MKB3383 -TEKNIK PENGOLAHAN CITRA. Kompresi Citra. Muhammad Zidny Naf an, M.Kom. Genap, 2016/2017

Transkripsi

1 MKB3383 -TEKNIK PENGOLAHAN CITRA Kompresi Citra Muhammad Zidny Naf an, M.Kom. Genap, 2016/2017

2 Latar Belakang 2

3 Latar Belakang Seringkali representasi citra yang besar membutuhkan memori yang besar Contoh citra berformat bitmap dengan ukuran 512x512 pixel membutuhkan byte (1 pixel = 1 byte untuk citra berlevel 8-bit) Semakin besar ukuran citra semakin besar ukuran memorinya Kebanyakan citra mengandung duplikasi data Suatu pixel dengan pixel tetangganya memiliki intensitas yang sama Citra banyak mengandung bagian (region) yang sama 3

4 Image Compression Kompresi untuk apa? Volume data yang besar bandwidth yang tinggi Solusi Penambahan storage dan bandwidth Kompresi data 4

5 Image Compression VS Image Encoding Kadang dianggap sama Image encoding merepresentasikan pixelpixel dengan kode tertentu Tidak selalu menghasilkan memori yang kecil Jika memori yang dihasilkan lebih kecil dari citra asal image compression 5

6 Proses dalam Image Compression Image Compression Mengkodekan kembali citra sehingga ukuran memori yang dibutuhkan lebih kecil Bitmap bukan citra yang terkompresi JPG, GIF citra yang terkompresi Image Decompression Mengembalikan citra ke representasi awal (bitmap) Diperlukan jika citra ditampilkan ke layar atau di simpan ke dalam arsip dengan format tidak terkompresi 6

7 Image Compression Teknik kompresi yang diharapkan : Proses kompresi/dekompresi yang cepat Membutuhkan memory yang kecil Kualitas citra kompresi yang bagus Proses transfer dan penyimpanannya mudah 7

8 Image Compression Berdasarkan hasilnya, teknik kompresi ada 2 : Klasifikasi Teknik Kompresi : Entropy Encoding (Lossless) Run Length Encoding (RLE) Pattern Substitution Huffman DPCM Source Encoding (Lossy) Quantizing Compression Transfrom Encoding Hybrid Encoding (Lossy) JPEG 8

9 Metode Lossless menghasilkan citra kompresi yang tepat sama dengan citra semula, pixel per pixel Tidak ada informasi yang hilang akibat pemampatan. Cocok untuk citra yang mengandung informasi penting yang tidak boleh rusak akibat pemampatan. Misalnya kompresi gambar hasil diagnosa medis. File format: TIFF, GIF, PNG 9

10 Metode Lossy Metode lossy menghasilkan citra hasil pemampatan yang hampir sama dengan citra semula. Ada informasi yang hilang akibat pemampatan, tetapi dapat ditolerir oleh persepsi mata Mata tidak dapat membedakan perubahan kecil pada gambar. Contoh metode lossy adalah metode JPEG dan metode fraktal. File format: JPEG (jpg, jpe, jpeg); JPEG2000 (jp2, jpx) 10

11 Rasio Kompresi (Nisbah Pemampatan) Prosentase hasil kompresi Dihitung dengan rumus: 11

12 Redundancy Data pada Citra Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 12

13 Image Encoding & Compression Interpixel Redundancy Coding redundancy 13

14 Run Length Encoding (RLE) Image dengan ukuran 4x6 8-bit image Diubah dalam bentuk sekuensial = 24 byte Dihitung jumlah kemunculan data (1,1) (2,1) (1,5) (3,1) (4,4) (1,2) (3,3) (5,1) (1,4) (3,2) Data Kompresi = 20 byte 14

15 Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 15

16 Huffman Coding Setiap tingkat keabu-abuan memiliki probability masing-masing. Gunakan kode yang lebih pendek untuk tingkat keabu-abuan yang memiliki probability tinggi (sering muncul). Gunakan kode yang lebih panjang untuk tingkat keabu-abuan yang memiliki probability rendah. Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 16

17 Huffman Coding 1. Sort the gray levels by decreasing probability 2. Sum the two smallest probabilities. 3. Sort the new value into the list. 4. Repeat 1 to 3 until only two probabilities remains. 1. Give the code 0 to the highest probability, and the code 1 to the lowest probability in the summed pair. 2. Go backwards through the tree one node and repeat from 1 until all gray levels have a unique code. Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 17

18 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 18

19 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 19

20 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 20

21 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 21

22 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 22

23 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 23

24 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 24

25 Huffman Coding 1. Sort the gray levels by decreasing probability 2. Sum the two smallest probabilities. 3. Sort the new value into the list. 4. Repeat 1 to 3 until only two probabilities remains. 1. Give the code 0 to the highest probability, and the code 1 to the lowest probability in the summed pair. 2. Go backwards through the tree one node and repeat from 1 until all gray levels have a unique code. Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 25

26 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 26

27 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 27

28 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 28

29 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 29

30 Example Huffman Coding Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 30

31 Bagaiman Huffman Coding dari Citra berikut? Ukuran= 4x4 pixel Citra 3-bit 31

32 Quantizing Compression Algoritma: 1. Buat histogram citra semula. (citra yang akan dimampatkan). 2. Identifikasi n buah kelompok di dalam histogram sedemikian sehingga setiap kelompok mempunyai kira-kira P/n buah pixel. 3. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n 1. Setiap pixel di dalam kelompok dikodekan kembali dengan nilai derajat keabuan yang baru. 32

