Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Sistem Visual Manusia dan Pengolahan Citra Dijital (Sumber: Gonzalez & Woods, 1992) Dr. Ir. Sumijan, M.Sc Dosen Universitas Putra Indonesia “YPTK”

Presentasi serupa


Presentasi berjudul: "Sistem Visual Manusia dan Pengolahan Citra Dijital (Sumber: Gonzalez & Woods, 1992) Dr. Ir. Sumijan, M.Sc Dosen Universitas Putra Indonesia “YPTK”"— Transcript presentasi:

1 Sistem Visual Manusia dan Pengolahan Citra Dijital (Sumber: Gonzalez & Woods, 1992) Dr. Ir. Sumijan, M.Sc Dosen Universitas Putra Indonesia “YPTK”

2 2 Sistem Visual Manusia Pembentukan Citra oleh Sensor Mata Intensitas cahaya ditangkap oleh diagram iris dan diteruskan ke bagian retina mata. Bayangan obyek pada retina mata dibentuk dengan mengikuti konsep sistem optik dimana fokus lensa terletak antara retina dan lensa mata. Mata dan syaraf otak dapat menginterpretasi bayangan yang merupakan obyek pada posisi terbalik.

3 3 A cross section of the human eye (Gonzalez & Woods, 1992) Retina Blind Spot Fovea Iris Lens Visual Axis Cornea

4 4 Sistem Visual Manusia Fovea di bagian retina terdiri dari dua jenis receptor: Sejumlah cone receptor, sensitif terhadap warna, visi cone disebut photocopic vision atau bright light vision Sejumlah rod receptor, memberikan gambar keseluruhan pandangan dan sensitif terhadap iluminasi tingkat rendah, visi rod disebut scotopic vision atau dim-light vision Blind Spot adalah bagian retina yang tidak mengandung receptor sehingga tidak dapat menerima dan menginterpretasi informasi

5 5 Sistem Visual Manusia Subjective brightness Merupakan tingkat kecemerlangan yang dapat ditangkap sistem visual manusia; Merupakan fungsi logaritmik dari intensitas cahaya yang masuk ke mata manusia; Mempunyai daerah intensitas yang bergerak dari ambang scotopic (redup) ke ambang photocopic (terang). Brightness adaption Merupakan fenomena penyesuaian mata manusia dalam membedakan gradasi tingkat kecemerlangan; Batas daerah tingkat kecemerlangan yang mampu dibedakan secara sekaligus oleh mata manusia lebih kecil dibandingkan dengan daerah tingkat kecemerlangan sebenarnya.

6 6 Sistem Visual Manusia Kepekaan dalam pembedaan tingkat kecemerlangan merupakan fungsi yang tidak sederhana, namun dapat dijelaskan antara lain dengan dua fenomena berikut: Mach Band (ditemukan oleh Ernst Mach): pita tengah bagian kiri kelihatan lebih terang dari bagian kanan. Simultaneous Contrast: kotak kecil disebelah kiri kelihatan lebih gelap dari kotak kecil disebelah kanan, padahal intensitasnya sama tapi intensitas latar belakang berbeda. Hal sama terjadi bila kertas putih di meja kelihatan lebih putih daripada kertas sama diarahkan ke sinar matahari.

7 7 Data Acquisition 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).

8 8 Pengertian Sensor Aktif dan Pasif Sensor Pasif Sistem sensor yang merekam data obyek tanpa mengirimkan enersi, sumber enersi bisa dalam bentuk sinar matahari, sinar lampu, dlsb.nya; Contoh: sensor optik dari kamera foto, sensor optik pada sistem inderaja. Sensor Aktif Sistem sensor yang merekam data obyek mengirimkan dan menerima pantulan dari enersi yang dikirim ke arah obyek, enersi yang dikirim bisa berupa gelombang pendek, sinar X, dlsb.nya; Contoh: sensor Rontgen untuk foto thorax, sensor gelombang pendek pada sistem radar, sensor ultrasound pada sistem USG.

9 9 Sensor Pasif Optik dan Sensor Aktif Radar Optical Sensor / Passive Sensor: Landsat TM (Land Satellite) - USA, 1982 Landsat MSS - USA, 1984 SPOT (Systeme Probatoire d’Observation de la Terre) - French, 1986/1990 Radar Sensor / Active Sensor: ERS-1 (First European Remote Sensing Satellite) - ESA, 1991 FUYO-1 (JERS-1) - Japan, 1992 Radarsat (Radar Satellite) - Canada, 1995

10 10 Pengertian Citra Dijital Citra Dijital Citra dijital 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 dijital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat kecemerlangannya/keabuan (kwantisasi); Citra dijital 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.

