Welcome to Wonderful World Of Digital Image Processing Indra Riyanto, ST. MT.

Tour Guide Image Acquisition Image Generation D.I.P. Theme Park Image Compression Image Manipulation Image Analysis Image Display Image Perception

Tiga Bidang Berkaitan dengan Proses Citra atau Gambar Image Description (Pavlidis, 1986) 1950 Image Processing 1970 Computer Graphics 1970 Computer Vision 1960 Pattern Recognition Artificial Intelligence

Tiga Bidang Berkaitan dengan Proses Citra atau Gambar (MSU, 1990)

Computer Graphics (Aniati Murni, 1979)

Computer Graphics (Hearn and Baker, 1986)

Image Processing (JPL, 1972)

Computer Vision (Ballard, 1992) Garage Bushes Grass House Sky Tree1 Tree2 Roof Side Roof Side1 Side2 (Ballard, 1992)

Digital Image Processing: manipulation of image by computer Chapter 1: Introduction Digital Image Processing: manipulation of image by computer Other desciplines involved: optics, electronics, mathematics, photography, computer, artifial intelligence “One picture is worth more than ten thousands words”

The first photograph in the world Joseph Nicéphore Niépce, View from the Window at Le Gras, 1826.

Historical background: Chapter 1: Introduction Historical background: 1920, cable picture transmission through Atlantic ocean (from 1 week to less than 3 hours), printed by a telegraphic printer (Fig.1.1) 1921, photographic reproduction (Fig.1.2) 1929, image coding up to 15 levels (Fig.1.3), then 35 years of computer progress 1964, JPL improve image from the moon by Rangers 7 (Fig.1.4) 1964-now, the tremendous progress in image processing, and many real applications

Chapter 1: Introduction Nowadays, by using a simple image processing tools, medical scientist, micro-biologist, metallurgists, etc., may investigate several images, according to their own needs

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.

A cross section of the human eye Cornea Iris Lens Visual Axis Retina Blind Spot Fovea A cross section of the human eye

Sistem Visual Manusia Fovea di retina terdiri dari dua jenis reseptor: 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

Sistem Visual Manusia Subjective brightness Brightness adaption 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.

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.

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).

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.

Sensor Pasif Optik dan Sensor Aktif Radar Radar Sensor / Active Sensor: ERS-1 (First European Remote Sensing Satellite) - ESA, 1991 FUYO-1 (JERS-1) - Japan, 1992 Radarsat (Radar Satellite) - Canada, 1995 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

Pengertian 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.

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

Konvensi koordinat citra

Resolusi Spasial dan Kecemerlangan/Brightness Resolusi Citra: dikenal dengan resolusi spasial dan resolusi kecemerlangan, berpengaruh pada besarnya informasi citra yang hilang. Resolusi spasial: halus/kasarnya pembagian kisi-kisi baris dan kolom. Transformasi citra kontinyu ke citra dijital disebut dijitisasi (sampling). Hasil dijitisasi dengan jumlah baris 256 dan jumlah kolom 256 - resolusi spasial 256 x 256. Resolusi kecemerlangan (intensitas/brightness): halus/kasarnya pembagian tingkat kecemerlangan. Transformasi data analog yang bersifat kontinyu ke daerah intensitas diskrit disebut kwantisasi. Bila intensitas piksel berkisar antara 0 dan 255 - resolusi kecemerlangan citra adalah 256.

Chapter 2: Digital Image Fundamentals

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.

Brightness Resolution Digitizing an image Column of samples Pixel 255 Black Line Line Spacing Gray 128 White Sample Spacing Sampling process Spatial resolution Picture Brightness Spacing Proses Kwantisasi Brightness Resolution Sumber: Dimodifikasi dari Castlemen, 1996

Subsampling: ukuran berubah, resolusi spasial tetap

Resampling: ukuran tetap, resolusi spasial berubah

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).

