Pengolahan Citra. Pusat Studi Mikroelektronika & Pengolahan Citra Universitas Gunadarma, Jakarta

Pengolahan Citra Pendahuluan

Konsep Dasar pengolahan Citra

Peningkatan Mutu Citra

Pemampatan Citra

Steganografi

Pusat Studi Mikroelektronika & Pengolahan Citra Universitas Gunadarma, Jakarta http://pusatstudi.gunadarma.ac.id/pscitra

Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Definisi : Pengolahan citra adalah pemrosesan citra, dengan maksud untuk mendapatkan kualitas citra yang diinginkan (lebih baik yang bersifat relatif ) Tiga bidang studi yang terkait dengan data citra yaitu : • Komputer grafik, Pengolahan Citra , Pengenalan Pola Pengolahan citra citra Komputer grafik

diskripsi

citra Pengenalan pola

diskripsi Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Contoh Komputer Grafik

Contoh Pengolahan Citra



Contoh Pengenalan pola

Garage Roof

Bushes Side

Grass

House Roof

Sky Side1

Tree1

Tree2

Side2

(Ballard, 1992) Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


OPERASI PENGOLAHAN CITRA •

Perbaikan kualitas citra,(image enhancement) dari aspek radiometrik ( kontras, tepian objek, penajaman, pemeberian warna semu, penapisan ) dan aspek geometrik ( rotasi, translasi, skala, transformasi geometrik )

•

Pemugaran citra ( image restoration ), untuk menghilangkan cacat pada citra



•Pemampatan Citra (images compression). •Segmentasi Citra ( image segmentation), bertujuan untuk memecah citra kedalam beberapa segmen.



•

Analisa citra ( image analysis), bertujuan menghitung besaran kuantitatif citra untuk menghasilkan diskripsi ( ciri-ciri tertentu ), misal : pendeteksian tepi objek ( edge detection)

•

Rekontruksi Citra, membentuk ulang objek dari beberapa citra hasil proyeksi



Perangkat keras sistem Visual

Sensor Citra , untuk menangkap pantulan objek Jenisnya : CCD(charge coupled device) dan CMOS ( complementary metaloxide semiconductor) ADC , mengkonversi sinyal analog menjadi sinyal digital Memori , untuk menyimpan data hasil konversi ADC dan memori dikemas dalam satu kesatuan yang disebut dengan penangkap bingkai citra ( image frame grabber) Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008

Pengolahan Citra Konsep Dasar pengolahan Citra

Model Citra •

Citra merupakan fungsi malar (kontinyu) dari intensitas cahaya. Secara matematis disimbulkan dengan f(x,y), dimana : – (x,y) : koordinat pada bidang dwi warna – F(x,y) : intensitas cahaya pada titik (x,y)

•

Nilai f(x,y) adalah hasil kali dari : – i(x,) = jumlah cahaya yang berasal dari sumber, nilainya antara 0 sampai tak terhingga. – r(x,y) = derajat kemampuan objek memantulkan cahaya , nilainya antara 0 dan 1. – Jadi f(x,y) = i(x,y) . r(x,y)



Digitalisasi Citra Supaya bisa diolah dengan komputer, citra harus direpsentasikan secara numerik dengan nilai diskrit . Citra digital dinyatakan dengan suatu matrik ukuran NxM. Masing-masing elemen disebut pixel (picture element)

F(x,y) =

f(0,0)

f(0,1) ….

f(0,m)

f(1,0)

f(1,1) ….

f(1,M)

:

:

f(N-1,0) f(N-1,1)

: f(N-1,M-1)

Indeks baris (i) dan indeks kolom (j) menyatakan koordinat titik pada citra, sedang f(i,j) merupakan intensitas (derajat keabuan) pada titik (i,j)





Untuk memudahkan implementasi , jumlah pixel biasanya diasumsikan dengan, N = 2n, dimana, N = jumlah pixel pada baris:kolom , n = bilangan bulat positip misal 256 x 256 pixel, 128x256 pixel, 8x8 pixel … Skala/derajat Keabuan : G = 2 m Dimana : G = derajat keabuan, m=bilangan bulat positip Skala keabuan 21 ( 2 nilai ) 22 ( 4 nilai ) 24 ( 16 nilai ) 28 (256 nilai )

