Image Enhancement dengan Filter Digital
Chery Chaen Putri David Yulizar
Department of Physics Department of Physics
University of Indonesia University of Indonesia
Depok, Indonesia Depok, Indonesia
chery.chaen11@ui.ac.id david.yulizar11@ui.ac.id
Abstract—Pengolahan citra digunakan di berbagai bidang
seperti system pengenalan wajah, deteksi sidik jari,
pemantauan melalui satelit, diagnosa medis, dan sebagainya.
Teknik pemrosesan citra diadopsi sebagai metode optimasi
untuk membantu tugas pemrosesan gambar secara efisien.
Pengembangan perangkat lunak pengolah citra membantu
proses pengeditan gambar secara efektif. Algoritma image
enhancement menawarkan berbagai modifikasi citra asli agar
menjadi citra yang dengan informasi optimal yang dibutuhkan.
Pada makalah ini, diterapkan dua filter untuk menghasilkan
enhanced image. Hasil keluaran dari simulasi diperoleh citra
yang berkurang noisenya.
Keywords—digital signal processing, speech recognition,
speech to text
I. PENDAHULUAN
Perkembangan perangkat lunak terkait pengolahan citra
dewasa ini semakin digemari. Ketersediaan teknologi yang
mendukung untuk menangkap citra dengan baik juga semakin
mudah ditemui. Dengan bantuan citra, informasi secara visual
lebih mudah disampaikan. Penggunaan citra dalam kehidupan
sehari-hari untuk menyampaikan informasi mengakibatkan
meningkatnya kebutuhan akan pengolahan citra secara digital.
Pengolahan citra tidak hanya dibutuhkan untuk menambah
efek artistik namun juga dapat memperbaiki kualitas dari citra
yang sudah ditangkap (image enhancement) .
Pengolahan citra dapat dilakukan secara analaog maupun
digital, namun pengolahan citra secara digital memiliki lebih
banyak kelebihan. Pengolahan citra digital adalah penggunaan
sistem digital untuk memproses citra digital menggunakan
algoritma [1]. Dengan pemanfaatan berbagai algoritma maka
permasalahan seperti distorsi dan noise selama pemrosesan
dapat dihindari.
Perbaikan kualitas citra merupakan proses untuk
memunculkan informasi tertentu dari suatu citra dengan cara
melemahkan atau mengeliminasi informasi yang tidak
dibutuhkan sesuai dengan informasi spesifik yang diinginkan.
Hal ini dilakukan dengan memanipulasi parameter yang ada
pada citra. Operasi perbaikan kualitas citra dapat berupa, noise
removal, sharpen, brighten, smoothing, dan lain-lain [2].
Pada makalah ini dilakukan pengolahan citra dengan
menggunakan lowpass noise filtering metode Gaussian dan
median filtering. Lowpass filter digunakan untuk
mengeliminasi noise, median filter digunakan untuk
menghilangankan impulse noise.
XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
Shinta Aprilia Safitri
Department of Physics
University of Indonesia
Depok, Indonesia
shinta.aprilia11@ui.ac.id
II. TEORI DASAR
A. Pengolahan Citra Digital
Bidang pemrosesan citra secara digital mengacu pada
pemrosesan citra digital menggunakan computer digital.
Suatu citra digital terdiri dari sejumlah elemen terbatas yang
masing-masingnya memiliki posisi dan nilai tertentu. Elemen
ini disebut sebagai elemen gambar digital yang disebut piksel.
Posisi setiap piksel ditentukan dalam bentuk indeks untuk
kolom dan baris. Gambar 1 menunjukkan piksel p(2,8)=86
yang memiliki level 86 dan berada pada baris kedua, kolom
kedelapan. Jumlah piksel dalam penyajian citra digital disebut
resolusi spasial. Semakin tinggi resolusi spasial maka semakin
baik kualitas citra [3].
