Peningkatan Kualitas Citra

7
Peningkatan Kualitas Citra (Image Enhancement) Dokumen Kuno Digital Berbasis Transformasi Wavelet HERI SUSANTO (0604105020018) Jurusan Teknik Elektro Fakultas Teknik Universitas Syiah Kuala Email: [email protected] ABSTRAK Pelestarian dokumen kuno merupakan keharusan, sebab dokumen-dokumen kuno ini memiliki nilai sejarah yang sangat penting untuk dipelajari dan dilestarikan. Pendigitalan dokumen kuno merupakan sebuah solusi, agar dokumen tersebut lebih mudah untuk dipelajari tanpa takut terjadi kerusakan pada dokumen aslinya. Dokumen kuno ini seringkali terkena kotoran atau mengalami perubahan karena disimpan dalam waktu yang lama. Contoh perubahan/kotoran antara lain: perubahan latar belakang kertas menjadi kecoklatan atau bercak- bercak hitam, bayangan tulisan tembus dari belakang kertas karena terkena air dan sebagainya. Tugas akhir ini mengajukan algoritma Wavelet Haar untuk menghilangkan bercak-bercak hitam dan bayangan tulisan pada kertas. Dalam Wavelet Haar citra dibagi dalam 2 (dua) frekuensi yaitu frekuensi tinggi dan frekuensi rendah. Frekuensi rendah juga disebut dengan koefisien aproksimasi dan frekuensi tinggi disebut koefisien detail. Koefisien detail biasanya melambangkan tepian (edge) citra. Noise umumnya berada pada koefisien detail. Dengan meninggikan dan mengecilkan sebagian nilai koefisien aproksimasi, dan mengecilkan nilai koefisien detail mendekati 0 (nol), umumnya bercak- bercak hitam dan bayangan tulisan tembus pada kertas dapat dihilangkan. Kata kunci: Dokumen kuno, Wavelet Haar I. PENDAHULUAN Saat ini, banyak sekali dokumen- dokumen lama zaman kerajaan di Indonesia sudah tersebar ke mana-mana. Sebagian masih utuh dan ditemukan di beberapa negara lain. Namun, sebagian sudah menghilang. Tentu ini adalah hal yang patut disayangkan. Sebab, dokumen- dokumen sejarah itu sebenarnya sangat penting untuk tetap dilestarikan agar dapat dikenang dan dipelajari pada masa masa ini. Memoderenkan dokumen-dokumen kuno dalam bentuk digital merupakan solusi. Selain awet, tentu akan memudahkan para pembaca untuk bisa bebas membaca dokumen kuno tersebut, dan memudahkan pengajar mengajarkan kepada siswanya tentang isi dari dokumen kuno tersebut. Tahap awal proses digitalisasi dokumen kuno adalah men-scan (pindai) atau memotret dokumen tersebut untuk mendapatkan citra dokumen. Citra teks yang dihasilkan bisa memiliki cacat berupa bayangan gelap (show-trough effects) yang terjadi akibat tulisan yang tembus dari bawah kertas, bayangan gelap atau bercak-bercak hitam yang terjadi karena terkena air, dan bayangan gelap pada pinggiran kertas akibat disimpan dalam jangka waktu yang lama. Pada daerah bayangan gelap baris teks umumnya cenderung melengkung, sehingga citra dokumen tersebut perlu diperbaiki. Permasalahan ini sebenarnya dapat diatasi dengan mengunakan teknik pengolahan citra, terutama peningkatan kualitas citra (image enhancement) dengan 1

description

Peningkatan Kualitas Citra (Image Enhancement) Dokumen Kuno Digital Berbasis Transformasi Wavelet

Transcript of Peningkatan Kualitas Citra

Page 1: Peningkatan Kualitas Citra

Peningkatan Kualitas Citra (Image Enhancement) Dokumen Kuno Digital

Berbasis Transformasi Wavelet

HERI SUSANTO

(0604105020018)

Jurusan Teknik Elektro Fakultas Teknik Universitas Syiah Kuala

Email: [email protected]

