UAS PENGOLAHAN CITRA DIGITAL

 

Nama   : Miratunnisa

Nim     : 21041005

Kelas   : TIB/R1

 

RANGKUMAN

Slide 01 Pengenalan Citra Digital

1.     1.  Pengantar PCD

Ada tiga bidang yang berkaitan dengan proses citra ( Paylidis, 1986)

Ø 1950 Image Processing

Ø  1970 Computer Visison

Ø  1970 Cmputer grapics

2.     2.  Hal yang di lakukan di PCD

Ø  Image Processing/Manipulatif

Ø  Image Coding/Communication

Ø  Image Analysis/Interpretation

3.   3.    Pengolahan Citra Digital

Ø  Perbaikan kualitas citra (Image Enhancement)

Ø  Peneguran citra (Image Restoation)

Ø  Segmentasi citra (Image Segmentation)

Ø  Rekontruksi citra (Image Renconrtruction)

Ø  Penambahan efek (Image Stylization)

Ø  Pemampatan citra (Image Compression)

Ø  Analisis citra  ( Image Analysis)

4.   4.    Pengertian Citra Digital

Ø  Citra digital mereupakan fungsi isentiasa cahaya f(x,y), dimana harga x dan y merupakan koordinat spesial dan nilai fungsi tersebut  pada setiap titik (x,y) merupakan tingkat keabuan citra pada titik tersebut.

Ø  Citra digital adalah citra f (x,y) dimana dilakukan diskritisasi koordinat spesial (sampling) dan diskritisasi tingkat keabuan ( kuantisasi).

Ø  Citra digital 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.

5.     Slide 02 Dasar Dasar Citra Digital

1.    1.   Model Matematis Citra

·         Model matematis kontinyu :

            I = f(x,y)

·         Pada komputer, model diskret array 2d :

            I = matrix(i,j)

·         Image digital adalah sebuah image f(x,y), yang telah melalui digitas baik secara koordinat spesial dan brightness/gray level

2.      2. Merepresentasikan Citra Digital

Hasil samping dan kuantisasi adalah matriks yang beranggotakan bilangan real

·         Banyaknya nilai gray level umumnya di nyatakan dengan pangkat 2 dari integer L= 2k

Dimana k>0

·         Jumlah bit yang diperlukan untuk menyimpan imgae hasil digitasi adalah

            b = M x N x K

4.    3.   Hubungan dasar antar piksel

·         Piksel tetangga

Ø  Piksel p pada koordinat (x,y) memiliki 4 tetangga secara horizontal dan vertikal (x+1,y), (x,y+1), dan (x,y-1)

Ø  4 titik tersebut disebut 4-tetangga  N4 (p)

Ø  4 titik tersebut disebut 4-tetangga  N4(p)

Ø   4 koordinat secara diagonal  ND(p)

Ø   4tetangga dan diagonal  N8(p)

4 tetangga piksel P                 8-tetangga piksel P

            X                                 X         X         X

X         P          X                     X         P          X

            X                                 X         X         X

·         Adjacency

Ø  Diberikan V merupakan himpunan nilai gray-level yang digunakan untuk mendefinisikan  adjacency

Ø  Tipe adjaacemcy

§  4-adjacency  dua piksel p dan q dari V dikatakan

4-adjacent jika q berada pada himpunan N₄(p)

§  8-adjacency dua piksel p dan q dari V dikatakan 8-adjacent jika q berada pada himpunan N₈(p)

 

·         Connectivity

Ø  Misal  S subset piksel dalam suatu citra (I)

Ø   Dua piksel p dan q dikatakan terhubung (to be connected) dalam S jika terdapat sebuah path diantara kedua piksel tersebut.

Ø   Untuk setiap piksel p di dalam S, himpunan piksel- piksel yang terhubung dengan piksel p dalam S disebut sebagai connected component dari S.

Ø   Jika kemudian terdapat himpunan connected component, maka himpunan S disebut sebagai connected set.

·         Regions

Ø  Misal   R subset piksel dari suatu citra (I)

Ø   R dikatakan sebagai region dari suatu citra jika R merupakan connected set

·         Boundaries

Ø  Boundary (disebut juga border atau contour) dari region R merupakan himpunan piksel dalam region tersebut yang memiliki satu atau lebih tetangga yang tidak anggota dari R.

·         Pengkuran jarak

Ø  Jarak D₄ (city-block distance)antara p dan q :

                                 𝐷4 𝑝, 𝑞=𝑥 − 𝑠          +  𝑦 − 𝑡

 

Ø  Piksel dengan D₄ = 1 adalah 4-tetangga dari (x,y)

Ø  Jarak D₈ (chessboard distance)antara p dan q :

                           𝐷8 𝑝, 𝑞= 𝑚𝑎𝑥      𝑥 − 𝑠 , 𝑦 − 𝑡

 

Ø  Piksel dengan D₈ = 1 adalah 8-tetangga dari (x,y)

 

Slide 03 Peningkatan Kualitas Citra

1.    1.   Tujuan Perbaikan Citra

·         Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif  lebih baik dari citra awal untuk aplikasi tertentu.