Gambar 1. Notasi piksel citra
Proses pengolahan citra digital dapat dikategorikan
menjadi dua area yaitu metode dimana input dan outputnya
berupa citra, dan metode yang inputnya berupa citra, namun
outputnya merupakan atribut yang diektraksi dari citra
tersebut. Akuisisi citra merupakan proses pertama dalam
pengolahan citra digital. Proses akuisisi dapat berupa
sesederhana penerimaan citra yang sudah dalam bentul digital.
Umumnya tahap akuisisi citra melibatkan pra-pemrosesan,
seperti penskalaan. Image enhancement merupakan area
subyektif dalam pengolahan citra, yang berdasarkan
preferensi subyektif manusia terhadap apa yang dianggap
“baik” dalam hasil enhancement [4].
B. Image Enhancement
Pada dasarnya image enhancement bertujuan untuk
menonjolkan detail yang terkaburkan atau menonjolkan
fitur tertentu yang menarik dalam sebuah citra. Teknik
image enhancement dibagi menjadi dua kategori:
- Domain spasial – perbaikan kualitas citra dengan cari
membagi citra menjadi piksel -piksel yang seragam
sesuai dengan koordinat spasial dengan resolusi
tertentu. Metode domain spasial melakukan operasi
pada piksel secara langsung [5][6].
 - Domain frekuensi – perbaikan kualitas citra
diperoleh dengan menerapkan Transformasi Fourier
ke domain spasial. Piksel dioperasikan dalam
kelompok dan juga secara tidak langsung dalam
domain frekuensi.
C. Analisa Cintra
Analisa citra terkait dengan detail statistic dari sebuah citra
untuk memeriksa informasi detail dari citra tersebut.
Informasi tersebut membantu dalan restorasi dan
enhancement dari sebuah citra. Informasi yang diperoleh
dapat ditampilkan dalam bentuk histogram. Histogram dari
sebuah citra merupakan grafik yang yang menunjukkan
jumlah piksel pada setiap level skala atau pada setiap indeks
untuk citra berwarna terindeks. Histogram berisi informasi
yang dibutuhkan untuk pemerataan citra, di mana pikses pada
citra diregangkan untuk memberi kontras yang proporsional.
III. METODE
Pada penelitian ini dilakukan proses image enhancement
menggunakan metode domain spasial. Terminologi spasial
domain mengacu kepada bidang citra itu sendiri, dan
pendekatan pada kategori ini didasarkan pada manipulasi
langsung dari nilai pikses sebuah citra. Hal ini meningkatkan
keseluruhan citra dalam cara yang seragam.Proses pengolahan
citra metode domain spasial pada penelitian ini dilakukan
dengan menerapkan beberapa proses yaitu gaussian filter,
median filter dan Laplacian filter. Proses pengolahan citra
dengan gaussian filter ditunjukkan oleh Gambar 2.
citra input
konversi citra dari
RGB ke grayscale
hitung intensitas
citra
tambah random
noise
atur ukuran kernel
atur ukuran sigma
masukkan koefisien
Gausian filter
jalankan filter
atur rentang
tampilkan citra dalm
8 bit
citra output
Gambar 2. Diagram alir pengolahan citra dengan Gaussian filter
Pada Gambar 2 tampak bahwa setelah memperoleh citra
digital, dilakukan konversi citra dari RGB to Grayscale, pada
tahap ini siebut dengan fase akuisisi. Pada proses konversi ke
grayscale dilakukan konversi piksel RGB ke piksel YIQ,
kemudian mempertahankan channel luminasi dan membuah
IQ channel chrominance. Persamaan konversi RGB ke
Grayscale ditunjukkan oleh persamaan (1). Dimana Y(m,n)
merupakan matrik yang merepresentasikan luminansi citra
dengan kompone dua warna dan R(m,n), G(m,n), dan B(m,n)
matriks untuk komponen RGB dari citra.
