Overview Materi Pengolahan Citra Digital

Image Processing vs Computer Graphics Berorientasi pixel Berorientasi Vektor Mengolah data citra untuk mendapatkan interpretasi 2D/3D Menggunakan model 2D/3D  hasil realistik Titik berat pada memanipulasi citra sesuai dengan keperluan user Cenderung mempelajari konsep dan implementasi metode untuk pembangkitan citra/animasi (2D/3D) Berawal dari citra digital  deskripsi objek pada citra Mendeskripsikan objek dengan primitif dasar grafis untuk mem-bentuk citra 2D/3D

(b) Citra Lena yang diperbaiki (a) Citra Lena yang agak kabur Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis) = fungsi yang kontinu dari intensitas cahaya pada bidang 2 dimensi. Sumber cahaya menerangi objek,dipantulkan kembali dan di tangkap oleh alat-alat optik = Citra Pengolahan Citra = memproses suatu citra sehingga menghasilkan citra yang sesuai dengan keinginan kita atau kualitasnya menjadi lebih baik. (b) Citra Lena yang diperbaiki (a) Citra Lena yang agak kabur (b) Lena (a) Dog Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar,audio dan video. Keempat macam data atau informasi ini sering disebut Multimedia. Citra – sebagai salah satu komponen multimedia yang memegang peranan penting sebagi bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Citra (image) adalah gambar pada bidang 2 dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi yang kontinu dari intensitas cahaya pada bidang 2 dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, scanner, dsb, sehingga bayangan objek yang disebut citra tersebut terekam. Citra sebagai output dari suatu sistem perekaman data dapat berupa : 1. Still Image Citra diam (still image) adalah citra tunggal yang tidak bergerak. 2. Moving Image Citra bergerak (moving image) adalah rangkaian citra diam yang ditampilkan secara sekuensial sehingga memberi kesan pada mata kita sebagai gambar bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri dari ratusan sampai ribuan frame.

Definisi Pengolahan Citra Di dalam bidang komputer, ada 3 bidang studi yang berkaitan dengan citra, namun tujuan ketiganya berbeda, yaitu : Grafika Komputer (Computer Graphics) Pengolahan Citra (Image Processing) Pengenalan Pola (Pattern Recognition/image interpretation) Deskripsi Citra Pengolahan Citra Grafika Komputer Pengenalan Pola Grafika komputer bertujuan menghasilkan citra dengan primitif-primitif geometri. Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia atau mesin (dalam hal ini komputer) Pengenalan Pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin/komputer. Tujuan pengelompokan adalah untuk mengenali suatu objek di dalam citra. Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar mengklarifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual manusia inilah yang dicoba ditiru oleh mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan keluaran berupa deskripsi objek dalam citra.

Computer Vision Computer Vision mencoba meniru Human Vision Computer Vision = proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti : Akuisisi citra Pengolahan citra Klasifikasi Pengenalan (Recognition) Membuat Keputusan. Proses-proses dalam computer vision dapat dibagi menjadi 3 aktivitas : akuisisi, komputasi / modifikasi, analisis Terminologi lain yang berkaitan erat dengan pengolahan citra adalah computer vision atau machine vision. Pada hakekatnya, computer vision mencoba meniru cara kerja sistem visual manusia (human vision). Human vision sesungguhnya sangat kompleks. Manusia melihat objek dengan indera pengelihatan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk pengambilan keputusan. (misalnya menghindar kalau melihat mobil melaju di depan). Computer Vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra,pengolahan citra,klasifikasi,pengenalan (Recognition) dan membuat Keputusan. Computer Vision terdiri dari teknik-teknik untuk mengestimasi ciri-ciri objek di dalam citra, pengukuran ciri yang berkaitan dengan geometri objek dan menginterpretasikan informasi geometri tersebut. Mungkin berguna bagi anda untuk mengingat persamaan berikut : Vision = Geometry + Measurement + Interpretation

ex: kamera digital, scanner Intermediate Processing Computer Vision Scene Alat Input ex: kamera digital, scanner Prepocessing Intermediate Processing Deskripsi Gambar Pattern Recognition CITRA POLA

Operasi Pengolahan Citra Image Enhancement, Image Restoration, Image Compression, Image Segmentation, Image Analysis, Image Reconstruction Aplikasi Pengolahan Citra : Bid.Perdagangan, Bid.Militer, Bid.Kedokteran, Bid.Biologi, Komunikasi Data, Hiburan, Robotika, Pemetaan, Geologi, Hukum

Pembentukan Citra Digital Proses utama konversi analog ke digital: Sampling, digitalisasi koordinat spatial Nilai-nilai dalam citra kontinyu f(x,y) didekati dengan nilai-nilai diskrit dalam array N x M; biasanya N = 2n & M = 2m Tiap elemen array  picture element (pixel) Kuantisasi digitalisasi amplitudo Jumlah gray level yang diperbolehkan untuk tiap elemen array = G = 2q  berjarak sama pada rentang [0,L]

Contoh sampling:

