di Matlab. (g) dan (h) adalah gradien citra kupu-kupu Prewit dan Sobel hasil konvolusi,
(i) dan (j) merupakan gradien Prewit dan Sobel menggunakan fungsi imgradient().
4.2.4 OPERATOR KIRSCH
- Disebut juga operator kompas: melakukan pendetaksian tepi pada
8 arah mata angin di setiap kelipatan sudut 45̊.
- Tujuannya untuk menemukan tepi maksimum dalam semua arah
yang terdeteksi.
- Hasilnya lebih baik, namun waktu eksekusinya jauh lebih lambat.
(a) (b) (k) (l)
(c) (d) (e) (f)
(f) (g) (h) (i) (j)
(g) (h) (i) (j)

Gambar 4.4. (a) citra asli gray-level, (b) gradient Kirsch yang merupakan nilai maksimum dari gradient G1 hingga
G8. (c) – (j) gradient citra yang secara berturut-turut merupakan hasil dari G1 hingga G8. (l) adalah
gradien Kirsch dari citra pada gambar (k)
4.3 OPERATOR LAPLACE
- Filter Laplacian atau disebut Operator Laplace secara matematis

didefenisikan sebagai jumlah dari turunan parsial kedua dari citra
dua dimensi I(x,y) sepanjang arah sumbu x dan sumbu y :
4.4 PENDETEKSIAN TEPI CITRA BERNOISE
- Noise muncul secara acak dan mengakibatkan perubahan

nilai pixel-pixel dalam citra secara acak pula.
- Secara visual, noise pada citra tampak terlihat seperti
bintik-bintik dengan intensitas warna yang berubah secara
acak.
- Gangguan noise mengakibatkan informasi dalam citra
menjadi tidak jelas
- Noise yang muncul pada area tepian objek mengakibatkan
tepiannya menjadi tidak jelas dan tidak beraturan serta
memungkinkan terjadinya pergesaran posisinya.
CITRA BERNOISE
- Noise selalu berada pada frekuensi tinggi

- Filter pendeteksian tepi objek dalam citra bernoise:
▪ low-pass filter : penghilangan atau penghalusan noise.
▪ band-pass filter : deteksi tepi
- Dua jenis filter yaitu finite impulse response (FIR) filter dan
infinite impulse response (IIR) filter.
4.4.1 FILTER FIR
- FIR satu dimensi (1D) :

K /2
y ( n) =  b.x(n − i)
i =− K / 2
- FIR dua dimensi (2D) :

K /2 K /2
y ( n) =   b .x ( n − i, m − j )
i =− K / 2 j =− K / 2
ij
4.4.1.1 FILTER GAUSSIAN
- FIR dua dimensi (2D) :
HASIL FILTER GAUSSIAN
4.4.1.2 FILTER TURUNAN PERTAMA GAUSSIAN
HASIL FILTER TURUNAN PERTAMA GAUSSIAN
4.4.1. 3 FILTER LAPLACIAN OF GAUSSIAN
- Turun kedua dari fungsi Gauss diperlihatkan oleh persamaan (4.31).

- Dikenal sebagai Laplacian of Gaussian filter (LoG filter)
HASIL FILTER LoG
4.4.1.4 FILTER DIFFERENCE OF GAUSSIAN
- Tujuan dari operasi ini adalah memfilter citra dengan dua

tingkat noise yang berbeda σ12 dan σ22.
- Menghitung selisih atau beda dari hasil keduanya, sehingga
disebut difference of Gaussians atau disingkat filter DoG.
HASIL FILTER DoG
4.4.2 FILTER IIR
- Filter IIR (Infinite impulse response filter) memiliki sistem
feedforward (umpan maju) x(n-k) dan feedback (umpan balik)
sekaligus y(n-l).
- Keluarannya tergantung pada data sesaat dan data sebelumnya
x(n-k) serta hasil perhitungan sebelumnya y(n-l).
- Filter IIR dikembangkan untuk pendeteksian citra: tanpa noise,
bernoise, ber-blur, bernoise dan ber-blur.
- Filter IIR secara umum dapat diformulasikan :
4.4.2.1 FILTER SHEN-CASTAN
- Filter ini terdiri dari satu pasang fungsi 1 dimensi (1D)
- Fungsi h(x) berperan sebagai filter low-pass untuk memfilter
noise.
- Fungsi f(x) merupakan filter band-pass yang berperan sebagai
pendeteksi tepi citra.
- Parameter a adalah parameter pengatur tingkat eliminasi noise.
- Dengan bantuan transformasi Z, kedua filter f(x) dan h(x)
ditransformasi ke dalam bentuk filter IIR:
- Filter numerik f(x) :
- Filter numerik h(x) :
- Tanda (+) pada y+(n) menyatakan proses penghitungan

dilakukan dari kiri ke kanan untuk arah horisontal dan dari
atas ke bawah untuk arah vertikal.
- Tanda (-) pada y-(n) menyatakan proses penghitungan
dilakukan dari kanan ke kiri untuk arah horisontal dan dari
bawah ke atas untuk arah vertikal.
- Filter h(x) dan f(x) merupakan filter rekursif orde satu.
- Pendeteksian tepi citra arah horisontal: proses pemfilteran
noise arah vertikal terhadap citra asli, dan dilanjutkan
dengan pendeteksian tepi arah horisontal.
- Pendeteksian tepi citra arah vertikal dilakukan melalui

