PENGOLAHAN CITRA

REVIEW MATERI

Dosen Pengampu:

Dwina Kuswardani, Dr, M.Kom

Disusun oleh:

Baby Aisha Maritza Virginia 41520010072

2022
 DAFTAR ISI

DAFTAR ISI..............................................................................................1
BAB 1 PENDAHULUAN.........................................................................2
BAB 2 PEMBAHASAN...........................................................................3
A. Konvolusi...............................................................................................3
B. Histogram Citra....................................................................................17
C. Perbaikan Pengolahan Citra.................................................................23
DAFTAR PUSTAKA...............................................................................30
 BAB 1
PENDAHULUAN

Pengolahan citra adalah merupakan sebuah bentuk pemroresan dari sebuah

citra atau bisa juga gambar yang memiliki prises numerik dari gambarnya tersebut.
Dalam hal ini yang diproses maksudnya adalah masing masing dari pixel atau titik
dari sebuah gambar tesebut.
Konvolusi adalah operasi yang dilakukan pada gambar untuk mengekstrak
fitur darinya dengan menerapkan tensor yang lebih kecil yang disebut kernel seperti
jendela geser di atas gambar. Bergantung pada nilai dalam kernel convolutional, kita
dapat mengambil pola tertentu dari gambar.
Histogram citra merupakan diagram yang menggambarkan distribusi frekuensi
nilai intensitas piksel dalam suatu citra. Sumbu horizontal merupakan nilai intensitas
piksel sedangkan sumbu vertikal merupakan frekuensi/jumlah piksel.
Perbaikan kualitas citra (image enhancement) merupakan salah satu proses
awal dalam pengolahan citra. Perbaikan kualitas citra diperlukan karena seringkali
citra yang dijadikan objek mempunyai kualitas yang buruk, misalnya citra mengalami
derau (noise), citra terlalu gelap/terang, citra kurang tajam, kabur, dan sebagainya.
Image enhancement juga melibatkan level keabuan dan manipulasi kontras,
pengurangan derau, pemfilteran, penajaman, interpolasi dan magnifikasi, pseudo
warna, dan sebagainya. Yang dimaksud dengan perbaikan kualitas citra adalah proses
mendapatkan citra yang lebih mudah diinterpretasikan oleh mata manusia.
 BAB 2
PEMBAHASAN

A. Konvolusi

Konvolusi artinya operator matematika yg penting buat banyak operator pada

image processing. Konvolusi menyediakan cara buat menggabungkan 2 array,
umumnya buat ukuran array yg tidak sama, tetapi untuk dimensi array yang sama,
menghasilkan array ketiga yang memiliki dimensi yg sama. Konvolusi dapat
digunakan pada image processing buat menerapkan operator yang memiliki nilai
output dari piksel yang berasal dari kombinasi linear nilai input piksel tertentu.

Sehingga dapat disimpulkan Konvolusi citra adalah teknik untuk

menghaluskan suatu citra atau memperjelas citra dengan menggantikan nilai piksel
dengan sejumlah nilai piksel yang sesuai atau berdekatan dengan piksel aslinya.
Tetapi dengan adanya konvolusi, ukuran dari citra tetap sama, tidak berubah.

Bentuk diskrit dari operasi konvolusi satu dimensi pada pengolahan citra
adalah:

yang dalam hal ini, tanda (*) menyatakan operator konvolusi dan peubah
(variable) adalah peubah bantu.

Untuk pengolahan citra, operasi yang dilakukan adalah diskrit karena nilai
koordinat piksel merupakan nilai yang diskrit. Selanjutnya filter atau mask yang
digunakan pada pengolahan citra biasanya berukuran terbatas, dalam artian bobot atau
pengaruh dari titik-titik yang cukup jauh sudah tidak signifikan, sehingga dapat
diabaikan (dianggap nol).
 Bentuk diskrit dari operasi konvolusi satu dimensi pada pengolahan citra
adalah:

Untuk fungsi dengan dua dimensi, operasi konvolusi didefinisikan sebagai

berikut: Untuk fungsi integral:

Untuk fungsi diskrit:

Fungsi penapis g(x,y) disebut juga konvolusi filter, konvolusi mask, konvolusi
kernel, atau template. Dalam bentuk diskrit konvolusi kernel dinyatakan dalam bentuk
matriks (umumnya matriks 3x3). Ukuran matriks ini biasanya lebih kecil dari ukuran
citra. Setiap elemen matriks disebut koefisien konvolusi.

