1 / 36

5~Perbaikan Kualitas Citra

5~Perbaikan Kualitas Citra. Sutarno , ST. MT. Computer Engineering, Sriwijaya of University. Perbaikan Kualitas Citra (Image Enhancement ). Merupakan salah satu proses awal dalam pengolahan citra ( image preprocessing ).

dusty
Download Presentation

5~Perbaikan Kualitas Citra

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 5~Perbaikan KualitasCitra Sutarno, ST. MT. Computer Engineering, Sriwijaya of University

  2. PerbaikanKualitas Citra (Image Enhancement) • Merupakansalahsatuprosesawaldalampengolahancitra (image preprocessing). • Prosesmendapatkancitra yang lebihmudahdiinterpretasikanolehmatamanusia. • Citra memilikikualitas yang buruk, misal: mengalamiderau (noise), terlalugelap/terang, kurangtajam, kabur, dll. • Kualitascitradiperbaikisehingga adapt digunakanuntukaplikasilebihlanjut, sepertiaplikasipengenalan (recognition) objekdalamcitra.

  3. Noise Speckle

  4. Noise Speckle

  5. Noise Speckle

  6. LingkupPerbaikan • Secaramatematisadalahprosesmengubahcitraf(x,y) menjadif’(x,y),sehingaciri-ciri yang dilihatpadaf(x,y)lebihditonjolkan. • Diantaraprosesperbaikankualitascitraadalah: • Pengubahankecerahangambar(image brightness) • Peregangankontra(contrast stretching) • Pengubahan histogram citra • Pelembutancitra(image smoothing) • Penajaman(sharpening) tepi(edge) • Pewarnaansemu(pseudocoloring) • Pengubahangeometrik

  7. PengubahanKecerahanGambar • membuatlebihterang/gelap. • menambah/mengurangkannilaiintesitaspixeldengansebuahkostantadidalamcitra. • secaramatematis: f’(x,y) = f(x,y) ± b • Jikanilaioperasi pixel f’(x,y) < 0 (nilaikeabuan minimum) atau f’(x,y) > 255 (nilaikeabuanmaksimum), makadilakukanprosesClipping.

  8. PereganganKontras • Sebaranterang (lightness) dangelap (darkness) didalansebuahcitra. • Citra kontras-rendah (low contrast), kontras-bagus (good/normal contrast), dankontras-tinggi (high contrast) • Algoritmaperegangankontras: • Temukanbatasbawahdanataspengelompokanpixelataunilaif(x,y) terendah/tertinggidariderajatkeabuan (0 sampai 255) atau (255 sampai 0). • Pixeldibawahnilaiambangpertamadiset 0 dandiatasnilaiambangkeduadiset 255. • Pixeldiantaranilaiambangdiskalakan (s) untukmemenuhirentangkeabuan (0 sampai 255). • s = ((r-rmak)/(rmin-rmak)) * 255

  9. Pengubahan Histogram Citra • Mengubahsebarannilai-nilaiintensitaspadacitra. • Terdapatduametode: • 1. Pererataan histogram (equalization histogram), nilai-nilaicitradiubahsehinggapenyebarannyaseragam (uniform). • 2. Spesifikasi histogram (specifications histogram), nilai-nilaicitradiubah agar diperoleh histogram denganbentuk yang dispesifikasikanolehpengguna.

  10. Pelembutan Citra (image smooting) • Penyebab noise diantaranya: hasilpenerokan yang tidakbaik (sensor noise, photographic grain noise) danakibatsalurantransmisisaatpengiriman data. • Variasiintensitaspixelumumnyatidakberkorelasidenganpixel-pixeltetangga, sepertispikeatauspeckle. • Pixel yang memilikigangguanumumnyamemilikifrekuensitertinggi (berdasarkananalisistransformasiFourier). • Operasipelembutanadalahupayamenekankomponen yang berfrekuensitinggidanmeloloskankomponen yang berfrekuensirendah. • Sebainyakitapahamduluproseskonvolusi • Menekan noise (gangguan) padacitra.

