Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Transformasi Gray (cont), Statistik Dalam Image Enhancement Achmad Basuki,Nana Ramadijanti Surabaya 2009.

Presentasi serupa


Presentasi berjudul: "Transformasi Gray (cont), Statistik Dalam Image Enhancement Achmad Basuki,Nana Ramadijanti Surabaya 2009."— Transcript presentasi:

1 Transformasi Gray (cont), Statistik Dalam Image Enhancement Achmad Basuki,Nana Ramadijanti Surabaya 2009

2 Materi Konversi RGB ke Gray Scale Konversi Gray Scale ke Biner Konversi Gray Scale ke m-Bit Pengaturan Brightness Pengaturan Kontras Gray-scale Histogram Distribusi Kumulatif Histogram Equalization

3 Konversi RGB ke Gray Scale Setiap pixel mempunyai nilai red (r), green (g) dan blue (b) dengan nilai masing-masing Setiap pixel mempunyai nilai derajat keabuan x dengan nilai 0-255

4 Konversi Gray Scale Ke Biner Setiap pixel mempunyai nilai warna x bw dengan nilai 0 dan 1 Setiap pixel mempunyai nilai derajat keabuan x dengan nilai 0-255

5 Konversi Gray Scale Ke m-Bit Setiap pixel mempunyai nilai warna x th dengan nilai 0 sampai dengan 2 m-1 Setiap pixel mempunyai nilai derajat keabuan x dengan nilai Contoh : X=100, gray scale 4 bit (0-64) Xbaru = 64 x (100/64) = 64 x 1 = 64

6 Pengaturan Brightness Proses pengaturan brightness adalah proses penambahan nilai derajat keabuan x dengan nilai perubahan brightness t brightness t brightness bisa positif dan dan negatif 02550

7 Pengaturan Contrast Proses pengaturan contrast adalah proses perkalian nilai derajat keabuan x dengan nilai perubahan contrast t contrast 0 < t kontras < m, dengan m positif

8 Gray-Scale Histogram Histogram di dalam gambar gray-scale menyatakan distribusi dari derajat keabuan (terang/gelap) pada suatu gambar. Dari histogram ini dapat dilihat apakah gambar tersebut lebih banyak warna gelap atau lebih banyak warna terang Teknik histogram ini dapat dikembangkan untuk memperbaiki kualitas gambar (image enhancement) dengan apa yang dinamakan dengan Histogram Equalization, suatu teknik untuk meratakan distribusi terang/gelap sehingga gambar kelihatan lebih jelas.

9 Gray-Scale Histogram Gambar ini didominasi warna terang, karena grafik di sebelah kanan terlihat lebih banyak. Gambar ini didominasi warna gelap, karena grafik di sebelah kiri terlihat lebih banyak.

10 Distribusi Kumulatif Distribusi kumulatif C(x) adalah nilai total histogram dari tingkat keabuan=0 sampai dengan tingkat keabuan=x, dan didefinisikan dengan: Distribusi kumulatif ini dapat digunakan untuk menunjukkan perkembangan dari setiap step derajat keabuan. Pada distribusi kumulatif, gambar dikatakan baik bila mempunyai distribusi kumulatif yang pergerakannya hampir sama pada semua derajat keabuan.

11 Distribusi Kumulatif Perubahan yang tajam

12 Distribusi Kumulatif Gambar-gambar hasil photo mempunyai perubahan yang tidak terlalu tajam dan biasanya tidak lebih dari satu. Hal ini menunjukkan tingkat gradiasi yang halus pada gambar hasil photo. Gambar-gambar kartun mempunya banyak perubahan yang tajam, hal ini menunjukkan tingkat gradiasi pada gambar kartun rendah (kasar).

13 Histogram Equalization Histogram Equalization adalah suatu proses untuk meratakan histogram agar derajat keabuan dari yang paling rendah (0) sampai dengan yang paling tinggi (255) mempunyai kemunculan yang rata. Dengan histogram equalization hasil gambar yang memiliki histogram yang tidak merata atau distribusi kumulatif yang banyak loncatan gradiasinya akan menjadi gambar yang lebih jelas karena derajat keabuannya tidak dominan gelap atau dominan terang. Proses histogram equalization ini menggunakan distribusi kumulatif, karena dalam proses ini dilkakukan perataan gradien dari distribusi kumulatifnya.

14 Formulasi Histogram Equalization Histogram Equalization dari suatu distribusi kumulatif C adalah: C w adalah nilai distribusi kumulatif pada derajat keabuan w t adalah nilai threshold derajat keabuan= 2 8 atau 256 n x dan n y adalah ukuran gambar.

15 Perhitungan Histogram Equalization Perhatikan histogram berikut: Distribusi Kumulatifnya

16 Perhitungan Histogram Equalization wCww-baru 12 (2*12)/ Distribusi Kumulatif:

17 Histogram Equalization Pada Gambar

18

19

20 Aplikasi Histogram Equalization Buka project baru Pada form atur property ScaleMode=Pixel Tambahkan 2 pictureBox. Pada setiap pictureBox, atur property Appereance=Flat, Autoredraw=True dan ScaleMode=Pixel. Buat ukuran kedua pictureBox ini sama. Pada picture1, tambahkan gambar pada property picture Tambahkan 1 commandButton, isikan property Caption=Histogram Equalization. Atur tampilan seperti gambar di bawah ni.

