Puji syukur penulis panjatkan kehadiran Tuhan Yang Maha Esa, yang telah berkenan
memberi petunjuk dan kekuatan kepada penulis sehingga makalah “Pengolahan Citra” ini
dapat diselesaikan
Makalah ini disusun dan dibuat bertujuan agar dapat menambah pengetahuan dan
wawasan penulis dalam suatu citra dan menjadi salah satu tugas dalam mata kuliah
Pengolahan Citra
Makalah ini sangatlah jauh dari kesempurnaan, untuk itu sebagai penulis saya mohon
kritik dan saran yang membangun untuk menjadi lebih baik kedepan
M. Daffa Akbar
3
i
Daftar isi
KATA PENGANTAR.............................................................................................................i
DAFTAR ISI...........................................................................................................................ii
Bab I
PENDAHULUAN...................................................................................................................4
Latar Belakang Masalah..........................................................................................................4
Maksud dan Tujuan.................................................................................................................4
Bab II
PEMBAHASAN.....................................................................................................................5
A. Definisi...............................................................................................................................5
B. Macam-macam citra berdasarkan format penyimpanan nilai warnanya..........................17
C. Operasi dasar pengolahan
citra.........................................................................................21
D. Pemampatan citra.............................................................................................................42
Bab III
Penutup..................................................................................................................................51
A. Kesimpulan
B. Saran dan Kritik
Refrensi.......................................................................................................................51
4
Bab I
PENDAHULUAN
A. Latar Belakang Masalah
Pada zaman sekarang teknologi semakan berkembang dan lebih menarik bagi semua orang dalam
menggunakannya, teknologi semakin menarik karena adanya multimedia yang membuat sebuah teknologi
yang dulunya disajikan dalam sebuah teks namun sekarang sudah dalam sebuah music, video, dan lain-
lain.
Di era teknologi informasi sekarang multimedia sangat berperan penting dalam perkembangan
teknologi, contohnya sebuah HP(HandPhone) yang dapat mengirim sebuah pesan ke penerima, dulu
hanya dalam sebuah teks, namun sekarang sudah bermacam-macam bentuk, gambar dan video
Bab II
Pembahasan
DEFINISI
• Citra = gambar = image
Citra, menurut kamus Webster, adalah suatu representasi, kemiripan, atau imitasi dari suatu objek
atau benda misal :
- foto Anda mewakili entitas diri Anda sendiri di depan kamera
- foto sinar-X thorax mewakili keadaan bagian dalam tubuh seseorang - data
dalam suatu file BMP mewakili apa yang digambarkannya
• Citra, dari sudut pandang matematis, merupakan fungsi menerus (continue) dari intensitas cahaya
pada bidang 2 dimensi.
• Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya
menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan
cahaya ditangkap oleh alat-alat optik, misal mata manusia, kamera, scanner, sensor satelit, dsb,
kemudian direkam.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
1. optik berupa foto
2. analog berupa sinyal video seperti gambar pada monitor televisi
3. digital yang dapat langsung disimpan pada media penyimpan magnetik
Citra tampak (foto, gambar, lukisan, apa yang nampak di layar Citra
monitor/televisi , hologram , dll)
Citra digital = citra yang disimpan dalam format digital (dalam bentuk file).
Hanya citra digital yang dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah
dengan komputer harus diubah dulu menjadi citra digital.
• Pencitraan (imaging)
= kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Beberapa
alat yang dapat digunakan untuk pencitraan adalah : scanner, kamera digital, kamera sinar-x/sinar
infra merah, dll
• Pengolahan Citra
= kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia/mesin(komputer).
Inputannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra
masukan misal citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal
bintikbintik putih), dll sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut
menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.
6
• Analisis Citra
= kegiatan menganalisis citra sehingga menghasilkan informasi untuk menetapkan keputusan
(biasanya didampingi bidang ilmu kecerdasan buatan/AI yaitu pengenalan pola (pattern
recognition) menggunakan jaringan syaraf tiruan, logika fuzzy, dll).
citra
• Dalam ilmu komputer sebenarnya ada 3 bidang studi yang berkaitan dengan citra, tapi tujuan
ketiganya berbeda, yaitu : 1. Grafika Komputer
2. Pengolahan Citra
3. Pengenalan Pola
Grafika Komputer
• Adalah proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar
belakang yang terkandung pada gambar tersebut.
• Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di alam nyata
(realism).
• Bertujuan menghasilkan gambar/citra (lebih tepat disebut grafik/picture) dengan primitifprimitif
geometri seperti garis, lingkaran, dsb.
• Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen
gambar. Data deskriptif : koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna,
dsb.
• Grafika komputer berperan dalam visualisasi dan virtual reality.