proses pemfilteran noise arah horisontal terhadap citra
asli, dan dilanjutkan dengan pendeteksian tepi arah
vertikal terhadap hasil citra pemfilteran hotisontal.
- Hasil akhir tepi citra adalah jumlah harga mutlak dari tepi
horisontal dan harga mutlak dari tepi vertikal.
HASIL FILTER SHEN-CASTAN:
4.4.2.2 FILTER CANNY-DERICHE
- Filter Canny-Deriche mengacu pada kriteria Canny yaitu :
• Good detection : optimalisasi pendeteksian tepi yang
sebenarnya dan meminimalkan pendeteksian tepi palsu
akibat pengaruh munculnya noise disekitar tepi
(optimalisasi sinyal to noise ratio (SNR)).
• Good localization : posisi tepi yang terdeteksi oleh
operator/filter harus sesuai atau sedekatmungkin dengan
posisi tepi yang sebenarnya.
• One response to one edge : harus dapat mendeteksi
hanya satu titik untuk satu tepi dan bukan banyak titik untuk
satu tepi.
- Kombinasi dari tiga criteria diperoleh dua filter yaitu:
• Filter h(x) sebagai penghalus noise (smoothing filter)
• Filter f(x) sebagai pendeteksi tepi (derivative filter).
- Filter h(x) : h( x) = K (a | x | +1)e −a | x|
- Dengan bantuan transformasi Z, filter h(x) ditransformasi ke

dalam bentuk filter IIR:
- Filter f(x) : f ( x) = −C.xe −a | x|
- Dengan bantuan transformasi Z, filter f(x) ditransformasi ke

dalam bentuk filter IIR:
HASIL FILTER CANNY-DERICHE
4.4.2.3 FILTER MADENDA
- Asumsi bahwa sebuah citra dapat mengalami
gangguan noise dan blur secara bersamaan.
- Filter pendeteksi tepi harus dapat mendeteksi tepi baik
untuk citra tanpa gangguan maupun citra yang
memiliki gangguan noise dan blur.
- Madenda memodelkan sebuah tepi ber-noise dan ber-
blur.
- Dari model ini kemudian diturunkan dua filter:
▪ Filter penghalus noise h(x) dan
▪ Filter pendeteksi tepi citra f(x).
▪ Parameter noise a>0 parameter blur (0> b >1)
▪ Filter penghalus noise h(x)
▪ Filter penghalus noise f(x)
HASIL FILTER MADENDA:
4.5 OPERATOR MORFOLOGI MATEMATIKA
4.5.1 OPERATOR CLOSING OF OPENING (CoO):
4.5.2 OPERATOR OPENING OF CLOSING (OoC):
4.5 OPERATOR MORFOLOGI MATEMATIKA
4.5.3 OPERATOR GRADIEN MORFOLOGI
- Tiga cara proses pendeteksian tepi morfologi matematika:

▪ Pertama : selisih antra citra asli terhadap citra hasil erosi,
▪ Kedua : selisih antra citra asli terhadap citra hasil dilasi,
▪ Ketiga : selisih antra citra hasil dilasi terhadap citra hasil erosi.
HASIL OPERATOR GRADIEN MORFOLOGI
BAB 5.
SEGMENTASI CITRA BERDASARKAN
WARNA DAN TEKSTUR
Oleh:
Sarifuddin Madenda
- Mata dan sistem syaraf optik manusia dapat dengan
mudah mengenali dan memahami makna setiap objek
yang terkandung dalam subuah citra berdasarkan
informasi warna dan tekstur pembentuk permukaan
objek tersebut.
- Komputer butuh algoritma analisis dan pengenalan
untuk dapat melakukan sesuatu sebagaimana layaknya
sistem visual manusia.
- Segmentasi citra bertujuan untuk merepresentasikan
area sebuah citra menjadi sejumlah segmen sehingga
lebih bermakna dan lebih mudah untuk dianalisis.
- Sebuah segmen dapat merepresentasikan karakteristik
sebuah objek atau bagian dari sebuah objek dalam
citra.
- Pembentukan sebuah segmen mengacu pada sifat-
sifat berikut:
▪ Pixel-pixel yang saling terhubung dan memiliki nilai
intensitas warna atau pola tekstur yang sama atau
sangat mirip akan berada dalam segmen yang
sama.
▪ Pixel-pixel yang saling terhubung dan memiliki nilai
intensitas warna atau tekstur yang berbeda, akan
berada dalam dua segmen yang berbeda dan
ditandai oleh batas garis pemisah.
5.1 SEGMENTASI WARNA CITRA
- Segmentasi area citra berdasarkan warna mengacu

