223220079
TUGAS 3 17 Desember 2022
● Jika mask sebelah kiri dipindahkan pada seluruh citra, maka responnya akan lebih
kuat pada garis dengan ketebalan satu piksel dan berorientasi horisontal.
● Koefisien mask jika dijumlahkan adalah nol. Hal ini menunjukkan bahwa respon
mask adalah nol pada area dengan tingkat keabuan konstan.
● Misalkan R1, R2, R3, dan R4, menyatakan response dari mask. Anggaplah bahwa
setiap mask dijalankan sendiri-sendiri pada suatu citra. Jika, pada satu titik citra, |
Ri|>|Rj|, untuk semua j¹i, titik tersebut dikatakan lebih berasosiasi dengan garis
dengan arah mask i.
● Jika kita ingin mendeteksi garis dengan arah yang sudah ditentukan, kita bisa
menggunakan mask yang sesuai dengan arah tersebut dan melakukan
thresholding terhadap outputnya.
Contoh Deteksi Garis:
Proses translasi dengan variabel translasi (25,20). (a) Citra Input. (b) Citra Output
b. Rotasi
Di mana (x0,y0) adalah koordinat titik pusat dari citra input dan θ adalah sumbu putar.
Sumbu putar pada umumnya memiliki arah putar searah jarum jam dengan garis
horizontal. Seperti halnya operasi translasi, hasil perhitungan posisi hasil rotasi dapat
memberikan nilai di luar batas citra output (apabila ukuran citra outputsama dengan
citra input). Untuk kasus seperti itu, ada beberapa implementasi yang membiarkan
nilai pixel tersebut tanpa dipetakan ulang dan ada yang memetakan ke citra output
sehingga menyebabkan ukuran citra membesar.
(a) Citra Input. (b) Citra Output dengan ukuran rotasi lebih besar dari citra input.
c. Refleksi
Hasil proses refleksi. (a) Citra input (b) Citra output terhadap refleksi sumbu x (c) Citra output terhadap refleksi sumbu y
(d) Citra output terhadap refleksi sumbu x dan y
d. Penskalaan
5. Jelaskan dasar-dasar warna dan vector space RGB dalam color image processing!
A. Dasar Warna
Berikut visual warna pada mata manusia
Respon cone retina terhadap spektrum cahaya. (a) Respon spektrum dari red-cone (b) Respon spektrum
dari green-cone (c) Respon spektrum dari blue-cone
Pada ruang warna RGB pada gambar menunjukkan komponen spectral primary
merah, hijau dan biru yang didasarkan oleh sistem koordinat kartesian. RGB adalah
model warna yang menampilkan model warna aditif, yaitu ketika cahaya ditambahkan
secara bersamaan pada tiga buah warna akan menambahkan panjang gelombang
warna tersebut.
Normalisasi RGB
Normalisasi merupakan ekstensi dari warna RGB dimana setiap warna piksel di
proporsikan dengan jumlah keseluruhan warna RGB pada setiap piksel. Hal ini untuk
mengatasi perbedaan intensitas pada objek yang sama yang diambil gambarnya pada
pencahayaan yang berbeda. Rumus normalisasi RGB dapat dilihat pada persamaan:
Citra Asli
A. Semantic Segmentation
Semantic segmentation atau segmentasi semantik adalah teknik yang melibatkan
proses deteksi objek di dalam citra dan mengelompokkannya berdasarkan kategori
yang ditentukan. Segmentasi ini memberi label setiap piksel gambar yang memiliki
kelas yang sama sesuai kategori yang diberikan. Segmentasi semantik tidak
mengenali individu objek dalam kategori yang sama pada suatu gambar.
Misalnya setiap piksel diberi label ke dalam dalam kategori gambar orang (merah),
pohon (hijau tua), rumput (hijau muda), dan langit (biru). Ilustrasinya dapat dilihat
pada gambar di bawah.
C. Panoptic Segmentation
Segmentasi panoptik merupakan pengembangan segmentasi citra dengan
mengkombinasikan segmentasi semantik dan segmentasi instance. Segmentasi
panoptik secara semantik membedakan objek yang berbeda serta
mengidentifikasinya secara terpisah dari setiap jenis atau kategori objek. Segmentasi
panoptik akan mendeteksi dan mengelompokkan semua objek dalam gambar,
termasuk latar belakang (background), dan membedakannya dengan warna yang
berbeda.
➔ Lossy Compression
Lossless Lossy
GIF JPEG
PCX MPEG
BMP
TIFF
TRG
PGM
I = imread('barbara.jpg');
figure, imshow(I);
J = rgb2gray(I);
figure, imshow(J);
colormap jet
colorbar
figure, imshow(J);
colormap summer
colorbar
Berikut ini merupakan contoh citra pseudocolor beserta colormap yang digunakan:
10. Model proses image restoration diataranya ada: Invers filtering, Filter wiener,
Transformasi geometris. Jelaskan ketiganya!
B. FILTER WIENER
● Wiener Filter adalah filter linier stasioner MSE-optimal untuk gambar terdegradasi
oleh noise aditif dan blurring.
● Wiener filter tidak bisa digunakan untuk merekonstruksi komponen frekuensi
dimana komponen tersebut telah terdegradasi oleh noise.
● Penyaringan Wiener mengeksekusi tradeoff optimal antara penyaringan invers dan
perataan suara.
● Untuk menerapkan filter Wiener dalam praktiknya, kita harus memperkirakan
spektrum daya gambar asli dan noise aditif. Untuk noise aditif putih, spektrum daya
sama dengan varians noise. Untuk memperkirakan spektrum daya dari gambar asli
banyak metode yang bisa digunakan.