Transparansi Pengolahan Citra Digital

PENGOLAHAN CITRA DIGITAL

OLEH: HARINTAKAJURUSAN TEKNIK GEODESI & GEOMATIKA FAKULTAS TEKNIK

UNIVERSITAS GADJAH MADA 20071

Identitas Mata KuliahKode & Nama Bobot & Sifat Prasyarat Dosen Deskripsi Pengolahan Citra Digital 2+1 SKS Wajib Inti Fotogrametri 1. 2. Harintaka, ST, MT Ir. Christine NK SU.Pj.

Mata kuliah Pengolahan Citra Digital mengajarkan tentang citra sebagai salah satu sumber data kebumian, cara mengolah citra dan cara mendapatkan informasi dari citra secara digital Setelah mengikuti mata kuliah ini mahasiswa dapat menyediakan data kebumian sebagai masukan pekerjaan survei pemetaan dari sumber data citra digitalHarintaka - Teknik Geodesi FT-UGM 2 FT-

Tujuan Pembelajaran

Silabus1. Pendahuluan 2 3. Pengumpulan data citra dalam format digital 4. Sistem pengolah digital 5 6. Statistik citra digital Macam pengumpulan data spasial kebumian secara langsung dan tidak langsung Teknik analisis informasi citra visual dan digital Sistem Penginderaan Jauh sebagai penghasil citra digital Pengertian citra digital Cara memperoleh citra digital Sistem penyimpanan data digital

Konsep resolusi Perangkat sistem pengolah citra digital Tinjauan ulang istilah statistik: rata-rata, simpangan baku Statistik citra tunggal: rata-rata, simpangan baku, dan analisis hasil hitungan Statistik citra multi band: varian kovarian, korelasi, regresi

Harintaka - Teknik Geodesi FT-UGM 3 FT-

Silabus78 Pemrosesan awal data Penginderaan Jauh 9-11 Peningkatan Citra Kualitas citra Koreksi citra (radiometrik dan geometrik)

Perbesaran dan pengecilan citra Peningkatan kontras Perbandingan band Penapisan/filtering Manipulasi warna

12-14 Transformasi Citra 15-16 Klasifikasi digital

PCA Indeks Vegetasi Jenis klasifikasi Metode klasifikasi Tahap klasifikasi Cara klasifikasi Transformasi sebelum pemrosesan


Daftar Pustaka1. JARS, 1993, Remote Sensing Note, Japan Association on Remote Sensing, Nihon Printing Co. Ltd, Japan. 2. Jensen, J.R., 1996, Introductory Digital Image Processing: A Remote Sensing Perspective, Prentice Hall. 3. Harintaka, 2007, RPKPS dan Modul Praktikum: Pengolahan Citra Digital, Jurusan Teknik Geodesi dan Geomatika FT-UGM 4. Djurdjani dan Noegroho, C. K., 2004, RPKPS dan Bahan Ajar: Pengolahan Citra Digital, Jurusan Teknik Geodesi FT-UGM 5. Lillesand and Kiefer, 2000, Remote Sensing and Image Interpretation, Edisi ke-4, John Wiley and Sons, New York.


Ketentuan Perkuliahan Selama mengikuti perkuliahan Pengolahan Citra Digital, mahasiswa harus memenuhi ketentuan sbb: Attitude harus dijaga (sopan prilaku, pakaian,dll) Kehadiran (presensi) ikut menentukan Nilai Akhir Tugas/PR/Quis/Ujian harus lengkap Tugas individu (al. Kuis, Mid, Ujian Akhir) harus dikerjakan sendiri Curang (bekerjasama unt tugas mandiri, nyontek ujian, dll) akan di-pinalti.


