OPERASI BERTETANGGA

Pertemuan 10
Mata Kuliah Pengolahan Citra

Alusyanti.P
 1. DETEKSI TEPI
1. Operasi Gradien Pertama
Diketahui sebuah citra akan dilakukan deteksi tepi pada f(3,3)=160
250 240 200 200 180 a. Robert
240 200 180 150 150 Diagonal1 = K1(x,y) =
| (1*160) + (0*150) + (0*120)
180 160 160 150 120 + (–1*120) | = 40
180 140 120 120 100
160 130 100 80 60 Diagonal2 = K2(x,y) =
| (0*160) + (1*150) + (–
1*120) + (0*120) | = 30
maka h(3,3) bila menggunakan :
1 0
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 40 + 30 = 70
K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 40 0 -1
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) / 2 = (40 + 30)/2 = 35
K0(x,y) = √ K1(x,y)* K1(x,y) + K2(x,y) * K2(x,y) = √ (40*40)+(30*30)
= 50 Alusyanti.P
 1.DETEKSI TEPI(Cont.)
b. Prewit
Horisontal = K1(x,y) = | (–1*200) + (–1*160) + (–1*140) + (1*150) + (1*150) + (1*120) |
= | – 80 | = 80
Vertikal = K2(x,y) = | (–1*200) + (–1*180) + (–1*150) + (1*140) + (1*120) + (1*120) |
= | – 150 | = 150
Maka h(3,3) bila menggunakan :
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 80 + 150 = 230
K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 150
K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) / 2 = (80 + 150)/2 = 115
K0(x,y) = √ K1(x,y)* K1(x,y) + K2(x,y) * K2(x,y) = √ (80*80)+(150*150)
= 170
-1 0 1 250 240 200 200 180 250 240 200 200 180 -1 -1 -1
-1 0 1 240 200 180 150 150 240 200 180 150 150 0 0 0
-1 0 1 180 160 160 150 120 180 160 160 150 120 1 1 1
180 140 120 120 100 180 140 120 120 100
160 130 100 80 60 160 130 100 80 60
Alusyanti.P
 1. DETEKSI TEPI
2. Operasi Turunan Kedua
contoh: menggunakan 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(3,3) = 60

-1 -1 -1 250 240 200 200 180

-1 8 -1 240 200 180 150 150
-1 -1 -1 180 160 160 150 120
180 140 120 120 100
160 130 100 80 60

Alusyanti.P
 1. DETEKSI TEPI (Cont.)
c. 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(3,3) 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
K0(x,y) = √ K1(x,y)* K1(x,y)+K2(x,y) * K2(x,y) = √ (90*90)+(210*210) = 228,4 ≈ 228

-1 0 1 250 240 200 200 180 250 240 200 200 180 -1 -2 -1
-2 0 2 240 200 180 150 150 240 200 180 150 150 0 0 0
-1 0 1 180 160 160 150 120 180 160 160 150 120 1 2 1
180 140 120 120 100 180 140 120 120 100
160 130 100 80 60 160 130 100 80 60
Alusyanti.P
 Alusyanti.P

CONTOH DETEKSI TEPI

OPERASI TETANGGA (2)

Pertemuan 11
Mata Kuliah Pengolahan Citra
 2. PENGHALUSAN CITRA
250 240 200 200 180 Bila menggunakan mask 5 titik bertetangga maka
240 200 180 150 150 h(3,3) = (1/5 * 180) + (1/5 * 160) + (1/5 * 160) +
(1/5*150) + (1/5 * 120)=150
180 160 160 150 120
180 140 120 120 100 Bila menggunakan mask 3 x 3 (9 titik bertetangga)
160 130 100 80 60 Maka:
h(3,3) = (1/9 * 200) + (1/9 * 180) + (1/9 * 150) +
250 240 200 200 180 (1/9 * 160) + (1/9 * 160) + (1/9 * 150) +
(1/9 * 140) + (1/9 * 120) + (1/9 * 120)
240 200 180 150 150
= 153,3 ≈ 153
180 160 160 150 120
180 140 120 120 100
160 130 100 80 60