pada:
▪ Sifat homogenietas dan heterogenietas warna
suatu area
▪ Ruang warna dan alat ukur jarak disimilaritas
(perbedaan) dan/atau similaritas (kemiripan) warna
▪ Seberapa banyak jumlah pixel bertetangga yang
digunakan dan bagaimana cara mengukurnya
5.1.1 Ruang Warna dan Peta Warna
- Ruang warna yang digunakan saat akuisisi citra dan
tampilan ke layar monitor adalah ruang warna RGB.
- Bila setiap komponen warna dikodekan dengan 8 bit,
maka akan ada 224 = 16,777 juta nuansa atau variasi
warna.
- Dua warna dimana nilai setiap komponen warna
antara keduanya sangat berdekatan, secara visual
kedua warna ini tampak sama/similar, contoh:
R=5, G=45, B=200 R=1, G=52, B=205 R=255, G=0, B=255 R=250, G=5, B=255
Peta Warna (color map) 1-D
- Pengelompokkan sejumlah nuansa warna yang secara
visual similar menjadi satu warna tertentu
5.1.1 Ruang Warna dan Peta Warna
Peta Warna (color map)
Contoh hasil pembuatan peta warna RGB dan HSV 3D
Contoh hasil peta warna RGB 3D
Contoh hasil peta warna HSV 3D
5.1.2 ALAT UKUR JARAK WARNA
- Dalam segmentasi warna citra, proses utama adalah
menentukan pixel mana saja yang termasuk dalam sebuah
segmen yang sama dan menentukan batas antara dua
segmen yang memiliki peta warna yang berbeda.
- Dibutuhkan alat ukur perbedaan jarak antara dua warna
- Rumus jarak warna dikembangkan mengacu pada model
koordinat ruang warna 3D yang digunakan.
- Koordinat Kartesian 3D, jarak warna antara dua pixel
dihitung dengan menggunakan rumus jarak Euclidean atau
City block distance (Manhattan distance).
- Rumus jarak Euclidean dan City block distance untuk ruang
warna RGB dan L*a*b*
- Rumus jarak (CIE) 1994 untuk ruang warna L*a*b* :
- Rumus jarak untuk ruang warna CIE L*C*H* :
- Rumus jarak CIEDE2000 untuk ruang warna L*C*H* :
- Koordinat silider 3D untuk ruang warna HSV, HSL
dan HCL, S ➔ C dan V ➔ L
- Contoh hasil pengukuran
jarak warna
- Warna query “kuning”
pada pojok kiri-atas
5.1.3 SEGMENTASI CITRA BERDASARKAN
KESAMAAN WARNA
- Segmentasi citra berdasarkan warna dapat dilakukan
secara global atau secara local.
- Analisis lokal: per region atau per area dan dilakukan
secara terpisah antara region satu dengan region
lainnya.
- Analisis global adalah analisis yang dilakukan langsung
dalam satu kesatuan citra.
- Model pengukuran similaritas: Pixel-based measures
dan Region-based measures.
KESAMAAN WARNA
- Pixel-based measures: segmentasi berbasis pada
pengukuran jarak warna antara dua pixel bertetangga,
- Region-based measures: segmentasi berbasis pada
pengukuran kesamaan karakteristik warna antara dua
region bertetangga. Menggunakan pendekatan region
splitting dan region growing.
- Teknik segmentasi dibedakan menjadi tiga bagian:
thresholding-based segmentation, edge-based
segmentation, histogram-based segmentation.
KESAMAAN WARNA
- Thresholding-based segmentation mengelompokan pixel-
pixel yang saling bertetangga dan memiliki jarak warna
lebih kecil dari nilai batas ambang (threshold) kemiripan
dua warna.
- Thresholding-based segmentation dapat diterapkan
secara bersamaan dengan segmentasi berbasis pixel atau
segmentasi berbasis histogram,
- edge-based segmentation mengacu pada pendeteksian
tepi citra.
KESAMAAN WARNA
- Algoritma segmentasi kemudian terus berkembang
melalui penerapan sejumlah teori misalnya:
▪ Teori graph (graph-based image segmentation),
▪ Teori fuzzy (image segmentation based on a fuzzy
color similarity),
▪ Teori k-Mean (image segmentation based on k-
Means clustering),
▪ Neural network, dll.
5.1.3.1 SEGMENTASI BERBASIS PIXEL
- Segmentasi berbasis pixel dapat dilakukan secara semi-

otomatis dan secara otomatis.
- Cara semi-otomatis membutuhkan intervensi seorang
operator untuk menentukan jenis warna area color
region of interest (ROI) yang ingin disegmentasi.
- Cara otomatis adalah komputer akan melakukan
segmentasi tanpa intervensi operator.
- Tahap segmentasi semi-otomatis dari region of interest:
▪ Baca citra berwarna (tersimpan dalam matriks 3D RGB)
▪ Tentukan warna pixel area object of interest sebagai warna referensi untuk
segmentasi,
▪ Tentukan rentan nilai threshold jarak warna,
▪ Bila menggunakan ruang warna selain RGB, konversi warna pixel referensi
dan citra dari ruang warna RGB ke ruang warna yang digunakan untuk
segmentasi,
▪ Untuk setiap pixel dalam citra, hitung jarak warnanya terhadap warna
referensi:
• Hitung jarak antara keduanya dengan menggunakan rumus jarak sesuai
dengan ruang warna yang digunakan.
• Bila jarak warnanya lebih kecil dari nilai threshold, pixel merupakan bagian
dari area segment. Bila tidak, pixel bukan bagian dari area segmen,
hilangkan.
-Hasil segmentasi semi-
otomatis menggunakan
ruang warna RGB,HSV
dan HCL serta rumus
jarak warna Euclidean,
Dcyl dan DHCL
- Tahap segmentasi otomatis :
- Baca citra berwarna (otomatis akan tersimpan dalam matriks 3D
RGB),
- Tentukan jumlah kuantisasi setiap komponen warna dan hitung
nilai rentan antara dua palette warna sesuai dengan ruang warna
yang digunakan.
- Bentuk peta warna citra: indeks warna dan nilai intensitas palette
warna
- Tentukan batas antara dua area dan tandai dengan warna yang
berbeda (warna putih misalnya) :
• Gunakan rumus jarak warna sesuai dengan ruang warna yang digunakan,
• Gunakan nilai index warna atau nilai intensitas warna palette pada rumus
jarak tersebut,
• Bila jarak index > 0 atau jarak nilai intensitas > 0, tandai sebagai batas.
- Hasil segmentasi otomatis :
5.1.3.2 SEGMENTASI BERBASIS REGION
5.1.3.2.1 REGION GROWING
5.1.3.2.2 REGION SPLITTING AND MERGING
5.1.3.2.2 REGION SPLITTING AND MERGING
- Contoh Hasil segmentasi berbasis region splitting
REGION MERGING
5.2 SEGMENTASI TEKSTUR CITRA
- Tekstur mengacu pada : kekasaran/kehalusan