·          Kata baik disini tergantung pada jenis aplikasi dan problem yang dihadapi

2.      2.Jenis Teknik Peningkatan Kualitas

·         Teknik peningkatan kualitas citra dapat dibagi menjadi dua:

Ø  Peningkatan kualitas pada domain spasial

§  Point Processing

§  Mask Processing

Ø  Peningkatan Kualitas pada domain frekuensi

3.   3 .  Point Processing

·         Cara paling mudah untuk melakukan peningkatan kualitas citra pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan)

·         Pengolahan menggunakan histogram juga termasuk dalam bagian point processing

4.      4. Domain Spasial

·         Prosedur yang secara langsung memanipulasi pixel.

            g(x,y)=T[f(x,y)]

                 dimana , f(x,y) adalah adalah image input g(x,y) adalah image yang diproses T             adalah sebuah       operator pada f yang didefinisikan berdasar nilai neightborhoad        dari (x,y)

 

5.      Operator T

·         Operator T dapat berupa :

Ø  Kumpulan pixels (x,y) dari image

Ø  Kumpulan dari neighbprhoods N(x,y) dari setiap pixel

Ø  Kumpulan dari images f1,f2,f3……

6.      Point Processing

·         Point Processing, tetangga 1x1 piksel

Ø  Output pixel pada titik tertentu hanya bergantung pada input pixel pada titik tersebut dan tidak bergantung pada nilai pixel tetangganya.

Ø  g hanya bergantung pada nilai f pada posisi (x,y)

Ø  T = fungsi transformasi gray level (atau intensitas mapping)

            g(x,y) = T[f(x,y)]

7.      Transformasi Graylevel Dasar

·         Teknik perbaikan citra sederhana

·         Nilai piksel sebelum dan sesudah proses dinotasikan dengan r dan s, dimana s=T(r)

§  Image Negative

§  Log Transformations

§  Power-Law Transformations

§  Piecewise-Linear Trabasformation Functions

8.      Image Negative : Algoritma

·         Algoritma proses transformasi image negative

Ø  Ambil Citra (I)

Ø   Jika I dalam RGB konversikan ke Graylevel

Ø   Hitung nilai maksimum (Max)dari Graylevel pada I

Ø  Untuk setiap baris pada indeks x, lakukan

Ø   Untuk setiap kolom pada indeks y, lakukan

Ø   Hasil(x,y) = Max – I(x,y)

Ø   Tampilkan Hasil

9.      Log Transf : Algoritma

·         Algoritma proses transformasi log

Ø  Ambil Citra (I)

Ø   Jika I dalam RGB konversikan ke Graylevel

Ø  Tentukan nilai konstanta c

Ø   Untuk setiap baris pada indeks x, lakukan

Ø   Untuk setiap kolom pada indeks y, lakukan

Ø   Hasil(x,y) = c * log(1+I(x,y))

Ø  Tampilkan Hasil

10.  Contrast Stretching : Algoritma

·         Algoritma proses Contrast Stretching

Ø  Ambil Citra (I)

Ø  Jika I dalam RGB konversikan ke Graylevel

Ø  Tentukan nilai (r1,s1) dan (r2,s2)

Ø   Buat garis dari titik (0,0) ke (r1,s1) A

Ø  Buat garis dari titik (r1,s1) ke (r2,s2) B

Ø  Buat garis dari titik (r2,s2) ke (rMax,sMax) C

Ø  Untuk setiap baris pada indeks x, lakukan

Ø  Untuk setiap kolom pada indeks y, lakukan

Ø  Jika nilai graylevel I(x,y) < r1 maka gunakan A

Ø  Jika nilai graylevel I(x,y) >= r1 dan I(x,y) <= r2 maka gunakan B

Slide 04 Histogram Peningkatan Kualitas Citra

1.     1. Apa itu Histogram

·         Histogram dari image digital dengan gray levels dari 0 sampai L-1 adalah fungsi diskrit h(r_k)=n_k, dimana:

Ø  r_k adalah nilai gray level ke k

Ø  n_k adalah jumlah pixels dalam image

Ø  yang memiliki gray level k

Ø  n adalah jumlah keseluruhan pixel pada image

Ø  k = 0, 1, 2, …, L-1

·         Histogram dari image digital dengan gray level yang berada dalam range[0, L-1] adalah sebuah fungsi diskrit

            h(rk) = nk

·         dimana rk adalah nilai gray level ke k dan nk adalah jumlah pixel yang memiliki nilai gray level rk.