Nilai keabuan 0,1 0 sampai 3 0 sampai 15 0 sampai 256

pixel depth 1 bit 2 bit 4 bit 8 bit

Penyimpanan citra digital menjadi NxM pixel dan dikuantisasi menjadi G=2m memerlukan memori sebanyak B=NxMxm Contoh 512x512x8 = 2048.000 bit Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Konvolusi pada fungsi Dwimatra h x

f

x,y

g

x, y

f

a ,b g x

a,y

b da db

• Fungsi diskrit

h x, y

f f

x, y

g

x,y

a ,b g

x

a, y

b

Fungsi penapis g(x,y) disebut juga convolution filter, convolution mask, convolution kernel atau template. Dalam bentuk diskret kernel konvolusi dinyatakan dalam bentuk matriks, misal 2x2, 3x3,



Ilustrasi konvolusi

F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9

Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah kernel dengan ukuran 3x3, matriks sebagai berikut : 44354 66552 F(x,y)=

56662

g(x,y)=

0

-1

0

-1

4

-1

0

-1

0

67553 35244

Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y), F(x,y)*g(x,y) Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Menghitung hasil konvolusi Menempatkan kernel pada sudut kiri atas , kemudian hitung nilai pixel pada posisi (0,0) dari kernel : hasil = 3 Geser kernel satu pixel ke kanan ,kemudian hitung nilai pixel pada posisi (0,0) dari kernel: hasil = 0 Selanjutnya dengan cara yang sama geser ke kanan, dst Geser kernel satu pixel ke bawah, lakukan perhitungan seperti diatas Nilai pixel citra tepi tidak berubah 4 6 5 6 3

4 3 0 6 5

3 0 2 0 2

5 2 6 2 4

4 2 2 3 4

= hasil konvolusi


Pengolahan Citra Peningkatan Mutu Citra

Tujuan Peningkatan Mutu Citra Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu. Kata baik disini tergantung pada jenis aplikasi dan problem yang dihadapi. Jenis Teknik Peningkatan Mutu Citra Teknik peningkatan mutu citra dapat dibagi menjadi dua: Peningkatan mutu citra pada domain spasial Point Processing Mask Processing Peningkatan mutu citra pada domain frekuensi



Lingkup Pembahasan

Image Enhancement

Spatial Domain

I. Point Processing

Frequency Domain

II. Mask Processing

a. b. c.

Image Negative Contrast Stretching Histogram Equalization - all grey level and all area - specific grey level (histogram specification) - local enhancement (specific part of the image) d. Image Subtracting e. Image Averaging



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



a. Citra Negatif Mengubah nilai grey-level piksel citra input dengan: Gbaru = 255 - Glama Hasilnya seperti klise foto

Citra asli

Citra negatif



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



c. Perataan Histogram Histogram citra adalah diagram yang menunjukkan jumlah kemunculan grey level atau derajat keabuan pada suatu citra. Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubah 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



Yang dimaksud dengan perataan histogram adalah mengubah derajat keabuan suatu pixel r dengan derajat keabuan yang baru (s) dengan suatu fungsi transformasi T Persamaan Perataan Histogram k nj sk = T ( rk ) = ∑ = ∑ p( rj ) j =0 n j =0 k

0 ≤ rk ≤ 1 dan k = 0,1,....., L − 1 L adalah grey level maksimal yang ada pada citra



Citra awal: 35554 54544 53444 45663

Citra Akhir: 19 9 95 95 9 55 91 5 55 5 9 10 10 1



•

Contoh : citra dengan derajat keabuan hanya berkisar 0-10



Derajat Keabuan

0

1

2

3

4

5

6

7

8

9

10

Kemunculan

0

0

0

3

8

7

2

0

0

0

0

Probabilitas Kemunculan

0

0

0

0.1 5

0.4 0

0.3 5

0.1

0

0

0

0

Sk

0

0

0

0.1 5

0.5 5

0.9 0

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

SK * 10 Derajat keabuan baru



Grey histogram

Original Image Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008




Bright Image Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Dark Image Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


RGB Histogram



Dark Image Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Mask Processing Jika pada point processing kita hanya melakukan operasi terhadap masingmasing 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.

