PERTEMUAN - 2

PENGOLAHAN CITRA
1. Tujuan

Pengolahan citra pada dasarnya dapat dikelompokkan:

• Restorasi Citra (Image Restoration);
• Perbaikan Kualitas Citra (Image Enchancement);
• Segmentasi & Klasifikasi Citra (Image Segementation and
Classification);
• Pengenalan Pola (Pattern Recognition);
• Rekonstruksi Citra (Image Reconstruction);
• Kompresi Data Citra (Image Data Compression).
2. Tahapan

A. Pra-pengolahan (Rektifikasi & Restorasi);

B. Pengolahan (Proses Perbaikan Kualitas Citra);
C. Pengenalan (Segmentasi & Klasifikasi Citra, Pengenalan Pola).
A. Tahap Pra Pengolahan
1. Koreksi Geometrik

Kesalahan Geometrik data PJ dapat terjadi, karena:

a) Platform satelit berubah terhadap orbit dan posisi;
b) Mekanik dari sensor tdk bekerja dgn performansi linier;
c) Bumi berbentuk kurva lengkung sehingga citra tdk linier;
d) Variasi relief permukaan bumi menyebabkan pergeseran perspektif.
Tabel: Sumber Kesalahan Geometrik pada Citra Satelit

Kategori Uraian
Orbit 1. Perubahan orbit satelit
2. Perubahan posisi (orientasi) satelit
3. Roll, Pitch and Yaw dari psw terbang
Sensor 1. Non-linearitas mekanik sensor
2. Kesalahan arah detektor
3. Kesalahan registrasi & kalibrasi antar band
4. Variasi dalam lebar petak dan perwaktuan
Ground 1. Bentuk kurva lengkung permukaan bumi
2. Rotasi
3. Efek topografi lokal sensor
2. Koreksi Radiometrik

Kesalahan radiometrik adalah kesalahan yang terjadi pada nilai pixel yang
terekam.
Faktor penyebab kesalahan radiometrik:
• kegagalan detektor;
• pengaruh atmosfir bumi.

Koreksi radiometrik untuk menghilangkan kecerahan semu pada citra.

3. Koreksi Atmosferik

Akibat uap air dan gas yang terkandung dalam atmosfir akan menyerap energi
dalam panjang gelombang > 0,8 mm, menyebabkan:
 Menaikkan intensitas citra bila ada penghamburan oleh atmosfir;
 Menurunkan intensitas citra terekam bila ada penyerapan.

Tujuannya:
Mengidentifikasi seberapa jauh setiap histogram berubah kecerahannya dan
selanjutnya mengurangkan nilai-nilai kecerahan pixel
B. Tahap Pengolahan

Meliputi proses perbaikan kualitas citra, yang bertujuan menghasilkan citra

baru sesuai dengan yang diharapkan untuk berbagai keperluan interpretasi.

Teknik Perbaikan Kualitas Citra

Domain Spatial Domain

Frekuensi
Domain spatial, meliputi:
 Modifikasi histogram;
 Konvolusi atau rationing dari data multiband ;
 Manipulasi numerik.

Domain frekuensi, berupa:

• Pengolahan pada citra hasil transformasi fourier.
Tujuan pengolahan citra :
 perbaikan kontras citra;
 penghalusan citra;
 menonjolkan ciri-ciri tepi, batas antara dua obyek yang berbeda;
 mempertajam daerah urban;
 mempertajam kenampakan litologi;
 mempertajam kenampakan sungai, dan batas pantai.
Citra termal:
• Citra Non Fotografik
• Perbedaan nyata dengan citra sistem pantulan adalah rona atau warna
citra termal bukan dari pantulan obyek, melainkan dari pancaran (emisi)
obyek, yang berhubungan dengan suhu obyek
• Nilai pancaran obyek dipengaruhi oleh beberapa faktor, yaitu: 1. Sensor;
2. Kesalahan geometrik dan radiometrik akibatnya distorsi citra; 3. Sifat
benda dari obyek yang direkam; 4. Waktu pengambilan data/perekaman
obyek; 5. Letak astronomis obyek yang direkam; dan 6. Perbedaan
permukaan obyek.
Distorsi Termal:
PJ sistem termal direkam melalui beberapa media, maka terjadi distorsi baik
yang bersifat acak maupun sistematik

Distorsi Sistematik:
• Distorsi panoramik, menyebabkan perubahan luas obyek yang berupa skala
tangensial, menyebabkan perubahan ukuran luas obyek; diperbaiki dengan
rektifikasi geometrik.
• Distorsi variasi ukuran sel resolusi;
• Distorsi variasi pergeseran relief satu arah.
C. Pengenalan (Segmentasi & Klasifikasi Citra, Pengenalan
Pola).

