Langsung ke konten utama

Peningkatan Kualitas Citra

Tujuan Perbaikan Citra

  • Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu. 
  • Kata baik disini tergantung pada jenis aplikasi dan problem yang dihadapi  

Jenis Teknik Peningkatan Kualitas

Teknik peningkatan kualitas citra dapat dibagi menjadi dua:
  • Peningkatan kualitas pada domain spasial 
  1. Point processing 
  2. Mask processing 
  • Peningkatan kualitas pada domain frekuensi 

Lingkup Pembahasan






Point Processing

  • Cara paling mudah untuk melakukan peningkatan kualitas citra pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan) 
  • Pengolahan menggunakan histogram juga termasuk dalam bagian point processing 

Domain Spasial

Prosedur yang secara langsung memanipulasi pixel. g(x,y) = T[f(x,y)] dimana f(x,y) adalah image input g(x,y) adalah image yang diproses T adalah sebuah operator pada f yang didefinisikan berdasar nilai neighborhood dari (x,y) 


Operator T

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,… 

Point Processing

  • Point processing, tetangga 1x1 piksel 
  1. Output pixel pada titik tertentu hanya bergantung pada input pixel pada titik tersebut dan tidak bergantung pada nilai pixel tetangganya 
  • g hanya bergantung pada nilai f pada posisi (x,y) 
  • T = fungsi transformasi gray level (atau intensitas mapping) g(x,y) = T[f(x,y)] 

Konversi RGB ke Graylevel

Ada tiga pendekatan 
  • Lightness Method Gray = (max(R, G, B) + min(R, G, B)) / 2 
  • Average Method Gray = (R + G + B) / 3 
  • Luminosity Method Gray = 0.21 R + 0.71 G + 0.07 B 

Transformasi Graylevel Dasar

  • Teknik perbaikan citra sederhana 
  • Nilai piksel sebelum dan sesudah proses dinotasikan dengan r dan s, dimana s=T(r) 
  1. Image Negative 
  2. Log Transformations 
  3. Power-Law Transformations 
  4. Piecewise-Linear Transformation Functions 


Image Negative

Didapat dengan menerapkan fungsi transformasi s = T(r) = L- 1 – r; dimana L = Max Gray Value

 


Image Negative : Algoritma

Algoritma proses transformasi image negative 
  • Ambil Citra (I) 
  • Jika I dalam RGB konversikan ke Graylevel 
  • Hitung nilai maksimum (Max)dari Graylevel pada I 
  • Untuk setiap baris pada indeks x, lakukan 
  • Untuk setiap kolom pada indeks y, lakukan 
  • Hasil(x,y) = Max – I(x,y) 
  • Tampilkan Hasil  

Log Transformations

Bentuk umum : s = c log (1+r) dimana c = konstanta dan diasumsikan r ≥ 0 

 


Log Transformations




Log Transf : Algoritma

Algoritma proses transformasi log 
  • Ambil Citra (I) 
  • Jika I dalam RGB konversikan ke Graylevel 
  • Tentukan nilai konstanta c 
  • Untuk setiap baris pada indeks x, lakukan 
  • Untuk setiap kolom pada indeks y, lakukan 
  • Hasil(x,y) = c * log(1+I(x,y)) 
  • Tampilkan Hasil 

 Power-Law Transformations

Bentuk umum : 𝑠 = 𝑐𝑟 𝛾 dimana c dan 𝛾 = konstanta positif


 


Power-Law Transformations

Image terlalu banyak didominasi oleh warna cerah, maka diperlukan ekspansi nilai gray value dengan γ > 1
C=1 dan 𝛾=3, 4, dan 5 

 




Power-Law Transf : Algoritma

Algoritma proses transformasi Power-Law 
  • Ambil Citra (I) 
  • Jika I dalam RGB konversikan ke Graylevel 
  • Tentukan nilai konstanta c 
  • Tentukan nilai konstanta 𝛾 
  • Untuk setiap baris pada indeks x, lakukan 
  • Untuk setiap kolom pada indeks y, lakukan 
  • Hasil(x,y) = c *( I(x,y)^ 𝛾) 
  • Tampilkan Hasil

Piecewise-Linear Transformation Functions

  1. Contrast Stretching
  2. Menghasilkan nilai contrast yang lebih besar dari image original, dengan cara : 
  • Menggelapkan (darkening) level dibawah m dari image asli.
  • Mencerahkan (Brightening) level yang berada di atas m dari image asli. 

Contrast Stretching


 


Fungsi Transformasi

Lokasi dari (r1 ,s1 ) dan (r2 ,s2 ) menjadi kontrol dari bentuk fungsi transformasi. 
  • Bila r1= s1 dan r2= s2 transformasi adalah fungsi linear dan hasilnya adalah tidak ada perubahan image. 
  • Bila r1=r2 , s1=0 dan s2=L-1, transformasi akan berubah menjadi sebuah fungsi thresholding yang menghasilkan sebuah binary image.