1 2 3 8 x 4 7 6 5

Contoh: Jendela ketetanggan 3x3, Nilai piksel pada posisi x dipengaruhi oleh nilai 8 tetangganya  Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhi oleh nilai tetangga-tetangganya



W1 W2 W3

Contoh sebuah mask berukuran 3x3. Filter ini akan diterapkan / dikonvolusikan pada setiap jendela ketetanggaan 3x3 pada citra (anggap filter sudah dalam bentuk terbalik)

W4 W5 W6 W7 W8 W9 G1 G1 G1 G1 G1 1

2

3

4

5

2

3

4

5

1

2

3

4

5

1

2

3

4

5

1

2

3

4

5

G21

G2 G2 G2 G2

G3 G3 G3 G3 G3 G4 G4 G4 G4 G4

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

G5 G5 G5 G5 G5 Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Jenis-jenis filter spasial Smoothing filters: Lowpass filter (linear filter, mengambil nilai rata-rata) Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan)

Ket :

a

b

c

a. Citra Asli; b. Hasil citra dengan Median Filtering c. Hasil Citra dengan Mean Filtering; (Gaussian) Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


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

Operator Sobel

Operator prewitt

Operator Roberts

Operator canny Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008

Pengolahan Citra Pemampatan Citra

Kendala Data Citra Digital •

Mengapa perlu pemampatan dan reduksi data? – Data citra umumnya berukuran besar – Tidak praktis dalam aspek penyimpanan, proses dan transmisi – Perlu reduksi atau pemampatan data dengan mengurangi redundancy atau duplikasi data

•

Data redundancy: adalah bagian data yang tidak mengandung informasi terkait atau merupakan pengulangan dari informasi yang sudah dinyatakan sebelumnya atau sudah diketahui



Contoh Aplikasi • Aplikasi yang membutuhkan image compression: dimana perkembangannya ditentukan oleh efisiensi pada manipulasi data, penyimpanan, dan transmisi citra biner / monokrom / berwarna: – Televideo-conferencing – Remote sensing – Telemedical / Medical imaging – Facsimile transmission



Kategori Teknik Kompresi Citra •

Information preserving (lossless compression): teknik yang memproses data asli menjadi bentuk yang lebih ringkas tanpa hilangnya informasi. Contoh: Aplikasi biomedis.

•

Lossy compression: teknik mendapatkan data yang lebih ringkas dengan melalui suatu proses penghampiran (approksimasi) dari data asli dengan tingkat error yang dapat diterima. Contoh: TV broadcast.



Model sistem kompresi umum

• • • •

Source encoder: menghilangkan redundansi input Channel encoder: meningkatkan imunitas output source encoder terhadap gangguan noise (menggunakan Hamming code) Channel decoder & source decoder: mengembalikan ke data semula Jika channel dianggap bebas noise, maka channel encoder/decoder bisa diabaikan. Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Source encoder & decoder



Source encoder & decoder •

Source Encoder: terdiri dari Mapper, Quantizer dan Symbol Coder – Mapper: melakukan transformasi dari citra masukan (visual format) menjadi suatu non-visual format dan dimaksud untuk eliminasi interpixel redundancy. Biasanya bersifat reversible, contoh: runlength coding. – Quantizer: melakukan eliminasi psychovisual redundancy menurut kriteria fidelity yang ditentukan. Pada sistem kategori error-free compression, tahap ini tidak dilakukan – Symbol Coder: menghasilkan kode fixed-length atau variable-length dan memetakan citra pada sistem kode tersebut.



Source encoder & decoder

•Source Decoder: melakukan operasi yang berlawanan dengan source encoder dan menghasilkan suatu citra rekonstruksi yang persis atau merupakan bentuk approksimasi dari citra asalnya. •Channel Encoder dan Decoder: menyisipkan controlled redundancy bits (penambahan bits) untuk mendeteksi bila terjadi error atau gangguan waktu transmisi.