Metode Filtering Dengan Metode Konvolusi Citra

 Adaptive Local Filtering

1. Konsep Metode
Filter adaptif dilakukan pada citra terdegradasi yang mengandung
gambaran asli dan noise. Mean serta varians ialah dua berukuran statistik
yang bergantung pada filter adaptif lokal dengan region Window mxn yg
dipengaruhi.
Rumus Adaptif Filtering
Langkah pengerjaannya sebagai berikut:

a) Tentukan nilai dari ukuran Window mxn

b) Hitung nilai matrix B dengan Gaussian Noise 

c) Berikan nilai 0 pada seluruh sisi matrix B 

d) Hitung nilai local dan selisih lokal dengan menggeser Window

3×3 

nilai lokal = nilai(Window) = 0.4373

selisih lokal = nilai(Window²) – nilai(Window²) = 0.2394
e) Berikan nilai lokal ke matrix B
 f) Berikan selisih lokal ke matrix B

g) Selisih dari semua noise adalah rata-rata dari selisih lokal, oleh
karena itu selisih noise = 0.1709
h) jika (selisih noise > nilai lokal (x,y)) maka nilai lokal (x,y) =
selisih noise.
Berikut representasi posisi pixel (x,y) dalam 2 dimensi

i) Final Image = B – (selisih noise/selisih nilai lokal)(B-nilai

lokal) 

2. Tujuan Metode
Tujuan dari Adaptive Local Filtering ini merupakan cara memperbaiki
gambar dengan memudarkan noice yang ada pada gambar.
3. Penjelasan Input-Proses-Output Metode
Berikut isi input source code pada Matlab untuk adaptive local filtering. 

A = imread(‘peppers.png’);

B = rgb2gray(A);

sz = size(B,1)*size(B,2);

%Add gaussian noise with mean 0 and variance 0.005

B = imnoise(B,’gaussian’,0,0.005);

figure,imshow(B); title(‘Image with gaussian noise’);

B = double(B);

%Define the window size mxn

M = 5;

N = 5;

%Pad the matrix with zeros on all sides

C = padarray(B,[floor(M/2),floor(N/2)]);

lvar = zeros([size(B,1) size(B,2)]);

lmean = zeros([size(B,1) size(B,2)]);

temp = zeros([size(B,1) size(B,2)]);

NewImg = zeros([size(B,1) size(B,2)]);

for i = 1:size(C,1)-(M-1)

for j = 1:size(C,2)-(N-1) 

    temp = C(i:i+(M-1),j:j+(N-1));

    tmp =  temp(:);

%Find the local mean and local variance for the local
region      

    lmean(i,j) = mean(tmp);

    lvar(i,j) = mean(tmp.^2)-mean(tmp).^2;     

end

end

%Noise variance and average of the local variance

nvar = sum(lvar(:))/sz;

%If noise_variance > local_variance then

local_variance=noise_variance

lvar = max(lvar,nvar);

%Final_Image = B- (noise variance/local variance)*(B-

local_mean);

NewImg = nvar./lvar;

NewImg = NewImg.*(B-lmean);

NewImg = B-NewImg;

%Convert the image to uint8 format.\

NewImg = uint8(NewImg);

figure,imshow(NewImg);title(‘Restored Image using

Adaptive Local filter’);

Berikut output dari source code diatas.     

4.  Algoritma dan Flowchart
Algoritma sederhana dari Filter ini adalah setelah pengguna
menjalankan source code filter maka selanjutnya pengguna diminta buat
memilih salah  satu gambar buat diolah. Selesainya itu gambar tadi akan
diolah sesuai menggunakan source code filter ini. Hasilnya akan ditampilkan
dua gambar, gambaran sebelum di olah serta gambaran selesainya diolah
dengan filter ini.