Resolusi Uniform vs Non-Uniform Tidak perlu resolusi spasial yang non-uniform Perlu resolusi spasial yang non-uniform

Hubungan antara piksel dan pengertian connectivity 4-tetangga piksel P 8-tetangga piksel P X X X X X P X X P 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

Labelling of connected component Dengan kriteria piksel sama-sama bernilai 1: (a) dengan aturan 4-tetangga dan (b) dengan aturan 8 tetangga: 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 1 1 0 1 1 0 1 1 0 1 1 0 0 0 1 1 1 0 0 0 1 1 1 Ekivalen dg. Ekivalen dg.

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

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

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

A Physical Perspective of Image Acquisition Extend the capabilities of human vision systems From visible spectrum to non-visible electromagnetic power spectrum From close-distance sensing to remote sensing

Visible (I): Photography

Visible (II): Motion Pictures

Visible (III): Law Enhancement and Biometrics

Visible (IV): Light Microscopy Taxol (250) Cholesterol (40) Microprocessor (60)

Visible (V): Remote Sensing Hurricane Sandy, Oct 25 2012 taken by NOAA GEOS America at night (Nov. 27, 2000)

Beyond Visible (I): Thermal Images Operate in infrared frequency Human body disperses heat (red pixels) Different colors indicate varying temperatures

Beyond Visible (II): Radar Images Operate in microwave frequency Moutains in Southeast Tibet

Beyond Visible (III): MRI and Astronomy Operate in radio frequency knee spine head visible infrared radio

Beyond Visible (IV): Fluorescence Microscopy Operate in ultraviolet frequency normal corn smut corn

Beyond Visible (V): Medical Diagnostics Operate in X-ray frequency chest head

Beyond Visible (VI): PET and Astronomy Operate in gamma-ray frequency Cygnus Loop in the constellation of Cygnus Positron Emission Tomography

Other Non-Electro-Magnetic Imaging Modalities Acoustic imaging Translate “sound waves” into image signals Electron microscopy Shine a beam of electrons through a speciman Fluorescent Microarray Imaging investigate global changes in gene expression of cells and tissues Synthetic images in Computer Graphics Computer generated (non-existent in the real world)

Acoustic Imaging visible seismic potential locations of oil/gas

Electron Microscope 2500 Scanning Electron Microscopy (SEM) image of damaged integrated circuit (white fibers are oxides resulting from thermal destruction)

Microarray Images Note: Red and green colors correspond to two different fluorescent dyes (e.g., Cy3 and Cy5)

Cartoon Pictures (Non-photorealistic)

Synthetic Images in Gaming Age of Empire III by Ensemble Studios

Virtual Reality (Photorealistic)

Graphics in Art

Graphics in Medicine

Mixture of Graphics and Photos Morgantown, WV in Google Map

Summary: Why do we need images? Various imaging modalities help us to see invisible objects due to Opaqueness (e.g., see through human body) Far distance (e.g., remote sensing) Small size (e.g., light microscopy) Other signals (e.g., seismic) can also be translated into images to facilitate the analysis Images are important to convey information and support reasoning A picture is worth a thousand words!

Image Display and Perception CRT, LCD, DLP, Plasma, LCOS, D-ILA HDTV, display wall PDA, cellular phone, Gameboy Stereoscopic (3D) Perception Human Vision System (HVS) Vision-related diseases and healthcare

CRT: Cathode Ray Tube Future: extinction Mitsubishi WS-55813 Rear Projection CRT Sony KV34XBR910 Direct View CRT Future: extinction

LCD: Liquid Crystal Display Future: bigger, faster, cheaper Philips 42FD9954 Flat Screen LCD Display

Virtual Wall NASA Space Shuttle on the display wall, March 1999

Display on Mobile Devices Gameboy cell phone portable DVD PDA

3D Display

The Ultimate Display: Virtual Retinal Display

Human Vision System Simultaneous contrast

Fascinating Optical Illusions

Interpretation Ambiguity Is it duck or hare? Is it seal or donkey?