MATA KULIAH PENGOLAHAN CITRA DIGITAL - ELECTRICAL ENGINEERING

1. Oky Dwi Nurhayati
Program Studi Teknik Elektro, Universitas Gadjah Mada Yogyakarta
Created by
Agus Andreansyah

2. APLIKASI PENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA
(IMAGE PROCESSING)
Pemrosesan citra yang telah ada untuk menghasilkan
citra yang lebih tinggi kualitasnya, dalam arti lebih jelas
menampilkan informasi yang diharapkan.

3. Computed Tomography
adalah prosedur radiografi
medis yang digunakan untuk
mendapatkan gambaran dari
berbagai sudut kecil dari
tulang atau organ tubuh.
Prinsip dasar CT-Scan adalah
memanfaatkan intensitas radiasi
terusan setelah melewati suatu
objek untuk membentuk citra.
memanfaatkan intensitas radiasi
terusan setelah melewati suatu
objek untuk membentuk citra.

4. LANGKAH PENELITIAN

5. • Pencatatan dilakukan dengan tiga pesawat detektor
• Dua di antaranya berfungsi menerima sinar yang menembus objek
• Detektor yang ke-tiga berfungsi mengukur intensitas sinar-x yang
menembus objek

6. • Pada citra warna, setiap titik mempunyai warna spesifik yang
merupakan kombinasi atas 3 warna, yaitu: merah, hijau, dan biru. Format
citra ini sering disebut sebagai citra RGB (red-greenblue). Setiap warna
dasar mempunyai intensitas sendiri dengan nilai maksimum 255
(Ahmad,2005).
• Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang
mendadak besar dalam jarak yang singkat. Perbedaan intensitas inilah
yang menampakkan rincian pada gambar (Munir,2004).
KAJIAN PUSTAKA

7. Termografi memiliki derau yang cukup besar. Hal
ini diakibatkan watak fotodetektor dan sifat
radiasi termal (Ryu,1986), sehingga pemrosesan
derau merupakan subjek utama pada termografi
sebelum dilakukan analisis lebih lanjut.
Ryu (1986) menyatakan bahwa derau yang timbul pada
citra termal akibat proses perekaman adalah lebih
impulsif dari derau gaussian. Dalam penelitian tersebut
digunakan tapis median untuk menghapusnya, hasilnya
relatif memuaskan daripada tapis averaging yang
digunakan. (Hogg,1974).
Segmentasi merupakan langkah pertama yang biasanya digunakan
sebelum proses analisis terhadap suatu citra dilakukan. Tujuan dari
segmentasi citra adalah untuk membagi citra digital menjadi
wilayah atau region. Penentuan batas wilayah yang didasarkan
pada intensitas yang tidak kontinu. Segmentasi menyelesaikannya
melalui nilai ambang (threshold), berdasarkan distribusi sifat-sifat
piksel seperti intensitas atau warna (Jain, 1995).

8. Pengolahan citra dapat dilakukan dengan
computer apabila citra tersebut dinyatakan
dalam bentuk digital. Representasi citra
berkaitan dengan karakterisasi kuantitas yang
diwakili oleh setiap piksel. Citra dapat
menyatakan luminansi objek (misalnya pada
gambar yang diambil dengan kamera), sifat
penyerapan oleh jaringan tubuh (pencitraan
sinar-X), dan profil suhu (pencitraan
inframerah) .
LANDASAN TEORI

10. HASIL PEMBAHASAN
Citra digital head CT-Scan setelah ekualisasi histrogram
Tekstur N P I L
Mean 151 160 36 134
Std. Dev 10 22 12 23
Variansi 98 481 133 508
Jarak 138 120 374 48
Tabel Tekstur citra head CT-Scan sebelum diolah
Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar
Tekstur N P I L
Mean 151 160 36 134
Std. Dev 10 22 12 23
Variansi 98 481 133 508
Jarak 138 120 374 48

11. • Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar
Hasil pengambangan tunggal metode P-Tile
Tabel Fitur tekstur hasil pengambangan P-Tile
Tekstur N P I L
Mean 158 125 108 66
Std. Dev 123 127 121 112
Variansi 15318 16250 14641 12553
Jarak 278 144 156 61
HASIL PEMBAHASAN

12. • Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar
Hasil deteksi tepi laplacian negatif
Tabel Fitur tekstur hasil deteksi tepi Laplacian negatif
Tekstur N P I L
Mean 146 124 101 133
Std. Dev 14 12 31 36
Variansi 208 144 945 1306
Jarak 296 142 280 91
HASIL PEMBAHASAN

13. • Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar
Hasil deteksi tepi laplacian of gaussian
Tabel Fitur tekstur hasil deteksi tepi Laplacian of Gaussian
Tekstur N P I L
Mean 128 128 128 128
Std. Dev 3 4 7 11
Variansi 10 11 42 111
Jarak 284 432 289 316
HASIL PEMBAHASAN

14. • Keterangan:
N = normal
P = perdarahan
I = infark
L = lakunar
Hasil k-mean clustering untuk k=5
Tabel Fitur tekstur hasil k = 5 segmentasi k-mean clustering
Tekstur N P I L
Mean 74 134 10 47
Std. Dev 40 58 14 28
Variansi 1657 3356 187 763
Jarak 310 137 258 55
HASIL PEMBAHASAN

15. HASIL AKHIR SETELAH DI PROSES

16. KESIMPULAN
Peningkatan kualitas citra dengan menggunakan perangkat
lunak aplikasi metode ekualisasi histogram secara
signifikan dapat memperjelas citra digital head CT-Scan
Penerapan metode segmentasi pengambangan, deteksi tepi, dan k-mean
clustering akan lebih baik hasilnya apabila citra yang akan diolah ditingkatan
kualitas citranya melalui pre-processing image, metode segmentasi k-mean
clustering
Deteksi tepi Laplacian negatif merupakan metode segmentasi yang lebih
tepat diterapkan pada citra digital head CT-Scan dengan pemilihan k yang
tepat.
Metode segmentasi pengambangan dan deteksi tepi Laplacian of Gaussian
kurang tepat diterapkan pada citra digital head CT-Scan karena menghasilkan
citra keluaran yang tidak begitu jelas.

17. SARAN
Perlu dikembangkan
segmentasi yang sifatnya
otomatis dan real-time
sehingga dapat
digunakan langsung pada
citra head CT-Scan yang
akan dianalisis
Penentuan jenis objek yang
mengklasifikasikan ke dalam
jenis (tipe) infark perlu
dikembangkan untuk
mengurangi subjektivitas
radiolog yang memudahkan
teknisi dalam membaca citra
hasil head CT Scan.

18. DAFTAR PUSTAKA