Pengantar Pengolahan Citra

Dosen Pembina :
Sriyani Violina
I. Ovyawan Herlistiono

IF-UTAMA 1
Deskripsi
Mata kuliah ini mempelajari :
• Konsep Pengolahan Citra
• Point Operation
• Neighbourhood operation
• Intro Morfology Operation
• File Storage
• Topik Khusus (Kompresi Citra, Enkripsi
Citra, Watermarking, steganografi, Fidelity
Criteria)

IF-UTAMA 2
 Tujuan
• Tujuan Instruksional
– tingkat pemahaman : tentang konsep-konsep dan teknik
pengolahan citra dan
– tingkat aplikasi : tentang membuat penyelesaian
masalah dalam pengolahan citra.
• Kaitan Materi
Terkait dengan Mata Kuliah Matriks & Ruang Vektor,
serta Grafika Komputer.

IF-UTAMA 3
Urutan Bahasan
Pertemuan Materi
1 Pendahuluan (Susunan Materi, Aturan Perkuliahan, Aturan
Penilaian, grade nilai, referensi); Intro Pengolahan Citra;
Konsep Warna
2 Point Operation
3 Point Operation
4 Neighbourhood Operation
5 Neighbourhood Operation
6 Neighbourhood Operation
7 Intro Morfology Operation
8 UTS

IF-UTAMA 4
Urutan Bahasan
Pertemuan Materi
9 File Storage --> BMP
10 Spesifikasi dan Equalisasi Citra (Histogram)
11 Topik Khusus : Kompresi
12 Topik Khusus : Kompresi
13 Topik Khusus : Enkripsi Citra
14 Topik Khusus : Watermarking dan Steganografi
15 Topik Khusus : Fidelity Criteria
16 UAS

IF-UTAMA 5
 Pendahuluan
• Penilaian
Tugas/Kuis 40%

Kehadiran 10%

UTS 25%

UAS 25%

IF-UTAMA 6
Pengantar Pengolahan Citra

IF-UTAMA 7
Pendahuluan [1]
• Pengolahan citra adalah salah satu aplikasi yang dapat
mengubah gambar menjadi suatu informasi
• Tujuan lebih jauh dari pengolahan citra adalah
“membuat suatu sistem yang bisa melihat”
• Image processing adalah suatu pengolahan data yang
masukannya berupa gambar dan keluarannya juga
gambar
• Tujuan dari image processing adalah memperbaiki
informasi pada gambar sehingga mudah terbaca atau
memperbaiki kualitas dari gambar itu sendiri

IF-UTAMA 8
Pengolahan Data Berdasarkan Input-
Output [1]

IF-UTAMA 9
Proses dalam Image Processing [1]

IF-UTAMA 10
Image Enhancement [1]
• Proses untuk memperbaiki gambar seperti
brightness, contrast, mengubah gambar menjadi
gray-scale, inversi, reduksi noise, deteksi tepi
dan sharpness
Brigthness

Gray Scale

Image Awal
Sharpness

IF-UTAMA 11
Image Segmentation [1]
• Proses untuk mengelompokkan gambar sesuai
dengan obyek gambarnya

IF-UTAMA 12
Persoalan Image Processing [1]
• Capture
• Modeling
• Feature Extraction
• Image Segmentation

IF-UTAMA 13
Permasalahan Capture[1]
• Capture (Menangkap Gambar) merupakan proses awal
dari image processing untuk mendapatkan gambar.
• Proses capture membutuhkan alat-alat capture yang baik
seperti kamera, scanner, light-pen dan lainnya, agar
diperoleh gambar yang baik.
• Gambar yang baik akan banyak membantu dalam proses
selanjutnya.
• Alat Capture Sesuai Frekuensinya

IF-UTAMA 14
Hasil Capture[1]

IF-UTAMA 15
Hasil Capture[1]

IF-UTAMA 16
Hasil Capture[1]

IF-UTAMA 17
Hasil Capture[1]

IF-UTAMA 18
Hasil Capture[1]

IF-UTAMA 19
Permasalahan – contd [1]
• Permasalahan Modelling
Diperlukan analisa matematika yang cukup rumit, khususnya
pemakaian kalkulus, dan transformasi geometri.
• Permasalahan Feature Extraction
– Setiap gambar mempunyai karakteristik tersendiri, sehingga
fitur tidak dapat bersifat general tetapi sangat tergantung pada
model dan obyekgambar yang digunakan.
– Fitur dasar yang bisa diambil adalah warna, bentuk dan tekstur.
Fitur yang lebih kompleks menggunakan segmentasi, clustering
dan motion estimation.
– Pemakaian statistik dan probabilitas, pengolahan sinyal sampai
pada machine learning diperlukan disini.
• Permasalahan Image Segmentation
– Bagaimana memisahkan obyek gambar dengan
backgroundnya?
– Bagaimana memisahkan setiap obyek gambar?
– Teknik clustering apa yang sesuai dengan model dan obyek
gambar yang digunakan?
IF-UTAMA 20
Aplikasi Image Processing[1]
• Biometric