  11. KonvolusidanTransformasiFourier • Konvolusiterdapatpadaoperasipengolahancitra yang akanmengalikansebuahcitradengansebuah mask atau kernel. h(x) =f(x) * g(x) • Transformasi Fourierdilakukanbilacitradimanipulasidalamranah (domain) frekuensibukanranahspasial. • g(x) disebut kernel kovolusiatau kernel penapisatau kernel filter • f(x) sinyalmasukancitra • f(x) hasilkonvolusi

  12. LanjutanKonvolusidanTransformasiFourier • Misal: Citra (f(x,y) yang berukuran 5x5 dansebuah kernel atau mask berukuran 3x3 masingmasingsebagaiberikut Tanda * adalahposisi (0,0) dikernel f(x,y)= f(x,y)= • Operator konvolusiantaracitraf(x,y) dengan kernel g(x,y) • = f(x,y)*g(x,y)

  13. LanjutanKonvolusidanTransformasiFourier • Tempatkan kernel padasudutkiriatas, kemudiahitungnilai pixel padaposisi (0,0) dari kernel Hasilkonvolusi = 3 h(x,y)= h(x,y)= • = (0x4)+(-1x4)+(0x3)+(-1x6)+(4x6)+(-1x5)+(0x5)+(-1x6)+(0x6) • = 0+(-4)+0+(-6)+24+(-5)+0+(-6)+0 • = 24-21 = 3

  14. LanjutanKonvolusidanTransformasiFourier • Tempatkan kernel padasudutkiriatas, kemudiahitungnilai pixel padaposisi (0,0) dari kernel Hasilkonvolusi = 0 h(x,y)= h(x,y)= • = (0x4)+(-1x3)+(0x5)+(-1x6)+(4x5)+(-1x5)+(0x6)+(-1x6)+(0x6) • = 0+(-3)+0+(-6)+20+(-5)+0+(-6)+0 • = 20-20 = 0

  15. LanjutanKonvolusidanTransformasi Fourier • Tempatkan kernel padasudutkiriatas, kemudiahitungnilai pixel padaposisi (0,0) dari kernel Hasilkonvolusi = 0 h(x,y)= h(x,y)= • = (0x3)+(-1x5)+(0x4)+(-1x5)+(4x5)+(-1x2)+(0x6)+(-1x6)+(0x2) • = 0+(-5)+0+(-5)+20+(-2)+0+(-6)+0 • = 20-18 = 2

  16. LanjutanKonvolusidanTransformasi Fourier • Tempatkan kernel padasudutkiriatas, kemudiahitungnilai pixel padaposisi (0,0) dari kernel Hasilkonvolusi = 0 h(x,y)= h(x,y)= • = (0x6)+(-1x6)+(0x2)+(-1x5)+(4x5)+(-1x3)+(0x2)+(-1x4)+(0x4) • = 0+(-6)+0+(-5)+20+(-3)+0+(-4)+0 • = 20-18 = 2

  17. LanjutanKonvolusidanTransformasi Fourier • Tempatkan kernel padasudutkiriatas, kemudiahitungnilai pixel padaposisi (0,0) dari kernel h(x,y)= h(x,y)= • Solusinya: • 1. Pixel pinggidiabaikan, tidakkonvolusi • 2. Duplikasielemencitra, misalelemenkolompertamaditulispadaelemenkolom M+1 • 3. Elemendiasumsikannol (0)

  18. LanjutanKonvolusidanTransformasiFourier • 1. Tidakdilakukankonvolusi Catatan: h(x,y)= h(x,y)= • Jikakonvolusimenghasilkannilainegatif, makanilaidijadilan 0, dansebaliknyajikahasilnyalebihbesardarinilaiderajatkeabuanmakadijadikannilaikeabuanmaksimum (clipping)

  19. LanjutanKonvolusidanTransformasiFourier • 2. Duplikasi Hasilkonvolusi = 0 h(x,y)= h(x,y)= • = (0x4)+(-1x4)+(0x4)+(-1x2)+(4x6)+(-1x6)+(0x2)+(-1x5)+(0x6) • = 0+(-4)+0+(-2)+24+(-6)+0+(-5)+0 • = 24-17 = 7

  20. LanjutanKonvolusidanTransformasiFourier • 3. Bernilainol (0) Hasilkonvolusi = 0 h(x,y)= h(x,y)= • = (0x0)+(-1x4)+(0x4)+(-1x0)+(4x6)+(-1x6)+(0x0)+(-1x5)+(0x6) • = 0+(-4)+0+(0)+24+(-6)+0+(-5)+0 • = 24-15 = 9 karenanilailebihdari 7 (derajatkeabuantertinggi) = 24 =8 (0-7), makanilaidijadikan 7

