MKB3383 TEKNIK PENGOLAHAN CITRA Pemrosesan Citra Biner Dosen Pengampu: Muhammad Zidny Naf an, M.Kom. Genap 2016/2017
Definisi Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Contoh Penggunaan: Bar code QR Code Citra hasil scanning Dsb
Citra Biner Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0. Pada waktu menampilkan gambar, 0 adalah putih dan 1 adalah hitam. Jadi, pada citra biner, latar belakang berwarna putih sedangkan objek berwarna hitam.
Mengapa Citra Biner? Kebutuhan memori kecil nilai piksel hanya membutuhkan representasi 1 bit. Dapat dikompresi. Contoh dengan metode runlength encoding (RLE). Metode RLE akan dijelaskan kemudian. Waktu pemrosesan lebih cepat dibandingkan dengan citra grayscale
Mengapa Perlu Mengkonversi Citra Grayscale Biner? Identifikasi keberadaan objek, yang direpresentasikan sebagai daerah (region) di dalam citra. segmentasi Lebih memfokuskan pada analisis bentuk morfologi, yang dalam hal ini intensitas pixel tidak terlalu penting dibandingkan bentuknya. Menampilkan citra pada piranti keluaran yang hanya mempunyai resolusi intensitas satu bit Mengkonversi citra yang telah ditingkatkan kualitas tepinya (edge enhancement) ke penggambaran garis-garis tepi. membedakan tepi yang kuat
Proses Konversi I=0.299R+0.587G+0.114B Thresholding
Thresholding / Pengambangan Konversi dari citra grayscale ke citra biner dilakukan dengan operasi pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap pixel ke dalam 2 kelas, hitam dan putih. Dua pendekatan yang digunakan dalam operasi pengambangan adalah: global image thresholding pengambangan lokal adaptif (locally adaptive image thresholding)
GLOBAL IMAGE THRESHOLDING
Global Image Thresholding Setiap pixel di dalam citra dipetakan ke dua nilai, 1 atau 0 dengan fungsi pengambangan: 1 0 g(x, y) adalah citra biner, f(x, y) adalah citra grayscale, dan T adalah nilai ambang yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek dibuat berwarna gelap (1 atau hitam) sedangkan latar belakang berwarna terang (0 atau putih).
Mencari Nilai T Nilai ambang T dipilih sedemikian sehingga galat/error yang diperoleh sekecil mungkin. Nilai T dapat ditentukan dengan membuat histogram citra. Jika citra mengandung satu buah objek dan latar belakang mempunyai nilai intensitas yang homogen, maka citra tersebut umumnya mempunyai histogram bimodal (mempunyai dua puncak atau dua buah maksimum lokal) Nilai T dipilih pada nilai minimum lokal yang terdapat di antara dua puncak.
Menentukan Nilai T
Contoh Global Image Thresholding
Alternatif Fungsi Pengambangan Jika nilai intensitas objek diketahui dalam selang [T1, T2], maka kita dapat menggunakan fungsi pengambangan:
LOCALLY ADAPTIVE IMAGE THRESHOLDING
Locally Adaptive Image Thresholding Pengambangan secara global tidak selalu tepat untuk seluruh macam gambar. Beberapa informasi penting di dalam gambar mungkin hilang karena pengambangan global Pengambangan secara lokal dilakukan terhadap daerah-daerah di dalam citra. Citra dipecah menjadi bagian-bagian kecil, kemudian proses pengambangan dilakukan secara lokal.
Locally Adaptive Image Thresholding Sebagai contoh, pengambangan dilakukan terhadap daerah citra yang berukuran 3 x 3 atau 5 x 5 pixel. Nilai ambangnya ditentukan sebagai fungsi rata-rata derajat keabuan di dalam dearah citra tersebut.
Contoh Locally Adaptive Image Thresholding 93 90 132 22 1 202 235 107 234 135 122 109 41 106 111 228 9 125 198 70 254 151 171 83 188 202 23 68 37 171 134 37 86 143 44 102 189 104 100 146 38 186 103 41 177 117 233 62 189 179 48 164 216 122 88 16 104 90 198 40 228 177 226 198 111 45 182 68 44 105 162 64 220 175 127 75 32 60 33 230 253 2 92 14 164 141 159 163 126 88 238 114 231 18 235 144 117 106 252 100 T = mean dari region Luas region / ukuran window = 2x2 93 90 122 109 T = mean(window) = 103.5 = 104 1 0 0 0 1 1
OPERASI-OPERASI PADA CITRA BINER
Penapis Luas Seringkali citra biner yang dihasilkan mengandung beberapa daerah yang dianggap sebagai gangguan (noise), Biasanya daerah gangguan itu berukuran kecil. Penapis luas dapat digunakan untuk menghilangan daerah gangguan Misalkan objek yang dianalisis diketahui mempunyai luas yang lebih besar dari T. Maka, pixel-pixel dari daerah yang luasnya di bawah T dinyatakan dengan 0.
