Tujuan
Memberikan pemahaman kepada mahasiswa
mengenai berbagai teknik perbaikan citra pada
domain spasial, antara lain :
Operasi Aritmetik/Logik (and, or, pengurangan, ratarata)
Penskalaan intensitas citra
Filtering pada domain spasial :
Filter Penghalusan (averaging)
Filter Penajaman (laplacian, high boost)
Filter statistik (median, max)
2
Perbaikan Menggunakan
Operasi Arithmetik/Logik
Operasi arithmetik/logik dilakukan dengan basis
operasi piksel dengan piksel dari dua buah citra
atau lebih (kecuali untuk operasi NOT, yang
hanya melibatkan satu buah citra).
Operator logik NOT memberikan hasil yang
sama seperti transformasi negatif.
Operasi AND dan OR digunakan untuk masking;
yaitu memilih subcitra yang ada dalam sebuah
citra.
3
Perbaikan Menggunakan
Operasi Arithmetik/Logik
Pengurangan Citra
Selisih dua citra f(x,y) dan h(x,y),
dinyatakan dengan :
g(x,y) = f(x,y) h(x,y)
Pengurangan dilakukan untuk setiap
pasangan piksel pada lokasi yang
bersesuaian dari dua buah citra f dan h.
Pengurangan Citra
XXXX XXXX
XXXX 0000
0000 XXXX
Image Averaging
Misalkan citra bernoise g(x,y) dibentuk dengan
menambahkan noise (x,y) ke citra asal f(x,y),
dengan rumus berikut:
g(x,y)=f(x,y)+ (x,y)
Diasumsikan bahwa pada setiap pasangan
koordinat (x,y), noise tidak berkorelasi dan
memiliki nilai rata-rata 0.
Tujuan dari image averaging adalah
mengurangi noise dengan cara merata-rata
sekumpulan citra bernoise, {gi(x,y)}.
8
Image Averaging
Jika noise memenuhi batasan seperti yang disebutkan
sebelumnya, bisa ditunjukkan bahwa jika suatu citra
gg(x,y) dibentuk dengan merata-rata K buah citra
bernoise,
gg(x,y)=1/K gi(x,y)
dan bahwa :
E{gg(x,y)} = f(x,y)
serta 2gg(x,y) = 1/K 2(x,y)
dengan E{gg(x,y)} adalah nilai gg yang diharapkan, 2gg(x,y)
dan 2(x,y) adalah variance dari gg dan , pada semua
koordinat (x,y). Deviasi standard pada sembarang titik
dalam citra hasil rata-rata adalah:
gg(x,y) = 1/ K (x,y)
9
Image Averaging
Ketika K bertambah, variasi noise pada
nilai-nilai piksel di setiap lokasi (x,y)
menurun.
Karena E{gg(x,y)} = f(x,y), maka gg(x,y)
akan mendekati f(x,y) ketika jumlah citra
bernoise yang dirata-rata bertambah.
10
Image Averaging
a. Citra Galaksi
b. Citra diberi noise
Gaussian aditif
dengan mean 0 dan
deviasi standard 64.
c-f Hasil rata-rata dari
K=8,16, 64 and 128
citra bernoise.
11
Image Averaging
12
13
g x, y
w s, t f x s, y t
s at b
14
15
16
Mask Processing
W1
W2
W3
W4
W5
W6
W7
W8
W9
Filter Penghalusan
Filter penghalusan digunakan untuk
mengaburkan citra dan untuk mereduksi noise.
Pengkaburan biasa digunakan sebagai langkah
pra pemrosesan, seperti untuk menghilangkan
detail kecil dari suatu citra sebelum dilakukan
ekstraksi objek, dan untuk menghubungkan
celah kecil yang memisahkan garis atau kurva.
Reduksi noise bisa diselesaikan dengan
pengkaburan baik dengan menggunakan filter
linier maupun filter non-linier.
19
Filter Penghalusan
Output dari filter penghalusan biasanya berupa
rata-rata dari piksel yang terdapat pada
neighborhood. Filter seperti ini biasa juga
disebut dengan averaging filters dan juga
lowpass filters.
Dengan mengganti intensitas setiap piksel
dalam citra dengan rata-rata intensitas pada
neighborhood, maka proses ini akan
menghasilkan citra dengan transisi tajam yang
sudah berkurang.
20
Filter Penghalusan
Noise random biasanya memiliki transisi
intensitas yang tajam, sehingga aplikasi nyata
dari penghalusan adalah reduksi noise.
Efek samping yang tidak diinginkan dari proses
penghalusan adalah pengkaburan edge.
Padahal edge seringkali menjadi fitur penting
dalam citra yang tidak ingin dihilangkan.
Kegunaan utama dari filter averaging adalah
untuk mereduksi detail yang tidak relevant dalam
suatu citra.
21
Filter Penghalusan
Filter Penghalusan
Proses filtering suatu citra berukuran MxN
dengan filter averaging berukuran mxn (m
dan n ganjil) dirumuskan sebagai berikut:
a
g x, y
w s, t f x s, y t
s at b
w s, t
s at b
23
Filter Penghalusan
a. Citra asal
berukuran 500 x
500 piksel.
b-f. Hasil
penghalusan
dengan filter
averaging square
berukuran n = 3,
5, 9, 15, dan 35.
24
Filter Penghalusan
a.
b.
c.
Order-Statistics Filters
Order-statistics filters adalah filter spasial
nonlinear yang responnya didasarkan pada
pengurutan (ranking) dari intensitas piksel-piksel
yang dilingkup oleh filter. Selanjutnya, intensitas
piksel pada pusat filter diganti dengan intensitas
hasil pengurutan.