Binerisasi

Menghasilkan image biner (two level image)

 



Contrast Stretching : Algoritma

Algoritma proses Contrast Stretching 
  • Ambil Citra (I) 
  • Jika I dalam RGB konversikan ke Graylevel 
  • Tentukan nilai (r1,s1) dan (r2,s2) 
  • Buat garis dari titik (0,0) ke (r1,s1) > A 
  • Buat garis dari titik (r1,s1) ke (r2,s2) > B 
  • Buat garis dari titik (r2,s2) ke (rMax,sMax) > C 
  • Untuk setiap baris pada indeks x, lakukan 
  • Untuk setiap kolom pada indeks y, lakukan 
  • Jika nilai graylevel I(x,y) < r1 maka gunakan A 
  • Jika nilai graylevel I(x,y) >= r1 dan I(x,y) <= r2 maka gunakan B 
  • Jika nilai graylevel I(x,y) > r2 maka gunakan C 
  • Tampilkan Hasil

Gray Level Slicing 

  • Pemilihan range gray level tertentu dari image (misalnya untuk meningkakan penampakan feature tertentu). 
  • Salah satu cara yang dapat dilakukan adalah menampilkan gray level dari feature tertentu sebagai nilai high value dan sisanya sebagai low value sehingga didapat bentuk binary image). 

Gray Level Slicing 

Pendekatan yang lain adalah menerangkan bagian feature yang menjadi fokus namun tetap mempertahankan nilai backgroud dan nilai gray level image bagian image lainnya. 

Bit-Plane Slicing

Untuk melihat fokus terhadap kontribusi dari penampilan image berdasar bit yang spesifik. 
  • Diasumsikan bahwa setiap pixel 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 memuat highest-order bits. 
  • Hanya 5 highest order bits yang memuat data visual yang signifikan. Plane 7 berkorespodensi langsung dengan treshold image pada gray level 128. 

Bit-Plane Slicing

Menampilkan bitbit penyusun image sebagai individual binary image.

Bit-Plane Slicing : Algoritma

Algoritma proses Bit-Plane Slicing 
  • Ambil Citra (I) dalam 8 bit 
  • Jika I dalam RGB konversikan ke Graylevel 
  • Masing-masing nilai graylevel dalam I ubah ke bentuk notasi bit 
  • Pisahkan deretan bit ke dalam 8 array 
  • Bangun citra untuk setiap bit array tersebut ke dalam citra Hasil 
  • Tampilkan Hasil 

Operasi Aritmatika dan Logika

  1. Operasi Arithmetic/logic melibatkan dua atau lebih image yang masing-masing dikenakan operasi pixel per pixel. 
  2. Arithmetic Operations 
  • Addition, Subtraction, Multiplication, and Division
  • Logic Operations 
  • AND, OR, NOT

Aritmatika : Image Substraction 

  • Selisih/difference dari dua imageyang hampir sama untuk melihat feature tertentu dari image dengan melihat perbedaan dari dua image tersebut. 
  • Notasi g(x,y) = f(x,y) – h(x,y) 

Komentar

Postingan populer dari blog ini

Pengenalan Citra Digital

Pengantar PCD  Pengertian Citra Digital  Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan nilai fungsi tersebut pada setiap titik (x,y) merupakan tingkat keabuan citra pada titik tersebut. Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat keabuan (kuantisasi). Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut. Tiga Bidang Berkaitan dengan Proses Citra Hal yang dilakukan di PCD Perbaikan kualitas citra (Image Enhancement) Pemugaran citra (Image Restoration) Segmentasi citra (Image Segmentation) Rekonstruksi citra (Image Reconstruction) Penambahan efek citra (Image Stylization) Pemampatan citra (Image Compression) Analisis citra (Image Analysis...

Histogram

Apakah itu histogram? Histogram memberikan deskripsi global dari penampakan sebuah image. Histogram dari image digital dengan gray levels dari 0 sampai L-1 adalah fungsi diskrit h(rk )=nk , dimana:  rk adalah nilai gray level ke k  nk adalah jumlah pixels dalam image yang memiliki gray level k  n adalah jumlah keseluruhan pixel pada image  k = 0, 1, 2, …, L-1  Histogram dari image digital dengan gray level yang berada dalam range [0, L-1] adalah sebuah fungsi diskrit h(rk) = nk dimana rk adalah nilai gray level ke k dan nk adalah jumlah pixel yang memiliki nilai gray level rk. Dengan Histogram informasi spasial dari image diabaikan dan hanya mempertimbangkan frekuensi relatif penampilan gray level. Sifat – Sifat Histogram Histogram adalah pemetaan Many-to-One  Image yang berbeda dimungkinkan untuk memiliki histogram yang sama   Histogram sebuah image tidak berubah bila image dikenakan operasi tertentu seperti : Rotation, scaling, flip.  Ekualisasi...