REVIEW MATERI
Dosen Pengampu:
Disusun oleh:
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
A. Konvolusi
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:
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.
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:
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
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);
B = imnoise(B,’gaussian’,0,0.005);
M = 5;
N = 5;
C = padarray(B,[floor(M/2),floor(N/2)]);
for i = 1:size(C,1)-(M-1)
for j = 1:size(C,2)-(N-1)
%Find the local mean and local variance for the local
region
end
end
lvar = max(lvar,nvar);
NewImg = nvar./lvar;
NewImg = NewImg.*(B-lmean);
NewImg = B-NewImg;
NewImg = uint8(NewImg);
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);
figure,imshow(A);
I = double(A);
%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));
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
Output = uint8(Output);
figure,imshow(Output);
Citra sebelumnya harus Citra sebelumnya harus Citra sebelumnya tidak harus
noise. noise. noise.
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)
m=5;
n=6;
Image=uint8(zeros([size(A,1)-m,size(A,2)-n,3]));
for v=1:3
for i=1:size(A,1)-m
mymask=A(i:i+m-1,j:j+n-1,v);
h=zeros(1,256);
h(mymask(x)+1)=h(mymask(x)+1)+1;
end
[maxvalue,pos]=max(h);
Image(i,j,v)=pos-1;
end
end
end
figure,imshow(Image);
B. Histogram Citra
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
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.
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
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
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