- Univariate Statistic - Multivariate Statistic

Statistik Citra


Statistik Citra Cakupan materi: Univariate Statistic Nilai piksel terrendah dan tertinggi setiap band Range piksel setiap band Mode/modus setiap band Median setiap band Rata-rata atau mean setiap band Varian setiap band Simpangan baku/standar deviasi setiap band Multivariate Statistic Matrik varian kovarian antar band Matrik korelasi antar bandHarintaka - Teknik Geodesi FT-UGM 8 FT-

Statistik Citra: Univariate StatisticRata-rata

k =

BVi =1

n

ik

nn i =1 ik

Varian

vark =

(BV

k )

2

(populasi&sampel)

n

atau vark =

(BVi =1

n

ik

k )

2

n 1

Simpangan baku (SD)

s k = vark


Statistik Citra: Multivariate StatisticJumlah nilai terkoreksi (SP)

SPkl = (BVik k )(BVil l )i =1

n

atauSPkl = (BVik xBVil ) i =1 n

BVik BVili =1 i =1

n

n

n

Kovarian (antar bank k dan l) Koefisien korelasi (band k dgn l)

cov kl =

SPkl n 1

rkl =

cov kl S k SlHarintaka - Teknik Geodesi FT-UGM 10 FT-

Statistik Citra


Statistik CitraHitunglah Jumlah piksel Ada berapa kelompok Jumlah kemunculan/ frekuensi: Nilai 50 Nilai 60 Nilai 90 Histogram


Statistik Citra


Statistik Citra

Keterangan (a) Air (b) Tanah basah\ (c) Dataran tinggi


Statistik Citra

Keterangan (a) Temperatur dingin air payau (b) Temperatur hangat sungai savanah (c) Temperatur panas dari pipa pembewa air panas


Statistik Citra


Statistik Citra


Statistik Citra


Statistik Citra


Statistik Citra: LatihanPiksel (1,1) (1,2) (1,3) (1,4) (1,5) Band 1 110 105 130 145 175 Band 2 30 40 35 60 55 Band 3 160 200 155 210 215 Band 4 210 205 155 210 225 4. Nilai varian 5. Nilai kovarian 6. Koefisien korelasi

1.Berapa ukuran citra 2.Susun dalam format: BIP, BIL, BSQ 3.Untuk setiap band, hitung: 1. Nilai min, maks, range 2. Nilai modus, median 3. Nilai mean 4. Simpangan baku 5. Varian 6. Gambar histogram


- Perbesaran & Pengecilan Citra - Peningkatan kontras - Perbandingan band - Filtering - Manipulasi warna

Peningkatan Citra


Penajaman Citra dan Ekstraksi Feature (1)Penajaman Citra: Konversi kualitas citra menjadi lebih baik dan lebih dapat dipahami untuk keperluan penyadapan informasinya (feature) atau untuk interpretasi (JARS, 1992). Sementasi Koreksi Radiometrik ditujukan untuk rekonstruksi nilai (spektral) obyek (di permukaan bumi) yang telah dikalibrasi (JARS, 1992). Penyadapan Informasi: Operasi unt meng-kuantisasi kualitas obyek dengani berbagai macam fungsi yang diterapkan pada citra original (JARS, 1992) Penajaman Citra, al mencakup: Gray scale conversion Histogram conversion Color composite Color conversion between between RGB HSI Filtering dllHarintaka - Teknik Geodesi FT-UGM 22 FT-

Penajaman Citra dan Ekstraksi Feature (2)Penyadapan Informasi/Obyek/Feature: Spectral feature. for special color or tone, gradien, etc Geometric feature edge, shape, size, etc Textural features pattern, spatial frequency, homogenity, etc Image Enhancement Image Conversion Feature Extraction Gray scale conversion/ Histogram conversion Color Composition HIS Conversion Spectral feature (eq. PCA)Geomatric feature (eq. Edge, lineament) Textural feature (eq. Spatial frequncy)Harintaka - Teknik Geodesi FT-UGM 23 FT-

Penajaman Citra dan Ekstraksi Feature (3)Gray Scale Conversion: Merupakan cara penajaman citra yang paling sederhana Fungsi: Y = f (x) x = citra original Y = citra hasil Linear Conversion: Y = ax + b Contrast Stretch:

Y

Ymax

Ymin Xmin Xmax

y y min (x x min ) + y min Y = max x max x min

X


Penajaman Citra dan Ekstraksi Feature (4)Fold Conversion Merupakan multi kurva linear yang digunakan untuk menajamkan sebagian grey scale pada citra Saw Conversion: Diterpakan pada citra yang memiliki grayscale tidak kontinu (discontinue grayscale) Continuous Function: Al. fungsi eksponensial. Log, polinomial