ABSTRAK

Pelestarian dokumen kuno merupakan keharusan, sebab dokumen-dokumen kuno ini memiliki nilai sejarah yang sangat penting untuk dipelajari dan dilestarikan. Pendigitalan dokumen kuno merupakan sebuah solusi, agar dokumen tersebut lebih mudah untuk dipelajari tanpa takut terjadi kerusakan pada dokumen aslinya. Dokumen kuno ini seringkali terkena kotoran atau mengalami perubahan karena disimpan dalam waktu yang lama. Contoh perubahan/kotoran antara lain: perubahan latar belakang kertas menjadi kecoklatan atau bercak-bercak hitam, bayangan tulisan tembus dari belakang kertas karena terkena air dan sebagainya. Tugas akhir ini mengajukan algoritma Wavelet Haar untuk menghilangkan bercak-bercak hitam dan bayangan tulisan pada kertas. Dalam Wavelet Haar citra dibagi dalam 2 (dua) frekuensi yaitu frekuensi tinggi dan frekuensi rendah. Frekuensi rendah juga disebut dengan koefisien aproksimasi dan frekuensi tinggi disebut koefisien detail. Koefisien detail biasanya melambangkan tepian (edge) citra. Noise umumnya berada pada koefisien detail. Dengan meninggikan dan mengecilkan sebagian nilai koefisien aproksimasi, dan mengecilkan nilai koefisien detail mendekati 0 (nol), umumnya bercak- bercak hitam dan bayangan tulisan tembus pada kertas dapat dihilangkan.

Kata kunci: Dokumen kuno, Wavelet Haar

I. PENDAHULUAN

Saat ini, banyak sekali dokumen-dokumen lama zaman kerajaan di Indonesia sudah tersebar ke mana-mana. Sebagian masih utuh dan ditemukan di beberapa negara lain. Namun, sebagian sudah menghilang. Tentu ini adalah hal yang patut disayangkan. Sebab, dokumen-dokumen sejarah itu sebenarnya sangat penting untuk tetap dilestarikan agar dapat dikenang dan dipelajari pada masa masa ini. Memoderenkan dokumen-dokumen kuno dalam bentuk digital merupakan solusi. Selain awet, tentu akan memudahkan para pembaca untuk bisa bebas membaca dokumen kuno tersebut, dan memudahkan pengajar mengajarkan kepada siswanya tentang isi dari dokumen kuno tersebut.

Tahap awal proses digitalisasi dokumen kuno adalah men-scan (pindai) atau memotret dokumen tersebut untuk mendapatkan citra dokumen. Citra teks yang dihasilkan bisa memiliki cacat berupa bayangan gelap (show-trough

effects) yang terjadi akibat tulisan yang tembus dari bawah kertas, bayangan gelap atau bercak-bercak hitam yang terjadi karena terkena air, dan bayangan gelap pada pinggiran kertas akibat disimpan dalam jangka waktu yang lama. Pada daerah bayangan gelap baris teks umumnya cenderung melengkung, sehingga citra dokumen tersebut perlu diperbaiki.

Permasalahan ini sebenarnya dapat diatasi dengan mengunakan teknik pengolahan citra, terutama peningkatan kualitas citra (image enhancement) dengan teknik restorasi dan segmentasi, dokumen-dokumen kuno yang rusak yang telah didigitalisasi selanjutnya akan diproses melalui beberapa rangkain teknik untuk menghasilkan dokumen kuno digital yang baru. Diantaranya penelitian yang pernah dilakukan dari Teknik elektro Universitas Syiah Kuala, yaitu Fitri Arnia (2010) membahas tentang restorasi manuskrip dokumen kuno Aceh, yang mempunyai dua tujuan khusus yaitu: (1) untuk menghilangkan bintik noda (yang dapat diakibatkan oleh tumpahan air dan (2) menghilangkan bayangan tulisan (teks) yang berasal dari halaman sebelah menuskrip hasil digitalisasi.

Pada percobaan ini, peningkatan kualitas citra dokumen kuno digital dibatasi pada 2 (dua) hal, diantaranya: menghilangkan bayangan atau bercak-bercak hitam pada kertas dan menghilangkan bayangan tulisan yang tembus dari belakang kertas menggunakan metode Wavelet Haar. Dalam hal ini tentunya akan menghasilkan dokumen kuno digital baru yang lebih bagus dan lebih mudah dibaca daripada dokumen aslinya.

