Peningkatan Mutu Citra

1.      Pendahuluan

Dalam bidang pengolahan citra, istilah citra mengacu pada suatu fungsi intensitas dalam bidang dua dimensi. Pemrosesan citra menggunakan komputer membutuhkan citra digital sebagai masukannya. Oleh karena itu, kita mengenal beberapa macam format citra digital, yang masing-masing memiliki format penyimpanan dan pembacaan data yang berbeda-beda. Proses mengubah citra ke bentuk digital bisa dilakukan dengan beberapa perangkat, misalnya scanner, kamera digital, dan handycam. Ketika sebuah citra sudah diubah ke dalam bentuk digital (selanjutnya disebut citra digital), bermacam-macam proses pengolahan citra dapat diperlakukan terhadap citra tersebut.

Pengolahan citra digital dapat dilakukan berbagai cara diantaranya adalah representasi dan permodelan citra, peningkatan kualitas citra, restorasi citra, analisis citra, rekonstruksi citra dan kompresi citra. Pada makalah ini, pengolahan citra digital difokuskan pada teknik peningkatan mutu pada domain spatial khususnya penggunaan untuk teknik deteksi tepian (Edge Detection).

Teknik image enhancement digunakan untuk meningkatkan kualitas suatu citra digital, baik dalam tujuan untuk menonjolkan suatu ciri tertentu dalam citra tersebut, maupun untuk memperbaiki aspek tampilan. Proses ini biasanya didasarkan pada prosedur yang bersifat eksperimental, subjektif, dan amat bergantung pada tujuan yang hendak dicapai.

Proses peningkatan mutu citra bertujuan untuk memperoleh citra yang dapat memberikan informasi sesuai dengan tujuan/kepentingan pengolahan citra. Proses peningkatan mutu citra ini termasuk memperbaiki citra yang ketika proses akuisisi mengalami ganguan yang signifikan seperti noise, gangguan geometris, radiometrik dan beberapa gangguan faktor alam lainnya. Secara umum domain dalam pengingkatan mutu citra ini dapat dilakukan secara spatial dan frekuensi. Domain Spatial melakukan manipulasi nilai pixel secara langsung dengan dipengaruhi oleh nilai pixel lainnya secara spatial sedangkan domain frekuensi berdasarkan frekuensi spektrum citra.

Domain Spasial merupakan teknik peningkatan mutu citra yang melakukan manipulasi langsung pixel (x,y) suatu citra dengan menggunakan fungsi transformasi: g(x, y) = T[f(x, y)], dimana f(x, y) sebagai citra input, g(x, y) hasil citra yang sudah diproses dan T adalah operator pada f yang didefinisikan berdasarkan beberapa lingkungan di (x, y). Teknik ini ditunjukkan pada gambar 5.2 Masking/Filter suatu pixel (x,y) ditentukan berdasarkan pixel tetangganya yang didefinisikan sebagai bentuk bujur sangkar (sering digunakan) ataupun circular sebagai sub-citra yang berpusat di titik (x,y) dengan ukuran lebih dari 1x1(gambar 5.3 menggunakan masking 3x3). Pusat sub-citra berpindah dari satu pixel ke pixel lainnya dimulai dari pojok atas. Nilai koefisien masking ditentukan berdasarkan prosesnya. Teknik masking digunakan untuk penajaman citra dan penghalusan citra.

Edge detection adalah pendekatan yang paling umum digunakan untuk mendeteksi diskontinuitas graylevel. Hal ini disebabkan karena titik ataupun garis yang terisolasi tidak terlalu sering dijumpai dalam aplikasi praktis. Suatu edge adalah batas antara dua region yang memiliki graylevel yang relatif berbeda. Pada dasarnya ide yang ada di balik sebagian besar teknik edge-detection adalah menggunakan perhitungan local derivative operator. Gradien dari suatu citra f(x,y) pada lokasi (x,y) adalah vector.

2.      Isi

Tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang cepat/tiba-tiba (besar) dalam jarak yang singkat. Sedangkan deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra, tujuannya adalah Untuk menandai bagian yang menjadi detail citra Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau adanya efek dari proses akuisisi citra Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut mempunyai perbedaan yang tinggi dengan tetangganya. Pada gambar 2.1 di bawah ini dapat dilihat proses yang dilakukan untuk memperoleh tepi gambar dari suatu citra yang ada.

Gambar 2.1. Proses deteksi tepi citra

Pada gambar 8.2. terlihat bahwa hasil deteksi tepi berupa tepi-tepi dari suatu gambar. Bila diperhatikan bahwa tepi suatu gambar terletak pada titik-titik yang memiliki perbedaan tinggi.

