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
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
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 .
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
76 : 0,05 5 : 0,06
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
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
134765:
0,60
02: 0,40
34765:
1 : 0,25 0,35
765: 0,11
4 : 0,08
Karena sudah tersisa 1 pohon, lakukan
langkah 4.
5 : 0,06
76 : 0,05
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.
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)
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
SEKIAN