Grafika
Data Citra deskriptif
Komputer
Pengolahan Citra
Operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan
citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement)
contoh : perbaikan kontras gelap/terang, perbaikan tepian objek, penajaman, pemberian warna
semu, dll
2. Adanya cacat pada citra sehingga perlu dihilangkan/diminimumkan (image restoration)
contoh : penghilangan kesamaran (debluring) citra tampak kabur karena pengaturan fokus
lensa tidak tepat / kamera goyang, penghilangan noise
3. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation)
Operasi ini berkaitan erat dengan pengenalan pola.
4. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis).
Proses segementasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari
sekelilingnya. Contoh : pendeteksian tepi objek
5. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction) contoh :
beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh
6. Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP
berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB
7. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia
tersebut tidak diketahui orang (steganografi & watermarking)
Pengolahan
Citra Citra
Citra
7
Pengenalan Pola
• Adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh
mesin (komputer).
• Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra.
• Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar
mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek
lainnya. Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin.
• Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra
tersebut dan memberikan keluaran berupa informasi/deskripsi objek di dalam citra.
Pengenalan
CitraPola
Informasi / deskripsi objek
COMPUTER VISION
• Terminologi lain yang berkaitan erat dengan pengolahan citra adalah Computer Vision.
• Computer vision = merupakan proses otomatis yang mengintegrasikan sejumlah besar proses
untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat
keputusan.
• Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang
sesungguhnya sangat kompleks.
• Manusia melihat dengan objek dengan indera penglihatan (mata), lalu citra objek diteruskan ke
otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan
mata. Hasil interpretasi ini digunakan untuk pengambilan keputusan (misal menghindar kalau
melihat ada mobil di depan).
• Proses-proses dalam computer vision :
- memperoleh atau mengakuisisi citra digital
- operasi pengolahan citra
- menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk
tujuan tertentu, misal memandu robot, mengontrol peralatan, dll.
• Pengolahan citra merupakan proses awal pada computer vision, pengenalan pola merupakan
proses untuk menginterpretasi citra.
Deteksi penggunaan Lahan dari foto satelit salah satu teknik yang digunakan adalah image
segmentation
10
Pengenalan/deteksi tanda tangan asli/palsu (tanda tangan yang dibuat oleh orang yang
sama/berbeda) Pengenalan angka
11
Sensor Pasif
• Sistem sensor yang merekam data obyek tanpa mengirimkan energi, sumber energi bisa dalam
bentuk sinar matahari, sinar lampu, dsb
• Contoh: sensor optik dari kamera foto, sensor optik pada sistem inderaja.
Sensor Aktif
• Sistem sensor yang merekam data obyek mengirimkan dan menerima pantulan dari energi yang
dikirim ke arah obyek, energi yang dikirim bisa berupa gelombang pendek, sinar X, dsb
• Contoh: sensor Rontgen untuk foto thorax, sensor gelombang pendek pada sistem radar, sensor
ultrasound pada sistem USG.
13
Koordinat Cartesian
(2,3)
3 (5,2)
2
1
X
(0,0)
1 2 3 4 5
(0,0)
X
1 1 2 3 4 5
2
(2,3)
3 (5,2)
(0,0)
X
1 1 2 3 4 5
3 (2,3)
4
5
(5,2)
Y
14
Citra Digital
• Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan
koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan tingkat
kecemerlangan citra pada titik tersebut
• Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan
diskritisasi tingkat kecemerlangannya/keabuan (kwantisasi)
• Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu
titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel /
pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut
• Citra digital dinyatakan dengan matriks berukuran N x M (baris/tinggi = N, kolom/lebar = M)
N = jumlah baris M y
= jumlah kolom piksel
L = maksimal warna intensitas
(derajat keabuan / gray level)
⎡ f (0,0)
⎢
f (1,0) f x y( , ) ≈⎢ 0 ≤ y ≤ N–1
0 ≤ x ≤ M–1
⎢⎢ : 0 ≤ f(x,y) ≤ L – 1
⎣ f N( −1,0)
Resolusi Citra
• = resolusi spasial dan resolusi kecemerlangan, berpengaruh pada besarnya informasi citra
yang hilang.
• Resolusi spasial
= halus / kasarnya pembagian kisi-kisi baris dan kolom.
Transformasi citra kontinue ke citra digital disebut digitalisasi (sampling).
Misal hasil digitalisasi dengan jumlah baris 256 dan jumlah kolom 256 resolusi
spasial 256 x 256.
• Resolusi kecemerlangan (intensitas / brightness)
= halus / kasarnya pembagian tingkat kecemerlangan.