Dokumen_1.bmp [1] dokumen_2.bmp [2]

Gambar 1 : Dokumen-dokumen yang memiliki bercak-bercak hitam dan

bayangan tulisan tembus dari belakang kertas

1

Page 2: Peningkatan Kualitas Citra

II. DASAR TEORI

A. Image EnhancementPeningkatan kualitas citra (image enhancement)

merupakan salah satu proses awal dalam pengolahan citra (image preprocessing). Peningkatan kualitas citra diperlukan karena seringkali citra yang diuji mempunyai kualitas yang buruk, misalnya citra mengalami derau (noise) pada saat pengiriman melalui saluran transmisi, citra terlalu terang/gelap, citra kurang tajam, kabur, dan sebagainya. Melalui operasi pemrosesan awal inilah kualitas citra diperbaiki sehingga citra dapat digunakan untuk aplikasi lebih lanjut [3].

Lebih rincinya image enhancement adalah proses memperjelas dan mempertajam ciri/fitur tertentu dari citra agar citra lebih mudah dipersepsi maupun dianalisis secara lebih teliti. Secara matematis, image enhancement dapat diartikan sebagai proses mengubah citra f(x, y) menjadi f ’(x, y) sehingga ciri-ciri yang dilihat pada f(x, y) lebih ditonjolkan. Image enhancement tidak meningkatkan kandungan informasi, melainkan jangkauan dinamis dari ciri agar bisa dideteksi lebih mudah dan tepat [4]. Dalam percobaan ini manipulasi citra dilakukan dalam domain frekuensi. Beberapa jenis transformasi yang dapat digunakan untuk mengubah citra dari domain spasial ke domain frekuensi antara lain, transformasi fourier, transformasi Wavelet (Wavelet transform), Discrete Cosine Transform (DCT), dan sebagainya.

Operasi-operasi yang digolongkan sebagai perbaikan kualitas citra cukup beragam antara lain, pengubahan kecerahan gambar (image brightness), peregangan kontras (contrast stretching), pengubahan histogram citra, pelembutan citra (image smoothing), penajaman (sharpening) tepi (edge), pewarnaan semu (pseudocolouring), pengubahan geometrik, dan sebagainya.

B. Wavelet HaarDalam transformasi Haar, terdapat dua proses yang

harus dilakukan yaitu transformasi forward (dekomposisi) dan transformasi inverse (rekontruksi). Transformasi forward berguna untuk memecah gambar. Sedangkan transformasi inverse adalah kebalikannya, yaitu membentuk kembali pecahan-pecahan gambar dari proses forward menjadi sebuah citra seperti semula (proses rekonstruksi) [5].

C. Transformasi Forward (Dekomposisi)Tiap langkah dalam transformasi Haar

memperhitungkan kumpulan koefisien-koefisien Wavelet dan kumpulan rata-rata [6]. Jika suatu kumpulan data S0, S1, …, SN-1 berisi unsur-unsur N, akan terdapat N/2 rata-rata dan N/2 nilai-nilai koefisien. Rata-rata disimpan dalam setengah lebih rendah dari kesatuan unsur N dan koefisien-koefisien disimpan dalam setengah diatas. Rata-rata menjadi input untuk langkah selanjutnya dalam penghitungan Wavelet, dimana untuk iterasi i+1, Ni+1 = Ni/2. Iterasi-iterasi berlanjut sampai suatu rata-rata tunggal dan koefisien tunggal dihitung. Ini mengganti sekumpulan data asal dari unsur-unsur N dengan rata-rata yang telah didapat, yang diikuti dengan sekumpulan koefisien-

koefisien yang ukurannya adalah peningkatan pangkat dua (misalnya, 20, 21, 22, …, N/2).

Persamaan-persamaan Haar untuk menghitung suatu rata-rata (ai) dan koefisien-koefisien Wavelet (ci) dari suatu unsur ganjil dan genap dalam sekumpulan data ditunjukkan di bawah :

ai =

S i+Si+1

2

(1)

ci =

S i−S i+1

2 (2)Dalam terminologi Wavelet, rata-rata Haar dihitung dengan fungsi penskalaan. Koefisien dihitung dengan fungsi Wavelet.