Alusyanti.P
CONTOH PENGHALUSAN CITRA

Alusyanti.P
 3. PENAJAMAN CITRA
250 240 200 200 180 0 -α 0 menggunakan mask 5 titik maka
240 200 180 150 150 -α 1+4α -α h(3,3) = (0 * 200) + (–1 * 180) +
(0 * 150) + (–1 * 160) +
180 160 160 150 120 0 -α 0 ((1+4(1)) * 160) + (–1 * 150)
180 140 120 120 100 + (0 * 140) + (–1 * 120) +
160 130 100 80 60 (0 * 120)= 190

250 240 200 200 180 -α -α -α Bila menggunakan mask 9 titik maka
240 200 180 150 150 -α 1+8α -α h(2,2) = (–1 * 200) + (–1 * 180) +
(–1 * 150) + (–1 * 160) +
180 160 160 150 120 ((1+8(1)) * 160) + (–1 * 150)+
-α -α -α
180 140 120 120 100 (–1 * 140) + (–1 * 120) +
160 130 100 80 60 (–1 * 120) = 220
α = nilai derajat penajaman

Alusyanti.P
CONTOH PENAJAMAN CITRA

Alusyanti.P
 4. REDUKSI NOISE
Banyak cara untuk reduksi noise, salah satunya
250 240 200 200 180
dengan operasi median
Operasi median dapat menggunakan mask 240 200 180 150 150
tanpa bobot dengan ukuran sesuai yang 180 160 160 150 120
dikehendaki,
180 140 120 120 100
misal 3 x 3 , 5 x 5 , 7 x 7 , atau 1 x 5, 5 x 3, dll
160 130 100 80 60
f(3,3) = 160
250 240 200 200 180
Bila menggunakan operasi median 3 x 3 maka 240 200 180 150 150
h(3,3) = median(120,120,140,150,150,
160,160,180,200) = 150 180 160 150 150 120
180 140 120 120 100
160 130 100 80 60

Alusyanti.P
CONTOH NOISE

Alusyanti.P
 5. EFEK EMBOS(TIMBUL)
-β 0 β f(3,3)= 160 , β = 2
-β 1 β Bila menggunakan mask dari arah kiri maka
h(3,3) = (–2 * 200) + (0 * 180) + (2 * 150) +
-β 0 β (–2 * 160) + (1 * 160) + (2 * 150) +
(–2 * 140) + (0 * 120) + (2 * 120)
0 -β -β = 0
β 1 -β Bila menggunakan mask dari arah kanan atas
maka
β β 0 h(3,3) = (0 * 200) + (–2 * 180) + (–2 * 150) +
(2 * 160) + (1 * 160) + (–2 * 150) +
250 240 200 200 180 (2 * 140) + (2 * 120) + (0 * 120)
= 40
240 200 180 150 150
180 160 160 150 120
180 140 120 120 100
160 130 100 80 60
Alusyanti.P
CONTOH CITRA EFEK EMBOSS

