Pertemuan 10 Mata Kuliah Pengolahan Citra OPERASI BERTETANGGA Pertemuan 10 Mata Kuliah Pengolahan Citra Alusyanti.P

1. DETEKSI TEPI Operasi Gradien Pertama Diketahui sebuah citra akan dilakukan deteksi tepi pada f(3,3)=160 250 240 200 180 150 160 120 140 100 130 80 60 Robert Diagonal1 = K1(x,y) = | (1*160) + (0*150) + (0*120) + (–1*120) | = 40 Diagonal2 = K2(x,y) = | (0*160) + (1*150) + (–1*120) + (0*120) | = 30 maka h(3,3) bila menggunakan : K0(x,y) = ( | K1(x,y) | + | K2(x,y) | ) = 40 + 30 = 70 K0(x,y) = max ( | K1(x,y) | , | K2(x,y) | ) = 40 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 1 -1 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 1 250 240 200 180 150 160 120 140 100 130 80 60 250 240 200 180 150 160 120 140 100 130 80 60 -1 1 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) = 60 250 240 200 180 150 160 120 140 100 130 80 60 -1 8 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 1 -2 2 250 240 200 180 150 160 120 140 100 130 80 60 250 240 200 180 150 160 120 140 100 130 80 60 -1 -2 1 2 Alusyanti.P

Alusyanti.P CONTOH DETEKSI TEPI

Pertemuan 11 Mata Kuliah Pengolahan Citra OPERASI TETANGGA (2) Pertemuan 11 Mata Kuliah Pengolahan Citra

2. PENGHALUSAN CITRA 250 240 200 180 150 160 120 140 100 130 80 60 Bila menggunakan mask 5 titik bertetangga maka h(3,3) = (1/5 * 180) + (1/5 * 160) + (1/5 * 160) + (1/5*150) + (1/5 * 120)=150 Bila menggunakan mask 3 x 3 (9 titik bertetangga) Maka: h(3,3) = (1/9 * 200) + (1/9 * 180) + (1/9 * 150) + (1/9 * 160) + (1/9 * 160) + (1/9 * 150) + (1/9 * 140) + (1/9 * 120) + (1/9 * 120) = 153,3 ≈ 153 250 240 200 180 150 160 120 140 100 130 80 60 Alusyanti.P

CONTOH PENGHALUSAN CITRA Alusyanti.P

3. PENAJAMAN CITRA 250 240 200 180 150 160 120 140 100 130 80 60 -α 1+4α menggunakan mask 5 titik maka h(3,3) = (0 * 200) + (–1 * 180) + (0 * 150) + (–1 * 160) + ((1+4(1)) * 160) + (–1 * 150) + (0 * 140) + (–1 * 120) + (0 * 120)= 190 250 240 200 180 150 160 120 140 100 130 80 60 -α 1+8α Bila menggunakan mask 9 titik maka h(2,2) = (–1 * 200) + (–1 * 180) + (–1 * 150) + (–1 * 160) + ((1+8(1)) * 160) + (–1 * 150)+ (–1 * 140) + (–1 * 120) + (–1 * 120) = 220 α = nilai derajat penajaman Alusyanti.P

CONTOH PENAJAMAN CITRA Alusyanti.P

4. REDUKSI NOISE Banyak cara untuk reduksi noise, salah satunya dengan operasi median Operasi median dapat menggunakan mask tanpa bobot dengan ukuran sesuai yang dikehendaki, misal 3 x 3 , 5 x 5 , 7 x 7 , atau 1 x 5, 5 x 3, dll f(3,3) = 160 Bila menggunakan operasi median 3 x 3 maka h(3,3) = median(120,120,140,150,150, 160,160,180,200) = 150 250 240 200 180 150 160 120 140 100 130 80 60 250 240 200 180 150 160 120 140 100 130 80 60 Alusyanti.P

CONTOH NOISE Alusyanti.P

5. EFEK EMBOS(TIMBUL) -β β 1 f(3,3)= 160 , β = 2 β 1 f(3,3)= 160 , β = 2 Bila menggunakan mask dari arah kiri maka h(3,3) = (–2 * 200) + (0 * 180) + (2 * 150) + (–2 * 160) + (1 * 160) + (2 * 150) + (–2 * 140) + (0 * 120) + (2 * 120) = 0 Bila menggunakan mask dari arah kanan atas maka h(3,3) = (0 * 200) + (–2 * 180) + (–2 * 150) + (2 * 160) + (1 * 160) + (–2 * 150) + (2 * 140) + (2 * 120) + (0 * 120) = 40 -β β 1 250 240 200 180 150 160 120 140 100 130 80 60 Alusyanti.P

CONTOH CITRA EFEK EMBOSS Alusyanti.P

Pertemuan 12 Mata Pengolahan Citra 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 . Contoh : citra langit biru dengan beberapa awan putih banyak intensitas piksel dan region yang sama.