Contoh kuantisasi 24-bit 8-bit 4-bit 1-bit

Ukuran citra digital Scanning Foto 3R 400 dpi 256 colors (3.375 inch x 5 inch) Ukuran citra digital = jml dot (pixel) x jml bit / pixel jml pixel = (3.275 x 400) x (5 x 400) = 1350 x 2000 = 2700000 bit / pixel  8 bit / pixel Ukuran citra digital = 21600000 bit ≈ 2,57 MB

Microsoft Windows Device Independent Bitmap (BMP) Tiap file terdiri dari (muncul berurutan): File header Bitmap header Color map (kecuali untuk citra 24-bit) Bitmap data Konvensi sesuai yg digunakan Intel: Low byte disimpan lebih dulu Tidak menggunakan word alignment File Ms DIB bisa memuat citra dengan kedalaman warna 1, 4, 8, atau 24 bit Citra 1, 4, dan 8 bit memiliki color map Citra 24 bit  direct color

Halftoning Metode untuk ‘mencetak’ sejumlah [besar] warna dengan rentang warna perangkat yang terbatas Saat melihat daerah sempit yang memuat sejumlah pixel, mata akan cenderung merata-ratakan warna Contoh penggunaan: printer monokrom atau rentang warna yang sangat terbatas

Digital halftoning Pendekatan halftoning dengan pola pixel-grid (rektangular) Jumlah intensitas yang dapat ditampilkan tergantung dari Jumlah pixel yang menyusun tiap grid Jumlah level intensitas yang didukung oleh perangkat Dengan n x n pixel pada sistem bilevel, jumlah intensitas yang bisa didapat = n2+1 Penggunaan grid n x n meningkatkan jumlah intensitas yang bisa ditampilkan  menurunkan resolusi citra setara 1/n sepanjang sumbu x maupun y. Mengapa ?? Contoh: area tampilan 512 x 512 pixel Grid 2 x 2  256 x 256 titik intensitas

Dithering Teknik untuk melakukan pendekatan halftoning dengan meminimalkan penurunan resolusi Dengan hanya dua warna (Red & Blue), jika ukuran pixel cukup kecil, maka akan tampak seperti warna Magenta

Beberapa teknik Dithering Average dithering: memilih warna pixel yang paling dekat dengan rata-rata warna Ordered dithering: serupa dengan teknik yang digunakan pada halftoning (pixel-grid) Dither noise (random dithering): menambahkan noise (random) ke seluruh pixel untuk memperhalus batas antar intensitas Error diffusion: error antara intensitas input dengan intensitas pixel yang ditampilkan disebar (difusi) ke pixel-pixel di sebelah kanan dan bawahnya untuk mendapatkan tampilan yang lebih mendekati citra aslinya =>Ingat caranya dan pedoman pemrosesan

Operasi Aljabar X opr Y = Z Level komputasi: Berbasis titik (pointwise): dilakukan antara tiap elemen X dan Y Berbasis matriks: melibatkan matriks ketetanggaan Beberapa operasi aritmatika: Penjumlahan Pengurangan Perkalian Pembagian

Efek Operasi Aljabar Efek Penjumlahan, Pengurangan Efek brigthness Efek Perkalian, Pembagian Efek kontras Dapat digunakan untuk membangun aplikasi pendeteksi gerak/ security Efek Operasi boolean Menghasilkan invers dari gambar

Operasi Geometri Proses yang memanipulasi posisi spatial dari pixel Contoh: Zoom (in & out) => aspect ratio, sifat reversible dan non-reversible Rotasi => sumbu rotasi dan sudut, biasanya menyebakan perubahan dimensi image Flipping Cut & paste Warping

Konvolusi dan Transformasi Fourier Materi ini tentang konsep matematis yang melandasi teori pengolahan citra Dua operasi matematis penting dalam pengolahan citra : Operasi Konvolusi (Spatial Filter/Discret Convolution Filter) Transformasi Fourier

Teori Konvolusi (Spatial Filter) Konvolusi terdapat pada operasi pengolahan citra yang mengalikan sebuah citra dengan sebuah mask (convolution mask) atau kernel Pada operasi konvolusi di atas, g(x) disebut mask (convolution mask) atau kernel. Kernel g(x) yang akan dioperasikan secara bergeser pada sinyal masukan f(x), yang dalam hal ini, jumlah perkalian kedua fungsi pada setiap titik merupakan hasil konvolusi yang dinyatakan dengan keluaran h(x)

Teori Konvolusi (Spatial Filter) Citra dengan 5 x 5 pixel dan 8 grayscale : Hasilnya : 5 4 1 6 3 7 2 Dikonvolusi dengan image mask : -2 -1 8 Hasil konvolusi = (0 x -2)+ (5 x -1) + (5 x 0) + (0 x -1) + (0 x 0) + (5 x 1) + (1 x 0) + (6 x 1) + (1 x 2) = 8

Teori Konvolusi (Spatial Filter) Citra dengan 5 x 5 pixel dan 8 grayscale : Hasilnya : 5 4 1 6 3 7 2 Dikonvolusi dengan image mask : -2 -1 8 -4 Hasil konvolusi = (5 x -2)+ (5 x -1) + (4 x 0) + (0 x -1) + (5 x 0) + (4 x 1) + (6 x 0) + (1 x 1) + (3 x 2) = -4