Penajaman Citra dan Ekstraksi Feature (5)Local Grey scale Conversion: Pada operasi local gray scale dimungkinkan untuk menggunakan beberapa fungsi penajaman citra pada bagian-bagian citra (lokal). Histogram Conversion: Adalah konversi dari histogram citra asli ke (bentuk) histogram yang lain. Fungsi ini termasuk dalam tipe gray scale conversion. Ada 2 macam teknik histogram conversion, yaitu: histogram equalization dan histogram normalization. Histogram Equalization. Langkah: (1). Buat komulatif hitogram (2). Pembagian komulatif histogram dlm equal region (3). Konversi gray scale setiap region


Penajaman Citra dan Ekstraksi Feature (6)Histogram Equalization.

f x

f x

Histogram

y xKomulatif Histogram

y xLinear Komulatif Histogram dg modifikasiHarintaka - Teknik Geodesi FT-UGM 27 FT-

Penajaman Citra dan Ekstraksi Feature (7)Histogram Normalization. Pada proses ini piksel yang memiliki grey scale sama dapat memiliki grey scale yang berbeda pada citra hasil konversi.

f x

f xNormal Histogram

Histogram


Penajaman Citra dan Ekstraksi Feature (8)Spasial Filtering: Spasial filtering digunakan untuk memperoleh citra yang tajam (enhanced image) dengan menerapkan fungsi filter atau operator filter pada citra (x,y) atau pada frekuensi spasial (x,h). (a) Filter pada domain spasial Penggunaan operator konvolusi lokal dengan operasi matrik dimensi nxn

y (i , j ) =

i +w

i =i w j = j w

f (k , l )h (i k , j l )

j +w

f = input citra h = fungsi filter g = outup citra n = bilangan ganjil; 3, 5, 7, dst


Penajaman Citra dan Ekstraksi Feature (9)(b) Filter pada domain frekuensi Operasi filter pada domain frekuensi umumnya menggunaan Transformasi Fourier.

G (u ,v ) = F (u ,v )H (u ,v )F = Transformasi Fourier H = Fungsi filter Contoh macam filter: low pass, high pass, median, dll

0 1 0

1 5 1

0 1 0

1/ 9 1/ 9 1/ 9 1/ 9 8/9 1/ 9 1/ 9 1/ 9 1/ 9High Pass

1/ 9 8/9 1/ 9

8/9 37 / 9 8/9

1/ 9 8/9 1/ 9

High Pass

SharpeningHarintaka - Teknik Geodesi FT-UGM 30 FT-

- PCA (Principle Componen Analysis)- Indeks Vegetasi

Transformasi Citra


PCA: Principal Componen Analysis (1) Principal Components Analysis (PCA) atau Karhunen-Loeve Analysis umumnya diterapkan untuk menganalisis citra multispektral dan hyperspectral (misal CASI). PCA akan menghasilkan suatu citra dengan komponen utama yang baru yang akan lebih mudah diinterpretasi. Pada citra hyperspektral, dengan menggunakan PCA maka band-band yang saling berkorelasi dapat dipadatkan hingga hanya terdiri dari beberapa band dengan informasi yang relatif sama baik Distribusi penyebaran titik yang ada menunjukkan hubungan dan kualitas informasi dari kedua band yang berbeda tersebut. Jika seluruh titik data tersebar dalam suatu zona dua dimensi yang sempit maka hal ini menunjukkan bahwa data tersebut kemungkinan akan memberikan informasi yang sedikit Untuk memperoleh suatu principle component (PC) dilakukan transformasi pada data multispektral yang saling berkorelasi.


