konsep-dasar-pengolahan-citra-digital

1. Konsep dasar Pengolahan citra digital
Pertemuan 1

2. PENDAHULUAN
• Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi
juga dapat berupa gambar, audio (bunyi, suara, musik) dan video.
• Data teks, gambar, audio dan video dikenal dengan sebutan
multimedia.
• Contoh representasi data : internet, film, mms, dll

3. DEFENISI CITRA
• Secara harfiah, citra adalah gambar pada bidang 2 dimensi
• Dari sudut pandang matematis, citra adalah fungsi kontinyu dari
intensitas cahaya pada bidang 2 dimensi.
• Sumber cahaya menerangi obyek, obyek memantulkan kembali
sebagian dari berkas cahaya tersebut. Pantulan cahaya ditangkap
oleh alat-alat optik mis : mata, kamera, scanner dll, sehingga
bayangan (citra) tersebut terekam

4. CITRA SEBAGAI KELUARAN
Citra sebagai keluaran perekaman data dapat bersifat :
1. Optik berupa foto
2. Analog berupa sinyal video seperti gambar pada monitor televisi.
3. Digital yang dapat langsung disimpan pada suatu pita magnetik.

5. PENGELOMPOKAN CITRA
• Citra diam (Still Image) adalah citra tunggal yang tidak bergerak. Citra
diam dikenal dengan istilah citra saja.

6. • Citra Bergerak (Moving Image) adalah rangkaian citra diam yang
ditampilkan secara beruntun (sekuensial) sehingga memberi kesan
pada mata kita sebagai gambar bergerak.
• Setiap citra di dalam rangkaian tersebut disebut frame.
• Gambar-gambar yang tampak pada televisi dan film pada dasarnya
adalah ratusan , ribuan frame.

7. • Citra juga dapat dikelompokkan dalam menjadi 2 yaitu :
• Citra tampak (foto, gambar, lukisan, apa yang nampak di layar
monitor/televisi, hologram dll)
• Citra tidak tampak (data foto/gambar dalam file, citra yang
direpresentasikan dalam fungsi matematis)

8. DEFINISI PENGOLAHAN CITRA
• Pencitraan (imaging) = kegiatan mengubah informasi dari citra
tampak/citra non digital menjadi citra digital.
• Citra digital = citra yang disimpan dalam format digital (dalam bentuk
file). Hanya citra digital yang dapat diolah menggunakan komputer.
Jenis citra lain jika akan diolah dengan komputer harus diubah dulu
menjadi citra digital.
• Alat-alat yang digunakan dalam pencitraan : scanner, kamera digital,
kamera sinar x/ infra merah dll

9. • Pengolahan citra = kegiatan memperbaiki kualitas citra agar mudah
diinterpretasikan oleh manusia/mesin (komputer).
• Inputnya adalah citra dan keluarannya adalah citra juga dengan
kualitas lebih baik dari citra masukan
• Misal : citra dengan warna kurang tajam, kabur(blurring),
mengandung noise (mis bintik putih) sehingga perlu ada pemrosesan
untuk memperbaiki citra untuk memperoleh informasi lebih baik.

11. • Umumnya, operasi-operasi pengolahan citra diterapkan pada citra
bila :
1. Perbaikan atau modifikasi citra untuk meningkatkan kualitas visual
atau menonjolkan beberapa aspek informasi yang terkandung dalam
citra.
2. Elemen dalam citra perlu dikelompokkan, dicocokkan atau diukur.
3. Sebagian citra perlu digabung dengan bagian citra yang lain

12. Analisis Citra
• adalah kegiatan menganalisis citra sehingga menghasilkan informasi
untuk menetapkan keputusan (biasanya didampingi bidang ilmu
kecerdasan buatan/ AI yaitu pengenalan pola (pattern recognition)
menggunakan jaringan syaraf tiruan, logika fuzzi, dll).

13. BIDANG DALAM PENGOLAHAN CITRA
• Dalam bidang komputer :
1. Grafika komputer (Computer Graphics)
2. Pengolahan Citra (Image Processing)
3. Pengenalan Pola (Pattern Recognition/ Image Interpretation)

15. APLIKASI PENGOLAHAN CITRA
• Bidang Perdagangan
Pembacaan Barcode, Pengenalan huruf dan angka pada suatu
formulir secara otomatis
• Bidang Militer
Mengenali sasaran peluru kendali melalui sensor visual,
mengidentifikasi jenis pesawat musuh.
• Bidang Kedokteran
Mammografi, rekonstruksi janin hasil USG, MRI, City Scan dll

16. • Bidang Biologi
Pengenalan jenis kromosom melalui citra mikroskopik
• Komunikasi Data
Kompresi citra yang akan ditransmisikan
• Hiburan
Game, kompresi video
• Robotika
Visualy-Guided Autonomous Navigation
• Pemetaan
Klasifikasi penggunaan tanah melalui foto udara/LANDSAT
• Geologi
Mengenali jenis-jenis batu-batuan melalui foto udara/LANDSAT
• Hukum
Pengenalan sidik jari, pengenalan foto narapidana, pengenalan mayat.