Teori Konvolusi (Spatial Filter) Citra dengan 5 x 5 pixel dan 8 grayscale : Hasilnya : 5 4 1 6 3 7 2 Dikonvolusi dengan image mask : -2 -1 5 15 12 11 13 8 -4 -6 -13 19 20 3 -12 18 2 9 -5 -2 -19 -17 5 7 3 2 Normalisasi

Transformasi Fourier Konvolusi per-pixel  Lama, terdapat operasi perkalian dan penjumlahan untuk setiap pixel Untuk mempercepat komputasi : Mengubah citra dari domain spatial ke domain frekuensi, dengan Transformasi Fourier. Keuntungan penggunaan domain frekuensi adalah proses konvolusi dapat diterapkan dalam bentuk perkalian langsung Jika : h(x,y) = f(x,y)  g(x,y) F(u,v) = Transf.Fourier dari f(x,y) G(u,v) = Transf.Fourier dari g(x,y) Maka berlaku : H(u,v) = F(u,v) .G(u,v) h(x,y) = invers Transf.Fourier dari H(u,v)

Transformasi Fourier

Equalisasi histogram Tujuan: melakukan transformasi terhadap histogram citra asli sedemikian sehingga didapat histogram citra hasil dengan distribusi lebih seragam (uniform) ≈ linearisasi Dasar konsep: transformasi probability density function menjadi uniform density  bentuk kontinyu Agar dapat dimanfaatkan dalam pengolahan citra digital, diubah ke bentuk diskrit Buat histogram dari citra asli Transformasikan histogram citra asli menjadi histogram dengan distribusi seragam Ubah nilai tiap pixel sesuai dengan nilai hasil pemetaan (histogram asli  uniform histogram)

Spesifikasi histogram Kelemahan equalisasi histogram: histogram hasil tidak bisa dibentuk sesuai kebutuhan Kadangkala dibutuhkan untuk lebih menonjolkan rentang gray level tertentu pada citra  spesifikasi histogram Buat histogram dari citra asli Transformasikan histogram citra asli menjadi histogram dengan distribusi seragam Tentukan fungsi trasformasi sesuai spesifikasi histogram yang diinginkan Ubah nilai tiap pixel sesuai dengan nilai hasil pemetaan (histogram asli  histogram equalisasi  histogram hasil)

Operasi spesifikasi histogram Buat histogram dari citra asli Transformasikan histogram citra asli menjadi histogram dengan distribusi seragam Tentukan fungsi trasformasi sesuai spesifikasi histogram yang diinginkan Ubah nilai tiap pixel sesuai dengan nilai hasil pemetaan (histogram asli  histogram equalisasi  histogram hasil)

Image Smoothing Low-pass filtering: Biasa dilakukan untuk menghilangkan efek pada citra digital yang disebabkan oleh keterbatasan sistem pencuplikan atau kanal transmisi Teknik penghalusan: Domain spasial, contoh: mean, median, dan modus filtering Domain frekwensi, contoh: lowpass filtering Efek samping: citra menjadi blur Low-pass filtering: Sisi dan transisi tajam lain (misal: noise) pada gray level dari suatu citra berkontribusi terhadap frekwensi tinggi pada transformasi Fourier Blurring dapat dilakukan dengan ‘menyaring’ (menghilangkan) frekwensi tinggi

Image Sharpening High-pass filtering: Teknik sharpening biasa digunakan untuk memperjelas sisi pada citra Teknik sharpening Di domain spasial (contoh: differentiation) => robert Di domain frekwensi (contoh: high-pass filter) High-pass filtering: Sisi dan transisi tajam lain (misal: noise) pada gray level dari suatu citra berkontribusi terhadap frekwensi tinggi pada transformasi Fourier Sharpening dapat dilakukan dengan ‘menyaring’ (menghilangkan) frekwensi rendah

Segmentasi Citra Proses untuk memisahkan citra menjadi bagian-bagian pembentuknya (region) Merupakan fase penting dalam analisis citra otomatis  pengenalan objek Pendekatan algoritma segmentasi: Berdasar discontinuity  perubahan warna mendadak  deteksi titik, garis, dan tepi Berdasar similarity => ciri/ feature dari citra Pengelompokan berdasar distribusi properti pixel (warna), contoh: thresholding Mencari region secara langsung berdasar ‘persamaan’ karakteristik suatu area, contoh: region growing, split & merge

Image Compression Berdasarkan hasilnya, teknik kompresi ada 2 : Lossless Compression Lossy Compression Klasifikasi Teknik Kompresi : Entropy Encoding (Lossless) Run Length Encoding (RLE) Pattern Substitution Huffman DPCM Source Encoding (Lossy) Quantizing Compression Transfrom Encoding Hybrid Encoding (Lossy) JPEG

JPEG Joint Photographic Experts Group

Selamat Berjuang dalam Menghadapi UAS