permukaan objek atau bentuk/pola/corak yang
terbentuk pada permukaan objek citra.
- Permukaan lantai kayu parket mengandung variasi
intensitas warna yang membentuk suatu pola tertentu.
- Kulit jeruk, memiliki permukaan berbintik dengan posisi
acak, maka permukaan kulit tersebut menjadi kasar.
5.2 SEGMENTASI TEKSTUR CITRA
- Analisis tekstur dan segmentasi berdasarkan tekstur

mengacu pada analisi tingkat kekasaran permukaan atau
analisi struktur pola dan orientasinya.
- Pendekatan analisis statistik (statistical approach) untuk
mengetahui homogenietas kekasaran permukaan tekstur,
- Analisis karakteristik pola tekstur dilakukan melalui
pendekatan terstruktur (Structured Approach).
5.2.1 ANALISISI STATISTIK TEKSTUR
- Analisis tekstur berdasarkan pada karakteristik statistik
adalah mengacu pada distribusi intensitas atau
histogram citra secara global dan/atau secara lokal
dalam suatu area tertentu.
- Karakteristik ini dapat diukur melalui momen ke-n
dengan bantuan histogram citra.
5.2.1 ANALISIS STATISTIK TEKSTUR
5.2.2 ANALISIS TEKSTUR DENGAN
MATRIKS CO-OCCURRENCE
- Gray level co-occurrence matrices (GLCM)