Input data pada tranformasi Haar dapat secara sempurna dibangun kembali dengan menggunakan persamaan-persamaan berikut :

Si = ai + ci (3)

Si+1 = ai - ci (4)

Dalam pandangan aljabar linear transformasi forward Haar, rata-rata pertama dihitung dengan produk sinyal linear [s0, s1, …sN-1] dan vektor, dari ukuran yang sama [0,5, -0,5, 0, 0, …0]. Rata-rata dan koefisien selanjutnya dihitung dengan merubah penskalaan dan vektor-vektor Wavelet dengan dua dan menghitung produk-produk sebelah dalam.

Pada penskalaan literatur dan nilai-nilai Wavelet terkadang ditunjukkan masing-masing dengan h1 dan g1. Koefisien-koefisien fungsi penskalaan:h0 = 0,5h1 = 0,5Koefisien-koefisien fungsi Wavelet:g0 = 0,5g1 = - 0,5Penskalaan dan nilai-nilai Wavelet untuk perubahan Haar ditunjukkan di bawah ini dalam bentuk matriks:

Gambar 2 Matriks Transformasi Haar

Langkah pertama dari transformasi forward Haar seperti delapan sinyal unsur yang diperlihatkan di gambar 3 Disini sinyal dikalikan dengan matriks tranformasi forward:

2

Page 3: Peningkatan Kualitas Citra

Gambar 3: Matriks Transformasi Forward Haar

Tanda panah menunjukkan operasi pembagian yang mengatur kembali hasil sehingga nilai-nilai rata-rata berada dalam setengah pertama vektor dan koefisien-koefisien berada dalam setengah kedua vektor. Langkah selanjutnya mengalikan nilai-nilai ai dengan matriks perubahan 4 x 4, yang menghasilkan dua rata-rata baru dan dua koefisien-koefisien baru yang akan menggantikan rata-rata dalam langkah pertama. Langkah terakhir mengalikan rata-rata baru ini semua dengan matriks 2 x 2 yang menghasilkan rata-rata akhir dan koefisien akhir [4].

Citra asli V dengan M x N piksel didekomposisi menjadi empat subband LL1, LH1, HL1, dan HH1 dengan menggunakan transformasi Wavelet Haar. Komponen-komponen tersebut secara matematis untuk transformasi Wavelet dengan filter Haar dihasilkan dengan menggunakan persamaan sebagai berikut :

ll 1 ( x,y )=14∑i=0

1

∑j=0

1

v (2 x+i ,2 y+ j) (5)

lh1 ( x,y )=14∑i=0

1

v (2 x+i ,2 y )−14∑i=0

1

v (2 x+ i , 2 y+1) (6)

hl 1 (x,y )=14∑j=0

1

v (2 x , 2 y+ j)− 14∑j=0

1

v (2 x+1,2 y+ j)

(7)

hh 1 ( x,y )=14

{v (2 x ,2 y )+v (2 x+1,2 y+1 )¿¿−v (2 x+1,2 y )−v (2x ,2 y+1 )} ¿

(8)

Dengan syarat :

[0≤x≤ M2

, 0≤ y≤ N2 ]

(9)

Dimana v(x,y) merupakan nilai piksel pada koordinat (x,y) pada citra V. Sedangkan ll1(x,y), lh1(x,y), hl1(x,y), dan hh1(x,y) secara berturut-turut adalah komponen pada koordinat (x,y) dari LL1, LH1, HL1, dan HH1. LL merupakan setengah resolusi dari citra asli. LH merupakan subband detail horizontal, HL merupakan subband detail vertikal, dan HH merupakan subband dari detail diagonal. LL1 selanjutnya didekomposisi menjadi empat subband LL2, HL2, LH2, dan HH2. Operasi ini dapat diulang sampai dengan LL sama dengan 1 x 1. Berikut adalah gambar dan pembagian subband dari proses forwad Haar:

Gambar 4: Proses Transformasi Forward Haar

Keterangan : L = Lowpass

H = Highpass

D. Transformasi Inverse (Rekontruksi)Seperti pada transformasi forward Haar, satu langkah

dalam transformasi inverse Haar dapat digambarkan dalam hubungan-hubungan aljabar linear (Polikar, Robi (1999). Operasi matriks untuk membalikkan langkah pertama transformasi Haar untuk delapan sinyal unsur ditunjukkan di gambar 5:

Gambar 5: Matriks Transformasi Inverse Haar

Proses pengembalian dekomposisi Haar menjadi sebuah citra kembali (rekonstruksi), secara singkat bisa dijabarkan sebagai berikut :1. Mengembalikan LL2, HL2, LH2, dan HH2 menjadi

LL1, dengan cara mengambil satu piksel di LL2, HL2, LH2, dan HH2, dengan koordinat yang sama, begitu seterusnya sampai koordinat terakhir.