IF-UTAMA 21
Aplikasi Image Processing[1]
• Medical Image

IF-UTAMA 22
Aplikasi Image Processing[1]
• Image Databases

IF-UTAMA 23
Aplikasi Image Processing[1]
• Robot Vision

IF-UTAMA 24
Aplikasi Image Processing[1]
• Motion Capture

IF-UTAMA 25
Aplikasi Image Processing[1]
• Document Analysis

IF-UTAMA 26
Judul Tugas Akhir Pengolahan Citra [1]
• PengenalanWajah
• Tracking Wajah secara Real Time
• Pengenalan Tulisan dan Tanda TanganUntuk Cek Bank
• Mesin Absensi Dengan Sidik Jari
• Deteksi Gerakan Badan Untuk Kendali Game
• Pengenalan Buah dan Produk Menggunakan Fitur Warna
• Deteksi Jumlah Obyek Gambar
• Mesin Pembaca Not Jawa
• Sistem Keamanan Terpadu Dengan Deteksi Gerakan
• Pengenalan Wajah Untuk Pencarian Data Buron Melalui Gambar
Sketsa
• Navigasi Cerdas Pada Robot
• Pengenalan Klasifikasi Darah (Penyakit, dll)

IF-UTAMA 27
Colour Model

IF-UTAMA 28
Cultural Variations in the Meaning
of Colors [6]

IF-UTAMA 29
Color Associations [6]
These associations are valid for western cultures only (see table above for differences). (from
Jackson et al.)
The Achromatics
• White
– Positive: Snow, Purity, Innocence, Peace, Lightness, Cleanliness
– Negative: Cold, Clinical, Vulnerability, Deathly pallor, Surrender, Sterility
• Black
– Positive: Night, Coal, Power, Stability, Formality, Solidity
– Negative: Fear, Void, Death, Secrecy, Anonymity, Evil
• Gray
– Positive: Intelligence, Maturity, Wealth, Dignity, Dedication, Restraint
– Negative: Confusion, Decay, Concrete, Shadow, Depression, Boredom
The Chromatic Primaries
• Red
– Positive: Victory, Passion, Love, Strength, Energy, Sexuality
– Negative: Blood, War, Fire, Danger, Anger, Satan
• Yellow
– Positive: Sun, Summer, Serenity, Gold, Harvest, Innovation
– Negative: Cowardice, Treason, Jealousy, Hazard, Illness, Folly
• Green
– Positive: Vegetation, Nature, Spring, Fertility, Hope, Safety
– Negative: Decay, Inexperience, Envy, Greed, Escapism, Bad luck
• Blue
– Positive: Sky, Sea, Spirituality, Stability, Peace, Unity
– Negative: Cold, Depression, Melancholy, Obscenity, Mystery, Conservatism
IF-UTAMA 30
Format Warna Pada Gambar [1]
• Gambar (Digital) adalah sekumpulan titik yang
disusun dalam bentuk matriks, dan nilainya
menyatakan suatu derajat kecerahan (derajat
keabuan/gray-scale). Derajat keabuan 8 bit
menyatakan 256 derajat kecerahan.
• Pada gambar berwarna nilai setiap titiknya
adalah nilai derajat keabuan pada setiap
kompoen warna RGB. Bila masing-masing
komponen R,G dan B mempunyai 8 bit, maka
satu titik dinyatakan dengan(8+8+8)=24 bit atau
224 derajat keabuan

IF-UTAMA 31
 Colour Circle[2 & 3]
• Newton's colour circle is a
convenient way to summarize the
additive mixing properties of
colors (see second figure below).
R, G, B are thought of as the
additive primary colors, and their
complementary colors are placed
across from them on the circle.
The colors then fall on the circle
in the order of the wavelengths of
the corresponding spectral colors.
Magenta (purple) is not a spectral
color.
• Maxwell
Triangle

IF-UTAMA 32
Colour Wheel

IF-UTAMA 33
Color Space[3]
• What is color space?
 A 3D model used to define a specified color
• The difference between color spaces:
 The choice of axes
• Colour Space
– RGB
– Normalized RGB
– HIS, HSV, HSL
• Fleck HSV
– TSL
– YcrCb
– Perceptually uniform colors
• CIELAB, CIELUV
– Others
• YES, YUV, YIQ, CIE-xyz