Transformasi data analog yang bersifat kontinue ke daerah intensitas diskrit disebut
kuantisasi. Bila intensitas piksel berkisar antara 0 dan 255 resolusi kecemerlangan
citra adalah 256
• Setelah itu kita dapat menggambar menggunakan warna-warna dalam palet tersebut di
atas sebuah kanvas
• Sebuah kanvas dapat kita anggap sebagai sebuah matriks dimana setiap elemen dari
matriks tersebut bisa kita isikan dengan salah satu warna dari palet
• Informasi tentang palet (korespondensi antara warna dengan angka) disimpan dalam
komputer (program pembuka citra seperti Paint, Photoshop, dll) sehingga sebuah file citra
dalam komputer hanya perlu menyimpan angka-angka yang merepresentasikan sebuah
warna.
• Sebuah citra direpresentasikan dalam sebuah matriks yang berisi angka-angka
16
201 188 181 185 180 147 140 149 155 138
144 144 145
199 200 201 188 139 132 147 150 143 123
112 102 117
207 221 222 136 90 111 125 145 140 138
122 104 97 =
231 219 200 90 65 84 84 107 95 92
92 99 89
227 223 181 74 72 89 92 86 77 63
50 55 65
217 211 166 85 47 75 82 83 75 42
42 39 40
208 195 179 131 54 68 66 72 46 21 15
24 19
198 187 181 141 53 54 55 59 37 21 37 66 90
195 184 170 134 52 38 42 45 35 43 98 152 172
186 175 171 169 100 34 34 27 44 85 139 170 184
167 156 142 144 112 48 32 46 84 133 166 172 186
142 139 131 120 108 67 30 76 102 123 153 171 178
145 134 128 125 117 70 38 91 101 105 125 146 157
• Jika kita menyimpan gambar kucing tadi ke dalam sebuah file (kucing.bmp), maka yang
disimpan dalam file tersebut adalah angka-angka yang diperoleh dari matriks kanvas.
File kucing.bmp :
Header
Angka- Input
angka dari
matriks
• Ada bermacam format representasi citra dalam file, seperti bmp, gif, tif, jpg, dan
sebagainya.
• Format BMP merupakan format yang kurang efisien, karena semua informasi angka
dalam baris disimpan semua. Misalkan ukuran header adalah H byte, ukuran citra
100x100 byte monokrom, maka ukuran file bmp tersebut adalah : H + data citra = H +
10000 Byte
• Bagian data citra (10000 byte) sebenarnya bisa dikompresi agar ukuran file tidak terlalu
besar. Salah satu cara kompresi adalah dengan terlebih dahulu mentransformasikan citra
17
ke ruang yang berbeda (contoh: format file JPEG). Topik ini lebih lanjut akan dibahas
tersendiri.
• Contoh :
Suatu citra format BMP 8 bit berukuran 200 x 100 maka memori yang dibutuhkan untuk
menyimpan data citra tersebut (tanpa header) sebesar :
Memori = 200 x 100 x 8 bit = 160000 bit = 20000 byte = 19,5 KB
A. CITRA BINER
• Setiap titik (pixel) dalam citra bernilai 0 atau 1.
Warna hitam = 0, putih = 1.
Catatan :
Model citra cahaya = ada cahaya (=1) maka warna putih
Model citra cahaya = tidak ada cahaya (=0) maka warna hitam
Model citra tinta / cat = ada cat (=1) maka warna hitam
Model citra tinta / cat = tidak ada cat (=0) maka warna putih
• Citra skala keabuan mempunyai kemungkinan warna antara hitam (minimal) dan putih
(maksimal)
• Jumlah maksimum warna sesuai dengan bit penyimpanan yang digunakan.
Contoh :
skala keabuan 4 bit
jumlah
4
kemungkinan 2 = 16 warna kemungkinan
warna 0 (min) sampai 15 (max)
Citra warna
= 255 255 255 0 0 0 128 128 128 128 128 0
= 0 255 255 0 0 0 204 255 255 0 0 255
= 150 150 150 51 51 51 255 255 255 95 95 95
= 255 204 153 255 204 153 128 0 0 255 0 255
Catatan :
Ada perbedaan warna dasar untuk cahaya (misal display di monitor komputer) & untuk
cat/tinta (misal cetakan di atas kertas).
Citra cahaya menggunakan warna dasar RGB = Red Green Blue
Citra cat menggunakan warna dasar CMY = Cyan Magenta Yellow
Dalam matakuliah ini kita menggunakan standar warna dasar cahaya (RGB)
19
Indeks R G B
= 4 0 12
= 4 4 4 0 0 0 0
1 51 52 60
….
