Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.
Pengolahan Citra Digital: Peningkatan Mutu Citra  Pada Domain Spasial   Dr. Aniati Murni (R.1202)Dina Chahyati, M.Kom (R.1...
Tujuan Peningkatan Mutu CitraSumber Pustaka: Gonzalez, Bab 4Tujuan dari teknik peningkatan mutu citraadalah untuk melakuka...
Jenis Teknik Peningkatan Mutu Citra Teknik peningkatan mutu citra dapat dibagi menjadi dua:     Peningkatan mutu citra pad...
Lingkup Pembahasan                        Image Enhancement                      Spatial Domain                Frequency D...
I. Point ProcessingCara paling mudah untuk melakukanpeningkatan mutu pada domain spasialadalah dengan melakukan pemrosesan...
Ia. Image NegativeMengubah nilai grey-level piksel citra input dengan:                  Gbaru = 255 - GlamaHasilnya sepert...
Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997) Citra Optik                    Citra SAR         (Sumber: Bakosurtan...
Ib. Contrast Stretching                                     255Mengubah kontras darisuatu image dengan cara               ...
Contoh Contrast Stretching            DC - OKT 2003    9
Contrast StretchingFungsi lain yang baik digunakan adalah:fout = (fin – a) * ba = min(fin)b = 255 / (max(fin) – min(fin))C...
Ic. Histogram EqualizationHistogram: diagram yang menunjukkan jumlahkemunculan grey level (0-255) pada suatu citraHistogra...
Ic. Histogram Equalization      in all grey level and all area (1)Ide: mengubah pemetaangreylevel agar sebarannya(kontrasn...
Ic. Histogram Equalization    in all grey level and all area (2)- mengubah pemetaan grey level pada  citra, dengan rumus: ...
Ic. Histogram Equalization                 in all grey level and all area (3)                                   Citra awal...
Ic. Histogram Equalization    specific grey level (hist. specification)Histogramequalizationtidak dilakukanpada seluruhbag...
Ic. Histogram Equalization    specific area (local enhancement)   Histogram equalization hanya dilakukan pada   bagian ter...
Ic. Histogram Equalization      specific area (local enhancement)Histogramequalizationmenggunakanjendela 7x7              ...
Id. Image SubstractionDilakukan jika kita ingin mengambilbagian tertentu saja dari citra         -                    =   ...
Aplikasi Kedokteran (Biomedik)    (Sumber: Thesis S2 Kartono)Thorax X-Ray   Standard Landmarks   Thorax Tissue            ...
Ie. Image AveragingDilakukan jika kita memilikibeberapa citra yang bergambarsama, namun semua citramemiliki noise (ganggua...
II. Mask Processing (1)Jika pada point processing kita hanyamelakukan operasi terhadap masing-masingpiksel, maka pada mask...
II. Mask Processing (2)1 2 3   Contoh:8 x 4   Jendela ketetanggan 3x3,7 6 5   Nilai piksel pada posisi x dipengaruhi      ...
II. Mask Processing (3)                   Contoh sebuah mask berukuran 3x3.  W1    W2   W3    Filter ini akan diterapkan /...
II. Jenis-jenis filter spasialSmoothing filters:  Lowpass filter (linear filter, mengambil nilai  rata-rata)  Median filte...
II. Contoh penerapan filter spasial                                1       1    1                          1/9 x 1       1...
II. Contoh         penerapan         filter low pass         dan median(a) Gambar asli(b) Gambar yang diberi noise(c) Hasi...
II. Edge detection Pada suatu citra monokrom, suatu edge (sisi) dapat ditandai dengan adanya suatu perbedaan intensitas ya...
II. Edge detectionBagaimana ‘mendeteksi’ perbedaan intensitas tersebut?  Dengan mempertegas perbedaan (kalikan satu  inten...
II. Contoh edge detection                                           -1      -2   -1   -1       0       1                  ...
Upcoming SlideShare
Loading in …5
×