TUJUAN Pemampatan citra / kompresi citra bertujuan meminimalkan kebutuhan memori untuk merepresentasikan citra digital dengan mengurangi duplikasi data di dalam citra sehingga memo yang dibutuhkan menjadi lebih sedikit daripada representasi citra semula

PENDEKATAN PEMAMPATAN CITRA Pendekatan Statistik Berdasarkan frekuensi kemunculan derajat keabuan pixel didalam seluruh bagian gambar. Contoh: Metode Huffman Coding Pendekatan Ruangan Berdasarkan pada hubungan spasial antara pixel-pixel di dalam suatu kelompok yang memiliki derajat keabuan yang sama didalam suatu daerah didalam gambar. Contoh: Metode Run-Length Encoding. Alusyanti.P

PENDEKATAN PEMAMPATAN CITRA Pendekatan Kuantisasi Dengan mengurangi jumlah derajat keabuan yang tersedia. Contoh: Metode Pemampatan Kuantisasi Pendekatan Fraktal Berdasarkan kenyataan bahwa kemiripan bagian-bagian didalam citra dapat tereksploitasi dengan suatu matriks tranformasi. Contoh: Metode Fractal Image Compression

METODE PEMAMPATAN CITRA Metode Lossless Selalu menghasilkan citra hasil penirmampatan yang tepat sama dengan citra semula, pixel per pixel. Contoh: Metode Huffman Misalnya, memampatkan gambar hasil diagnosa. Metode Lossy Menghasilkan citra hasil pemampatan yang hampir sama. Alusyanti.P

STATISTICAL COMPRESSION (METODE PEMAMPATAN HUFFMAN) Termasuk metode lossless compression Pengkodean citra berdasarkan pada derajat keabuan (gray level) dari piksel-piksel dalam keseluruhan image. Algoritma metode Huffman : Urutkan secara menaik nilai keabuan berdasarkan frekuensi kemunculannya atau peluang kumunculan yaitu frekuensi kemunculan dibagi dengan jumlah piksel dalam citra (pk = nk/n). Setiap nilai keabuan dinyatakan sebagai pohon bersimpul tunggal dan setiap simpul diassign dengan frekuensi kemunculan nilai keabuan tersebut. Alusyanti.P

STATISTICAL COMPRESSION (METODE PEMAMPATAN HUFFMAN) Gabung 2 buah pohon yang mempunyai frekuensi kemunculan paling kecil pada sebuah akar. Akar mempunyai frekuensi yang merupakan jumlah dari frekuensi 2 pohon penyusunnya. Perhatikan : frekuensi dengan nilai lebih kecil diletakkan di sisi kiri Ulangi langkah 1 dan 2 sampai tersisa 1 pohon biner. Beri label setiap sisi pada pohon biner, label sisi kiri = 0, label sisi kanan = 1. Telusuri pohon biner dari akar ke daun. Barisan label-label sisi dari akar ke daun menyatakan kode Huffman untuk derajat keabuan yang bersesuaian.

METODE HUFFMAN Contoh : citra ukuran 64 x 64 dengan 8 derajat keabuan (k) jumlah seluruh piksel (n) = 64 x 64 = 4096 . K nk P(k) = nk/n 0 790 0.19 1 1023 0.25 2 850 0.21 3 656 0.16 4 329 0.08 5 245 0.06 6 122 0.03 7 81 0.02 Alusyanti.P

METODE HUFFMAN Langkah 1 : 7 : 0,02 6 : 0,03 5 : 0,06 4 : 0,08 3 : 0,16 2 : 0,21 1 : 0,25 0 : 0,19 Langkah 2 : 76 : 0,05 5 : 0,06 4 : 0,08 3 : 0,16 0 : 0,19 2 : 0,21 1 : 0,25 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 765: 0,11 4 : 0,08 3 : 0,16 0 : 0,19 2 : 0,21 1 : 0,25 76 : 0,05 5 : 0,06 7 : 0,02 6 : 0,03 Alusyanti.P