17. CONTOH GRAFIKA KOMPUTER

18. CONTOH PENGOLAHAN CITRA

21. CONTOH PENGENALAN POLA

23. Pengenalan / deteksi tanda
tangan asli/palsu (tanda
tangan yang dibuat oleh
orang yang sama/berbeda)

24. Computer Vision
• Computer vision merupakan proses otomatis yang mengintegrasikan
sejumlah besar proses untuk persepsi visual, seperti akuisisi citra,
pengolahan citra, klasifikasi, pengenalan (recognition), dan membuat
keputusan.
Vision = Geometry + Measurement + Interpretation

25. Proses dalam Computer Vision
• Memperoleh atau mengakuisisi citra digital
• Melakukan teknik komputasi untuk memproses atau memodifikasi
data citra (operasi-operasi pengolahan citra).
• Menganalisis dan menginterpretasi citra dan menggunakan hasilnya
untuk tujuan tertentu, misalnya memandu robot, mengontrol
peralatan, memantau proses manufaktur, dan lain-lain.

27. Operasi Pengolahan Citra
• Perbaikan kualitas citra (image enhancement)
• Pemugaran citra (image restoration)
• Pemampatan citra (image compression)
• Segmentasi Citra
• Analisis Citra (image analysis)
• Rekonstruksi Citra (image reconstruction)

28. Warna dalam Citra
• Kenapa menggunakan warna di dalam pengolahan citra?
• Warna adalah deskriptor yang berdayaguna (powerful descriptor) •
Identifikasi objek dan ekstraksinya
• Contoh: Face detection dengan menggunakan warna kulit

29. •Format Warna
• RGB
• r-g Color
• Normalized RGB
• HSV
• YCrCb
• TSL
•Deteksi Warna
• Static Threshold
• Distance Threshold
• Dynamic Threshold

30. Format Warna Pada Gambar
•Gambar (Digital) adalah sekumpulan titik yang
disusun dalam bentuk matriks, dan nilainya
menyatakan suatu derajat kecerahan (derajat
keabuan/gray-scale). Derajat keabuan 8 bit
menyatakan 256 derajat kecerahan.
•Pada gambar berwarna nilai setiap titiknya adalah
nilai derajat keabuan pada setiap kompoen warna
RGB. Bila masing-masing komponen R,G dan B
mempunyani 8 bit, maka satu titik dinyatakan
dengan (8+8+8)=24 bit atau 224
derajat keabuan

31. Format RGB
• Format RGB (Red, Green
& Blue) adalah format
dasar yang digunakan
oleh banyak peralatan
elektronik seperti
monitor, LCD atau TV
untuk menampilkan
sebuah gambar.
• Pada format RGB, suatu
warna didefinisikan
sebagai kombinasi
(campuran) dari
komponen warna R, G dan
B.

32. Format RGB
Pada format warna RGB 24 bit, maka
nilai R, G dan B masing-masing 0-255
Warna R G B
Hitam 0 0 0
Merah 255 0 0
Hijau 0 255 0
Biru 0 0 255
Kuning 255 255 0
Magenta 255 0 255
Cyan 0 255 255
Putih 255 255 255
Abu-Abu 127 127 127
Orange 255 110 0
Ungu 128 0 255
Coklat 128 25 0
Pink 255 190 220
Navy 0 0 120

33. R-G Color Space
• Nilai r-g digunakan untuk mendeteksi warna kulit,
J. Fritsch, S. Lang, M. Kleinehagenbrock, G. A. Fink and G. Sagerer, Improving
Adaptive Skin Color Segmentation by Incorporating Results from Face Detection,
Proc. IEEE Int. Workshop on Robot and Human Interactive Communication
(ROMAN), Berlin, Germany,September 2002. IEEE.
• Nilainya berada 0-1 pada setiap komponen r dan g
B
G
R
R
r



B
G
R
G
g




34. Normalized RGB
B
G
R
R
r



B
G
R
G
g



B
G
R
B
b



Vladimir Vezhnevets Vassili Sazonov Alla
Andreeva, ”A Survey on Pixel-Based Skin Color
Detection Technique”, Graphics and Media
Laboratory, Faculty of Computational
Mathematics and Cybernetics Moscow State
University, Moscow, Russia.