𝑌(𝑚, 𝑛) = 0.299 ∗ 𝑅(𝑚, 𝑛) + 0.587 ∗ 𝐺(𝑚, 𝑛) +
0.114 ∗ 𝐵(𝑚, 𝑛) (1)
Selanjutnya dilakukan perhitungan intensitas citra dan
ditambahkan noise kepada citra. Setelah itu ditentukan ukuran
kernel dan sigma yang merupakan koefisien dari Gaussian
filter. Setelah itu dilakukan proses filtering dan kemudian citra
ditampilkan dalam format 8-bit.
Kernel yang digunakan pada proses Gaussian filter
berukuran 3 x 3, 5x5, dan 8x8. Contoh kernel 5x5 dengan
sigma 0.9 adalah sebagai berikut
(2)
Umumnya setiap elemen dari kernel adalah 1 dan faktor
pengalinya merupakan reciprocal dari jumlah elemen pada
kernel. Operasi konvolusi memodifikasi setiap piksel dalam
citra dengan cara sebagai berikut. By-passing pusat konvolusi
kernel melalui setiap gambar yang terdapat noise, maka setiap
produk dari elemen kernel dan nilai piksel gambar yang sesuai
dapat dijumlahkan serta mengalikan jumlahnya dengan faktor
pengali untuk mendapatkan piksel yang telah diproses.
Pada filter ini kernel yang digunakan memiliki elemen
paling tinggi pada pusat untuk diproses paling banyak dan
makin berkurang hingga ke pinggir piksel. Dengan car aini,
efek buram dapat dikurangi Ketika menyaring noise. Pola dari
nilai kernel pada domain khusus terlihat seperti lonceng.
Kecuraman lonceng diatur oleh standar deviasi dari fungsi
distribusi Gaussian, di mana semakin besar standar deviasi
maka semakin rata kernelnya, maka efek buram akan lebih
banyak terjadi.
Proses yang sama juga dilakukan untuk median filtering
dan Laplacian of Gaussian filtering. Hanya saja pada median
filtering, noise yang ditambahkan adalah jenis salt & pepper
noise. Noise ini juga disebut sebagai impulse noise. Noise ini
biasanya disebabkan oleh gangguan tiba-tiba dan tajam
terhadap sinyal citra. Noise ini muncul sebagai bercak-bercak
piksel hitam dan putih. Filter median merupakan jenis filter
nonlinear dan sangat efektif dalam mengeliminasi impulse
noise. Prinsip dari median filter adalah menggantikan tingkat
keabuan dari setiap piksel dengan median tingkat keabuan di
sekitar piksel. Pada median filter, tetap dilakukan penentuan
ukuran kernel, lalu menentukan nilai piksel yang dicakup oleh
kernel dan menentukan level mediannya. Jika kernel
mencakup jumlah pikses genap maka dicari rata-rata dari dua
nilai median. Sebelum memulai median filter, harus
ditambahkan nol sekitar tepi bari dan kolom. Maka ditorsi
terjadi pada batas pinggir citra. Citra output ditampilkan untuk
melihat hasil pengolahan, selain itu juga ditampilkan yang memiliki frekuensi tinggi diatenuasi sehingga citra
histogram dari citra tersebut. tampak lebih jelas.
IV. HASIL DAN PEMBAHASAN
Gambar 3 menunjukkan desain Graphic User Interface
(GUI) dari pengolahan citra yang dibangun menggunakan
MATLAB. Pada bagian antarmuka terdapat beberapa tombol
yang menggambarkan jenis olah citra yang akan dilakukan
diantaranya: akuisisi citra dengan tombol “import image”,
konversi citra ke grayscale dengan tombol “gray scale”
menambahkan gaussian noise dengan tombol “gaussian
noise”, menambahkan impulse noise dengan tombol “salt and
pepper”, menerapkan Gaussian filter dengan berbagai jenis
kernel dan sigma, serta tombol untuk menerapkan median
filter. Selain itu, juga ditampilkan citra input dan output
beserta histogramnya sebagai perbandingan.