33 Quantizing Compression 33

34 Quantizing Compression Akan dimampatkan menjadi citra dengan 4 derajat keabuan (0 s/d 3), jadi setiap derajat keabuan direpresentasikan dengan 2 bit. Histogram citra semula : 34

35 Ada 65 pixel, dikelompokkan menjadi 4 kelompok derajat, keabuan tiap kelompok ada sebanyak rata-rata 65/4 = pixel per kelompok : 35

36 Citra hasil kompresi: Ukuran citra sebelum pemampatan (1 derajat keabuan = 4 bit): 65 x 4 bit = 260 bit Ukuran citra setelah pemampatan (1 derajat keabuan = 2 bit): 65 x 2 bit = 130 bit 36

37 Quantizing Compression Histogram : Warna 0 = 2 Warna 1 = 2 Warna 2 = 9 Warna 3 = 11 Warna 4 = 9 Warna 5 = 4 Warna 6 = 5 Warna 7 = 8 Warna 8 = 9 Warna 9 = Dikodekan menjadi 0 (Jumlahnya 13 pixel) Dikodekan menjadi 1 (Jumlahnya 20 pixel) Dikodekan menjadi 2 (Jumlahnya 17 pixel) Dikodekan menjadi 3 (Jumlahnya 15 pixel) 37

38 Quantizing Compression

39 JPEG Joint Photographic Experts Group JPEG bukan suatu algoritma tunggal, tetapi merupakan sekumpulan toolkit untuk kompresi citra Menggunakan metode lossy compression yang akan menghilangkan data yang tidak diperlukan JPEG di-desain untuk membuang informasi (warna) yang tidak dapat dilihat manusia dgn mudah 39

40 JPEG Joint Photographic Experts Group Data Image Preparation Process Table Table Transformasi DCT Quantization Entropy Encoding Binary Stream 40

41 JPEG 1. Tahap Persiapan (Preparation Process) Pada tahap ini dilakukan proses membagi citra menjadi blok 8x

42 JPEG 2. Tranformasi DCT (Discrete Cosine Transform) Transformasi DCT bertujuan mengubah menghitung frekuensifrekuensi pembentuk dari citra blok 8x8 dan memisahkan frekuensi rendah dan frekuensi tinggi dari hasil tranformasi DCT. Transformasi DCT terhadap blok 8x8 dapat dilakukan dengan rumus : DCT( u, v) 1 4. C( u). C( v) 7 x 0 7 y (2. x 1). u. (2. y 1). v.. f ( x, y).cos.cos Dimana : C( z) 1 2 1,, z z

43 2. Tranformasi DCT (cont.) JPEG Frekuensi >>, Penting << DCT Frekuensi >>, Penting <<

44 JPEG 3. Quantisasi Proses Quantisasi bertujuan untuk menghilangkan nilai-nilai yang tidak penting (dalam hal ini nilai-nilai yang berada pada daerah frekuensi tinggi) pada matrix hasil dari Transformasi DCT. Quantized _ Value( i, j) DCT _ Matrix( i, j) Quantum_ Matrix( i, j) 44

45 JPEG 3. Quantisasi (Cont.) =

46 4. Entropy Encoding JPEG Entropy Encoding adalah teknik kompresi yang bersifat lossless. Tahap ini bertujuan untuk mengkompresi matrix hasil quantisasi, bisa menggunakn metode huffman atau RLE Proses Entropy Encoding terhadap hasil quantisasi di atas dengan pembacaan zigzag : Hasil encoding jika menggunakan RLE : 326,-6,-7,1,-5,1,6,1,-3, [0,3], -1,1,[0,2],2,[0,1],3, [0,1], 1, [0,1],4,1,[0,3],1,[0,5],4,-4,-2,4,-1,[0,2],- 1,[0,1], -1, [0,4],-3,4,1,[0,5],12,1,[0,7] = 49 byte

47 JPEG Center of Image Analysis Swedish University of Agriculture Sciences Uppsala University 47

48 Mengukur Kualitas Citra hasil Kompresi Dengan metode PSNR (peak signal-to-noise ratio) PSNR dihitung untuk mengukur perbedaan antara citra semula dengan citra hasil kompresi b PSNR = 20 log 10 rms b adalah nilai sinyal terbesar (pada citra hitam-putih, b = 255) rms adalah akar pangkat dua dari selisih antara citra semula dengan citra hasil pemampatan. 48

49 Mengukur Kualitas Citra hasil Kompresi Rumus rms: rms = 1 lebar tinggi N i=1 M j=1 (f i,j f i,j ) 2 f dan f ' masing-masing menyatakan nilai pixel citra semula dan nilai pixel citra hasil pemampatan. 49

50 Mengukur Kualitas Citra hasil Kompresi PSNR memiliki satuan decibel (db). Nilai rms yang rendah -yang menyiratkan bahwa citra hasil kompresi tidak jauh berbeda dengan citra semula- akan menghasilkan PSNR yang tinggi, yang berarti kualitas pemampatannya bagus. Semakin besar nilai PSNR, semakin bagus kualitas pemampatannya. 50

51 Lakukan Kompresi dengan Metode Huffman Coding The Fun image shown below is a bitmap graphic with = 512 pixels using 6 different colors: White, yellow, magenta, blue, black, and red. Color Distribution Original Code White Yellow Magenta Blue Black Red

52 Referensi Slide Pengolahan Citra, Departement Teknik Informatika IT Telkom Rinaldi Munir, Pengolahan Citra Digital Minarni, Pengolahan Citra Digital Centre of Image Analysis. Uppsala University & Swedish University of Agriculture Sciences 52