Adapun flowchart dari metode ini adalah sebagai berikut:

5. Analisis Perbedaan 3 Metode

Adaptive Local Filtering Gaussian Filtering Oil Painting Filtering

Memperbaiki citra dengan Memperbaiki citra dengan Mengubah citra menjadi seperti
 memburamkan noise. memburamkan gambar. lukisan cat minyak.
Citra sebelumnya harus Citra sebelumnya harus Citra sebelumnya tidak harus
noise. noise. noise.

 Gaussian Filtering / Gaussian Blur 

1. Konsep Metode
Gaussian Blur adalah Filter blur yang menempatkan warna transisi
yang signifikan dalam sebuah image, kemudian membuat warna-warna
pertengahan untuk menciptakan efek lembut pada sisi-sisi sebuah image.
Gaussian blur adalah salah satu filter blur yang menggunakan rumus
matematika untuk menciptakan efek autofocus untuk mengurangi detail dan
menciptakan efek berkabut.
Rumus Gaussian Kernel 2 dimensi

2. Tujuan Metode
Gaussian Filter merupakan metode yang menggunakan tranformasi
linear. Maksudnya Gaussian Filter menggunakan kombinasi linier dari nilai
pixel yang berada dalam lingkup lokal. Tujuan dari gaussian filtering adalah
untuk menghilangkan noise dengan memudarkan gambar, namun dengan
konsekuensi detail gambar juga ikut berkurang.\
3. Penjelasan Input-Proses-Output Metode
Pada saat ini akan dibahas mengenai proses filtering dengan metode
Gaussian.
Berikut isi input source code pada Matlab untuk Gaussian Filtering. 

%Read an Image

Gambar = imread('peppers.png');

Img = rgb2gray(Gambar);
A = imnoise(Img,'Gaussian',0.04,0.003);

%Image with noise

figure,imshow(A);

I = double(A);

%Design the Gaussian Kernel

%Standard Deviation

sigma = 1.76;

%Window size

sz = 4;

[x,y]=meshgrid(-sz:sz,-sz:sz);

M = size(x,1)-1;

N = size(y,1)-1;

Exp_comp = -(x.^2+y.^2)/(2*sigma*sigma);

Kernel= exp(Exp_comp)/(2*pi*sigma*sigma);

%Initialize

Output=zeros(size(I));

%Pad the vector with zeros

I = padarray(I,[sz sz]);

%Convolution

for i = 1:size(I,1)-M

for j =1:size(I,2)-N

Temp = I(i:i+M,j:j+M).*Kernel;
Output(i,j)=sum(Temp(:));

end

end

%Image without Noise after Gaussian blur

Output = uint8(Output);

figure,imshow(Output);

Berikut output dari source code diatas.

4.  Algoritma dan Flowchart 
Pada proses ini dilakukan konvolusi antara matriks
input dengan koefisien filter Gaussian. Proses konvolusi yang
dilakukan adalah konvolusi 1 dimensi. Proses konvolusi ini
akan dilakukan pada setiap kolom dari matriks citra 2D.
Proses konvolusi merupakan salah satu proses yang penting
karena proses ini juga merupakan proses yang mendasari
perhitungan koefisien filter yang menjadi kunci utama dalam
perbaikan citra ber-noise. 
Adapun flowchart dari metode ini adalah sebagai
berikut:

5. Analisis Perbedaan 3 Metode 

A. Adaptive Local Filtering Gaussian Filtering Oil Painting Filtering

Memperbaiki citra Memperbaiki citra Mengubah citra menjadi

dengan memburamkan dengan memburamkan seperti lukisan cat minyak.
noise. gambar.

Citra sebelumnya harus Citra sebelumnya harus Citra sebelumnya tidak harus
noise. noise. noise.

Oil Painting Filtering

1. Konsep Metode
Untuk mendapatkan efek seperti lukisan, tentukan matriks jendela kecil
berukuran m kali n. Salin nilai piksel gambar asli ke dalam matriks dan temukan
histogram dari setiap nilai. Temukan nilai piksel maksimum yang terjadi dan
ganti posisi saat ini dengan nilai kejadian maksimum.
2. Tujuan Metode
Tujuan dari Oil Painting Filtering adalah untuk menghasilkan gambar
yang menyerupai hasil dari lukisan minyak
3. Penjelasan Input-Proses-Output Metode
Berikut isi input source code pada Matlab untuk Oil Painting Filtering.