11 11 Pengertian Citra Dijital Sampler Citra kontinue Citra dijital Matriks citra dengan obyek angka 5 Resolusi spasial :Resolusi kecemerlangan : Tinggi (16 x 16) Rendah (8 x 8) Tinggi (4) Rendah (2)

12 12 Resolusi Spasial dan Kecemerlangan/Brightness Resolusi Citra Dikenal: resolusi spasial dan resolusi kecemerlangan, berpengaruh pada besarnya informasi citra yang hilang. Resolusi spasial: halus / kasarnya pembagian kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra dijital disebut dijitisasi (sampling). Hasil dijitisasi dengan jumlah baris 256 dan jumlah kolom resolusi spasial 256 x 256. Resolusi kecemerlangan (intensitas / brightness): halus / kasarnya pembagian tingkat kecemerlangan. Transformasi data analog yang bersifat kontinue ke daerah intensitas diskrit disebut kwantisasi. Bila intensitas piksel berkisar antara 0 dan resolusi kecemerlangan citra adalah 256.

13 13 Resolusi Spasial - Sampling Sampling Uniform dan Non-uniform Sampling Uniform mempunyai spasi (interval) baris dan kolom yang sama pada seluruh area sebuah citra. Sampling Non-uniform bersifat adaptif tergantung karakteristik citra dan bertujuan untuk menghindari adanya informasi yang hilang. Daerah citra yang mengandung detil yang tinggi di-sampling secara lebih halus, sedangkan daerah yang homogen dapat di- sampling lebih kasar. Kerugian sistem sampling Non- uniform adalah diperlukannya data ukuran spasi atau tanda batas akhir suatu spasi.

14 14 Digitizing an image Line Column of samples Picture Pixel Sample Spacing Sampling process Spatial resolution Line Spacing Black Gray White Sumber: Dimodifikasi dari Castlemen, 1996 Brightness Spacing Proses Kwantisasi Brightness Resolution

15 15 Resolusi Kecemerlangan - Kwantisasi Kwantisasi Uniform, Non-uniform, dan Tapered Kwantisasi Uniform mempunyai interval pengelompokan tingkat keabuan yang sama (misal: intensitas 1 s/d 10 diberi nilai 1, intensitas 11 s/d 20 diberi nilai 2, dstnya). Kwantisasi Non-uniform: Kwantisasi yang lebih halus diperlukan terutama pada bagian citra yang meng- gambarkan detil atau tekstur atau batas suatu wilayah obyek, dan kwantisasi yang lebih kasar diberlakukan pada wilayah yang sama pada bagian obyek. Kwantisasi Tapered: bila ada daerah tingkat keabuan yang sering muncul sebaiknya di-kwantisasi secara lebih halus dan diluar batas daerah tersebut dapat di- kwantisasi secara lebih kasar (local stretching).

16 16 Resolusi Uniform vs Non-Uniform Tidak perlu resolusi spasial yang non-uniform Perlu resolusi spasial yang non-uniform Tidak perlu resolusi kecemerlangan yang non- uniform (untuk warna hitam dan putih) Perlu resolusi kecemerlangan yang non- uniform (untuk warna kehijauan dan kemerahan)

17 17 Hubungan antara piksel dan pengertian connectivity 4-tetangga piksel P 8-tetangga piksel P X X X X X P X X P X X X X X Connectivity/Konektivitas: 4-tetangga atau 8-tetangga dengan kriteria gray level yang sama, misal: sama-sama 0 atau sama- sama 1 atau sama-sama bedanya tidak lebih dari 5 tingkat keabuan, dlsb.nya

18 18 Labelling of connected component Dengan kriteria piksel sama-sama bernilai 1: (a) dengan aturan 4-tetangga dan (b) dengan aturan 8 tetangga: ekivalen dengan

19 19 Operasi Aritmetik / Lojik pada Citra Operasi Aritmetik antara dua citra + - x / Band ratio antara citra sensor optik Landsat TM band 3 dan band 4 dapat digunakan untuk analisis vegetasi, begitu juga ratio antara selisih dan jumlahnya. Operasi selisih antara dua citra temporal dapat digunakan untuk deteksi perubahan wilayah.