Alusyanti.P
KOMPRESI CITRA

Pertemuan 12
Mata Pengolahan Citra
 PEMAMPATAN CITRA
• 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.
Alusyanti.P
 PEMAMPATAN CITRA
• 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.
 TUJUAN
• Pemampatan citra / kompresi citra bertujuan
meminimalkan kebutuhan memori untuk
merepresentasikan citra digital dengan
mengurangi duplikasi data di dalam citra
sehingga memo yang dibutuhkan menjadi
lebih sedikit daripada representasi citra
semula
PENDEKATAN PEMAMPATAN CITRA
1. Pendekatan Statistik
– Berdasarkan frekuensi kemunculan derajat
keabuan pixel didalam seluruh bagian gambar.
– Contoh: Metode Huffman Coding
2. Pendekatan Ruangan
– Berdasarkan pada hubungan spasial antara pixel-
pixel di dalam suatu kelompok yang memiliki
derajat keabuan yang sama didalam suatu
daerah didalam gambar.
– Contoh: Metode Run-Length Encoding.
Alusyanti.P
PENDEKATAN PEMAMPATAN CITRA
3. Pendekatan Kuantisasi
3. Dengan mengurangi jumlah derajat keabuan
yang tersedia.
4. Contoh: Metode Pemampatan Kuantisasi
4. Pendekatan Fraktal
3. Berdasarkan kenyataan bahwa kemiripan bagian-
bagian didalam citra dapat tereksploitasi dengan
suatu matriks tranformasi.
4. Contoh: Metode Fractal Image Compression
 METODE PEMAMPATAN CITRA
1. Metode Lossless
– Selalu menghasilkan citra hasil penirmampatan
yang tepat sama dengan citra semula, pixel per
pixel.
– Contoh: Metode Huffman
– Misalnya, memampatkan gambar hasil diagnosa.
2. Metode Lossy
– Menghasilkan citra hasil pemampatan yang
hampir sama.
Alusyanti.P
 STATISTICAL COMPRESSION
(METODE PEMAMPATAN HUFFMAN)
• Termasuk metode lossless compression
• Pengkodean citra berdasarkan pada derajat keabuan
(gray level) dari piksel-piksel dalam keseluruhan image.
Algoritma metode Huffman :
1. Urutkan secara menaik nilai keabuan berdasarkan
frekuensi kemunculannya atau peluang kumunculan
yaitu frekuensi kemunculan dibagi dengan jumlah
piksel dalam citra (pk = nk/n). Setiap nilai keabuan
dinyatakan sebagai pohon bersimpul tunggal dan
setiap simpul diassign dengan frekuensi kemunculan
nilai keabuan tersebut.
Alusyanti.P
 STATISTICAL COMPRESSION
(METODE PEMAMPATAN HUFFMAN)
2. Gabung 2 buah pohon yang mempunyai frekuensi
kemunculan paling kecil pada sebuah akar. Akar
mempunyai frekuensi yang merupakan jumlah dari
frekuensi 2 pohon penyusunnya. Perhatikan : frekuensi
dengan nilai lebih kecil diletakkan di sisi kiri
3. Ulangi langkah 1 dan 2 sampai tersisa 1 pohon biner.
4. Beri label setiap sisi pada pohon biner, label sisi kiri = 0,
label sisi kanan = 1.
5. Telusuri pohon biner dari akar ke daun. Barisan label-label
sisi dari akar ke daun menyatakan kode Huffman untuk
derajat keabuan yang bersesuaian.
 METODE HUFFMAN
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 Alusyanti.P
 METODE HUFFMAN
Langkah 1 :

7 : 0,02 6 : 0,03 5 : 0,06 4 : 0,08 3 : 0,16 2 : 0,21 1 : 0,25 0 : 0,19

Langkah 2 :

76 : 0,05 5 : 0,06 4 : 0,08 3 : 0,16 0 : 0,19 2 : 0,21 1 : 0,25

7 : 0,02 6 : 0,03

Alusyanti.P
 METODE HUFFMAN
Langkah 3 : Ulangi langkah 1 & 2 sampai tersisa 1 pohon biner Ingat, frekuensi yang
lebih kecil diletakkan di sisi kiri

4 : 0,08 765: 0,11 3 : 0,16 0 : 0,19 2 : 0,21 1 : 0,25

76 : 0,05 5 : 0,06

7 : 0,02 6 : 0,03 Alusyanti.P

 METODE HUFFMAN

3 : 0,16 4765: 0 : 0,19 2 : 0,21 1 : 0,25

0,19

4 : 0,08 765: 0,11

76 : 0,05 5 : 0,06

7 : 0,02 6 : 0,03
Alusyanti.P
 METODE HUFFMAN
34765:
0,35 0 : 0,19 2 : 0,21 1 : 0,25

Dengan formasi seperti

3 : 0,16 4765:
0,19 diatas, pilih 2 frekuensi
terkecil, kemudian
gabungkan dan urutkan
4 : 0,08 765: 0,11
secara
menaik.
76 : 0,05 5 : 0,06

7 : 0,02 6 : 0,03
Alusyanti.P
 METODE HUFFMAN
134765:
0,60 02: 0,40

34765:
1 : 0,25 0,35
0 : 0,19 2 : 0,21
4765:
3 : 0,16 0,19

765: 0,11
4 : 0,08

76 : 0,05 5 : 0,06

Alusyanti.P 7 : 0,02 6 : 0,03

 METODE HUFFMAN
0213476
5: 1,00

134765:
0,60
02: 0,40
34765:
1 : 0,25 0,35

0 : 0,19 2 : 0,21 4765:

