Pengolahan Citra Digital Peningkatan Mutu Citra Pada Domain

Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial Informatics Engineering Dept. Universitas Trunojoyo Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 1

Tujuan Peningkatan Mutu Citra n n n Sumber Pustaka: Gonzalez, Bab 4 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. Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 2

Jenis Teknik Peningkatan Mutu Citra n Teknik peningkatan mutu citra dapat dibagi menjadi dua: n Peningkatan mutu citra pada domain spasial n n n Point Processing Mask Processing Peningkatan mutu citra pada domain frekuensi Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 3

Lingkup Pembahasan Image Enhancement Spatial Domain I. Point Processing a. b. c. d. e. f. g. h. II. Mask Processing Frequency Domain …(next week) Image Negative Contrast Stretching Histogram Equalization - all grey level and all area - specific grey level (histogram specification) - local enhancement (specific part of the image) d. Image Subtracting e. Image Averaging Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 4

I. Point Processing n n Cara paling mudah untuk melakukan peningkatan mutu 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 Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 5

Ia. Image Negative n n Mengubah nilai grey-level piksel citra input dengan: Gbaru = 255 - Glama Hasilnya seperti klise foto Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 6

Aplikasi Penginderaan Jarak Jauh (Sumber: Murni, 1997) Citra Optik Citra SAR Peningkatan Mutu Citra Domain Spasial (Sumber: Bakosurtanal RI) Kamis, 8 Oktober 2009 7

Ib. Contrast Stretching n n 255 Mengubah kontras dari suatu image dengan cara mengubah greylevel piksels piksel pd citra menurut fungsi s = T(r) tertentu r 1 ≤ r 2, s 1 ≤ s 2 0 r 1 = r 2, s 1 = s 2 tidak ada perubahan r 1 = r 2, s 1 = 0, s 2 = 255 tresholding menjadi citra 8 Oktober Peningkatan Mutu Citra Domain biner. Kamis, dengan ambang r 1 Spasial 2009 (r 2, s 2) T(r) (r 1, s 1) r 255 8

Contoh Contrast Stretching Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 9

Contrast Stretching n n Fungsi lain yang baik digunakan adalah: fout = (fin – a) * b a = min(fin) b = 255 / (max(fin) – min(fin)) Citra masukan yang grey level nya tidak penuh dari 0 – 255 (low constrast) diubah menjadi citra yang grey level nya berkisar dari 0 – 255 (high contrast) Kamis, 8 Oktober Peningkatan Mutu Citra Domain 2009 Spasial 10

Ic. Histogram Equalization n n Histogram: diagram yang menunjukkan jumlah kemunculan grey level (0 -255) pada suatu citra Histogram processing: Gambar gelap: histogram cenderung ke sebelah kiri n Gambar terang: histogram cenderung ke sebelah kanan n Gambar low contrast: histogram mengumpul di suatu tempat n Gambar high contrast: histogram merata di semua tempat Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah Kamis, 8 Oktober Peningkatan Mutu Citra Domain n 2009 Spasial 11

Ic. Histogram Equalization in all grey level and all area (1) n n Ide: mengubah pemetaan greylevel agar sebarannya (kontrasnya) lebih menyebar pada kisaran 0 -255 Sifat: n n n Grey level yang sering muncul lebih dijarangkan jaraknya dengan grey level sebelumnya Grey level yang jarang muncul bisa lebih dirapatkan jaraknya dengan grey level sebelumnya Histogram baru pasti mencapai nilai maksimal keabuan (contoh: 255) Peningkatan Mutu Citra Domain Kamis, 8 Oktober 2009 Spasial 12

Ic. Histogram Equalization in all grey level and all area (2) - mengubah pemetaan grey level pada citra, dengan rumus: Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 13

Ic. Histogram Equalization in all grey level and all area (3) n Citra Akhir: 19 9 95 95 9 55 91 5 55 5 9 10 10 1 Citra awal: 35554 54544 53444 45663 n n Contoh : citra dengan derajat keabuan hanya berkisar 0 -10 Derajat Keabuan 0 1 2 3 4 5 6 7 8 9 10 Kemunculan 0 0 0 3 8 7 2 0 0 Probabilitas Kemunculan 0 0. 15 0. 40 0. 35 0. 1 0 0 Sk 0 0. 15 0. 55 0. 90 1 1 1 SK * 10 0 1. 5 5. 5 9 10 10 10 Derajat keabuan baru 0 0 0 1 5 9 10 10 10 Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 14

Ic. Histogram Equalization specific grey level (hist. specification) n Histogram equalization tidak dilakukan pada seluruh bagian dari histrogram tapi hanya pada bagian tertentu saja Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 15