A=imread('fabric.png');

figure,imshow(A)

%Define the matrix size of  your convience.

m=5;

n=6;

Image=uint8(zeros([size(A,1)-m,size(A,2)-n,3]));

%Calculate the histogram for each RGB value.

for v=1:3
for i=1:size(A,1)-m

    for j=1:size(A,2)-n

        mymask=A(i:i+m-1,j:j+n-1,v);

        h=zeros(1,256);

        for x=1:(m*n)

            h(mymask(x)+1)=h(mymask(x)+1)+1;

        end

  %Maximum occurring value and the position is

obtained

        [maxvalue,pos]=max(h);

        Image(i,j,v)=pos-1;

end

end

end

figure,imshow(Image);

Berikut output dari source code diatas.  

4. Algoritma dan Flowcart 
Algoritma sederhana dari Filter ini adalah setelah
pengguna menjalankan source code filter maka selanjutnya
pengguna diminta untuk memilih salah satu gambar untuk
diolah. Setelah itu gambar tersebut akan diolah sesuai dengan
source code filter ini. Hasilnya akan ditampilkan 2 gambar,
citra sebelum di olah dan citra setelah diolah dengan filter
ini.  
Adapun flowchart dari metode ini adalah seperti gambar
di bawah ini:

5. Analisis Perbedaan 3 Metode 

 
Adaptive Local Filtering Gaussian Filtering Oil Painting Filtering
 Memperbaiki citra dengan Memperbaiki citra dengan Mengubah citra menjadi seperti
memburamkan noise. memburamkan gambar. lukisan cat minyak.
Citra sebelumnya harus Citra sebelumnya harus Citra sebelumnya tidak harus
noise. noise. noise.

B. Histogram Citra

Histogram citra merupakan diagram yang menggambarkan distribusi frekuensi nilai

intensitas piksel dalam suatu citra. Sumbu horizontal merupakan nilai intensitas piksel
sedangkan sumbu vertikal merupakan frekuensi/jumlah piksel. Histogram dari sebuah
citra ditunjukkan pada Gambar 1.

Source code untuk menampilkan histogram dari citra adalah sebagai berikut:

1clc;clear;close all;
2Img = imread('peppers.png');
3
4R = Img(:,:,1);
5G = Img(:,:,2);
6B = Img(:,:,3);
7
8Red = cat(3,R,G*0,B*0);
9Green = cat(3,R*0,G,B*0);
1Blue = cat(3,R*0,G*0,B);
0
1Gray = rgb2gray(Img);
1
1rmap = zeros(256,3);
2rmap(:,1) = 0:255;
1rmap = rmap/255;
3
1gmap = zeros(256,3);
4gmap(:,2) = 0:255;
1gmap = gmap/255;
5
1bmap = zeros(256,3);
6bmap(:,3) = 0:255;
1bmap = bmap/255;
7
1figure,
8imshow(Img);
1
9figure,
2histogram(R(:),256,'FaceColor','r','EdgeColor','r')
0hold on
2histogram(G(:),256,'FaceColor','g','EdgeColor','g')
1histogram(B(:),256,'FaceColor','b','EdgeColor','b')
set(gca,'XLim',[0 255])
2
set(gca,'YLim',[0 10000])
2
hold off
2
3
figure,
2
imshow(Red), colormap(rmap), colorbar
4
2
figure,
5
histogram(R(:),256,'FaceColor','r','EdgeColor','r')
2
set(gca,'XLim',[0 255])
6
set(gca,'YLim',[0 10000])
2
grid on
7
2
figure,
8
imshow(Green), colormap(gmap), colorbar
2
9
figure,
3
histogram(G(:),256,'FaceColor','g','EdgeColor','g')
0set(gca,'XLim',[0 255])
3set(gca,'YLim',[0 10000])
1grid on
3
2figure,
3imshow(Blue), colormap(bmap), colorbar
3
3
4figure,
3histogram(B(:),256,'FaceColor','b','EdgeColor','b')
5set(gca,'XLim',[0 255])
3set(gca,'YLim',[0 10000])
6grid on
3
7figure,
3imshow(Gray), colormap(gray), colorbar
8
3figure,
histogram(Gray(:),256,'FaceColor',[.5 .5 .5],'EdgeColor',
9
[.5 .5 .5])
4
set(gca,'XLim',[0 255])
0
set(gca,'YLim',[0 10000])
4
grid on
1
4
2
4
3
4
4
4
5
4
6
4
7
4
8
4
9
5
0
5
1
5
2
5
3
5
4
5
5
5
6
5
7
5
8
5
9
6
0
6
1
6
2
6
3
6
4
6
5
6
6
6
7
6
8
6
9
7
0
7
1
 7
2