2. Mengembalikan LL1, HL1, LH1, dan HH1 menjadi citra kembali dengan cara yang sama seperti pada proses pertama.

3

Page 4: Peningkatan Kualitas Citra

III. METODE USULAN

Pada tugas akhir ini menggunakan metode algoritma Wavelet, khususnya Wavelet Haar untuk menghilangkan bercak-bercak hitam dan bayangan tulisan yang tembus dari belakang kertas.A. Kondisi Percobaan

Percobaan dilakukan dengan simulasi komputer dan menggunakan tool matlab 7.0. Secara skematis langkah-langkah percobaan digambarkan pada diagram blok berikut:

Gambar 6: Diagram blok simulasi

Ada dua buah citra grayscale yang digunakan sebagai citra masukan, data citra seperti table 3.1 berikut :

TABEL 1.Data citra yang digunakan sebagai citra masukan

Nama CitraDimensi (pixel)

Kapasitas

(Kb)Format

dokumen_1 341 x 275 93,4 BMP

dokumen_2 316 x 276 86,2 BMP

dokumen_1.bmp dokumen_2.bmp

Gambar 7: dokumen_1 dan dokumen_2 merupakan citra abu-abu untuk percobaan

IV. PERCOBAAN, HASIL, DAN PEMBAHASAN

A. Percobaan PertamaPercobaan pertama ini menggunakan dokumen

dengan bertuliskan arab melayu yang memiliki bercak-bercak hitam pada kertasnya.Tahap awal mendekomposisikan citra asli dengan 1(satu) tingkat dan 2(dua) tingkat, dan didapatkan koefisien aproxsimasi dan koefisien detail, tahap selanjutnya membesarkan dan mengecilkan sebagian nilai koefisien aproksimasi yaitu dengan pengalian nilai ¼ (seperempat) dari nilai rata-rata koefisien aproxsimasi, nilai lebih besar dari ¼ (seperempat) nilai rata-rata koefisien aproksimasi dikalikan 1,8 dan nilai lebih kecil dikalikan dengan nilai 0.01. Sedangkan nilai koefisien detail dikecilkan dengan pembagian nilai koefisien detail agar mendekati nilai 0 (nol). Hasil dari dekomposisi ini menghasilkan gambar koefisien berikut:

A B

C D

Gambar 8: Gambar A, B, C, dan D merupakan gambar koefisien-

koefisien citra yang telah melewati dekomposisi 1 tingkat dan perubahan

nilai koefisien

Gambar A merupakan subband koefisien aproksimasi (LL), gambar B merupakan kofisien dari subband detail horizontal (LH), gambar C merupakan koefisien subband detail vertikal (HL), dan gambar D merupakan koefisien subband detail diagonal (HH).

Selanjutnya merekontruksi (inverse) atau menggabung ulang citra tersebut. Rekontruksi ini dilakukan dengan dua tingkatan, hasil rekontruksi seperti berikut:

A B

C

Gambar 9 : Gambar A citra asli, gambar B hasil rekontruksi 1 tingkat, dan gambar C hasil rekontruksi 2 tingkat

Dari gambar 9 dapat dilihat perubahan citra asli (gambar A) yang memiliki bercak-bercak hitam pada kertasnya ke citra rekontruksi 1 tingkat (gambar B) dan 2

4

Page 5: Peningkatan Kualitas Citra

tingkat (gambar C). Pada rekontruksi 1 tingkat umumnya bercak-bercak hitam dapat dihilangkan, ini terjadi karena semua nilai yang diasumsikan untuk bercak-bercak hitam yaitu nilai diatas ¼ nilai rata-rata pada koefisien aproksimasi dibesarkan dengan pengalian 1,8. Jadi pada tahap rekontruksi atau menggabung ulang semua koefisien menjadi citra kembali, sebagian nilai pixel citra yang diinginkan tetap besar. Walaupun masih ada tinggal sebagian bercak hitam tetapi secara umum bercak hitam dapat dihilangkan. Dan pada rekontruksi 2 tingkat ini hanya sebagai pembanding dengan rekontruksi 1 tingkat, dan hasil pada rekontruksi 2 tingkat umumnya semua bercak-bercak hitam juga dapat dihilangkan.