Order-statistics filter yang banyak digunakan
adalah filter median, yang mengganti intensitas
piksel pada pusat filter dengan median dari
intensitas neighborhood.
26
Order-Statistics Filters
Filter median cukup efektif untuk menghilangkan impulse
noise, atau disebut juga salt-and-pepper noise karena
kemunculan noise yang seperti titik putih dan hitam
dalam citra.
Median, , dari sekumpulan nilai adalah suatu nilai yang
dipilih sedemikian rupa sehingga separuh dari kumpulan
nilai kurang dari atau sama dengan , dan separuhnya
lagi lebih besar atau sama dengan .
Pertama kali, intensitas piksel dalam neighborhood
diurutkan, menentukan nilai median, dan selanjutnya
mengganti intensitas piksel pada pusat neighborhood
dengan median. Jika ukuran neighborhood adalah 3 x 3,
maka median adalah nilai terbesar ke 5.
27
Order-Statistics Filters
Klaster piksel terang atau gelap yang terisolasi
di tengah tetangganya, dan memiliki luas kurang
dari n2/2, dapat dihilangkan dengan filter median
n x n.
Order-statistics filters lain yang bisa digunakan
adalah max filter (memilih nilai terbesar), yang
berguna untuk memilih intensitas paling terang
dalam citra. Selain itu, bisa juga digunakan min
filter dan mean filter.
28
Order-Statistics Filters
29
Filter Median
Mengganti harga piksel dengan median dari
piksel dan tetangganya. Reduksi random noise
dengan hasil kurang kabur dibandingkan filter
penghalus (smoothing).
Eliminasi piksel2 terisolasi
ooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
ooo
ooo
ooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
ooooo
ooooo
ooooo
ooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
oooooooo
30
31
Filter Penajaman
Tujuan utama penajaman adalah untuk
menonjolkan detail dalam citra atau untuk
mempertajam detail yang kabur karena
kesalahan pada saat mendapatkan data citra.
Pengkaburan citra bisa dilakukan dengan
merata-rata piksel dalam neighborhood. Karena
rata-rata analog dengan integrasi, maka
merupakan hal yang logis untuk menyimpulkan
bahwa penajaman bisa dilakukan dengan
derivatif (penurunan).
32
Filter Penajaman
Filter Penajaman
Derivasi
Derivasi orde 1
f
f ( x 1) f ( x)
x
Derivasi orde 2
f
f ( x 1) f ( x 1) 2 f ( x)
2
x
2
35
Filter Penajaman
Definisi dasar dari turunan pertama fungsi
satu dimensi f(x) adalah selisih :
f/x = f(x+1) f(x)
Sedangkan definisi dari turunan kedua
adalah selisih :
2f/x2 = f(x+1) + f(x-1) f(x)
36
Filter Penajaman
37
Filter Penajaman
TD untuk Perbaikan
Laplacian
Operator turunan isotropic (rotation invariant)
yang paling sederhana adalah Laplacian. Untuk
fungsi citra f(x,y) dua variable, didefinisikan :
2f = 2f/x2 + 2f/y2
Definisi untuk turunan partial kedua pada arah x:
2f/x2 = f(x+1,y)+f(x-1,y) - 2f(x,y)
dan pada arah y:
2f/y2 = f(x,y+1)+f(x,y-1) - 2f(x,y)
39
Menghasilkan :
f [ f ( x 1, y ) f ( x 1, y )
2
f ( x, y 1) f ( x, y 1) 4 f ( x, y )]
40
TD untuk Perbaikan
Laplacian
Implementasi digital dari Laplacian 2D
adalah :
2f = [f(x+1,y)+f(x-1,y)+
f(x,y+1)+f(x,y-1)] 4f(x,y)
Fitur background bisa dikembalikan
dengan tetap mempertahankan efek dari
operasi Laplacian. Caranya adalah
dengan menambahkan/mengurangkan
citra asal dengan citra hasil Laplacian.
41
f ( x, y ) f ( x, y ) f ( x, y )
f
xy
x
y
Laplacian
operator
2
2
f
(
x
,
y
)
f ( x, y )
2
f
2
2
x
y
42
TD untuk Perbaikan
Laplacian
43
TD untuk Perbaikan
Laplacian
44
TD untuk Perbaikan
Laplacian
45
50
-1
-1
-1
-1
0
51
HPF
52
Operator Gradient
f
Gx x
f
f
Gy
f mag (f ) [G G ]
2
x
f 2 f
x
y
2
2
y
f G x G y
53
HPF Gradient
dengan Pendekatan sederhana 2x2
z1
z2
z3
z4
z5
z6
z7
z8
z9
G x ( z8 z 5 )
and
G y ( z 6 z5 )
f [G G ] 2 [( z8 z5 ) ( z6 z5 ) ]
2
x
2
y
f z8 z 5 z 6 z 5
54
z2
z3
z4
z5
z6
z7
z8
z9
G x ( z9 z5 )
and
G y ( z8 z 6 )
f [G G ] 2 [( z9 z5 ) ( z8 z6 ) ]
2
x
2
y
f z 9 z 5 z8 z 6
55
Gx ( z7 2 z8 z9 ) ( z1 2 z2 z3 )
G y ( z3 2 z6 z9 ) ( z1 2 z4 z7 )
z1
z2
z3
z4
z5
z6
z7
z8
z9
f G x G y
56
57
58
im
im2
59
Referensi
Bab 3, Image Enhancement in the Spatial
Domain, Digital Image Processing, edisi
2, Rafael C. Gonzales dan Richard E.
Woods, Prentice Hall, 2002
60