Materi 05 Pengolahan Citra Digital

Slides:



Advertisements
Presentasi serupa
Materi 02(a) Pengolahan Citra Digital
Advertisements

Konversi citra Satriyo.
Frequency Domain.
Pengolahan Sinyal Digital TE5601
PENGOLAHAN CITRA DIGITAL : TRANSFORMASI CITRA (2)
Pengolahan Citra Digital: Transformasi Citra (Bagian 2 : Wavelet)
Perbaikan Citra pada Domain Frekuensi
Morphologi.
Perbaikan Citra pada Domain Spasial
VISION.
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
PENGOLAHAN CITRA DAN POLA
Digital Signal Processing (DSP)
SIFAT-SIFAT DAN APLIKASI DFT
CS3204 Pengolahan Citra - UAS
Hasdi radiles, ST., MT Part # 02/14 : Image Enhancement 09 Sept 2011.
Pengolahan Citra Digital Peningkatan Mutu Citra Pada Domain Frekuensi
Konvolusi Dan Transformasi Fourier
Pengolahan Citra Digital: Transformasi Citra (Bagian 2 : Wavelet)
Pengolahan Citra Digital Peningkatan Mutu Citra Pada Domain Frekuensi
1 Materi 03 Pengolahan Citra Digital Transformasi Citra.
TEORI SINYAL DAN SISTEM
Materi 04 Pengolahan Citra Digital
MODUL 3 PERBAIKAN KUALITAS CITRA
Materi 02(b) Pengolahan Citra Digital
Modul 1 PENGANTAR PENGOLAHAN CITRA
Materi 08 Pengolahan Citra Digital
Materi 07 Pengolahan Citra Digital
Simulasi dan Pemodelan
Oleh: Ineza Nur Oktabroni (G )
MODUL 5 Domain Frekuensi dan Filtering Domain Frekuensi
KOMUNIKASI DATA Tema : Physical layer
Filter IIR + Review Filter Analog.
Meminimalkan Kebutuhan Memori dalam Merepresentasikan Citra Digital
BAB V Transformasi Citra
SUB Pengolahan Sinyal Digital
PENGOLAHAN CITRA DAN POLA
Pengolahan Citra Digital
D10K-6C01 Pengolahan Citra PCD-03 Piksel dan Representasinya
Kualitas Citra Pertemuan 1
TRANSFORMASI-Z LANGSUNG
Fourier transforms and frequency-domain processing
PENGOLAHAN CITRA DIGITAL : TRANSFORMASI CITRA (1)
Peningkatan Mutu Citra
Pengolahan dalam Domain Frekuensi dan Restorasi Citra
Penapisan pada Domain Frekuensi 1
Penapisan Pada Domain Frekuensi (2)
Sudjana, 1992, Metode Statistika edisi kelima, Tarsito, Bandung
Karakteristik sinyal statik dan dinamik
Pengolahan Citra Digital: Transformasi Citra (Bagian 2 : Wavelet)
PENGOLAHAN CITRA DIGITAL GES 5413
Pendahuluan JARINGAN KOMPUTER By: Khairil Anwar.
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Pengolahan Citra Digital Peningkatan Mutu Citra Pada Domain Frekuensi
KONVOLUSI DAN TRANSFORMASI FOURIER
Digital Image Processing
KULIAH SISTEM KENDALI DISKRIT MINGGU 7
Convolution and Correlation
Pengolahan Sinyal.
Kekurangan Tr. Fourier Tranformasi wavelet (WT) merupakan perbaikan dari transformasi Fourier(FT). FT : hanya dapat menangkap informasi apakah suatu sinyal.
PENGENALAN CITRA DIGITAL
Tri Rahajoeningroem, MT T Elektro UNIKOM
IMAGE ENHANCEMENT.
I. Fourier Spectra Citra Input Peningkatan mutu citra pada domain frekuensi Fourier dilakukan secara straightforward: Hitung transformasi Fourier dari.
Pertemuan 4 Mata Kuliah Pengolahan Citra
Pertemuan 6 Mata Kuliah Pengolahan Citra
Pertemuan 10 Mata Kuliah Pengolahan Citra
PENGOLAHAN CITRA DIGITAL : TRANSFORMASI CITRA (2)
Pertemuan 7 Mata Kuliah Pengolahan Citra
Transformasi Wavelet.
Transcript presentasi:

Materi 05 Pengolahan Citra Digital Wavelet dan Pemrosesan Multiresolusi

Tujuan Memberikan pemahaman kepada mahasiswa mengenai transformasi wavelet, pemrosesan multiresolusi, image pyramid dan subband coding, sehingga mahasiswa memiliki gambaran untuk memanfaatkan wavelets dalam aplikasi pengolahan citra.

Gambaran Umum Sejak akhir tahun 1950, transformasi Fourier banyak digunakan dalam pemrosesan citra. Sekarang, transformasi wavelet banyak pula digunakan karena lebih mudah digunakan untuk mengkompres, mentransmisikan, maupun menganalisis citra. Tidak seperti transformasi Fourier yang memiliki fungsi basis sinusoidal, transformasi wavelet memiliki fungsi basis berupa gelombang-gelombang kecil dengan berbagai macam frekuensi dan durasi berhingga, yang disebut wavelets. Jika transformasi Fourier memberikan informasi tentang frekuensi dan kehilangan informasi temporal pada saat proses transformasi, maka transformasi wavelets selain memberikan informasi tentang frekuensi juga kapan frekuensi tersebut muncul (sehingga tidak kehilangan informasi temporal).