20 20 Operasi Aritmetik / Lojik pada Citra Operasi selisih antara dua citra temporal dapat digunakan untuk deteksi perubahan wilayah. Jakarta in 1994 Jakarta in 1998 (Lapan, 2001)

21 21 Operasi Aritmetik / Lojik pada Citra Operasi Lojik antara dua citra OR AND NOT Masking (AND) operation dapat digunakan untuk memisahkan antara bagian obyek dan bagian latar belakang pada citra biomedik. Object of interest ‘jaringan paru’ Mask dengan operasi AND

22 22 Komponen Sistem Pengolahan Citra Dijital (Gonzalez & Woods, 1992)

23 23 Elemen Fungsi Dasar Sistem Pengolahan Citra Pembentukan Citra Sensor yang sensitif terhadap gelombang EM menghasilkan sinyal listrik sesuai dengan enersi yang diterima. Analog-to-Digital Converter / Digitizer akan mengubah sinyal listrik tersebut menjadi bentuk dijital. Scanner yang menerima masukan dalam bentuk analog (dokumen, peta, foto) akan mengubah menjadi data dalam bentuk dijital. Penyimpanan Citra Penyimpanan jangka pendek (sedang diproses): memory Penyimpanan on-line (siap dipakai): disk magnetik Penyimpanan arsip: pita atau disk magnetik, CD

24 24 Elemen Fungsi Dasar Sistem Pengolahan Citra (Lanjutan) Pemrosesan Citra dan Komunikasi Data citra berukuran besar (perlu tempat simpan yang besar serta waktu proses yang lama). Issue penting pada komunikasi: kompresi citra. Issue penting pada pemrosesan citra: proses paralel. Peragaan Citra Dalam bentuk softcopy (layar peraga / monitor). Dalam bentuk hardcopy (printer, film writer, plotter).

25 25 Elemen-elemen Sistem Analisis Citra (Gonzalez & Woods, 1992)

26 26 Metodologi Pengolahan Citra Pembentukan Citra (Data Acquisition): Menentukan data yang diperlukan dan memilih metode perekaman citra dijital. Pengolahan Citra Tingkat Awal (Image Preprocessing): Meningkatkan kontras, menghilangkan gangguan geometrik / radiometrik, menentukan bagian citra yang akan diobservasi. Segmentasi Citra (Image Segmentation) dan Deteksi Sisi (Edge Detection): Melakukan partisi citra menjadi wilayah-wilayah obyek (internal properties) atau menentukan garis batas wilayah obyek (external shape characteristics). Seleksi dan Ekstraksi Ciri (Feature Extraction and Selection): Seleksi ciri memilih informasi kwantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas obyek secara baik. Ekstraksi ciri mengukur besaran kwantitatif ciri setiap piksel

27 27 Metodologi Pengolahan Citra (Lanjutan) Representasi dan Deskripsi: Suatu wilayah dapat direpresentasi sebagai suatu list titik-titik koordinat dalam loop yang tertutup, dengan deskripsi luasan / perimeternya Pengenalan Pola (Pattern Recognition): Memberikan label kategori obyek pada setiap piksel citra berdasarkan informasi yang diberikan oleh deskriptor atau ciri piksel bersangkutan (pewilayahan jaringan keras dan pewilayahan berbagai jaringan lunak pada citra biomedik) Interpretasi Citra (Image Interpretation): Memberikan arti pada obyek yang sudah berhasil dikenali (dari citra klasifikasi biomedik dapat dilihat adanya penyakit tumor) Penyusunan Basis Pengetahuan: Basis pengetahuan ini digunakan sebagai referensi pada proses template matching / object recognition.

28 28 Beberapa Aplikasi Pembahasan dibatasi pada 4 contoh aplikasi Pengembangan Sistem Aplikasi Biomedik Pengembangan Sistem Optical Character Recognition (OCR) Pengembangan Sistem Aplikasi Inderaja Pengembangan Sistem Multitemporal Multisensor Image Classification and Fusion

29 29 Metodologi Sistem Aplikasi Kedokteran (1) Image Acquisition Image Preprocessing Image Segmentation Object Representation & Description Knowledge Base Object RecognitionAnalysis Result

30 30 Metodologi Sistem Aplikasi Kedokteran (2) Prosedur pemrosesan citra Data Acquisition – sistem perekaman citra X-Ray paru yang akan dideteksi apakah mengandung jaringan tumor atau kanker; Image Preprocessing – eliminasi gangguan atau proses deteksi sisi untuk menentukan batas wilayah obyek- obyek yang ada pada citra (jaringan paru, jaringan tumor, dan jaringan keras); Image Segmentation – menentukan wilayah setiap obyek yang ada pada citra, bisa menggunakan metode gabungan dengan deteksi sisi atau metode lainnya seperti metode clustering;

31 31 Metodologi Sistem Aplikasi Kedokteran (3) Obyek yang akan dikenali: Tumor

32 32 Metodologi Sistem Aplikasi Kedokteran (4) Prosedur pemrosesan citra (Lanjutan) Object Representation and Description – menyiapkan informasi object of interest untuk analisis. Representasi obyek dapat dinyatakan dalam Freeman chain code yang berisi informasi garis batas jaringan tumor dengan deskripsi ciri bentuk wilayah tumor (misal dengan ciri Hough transform) atau representasi dalam bentuk citra wilayah dengan deskripsi sifat tonal atau ciri tekstur setiap wilayah;

33 33 Metodologi Sistem Aplikasi Kedokteran (5) Prosedur pemrosesan citra (Lanjutan) Object Recognition – membandingkan (object / template matching) wilayah obyek pada citra apakah ada yang sama dengan informasi yang ada pada Knowledge Base yang dibentuk pada tahap pelatihan sistem, misal: apakah ada wilayah dengan intensitas rata-rata yang tinggi {putih) dan bentuk wilayahnya mendekati bulat atau ellips; Analysis Result – merupakan suatu keputusan apakah pada jaringan paru tersebut terdapat jaringan tumor atau kanker.