dikembangkan oleh Haralick
- Matriks ini merupakan bagian dari analisis statistik
tekstur.
- Ukuran matriks co-occurrence sangat tergantung
pada nilai minimum dan nilai maksimum dari pixel-
pixel dalam area tekstur yang dianalisis.
- Nilai setiap elemen matriks merupakan jumlah
frekuensi munculnya nilai dua pixel yang saling
bertetangga.
5.2.2 ANALISIS TEKSTUR DENGAN
MATRIKS CO-OCCURRENCE
- Dua nilai pixel bertetangga sesuai definisi jarak d={dy, dx}
antara dua pixel dan sudut θ arah tetangga (horisontal,
vertikal atau diagonal).
- Secara matematis, sebuah matriks co-occurrence (CM)
berukuran GxG dari sebuah area citra berukuran NxM, di
definisikan sebagai berikut:
5.2.2.1 MATRIKS CO-OCCURRENCE
SUDUT TUNGGAL
- Tetangga pixel p(n,m) : untuk arah 0°, p(n,m+d) (d={0, d}), untuk arah
45° p(n-d,m+d) (d={-d, d}), untuk arah 90° p(n-d,m) (d={-d, 0}) dan
untuk arah 135° p(n-d,m-d) (d={-d, -d}), untuk arah 180° p(n,m-d)
(d={0, -d }), untuk arah 225° p(n+d,m-d) (d={d, -d}), untuk arah 270°
p(n+d,m) (d={d, 0}) dan untuk arah 315° p(n+d,m+d) (d={d, d}).
SUDUT TUNGGAL
SUDUT TUNGGAL
SUDUT TUNGGAL
SUDUT GANDA
- Matriks co-occurrence sudut ganda 0°-180°, 45°-225°, 90°-270°,
dan 135°-315°.
- Tetangga pixel p(n,m) arah 0°-180° yaitu i,j = p(n,m), p(n,m+d)
dan j,i = p(n,m+d), p(n,m), arah 45°-225° yaitu i,j = p(n,m), p(n-
d,m+d) dan j,i = p(n-d,m+d), p(n,m), arah 90°-270° yaitu i,j =
p(n,m), p(n-d,m) dan j,i = p(n-d,m), p(n,m), dan arah 135°-315°
yaitu i,j = p(n,m), p(n-d,m-d) dan j,i = p(n-d,m-d), p(n,m).
SUDUT GANDA
SUDUT GANDA
5.2.2.3 KARAKTERISTIK TEKSTUR GLCM
BAB 6.
KOMPRESI CITRA
Oleh:
Sarifuddin Madenda
- Konten Teknologi Informasi dan Komunikasi: multimedia
(teks, audio, citra dan video)
- Kecepatan komunikasi real-time: jumlah konten
informasi = bandwidth persatuan waktu.
- Contoh, Video conference dengan resolusi video
1920×1080 pixel per citra dan 25 citra per detik, maka
data video 1920×1080×3×8×25 = 1,244 giga bit / detik.
- Video conference real-time butuh bandwidth > 1,244
Gbps.
- Bila bandwidth 100 Mbps, waktu tunggu:
1,244 Gbps / 100 Mbps = 12,44 detik
- Untuk mencapai video conference real-time: perlu
kompresi dengan rasio kompresi 12,44
- Perekaman Video conference selama 1 jam butuh media
penyimpanan 1920×1080× 3 byte × 25 citra × 60 detik ×
60 menit = 559,872 Giga Byte.
- Butuh media penyimpanan : 66 buah DVD 8.5 GB.
- Solusi: kompresi data citra/video dengan rasio tinggi
6.1 KERANGKAPAN DATA DAN INFORMASI
- Teori kompresi dikembangkan mengacu pada
kerangkapan data/informasi.
- Dua informasi auditif atau informasi visual yang
mengandung makna yang sama dan terbentuk oleh
data dengan nilai numerik yang sama, dinyatakan
memiliki kerangkapan informasi dan kerangkapan
data.
- Dua informasi auditif atau informasi visual yang
mengandung makna yang sama tetapi terbentuk oleh
data dengan nilai numerik yang berbeda, dinyatakan
memiliki kerangkapan informasi tanpa kerangkapan
data.
- Tiga buah objek pertama berwarna biru (segi tiga, R=0,
G=51, B=204), (segi empat, R=1, G=52, B=205) dan
(lingkaran, R=2, G=49, B=202).
- Tiga buah objek kedua berwarna ungu : (segi tiga,
R=255, G=0, B=255), (segi empat, R=255, G=0, B=255)
dan (lingkaran, R=255, G=0, B=255).
- Secara visual, tiga buah objek pertama memberi
informasi warna biru yang sama (walau datanya
berbeda), sehingga data warna biru ketiga objek
dapat diwakilkan oleh salah satunya: (segi tiga, segi
empat, lingkaran, R=1, G=52, B=205).
- Terkompresi dengan rasio kompresi 9/3 = 3
- Secara visual, tiga objek kedua memberi informasi
warna ungu yang sama dan datanya sama: (segi tiga,
segi empat, lingkaran, R=255, G=0, B=255).
- Terkompresi dengan rasio kompresi 9/3 = 3
- Semakin banyak data rangkap, semakin tinggi rasio
kompresi.
- Kerangkapan data dapat diperbanyak melalui proses
deferensial dan quantisasi
- Deferensial merupakan selisih antara dua data pixel
yang saling berurutan:
- Data citra I heterogen ➔ data DI homogen bernilai
“1”..
- Metode diferensial digunakan sebagai algoritma
DPCM (Differential Pulse Code Modulation) biasa
digunakan untuk kompresi citra lossless.
- Proses rekonstruksi:
- Metode kuantisasi digunakan pada teknik kompresi
data yang bersifat lossy:
IQ =round( I/Q)
- Data citra I = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10), jika nilai
kuantiasi Q=5
- IQ = (0, 0, 1, 1, 1, 1, 1, 2, 2, 2)
- Proses rekonstruksi:
Q
I =round(I *Q)
- Hasil rekonstruksi: I = (0, 0, 5, 5, 5, 5, 5, 10, 10, 10).
- Hampir semua nilai data berubah, secara visual
perubahan ini tidak begitu tampak
6.2 TEKNIK DASAR KOMPRESI DATA
- Kompresi data disebut encoding (atau coding) dan

proses rekonstruksi disebut decoding.
- Encoding : proses pengkodean urutan karakter berupa
huruf, angka, tanda baca dan symbol-simbol lainnya ke
dalam format khusus agar lebih efisien saat disimpan
atau ditransmisikan.
- Decoding : proses invers yang mengkonversi format
data terencoding menjadi urutan karakter aslinya.
- Proses encoding dan decoding dapat diterapkan pada
semua jenis data multimedia: teks, audio, signal, citra
dan video.
6.2 TEKNIK DASAR KOMPRESI DATA
- Encoding berbeda dengan enkripsi (encryption).

- Pada proses enkripsi, data atau informasi sengaja
diubah dengan tujuan untuk menyembunyikan isi
informasi yang terkandung didalamnya tanpa ada
pengurangan jumlah data.
- Encoding lebih fokus pada pengurangan redundansi
data sehingga jumlah data dapat lebih kecil.
6.2.1 RUN LENGTH ENCODING
- Run length : jumlah pixel yang secara berurutan memiliki nilai
data yang sama
- Run length encoding (disingkat RLE): metode pengkodeannya
untuk kebutuhan kompresi.
- Contoh 1:
I = (1, 2, 3, 4, 5, 6, 7, 8, 9, 10) ➔ DI= (1, 1, 1, 1, 1, 1, 1, 1, 1, 1)
RLE ➔ 10 1
- Contoh 2:
6.2.1 RUN LENGTH ENCODING
- Contoh 3:
- Rasio kompresi: contoh 1 ➔ 10/2 =5, contoh 2 ➔ 36/10 =3.6,