PCA: Principal Componen Analysis (2) Transformasi ini pada prinsipnya adalah menggunakan distribusi 2 dimensi dari derajad kecerahan (pixel value) pada 2 buah band yang berbeda, masing-masing sumbu koordinat dinamakan dengan X1 dan X2, titik pusat dari elips yang terbentuk dinamakan dengan titik (1 , 2) (Gambar 1.a). Langkah selanjutnya adalah mentranslasikan titik perpotongan sumbu koordinat X1 dan X2 hingga berimpit dengan titik pusat elips (1 , 2) (redistributed/reprojected) yang dinamakan dengan sumbu X1 dan X2 (Gambar 1.b.). Setelah didapatkan sumbu koordinat yang baru kemudian dilakukan rotasi sebesar derajat yang akan menghasilkan sumbu koordinat PC1 dan PC2 (Gambar 1.c.), dimana PC merupakan singkatan dari principle component atau komponen utama Untuk dapat mentransformasikan (reprojected) sumbu koordinat X1 dan X2 dari data asli kepada sumbu koordinat PC1 dan PC2 diperlukan suatu koefisien transformasi. Disini digunakan transformasi linier yang dapat diturunkan dari matriks variansi-kovariansi data asli.


PCA: Principal Componen Analysis (3)

components pertama.

Gambar 1. Representasi secara diagram dari hubungan spasial antara 2 principal

(a). Diagram pencar band X1 dan X2 dengan rata-rata distribusi 1 dan 2 (b). Pergeseran origin sistem koordinat menjadi X'1=X1-1 dan X2=X2-2. (c). Pergeseran orientasi sumbu koordinat (1,2) sebesar o dengan sumbu koordinat PC1 dan PC2.Harintaka - Teknik Geodesi FT-UGM 34 FT-

PCA: Principal Componen Analysis (4)PCA dihitung berdasarkan hitungan statistik data spektral asli sbb: Hitung semua besaran-besaran univariate statistik (rata-rata, simpangan baku, variansi, nilai minimum, dan nilai maksimum) dari semua band Hitung semua besaran-besaran multivariate statistik (matrik variansi-kovariansi dan matrik korelasi) antar band Gunakan matrik kovariansi untuk PCA tidak standar (unstandarized PCA) dan matrik korelasi untuk PCA yang standar (standarized PCA). Harga eigenvalue E=(11, 12, , nn) dan eigenvektor EV= (akp, untuk k=1 sampai band ke n dan p=1 sampai komponen ke n) didapatkan dari matrik kovariansi 1 ,1 0 0 = 0 0 0 0 0 0 0 0 0

2,20 0 0 0 0

0

0 0

0 0 0

0 0 0 0

3,30 0 0 0

EV Cov EV

T

4,40 0 0

5 ,50 0

6,60

0 0 0 0 0 0 n ,n


PCA: Principal Componen Analysis (5)Elemen eigenvalue (ii) merupakan varian dari komponen utama (principal component) ke-p, dimana p=1 sampai n, dan mempunyai nilai tidak sama dengan nol. Non diagonal eigenvalue (ij) berharga nol dan dapat diabaikan. Jumlah eigenvalue dalam matrik kovarian berukuran nxn selalu sama dengan n, yaitu jumlah band yang dipakai. Persentase total varians yang dinyatakan oleh setiap komponen utama (%p) dihitung dengan:

%p =

eigenvalue p x100

eigenvalue p =1

n

p

%p = percent dari total variansi untuk setiap komponen utama p = eigenvalue ke p dari kemungkinan n eigenvalue


PCA: Principal Componen Analysis (6)Korelasi setiap band k dengan setiap komponen p dapat dipergunakan untuk menentukan bagaimana hubungan antara setiap band dengan setiap komponen utama. Besar korelasi tersebut dihitung dengan

Rkp =

akp x p Vark

Rkp = Korelasi antara band k dengan komponen utama p akp = eigenvektor untuk band k dan komponen p p = eigenvalue ke p Vark = variansi band k pada matriks kovariansi