21 Aplikasi Histogram Equalization Click pada Command1, dan isikan program berikut: ‘Inisialisasi variabel Dim h(256), h2(256), c(256) As Single For i = 0 To 255 h(i) = 0 h2(i) = 0 Next i

22 ‘Menghitung distribusi kumulatif For i = 0 To Picture1.ScaleWidth - 1 For j = 0 To Picture1.ScaleHeight - 1 w = Picture1.Point(i, j) r = w And RGB(255, 0, 0) g = Int((w And RGB(0, 255, 0)) / 256) b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256) xg = Int((r + g + b) / 3) xg = Int(0.6 * xg + 20) Picture1.PSet (i, j), RGB(xg, xg, xg) h(xg) = h(xg) + 1 Next j Next i c(0) = h(0) For i = 1 To 255 c(i) = c(i - 1) + h(i) Next i

23 'Histogram Equalization For i = 0 To Picture1.ScaleWidth - 1 For j = 0 To Picture1.ScaleHeight - 1 w = Picture1.Point(i, j) r = w And RGB(255, 0, 0) g = Int((w And RGB(0, 255, 0)) / 256) b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256) xg = Int((r + g + b) / 3) yg = Int(256 * c(xg) / 128 / 128) h2(yg) = h2(yg) + 1 Picture2.PSet (i, j), RGB(yg, yg, yg) Next j Next I For i = 0 To 255 MSChart1.Row = i + 1 MSChart1.Data = h(i) MSChart1.RowLabel = Trim(Str(i)) MSChart2.Row = i + 1 MSChart2.Data = h2(i) MSChart2.RowLabel = Trim(Str(i)) Next i

24 Image Enhancement Spatial Domain I. Point Processing a.Image Negative b.Contrast Stretching c.Histogram Equalization - all grey level and all area - specific grey level (histogram specification) - local enhancement (specific part of the image) d. Image Subtracting e. Image Averaging II. Mask Processing Frequency Domain …(next week) Lingkup Pembahasan

25 I. Point Processing Cara paling mudah untuk melakukan peningkatan mutu pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan) Pengolahan menggunakan histogram juga termasuk dalam bagian point processing

26 Ia. Image Negative Mengubah nilai grey-level piksel citra input dengan: G baru = G lama Hasilnya seperti klise foto

27 27 Aplikasi Penginderaan Jarak Jauh (Sumber: Murni, 1997) Citra Optik Citra SAR (Sumber: Bakosurtanal RI)

28 Ib. Contrast Stretching Mengubah kontras dari suatu image dengan cara mengubah greylevel piksel- piksel pada citra menurut fungsi s = T(r) tertentu r1 ≤ r2, s1 ≤ s2 r1 = r2, s1 = s2  tidak ada perubahan r1 = r2, s1 = 0, s2 = 255  tresholding menjadi citra biner dengan ambang r1 0 s (r1,s1) r 255 T(r) (r2,s2)

29 Contoh Contrast Stretching

30 Contrast Stretching Fungsi lain yang baik digunakan adalah: f out = (f in – a) * b, -> (20-10)*6=60 a = min(f in ) misal : a=10 b = 255 / (max(f in ) – min(f in )) : b=255/(50- 10)=255/40=6 Citra masukan yang grey level nya tidak penuh dari 0 – 255 (low constrast) diubah menjadi citra yang grey level nya berkisar dari 0 – 255 (high contrast)

31 Contrast Stretching Buatlah matrik citra ukuran 10x10 dengan nilai random gray scale (optional) Dapatkan matrik citra hasil setelah dilakukan contras stretching sehingga gray level citra menjadi Tampilkan matrik citra asal dan matrik citra hasil contras stretching. Dikumpulkan senin mg depan.

32 Ic. Histogram Equalization Histogram: diagram yang menunjukkan jumlah kemunculan grey level (0-255) pada suatu citra Histogram processing: –Gambar gelap: histogram cenderung ke sebelah kiri –Gambar terang: histogram cenderung ke sebelah kanan –Gambar low contrast: histogram mengumpul di suatu tempat –Gambar high contrast: histogram merata di semua tempat  Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah

33 Ic. Histogram Equalization in all grey level and all area (1) Ide: mengubah pemetaan greylevel agar sebarannya (kontrasnya) lebih menyebar pada kisaran Sifat: –Grey level yang sering muncul lebih dijarangkan jaraknya dengan grey level sebelumnya –Grey level yang jarang muncul bisa lebih dirapatkan jaraknya dengan grey level sebelumnya –Histogram baru pasti mencapai nilai maksimal keabuan (contoh: 255)

34 Ic. Histogram Equalization in all grey level and all area (2) -mengubah pemetaan grey level pada citra, dengan rumus:

35 Ic. Histogram Equalization in all grey level and all area (3) Contoh : citra dengan derajat keabuan hanya berkisar 0-10 Citra awal: Derajat Keabuan Kemunculan Probabilitas Kemunculan Sk SK * 10 Derajat keabuan baru (0*10)/25 (3*1 0)/25 (11* 10)/2 5 (18* 10)/2 5 (20* 10)/ Citra Akhir:

36 Ic. Histogram Equalization specific grey level (hist. specification) Histogram equalization tidak dilakukan pada seluruh bagian dari histrogram tapi hanya pada bagian tertentu saja

37 Ic. Histogram Equalization specific area (local enhancement) Histogram equalization hanya dilakukan pada bagian tertentu dari citra


Download ppt "Transformasi Gray (cont), Statistik Dalam Image Enhancement Achmad Basuki,Nana Ramadijanti Surabaya 2009."

Presentasi serupa


Iklan oleh Google