contoh 3 ➔ 33/66 =0.5 (terjadi pembengkakan jumlah data)
- Metode RLE sangat baik digunakan untuk mengkompres data
yang tingkat homogenietasnya tinggi. Sebaliknya, RLE sangat
tidak efektif digunakan untuk data heterogen.
6.2.1 HUFFMAN ENCODING
- Metode Huffman mengacu pada penghitungan frekuensi
munculnya setiap data, kemudian diurut mulai dari yang
tertinggi hingga yang terendah dan kemudian
direpresentasikan dalam bentuk pohon biner.
- Data yang frekuensi munculnya paling banyak dikode dengan
jumlah bit terkecil dan data yang frekuensi munculnya paling
sedikit dikode dengan jumlah bit terbesar.
- contoh kalimat yang akan dikompres "this is an example of a
huffman tree".
Pohon Biner (Huffman coding)
1 1 1
“ “= 7 12 20 36 “ “= 111
a=4 1 0
8 a = 101
e=4 0
e = 100
f=3 1 5 0 f = 1101
t=2 0 t = 1100
h=2 1 4 1 8 1 16 0 h = 0111
i=2 0 i = 0110
s=2 1 4 0 s = 0101
n=2 0 n = 0100
m=2 1 4 1 8 0 m = 0011
x=1 1 2
0 x = 00101
p=1 0 p = 00100
l=1 1
2
1
4
0 l = 00011
u=1 u = 00010
0
0=1 2 288 bit ➔ 135 bit o = 00001
1 0
r=1 r = 00000
0
- "this is an example of a huffman tree" dapat
dikodekan kedalam bit stream sebagai berikut:
“1100 0111 0110 0101 111 0110 0101 111 101 0100
111 100 00101 101 0011 00100 00011 100 111 00001
1101 111 101 111 0111 00010 1101 1101 0011 101
0100 111 1100 00000 100 100”
- Jumlah bit dalam bit stream di atas adalah sebanyak
135 bit dan jumlah bit data asli adalah 36x8 bit = 288
bit.
6.3. Kompresi Citra
Jenis kompresi: lossless compression dan lossy compression.
Lossless compression:
- Kompresi tanpa adanya perubahan atau kehilangan data .
- Data hasil dekompresi sama tepat dengan data aslinya.
- Proses kompresi dilakukan tanpa ada proses kuantisasi
dan/atau pembulatan nilai
Lossy compression:
- Memungkinkan adanya perubahan nilai data tanpa
mengubah makna informasi.
- Umumnya melalui proses kuantisasi dan pembulatan nilai
6.3. Kompresi Citra
Proses Kompresi
QDCT
Transformasi Transformasi domain
Pembagian Kuantisasi RLE-Huffman
warna citra RGB Block citra spasial ke frekuensi Coding
ke YCbCr DCT/DWT
Citra Asli Matriks Tabel JPEG Bit

kuantisasi coding Stream
Transformasi Penggabungan Transformasi invers

Dekuantisasi RLE-Huffman
warna citra RGB Block citra frekuensi ke spasial
Decoding
ke YCbCr iDCT/iDWT
iQDCT
Proses Dekompresi
Gambar 6.5. Bagan umum teknik kompresi citra JPEG
6.3.1. Transformasi Warna dan Sub-Sampling
RGB ➔ YCbCr : YCbCr ➔ RGB :
 Y   0.299 0.587 0.114  R   R  1 0 .0 1.402   Y 

Cr  =  0.500 − 0.419 0.081 G  G  = 1 1.772 0 . 0  Cr 
Cb  − 0.169 − 0.331 0.500  B      
      B  1 − 0.344 − 0.741 Cb 
RGB ➔ Yuv : Yuv ➔ RGB :

Y   0.299 0.587 0.114  R   R  1 0 .0 1.140  Y 
u  = − 0.147 − 0.289 0.436 G  G  = 1 − 0.395 − 0.581  u 
 v   0.615 − 0.515 0.100  B      
      B  1 2.032 0.0   v 
4:4:4 4:2:2 4:1:1 4:2:0
4 2:2 1:1 2:0
Cb
4 2:2 1:1 2:0
Cr
a
.

4:4:4 4:2:2 4:1:1 4:2:0
4 2:2 1:1 2:0
Cb
4 2:2 1:1 2:0
Cr
Gambar 6.7. Hasil proses transformasi warna dan subsampling komponen Y, Cb dan Cr.
a
.
6.3.3. Transformasi Cosinus Diskrit
Bentuk perkalian matrik:
a
.
Matriks Cosinus Diskrit:
a
.
Contoh Hasil Proses Transformasi Cosinus Diskrit:
a
.
6.3.4. Kuantisasi dan Dekuantisasi hasil DCT
Contoh Hasil Proses DCT dan Kuantisasi serta Pembulatan:
a
.
6.3.3. Transformasi Cosinus Diskrit Invers
a
.
6.3.3. Transformasi Cosinus Diskrit Invers
Matriks Cosinus Diskrit Invers :
a
.
Contoh Hasil Proses Transformasi Cosinus Diskrit Invers:
a
.
Contoh Hasil Proses Dekuantisasi dan DCT Invers :
a
.
Contoh Tabel Kuantisasi JPEG :
Kualitas 12 Kualitas 11 Kualitas 10
Cb
&
Cr
a
.
6.3.5. Transformasi Cosinus Diskrit Terkuantisasi
Proses QDCT:
Proses iQDCT:
a
.
Matriks Cosinus terkuantisasi:
Matriks invers Cosinus terkuantisasi:
a
.
Contoh Proses Transformasi Cosinus diskrit terkuantisasi dan pembulatan:
a
.
Contoh Proses Invers dari Transformasi Cosinus diskrit terkuantisasi:
a
.
6.3.6. Zig-Zag dan RLE- Huffman Coding
a
.
a
.
a
.
a
.
a
.
6.3.7. Transformasi Wavelet Diskrit (DWT)
❖ Wavelet menggunakan sepasang filter: Low pass filter L(n) dan