4 255 255 255
…. 10
250 10 240
• Setting warna display pada MS Window biasanya format 16 colors, 256 colors, high
color, true color, yang merupakan citra warna berindeks dengan ukuran palet masing-
masing 4 bit, 8 bit, 16 bit dan 24 bit
• Citra digital direpresentasikan dengan matriks sehingga operasi pada citra digital pada
dasarnya memanipulasi elemen-elemen matriks.
• Operasi dasar pengolahan citra antara lain : operasi titik, operasi global, operasi berbasis
bingkai (frame), operasi geometri, operasi bertetangga
OPERASI TITIK
• Titik pada citra memiliki 2 karakteristik yaitu :
- koordinat yang menunjukkan lokasi dari titik tersebut dalam citra
- nilai yg menunjukan tingkat keabuan/warna dari titik tersebut
• Operasi titik dilakukan dengan memodifikasi nilai skala keabuan dari titik (piksel) yang
ditinjau berdasarkan fungsi tertentu.
• Fungsi yang digunakan adalah fungsi transformasi skala keabuan (gray scale
transformation/GST)
• GST function = fungsi yang memetakan tingkat keabuan input (Ki) ke citra keabuan citra
output (Ko)
Ko = f (Ki)
Untuk citra true color fungsi ini diterapkan pada ketiga elemen warna :
Ro = fR (Ri)
Go = fG
(Gi) Bo = fB
(Bi)
Ro = Ri + CR
Go = Gi + CG
Bo = Bi + CB
Ko = G (Ki – P) + P
3. NEGASI
• Operasi untuk mendapatkan citra negatif (negative image)
• Meniru film negatif pada fotografi, yaitu titik yang berwarna putih pada citra mempunyai
warna hitam pada film negatifnya, demikian juga sebaliknya.
• Dilakukan dengan cara mengurangi nilai intensitas piksel dari nilai keabuan maksimum.
Ko = Kmax – Ki
Misal pada citra dengan 256 derajat keabuan (8 bit) Kmax = 255 maka
Ko = 255 – Ki atau f(x,y)’ =255 – f(x,y)
Ri + Gi + Bi
Ko = --------------------
3
• Bisa juga dengan memberi bobot (w) pada RGB karena mata manusia lebih sensitif pada
warna hijau, kemudian merah, terakhir biru.
Ko = wr Ri + wg Gi + wb Bi
Berdasarkan NTSC (National Television System Committee), dimana :
wr = 0.299
24
wg = 0.587
wb = 0.144
5. PENGAMBANGAN (THRESHOLDING)
• Operasi pengambangan digunakan untuk mengubah citra dengan format skala keabuan,
yang mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah
nilai (yaitu 0 dan 1).
• Pengambangan Tunggal
Memiliki sebuah nilai batas ambang
Fungsi GST-nya
0, jika Ki < ambang (0 = hitam)
Ko =
1, jika Ki ≥ ambang (1 = putih)
atau
0, jika Ki ≥ ambang
Ko =
1, jika Ki < ambang
misal
nilai ambang = 140
25
• Pengambangan Ganda
Memiliki ambang bawah dan ambang atas. Dilakukan untuk menampilkan titik-titik yang
mempunyai rentang nilai skala keabuan tertentu
atau
OPERASI GEOMETRI
• Operasi Geometri pada pengolahan citra ditujukan untuk memodifikasi koordinat piksel
dalam suatu citra dengan pendekatan tertentu, tetapi dalam perkembangannya dimungkinkan
juga memodifikasi nilai skala keabuan.
• Operasi Geometri berhubungan dengan perubahan bentuk geometri citra, antara lain :
Pencerminan (flipping)
Rotasi/pemutaran (Rotating)
Pemotongan (Cropping)
Penskalaan (Scaling/Zooming)
1. PENCERMINAN (FLIPPING)
• Operasi pencerminan merupakan salah satu operasi geometri yang paling sederhana.
• Efek pencerminan
horisontal : pencerminan pada sumbu Y vertikal :
pencerminan pada sumbu X
kombinasi : pencerminan pada sumbu Y dan X
x’ – xc = – x + xc
x’ = 2xc – x Citra
w = lebar citra
w–1
xc = = (w–1)/2
2
Garis tengah citra
(xc)
Karena xc =
(w–1)/2Maka:
x’ = 2 ((w–1)/2) – x
x’ = w – 1 – x
Kesimpulan :
Pencerminan Horisontal : x’ = w – 1 – x
y’ = y (nilai koordinat y tetap)
Pencerminan Vertical : y’ = h – 1 – y
x’ = x (nilai koordinat x tetap)
Pencerminan Kombinasi : x’ = w – 1 – x
y’ = h – 1 – y
x’ = w’ – 1 – x
y’ = h’ – 1 – y
27
• Rotasi Bebas
Dengan asumsi berlawanan arah jarum jam (CCW/counter clock
wise) x’ = x cos(θ) + y sin(θ)
y’ = -x sin(θ) + y cos(θ)
w’ = |w cos(θ)| + |h
sin(θ)| h’ = |w sin(θ)|
+ |h cos(θ)|
citra asli
0
rotasi bebas (25 CCW)
3. PEMOTONGAN (CROPPING)
Adalah pengolahan citra dengan kegiatan memotong satu bagian dari citra.