Segmentasi citra adalah proses membagi suatu citra menjadi wilayah –

wilayah yang homogen (Jain, 1989). Menurut Jain (1989), segmentasi
citra dapat dibagi dalam beberaa jenis, yaitu dividing image space
dan clustering feature space. Jenis yang pertama adalah teknik
segmentasi dengan membagi image menjadi beberapa bagian untuk
mengetahui batasannya, sedangkan teknik yang kedua dilakukan
dengan cara memberi index warna pada tiap piksel yang menunjukkan
keanggotaan dalam suatu segmentasi.
Klasifikasi multispektral adalah suatu proses dimana semua pixel dari suatu
citra yang mempunyai penampakan spektral yang sama akan diidentifikasikan.
Sebagai contoh suatu citra Landsat TM dengan tujuh buah informasi band
dapat diklasifikasi untuk mengidentifikasi lingkupan kawasan atau lahan di
pesisir atau tata guna lahan.

Kelas-kelas dapat mengidentifikasi misalnya area air (laut, sungai, maupun

danau), vegetasi (hutan dan tanaman, tanaman hijau lainnya), tambak,
permukiman, lahan kosong, dan lain-lain. Suatu dataset klasifikasi biasanya
diperlihatkan dengan menggunakan suatu tampilan baris klasifikasi dalam
algoritma. Tampilan baris klasifikasi dapat menampilkan banyak kelas, dengan
warna yang berbeda-beda untuk masing-masing kelas.
Klasfikasi Unsupervised (Tak Terbimbing)

Kita menggunakan klasifikasi unsupervised ketika kita mempunyai sedikit

informasi tentang dataset kita. Klasifikasi data unsupervised memulai
mengklarifikasi dari kelas-kelas atau wilayah-wilayah yang kita spesifikasikan
atau dari jumlah nominal kelas. Klasifikasi unsupervised secara sendiri akan
mengatagorikan semua pixel menjadi kelas-kelas dengan menampakan spektral
atau karateristik spektral yang sama. Hasil klasifikasi dipengaruhi oleh
parameter-parameter yang kita tentukan dalam kotak dialog klasifikasi
unsupervised. Klasifikasi unsupervised akan menghitung secara statistik untuk
membagi dataset menjadi kelas-kelas sesuai dengan jumlah kelas yang kita
inginkan.
Klasfikasi Supervised (Terbimbing)

Untuk analisis harus menggunakan data lapangan untuk

memutuskan/mengontrol tipe penutupan lahan yang benar untuk
areal citra. Klasifikasi ini dilakukan dengan menggambar training
area untuk masing-masing tipe penutupan lahan yang harus
dipisahkan pada klasifikasi dan menggunakan karakteristik
spektral masing-masing area untuk mengklasifikasi citra.

Kita menggunakan klasifikasi supervised apabila kita mempunyai

pengetahuan yang cukup dari dataset dan pada posisi atau area
mana suatu wilayah atau kelas kelas tersebut berada di lapangan.
Klasifikasi supervised memerlukan kelas-kelas yang
menspesifikasikan wilayah-wilayah yang diinginkan. Klasifikasi
supervised kemudian akan mencari semua pixel dengan
karakteristik-karakteristik spektral yang sama, sesuai dengan yang
telah kita definisikan. Kita dapat mendefinisikan suatu wilayah
dengan menggambarkan suatu wilayah latihan dengan
menggunakan sistem anotasi dan menyimpannya dalam dataset
raster.
CONTOH PENGENALAN POLA
BAGAIMANA CITRA DIGITAL DIREKAM

 Sistem Perekaman Citra

 Sensor Pasif
 Sensor Aktif
 Sistem Perekaman Citra
• Citra yang diperoleh tergantung :
 - karakteristik dari obyek yang direkam
 - kondisi variabel dari sistem perekaman
• Citra merupakan gambaran tentang karakteristik
suatu obyek menurut kondisi variabel tertentu
Contoh:
- bandingkan hasil foto manusia dengan kamera /
sensor optik dan dengan sensor sinar X
(kondisi variabel sistem berbeda)
- bandingkan hasil foto pemandangan di tepi laut
dan di daerah pegunungan
(karakteristik obyek berbeda)
 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.
MACAM KOORDINAT SISTEM
Koordinat Piksel = koordinat tampilan di
layar monitor
Koordinat Matriks
(y=baris, x=kolom)
 FORMAT CITRA DIGITAL
 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)
 FORMAT CITRA DIGITAL
• 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 0 ≤ y ≤ N – 1
M = jumlah kolom 0 ≤ x ≤ M – 1
L = maksimal warna intensitas 0 ≤ f(x,y) ≤ L – 1
(derajat keabuan / gray level)