PENGOLAHAN CITRA 1
Prinsip Enhancement Pemrosesan sebuah image sehingga hasil yang didapat bersifat lebih sesuai untuk digunakan pada aplikasi tertentu dibandingkan dengan image a s l i n y a. Kesesuaian hasil enhancement adalah b e r g a n t u n g p a d a a p l i k a s i n y a. 2
Image Asli Image Hasil Proses Enhancement 3
S o l u s i t h d i m a g e e n h a n c e me n t bergantung kepada problem image y a n g d i h a d a p i. Tidak ada metode yang bersifat general yang dapat diterapkan untuk setiap aplikasi, pendekatan terhadap satu aplikasi dapat dilakukan lewat m e t o d e y a n g b e r b e d a. 4
Contoh Enhancement 5
Kriteria Good Image U n t u k h u m a n v i s u a l U E v a l u a s i v i s u a l d a r i s e b u a h i m a g e u n t u k menentukan kualitas image sangat dipengaruhi oleh unsur-unsur subjektivitas. Dengan demikian sulit untuk melakukan standarisasi definisi good image. n t u k p e r s e p s i m e s i n Proses evaluasi lebih mudah untuk dikerjakan. Good image adalah image yang dapat dikenali lebih baik oleh mesin. Proses pemilihan pendekatan enhancement yang terbaik dapat dilakukan dengan cara trial dan error sehingga didapat metode tertentu yang dapat menghasilkan image yang d a p a t d e n g a n b a i k d i k e n a l i o l e h m e s i n. 6
2 Katagori Domain Spatial Domain : Adalah teknik yang didasarkan pada manipulasi langsung terhadap pixel dari image. Frequency Domain : Adalah teknik yang didasarkan pada modifikasi image lewat transformasi Fourier Terdapat pula sejumlah teknik enhancement yang didasarkan pada kombinasi kedua katagori domain tersebut. 7
Teknik Enhancement Point Processing Image negative, contrast Stretching, Compression Of Dynamic range, gray level slicing, image subtraction,image averaging, histogram operations. Mask Operation Smoothing operations,median filtering,sharpening operations, derivative operations, histogram operations. Transform Operation Low pass filtering, high pass filtering,band pass filtering,homomorphic filtering, histogram operations Coloring Operation False coloring, full color processing 8
Domain Spasial Adalah prosedur yang secara langsung memanipulasi pixel. g(x,y) = T[f(x,y)] dimana f(x,y) adalah image g(x,y) adalah image diproses input yang T adalah sebuah operator pada f yang didefinisikan berdasar nilai neighborhood d ari (x,y) T f(x,y) g(x,y) 9
Operator T dapat berupa : Kumpulan pixels (x,y) dari image Kumpulan dari neighborhoods N(x,y) dari setiap pixel Kumpulan dari images f1,f2,f3, 10
Operasi image terhadap himpunan pixel dari 6 8 2 0 12 200 20 10 3 4 1 0 6 100 10 5 (Operator: Div. by 2) 11
Operasi f1,f2 6 8 2 0 12 200 20 10 terhadap kumpulan image (Operator: sum) 11 13 3 0 14 220 23 14 5 5 1 0 2 20 3 4 12
Point Processing N e i g h b o r h o o d = 1 x 1 p i x e l Output pixel pada titik tertentu hanya bergantung pada input pixel pada titik tersebut dan tidak bergantung pada nilai p g p i x e l hanya a d a t e t a n g g a n y a. bergantung pada nilai f p o s i s i ( x, y ) T = fungsi transformasi gray level (atau intensitas mapping) Dimana s = T(r) s = T(r) r = gray level dari input image f(x,y) s = gray level dari output image g(x,y) 13
Contrast Stretching Menghasilkan contrast dari original, dengan higher image cara : M e n g g e l a p k a n ( d a r k e n i n g ) l e v e l dibawah m dari image a s l i. M e n c e r a h k a n (Brightening) level yang berada di atas m dari i m a g e a s l i. 14
Hasil Contrast Stretching 15
Tresholding Menghasilkan image biner (two level image) 16
Lokasi dari (r 1,s 1 ) dan (r 2,s 2 ) menjadi kontrol dari bentuk f u n g s i t r a n s f o r m a s i. B i l a r 1 = s 1 d a n r 2 = s 2 transformasi adalah fungsi linear dan hasilnya adalah tidak ada perubahan image. Bila r 1 =r 2, s 1 =0 da n s 2 =L-1, transformasi akan berubah m e n j a d i s e b u a h f u n g s i t h r e s h o l d i n g y a n g menghasilkan sebuah binary i m a g e. 17
Contoh Contrast Stretching dan Tresholding Meningkatkan range dinamis dari g r a y l e v e l d a l a m i m a g e. C o n t o h s e b u a h i m a g e y a n g bersifat low contrast. Image semacam ini dapat dihasilkan proses iluminasi yang jelek atau setting lensa yang kurang baik s a a t p r o s e s a k u i s i s i. Hasil dari contrast Stretching : (r1,s1) = (r2,s2) = (rmin,0) dan (rmax,l-1) Hasil dari proses thresholding 18
Image Negatives Didapat dengan menerapkan fungsi transformasi T(r) = s = L- 1 r; L = Max Gray Value. 19