Rumus yang digunakan :
0
x’ = x – xL untuk x = xL sampai xR 0
xL xR
y’ = y – yT untuk y = yT sampai yB
citra di-crop
citra asli
28
4. PENSKALAAN (SCALING)
• Operasi penskalaan (scaling) dimaksudkan untuk memperbesar (zoom-in) atau memperkecil
(zoom-out) citra.
Nilai skala
< 1 , memperkecil citra asli
Rumus yg dipakai : x’ = Sh x y’ = Sv y
Keterangan :
Sh = faktor skala horisontal citra asli
Sv = faktor skala vertikal
• Dalam operasi yang melibatkan dua buah citra atau lebih, biasanya akan diterapkan operasi
aritmatika, sebagai contoh :
wa dan wb adalah bobot untuk citra A dan B, dan nilai jumlah total dari bobot
adalah 1 wa + wb = 1
citra B
citra A citra hasil penggabungan dengan wa=0.4 wb=0.6
2. DETEKSI GERAKAN
• Deteksi gerakan secara sederhana dapat dilakukan dengan mencari beda antara 2 citra
yang berurutan pada hasil pencitraan menggunakan kamera video digital
• Operator yang digunakan adalah pengurangan
• Dengan operasi pengurangan ini :
- bagian yang tidak bergerak akan menghasilkan nilai = 0
- bagian yang bergerak menghasilkan nilai ≠ 0
C(x,y) = A(x,y) – B(x,y)
• Dengan mengevaluasi nilai selisih tersebut, dapat diketahui apakah pada citra terdapat
objek yang bergerak
• Bisa juga digunakan rumus pada operasi blending dengan memberi bobot wa = 1 dan wb
=–1
3. OPERASI LOGIKA
• Beberapa operasi logika dapat diterapkan pada 2 atau lebih citra, yaitu :
• Operasi SUB mirip dengan operasi pengurangan, tetapi jika hasilnya negatif maka
hasilnya diganti dengan 0
A – B jika A ≥ B
A SUB B =
0 jika A < B
31
citra A citra B A OR B
NOT A
citra A citra B A SUB B
OPERASI GLOBAL
• Proses yang dilakukan bergantung pada karakteristik global dari citra yang hendak
dimodifikasi
• Karakteristik tersebut biasanya berupa sifat statistik dari citra itu sendiri yang
direpresentasikan dengan histogram tingkat keabuan = mempertimbangkan keseluruhan titik
pada citra tersebut.
• Salah satu operasi global adalah Ekualisasi Histogram (Histogram Equalization)
Ekualisasi
0 255
C
K o = round ⎛⎜⎜⎝ i . (2w h . k −1) ⎞⎟⎟⎠
Contoh :
Misal diketahui beberapa nilai piksel/nilai skala keabuan sebagai berikut :
2 4 3 1 3 6 4 3 1 0 3 2
0
0 1 2 3 4 5 6
0
0 1 2 3 4 5 6
Contoh :
• Sebuah citra yang ideal, apabila mampu mencerminkan kondisi sesungguhnya dari suatu
obyek.
• Mempunyai hubungan satu-satu (one to one), satu titik pada obyek dipetakan tepat satu pixel
di citra digital.
34
• Tetapi pada kenyataannya, hubungan yang ada antara titik dalam obyek dengan titik pada
citra digital adalah hubungan satu ke banyak (one to many) dan banyak ke satu (many to one).
• Ini dikarenakan :
9 sinyal yang dikirim oleh obyek citra mengalami penyebaran (divergensi), sehingga yang
diterima oleh sensor atau detector tidak lagi berupa suatu titik, namun berupa luasan.
9 Atau sebaliknya satu titik pada sensor atau detector dapat menerima banyak sinyal dari
beberapa bagian.
• Operasi citra digital yang berhubungan dengan kondisi diatas disebut operasi
persekitaran/bertetangga (neighborhood operation).
• Operasi persekitaran/bertetangga pada dasarnya adalah hubungan antara citra dengan sebuah
filter (mask / kernel)
• Nilai dari filter/mask merupakan bobot kontribusi titik persekitaran terhadap operasi
persekitaran.