Perbedaan rekontruksi 1 tingkat dan 2 tingkat adalah ukuran besar citra yang dihasilkan pada rekontruksi 1 tingkat sama dengan citra aslinya (misal: citra asli 8 x 8 = citra rekotruksi 1 tingkat 8 x 8), sedangkan rekontruksi 2 tingkat ukuran besar citra yang dihasilkan lebih kecil/setengah dari ukuran citra rekontruksi 1 tingkat/citra asli (citra asli 8 x 8 = citra rekontruksi 2 tingkat 4 x 4).

B. Percobaan KeduaPercobaan kedua ini menggunakan dokumen dengan

bertuliskan huruf latin yang memiliki bayangan tulisan tembus dari belakang kertasnya. Tahapan pada percobaan kedua sama dengan percobaan pertama, hasil rekontruksi dari percobaan kedua seperti berikut:

A B

C

Gambar 10: Gambar A citra asli, gambar B hasil rekontruksi 1 tingkat, dan gambar C hasil rekontruksi 2 tingkat

Dari gambar 10 dapat dilihat perubahan citra asli (gambar A) yang memilki bayangan tulisan yang tembus dari belakang kertasnya ke citra rekontruksi 1 tingkat (gambar B) dan 2 tingkat (gambar C). Pada rekontruksi 1 tingkat umumnya bayangan tulisan tembus dapat dihilangkan, dan hasil pada rekontruksi 2 tingkat umumnya hampir sama dengan rekontruksi 1 tingkat yaitu bayangan tulisan tembusnya hampir semua dapat dihilangkan.

V. KESIMPULAN

Pada percobaan pertama didapati citra hasil rekontruksi 1 tingkat yang masih meninggalkan sedikit bercak hitam, ini terjadi akibat perbedaan tingkat

kehitaman tulisan dan kehitaman bercak hampir sama. Namun secara umum kemampuan metode tranformasi Wavelet Haar dalam hal menghilangkan bercak hitam dan bayangan tulisan tembus cukup baik (hampir semua bercak dan bayangan tulisan tembus dapat dihilangkan). Dengan kekurangan (bercak hitam yang tersisa) ini dibutuhkan pengembangan lebih lanjut untuk mencari metode yang tepat (jenis keluarga wavelet lain) atau juga nilai perubahan koefisien yang tepat agar didapati dokumen kuno hasil rekontruksi yang lebih baik.

DAFTAR PUSTAKA[1] Dokumen arsip 1. (http://acehms.dl.uni-leipzig.de/content/below,

diakses 06 September 2010).[2] Dokumen arsip 2 diambil dari Badan Arsip Aceh,Banda Aceh,

diambil 10 september 2010.[3] Gonzalez R. C. dan Woods R.E. (2002). Digital Image Processing,

Prentice Hall, New Jersey, USA.[4] Tena Silvester. (2009).Image Enhancement Mengggunakan

Metode Linear Filtering Dan Wavelet Transform, (http://ejournal.unud.ac.id/abstrak/silvertena_6_.pdf, diakses 7 November 2010).

[5] Polikar, Robi. (1999). The Wavelet Tutorial, (http://users.rowan.edu/~polikar/, diakses 27 November 2010).

[6] Meutia, Rahmi. (2009). Aplikasi Wavelet Untuk Deteksi Tepi Pada Citra Grayscale Yang Berderau, Tugas Akhir Universitas Syiah Kuala, Banda Aceh.

[7] Polikar, Robi (1998). Multi Resolution Analysis: Discrete Wavelet Transform, Durhan Computation Center, Lowa State.

[8] Zulfathan (2010). Metode Pencocokan Citra (Image Matching) Berbasis Koefisien Transformasi Wavelet Diskrit. Tugas Akhir Universitas Syiah Kuala, Banda Aceh.

[9] Donoho, D.L; I.M. Jonhstone (1994). Ideal de-noising in an orthogonal basis chosen from a library of bases, CRAS Paris, Ser I, t. 319, pp. 1317-1322.

[10] I. Dabechies (1992). Ten Lectures on Wavelets, SIAM.

5