Image Negatives Fungsi kebalikan dari hitam ke putih atau seba lik nya sehing ga intensitas dari image o u t p u t b e r k u r a n g sementara intensitas d a r i i m a g e i n p u t b e r t a m b a h. Banyak digunakan pada i m a g e k e d o k t e r a n terutama sekali untuk mengh asi lk a n s li d es d a r i s c r e e n. 20
3 Fungsi Dasar Transformasi Gray Level Linear function Negative and identity transformations Logarithm function Log and inverse-log transformation Power-law function nth power and nth root transformations 21
Log Transformations InvLog Log 2
Gamma Correction Alat Cathode ray tube (CRT) memiliki intensitas terhadap r e s p o n s e v o l t a g e d a l a m b e n t u k p o w e r f u n c t i o n d e n g a n n i l a i γ b e r k i s a r a n t a r a 1. 8 h i n g g a 2. 5 Efeknya akan menyebabkan image menjadi lebih gelap. Gamma correction dilakukan s a a t pr e po ce s s i n g i m a g e y a i t u s e b e l u m i m a g e di m a s u k k a n k e d a l a m monitor dengan s = cr k e 1/ γ 23
Sebuah image MRI (Magnetic Resonance Image) untuk tulang manusia. Image asli didominasi oleh warna gelap. Diperlukan ekspansi nilai gray level dengan nilai γ < 1 Hasil penerapan power-law transformation dengan γ = 0.6, c=1 Hasil transformasi dengan γ = 0.4 (hasil terbaik) Hasil transformasi dengan γ = 0.3 24
Image terlalu banyak didominasi oleh warna cerah, maka diperlukan ekspansi nilai gray value dengan γ > 1 Hasil penerapan power-law transformation dengan γ = 3.0 Hasil transformation dengan γ = 4.0 Transformation dengan γ = 5.0 (high contrast, image memiliki area yang terlalu gelap sehingga sebagian detail menjadi hilang) 25
26
Gray-Level Slicing Adalah untuk memilih range gr ay level ter tentu dar i i m a g e ( m i s a l n y a u n t u k meningkakan penampakan f e a t u r e t e r t e n t u ). Salah satu cara yang dapat d i l a k u k a n a d a l a h menampilkan gray level dari feature tertentu sebagai value dan sisanya nilai high s e b a g a i sehingga l o w v a l u e f o r didapat bentuk b i n a r y i m a g e ). 27
Gray-Level Slicing Pendekatan yang lain adalah menerangkan bagian feature yang menjadi fokus namun tetap mempertahankan nilai backgro ud dan nilai gray level image bagian image lainnya. 28
29
Original Image Highlighted Image with no background Highlighted Image with background 30
Bit-Plane Slicing U n t u k m e l i h a t f o k u s t e r h a d a p k o n t r i b u s i d a r i p e n a m p i l a n i m a g e b e r d a s a r bit y a n g s p e s i f i k. D i a s u m s i k a n b a h w a s e t i a p p i x e l direpresentasikan oleh 8 bits, dan sebuah image terdiri dari 8 1-bit planes. Plane 0 memuat lowest order bits dari byte yang menyusun pixel dan plane 7 m e m u a t h i g h e s t - o r d e r b i t s. Hanya 5 highest order bits yang memuat data visual yang signifikan. Plane 7 b e r k o r e s p o d e n s i l a n g s u n g d e n g a n treshold image pada gray level 128. 31
255 138 30 65 12 201 180 111 85 MSB plane 1 1 0 0 0 1 1 0 0 LSB plane 1 0 1 1 0 1 1 1 1 LSB MSB 255 1 1 1 1 1 1 1 1 138 0 1 0 1 0 0 0 1 30 1 1 1 1 1 0 0 0 65 1 0 0 0 0 0 1 0 12 0 0 1 1 0 0 0 0 201 1 0 0 1 0 0 1 1 183 1 1 1 0 1 1 0 1 111 1 1 1 1 0 1 1 0 85 1 0 1 0 1 0 1 0 32
Bit-Plane Slicing D i s p l a y b i t - b i t p e n y u s u n i m a g e sebagai individual b i n a r y i m a g e. 33
Noise N o i s e a d a l a h f e n o m e n a r a n d o m (unpredictable) yang menganggu (kontaminasi) s e b u a h p e n a m p a k a n i m a g e. Noise proses i m a g e Noise umumnya akan terjadi dalam sejumlah awal image, yaitu : Image acquisition, t r a n s m i s s i o n, i m a g e r e c o r d i n g. dinyatakan sebagai model adaptive : 34
Original image Noise with zero mean g(x, y) f (x, y) (x, y) k 1 g (x, y) g i (x, y) k i 1 E g (x, y) f (x, y) 2 g ( x, y ) 1 k 2 ( x, y ) 35
f(x,y) g(x,y) Gaussian Noise mean = 0 variance = 64 K = 8 K = 16 K = 32 K = 128 - + x 36
Aritmetic / Logic Operation O p e r a s i A r i t h m e t i c / l o g i c melibatkan dua atau lebih image yang masing-masing dikenakan o p e r a s i p i x e l p e r p i x e l. Arithmetic Operations Addition, Subtraction, and Division Logic Operations AND, OR, NOT Multiplication, 37
Image Substraction S e li sih / d i f fer e n c e dari dua similar images dihitung untuk melihat feature tertentu dari image dengan melihat p e r b e d a a n d a r i d u a i m a g e t e r s e b u t. 38
AND OR Operasi logika dilakukan terhadap representasi biner dari intensitas pixel 39