35
1 0 -1
2 1 -2 Bobot/mask/
1 0 -1 kernel/filter
M N
= 150
• Beberapa pengolahan citra yang berkaitan dengan operasi ini adalah :
1. Deteksi Tepi (Edge Detection)
2. Penghalusan Citra (Smoothing)
3. Penajaman Citra (Sharping)
4. Reduksi Noise
5. Efek Emboss
• Operasi ini digunakan untuk menentukan lokasi titik-titik yang merupakan tepi obyek
citra.
• Secara umum, tepi suatu obyek dalam citra dinyatakan sebagai titik yang nilai warnanya
berbeda cukup besar dengan titik yang ada disebelahnya.
• Ada beberapa mask yang telah dirancang untuk deteksi tepi yaitu operator gradien yang
terdiri dari :
Robert
Operator Robert diagonal 1
1 0
0 –1
Prewitt
Operator Prewitt horisontal
–1 0 1
–1 0 1
–1 0 1
Sobel
Operator Sobel horisontal
–1 0 1
–2 0 2
–1 0 1
Isotropik
Kombinasi antar kedua hasil operasi dengan mask tersebut bisa dilakukan dengan
mengambil hasil penjumlahan, nilai maksimum, rerata atau rerata geometri.
Dengan K1(x,y) dan K2(x,y) adalah hasil operasi dengan mask 1 dan mask 2.
Dalam praktek, formula (1) dan (2) biasanya lebih disukai dan lebih mudah dikerjakan
karena mengandung jumlah operasi aritmetika yang lebih sedikit.
Operator Laplacian
Operator lain yang dapat digunakan untuk mendeteksi tepi adalah operator Laplacian.
Operator ini dapat digunakan untuk horisontal dan vertikal.
0 –1 0
–1 4 –1
0 –1 0
Laplacian 5 titik
–1 –1 –1
–1 8 –1
–1 –1 –1
Laplacian 9 titik I
–2 1 –2
1 4 1
–2 1 –2
Laplacian 9 titik II
Contoh :
130 100 80 60
160
f(2,2) = 160
Roberts
Diagonal1 = K1(x,y) = | (1*160) + (0*150) + (0*120) + (–1*120) | =
40 atau pakai cara praktis |160 – 120 | = 40
Diagonal2 = K2(x,y) = | (0*160) + (1*150) + (–1*120) + (0*120) | =
30 atau pakai cara praktis |150 – 120 | = 30
Maka h(2,2) bila menggunakan :
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 40 + 30 = 70
K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 40
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) / 2 = (40 + 30)/2 = 35
38
Sobel
Horisontal = K1(x,y) = | (–1*200) + (–2*160) + (–1*140) + (1*150) + (2*150) +
(1*120) |
= | – 90 | = 90
Vertikal = K2(x,y) = | (–1*200) + (–2*180) + (–1*150) + (1*140) + (2*120) +
(1*120) |
= | – 210 | = 210
Maka h(2,2) bila menggunakan :
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 90 + 210 = 300 ≈ 255
K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 210
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) / 2 = (90 + 210)/2 = 150
Isotropik
Horisontal = K1(x,y) = |(–1*200) + (–√2*160) + (–1*140) + (1*150) + (√2*150) +
(1*120)|
= | – 84 | = 84
Vertikal = K2(x,y) = |(–1*200) + (–√2*180) + (–1*150) + (1*140) + (√2*120) +
(1*120)|
= | – 177 | = 177
Maka h(2,2) bila menggunakan :
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 84 + 177 = 261 ≈ 255
K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 177
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) / 2 = (84 + 177)/2 = 130,5 ≈ 131
39
K0(x,y) = √ K1(x,y)* K1(x,y) + K2(x,y) * K2(x,y) = √
(84*84)+(177*177)
= 195,9 ≈ 196
Laplacian 9 titik I
K1(x,y) = | (–1*200) + (–1*180) + (–1*150) + (–1*160) + (8*160) + (–1*150) +
(–1*140) + (–1*120) + (–1*120) |
= 60
Maka h(2,2) = 60
0 –α –α –α –α
–α 1 + 4α –α 1 + 8α –α
0 –α –α –α –α
5 titik 9 titik
• Banyaknya penambahan komponen citra tepi diatur dengan suatu nilai derajat penajaman
(α), sehingga dengan mengatur nilai α maka tingkat ketajaman citra dapat disesuaikan
dengan keinginan kita
160
130 100 80 60
f(2,2) = 160 , α = 1
citra hasil
citra hasil dengan mask 9 titik
dengan mask 5 titik
α=1 α=1
4. REDUKSI NOISE
• Banyak cara untuk reduksi noise, salah satunya dengan operasi median
• Nilai keabuan dari titik-titik di dalam jendela diurutkan dari nilai terkecil sampai dengan
terbesar, kemudian ditentukan mediannya
• Nilai median adalah nilai yang berada paling tengah dari urutan.