IF-UTAMA 34
RGB [1 & 3]
• Format RGB (Red, Green & Blue) adalah format dasar
yang digunakan oleh banyak peralatan elektronik seperti
monitor, LCD atau TV untuk menampilkan sebuah
gambar.
• Pada format RGB, suatu warna didefinisikan sebagai
kombinasi (campuran) dari komponen warna R, G
danB.
• The simplest color space
 Axes: Red, green, blue
 Advantages: simple

IF-UTAMA 35
Format RGB [1]
• Pada format warna RGB 24
bit, maka nilai R, G dan B
masing-masing 0-255

IF-UTAMA 36
Normalized RGB – rg space [4]

• 2D color space as ‘b’ component is redundant

– b=1–g–r
• Invariant to changes of surface orientation
relatively to the light source

IF-UTAMA 37
HSV, HSI, HSL (hue, saturation,
value/intensity/luminance) [4]

• High cost of conversion

• Based on intuitive values
• Invariant to highlight at white light
sources
• Pixel with large and small intensities
are discarded as HS becomes unstable.
• Can be 2D by removing the
illumination component

IF-UTAMA 38
YCbCr &YPbPr [3]
• YCbCr & YPbPr
 Used for: digital video encoding, digital camera
• Axes:
 Y: luma
 Cb: blue chroma
 Cr: red chroma
• Conversion from RGB:
 Y=0.299(R-G) + G + 0.114(B-G)
 Cb=0.564(B-Y)
 Cr=0.713(R-Y)
• The Matrix form:  Y   0.299 0.587 0.114  R 
    
Cb
    0.168636 0.232932 0.064296  G 
 Cr   0.499813 0.418531 0.081282  B 
    
IF-UTAMA 39
CMYK [3 & 6]
• Used for: printer printing
• Use the subtractive color mixing
• Axes:
 Cyan
 Magenta
 Yellow
 K: black
• Conversion from RGB:
– The ideal general equation (with normalized vector components) for translating
between CMY and RGB is the following:
• C=1–R
• M=1–G
• Y=1-B
– There is also a very closely related color space known as CMYK, for which there
exists the fourth component K, which is pure black. This color space is useful in
printing, where K can be mixed into the CMY inks to produce a much darker
black than could be produced by saturating the paper with ridiculous amounts of
cyan, magenta, and yellow. The mixing function is:
• K = minimum(C,M,Y)
• C=C–K
• M=M–K or
• Y=Y-K
IF-UTAMA 40
YUV [3]
• YUV
 Used for: video encoding for some standard such as NTSC, PAL,
SECAM
• Axes:
 Y: luma
 U: blue chroma
 V: red chroma
• Conversion from RGB:
 Y=0.299R+0.587G+0.114B
 U=0.436(B-Y)/(1-0.114)
 V=0.615(R-Y)/(1-0.299)
• The Matrix form:  Y   0.299 0.587 0.114   R 
    
 U    0.14713 0.28886 0.436   G 
 V   0.615 0.51499 0.10001   B 
  
IF-UTAMA 41
YIQ [3]
• YIQ
 Used for: video encoding for some standard such as NTSC
• Axes:
 Y: luma
 I: blue chroma
 Q: red chroma
• I-Q channels are rotated from the U-V channels in YUV
• Conversion from RGB:
 Y   0.299 0.587 0.114   R 
    
 I    0.595716 0.274453 0.321263   G 
 Q   0.211456 0.522591 0.311135   B 
  

IF-UTAMA 42
Comparison [3]
Color Color Primary parameters Used for Pros and cons
space mixing
RGB Additive Red, Easy but wasting
Green, Blue bandwidth

CMYK Subtractive Cyan, Magenta, Printer Works in pigment

Yellow, Black mixing
YCbCr additive Y(luminance), Video encoding, Bandwidth
YPbPr Cb(blue chroma), digital camera efficient
Cr(red chroma)

YUV additive Y(luminance), Video encoding Bandwidth

U(blue chroma), for NTSC, efficient
V(red chroma) PAL, SECAM

YIQ additive Y(luminance), Video encoding Bandwidth

I(rotated from U), for NTSC efficient
Q(rotated from V)

IF-UTAMA 43
Referensi
1. Al Bovik, The Essential Guide to Image Processing, 2009
2. Priyanto Hidayatullah, Pengolahan citra digital : teori dan
aplikasi nyata, 2017
3. Michael P. Ekstrom, Digital Image Processing Techniques, 1983
4. Achmad Basuki, Pengolahan Citra, PENS-ITS, Surabaya, 2007
5. Cheng-Jin Kuo, Color and Color Space, Digital Image & Signal
Processing Lab, Graduate Institute of Communication
Engineering National Taiwan University, Taipei, Taiwan, ROC
6. Nikhil Rasiwasia, Color Space for Skin Detection – A Review,
Fondazione Graphitech, University of Trento, (TN) Italy

IF-UTAMA 44