Dokumen tersebut membahas tentang pengolahan citra digital dengan menggunakan teknik pemfilteran citra berbasis domain spasial. Teknik ini meliputi pemfilteran linier seperti rata-rata, pengaburan, dan penguatan tajam dengan menggunakan kernel konvolusi. Dokumen juga membahas metode segmentasi citra seperti pertumbuhan daerah, pembagian daerah air, dan clustering berbasis fitur untuk memecah citra menjadi beberapa bagian.
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Topik 04 - Image Enhancement (Filtering).pptx
1. The Stepping Stone To International Journey www.ti.pnp.ac.id
TEKNOLOGI INFORMASI
POLITEKNIK NEGERI PADANG
Enhancement
Based on Filtering
AINIL MARDIAH, M.Cs.
Program Studi Teknologi Rekayasa Perangkat Lunak
Jurusan Teknologi Informasi
Politeknik Negeri Padang
Email: ainilmardiah@pnp.ac.id
2. The Stepping Stone To International Journey www.ti.pnp.ac.id
Filtering
• Domain Spasial
- Langsung menerapkan pemfilteran ke domain spasial
seperti tingkat intensitas dan lokasi
• Domain Frekuensi
- Ubah gambar menjadi domain frekuensi
- Terapkan pemfilteran ke respons frekuensi
3. The Stepping Stone To International Journey www.ti.pnp.ac.id
Image Enhancement by Spatial
Domain Filtering
4. The Stepping Stone To International Journey www.ti.pnp.ac.id
Image filtering
Memodifikasi pixel di dalam sebuah citra berdasarkan beberapa
fungsi lingkungan lokal (local neighborhood) dari setiap piksel
10 5 3
4 5 1
1 1 7
7
Local image data Modified image data
Some function
5. The Stepping Stone To International Journey www.ti.pnp.ac.id
Spatial Filtering
• Satu versi sederhana: linear filtering (convolution)
- Ganti setiap pixel dengan kombinasi linear dari masing-masing
neighbor
• Resolusi untuk kombinasi linear disebut “kernel” (atau “mask”,
“filter”)
10 5 3
4 5 1
1 1 7
8
Local image data Modified image data
0 0 0
0 0.5 0
0 1 0.5
kernel
6. The Stepping Stone To International Journey www.ti.pnp.ac.id
Spatial Filtering
w(-1,-1) w(-1,0) w(-1,1)
w(0,-1) w(0,0) w(0,1)
w(1,-1) w(1,0) w(1,1)
Mask coefficients
menunjukkan susunan
koordinat
7. The Stepping Stone To International Journey www.ti.pnp.ac.id
Convolution
Jika F adalah citra, H adalah kernel (dengan ukuran 2k+1 x 2k+1), dan G
adalah citra output
𝐺 𝑖, 𝑗 =
𝑢=−𝑘
𝑘
𝑣=−𝑘
𝑘
𝐻 𝑢, 𝑣 𝐹 𝑖 − 𝑢, 𝑗 − 𝑣
Ini disebut operasi konvulusi (convolution):
G = H * F
8. The Stepping Stone To International Journey www.ti.pnp.ac.id
Convolution
1 -1 -1
1 2 -1
1 1 1
Convolution kernel, 𝝎
1 1 1
-1 2 1
-1 -1 1
2 2 2 3
2 1 3 3
2 2 1 2
1 3 2 2
Input Image, f
27. The Stepping Stone To International Journey www.ti.pnp.ac.id
Otsu Method
28. The Stepping Stone To International Journey www.ti.pnp.ac.id
Otsu Method
29. The Stepping Stone To International Journey www.ti.pnp.ac.id
Thresholding By Probability
• Berguna untuk mendeteksi objek dengan warna tertentu seperti
api, asap, banjir, dll
- Kumpulkan citra dengan warna tertentu
- Hitung rata-rata dan variance untuk setiap pixel channel
- Hitung probabilitas pixel baru menggunakan probabilitas
gaussian dengan melatih (training) rata-rata dan standar
deviasi
30. The Stepping Stone To International Journey www.ti.pnp.ac.id
Thresholding By Probability
• Case: deteksi asap
- Hitung rata-rata dan variance dari data training
31. The Stepping Stone To International Journey www.ti.pnp.ac.id
PDF Function of Smoke
32. The Stepping Stone To International Journey www.ti.pnp.ac.id
Smoke Detection Results
33. The Stepping Stone To International Journey www.ti.pnp.ac.id
Connected Component Labeling
34. The Stepping Stone To International Journey www.ti.pnp.ac.id
Region-based Segmentation
• Daerah berkembang
- Mulai dari titik benih dan periksa titik lingkungan.
