Pengolahan citra digital__peningkatan_mutu_citra
-
Upload
muhammad-rdiansyah -
Category
Education
-
view
4.436 -
download
6
Transcript of Pengolahan citra digital__peningkatan_mutu_citra
DC - OKT 2003 1
Pengolahan Citra Digital:Peningkatan Mutu CitraPada Domain Spasial
Dr. Aniati Murni (R.1202)Dina Chahyati, M.Kom (R.1226)
Universitas Indonesia
DC - OKT 2003 2
Tujuan Peningkatan Mutu Citra
Sumber Pustaka: Gonzalez, Bab 4Tujuan dari teknik peningkatan mutu citraadalah untuk melakukan pemrosesanterhadap citra agar hasilnya mempunyaikwalitas relatif lebih baik dari citra awal untukaplikasi tertentu.Kata baik disini tergantung pada jenis aplikasidan problem yang dihadapi.
DC - OKT 2003 3
Jenis Teknik Peningkatan Mutu Citra
Teknik peningkatan mutu citra dapatdibagi menjadi dua:
Peningkatan mutu citra pada domain spasial
Point ProcessingMask Processing
Peningkatan mutu citra pada domain frekuensi
DC - OKT 2003 4
Image Enhancement
Spatial Domain Frequency Domain
I. Point Processing II. Mask Processing …(next week)
a. Image Negativeb. Contrast Stretchingc. Histogram Equalization
- all grey level and all area- specific grey level (histogram specification)- local enhancement (specific part of the image)
d. Image Subtractinge. Image Averaging
Lingkup Pembahasan
DC - OKT 2003 5
I. Point Processing
Cara paling mudah untuk melakukanpeningkatan mutu pada domain spasialadalah dengan melakukan pemrosesanyang hanya melibatkan satu piksel saja(tidak menggunakan jendelaketetanggaan)Pengolahan menggunakan histogram juga termasuk dalam bagian point processing
DC - OKT 2003 6
Ia. Image NegativeMengubah nilai grey-level piksel citra input dengan:
Gbaru = 255 - Glama
Hasilnya seperti klise foto
7
Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997)Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997)
Citra Optik Citra SAR(Sumber: Bakosurtanal RI)
DC - OKT 2003 8
Ib. Contrast Stretching
Mengubah kontras darisuatu image dengan caramengubah greylevel piksel-piksel pada citra menurutfungsi s = T(r) tertentur1 ≤ r2, s1 ≤ s2r1 = r2, s1 = s2 tidakada perubahanr1 = r2, s1 = 0, s2 = 255 tresholding menjadi citrabiner dengan ambang r1
0
s
(r1,s1)
T(r)
(r2,s2)
r
255
255
DC - OKT 2003 9
Contoh Contrast Stretching
DC - OKT 2003 10
Contrast Stretching
Fungsi lain yang baik digunakan adalah: fout = (fin – a) * ba = min(fin)b = 255 / (max(fin) – min(fin))Citra masukan yang grey level nya tidakpenuh dari 0 – 255 (low constrast) diubahmenjadi citra yang grey level nya berkisardari 0 – 255 (high contrast)
DC - OKT 2003 11
Ic. Histogram Equalization
Histogram: diagram yang menunjukkan jumlahkemunculan grey level (0-255) pada suatu citraHistogram processing:
Gambar gelap: histogram cenderung ke sebelah kiriGambar terang: histogram cenderung ke sebelahkananGambar low contrast: histogram mengumpul di suatutempatGambar high contrast: histogram merata di semuatempat
Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah
DC - OKT 2003 12
Ic. Histogram Equalizationin all grey level and all area (1)
Ide: mengubah pemetaangreylevel agar sebarannya(kontrasnya) lebih menyebarpada kisaran 0-255Sifat:
Grey level yang seringmuncul lebih dijarangkanjaraknya dengan grey level sebelumnyaGrey level yang jarangmuncul bisa lebihdirapatkan jaraknya dengangrey level sebelumnyaHistogram baru pastimencapai nilai maksimalkeabuan (contoh: 255)
DC - OKT 2003 13
Ic. Histogram Equalizationin all grey level and all area (2)
- mengubah pemetaan grey level padacitra, dengan rumus:
citra pada ada yang maksimal levelgrey adalah L1,.....,1,010
)()(0 0
−=≤≤
=== ∑ ∑= =
Lkdanr
rpnn
rTs
k
k
j
k
jj
jkk
DC - OKT 2003 14
Ic. Histogram Equalizationin all grey level and all area (3)
Contoh : citradengan derajatkeabuan hanyaberkisar 0-10
Citra awal: 3 5 5 5 45 4 5 4 45 3 4 4 44 5 6 6 3
Derajat Keabuan
Kemunculan
Probabilitas Kemunculan
Sk
SK * 10