34 34 Metodologi OCR – Optical Character Recogniton (1) (MSU, 1990)

35 35 Metodologi OCR – Optical Character Recogniton (2) Prosedur pemrosesan citra Data Acquisition – masukan berupa dokumen teks, perlu cropping lokasi-lokasi karakter yang akan dikenali; Image Preprocessing – proses yang dibutuhkan adalah deteksi sisi dan thinning atau skeletonizing untuk mendapatkan obyek karakter dengan ketebalan 1 piksel;

36 36 Metodologi OCR – Optical Character Recogniton (3) Prosedur pemrosesan citra (Lanjutan) Representation & Description – ekstraksi ciri karakter, misal perhitungan ciri moment atau ciri lainnya; Character Recognition – pengambilan keputusan karakter apakah itu dengan membandingkan ciri karakter tersebut dengan knowledge base yang menyimpan ciri-ciri setiap karakter yang dibangun dalam tahap pelatihan; Recognized Character – merupakan hasil pengenalan.

37 37 Metodologi OCR – Optical Character Recogniton (4) Preprocessing atau intermediate processing Huruf hasil scanning Huruf setelah ‘skeletonizing’ (Edi, 2002)

38 38 Aplikasi Pengenalan Karakter (Sumber: Skripsi S1 Juanita Rohali) Hasil Pengenalan Obyek BAP AK BER UANG YANG J AH AT PAD A ZAMAN DAHU L U KALA ADA SE E KOR BER UANG YANG NAKAL DA N JA HAT BER UA NG I TU BE RN AMA XAM I N DIA S UKA ME M AKAN AN AK AN AK YANG TI DAK D I SU KAI OLEH I BUN YA SEHINGG A LA M A KELAMAAN ANAK AN AK DI D UNIA ME NJADI MU SNAH B I NASA KAR EN A DI MAKAN OLEH BAPAK BE RUAN G TERS EBUT

39 39 Metodologi Sistem Aplikasi Inderaja (1) Image Acquisition Image Preprocessing Image Classification Image Postprocessing Thematic Image

40 40 Metodologi Sistem Aplikasi Inderaja (2) Prosedur pemrosesan citra Data Acquisition – apakah akan menggunakan citra sensor optik atau citra sensor Synthetic Aperture Radar (SAR) tergantung masalah; Image Preprocessing – apakah perlu filtering untuk eliminasi gangguan, apakah perlu registration dengan peta yang ada, apakah perlu dilakukan pemilihan ciri atau band atau panjang gelombang sensor yang paling cocok untuk identifikasi obyek penutup lahan yang diinginkan;

41 41 Metodologi Sistem Aplikasi Inderaja (3) Prosedur pemrosesan citra (Lanjutan) Image Classification – membagi citra menjadi wilayah-wilayah obyek penutup lahan sesuai dengan kategori obyek yang ditentukan; Image Postprocessing – karena adanya noise / bentuk gangguan pada citra, sering terjadi wilayah-wilayah dalam ukuran kecil (single-pixel) yang perlu dihilangkan; Thematic Image – merupakan hasil analisis yang diperoleh.

42 42 Topik-topik Penelitian Akhir ( ): Multisensor Multitemporal Image Preprocessing Module

43 43 Topik-topik Penelitian Akhir ( ): Multisensor Multitemporal Image Classification & Fusion Module Preprocessed Images & Classification Control Parameters Labelled Training Samples Classification and Fusion High-LevelHigh-LevelAugmentedMultiple Cloud CoverDataVectorClassifier EliminationFusionApproachApproach Mosaic Image Fused ImageClassified Image

44 44 Cloud cover elimination (Sumber: Murni, 1997) Masukan dan Keluaran Pengolahan Citra Digital Mosaic image Fused image


Download ppt "Sistem Visual Manusia dan Pengolahan Citra Dijital (Sumber: Gonzalez & Woods, 1992) Dr. Ir. Sumijan, M.Sc Dosen Universitas Putra Indonesia “YPTK”"

Presentasi serupa


Iklan oleh Google