35. HSV (Hue, Saturation, Value)

36. CIE
(Commission Internationale de l’Eclairage)
RGB XYZ CIE

37. CMY
(Cyan Magenta Yellow)

38. YCrCb
Y = 0.299R+0.587G+0.114B
Cr = R−Y
Cb = B−Y

39. TSL (Tint, Saturation, Lightness)
B
G
R
L
G
g
g
r
g
g
r
T
g
r
S
114
.
0
587
.
0
299
.
0
0
,
0
0
,
4
3
2
)
/
arctan(
0
,
4
1
2
)
/
arctan(
)
(
5
9
2
1
2
2




























Dimana:
3
1
3
1








B
G
R
G
g
B
G
R
R
r

40. Thresholding

41. Deteksi Warna
• Mendeteksi adanya warna-warna tertentu
• Menentukan posisi pixel dengan warna yang ditentukan
• Aplikasi: Deteksi rambu-rambu lalu lintas, deteksi bola dengan warna
tertentu, deteksi obyek berdasarkan warna, deteksi kulit (skin
detection)

42. Threshold RGB
•Untuk warna-warna dasar, nilai RGB cukup efektif
dalam melakukan deteksi meskipun cara ini bukan
cara terbaik.
•Nilai threshold dapat dipelajari berdasarkan pola
warna atau ditentukan secara intuitif, tetapi
threshold RGB ini sangat rentan terhadap kestabilan
cahaya
•Aplikasi untuk menentukan nilai threshold terbaik
dalam suatu permasalahan dapat dilakukan
menggunakan teknik-teknik machine learning.

43. Contoh Threshold RGB
Nilai threshold : R>163; 43<G<222, 32<B<250

44. Nilai Threshold RGB
Nilai threshold : 112<R<168; 70<G<149, 44<B<118

45. Threshold HSV
•Untuk warna-warna natural, nilai HSV cukup efektif
dalam melakukan deteksi.
•Nilai threshold dapat dipelajari berdasarkan pola
warna atau ditentukan secara intuitif. Dibandingkan
dengan RGB, threshold HSV ini cenderung lebih
stabil terhadap perubahan cahaya.
•Aplikasinya seperti pada threshold untuk warna
buah, warna pada pemandangan atau warna-warna
pada obyek yang bukan buatan manusia.

46. Threshold YCrCb
• YCrCb adalah format warna Yellow, Crominan Red dan Crominan
Blue.
• Range nilai masing-masing komponen :
o 0≤Y≤255
o -255≤Cr≤255
o -255≤Cb≤255

47. Threshold YCrCb
Nilai threshold : 41<R<145; 10<G<52, -16<B<-4

48. Aplikasi Color Detection
SKIN DETECTION
•Menggunakan deteksi warna kulit (skin detection)
dapat dilakukan menggunakan format RGB atau
YCrCb
•Mendeteksi warna kulit banyak digunakan untuk
aplikasi pengenalan wajah, deteksi badan atau
anggota badan.
•Sangat sulit mendapatkan sistem deteksi warna kulit
yang bersifat general, karena ada perbedaan warna
kulit pada masing-masing ras (melayu, cina, eropa,
latin atau afrika )

49. Aplikasi Color Detection
DETEKSI DAN PENGENALAN BUAH
• Setiap buah mempunyai warna yang spesifik
• Color thresholding dapat digunakan untuk mendeteksi dimana letak
buah
• Color histogram dapat digunakan un tuk mengenali buah.

50. Aplikasi Color Detection
DETEKSI KEMATANGAN TOMAT
• Kematangan tomat dapat dibedakan menjadi tiga fase yaitu hijau,
campur-warna dan merah
• Dengan deteksi warna RGB atau HSV atay YCrCb dapat dideteksi
kematangan tomat

51. Aplikasi Color Detection
DETEKSI RAMBU-RAMBU LALU LINTAS
•Deteksi rambu-rambu lalu lintas dapat dilakukan
menggunakan color thresholding baik RGB atau
HSV, karena rambu-rambu lalu lintas mempunyai
warna dan bentuk yang spesifik.
•Deteksi rambu-rambu lalu lintas dapat digunakan
untuk dipasang pada kendaraan sebagai co-pilot
atau smart navigation