  21. LanjutanKonvolusidanTransformasiFourier • Konvolusimerupakankonvolusiaraslokal, karenamelibatkan pixel-pixel tetangga. Manfaatproseskonvolusiadalah : • perbaikankualitascitra • penghilanganderau • mengurangierotan • penghalusanataupelembutan • deteksitepi, penejamantepi, dll

  22. LanjutanKonvolusidanTransformasiFourier • Latihan: sebuah citra 8 bit (0 hingga 256) ditapis (konvolusi) dengan kernel/mask gaussian yang berukuran 3x3. Tentukanhasilkonvlusipadacitratersebut h(x,y)= h(x,y)= • Pada (1,1) atau (220): • = (1*12)+(-2*15)+(1*13)+(-2

  23. Image Smoothing • Padaranahspasial, operasipelembutandilakukandenganmenggantiintensitassuatu pixel dengan rata-rata dirinilai pixel tersebutdengannilai pixel tetangga. • Terdapatduaskemapererataan: • 1. pixel-pixel berjarak/radius Δx • 2. pixel-pixel berjarak /radius √2 *Δx • Δx = • √2 *Δx =

  24. Lanjutan Image Smooting • Operasipererataandapatdipandangsebagaikonvolusipadacitraf(x,y) denganpenapish(x,y): • g(x,y) = f(x,y) * h(x,y) • Penapis h disebutpenapisrerata (mean filter), dlamranahfrekuensioperasikonvolusiadalah • G(u,v) = F(u,v) * H(u,v) • 2x2= • 3x3 =

  25. Penapislolosrendah • Penapish(x,y)padaoperasipelembutancitra = penapislolosrendah (low pass filter) = menekankomponen yang berfrekuensitinggidanmeloloskankomponen b erfrekuensirendah. • Penapis rata-rata merupakanpenapislolosrendah yang paling sederhanadenganaturan: • Semuakomponenpenapisanharuspositif • Jumlahsemuakoefisien = 1

  26. Penapislolosrendah • Sebelumpenapisan • Sesudahpenapisan • Nilai 9 diperolehdari: • f’(1,1) = (8+8+8+8+17+8+8+8+8)/9 • = 81/9 = 9

  27. Penapislolosrendah • Penapis lain yang dapatdigunakanadalah: • Penapislolosrendahdisebutjugapenapislanjar, sepertioperasipelembutandenganjenis-jenis: • penapis minimum (min filter) • penapismaksimum (max filter) • penapis median (median filter)

  28. Penapis median • Penapis median dikembangkanolehTukey, penapisinimerupakanjendelamemuatsejumlah pixel (ganjil) yang digesertitikdemititikpadaseluruhdaerahcitra. Titiktengahdarijendeladiubahdengannilai median darijendelatersebut. • Urutan pixel dalampenapistersebutadalah: • 9 10 10 10 10 10 11 12 35

  29. Penapis median • Penapis median selainberbentukkotak, jendelapadatapis median dapat pula berbentukpalang (cross), vertikal (vertical strip), horisontal (horizontal strip). • Cara lain pelembutancitraadalahdenganmerata-ratakanderajatkeabuansetiap pixel citra yang diambilberkali-kali, misal: • f’(x,y) = ½ {f1(x,y)+f2(x,y)}

  30. Image Sharpening • Padaranahspasial, operasipenajamanmerupakankebalikandarioperasipelembutan. • Operasiinidilakukandenganmelewatkancitrapadapenapislolostinggi, yaknimelewatkankomponenfrekuensitinggidanakanmenurunkankomponenfrekuensirendah. • Penajamancitralebihberpengaruhpadatepi (edge) objeksehinggaseringdisebutoperasipenajamantepi (edge sharpening) ataupeningkatankualitastepi (edge enhancement).

  31. Penapislolostinggi • Penapish(x,y)padaoperasipenajamancitra = penapislolostinggi (lhigh pass filter) = menekankomponen yang berfrekuensirendahdanmeloloskankomponenberfrekuensitinggi. • Aturanpenapislolostinggiadalah : • Semuakomponenpenapisanbolehpositif, negatifatau nol. • Jumlahsemuakoefisienadalah 0 atau 1

  32. Penapislolostinggi

  33. Penapislolostinggi • Citra sebelumpenapisan • Lakukanpenapisan

  34. Penapislolostinggi • Citra sebelumpenapisan • Lakukanpenapisandengantapis 1 dan 2

More Related