Pengolahan citra digital__peningkatan_mutu_citra

6,653 views

Published on

Published in: Education, Technology, Business
  • Be the first to comment

Pengolahan citra digital__peningkatan_mutu_citra

  1. 1. Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial Dr. Aniati Murni (R.1202)Dina Chahyati, M.Kom (R.1226) Universitas Indonesia DC - OKT 2003 1
  2. 2. Tujuan Peningkatan Mutu CitraSumber 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 2
  3. 3. Jenis Teknik Peningkatan Mutu Citra Teknik peningkatan mutu citra dapat dibagi menjadi dua: Peningkatan mutu citra pada domain spasial Point Processing Mask Processing Peningkatan mutu citra pada domain frekuensi DC - OKT 2003 3
  4. 4. Lingkup Pembahasan Image Enhancement Spatial Domain Frequency DomainI. Point Processing II. Mask Processing …(next week) a. Image Negative b. Contrast Stretching c. 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 DC - OKT 2003 4
  5. 5. I. Point ProcessingCara paling mudah untuk melakukanpeningkatan mutu pada domain spasialadalah dengan melakukan pemrosesanyang hanya melibatkan satu piksel saja(tidak menggunakan jendelaketetanggaan)Pengolahan menggunakan histogramjuga termasuk dalam bagian pointprocessing DC - OKT 2003 5
  6. 6. Ia. Image NegativeMengubah nilai grey-level piksel citra input dengan: Gbaru = 255 - GlamaHasilnya seperti klise foto DC - OKT 2003 6
  7. 7. Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997) Citra Optik Citra SAR (Sumber: Bakosurtanal RI) 7
  8. 8. Ib. Contrast Stretching 255Mengubah kontras darisuatu image dengan cara (r2,s2)mengubah greylevel piksel-piksel pada citra menurut s T(r)fungsi s = T(r) tertentur1 ≤ r2, s1 ≤ s2 (r1,s1) 0 255r1 = r2, s1 = s2 tidak rada perubahanr1 = r2, s1 = 0, s2 = 255tresholding menjadi citrabiner dengan ambang r1 DC - OKT 2003 8
  9. 9. Contoh Contrast Stretching DC - OKT 2003 9
  10. 10. Contrast StretchingFungsi 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 10
  11. 11. Ic. Histogram EqualizationHistogram: diagram yang menunjukkan jumlahkemunculan grey level (0-255) pada suatu citraHistogram processing: Gambar gelap: histogram cenderung ke sebelah kiri Gambar terang: histogram cenderung ke sebelah kanan Gambar low contrast: histogram mengumpul di suatu tempat Gambar high contrast: histogram merata di semua tempat Histogram processing: mengubah bentuk histogramagar pemetaan gray level pada citra juga berubah DC - OKT 2003 11
  12. 12. Ic. Histogram Equalization in all grey level and all area (1)Ide: mengubah pemetaangreylevel agar sebarannya(kontrasnya) lebih menyebarpada kisaran 0-255Sifat: 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) DC - OKT 2003 12
  13. 13. Ic. Histogram Equalization in all grey level and all area (2)- mengubah pemetaan grey level pada citra, dengan rumus: k nj ksk = T (rk ) = ∑ = ∑ p(rj ) j =0 n j =00 ≤ rk ≤ 1 dan k = 0,1,....., L − 1L adalah grey level maksimal yang ada pada citra DC - OKT 2003 13
