Image Enhancement.

Presentasi berjudul: "Image Enhancement."— Transcript presentasi:

1 Image Enhancement

2 Image Enhancement Image enhancement adalah proses agar citra menjadi lebih baik ‘secara visual’ untuk aplikasi tertentu Proses sangat bergantung pada kebutuhan, dan pada keadaan citra input Image Enhancement dapat dilakukan dalam Spatial Domain (dilakukan pada citra asli) g(m,n) = T [ f(m,n) ] Frequency Domain (dilakukan pada hasil DFT citra) G(u,v) = T [ F(u,v) ] dimana G(u,v) = F [ g(m,n) ] dan F(u,v) = F [ f(m,n) ]

3 Teknik Image Enhancement
Point Operation Mask Operation Transform Operation Coloring Operation Image Negative Contrast Stretching Graylevel Slicing Image Substraction Image Averaging Histogram Operations Smoothing Operations Median Filtering Sharpening Operations Histogram Operations Lowpass Filtering Highpass Filtering Bandpass Filtering Histogram Operations False Coloring Full Color Processing

4 Point Operations Output pixel g(m,n) hanya berdasar input sebuah pixel f(m,n). Pixel tetangga tidak berpengaruh. Biasanya dinotasikan sebagai: s = T( r ) Digambarkan seperti fungsi sbb: Output

5 OPERASI ARITMETIKA C(x,y) = A(x,y) ± B(x,y) C(x,y) = A(x,y) . B(x,y)
Penjumlahan/Pengurangan 2 citra A&B C(x,y) = A(x,y) ± B(x,y) Perkalian 2 citra C(x,y) = A(x,y) . B(x,y) Penjumlahan/Pengurangan Citra A dg skalar B(x,y) = A(x,y) ± c Perkalian/Pembagian citra A dg skalar c B(x,y) = c . A(x,y)

6 OPERASI BOOLEAN C(x,y) = A(x,y) and B(x,y) C(x,y) = A(x,y) or B(x,y)
C(x,y) = not A(x,y)

7 Operasi geometri B[x][y] = A[x+m][y+n]
Translasi B[x][y] = A[x+m][y+n] Rotasi B[x’][y’]=B[x cos(θ)-y sin(θ)][x cos(θ)+y cos(θ)] = A[x][y] Penskalaan Citra B[x’][y’] = B[Sx . x][Sy.y] = A[x][y] Fliping Horisontal = B[x][y]=A[N-x][y] Vertikal = B[x][y]=A[x][M-y]

8 Image Negative

9 Contrast Stretching KET :
Warna abu-abu diperjelas, hitam putih ditingkatkan Y= MX+C 0 – S1= cenderung dihitamkam, S2-1= diputihkan

10 Thresholding / Binarization
Kasus khusus dari contrast stretching

11 Gamma Correction

12 Menegaskan range tertentu graylevel
Graylevel Slicing Menegaskan range tertentu graylevel Citra asli Tanpa backgroumd Dengan backgroumd

13 Membelah image berdasar posisi bit
Bitplane Slicing Membelah image berdasar posisi bit

14 Image Substraction f2(m,n) g(m,n)
Input adalah dua citra berbeda dari objek yang sama Selisih graylevel jadi outputnya g(m,n) = f1(m,n) – f2(m,n) f2(m,n) g(m,n) Contoh pada Mask Mode radiography. f2(m,n) adalah pembuluh setelah diinjeksi.

15 Image Averaging untuk Noise Reduction
Noise adalah fenomenon random yang mengotori citra Noise terjadi saat: Image acquisition (pengambilan gambar) Image transmission Image recording Noise biasa dimodelkan dengan: g(m,n) = f(m,n) + (m,n) Biasanya (m,n) antar citra tidak berkorelasi dan memiliki rata2 nol Jadi semakin banyak citra, maka semakin besar kesempatan untuk mendapatkan citra tanpa noise Noise bisa dikurangi dengan melakukan rata2 terhadap graylevel citra-citra input

16 Contoh Image Averaging

17 Contoh Image Averaging

18 Image Enhancement Metode Histogram
Histogram citra graylevel adalah:

19 Beberapa Sifat Histogram
Sifat histogram membantu kita untuk memperbaiki kontras Terlalu gelap Terlalu terang Kurang kontras

20 Histogram Equalization
Usaha untuk memperbaiki kontras Kita usahakan agar histogram yang mengumpul pada suatu area akan ‘menyebar’ Caranya bagaimana?

21 Contoh Histogram Equalization

22 …lanjutan

23 …lanjutan

24 …lanjutan Eh, kok tinggal 5 warna?

25 Terkadang… Terkadang histogram equalization menghasilkan false edge, false region, menambah graininess dan patchiness citra

26 Lalu apa lagi? Caranya gimana?
Kita bisa menspesifikasikan histogram yang kita inginkan: ‘histogram spesification’ Caranya gimana?

27 Histrogram specification

28 Lanjutan Histogram yang diinginkan Zk Pz(Zk) 0/7 = 0.00 0.00
0/7 = 0.00 1/7 = 2/7 = 3/7 = 0.15 4/7 = 0.20 5/7 = 0.30 6/7 = 7/7 =

29 Lanjut Rj Sk nk Ps(sk)=nk/n
Langkah 1 : Hasil Perataan histogram thd citra semula Rj Sk nk Ps(sk)=nk/n r0 s0=1/7 790 0.19 r1 s1=3/7 1023 0.25 r2 s2=5/7 850 0.21 r3 s3=6/7 =958 .23 r4 s4=7/7 =448 0.11

30 Lanjut Langkah 2 : Lakukan perataan thdp histogram yg diinginkan, Pz (z) v0 = G(z0) = 0.00 v1 = G(z1) = 0.00 v2 = G(v2) = 0.00 v3 = G(v3) = 0.15 v4 = G(v4) = 0.35 v5 = G(v5) = 0.65 v6 = G(v6) = 0.85 v7 = G(7) = 1.00

31 Lanjut Langkah 3 Gunakan transformasi z = G-1(s)
s0 = 1/7 ≈ 0.14 0.15=G(z3)= G-1(0.14)=z3=1/7 s1 = 3/7 ≈ 0.43 0.35=G(z4)= G-1(0.43)=z4=4/7 s2 = 5/7 ≈ 0.71 0.65=G(z5)= G-1(0.71)=z5=5/7 s3 = 6/7 ≈ 0.86 0.85=G(z6)= G-1(0.86)=z6=6/7 s4 = 1 ≈ 1.00 1.00=G(z7)= G-1(1.00)=z7=1 Pemetaan langsung : r0 = 0 z3 = 3/7 r4 = 4/7  z6 = 6/7 r1 = 1/7 z4 = 4/7 r5 = 5/7  z7 = 1 r2 = 2/7 z5 = 5/7 r6 = 6/7  z7 = 1 r3 = 3/7 z6 = 6/7 r7 = 7/7  z7 = 1

32 Lanjut zk nk Pz (zk) = nk/n 0.00 1/7 2/7 3/7 790 0.19 4/7 1023 0.25
Penyebaran Pixel zk nk Pz (zk) = nk/n 0.00 1/7 2/7 3/7 790 0.19 4/7 1023 0.25 5/7 850 0.21 6/7 958 0.23 1 448 0.11