• Operasi median dapat menggunakan mask tanpa bobot dengan ukuran sesuai yang
dikehendaki, misal 3 x 3 , 5 x 5 , 7 x 7 , atau 1 x 5, 5 x 3, dll
25 20 20 18
24 0
0 0 0 0
24 18 15 15
0 200 0 0 0
1
18 16 15
16 0 2
0 0 0
0
14 12 12 10
18
0 0 0 0
0
16 13 10
80 60
0 0 0
f(2,2) =
160
citra hasil
dengan reduksi noise
5. EFEK EMBOSS
• Efek emboss = kesan timbul pada objek dalam citra
• Mask yang dapat digunakan :
0 –β –β
–β 0 β
β 1 –β
–β 1 β
β β 0
–β 0 β
• Parameter β (derajat emboss) digunakan untuk mengatur seberapa banyak efek timbul
akan diberikan
f(2,2) = 160 , β = 2
Bila menggunakan mask dari arah kiri maka: 250
240 200 200 180
h(2,2) = (–2 * 200) + (0 * 180) + (2 * 150) +
(–2 * 160) + (1 * 160) + (2 * 150) + 240 200 180 150 150
(–2 * 140) + (0 * 120) + (2 * 120)= 0 160
Bila menggunakan mask dari arah kanan atas maka 180 160 150 120
h(2,2) = (0 * 200) + (–2 * 180) + (–2 * 150) +
180 140 120 120 100
(2 * 160) + (1 * 160) + (–2 * 150) +
(2 * 140) + (2 * 120) + (0 * 120)= 40 160 130 100 80 60
43
citra hasil
citra asli citra hasil
dengan mask dari arah kiri
dengan mask dari arah kanan
PEMAMPATAN CITRA (IMAGE COMPRESSION) atas β=2β=2
• Semakin besar ukuran citra, semakin besar memori yang dibutuhkan. Namun kebanyakan
citra mengandung duplikasi data, yaitu :
- suatu piksel memiliki intensitas yang sama dengan dengan piksel tetangganya, sehingga
penyimpanan setiap piksel memboroskan tempat
- citra banyak mengandung bagian (region) yang sama, sehingga bagian yang sama ini tidak
perlu dikodekan berulangkali karena mubazir atau redundan
Contoh : citra langit biru dengan beberapa awan putih banyak intensitas piksel dan region
yang sama
• Pemampatan citra / kompresi citra bertujuan meminimalkan kebutuhan memori untuk
merepresentasikan citra digital dengan mengurangi duplikasi data di dalam citra sehingga
memori yang dibutuhkan menjadi lebih sedikit daripada representasi citra semula.
proses dekompresi : citra yang sudah dimampatkan dikembalikan lagi (decoding) menjadi
representasi yang tidak mampat. Diperlukan bila citra tersebut ditampilkan ke layar /
disimpan dalam format tidak mampat (bentuk bitmap(BMP))
Mengukur kualitas hasil kompresi dengan PSNR (peak signal – to – noise ratio)
44
⎛ b⎞
PSNR = 20 x log10 ⎜ ⎟
⎝ rms ⎠
1 N M 2
PSNR memiliki satuan decibel (dB). Semakin besar PSNR, semakin bagus kualitas
kompresi.
• Contoh : citra ukuran 64 x 64 dengan 8 derajat keabuan (k) jumlah seluruh piksel (n) =
64 x 64 = 4096
K nk P(k) = nk/n
0 790 0.19
1 1023 0.25
2 850 0.21
3 656 0.16
4 329 0.08
5 245 0.06
6 122 0.03
7 81 0.02
1 2 1 1 1 1
1 3 4 4 4 4
1 1 3 3 3 5
1 1 1 1 3 3
- Hitung run-length untuk setiap derajat keabuan yang berurutan yaitu hitung jumlah
kemunculan datanya
(1,1) (2,1) (1,5) (3,1) (4,4) (1,2) (3,3) (5,1) (1,4) (3,2)
- Hasil pengkodean
1 1 2 1 15 3 1 4 4 1 2 3 3 5 1 1 4 3 2 ada 20 nilai, jadi
berkurang 4 nilai
• Metode RLE dapat dikombinasikan dengan metode Huffman untuk meningkatkan ratio
kompresi. Mula-mula lakukan kompresi RLE lalu hasilnya dimampatkan lagi dengan
Huffman.
3. QUANTIZING COMPRESSION
• Termasuk metode lossy compression karena mereduksi jumlah derajat keabuan yang ada
pada citra sehingga banyak informasi yang hilang, misal dari 256 menjadi 16.