High pass filter H(n)
❖ Sifat filter Wavelet untuk kompresi lossless :
 L(n) = 1
n
dan  H(n) = 0
n
❖Keterhubungan antar filter H(n) dan filter L(n) adalah:

H(n) = (-1)n L(K - n), dimana n = 0, 1, …, K
 H(n).L(n) = H(1).L(1) + H(2).L(2) + ... + H(K).L(K) = 0
n
❖ Contoh wavelet Haar :

filter L(n) = {1/2, 1/2} ➔ filter H(n) = {1/2, -1/2}
a

.
❖ Transformasi Wavelet Diskrit (DWT) memiliki dua komponen:

Aproksimasi Sj(x) dan Wavelet Wj(x)
➢ DWT Sinyal (1 D) pada level skala j :
✓ Komponen Aproksimasi :
✓ Komponen Wavelet :
Contoh wavelet Haar untuk sinyal S0(x) = (7 13 17 15 14 14 120 116)

• Komponen Aproksimasi S1(x) = SnS0(2x+n).L(n) = (10 16 14 118)
• Komponen Wavelet W1(x) = SnS0(2x+n).H(n) = (3 1 0 2)
a
.
❖ Transformasi Wavelet Diskrit (DWT) citra 2D : Aproksimasi

Sj(x,y) dan Wavelet Wj(x,y)
➢ DWT Citra (sinyal 2D) dilakukan dalam dua arah:
❑ Arah koordinat X pada level skala j:
a
.
❑ Arah koordinat Y pada level skala j :

a
6.3.7. Transformasi Wavelet Diskrit (DWT) 2D

.
L(n) adalah low-pass filter merupakan komponen frekuensi renda

H(n) adalah high pass filter merupakan komponen frekuensi tingi
2 downsampling : pemampatan 2 kolom dan 2 baris menjadi 1 kolom dan 1 baris
a
.
❖ DWT skala 1 dari citra asli menghasilkan empat citra LL1, HL1, LH1 dan HH1 masing-
masing berukura ¼ (½ kolom * ½ baris) dari ukuran citra aslinya.
❖ DWT skala 2 menghasilkan empat citra yaitu LL2, HL2, LH2 dan HH2 masing-masing
berukura ¼ dari ukuran citra masukannya LL1.
❖ DWT skala 3 menghasilkan empat citra yaitu LL3, HL3, LH3 dan HH3 masing-masing
dengan ukura ¼ dari ukuran citra masukannya LL2.
a

.
Contoh hasil DWT masing-masing untuk skala 1, skala 2 dan skala 3.
a
6.3.7. Transformasi Wavelet Diskrit Invers (iDWT)

.
❖ Proses Rekonstruksi (iDWT) 2D pada level skala j-1 :

Rekonstruksi
Komponen
Wavelet pada
skala j:
Rekonstruksi
Komponen
Aproksimasi
pada skala j:
Rekonstruksi
Citra pada
skala j-1:
a
6.3.7. Transformasi Wavelet Diskrit Invers (iDWT)

.
❖ Proses Rekonstruksi (iDWT) 2D multi-skala :
↑2 Upsampling : pengembangan 1 kolom dan 1 baris menjadi 2 kolom dan 2 baris

a
.
❖ Ditinjau dari filter low-pass dan high-pass yang digunakan

Transformasi Wavelet dapat dikategorikan dalam :
➢ Transformasi Wavelet Orthogonal bersifat reversible,
digunakan untuk kompresi citra lossless
Contoh Wavelet orthogonal : Wavelet Haar (Alfréd Haar)
dan Wavelet Daubechies (Ingrid Daubechies )
➢ Transformasi Wavelet Biorthogonal dapat bersifat
reversible dan irreversible, matriks transposenya tidak
selalu identik dengan matriks inversnya
Digunakan untuk kompresi citra lossless atau lossy.
Contoh Wavelet biorthogonal : Wavelet LeGall (Cohen-
Daubechies-Feauveau
a
.
➢ Transformasi Orthogonal :
✓ Sifat Filter Low-pass L(n) dan High-pass H(n):
 n
L(n) = 1 atau  n
L ( n) = 2 atau  n
L ( n) = 2
 n
H ( n) = 0
a
.
➢ Transformasi Orthogonal :
✓Filter L(n) dan H(n) disusun dalam sebua matrik P
demikian sehingga: [P]*[P]T = [I] dan [P]T = [P]-1
a
.
➢ Contoh Transformasi Wavelet Orthogonal :
a
.
➢ Contoh Transformasi Wavelet Orthogonal Invers:
a
.
➢ Contoh Transformasi Wavelet Orthogonal dan Inversnya