3 : 0,16 0,19

765: 0,11
4 : 0,08
Karena sudah tersisa 1 pohon, lakukan
langkah 4.
5 : 0,06
76 : 0,05

Alusyanti.P 7 : 0,02 6 : 0,03

 METODE HUFFMAN
0213476
5: 1,00
1
0
134765:
0,60
02: 0,40 1
0
34765:
1 : 0,25 0,35
0 1
0
0 : 0,19 2 : 0,21 4765:
3 : 0,16 0,19
1
0
765: 0,11
4 : 0,08
0
1
Langkah 4 : Beri label 0 untuk sisi kiri, sisi kanan label 1
76 : 0,05 5 : 0,06

0 1
7 : 0,02 6 : 0,03
 METODE HUFFMAN
Langkah 5 : Telusuri pohon biner dari akar ke daun untuk menentukan kode Huffman
yang sesuai dengan derajat keabuan.

Derajat keabuan Kode Huffman Ukuran Banyaknya piksel

0 00 2 bit 790
1 10 2 bit 1023
2 01 2 bit 850
3 110 3 bit 656
4 1110 4 bit 329
5 11111 5 bit 245
6 111101 6 bit 122
7 111100 6 bit 81

Ukuran citra setelah kompresi = (790 x 2 bit) + (1023 x 2 bit) + (850 x 2

bit) + (656 x 3 bit) + (329 x 4 bit) + (245 x 5 bit) + (122 x 6 bit) + (81 x 6
bit) = 11053 bit
 METODE HUFFMAN
Ukuran citra sebelum kompresi = 4096 piksel x 3 bit = 12288 bit

Tiap piksel berukuran 3 bit, diperoleh dari

2 3= 8 derajat keabuan (nilai intensitas piksel 0
s/d 7)

Misal 256 derajat keabuan berarti nilai intensitas

piksel 0 s/d 255, tiap piksel berukuran 8 bit (1
byte )
diperoleh dari 28 = 256

Ratio Kompresi= 100%-((ukuran citra hasil kompresi/ukuran citra hasil)*100%

= 100%-((11053/12288)*100%)
= 10%, artinya citra semula telah dimampatkan sebanyak 10%
Alusyanti.P
KOMPRESI CITRA (2)
&
SEGEMENTASI CITRA

Pertemuan 13
Mata Kuliah Pengolahan Citra
 SPATIAL COMPRESSION
(Metode Run Length Encoding / RLE)
Cocok digunakan untuk memampatkan citra yang memiliki kelompok-kelompok
piksel berderajat keabuan yang sama
Contoh :sebuah citra sebagai berikut :
1 2 1 1 1 1
1 3 4 4 4 4
1 1 3 3 3 5
1 1 1 1 3 3
Semuanya ada 24 nilai
Pasangkan nilai untuk setiap baris run yang dihasilkan dengan metode
pemampatan RLE:
(1,5),(2,1)
(1,1),(3,1),(4,4) Ada 10 pasang nilai atau 10 X 2=20 nilai
(1,2),(3,3),(5,1)
(1,4),(3,2)
Alusyanti.P
 SPATIAL COMPRESSION
(Metode Run Length Encoding / RLE)
(1,5),(2,1)
(1,1),(3,1),(4,4) Ada 10 pasang nilai atau 10 X 2=20 nilai
(1,2),(3,3),(5,1)
(1,4),(3,2)

Ukuran citra sebelum dimampatkan (1 derajat keabuan=3 bit)24X3=72 bit

Ukuran citra setelah dimampatkan(derajat keabuan=3 bit, run length==4 bit)
(10 X 3) + (10 X 4) = 70 bit
Maka Nisbah Pemampatannya:
(100%-(70/72 )x 100%)= 2,78%, yang artinya 2,78% dari
citra semula telah dimampatkan