• Watershed / Flood Fill
- Terinspirasi dari cara mengisi air
• Segmentasi sebagai pengelompokan
- Nilai intensitas ditetapkan sebagai data untuk
dikelompokkan
35. The Stepping Stone To International Journey www.ti.pnp.ac.id
Region Growing
• Dimulai dengan kumpulan piksel awal K (initial seed(s))
• Tambahkan ke pixel p di K yang berdekatan dengan q jika 𝐼𝑝 − 𝐼𝑞 < 𝑇
• Ulangi hingga tidak ada perubahan
36. The Stepping Stone To International Journey www.ti.pnp.ac.id
Watersheds Segmentation
• Bayangkan citra gray level sebagai bidang
(landscape)
• Setitik air yang jatuh di titik mana pun akan
mengalir ke tempat terendah di landscape
• Untuk tempat terendah di landscape,
terdapat sekumpulan titik, yang disebut
cekungan atau lembah yang menampung
air, di mana setitik air akan mengalir ke titik
minimum tertentu
• Batasan antar cekungan yang berdekatan
membentuk batas air (watershed)
37. The Stepping Stone To International Journey www.ti.pnp.ac.id
Watershed Sample
38. The Stepping Stone To International Journey www.ti.pnp.ac.id
Segmentation as Clustering
• Menampilkan pixel citra sebagai vector fitur
• Contohnya, setiap pixel bisa ditampilkan sebagai
- intensitas, memberikan vektor fitur 1 dimensi
- Warna, memberikan vektor fitur 3 dimensi
- Warna + koordinat, memberikan vektor fitur 5 dimensi
• Kelompokkan mereka menjadi kelompok k, contoh segmen k
- Pengelompokkan K-means biasanya digunakan
39. The Stepping Stone To International Journey www.ti.pnp.ac.id
Feature Vector
1.Vektor fitur berdasarkan warna
2. Vektor fitur berdasarkan warna dan lokasi
40. The Stepping Stone To International Journey www.ti.pnp.ac.id
K-Mean Clustering Result
Di kasus ini K-means (K=2) secara otomatis menemukan
threshold yang bagus (anatar 2 klister)
41. The Stepping Stone To International Journey www.ti.pnp.ac.id
K-Means Clustering Result
42. The Stepping Stone To International Journey www.ti.pnp.ac.id
K-Means Clustering Result
43. The Stepping Stone To International Journey www.ti.pnp.ac.id
Feature-based Method
• Disebut deteksi
• Gunakan fitur objek yang ingin dibatasi
- Latih objek sampel terlebih dulu menggunakan metode
machine learning tertentu
• Gunakan jendela geser (sliding window) untuk menemukan
objek serupa yang mungkin ada di citra
- Ukuran objek tetap
- Secara komputasi mahal
44. The Stepping Stone To International Journey www.ti.pnp.ac.id
Segmentation by Detection
• Sliding windows: “geser” kotak di sekitar citra dan klasifikasikan
setiap potongan citra di dalam kotak apakah berisi objek yang
penting atau tidak.
• Contoh kasus
- Human detector
• Pertama kita kumpulkan sampel dua kelas
• Ekstraksi fitur dari dataset dan pelajari mereka menggunakan
machine learning
45. The Stepping Stone To International Journey www.ti.pnp.ac.id
Human Detection
Kita ingin menemukan/membatasi semua manusia di citra
46. The Stepping Stone To International Journey www.ti.pnp.ac.id
Human Detection
• Sliding window:
- periksa setiap
jendela dengan
ukuran tetap dalam
skala yang berbeda,
- ekstrak fitur di
jendela,
- mengklasifikasikan
jendela,
- Pasca-pengolahan
47. The Stepping Stone To International Journey www.ti.pnp.ac.id
Human Detection
• Sliding window:
- periksa setiap
jendela dengan
ukuran tetap dalam
skala yang berbeda,
- ekstrak fitur di
jendela,
- mengklasifikasikan
jendela,
- Pasca-pengolahan
48. The Stepping Stone To International Journey www.ti.pnp.ac.id
Human Detection
• Sliding window:
- periksa setiap
jendela dengan
ukuran tetap dalam
skala yang berbeda,
- ekstrak fitur di
jendela,
- mengklasifikasikan
jendela,
- Pasca-pengolahan
49. The Stepping Stone To International Journey www.ti.pnp.ac.id
Human Detection
• Sliding window:
- periksa setiap
jendela dengan
ukuran tetap dalam
skala yang berbeda,
- ekstrak fitur di
jendela,
- mengklasifikasikan
jendela,
- Pasca-pengolahan
50. The Stepping Stone To International Journey www.ti.pnp.ac.id
Detection Evaluation
• Deteksi adalah benar jika titik potong (intersection) kotak
pembatas, dibagi dengan union (gabungan) kedua kotak
tersebut lebih dari 50%
𝑎0 =
𝑎𝑟𝑒𝑎 𝐵𝑝 ∩ 𝐵𝑔𝑡
𝑎𝑟𝑒𝑎 𝐵𝑝 ∪ 𝐵𝑔𝑡
51. The Stepping Stone To International Journey www.ti.pnp.ac.id
Post-Test (Quiz)
1.Kenapa kita harus pre-processing data? [20 poin]
2. Jelaskan bagaimana memperbaiki kualitas dataset citra? [15
poin]
3. Jelaskan bagaimana meningkatkan kuantitas dataset citra? [15
poin]
4. Apakah tujuan dari segementasi? [15 poin]
5. Jelaskan tiga strategi dari segmentasi/deteksi citra? [30 poin]