dalam 4 skala :
a
.
➢ Transformasi Biorthogonal :
✓Filter L(n) dan H(n) digunakan untuk proses kompresi
Ĺ
✓Filter Ĥ(n) dan (n) digunakan untuk proses dekompresi
a
.
a
.
✓Filter L(n) dan H(n) serta Ĥ(n) dan (n) disusun dalam Ĺ
sebua matrik P demikian sehingga: [P]*[P]T ≈ [I] dan [P]T ≈
[P]-1
a
.
✓Filter L(n) dan H(n) serta Ĥ(n) dan (n) disusun dalam Ĺ
sebua matrik P demikian sehingga: [P]*[P]T ≈ [I] dan [P]T ≈
[P]-1
a
.
6.4. Rasio dan Kualitas Kompresi
a
.
6.4. Rasio dan Kualitas Kompresi
peak signal to noise ratio atau disingkat PSNR:
I(i, j) adalah nilai pixel citra asli pada posisi (i, j),
R(i, j) adalah nilai pixel citra rekonstruksi pada posisi (i, j)
M * N ukuran citra dalam pixel
C jumlah komponen warna
MaxI adalah nilai maksim pixel dalam citra asli I

Materi Workshop

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Workshop

Diunggah oleh

Hak Cipta:

Format Tersedia

Workshop Computer Vision

Wawasan dan Trend Penelitian Terkait

Robot Cerdas Militer

Biometrik Pertanian Cerdas

Frekuensi sampling tinggi :

Frekuensi sampling rendah :

Frekuensi sampling rendah

Kuantisasi dengan 5 bit

• Ditentukan oleh resolusi, ukuran dan jumlah bit per

Citra Berwarna Citra Gray-level Citra Hitam-Putih

Informasi dalam citra :

 I (0,0) I (0,1) . . . I (0, N − 1)  106 97 96 82 78

1 jika L > Threshold

• Citra biner ➔ I(m,n) = B [0, 1] Threshold < 90

PIXEL TETANGGA (neighbors of pixel):

pixel p ➔ koordinat (xp ,yp).

- Keterhubungan N8(p) gambar 2.2-b.

untuk a=1 disebut city-block distance dan

- Nilai dinamik pixel: [0, 255], Citra gray-level, citra berwarna

- Operasi untuk Citra biner

Konversi dari RGB ke CMY : Cyan = Imax – Red

- Ruang warna YUV menjadi standar dalam perekaman,

(f) (g) (h)

(a) (b) (c)

(f) (g) (h)

(a) (b) (c)

(f) (g) (h) (i) (j)

(c) (d) (e) (f)

(f) (g) (h) (i) (j)

(g) (h) (i) (j)

- Filter Laplacian atau disebut Operator Laplace secara matematis

- Noise muncul secara acak dan mengakibatkan perubahan

- Noise selalu berada pada frekuensi tinggi

- FIR satu dimensi (1D) :

- FIR dua dimensi (2D) :

- Turun kedua dari fungsi Gauss diperlihatkan oleh persamaan (4.31).

- Tujuan dari operasi ini adalah memfilter citra dengan dua

- Filter numerik h(x) :

- Tanda (+) pada y+(n) menyatakan proses penghitungan

- Pendeteksian tepi citra arah vertikal dilakukan melalui

- Filter h(x) : h( x) = K (a | x | +1)e −a | x|

- Dengan bantuan transformasi Z, filter h(x) ditransformasi ke

- Filter f(x) : f ( x) = −C.xe −a | x|

- Dengan bantuan transformasi Z, filter f(x) ditransformasi ke

4.5.2 OPERATOR OPENING OF CLOSING (OoC):

- Tiga cara proses pendeteksian tepi morfologi matematika:

- Segmentasi area citra berdasarkan warna mengacu

- Rumus jarak (CIE) 1994 untuk ruang warna L*a*b* :

- Segmentasi berbasis pixel dapat dilakukan secara semi-

- Tekstur mengacu pada : kekasaran/kehalusan

- Analisis tekstur dan segmentasi berdasarkan tekstur

- Gray level co-occurrence matrices (GLCM)

- Kompresi data disebut encoding (atau coding) dan

- Encoding berbeda dengan enkripsi (encryption).

- Rasio kompresi: contoh 1 ➔ 10/2 =5, contoh 2 ➔ 36/10 =3.6,

Citra Asli Matriks Tabel JPEG Bit

Transformasi Penggabungan Transformasi invers

Gambar 6.5. Bagan umum teknik kompresi citra JPEG

RGB ➔ YCbCr : YCbCr ➔ RGB :

 Y   0.299 0.587 0.114  R   R  1 0 .0 1.402   Y 

RGB ➔ Yuv : Yuv ➔ RGB :

4 2:2 1:1 2:0

4 2:2 1:1 2:0

6.3.1. Transformasi Warna dan Sub-Sampling

- Rumus jarak (CIE) 1994 untuk ruang warna Lab* :