Ic. Histogram Equalization specific area (local enhancement) n Histogram equalization hanya dilakukan pada bagian tertentu dari citra Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 16

Ic. Histogram Equalization specific area (local enhancement) Histogram equalization menggunakan jendela 7 x 7 Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 17

Id. Image Substraction n Dilakukan jika kita ingin mengambil bagian tertentu saja dari citra Kamis, 8 Oktober 2009 = Peningkatan Mutu Citra Domain Spasial 18

Aplikasi Kedokteran (Biomedik) (Sumber: Thesis S 2 Kartono) Thorax X-Ray Kamis, 8 Oktober 2009 Standard Landmarks Peningkatan Mutu Citra Domain Spasial Thorax Tissue 19

Ie. Image Averaging Dilakukan jika kita memiliki beberapa citra yang bergambar sama, namun semua citra memiliki noise (gangguan) Noise satu citra berbeda dengan noise citra lainnya (tidak berkorelasi) Cara memperbaikinya adalah dengan melakukan operasi rata terhadap semua citra tersebut Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 20

II. Mask Processing (1) n n 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. Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 21

II. Mask Processing (2) 1 2 3 8 x 4 7 6 5 Contoh: Jendela ketetanggan 3 x 3, Nilai piksel pada posisi x dipengaruhi oleh nilai 8 tetangganya Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhi oleh nilai tetangga-tetangganya Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 22

II. Mask Processing (3) W 1 W 4 W 7 W 2 W 5 W 8 W 3 W 6 W 9 Contoh sebuah mask berukuran 3 x 3. Filter ini akan diterapkan / dikonvolusikan pada setiap jendela ketetanggaan 3 x 3 pada citra (anggap filter sudah dalam bentuk terbalik) G 11 G 12 G 13 G 14 G 15 G 21 G 22 G 23 G 24 G 25 G 31 G 32 G 33 G 34 G 35 G 22’ = w 1 G 11 + w 2 G 12 + w 3 G 13+ w 4 G 21 + w 5 G 22 + w 6 G 23 + w 7 G 31 + w 8 G 32 + w 9 G 33 G 41 G 42 G 43 G 44 G 45 G 51 G 52 G 53 G 54 G 55 Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 23

II. Jenis-jenis filter spasial n Smoothing filters: n n n Lowpass filter (linear filter, mengambil nilai rata-rata) Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan) Sharpening filters: Roberts, Prewitt, Sobel (edge detection) n Highpass filter Kamis, 8 Oktober Peningkatan Mutu Citra Domain n 2009 Spasial 24

II. Contoh penerapan filter spasial 1 1/9 x 1 1 1 1 Average lowpass filter Kamis, 8 Oktober 2009 (a) Gambar Asli (b)(b)-(f) hasil dari spatial lowpass (c)filtering dengan ukuran mask Peningkatan Mutu Citra Domain (d)3, 5, 7, 15, 25 Spasial 25

II. Contoh penerapan filter low pass dan median (a) Gambar asli (b) Gambar yang diberi noise (c) Hasil dari 5 x 5 lowpass average filtering (d) Hasil dari 5 x 5 median filtering Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 26

II. Edge detection n Pada suatu citra monokrom, suatu edge (sisi) dapat ditandai dengan adanya suatu perbedaan intensitas yang besar Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 27

II. Edge detection n Bagaimana ‘mendeteksi’ perbedaan intensitas tersebut? n Dengan mempertegas perbedaan (kalikan satu intensitas dengan nilai negatif, kemudian kalikan nilai positif pada intensitas lainnya) n Kasus A: 2 bersisian dgn 100 (edge) 2*(-1) + 100*(1)= 99 n Kasus B: 2 bersisian dgn 4 (not edge) 2*(-1) + 4*(1)= 2 Lakukan tresholding untuk memperjelas mana bagian sisi dan mana yang bukan n Ambil treshold = 90, maka Kasus A akan dianggap sebagai sisi, Kasus B tidak dianggap sisi Kamis, 8 Oktober Peningkatan Mutu Citra Domain n 2009 Spasial 28

II. Contoh edge detection -1 -2 -1 -1 0 0 0 -2 0 2 1 -1 0 1 Sobel -1 -1 0 1 0 0 0 -1 0 1 1 -1 0 1 Prewitt (a)Gambar awal, (b) hasil dari Prewitt Mask, (c) thresholding dari (b) pada (b)nilai > 25 (d) thresholding dari (b) pada nilai >25 dan < 25 (black) Kamis, 8 Oktober 2009 Peningkatan Mutu Citra Domain Spasial 29