PCA: Principal Componen Analysis (7)Persamaan (6) ini akan menghasilkan matriks n x n baru yang terisi dengan factor loading. Atas dasar factor loading atau tingkat korelasi, pada komponen utama dapat ditentukan anggota dari setiap komponen utama. Sebagai contoh komponen utama 1 (PC1) terdiri dari band 4, 5, dan 7 yang memiliki korelasi sebesar 0,894, 0,989, dan 0,961, dan PC2 terdiri dari band 1, 2, 3 yang memiliki korelasi sebesar 0,726, 0,670, dan 0,0,592. PC5, PC6, dan PC7 dapat saja tidak memberikan informasi yang berguna dan hanya terdiri dari derau (noise) sistematik. Komponen utama yang memiliki variansi yang kecil seharusnya tidak digunakan untuk proses selanjutnya Seluruh piksel pada citra asli harus ditransformasi ke sistem koordinat PCA. Untuk mendapatkan nilai derajad kecerahan setiap piksel baru digunakan persamaan BVi,j,p baru = derajad kecerahan baru pada komponen

BVi , j , pbaru = a kp BVi , j ,kk =1

n

utama ke-p untuk baris ke-i dan kolom ke-j. akp = eigenvektor untuk band k dan komponen p BVijk = derajad kecerahan pada band k untuk baris i, kolom j

Biasanya derajad kecerahan piksel hasil transformasi PCA bukan merupakan bilangan integer sehingga harus dilakukan pembulatanHarintaka - Teknik Geodesi FT-UGM 38 FT-

Indek Vegetasi (1)Indek Vegatasi: Transformasi Indeks Vegetasi adalah transformasi matematis yang dirancang untuk mempertajam variasi kerapatan vegetasi hijau atau aspek lain yang berkaitan dengan kerapatan vegetasi seperti : biomassa, konsentrasi klorofil dan umur (Danoedoro, 1996). Transformasi Indeks Vegetasi juga sekaligus dapat mengurangi sumber variasi spektral lain seperti latar belakang jenis dan kelembaban tanah, aspek topografi dan kemiringan lereng. Beberapa karakteristik dari transformasi indeks vegetasi adalah sebagai berikut: Normalized Difference Vegetation Index (NDVI), Ratio Vegetation Index (RVI), dengan formulasi Transformed Vegetation Index (TVI) Vegetation Index Faster (VIF), Difference Vegetation Index (DVI)


Indek Vegetasi (2)Normalized Difference Vegetation Index (NDVI) merupakan kombinasi antara teknik penisbahan dengan teknik pengurangan citra. NDVI mampu menonjolkan aspek kerapatan vegetasi. Rentang nilai spektral citra NDVI berkisar pada angka 1 sampai dengan +1

NDVI =

TM 4 TM 3 M 4 + TM 3

TM3 = Saluran band 3 TM4 = Saluran band 4


Indek Vegetasi (3)Ratio Vegetation Index (RVI) Merupakan salah satu transformasi indeks vegetasi yang paling sederhana. Transformasi ini dapat memisahkan dan membedakan adanya objek vegetasi dan tanah. Pada objek tanah, RVI akan cenderung mempunyai nilai rendah (0) sedangkan pada vegetasi, RVI akan cenderung mempunyai nilai maksimum

RVI =

TM 4 TM 3

TM3 = Saluran band 3 TM4 = Saluran band


Indek Vegetasi (4)Transformed Vegetation Index (TVI) Merupakan pengembangan dari formulasi NDVI yang dimaksudkan untuk menghindari hasil negatif

TVI = NDVI + 0,5TM3 = Saluran band 3 TM4 = Saluran band


Indek Vegetasi (5)Vegetation Index Faster (VIF) merupakan bentuk formulasi yang lebih sederhana dari NDVI dan formulasinya lebih menekankan pada keandalan saluran inframerah dekat untuk mengidentifikasi vegetasi.

VIF =

TM 4 TM 3 + TM 3

TM3 = Saluran band 3 TM4 = Saluran band


Indek Vegetasi (6)Difference Vegetation Index (DVI) Dikembangkan dari data Landsat di beberapa daerah di Amerika Serikat dengan tujuan yang sama dengan indeks vegatasi yang lain yaitu untuk melakukan identifikasi antara vegetasi dan unsur-unsur yang lainnya

DVI = (2,4xTM 4) TM 3TM3 = Saluran band 3 TM4 = Saluran band


Transparansi Pengolahan Citra Digital

Documents

Transcript of Transparansi Pengolahan Citra Digital