Derajat keabuan baru
0 1 2 3 4 5 6 7 8 9 10
0 0 0 3 8 7 2 0 0 0 0
0 0 0 0.15 0.40 0.35 0.1 0 0 0 0
0 0 0 0.15 0.55 0.90 1 1 1 1 1
0 0 0 1.5 5.5 9 10 10 10 10 10
0 0 0 1 5 9 10 10 10 10 10
Citra Akhir: 1 9 9 9 59 5 9 5 59 1 5 5 55 9 10 10 1
DC - OKT 2003 15
Ic. Histogram Equalizationspecific grey level (hist. specification)
Histogram equalization tidak dilakukanpada seluruhbagian darihistrogram tapihanya padabagian tertentusaja
DC - OKT 2003 16
Ic. Histogram Equalizationspecific area (local enhancement)
Histogram equalization hanya dilakukan padabagian tertentu dari citra
DC - OKT 2003 17
Ic. Histogram Equalizationspecific area (local enhancement)
Histogram equalizationmenggunakanjendela 7x7
DC - OKT 2003 18
Id. Image Substraction
Dilakukan jika kita ingin mengambilbagian tertentu saja dari citra
- =
19
Aplikasi Kedokteran (Biomedik)(Sumber: Thesis S2 Kartono)Aplikasi Kedokteran (Biomedik)(Sumber: Thesis S2 Kartono)
Thorax X-Ray Standard Landmarks Thorax Tissue
DC - OKT 2003 20
Ie. Image Averaging
Dilakukan jika kita memilikibeberapa citra yang bergambarsama, namun semua citramemiliki noise (gangguan)
Noise satu citra berbeda dengannoise citra lainnya (tidakberkorelasi)
Cara memperbaikinya adalahdengan melakukan operasi rata-rata terhadap semua citratersebut
DC - OKT 2003 21
II. Mask Processing (1)
Jika pada point processing kita hanyamelakukan operasi terhadap masing-masingpiksel, maka pada mask processing kitamelakukan operasi terhadap suatu jendelaketetanggaan pada citra.Kemudian kita menerapkan(mengkonvolusikan) suatu mask terhadapjendela tersebut. Mask sering juga disebutfilter.
DC - OKT 2003 22
II. Mask Processing (2)
1 2 38 x 47 6 5
Contoh: Jendela ketetanggan 3x3,Nilai piksel pada posisi x dipengaruhioleh nilai 8 tetangganya
Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhioleh nilai tetangga-tetangganya
DC - OKT 2003 23
II. Mask Processing (3)W1 W2 W3
W4 W5 W6
W7 W8 W9
Contoh sebuah mask berukuran 3x3.Filter ini akan diterapkan / dikonvolusikan pada setiap jendelaketetanggaan 3x3 pada citra (anggapfilter sudah dalam bentuk terbalik)
G11 G12 G13 G14 G15
G21 G22 G23 G24 G25
G31 G32 G33 G34 G35
G41 G42 G43 G44 G45
G51 G52 G53 G54 G55
G22’ = w1 G11 + w2 G12 + w3 G13+w4 G21 + w5 G22 + w6 G23 +w7 G31 + w8 G32 + w9 G33
DC - OKT 2003 24
II. Jenis-jenis filter spasial
Smoothing filters:Lowpass filter (linear filter, mengambil nilairata-rata)Median filter (non-linear filter, mengambilmedian dari setiap jendela ketetanggan)
Sharpening filters:Roberts, Prewitt, Sobel (edge detection)Highpass filter
DC - OKT 2003 25
II. Contoh penerapan filter spasial
1 1 11 1 11 1 1
1/9 x
(a) Gambar Asli(b)-(f) hasil dari spatial lowpassfiltering dengan ukuran mask3,5,7,15,25
Average lowpass filter
DC - OKT 2003 26
II. Contohpenerapanfilter low pass dan median
(a) Gambar asli(b) Gambar yang diberi noise(c) Hasil dari 5x5 lowpass average filtering(d) Hasil dari 5x5 median filtering
DC - OKT 2003 27
II. Edge detection
Pada suatu citramonokrom, suatuedge (sisi) dapatditandai denganadanya suatuperbedaan intensitasyang besar
DC - OKT 2003 28
II. Edge detectionBagaimana ‘mendeteksi’ perbedaan intensitas tersebut?
Dengan mempertegas perbedaan (kalikan satuintensitas dengan nilai negatif, kemudian kalikan nilaipositif pada intensitas lainnya)
Kasus A: 2 bersisian dgn 100 (edge) 2*(-1) + 100*(1)= 99Kasus B: 2 bersisian dgn 4 (not edge) 2*(-1) + 4*(1)= 2
Lakukan tresholding untuk memperjelas mana bagiansisi dan mana yang bukan
Ambil treshold = 90, maka Kasus A akan dianggapsebagai sisi, Kasus B tidak dianggap sisi
DC - OKT 2003 29
II. Contoh edge detection-1 -2 -1
0 0 0
1 2 1
-1 0 1
-2 0 2
-1 0 1
Sobel
-1 -1 -1
0 0 0
1 1 1
-1 0 1
-1 0 1
-1 0 1
Prewitt(a)Gambar awal, (b) hasil dari Prewitt Mask, (c) thresholding dari (b) padanilai > 25 (d) thresholding dari (b) pada nilai >25 dan < 25 (black)