• Algoritma kuantisasi :
46
1. Misal P adalah jumlah piksel dalam citra semula, buat histogram citra semula (citra
yang akan dikompresi)
2. Identifikasi n kelompok di dalam histogram sehingga setiap kelompok mempunyai
kira-kira P/n buah piksel
3. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n-1. Setiap piksel di
dalam kelompok dikodekan kembali dengan nilai derajat keabuan yang baru. • Contoh
: citra 5 x 13, 16 derajat keabuan (4 bit)
2 9 6 4 8 2 6 3 8 5 9 3 7
3 8 5 4 7 6 3 8 2 8 4 7 3
3 8 4 7 4 9 2 3 8 2 7 4 9
3 9 4 7 2 7 6 2 1 6 5 3 0
2 0 4 3 8 9 5 4 7 1 2 8 3
Langkah 1 :
Banyaknya piksel citra =
65 Buat histogramnya :
Derajat keabuan Jumlah piksel
0 2
1 2
2 9
3 11
4 9
5 4
6 5
7 8
8 9
9 6
Langkah 2 :
Misal akan dikompresi dari 16 menjadi 4 derajat keabuan (2 bit) yaitu nilai keabuan 0 s/d
3, maka dibuat n buah kelompok yaitu 4. Tiap kelompok rata-rata ada 65/4 = 16,25 piksel
(bisa lebih bisa kurang)
Langkah 3 :
Setiap piksel didalam kelompok dikodekan dengan nilai keabuan yang baru yaitu 0 s/d 3
0 3 2 1 3 0 2 1 3 2 3 1 2
1 3 2 1 2 2 1 3 0 3 1 2 1
1 3 1 2 1 3 0 1 3 0 2 1 3
1 3 1 2 0 2 2 0 0 2 2 1 0
0 0 1 1 3 3 2 1 2 0 0 3 0
100%= −(x100%)
• Dalam melakukan pengenalan sebuah objek di antara banyak objek dalam citra, komputer
harus melakukan proses segmentasi terlebih dahulu.
• Segmentasi =
- memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek
tersendiri.
- membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria
keserupaan tertentu antara derajat keabuan suatu piksel dengan derajat keabuan piksel-
piksel tetangganya.
48
Max
Min
Cluster 1 Cluster 2 Cluster 3
Hasil akhir dari proses clustering, seluruh titik pada tiap cluster diganti dengan rata
rata dari cluster sehingga menghasilkan citra dengan 3 (N) warna
• Kelemahannya :
- Harus tahu dengan tepat berapa jumlah objek yang ada pada citra
- Citra hasil kurang bagus jika pada citra terdapat beberapa objek dengan warna pada
masingmasing objeknya bervariasi atau pada setiap objek memiliki warna yang
sama.
MSB LSB
Penggantian dilakukan pada bit LSB, karena hanya mengubah nilai byte tersebut satu
lebih tinggi atau satu lebih rendah dari nilai sebelumnya. Jadi perubahan 1 bit LSB
tidak mengubah warna tersebut secara berarti, mata manusia tidak dapat membedakan
perubahan yang kecil.
Misal data rahasia 0111, maka setiap bit dari watermark menggantikan posisi LSB
dari segmen data citra menjadi :
- Untuk memperkuat penyembunyian data, dipilih susunan byte secara acak. Misal
terdapat 50 byte dan 6 bit data yang akan disembunyikan, maka byte yang diganti bit
LSBnya dipilih secara acak, misal byte nomor ke 36, 5, 21, 10, 18, 49.
- Bilangan acak dibangkitkan dengan pseudo-random-number-generator (PRNG)
52
PRNG menggunakan kunci rahasia untuk membangkitkan posisi piksel yang akan
digunakan untuk menyembunyikan bit-bit.
PRNG dibuat menggunakan algoritma kriptografi DES (Data Encryption Standard),
algoritma hash MD5, kriptografi CFB (Chiper – Feedback Mode), dsb.
- Tujuan dari enkripsi adalah menghasilkan sekumpulan bilangan acak yang sama untuk
setiap kunci enkripsi yang sama.
Data yang
disembunyikan dalam bentuk citra
Bab III
Penutup
a. Kesimpulan
Dari uraian diatas dapat kita simpulkan bahwa multimedia tidak terlepas dari kehidupan kita sehari-
hari, banyak manfaat yang dapat kita peroleh dengan adanya multimedia dalam pengiriman data dan
informasi salah satu bentuk informasi dalam multimedia adalah dalam bentuk gambar, dengan gambar kita
dapat mengambil banyak sekali informasi yang bisa disampaikan.
REFERENSI