Gambar 1. Citra dan histogram

Berikut ini merupakan contoh karakteristik citra grayscale berdasarkan distribusi

histogramnya.

a. Citra Gelap
Citra gelap merupakan citra yang memiliki banyak piksel dengan nilai intensitas
mendekati 0. Distribusi nilai intensitas citra gelap cenderung berada pada daerah
sebelah kiri histogram. Contoh citra gelap dan histogramnya ditunjukkan pada
Gambar 2.
Gambar 2. Citra gelap dan histogram

b. Citra terang
Citra terang merupakan citra yang memiliki banyak piksel dengan nilai intensitas
mendekati 255. Distribusi nilai intensitas citra terang cenderung berada pada daerah
sebelah kanan histogram. Contoh citra terang dan histogramnya ditunjukkan pada
Gambar 3.

Gambar 3. Citra terang dan histogram

c. Citra dengan kontras rendah

Citra dengan kontras rendah merupakan citra yang memiliki range nilai intensitas
yang sempit. Histogram citra pada Gambar 4 di bawah ini menunjukkan bahwa citra
berada pada range nilai intensitas 74-224. Sehingga tidak memiliki nilai intensitas
antara 0-74 dan juga 224-255.

Gambar 4. Citra dengan kontras rendah dan histogram

d. Citra dengan kontras tinggi

Citra dengan kontras tinggi merupakan citra yang memiliki range nilai intensitas yang
lebar. Histogram citra pada Gambar 5 di bawah ini menunjukkan bahwa citra berada
pada range nilai intensitas 0-255.

Gambar 5. Citra dengan kontras tinggi dan histogram

Perintah MATLAB yang digunakan untuk menampilkan citra grayscale dengan
berbagai karakteristik histogramnya adalah:

1clc; clear; close all;

2
3I = imread('pout.tif');
4figure, imshow(I);
5figure, imhist(I);
6
7J = imadjust(I);
8figure, imshow(J);
9figure, imhist(J);
1
0K = imadjust(I,[0.3 0.6],[0 0.3]);
1figure, imshow(K);
1figure, imhist(K);
1
2L = imadjust(I,[0.3 0.6],[0.6 1]);
1figure, imshow(L);
3figure, imhist(L);
1
4
1
5
1
6
1
7

C. Perbaikan Kualitas Citra

1. Operasi Aritmetika
 Penjumlahan dua buah citra A dan B
C(x,y)=A(x,y)+B(x,y)
 Dengan C(x,y) adalah citra baru yang setiap pikselnya adalah jumlah
dari intensitas tiap piksel pada A dan B
Jika hasil penjumlahan lebih besar dari 255, maka intensitas dapat
dibulatkan menjadi 255
Sering digunakan untuk penggabungan dua buah citra dan
watermarking tampak (visible watermarking)
 Pengurangan dua buah citra
Persamaan yang digunakan:
C(x,y)=A(x,y)-B(x,y)
Dengan piksel citra C adalah hasil pengurangan intensitas piksel
citra A dengan citra B
Ada kemungkinan hasil pengurangan menghasilkan nilai negatif 🡪
diperlukan proses clipping
Contoh aplikasi:
Untuk mendeteksi pergerakan obyek
Untuk mendeteksi keamanan pada suatu ruangan
Pengurangan citra seringkali digunakan untuk mendeteksi
perubahan obyek dalam selang waktu tertentu

 Perkalian dua buah citra

C(x,y)=A(x,y)B(x,y)
Perkalian citra sering digunakan untuk mengoreksi ketidaklinearan
sensor dengan mengalikan matriks citra dengan matriks koreksi