METODE HUFFMAN 4765: 0,19 3 : 0,16 0 : 0,19 2 : 0,21 1 : 0,25 765: 0,11 4 : 0,08 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 Dengan formasi seperti diatas, pilih 2 frekuensi terkecil, kemudian gabungkan dan urutkan secara menaik. 4765: 0,19 3 : 0,16 765: 0,11 4 : 0,08 76 : 0,05 5 : 0,06 7 : 0,02 6 : 0,03 Alusyanti.P

METODE HUFFMAN 134765: 0,60 02: 0,40 34765: 0,35 1 : 0,25 0 : 0,19 2 : 0,21 4765: 0,19 3 : 0,16 765: 0,11 4 : 0,08 76 : 0,05 5 : 0,06 7 : 0,02 6 : 0,03 Alusyanti.P

METODE HUFFMAN Karena sudah tersisa 1 pohon, lakukan langkah 4. 02134765: 1,00 134765: 0,60 02: 0,40 34765: 0,35 1 : 0,25 0 : 0,19 2 : 0,21 4765: 0,19 3 : 0,16 765: 0,11 4 : 0,08 Karena sudah tersisa 1 pohon, lakukan langkah 4. 76 : 0,05 5 : 0,06 Alusyanti.P 7 : 0,02 6 : 0,03

METODE HUFFMAN 02134765: 1,00 1 134765: 0,60 02: 0,40 1 34765: 0,35 1 : 0,25 1 0 : 0,19 2 : 0,21 4765: 0,19 3 : 0,16 1 765: 0,11 4 : 0,08 1 76 : 0,05 Langkah 4 : Beri label 0 untuk sisi kiri, sisi kanan label 1 5 : 0,06 1 7 : 0,02 6 : 0,03

METODE HUFFMAN Derajat keabuan Kode Huffman Ukuran Banyaknya piksel Langkah 5 : Telusuri pohon biner dari akar ke daun untuk menentukan kode Huffman yang sesuai dengan derajat keabuan. Derajat keabuan Kode Huffman Ukuran Banyaknya piksel 0 00 2 bit 790 1 10 2 bit 1023 2 01 2 bit 850 3 110 3 bit 656 4 1110 4 bit 329 5 11111 5 bit 245 6 111101 6 bit 122 7 111100 6 bit 81 Ukuran citra setelah kompresi = (790 x 2 bit) + (1023 x 2 bit) + (850 x 2 bit) + (656 x 3 bit) + (329 x 4 bit) + (245 x 5 bit) + (122 x 6 bit) + (81 x 6 bit) = 11053 bit

METODE HUFFMAN Ukuran citra sebelum kompresi = 4096 piksel x 3 bit = 12288 bit Tiap piksel berukuran 3 bit, diperoleh dari 2 3= 8 derajat keabuan (nilai intensitas piksel 0 s/d 7) Misal 256 derajat keabuan berarti nilai intensitas piksel 0 s/d 255, tiap piksel berukuran 8 bit (1 byte ) diperoleh dari 28 = 256 Ratio Kompresi= 100%-((ukuran citra hasil kompresi/ukuran citra hasil)*100% = 100%-((11053/12288)*100%) = 10%, artinya citra semula telah dimampatkan sebanyak 10% Alusyanti.P

KOMPRESI CITRA (2) & SEGEMENTASI CITRA 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) Ukuran citra sebelum dimampatkan (1 derajat keabuan=3 bit)24X3=72 bit Ukuran citra setelah dimampatkan(derajat keabuan=3 bit, run length==4 bit) (10 X 3) + (10 X 4) = 70 bit Maka Nisbah Pemampatannya: (100%-(70/72 )x 100%)= 2,78%, yang artinya 2,78% dari citra semula telah dimampatkan Alusyanti.P

SEGMENTASI CITRA Proses Segmentasi  Pengenalan Objek  Informasi Objek Segmentasi => Memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek tersendiri. 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. 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

SEKIAN Referensi Canstleman. 1996. Digital Image Processing. Gonzalez & Woods. 2004. Digital Image Processing. Handoyo, E,D. 2002. Perancangan Mini Image Editor Versi 1.0 Sebagai Aplikasi Penunjang Mata Kuliah Digital Image Processing. Jurnal Natur Indonesia 5 (1):41-49. ISSN:1410-9379. Hestiningsih, I. 2011. Pengolahan Citra. Lyon. 1999. Image Processing in Java. Sianipar. Mangiri, H,S. Wirajati. 2013. Matlab untuk Pemrosesan Citra Digital. Informatika Bandung. SEKIAN