  14. 14. Ic. Histogram Equalization in all grey level and all area (3) Citra awal: Citra Akhir: Contoh : citra 35554 19 9 95 dengan derajat 54544 95 9 55 keabuan hanya 53444 91 5 55 berkisar 0-10 45663 5 9 10 10 1Derajat Keabuan 0 1 2 3 4 5 6 7 8 9 10Kemunculan 0 0 0 3 8 7 2 0 0 0 0Probabilitas Kemunculan 0 0 0 0.15 0.40 0.35 0.1 0 0 0 0Sk 0 0 0 0.15 0.55 0.90 1 1 1 1 1SK * 10 0 0 0 1.5 5.5 9 10 10 10 10 10Derajat keabuan baru 0 0 0 1 5 9 10 10 10 10 10 DC - OKT 2003 14
  15. 15. Ic. Histogram Equalization specific grey level (hist. specification)Histogramequalizationtidak dilakukanpada seluruhbagian darihistrogram tapihanya padabagian tertentusaja DC - OKT 2003 15
  16. 16. Ic. Histogram Equalization specific area (local enhancement) Histogram equalization hanya dilakukan pada bagian tertentu dari citra DC - OKT 2003 16
  17. 17. Ic. Histogram Equalization specific area (local enhancement)Histogramequalizationmenggunakanjendela 7x7 DC - OKT 2003 17
  18. 18. Id. Image SubstractionDilakukan jika kita ingin mengambilbagian tertentu saja dari citra - = DC - OKT 2003 18
  19. 19. Aplikasi Kedokteran (Biomedik) (Sumber: Thesis S2 Kartono)Thorax X-Ray Standard Landmarks Thorax Tissue 19
  20. 20. Ie. Image AveragingDilakukan 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 20
  21. 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 21
  22. 22. II. Mask Processing (2)1 2 3 Contoh:8 x 4 Jendela ketetanggan 3x3,7 6 5 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 DC - OKT 2003 22
  23. 23. II. Mask Processing (3) Contoh sebuah mask berukuran 3x3. W1 W2 W3 Filter ini akan diterapkan / W4 W5 W6 dikonvolusikan pada setiap jendela ketetanggaan 3x3 pada citra (anggap W7 W8 W9 filter sudah dalam bentuk terbalik)G11 G12 G13 G14 G15 G22’ = w1 G11 + w2 G12 + w3 G13+G21 G22 G23 G24 G25 w4 G21 + w5 G22 + w6 G23 + w7 G31 + w8 G32 + w9 G33G31 G32 G33 G34 G35G41 G42 G43 G44 G45G51 G52 G53 G54 G55 DC - OKT 2003 23
  24. 24. II. Jenis-jenis filter spasialSmoothing filters: 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) Highpass filter DC - OKT 2003 24
  25. 25. II. Contoh penerapan filter spasial 1 1 1 1/9 x 1 1 1 1 1 1 Average lowpass filter (a) Gambar Asli (b)-(f) hasil dari spatial lowpass filtering dengan ukuran mask 3,5,7,15,25 DC - OKT 2003 25
  26. 26. II. Contoh penerapan filter 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 26
  27. 27. II. Edge detection Pada suatu citra monokrom, suatu edge (sisi) dapat ditandai dengan adanya suatu perbedaan intensitas yang besar DC - OKT 2003 27
  28. 28. II. Edge detectionBagaimana ‘mendeteksi’ perbedaan intensitas tersebut? Dengan mempertegas perbedaan (kalikan satu intensitas dengan nilai negatif, kemudian kalikan nilai positif pada intensitas lainnya) Kasus A: 2 bersisian dgn 100 (edge) 2*(-1) + 100*(1)= 99 Kasus B: 2 bersisian dgn 4 (not edge) 2*(-1) + 4*(1)= 2 Lakukan tresholding untuk memperjelas mana bagian sisi dan mana yang bukan Ambil treshold = 90, maka Kasus A akan dianggap sebagai sisi, Kasus B tidak dianggap sisi DC - OKT 2003 28
  29. 29. II. Contoh edge detection -1 -2 -1 -1 0 1 0 0 0 -2 0 2 1 2 1 -1 0 1 Sobel -1 -1 -1 -1 0 1 0 0 0 -1 0 1 1 1 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) DC - OKT 2003 29

×