 Penjumlahan/pengurangan citra dengan skalar

C(x,y)=A(x,y) ±c
Penjumlahan/pengurangan citra A dengan skalar c adalah menambah
setiap piksel di dalam citra dengan sebuah skalar c, dan menghasilkan
citra baru C yang intensitasnya lebih terang/gelap dibandingkan
dengan citra A
Hasil penjumlahan atau pengurangan citra dengan skalar mungkin
menghasilkan nilai dengan intensitas negatif atau lebih dari 255,
sehingga diperlukan proses clipping
  Perkalian/pembagian citra dengan skalar
C(x,y)=c. A(x,y)
Perkalian citra A dengan c akan menghasilkan citra baru C dengan
intensitas yang lebih terang dibandingkan dengan citra A
Kenaikan sebanding dengan operasi perkalian citra dengan scalar
Pembagian citra A dengan c akan menghasilkan citra baru C dengan
intensitas yang lebih gelap dibandingkan dengan citra A
Operasi pembagian citra dengan skalar digunakan untuk normalisasi
kecerahan
2. Perataan Histogram
 Histogram citra memberikan informasi tentang penyebaran intensitas
pixel-pixel di dalam citra
 Citra yang terlalu terang atau terlalu gelap memiliki histogram sempit
 Agar kita memperoleh citra yang baik, maka penyebaran nilai intensitas
harus diubah dengan teknik Perataan Histogram
 Tujuannya adalah untuk memperoleh penyebaran histogram yang merata,
sedemikian sehingga setiap derajat keabuan
memiliki jumlah pixel yang relatif sama

 histogram menyatakan peluang pixel dengan derajat keabuan tertentu,

maka rumus menghitung histogram

derajat keabuan (k) dinormalkan terhadap derajat keabuan terbesar(L – 1).

Nilai rk = 0 menyatakan hitam, dan
rk = 1 menyatakan putih
dalam skala keabuan yang didefinisikan.

3. Pelembutan Citra
 Pelembutan citra (image smoothing) bertujuan untuk menekan gangguan
(noise) pada citra.
 Gangguan tersebut biasanya muncul sebagai akibat dari hasil penerokan
yang tidak bagus (sensor noise, photographic grain noise) atau akibat
saluran transmisi (pada pengiriman data).
 Gangguan pada citra umumnya berupa
variasi intensitas suatu pixel yang tidak berkorelasi
dengan pixel- pixel tetangganya.
 Secara visual, gangguan mudah dilihat oleh mata karena tampak berbeda
dengan pixel tetangganya.
 Gambar citra Lena yang mengalami gangguan berupa spike atau speckle
yang tampil pada gambar dalam bentuk bercak putih atau hitam seperti
beras

Pixel yang mengalami gangguan umumnya memiliki frekuensi

tinggi(berdasarkan analisis frekuensi dengan transformasi Fourier).
Komponen citra yang berfrekuensi rendah umumnya mempunyai nilai
pixel konstan atau berubahs angat lambat.
Operasi pelembutan citra dilakukan untuk menekan komponen yang
berfrekuensi tinggi dan meloloskan komponen yang berfrekuensi
rendah.
 Operasi Pelembutan dapat dilakukan pada
 Ranah Spasial, operasi pelembutan dilakukan dengan mengganti
intensitas suatu pixel dengan rata-rata dari nilai pixel tersebut dengan
nilai pixel pixel tetangganya. Citra hasil pelembutan, g(x,y),
didefinisikan

d adalah jumlah pixel yang terlibat dalam perhitungan ratarata

  Ranah frekuensi, Operasi konvolusi
G(u,v) = F(u,v)H(u,v)
H = penapis rerata (mean filter).

 Penapis Lolos-Rendah
Penapis rata-rata adalah salah satu penapis lolos-rendah yang paling sederhana.
Aturan untuk penapis lolos-rendah adalah [GAL95]:
1. Semua koefisien penapis harus positif
2. Jumlah semua koefisien harus sama dengan 1

Penapis h(x,y) pada operasi pelembutan citra disebut juga penapis lolos-rendah (low-
pass filter), karena penapis tersebut menekan komponen yang berfrekuensi tinggi
(misalnya pixel gangguan, pixel tepi) dan meloloskan komponen yang berfrekuensi
rendah
Jika jumlah semua koefisien lebih besar dari 1, maka konvolusi menghasilkan
penguatan (tidak diinginkan). Jika jumlah semua koefisien kurang dari 1, maka yang
dihasilkan adalah penurunan, dan nilai mutlak setiap pixel di seluruh bagian citra
berkurang. Akibatnya, citra hasil pelembutan tampak lebih gelap

Penapis lolos-rendah yang disebutkan di atas merupakan penapis lanjar (linear).