Gambar 5. Citra dengan random noise

Gambar 3. GUI image enhancement dengan MATLAB

K=3x3
Sigma=0.5

Gambar 4. Citra asli sebelum dimanipulasi dan histogram K=5x5

Sigma=0.7
Gambar 4 menunjukkan input gambar asli citra yang
kemudian dikonversi ke grayscale. Histogram yang dihasilkan
menunjukkan bahwa citra memiliki distribusi piksel
cenderung sama antara cerah dan gelap, namun tidak ada yang
bernilai 255.
Setelah citra diakuisisi, makan ditambahkan gaussian
noise noise. Pada Gambar 5 tampak bahwa citra yang telah
ditambahkan noise memiliki distribusi normal pada
histogramnya. Selanjutnya diterapkan Gaussian filter terhadap
citra Gambar 5. Gambar 6 menunjukkan citra yang K=8x8
sebelumnya diberikan noise tambahan telah diolah dengan Sigma=0.9
Gaussian filter. Hasil citra diperoleh dengan menjalankan
command MATLAB. Pada filter ini digunakan ukuran kernel Gambar 6. Citra yang telah difilter dengan Gaussian filter dengan variasi
3x3, 5x5, 8x8 dengan nilai sigma masing-masing nilai sigma kernel dan sigma
0.5, 0.7, dan 0.9. Dari hasil pengolahan tampak bahwa
semakin besar nilai sigma, maka citra yang dihasilkan akan Gambar 7 menunjukkan citra asli yang ditambahkan
semakin halus. Dari citra yang dihasilkan tampak bahwa noise dengan salt and pepper noise. Citra terkorupsi yang
disebabkan oleh adanya noise kemudian difilter dengan
median filter dengan ukuran kernel 3x3. Hasil enhancement
menunjukkan peningkatan kualitas yang signifikan. Citra juga
terlihat lebih halus, sehingga informasi dengan frekuensi
tinggi berkurang. Pada median filter, kernel yang digunakan
harus berukuran kecil karena dengan nilai kernel yang besar
akan mengakibatkan nilai mediannya bergeser dari nilai
pikselnya.
Gambar 7. Citra dengan salt and pepper noise
Gambar 8. Citra yang telah diproses dengan median filter
V. KESIMPULAN
Pada penelitian ini telah dilakukan image enhancement
dengan teknik domain spasial. Program dibangun
menggunakan MATLAB untuk memproses dan menampilkan
citra setelah diterapkan beberapa variasi filter. Filter Gaussian
menghasilkan citra halus dengan mengeliminasi noise dengan
frekuensi tinggi. Filter median cocok digunakan untuk
mengeliminasi noise jenis salt and pepper. Untuk
pengembangan lebih jauh, penerapan berbagai jenis filter ini
dapat dilanjutkan pada aplikasi pengolahan citra digital seperti
restorasi citra, kompresi data citra, dan lain-lain.
ACKNOWLEDGMENT
We thank Dr. Sastra Kusuma Wijaya for the support in
learning digital signal processing.
REFERENCES
[1] R.C. Gonzalez, “Digital image processing”. NY: Pearson,
2018, ISBN 978-0-13-335672-4.
[2] A.Verma. and A.P.A. Mishra (2015). Image Compression using
Gaussian Smoothing Filter and Median Filter, International Journal on
Recent and Innovation Trends in Computing and Communication,
VOL.3 Issues.11,pp.6344-6347, 2015,
doi:10.17762/ijritcc.v3i11.5048.
[3] L. Tan and J. Jiang, “Digital signal processing: Fundamentals and
Applications”, third edition, Elsevier, 2019.
[4] R. S. Hegadi, “Image Processing: Research Opportunities and
Challenges”on Conference: National Seminar on Research in
Computer, 2010.
[5] B. Chanda and D. D. Majunder, “Digital image processing analysis”,
2002.
[6] R. Maini and H. Aggarwal, “A comprehensive review of image
enhancement techniques”, Journal of Computing, Vol 2, Issue 3, March
2010