Alusyanti.P
 SEGMENTASI CITRA
Proses Segmentasi  Pengenalan Objek 
Informasi Objek
Segmentasi =>
1. Memisahkan citra menjadi bagian-bagian yang
diharapkan merupakan objek-objek tersendiri.
2. Membagi suatu citra menjadi wilayah-wilayah
yang homogen berdasarkan kriteria keserupaan
tertentu antara derajat keabuan suatu piksel
dengan derajat keabuan piksel-piksel
tetangganya.
Alusyanti.P
 TEKNIK SEGMENTASI
Ada bermacam-macam teknik segmentasi,
semuanya digolongkan dalam jenis
berdasarkan cara kerjanya, yaitu :
1. Segmentasi berdasarkan intensitas warna
(derajat keabuan)
2. Segmentasi berdasarkan karakteristik
 Segmentasi berdasarkan intensitas
warna (derajat keabuan)
. • Salah satu teknik segmentasi berdasarkan
intensitas warna adalah mean clustering
Pada mean clustering dilakukan pembagian citra
dengan membagi histogram citra
• 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 masing-
masing objeknya bervariasi atau pada setiap
objek memiliki warna yang sama

Alusyanti.P
 LANGKAH-LANGKAH CLUSTERING
Berikut langkah-langkahnya :
1. Cari intensitas maksimum dan minimum yang digunakan dalam citra
2. Dari intensitas minimum ke maksimum dilakukan pembagian
sejumlah N. N ini menentukan jumlah objek yang diharapkan ada
pada gambar.
3. Setelah dilakukan pembagian, histogram akan terbagi menjadi
bagian-bagian yang disebut cluster (kelompok). Kemudian pada
citra dilakukan penelusuran untuk seluruh titik, setiap titik akan
digrupkan ke cluster terdekat sehingga hasil akhir dari proses ini
adalah jumlah warna pada gambar menjadi N.
4. Cari hasil rata-rata/ mean dari seluruh titik pada setiap cluster,
kemudian mengganti warna seluruh titik dalam cluster-cluster
tersebut dengan rata-rata dari cluster masing-masing.
 SEGMENTASI BERDASARKAN
KARAKTERISTIK
• Cara lain yang biasa digunakan adalah berdasarkan
karakteristik objek pada citra Yaitu mengelompokkan
bagian-bagian citra yang memiliki karakteristik yang
sama berupa perubahan warna antara titik yang
berdekatan, nilai rata-rata dari bagian citra tersebut.
• Untuk menghitung/menentukan karakteristik
digunakan perhitungan statistik seperti varian,
standard deviasi, teori probabililitas, fourier transform,
dll
• Salah satu teknik segmentasi berdasarkan karakteristik
adalah split and merge (membagi kemudian
menggabungkan)

Alusyanti.P
 LANGKAH – LANGKAH SEGMENTASI
BERDASARKAN KARAKTERISTIK
Berikut langkah-langkahnya :
1. Bagi citra menjadi 4 bagian
2. Dari 4 bagian tersebut dilakukan perhitungan karakteristik masing-
masing.
3. Bagian dari citra yang memiliki karakteristik yang sama akan
digabungkan dan dianggap satu bagian, sedangkan yang tidak, akan
dibagi lagi menjadi 4 bagian dan dilakukan perhitungan karakteristik
dan dilakukan lagi proses penggabungan bagian yang sama.
Demikian seterusnya sehingga diperoleh hasil dari proses segmentasi
• Proses tersebut adalah proses rekursif karena pada setiap saat
dilakukan proses yang sama tetapi dengan data yang selalu
berubah
CONTOH SEGMENTASI

Alusyanti.P
 Referensi

Canstleman. 1996. Digital Image Processing.

Gonzalez & Woods. 2004. Digital Image Processing.
Handoyo, E,D. 2002. Perancangan Mini Image Editor Versi 1.0
Sebagai Aplikasi Penunjang Mata Kuliah Digital Image
Processing. Jurnal Natur Indonesia 5 (1):41-49.
ISSN:1410-9379.
Hestiningsih, I. 2011. Pengolahan Citra.
Lyon. 1999. Image Processing in Java.
Sianipar. Mangiri, H,S. Wirajati. 2013. Matlab untuk
Pemrosesan Citra Digital. Informatika Bandung.

SEKIAN