2.      2. Normalisasi Histogram

·         Normalisasi Histogram berguna untuk melihat statistika dari image.

·         Normalized histogram: p(r_k)=n_k/n

·          Jumlah keseluruhan komponen = 1

·          Adalah membagi setiap nilai dari histogram dengan jumlah pixel dari image (n),

            p(rk) = nk /n. 

3.      3. Mask Processing

·         Jika pada point processing kita hanya melakukan operasi terhadap masing-masing piksel, maka pada mask processing kita melakukan operasi terhadap suatu jendela ketetanggaan pada citra.

·          Kemudian kita menerapkan (mengkonvolusikan) suatu mask terhadap jendela tersebut.

·         Mask sering juga disebut filter, window, kernel.

4.   4.    Jenis jenis filter spasial

·         Smoothing filters:

Ø  Lowpass filter (linear filter, mengambil nilai rata-rata)

Ø  Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan)

·         Sharpeing filter

Ø  Highpass filter

Ø   Roberts

Ø   Prewitt

Ø  Sobel

Slide 05 Pengolahan Citra Berwarna

1.      1. Model Warna

·         Tujuan dari model warna adalah untuk memberikan fasilitas spesifikasi warna standard.

·         Esensinya, model warna lebih ke arah spesifikasi koordinat sistem dimana setiap warna direpresentasikan oleh suatu titik piksel

2.     2.  Implementasi Model Warna

·         Orientasi penggunaan model warna

Ø  Hardware

§  Model warna monitor

§  Printer

Ø  Aplikasi

§  Kreasi warna pengolahan gambar

§  Kreasi pewarnaan animasi

§   Ekstraksi fitur

3.  3.     Model Warna RGB

·         Jika masing-masing RGB memiliki graylevel 8-bit, maka dikatakan memiliki kedalaman 24-bit

·         Total jumlah warna yang dihasilkan adalah

                (2⁸)³=16.777.216 warna

4.   Model Warna CMY dan CMYK

·         Cyan, Magenta, danYellomerupakan warna skunder atau alternatif dari warna primer, yaitu RGB

·         Merupakan hasil substraksi antara nilai graylevel tertinggi (L-1) dengan suatu nilai pada masing-masing sinyal warna

·         Konversi  RGB  ke  CMY

5..      Model Warna HSI, HSV, HSL

·         RGB dan CMY ideal untuk implementasi hardware, tidak untuk persepsi manusia

·         Ketika manusia memandang object, deskripsi yang diterima adalah hue, saturation, dan brightness

·          Hue: atribut warna yang mendeskripsikan pure color (pure yellow, orange, atau red)

·         Saturation: ukuran derajat dimana pure color dicerahkan

·          Brightness: subjective deskriptor intensitas

Ø  I : Intensity

Ø   V : Value

Ø  L : Lightness

6.   Model Warna YcbCr

·         YCbCr merupakan model warna hasil encoding non-linier sinyal RGB, biasanya digunakan studio TV Eropa dan kompresi citra.

·          Komponen Y : luma (luminance), Komponen Cb dan Cr masing-masing merupakan bentuk subtractive dari B dan R pada model RGB.

·         Konversi dari RGB ke model YUV :

Ø 
Tarek M 2008

7.      Color Image Smoothing

·         Diberikan S_xy merupakan notasi himpunan koordinat dari piksel ketetanggaan dengan pusat (x,y)

·          Nilai rata-rata komponen RGB dalam ketetanggaan tersebut

Slide 06 Morfologi Citra

1.      1. Morfologi Citra

·         Apa yang bisa dilakukan oleh morfologi citra ?

·         Operasi morfologi :

Ø  Fit dan Hit

Ø   Erosi (Erosion)

Ø  Dilasi (Dilation)

Ø  Operasi Gabungan (Compound Operations)

2.      2. Cara Kerja Morfologi Citra

·         Konversi citra ke dalam bentuk Grayscale

·         Lakukan binerisasi citra Thresholding

·         Morfologi

·         Dapat juga diterapkan pada citra grayscale

3.     3.  Morfologi Citra

·         Structuring Elements (SE) dapat terdiri dari sebarang ukuran sesuai dengan kebutuhan

·          Nilai dari elemen adalah 0 atau 1, namun dimungkinkan memiliki nilai yang lain (termasuk tidak ada nilainya)

·          Nilai kosong pada SE berarti bebas (don’t care)

4.      Compound Comporations

·         Menggabungkan operasi Erosion dan Dilation kedalam level operasi yang lebih tinggi (more advanced)

Ø  Mencari garis tepi (outline)

Ø  Opening: mengisolasi objects dan menghilangkan object-

Ø  object kecil (lebih baik daripada Erosion)

Ø   Closing: mengisi holes pada citra (lebih baik daripada Dilation)