Tampilan program pemampatan citra yang dibuat menggunakan MatLab



Contoh Hasil



Contoh Hasil


Pengolahan Citra Steganografi

SEJARAH STEGANOGRAFI

•Awal munculnya steganografi : Sejarawan Yunani yaitu Herodotus dalam cerita : •Hirateus(raja kejam Yunani) yang dipenjara oleh Raja Darius di Susa yang mengirimkan surat kepada anaknya melalui tato di kepala budak •Demeratus mengiimkan pesan kepada negara bagian Sparta bahwa Xerxes ingin menyerang Yunani melalui tulisan yang ada di ukir di bawah tabung kayu yang kemudian ditutupi dengan lilin Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


Arti Steganografi

•

Morfologi kata : Berasal dari bahasa Yunani: Steganos

: tersembunyi atau terselubung

Graphein

: menulis

Artinya menurut morfologinya adalah menulis tulisan yang terselubung atau tersembunyi(terselubung) •

Secara umum Adalah teknik menyembunyikan data secara rahasia di dalam wadah (media) digital sehingga keberadaan data rahasia tidak diketahui orang lain.



PROPERTI STEGANOGRAFI •

Wadah (media penampung) Dapat berupa : citra, suara(audio), teks maupun video.

•

Data yang ingin disembunyikan Dapat berupa :citra, suara, teks, dan audio.

•

Tujuan : Penyamaran data Perlindungan Hak Cipta



Teknik Penyembunyian Data Teknik Penyembunyian Data •Metode yang paling sederhana menggunakan Modifikasi LSB (Least Significant Bit) •Tujuannya agar tidak jauh berbeda nilainya Contoh, nilai pixel tertentu : 11010010 diubah menjadi 11010011 •Perubahan warna yang terjadi sulit dideteksi oleh mata Data rahasia diubah ke biner •Posisi pixel citra penampung dipilih secara acak sesuai dengan jumlah data rahasia biner •Dibangkitkan dengan Pseudo Random Number Generator (PRNG) yang dibangun dengan algoritma enkripsi (DES, Hash MD5, CFB) Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008


KRITERIA STEGANOGRAFI •Fidelity Mutu citra modifikasi tidak jauh berubah dari citra asli ketika disisipkan data rahasia (document) • Robustness Data yang disimpan aman (tidak akan berubah)di dalam file citra tersebut apabila dilakukan operasi pada citra misalnya cropping, enskripsi dan lain-lain • Recovery Data yang disisipkan ke dalam suatu citra harus dapat di kembalikan menjadi data aslinya.



Teknik Steganografi

•

Menggunakan Algoritma LSB(Least Significant Bit) Cara untuk menyisipkan suatu document (data) dengan cara menggunakan bit terakhir dari suatu byte. Dengan cara mengganti bit LSB tertinggi (1) dari citra asli menjadi bit LSB terendah (0) pada citra modifikasi, demikian pula sebaliknya.Algoritma ini akan berlaku dengan mengganti bit-bit LSB dengan bit pada document yang akan disisipkan.



Teknik Modifikasi LSB Khusus untuk Citra Non-24-Bit Citra penampung diubah dahulu menjadi format 24-bit, sehingga terbentuk komponen RGBnya

Perubahan Jumlah Warna Citra 8-bit ~ 256 warna Citra 8-bit diubah ke Citra 24-bit mengakibatkan : Setiap data Bitmap = 3 byte, tersedia 3 LSB baru Terjadi kombinasi warna baru sebanyak 23 = 8 Citra hasil Steganografi pada citra 256 mempunyai warna = 256 x 8 = 2048

berpotensi



Teknik Modifikasi LSB Cara menghindari Kelebihan Jumlah Warna Warna citra 8-bit diturunkan dari 256 menjadi 32. Jika setiap warna menghasilkan 8 warna baru, maka didapat 32 x 8 = 256 warna Cara menurunkan warna dengan kuantisasi warna, contohnya Algoritma Diversity



Contoh Hasil Steganography Dengan Matlab



Referensi : 1. RC. Gonzales and RE. Wood , Digital Image Processing, Prentice Hall 2. Aniati Murni, Handouts Kuliah, Image Procesing, Universitas Indonesia 3. Rinaldi Munir, Pengolahan citra digital dengan pendekatan algoritmik, Informatika, Bandung, 2004. 4. Usman Ahmad, Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu Yogyakarta, 2005.


Pengolahan Citra. Pusat Studi Mikroelektronika & Pengolahan Citra Universitas Gunadarma, Jakarta

Recommend Documents