DC - OKT 2003 1

Pengolahan Citra Digital:Peningkatan Mutu CitraPada Domain Spasial

Dr. Aniati Murni (R.1202)Dina Chahyati, M.Kom (R.1226)

Universitas Indonesia

DC - OKT 2003 2

Tujuan Peningkatan Mutu Citra

Sumber Pustaka: Gonzalez, Bab 4Tujuan dari teknik peningkatan mutu citraadalah untuk melakukan pemrosesanterhadap citra agar hasilnya mempunyaikwalitas relatif lebih baik dari citra awal untukaplikasi tertentu.Kata baik disini tergantung pada jenis aplikasidan problem yang dihadapi.

DC - OKT 2003 3

Jenis Teknik Peningkatan Mutu Citra

Teknik peningkatan mutu citra dapatdibagi menjadi dua:

Peningkatan mutu citra pada domain spasial

Point ProcessingMask Processing

Peningkatan mutu citra pada domain frekuensi

DC - OKT 2003 4

Image Enhancement

Spatial Domain Frequency Domain

I. Point Processing II. Mask Processing …(next week)

a. Image Negativeb. Contrast Stretchingc. Histogram Equalization

- all grey level and all area- specific grey level (histogram specification)- local enhancement (specific part of the image)

d. Image Subtractinge. Image Averaging

Lingkup Pembahasan

DC - OKT 2003 5

I. Point Processing

Cara paling mudah untuk melakukanpeningkatan mutu pada domain spasialadalah dengan melakukan pemrosesanyang hanya melibatkan satu piksel saja(tidak menggunakan jendelaketetanggaan)Pengolahan menggunakan histogram juga termasuk dalam bagian point processing

DC - OKT 2003 6

Ia. Image NegativeMengubah nilai grey-level piksel citra input dengan:

Gbaru = 255 - Glama

Hasilnya seperti klise foto

7

Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997)Aplikasi Penginderaan Jarak Jauh(Sumber: Murni, 1997)

Citra Optik Citra SAR(Sumber: Bakosurtanal RI)

DC - OKT 2003 8

Ib. Contrast Stretching

Mengubah kontras darisuatu image dengan caramengubah greylevel piksel-piksel pada citra menurutfungsi s = T(r) tertentur1 ≤ r2, s1 ≤ s2r1 = r2, s1 = s2 tidakada perubahanr1 = r2, s1 = 0, s2 = 255 tresholding menjadi citrabiner dengan ambang r1

0

s

(r1,s1)

T(r)

(r2,s2)

r

255

255

DC - OKT 2003 9

Contoh Contrast Stretching

DC - OKT 2003 10

Contrast Stretching

Fungsi lain yang baik digunakan adalah: fout = (fin – a) * ba = min(fin)b = 255 / (max(fin) – min(fin))Citra masukan yang grey level nya tidakpenuh dari 0 – 255 (low constrast) diubahmenjadi citra yang grey level nya berkisardari 0 – 255 (high contrast)

DC - OKT 2003 11

Ic. Histogram Equalization

Histogram: diagram yang menunjukkan jumlahkemunculan grey level (0-255) pada suatu citraHistogram processing:

Gambar gelap: histogram cenderung ke sebelah kiriGambar terang: histogram cenderung ke sebelahkananGambar low contrast: histogram mengumpul di suatutempatGambar high contrast: histogram merata di semuatempat

Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah

DC - OKT 2003 12

Ic. Histogram Equalizationin all grey level and all area (1)

Ide: mengubah pemetaangreylevel agar sebarannya(kontrasnya) lebih menyebarpada kisaran 0-255Sifat:

Grey level yang seringmuncul lebih dijarangkanjaraknya dengan grey level sebelumnyaGrey level yang jarangmuncul bisa lebihdirapatkan jaraknya dengangrey level sebelumnyaHistogram baru pastimencapai nilai maksimalkeabuan (contoh: 255)

DC - OKT 2003 13

Ic. Histogram Equalizationin all grey level and all area (2)

- mengubah pemetaan grey level padacitra, dengan rumus:

citra pada ada yang maksimal levelgrey adalah L1,.....,1,010

)()(0 0

−=≤≤

=== ∑ ∑= =

Lkdanr

rpnn

rTs

k

k

j

k

jj

jkk

DC - OKT 2003 14

Ic. Histogram Equalizationin all grey level and all area (3)

Contoh : citradengan derajatkeabuan hanyaberkisar 0-10

Citra awal: 3 5 5 5 45 4 5 4 45 3 4 4 44 5 6 6 3

Derajat Keabuan

Kemunculan

Probabilitas Kemunculan

Sk

SK * 10

Derajat keabuan baru

0 1 2 3 4 5 6 7 8 9 10

0 0 0 3 8 7 2 0 0 0 0

0 0 0 0.15 0.40 0.35 0.1 0 0 0 0

0 0 0 0.15 0.55 0.90 1 1 1 1 1

0 0 0 1.5 5.5 9 10 10 10 10 10

0 0 0 1 5 9 10 10 10 10 10

Citra Akhir: 1 9 9 9 59 5 9 5 59 1 5 5 55 9 10 10 1

DC - OKT 2003 15

Ic. Histogram Equalizationspecific grey level (hist. specification)