Gambar 2.2. Hasil deteksi tepi

Proses deteksi tepi (edge detection) sendiri masing dapat dikelompokkan berdasarkan operator atau metode yang digunakan dalam proses pendeteksian tepi suatu citra (edge detection) untuk memperoleh citra hasil.

2.1 Metode Pendeteksian Tepi Suatu Citra

1. Metode Robert

Metode Robert adalah nama lain dari teknik differensial pada arah horisontal dan differensial pada arah vertikal, dengan ditambahkan proses konversi biner setelah dilakukan differensial. Teknik konversi biner yang disarankan adalah konversi biner dengan meratakan distribusi warna hitam dan putih.. Metode Robert ini juga disamakan dengan teknik DPCM (Differential Pulse Code Modulation).

Operator Robert menggunakanoperator gradient berukuran2 x 2 :

Gradient magnitude dari operator Robert adalah sebagai berikut :

Karenaoperator Robert hanya menggunakan convolution mask berukuran 2 x 2, maka operator Robert sangat sensitive terhadap noise.

2. Metode Prewitt

Metode Prewitt merupakan pengembangan metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian yang dikenal sebagai fungsi untuk membangkitkan HPF.

Operator Prewitt menggunakan delapan buah kernel operator gradient :

Dengan menggunakan batuan program matlab maka Pendektesian tepi (Edge Detection) dengan operator Prewitt dapat dilihat implementasinya. Berikut ini adalah listing program yang akan digunakan untuk mengimplementasikan deteksi tepi denngan operator Prewitt :

citra=imread('D:\MATLAB PROJECT\Vincent.tif');

ic= rgb2gray(citra);

px=[-1 0 1;-1 0 1;-1 0 1]; %% DeteksiVertikal

icx=filter2(px,ic); % convolution

py=px'; %% DeteksiHorizontal

icy=filter2(py,ic);

edge_p=sqrt(icx.^2+icy.^2);

edge_t=im2bw(edge_p/255,0.3);

figure, imshow(citra), title('Citra Asli');

subplot(2,2,1), imshow(icx/255), title('Deteksi Vertikal');

subplot(2,2,2), imshow(icy/255), title('Deteksi Horisontal');

subplot(2,2,3), imshow(edge_p/255), title('Deteksi Citra Dengan Batasan (255)');

subplot(2,2,4), imshow(edge_t), title('Citra Hasil Deteksi Tepi');

 Dari program diatas maka akan didapat tampilan atau hasil detesi tepi dengan operator Prewitt sebagai berikut :

Contoh lain penggunaan operator Prewitt dapat menggunakan Listing berikut ini :

l=imread('D:\MATLAB PROJECT\tree.bmp');

l1=rgb2gray(l);

l2=fft(double(l1));

l2_1=fft(double(l));

figure(1)

clf(subplot(1,3,1),imshow(l));

title('Original image');

hold on;

subplot(1,3,2),imshow(l1);

title('Gray scale image');

% creat filter matrix(3×3 window)

h=fspecial('prewitt');

l_pre=uint8(round(filter2(h,l1)));

l_pre_1=fft(double(l_pre));

subplot(1,3,3),imshow(l_pre)

title('Prewitt filtered image');

Capture :

3. Metode Sobel 

Metode Sobel merupakan pengembangan metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi.

Operator Sobel menggunakan kernel operator gradient 3 x 3 :

Operator Sobel melakukan deteksi tepi dengan memperhatikan tepi vertical dan horizontal. Gradient Magnitude dari operator Sobel adalah sebagai berikut :

Dengan menggunakan batuan program matlab maka Pendektesian tepi (Edge Detection) dengan operator Sobel dapat dilihat implementasinya. Berikut ini adalah listing program yang akan digunakan untuk mengimplementasikan deteksi tepi denngan operator Sobel :

l=imread('D:\MATLAB PROJECT\Vincent.tif');

l1=rgb2gray(l);

l2=fft(double(l1));

l2_1=fft(double(l));

figure(1)

clf(subplot(1,3,1),imshow(l));

title('Original image');

hold on;

subplot(1,3,2),imshow(l1);

title('Gray scale image');

% creat filter matrix(3×3 window)

h=fspecial('sobel');

l_sobel=uint8(round(filter2(h,l1)));

l_sobel_1=fft(double(l_sobel));

subplot(1,3,3),imshow(l_sobel)

title('Sobel filtered image');

Perbandingan pendeteksian tepi dengan operator Prewitt dengan Operator Sobel :

Script

l=imread('D:\MATLAB PROJECT\lenna.bmp');

l1=rgb2gray(l);

l2=fft(double(l1));

l2_1=fft(double(l));

figure(1)

clf(subplot(2,2,1),imshow(l));

title('Original image');

hold on;

subplot(2,2,2),imshow(l1);

title('Gray scale image');

% creat filter matrix(3×3 window)

h=fspecial('prewitt');

l_pre=uint8(round(filter2(h,l1)));

l_pre_1=fft(double(l_pre));

subplot(2,2,3),imshow(l_pre)

title('Prewitt filtered image');

% creat filter matrix(3×3 window)

h=fspecial('sobel');

l_sobel=uint8(round(filter2(h,l1)));

l_sobel_1=fft(double(l_sobel));

subplot(2,2,4),imshow(l_sobel)

title('Sobel filtered image');

Capture

2.2  Teknik Peningkatan Mutu Citra

1. Point Processing

Cara paling mudah untuk melakukan peningkatan mutu pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan).