Contoh Penapis Luas
Contoh Penapis Luas
Pengkodean Citra Biner Citra biner umumnya dikodekan dengan metode run-length encoding (RLE). Metode pengkodean ini menghasilkan representasi citra yang mampat. pendekatan yang digunakan dalam penerapan RLE pada citra biner: Posisi awal kelompok nilai 1 dan panjangnya (length of runs)
Contoh Pengkodean Citra Biner (Bentuk 1) Posisi awal 1 Panjang Baris 1 Baris 2 Baris 3
Contoh Pengkodean Citra Biner (Bentuk 2) Contoh Citra: 8x8 = 64 bytes Representation Code: 0 0 0 0 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 0 0 0 0 1 1 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 (0,4), (1,2), (0,2) (0,3), (1,4), (0,1) (0,3), (1,4), (0,1) (0,2), (1,5), (0,1) (0,2), (1,5), (0,1) (0,3), (1,3), (0,3) (0,4), (1,1), (0,3) (0,8) Informasi Yang Disimpan: 22 pairs of integers = 44 bytes 26
Segmentasi Citra Biner Tujuan Segmentasi Mengelompokkan pixel-pixel objek menjadi wilayah (region) yang merepresentasikan objek. Dua pendekatan Segmentasi berdasarkan batas wilayah Segmentasi ke bentuk dasar
Contoh Penggunaan Citra Biner (Segmetasi citra sel)
Ekstraksi Tepi Objek menggunakan 8-ketetanggaan ALGORITMA 8.1 Memperoleh tepi objek Masukan: f (m,n): Citra masukan berupa citra biner berukuran m baris dan n kolom Keluaran: g (m, n): Hasil citra yang berisi tepi objek FOR q 2 to m-1 FOR p 2 to n-1 p0 f(q, p+1) p1 f(q-1, p+1) p2 f(q-1, p) p3 f(q-1, p-1) p4 f(q, p-1) p5 f(q+1, p-1) p6 f(q+1, p) p7 f(q+1, p+1) sigma p0 + p1 + p2 + p3 + p4 + p5 + p6 + p7 IF sigma = 8 g(q, p) 0 ELSE g(q, p) f(q, p) END-IF END-FOR
Contoh hasil Esktraksi Tepi Objek
Properti Geometri Setelah proses segmentasi objek selesai dilakukan, maka proses berikutnya adalah menganalisis objek untuk mengenali objek tersebut. Analisis objek didasarkan pada ciri khas (feature) geometri pada objek tersebut. Kita asumsikan di dalam citra biner hanya terdapat 1 buah objek. Ada dua kelompok ciri khas pada objek: a. Global feature, yaitu ciri khas keseluruhan objek. b. Local feature, yaitu ciri khas bagian tertentu dari objek.
Properti Geometri (Luas)
(Keliling) Menghitung panjang batas wilayah. Pixel dalam batas wilayah horizontal atau vertikal dianggap satu satuan panjang, sedangkan pixel pada arah diagonal panjangnya 2 satuan.
(Pusat Massa) Berguna untuk menentukan posisi objek.
(Tinggi) Dihitung dari jarak vertikal dari pixel tertinggi dan terendah dari objek. Menghitung jarak antara pixel (i1, j1) dan pixel (i2, j2) :
(Lebar) Dihitung dari jarak horizontal dari pixel tertinggi dan terendah dari objek
Referensi Prof. Aniati Murni A., Pengolahan Citra Digital, Fak. Ilmu Komputer, Universitas Indonesia. Rinaldi Munir, Pengolahan Citra Digital Slide Pengolahan Citra, Departement Teknik Informatika IT Telkom Kadir, Abdul dan Adhi Susanto. 2013. Teori Dan Aplikasi Pengolahan Citra. Yogyakarta: Penerbit Andi.