Histogram equalization tidak dilakukanpada seluruhbagian darihistrogram tapihanya padabagian tertentusaja

DC - OKT 2003 16

Ic. Histogram Equalizationspecific area (local enhancement)

Histogram equalization hanya dilakukan padabagian tertentu dari citra

DC - OKT 2003 17

Ic. Histogram Equalizationspecific area (local enhancement)

Histogram equalizationmenggunakanjendela 7x7

DC - OKT 2003 18

Id. Image Substraction

Dilakukan jika kita ingin mengambilbagian tertentu saja dari citra

- =

19

Aplikasi Kedokteran (Biomedik)(Sumber: Thesis S2 Kartono)Aplikasi Kedokteran (Biomedik)(Sumber: Thesis S2 Kartono)

Thorax X-Ray Standard Landmarks Thorax Tissue

DC - OKT 2003 20

Ie. Image Averaging

Dilakukan jika kita memilikibeberapa citra yang bergambarsama, namun semua citramemiliki noise (gangguan)

Noise satu citra berbeda dengannoise citra lainnya (tidakberkorelasi)

Cara memperbaikinya adalahdengan melakukan operasi rata-rata terhadap semua citratersebut

DC - OKT 2003 21

II. Mask Processing (1)

Jika pada point processing kita hanyamelakukan operasi terhadap masing-masingpiksel, maka pada mask processing kitamelakukan operasi terhadap suatu jendelaketetanggaan pada citra.Kemudian kita menerapkan(mengkonvolusikan) suatu mask terhadapjendela tersebut. Mask sering juga disebutfilter.

DC - OKT 2003 22

II. Mask Processing (2)

1 2 38 x 47 6 5

Contoh: Jendela ketetanggan 3x3,Nilai piksel pada posisi x dipengaruhioleh nilai 8 tetangganya

Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhioleh nilai tetangga-tetangganya

DC - OKT 2003 23

II. Mask Processing (3)W1 W2 W3

W4 W5 W6

W7 W8 W9

Contoh sebuah mask berukuran 3x3.Filter ini akan diterapkan / dikonvolusikan pada setiap jendelaketetanggaan 3x3 pada citra (anggapfilter sudah dalam bentuk terbalik)

G11 G12 G13 G14 G15

G21 G22 G23 G24 G25

G31 G32 G33 G34 G35

G41 G42 G43 G44 G45

G51 G52 G53 G54 G55

G22’ = w1 G11 + w2 G12 + w3 G13+w4 G21 + w5 G22 + w6 G23 +w7 G31 + w8 G32 + w9 G33

DC - OKT 2003 24

II. Jenis-jenis filter spasial

Smoothing filters:Lowpass filter (linear filter, mengambil nilairata-rata)Median filter (non-linear filter, mengambilmedian dari setiap jendela ketetanggan)

Sharpening filters:Roberts, Prewitt, Sobel (edge detection)Highpass filter

DC - OKT 2003 25

II. Contoh penerapan filter spasial

1 1 11 1 11 1 1

1/9 x

(a) Gambar Asli(b)-(f) hasil dari spatial lowpassfiltering dengan ukuran mask3,5,7,15,25

Average lowpass filter

DC - OKT 2003 26

II. Contohpenerapanfilter low pass dan median

(a) Gambar asli(b) Gambar yang diberi noise(c) Hasil dari 5x5 lowpass average filtering(d) Hasil dari 5x5 median filtering

DC - OKT 2003 27

II. Edge detection

Pada suatu citramonokrom, suatuedge (sisi) dapatditandai denganadanya suatuperbedaan intensitasyang besar

DC - OKT 2003 28

II. Edge detectionBagaimana ‘mendeteksi’ perbedaan intensitas tersebut?

Dengan mempertegas perbedaan (kalikan satuintensitas dengan nilai negatif, kemudian kalikan nilaipositif pada intensitas lainnya)

Kasus A: 2 bersisian dgn 100 (edge) 2*(-1) + 100*(1)= 99Kasus B: 2 bersisian dgn 4 (not edge) 2*(-1) + 4*(1)= 2

Lakukan tresholding untuk memperjelas mana bagiansisi dan mana yang bukan

Ambil treshold = 90, maka Kasus A akan dianggapsebagai sisi, Kasus B tidak dianggap sisi

DC - OKT 2003 29

II. Contoh edge detection-1 -2 -1

0 0 0

1 2 1

-1 0 1

-2 0 2

-1 0 1

Sobel

-1 -1 -1

0 0 0

1 1 1

-1 0 1

-1 0 1

-1 0 1

Prewitt(a)Gambar awal, (b) hasil dari Prewitt Mask, (c) thresholding dari (b) padanilai > 25 (d) thresholding dari (b) pada nilai >25 dan < 25 (black)