Gambaran Umum Pada kuliah ini akan dibahas transformasi berbasis wavelets dari sudut pandang multiresolusi. Teori multiresolusi berkaitan dengan representasi dan analisis signal (atau citra) pada lebih dari satu resolusi.

Image Pyramids Struktur representasi citra pada lebih dari satu resolusi, yang sederhana secara konseptual, tetapi cukup powerful adalah “image pyramid”. “Image pyramid” adalah kumpulan citra dengan resolusi yang semakin menurun, yang disusun dalam bentuk piramid.

Image Pyramids

Image Pyramids Karena level basis J berukuran 2J x 2J atau N x N, dengan J=log2 N, level intermediate j akan berukuran 2j x 2j , dengan 0<=j<=J. Suatu piramid yang lengkap tersusun atas J+1 resolusi dari 2J x 2J sampai 20 x 20 . Tetapi, kebanyakan piramid dipotong pada level P+1, dengan j=J-P, …, J-2, J-1, J dan 1<=P<=J.

Image Pyramids Output aproksimasi pada level j-1 digunakan untuk menciptakan piramid aproksimasi yang berisi satu atau lebih aproksimasi dari citra asal. Output prediksi pada level j digunakan untuk membangun piramid prediksi. Piramid-piramid ini berisi aproksimasi resolusi rendah dari citra asal pada level J-P dan informasi untuk menyusun aproksimasi aproksimasi resolusi lebih tinggi P pada level yang lain. Informasi pada level j adalah selisih antara aproksimasi level j pada piramid aproksimasi dan estimasi tentang aproksimasi berdasarkan prediksi level j-1.

Image Pyramids Piramid pada level P+1 dibangun dengan menjalankan operasi-operasi pada diagram sebanyak P kali. Pada iterasi pertama, j=J dan citra asal 2j x 2j diaplikasikan sebagai citra input level J. Ini menghasilkan aproksimasi level J-1 dan hasil prediksi level J. Untuk iterasi j=J-1, J-2, …, J-P+1, output dari aproksimasi pada iterasi level j-1 digunakan sebagai input.

Image Pyramids Setiap iterasi memiliki tiga langkah berikut : Hitung aproksimasi untuk resolusi lebih rendah berikutnya dari citra input. Hal ini dilakukan dengan memfilter input dan men-downsampling hasil filtering dengan faktor 2. Berbagai operasi filtering bisa dilakukan, termasuk neighborhood averaging, yang menghasilkan mean pyramid, filtering lowpass Gaussian yang menghasilkan pyramid Gaussian, atau tanpa filtering yang menghasilkan “pyramid subsampling” .

Image Pyramids Lakukan upsampling terhadap output dari langkah sebelumnya dengan faktor 2, dan lakukan filtering terhadap hasilnya. Langkah ini akan menghasilkan citra prediksi dengan resolusi yang sama seperti citra input. Hitung selisih antar prediksi pada langkah 2 dengan input pada langkah 1. Selisih ini, dilabeli dengan prediksi level j, dan selanjutnya bisa digunakan untuk merekonstruksi citra asal.

Image Pyramids

Subband Coding Dalam subband coding, citra didekomposisi menjadi sekumpulan komponen yang band-limited, yang disebut subband, dan bisa dirangkai untuk merekonstruksi citra asal tanpa kesalahan. Tiap subband dihasilkan dengan proses filtering bandpass filtering terhadap input. Karena bandwith dari subband yang dihasilkan lebih kecil daripada citra asal, subbands bisa di-downsampling tanpa kehilangan informasi. Rekonstruksi citra asal diselesaikan dengan upsampling, filtering dan penjumlahan subbands.

Subband Coding

Subband Coding Input sistem adalah signal diskrit band-limited 1-D x(n) untuk n=0,1,2,…; rangkaian output, xx(n), dibentuk dengan proses dekomposisi x(n) menjadi y0(n) dan y1(n) melalui filter-filter analisis h0(n) dan h1(n), dan serangkaian rekombinasi dengan filter-filter sintesis g0(n) dan g1(n). Filter-filter h0(n) dan h1(n) adalah filter digital half-band yang memiliki karakteristik transfer ideal, H0 dan H1, ditunjukkan pada gambar 7.4 (b).

Subband Coding Filter H0 adalah filter lowpass yang outpunya adalah aproksimasi dari x(n); filter H1 adalah filter highpass yang outputnya adalah frekuensi tinggi atau bagian detail dari x(n). Kita ingin memilih h0(n), h1(n), g0(n), g1(n) (atau, H0, H1, G0, G1) sedemikian sehingga input bisa direkonstruksi secara sempurna. Yaitu, xx(n)=x(n).

Subband Coding

Subband Coding

Subband Coding

2 D Wavelet Transform

2 D Wavelet Transform

2 D Wavelet Transform

2 D Wavelet Transform

Referensi Bab 7, “Wavelets and Multiresolution Processing”, Digital Image Processing, edisi 2, Rafael C. Gonzales dan Richard E. Woods, Prentice Hall, 2002