Yang termasuk disini misalnya :

• Citra negatif,

• Contrast Stretching,

• perataan histogram,

• Image Substraction,

• Image Averaging

o Citra Negatif

Mengubah nilai grey-level piksel citra input dengan:

Gbaru = 255 - Glama

Hasilnya seperti klise foto

o Contast Stretching

Mengubah kontras dari suatu image dengan cara mengubah greylevel piksel-piksel pada citra menurut fungsi s = T(r) tertentu

r1 ≤ r2, s1 ≤ s2

r1 = r2, s1 = s2 à tidak ada perubahan

r1 = r2, s1 = 0, s2 = 255 à tresholding menjadi citra biner dengan ambang r1

o Histogram Equalization

Histogram: diagram yang menunjukkan jumlah kemunculan grey level (0-255) pada suatu citra

Histogram processing:

Gambar gelap: histogram cenderung ke sebelah kiri

Gambar terang: histogram cenderung ke sebelah kanan

Gambar low contrast: histogram mengumpul di suatu tempat

Gambar high contrast: histogram merata di semua tempat

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

Contoh:

o Image Averaging

Dilakukan jika kita memiliki beberapa citra yang bergambar sama, namun semua citra memiliki noise (gangguan)

Noise satu citra berbeda dengan noise citra lainnya (tidak berkorelasi)

Cara memperbaikinya adalah dengan melakukan operasi rata-rata terhadap semua citra tersebut.

2. Mask Processing

Jika pada point processing kita hanya melakukan operasi terhadap masing-masing piksel, maka pada mask processing kita melakukan operasi terhadap suatu jendela ketetanggaan pada citra.

Kemudian kita menerapkan (mengkonvolusikan) suatu mask terhadap jendela tersebut. Mask sering juga disebut filter.

3. Lingkup Proses Perbaikan Citra

• Pengubahan kecerahan (brightness)

Kecerahan/kecemerlangan gambar dapat diperbaiki dengan menambahkan (mengurangkan) sebuah konstanta kepada (dari) setiap pixel di dalam citra. Akibat dari operasi ini, histogram citra mengalami pergeseran.

Secara matematis operasi ini ditulis sebagai:

f(x,y)’ = f(x,y) + b

Jika b positif, kecerahan gambar bertambah, sebaliknya jika b negative kecerahan gambar akan berkurang,Kontras menyatakan sebaran terang dan gelap.

• Pengubahan histogram

  Ada 2 cara: peralatan histogram, spesiikasi histogram.

• Pelembutan citra(smoothing)

Tujuannya menurunkan gangguan (noise) pada citra. Gangguan biasanya berupa variasi intensitas pixel yang berkolerasi dengan pixel tetangganya. Jika terkena gangguan pixel akan mempunyai frekuensi tinggi. Pelembutan citra dilakukan dengan menekan komponen yang berfreuensi tinggi dan membiarkan kom ponen yang berfrekuensi rendah seperti semula.

• Penajaman tepi (edge sharpening)

Tujuannya memperjelas tepi objek pada citra, ini merupakan kebalikan dari pelembutan. Metodenya menggunakan penapis lolos tinggi (High Pass Filter). Sering juga disebut penajaman tepi.

• Pewarnaan semu (pseudocolouring)

Proses pemberian warna tertentu pada nilai pixel citra hitam-putih berdasarkan kriteria tertentu. Agar nantinya mata manusia dapat membedakan warna.

• Pengubahan geometric

Lebih untuk mengubah nilai geometrisnya. Metode yang digunakan rotasi, translasi penskalaan/perbesaran/pengecilan, skew, dan lain-lain.

•  Penapisan derau

Merupakan Proses penghalusan dilakukan untuk setiap pixel dari citra , dengan memperhitungkan statistik pixel. Setiap pixel yang diproses akan digantikan dengan nilai median dari himpunan nilai pixel yang ada.

  

http://iputprihanarko.blogspot.co.id/2012/09/perbaikan-kualitas-citra-pengolahan_15.html

http://uchie-blog.blogspot.co.id/2008/10/pengubahan-kecerahan-gambar-dan.html