Operasi pelembutan dapat juga dilakukan dengan menggunakan penapis

nirlanjar,yaitu:
 Penapis minimum (min filter)
 Penapis maksimum (max filter)
 Penapis median (median filter)
4. Geometri Citra
Koordinat piksel berubah akibat transformasi, sedangkan intensitasnya tetap
Contoh: operasi translasi, rotasi, penskalaan, dan pencerminan citra (flipping)
 Operasi Geometri Citra – Translasi
Translasi dilakukan berdasar rumus:
x’=x+m
y’=y+m
m adalah besarnya pergeseran dalam arah x, sedangkan n adalah besarnya
pergeseran dalam arah y
Jika citra semula adalah A, dan citra hasil translasi adalah B, maka
translasi dapat dilakukan sbb:
B(x,y)=A(x+m,y+n)
 Operasi Geometri Citra – Rotasi
Rotasi dilakukan dengan persamaan:
x’=x cos(ө) – y sin(ө)
y’=x sin(ө) + y cos(ө)
Dalam hal ini, ө adalah sudut rotasi berlawanan dengan arah jarum jam
Jika citra semula adalah A, dan citra hasil rotasi adalah B, maka rotasi citra
dari A ke B:
A(x,y)=B(x cos(ө) – y sin(ө), x sin(ө) + y cos(ө))
 Operasi Geometri Citra – Penskalaan Citra
enskalaan citra/image zooming: pengubahan ukuran citra
(pembesaran/zoom out atau pengecilan /zoom in)
Rumus penskalaan citra:
x’=sx.x
y’=sy.y
sx dan sy adalah faktor penyekalaan, masing-masing dalam arah x dan y
Jika citra semula adalah A dan citra hasil penyekalaan adalah B, maka
penyekalaan citra dinyatan sebagai:
B(x’,y’)=B(sx.x, sy.y)=A(x,y)
 Operasi Geometri Citra – Flipping
Adalah operasi geometri yang sama dengan pencerminan
Dua macam flipping:
 o Horisontal
Adalah pencerminan terhadap sumbu Y
B(x,y)=A(N-x,y)
o Vertikal
Adalah pencerminan terhadap sumbu X
B(x,y)=A(x,M-y)

 Operasi Geometri Citra – Pencerminan Terhadap Titik Asal

Persamaan yang digunakan adalah
B(x,y)=A(N-x, M-y)
Dengan N adalah jumlah kolom citra, dan M adalah jumlah baris citra
 DAFTAR PUSTAKA

Rakha Muhammad. (2021, Januari 7). Konvolusi Pada Citra Pengolahan Citra
Digital Lengkap. Diakses dari https://dutormasi.com/2021/01/konvolusi-pada-citra-
pengolahan-citra-digital-lengkap.html
Osmani Hofschildt. (2020, June 18). Convolution. Diakses dari
https://homepages.inf.ed.ac.uk/rbf/HIPR2/convolve.htm
Anon. (2021, Agutus 27). Image Convolution. Diakses dari
http://web.pdx.edu/~jduh/courses/Archive/geog481w07/Students/Ludwig_ImageConv
olution.pdf
Admin. (2021, Januari 7). Concept of Convolution. Diakses dari
https://www.javatpoint.com/dip-concept-of-convolution#:~:text=Convolution%20is
%20the%20process%20in%20which%20each%20element,matrix%20multiplication
%20but%20it%20is%20denoted%20by%20%2A.
Pamungkas Adi (2020, June 18). Histogram Citra Digital. Diakses dari
https://pemrogramanmatlab.com/pengolahan-citra-digital/histogram-citra-digital/?
msclkid=af6ef3cdc1f011ec92ecc0c231945a9e