Peningkatan Kualitas Citra Domain Spasial
2
Tujuan Perbaikan 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
3
Jenis Teknik Peningkatan Kualitas Teknik
peningkatan kualitas citra dapat dibagi menjadi dua:
Peningkatan kualitas pada domain spasial Point
processing Mask processing
Peningkatan kualitas pada domain frekuensi
4
Lingkup Pembahasan Image Enhancement Spatial Domain I. Point Processing
Frequency Domain
II. Mask Processing
a. Image Negative b. Contrast Stretching c. 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
5
Point Processing Cara
paling mudah untuk melakukan peningkatan kualitas citra pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan) Pengolahan menggunakan histogram juga termasuk dalam bagian point processing
6
Domain Spasial Prosedur
yang secara langsung memanipulasi pixel. g(x,y) = T[f(x,y)] dimana f(x,y) adalah image input g(x,y) adalah image yang diproses T adalah sebuah operator pada f yang didefinisikan berdasar nilai neighborhood dari (x,y)
f(x,y)
T
g(x,y)
7
Operator T Operator
T dapat berupa :
Kumpulan pixels (x,y) dari image Kumpulan dari ‘neighborhoods’ N(x,y) dari setiap pixel Kumpulan dari images f1,f2,f3,…
8
Contoh Operator : div by 2
Operasi terhadap himpunan pixel dari image
6
8
2
0
12 200 20 10
(Operator: Div. by 2)
3
4
1
0
6 100 10
5
9
Contoh Operator : sum Operasi
6
8
terhadap kumpulan image f1,f2,… 2
0
12 200 20 10 (Operator: sum)
11 13
3
0
14 220 23 14 5
5
1
0
2
20
3
4
10
Point Processing Point
processing, tetangga 1x1 piksel Output pixel pada titik tertentu hanya bergantung pada input pixel pada titik tersebut dan tidak bergantung pada nilai pixel tetangganya g hanya bergantung pada nilai f pada posisi (x,y) T = fungsi transformasi gray level (atau intensitas mapping) g(x,y) = T[f(x,y)]
11
Konversi RGB ke Graylevel Ada
tiga pendekatan Lightness Method Gray = (max(R, G, B) + min(R, G, B)) / 2 Average
Method Gray = (R + G + B) / 3
Luminosity
Method Gray = 0.21 R + 0.71 G + 0.07 B
12
Transformasi Graylevel Dasar Teknik
perbaikan citra sederhana Nilai piksel sebelum dan sesudah proses dinotasikan dengan r dan s, dimana s=T(r) Image Negative Log Transformations Power-Law Transformations Piecewise-Linear Transformation Functions
13
Image Negative Didapat
dengan menerapkan fungsi transformasi s = T(r) = L- 1 – r; dimana L = Max Gray Value
14
Image Negative : Algoritma Algoritma
proses transformasi image negative Ambil Citra (I) Jika I dalam RGB konversikan ke Graylevel Hitung nilai maksimum (Max)dari Graylevel pada I Untuk setiap baris pada indeks x, lakukan Untuk setiap kolom pada indeks y, lakukan Hasil(x,y) = Max – I(x,y) Tampilkan Hasil
15
Log Transformations Bentuk
umum : s = c log (1+r) dimana c = konstanta dan diasumsikan r ≥ 0
16
Log Transformations
InvLog
Log
17
Log Transf : Algoritma Algoritma
proses transformasi log Ambil Citra (I) Jika I dalam RGB konversikan ke Graylevel Tentukan nilai konstanta c Untuk setiap baris pada indeks x, lakukan Untuk setiap kolom pada indeks y, lakukan Hasil(x,y) = c * log(1+I(x,y)) Tampilkan Hasil
18
Power-Law Transformations Bentuk
umum : 𝑠 = 𝑐𝑟 𝛾 dimana c dan 𝛾 = konstanta positif
19
Power-Law Transformations Image
terlalu banyak didominasi oleh warna cerah, maka diperlukan ekspansi nilai gray value dengan γ > 1
C=1 dan 𝛾=3, 4, dan 5
20
Power-Law Transf : Algoritma Algoritma
proses transformasi Power-Law Ambil Citra (I) Jika I dalam RGB konversikan ke Graylevel Tentukan nilai konstanta c Tentukan nilai konstanta 𝛾 Untuk setiap baris pada indeks x, lakukan Untuk setiap kolom pada indeks y, lakukan Hasil(x,y) = c *( I(x,y)^ 𝛾) Tampilkan Hasil
21
Piecewise-Linear Transformation Functions Contrast
Stretching
Menghasilkan
nilai contrast yang lebih besar dari image original, dengan cara : Menggelapkan (darkening) level dibawah m dari image asli. Mencerahkan (Brightening) level yang berada di atas m dari image asli.
22
Contrast Stretching
23
Fungsi Transformasi
Lokasi dari (r1,s1) dan (r2,s2) menjadi kontrol dari bentuk fungsi transformasi.
Bila r1= s1 dan r2= s2 transformasi adalah fungsi linear dan hasilnya adalah tidak ada perubahan image.
Bila r1=r2, s1=0 dan s2=L-1, transformasi akan berubah menjadi sebuah fungsi thresholding yang menghasilkan sebuah binary image.
24
Binerisasi Menghasilkan
image biner (two level image)
25
Contoh Contrast Stretching
Meningkatkan range dinamis dari gray level dalam image. Contoh sebuah image yang bersifat low contrast. Image semacam ini dapat dihasilkan proses iluminasi yang jelek atau setting lensa yang kurang baik saat proses akuisisi. Hasil dari contrast Stretching : (r1,s1) = (rmin,0) dan (r2,s2) = (rmax,L-1) Hasil dari proses thresholding
26
Contrast Stretching : Algoritma
Algoritma proses Contrast Stretching Ambil Citra (I) Jika I dalam RGB konversikan ke Graylevel Tentukan nilai (r1,s1) dan (r2,s2) Buat garis dari titik (0,0) ke (r1,s1) A Buat garis dari titik (r1,s1) ke (r2,s2) B Buat garis dari titik (r2,s2) ke (rMax,sMax) C Untuk setiap baris pada indeks x, lakukan Untuk setiap kolom pada indeks y, lakukan Jika nilai graylevel I(x,y) < r1 maka gunakan A Jika nilai graylevel I(x,y) >= r1 dan I(x,y) <= r2 maka gunakan B Jika nilai graylevel I(x,y) > r2 maka gunakan C Tampilkan Hasil
27
Gray Level Slicing Pemilihan
range gray level tertentu dari image (misalnya untuk meningkakan penampakan feature tertentu). Salah satu cara yang dapat dilakukan adalah menampilkan gray level dari feature tertentu sebagai nilai high value dan sisanya sebagai low value sehingga didapat bentuk binary image).
28
Gray Level Slicing Pendekatan
yang lain adalah menerangkan bagian feature yang menjadi fokus namun tetap mempertahankan nilai backgroud dan nilai gray level image bagian image lainnya.
29
Contoh penerapan graylevel slicing
30
Contoh penerapan graylevel slicing
Original Image
Highlighted Image with no background Highlighted Image with background
31
Bit-Plane Slicing
Untuk melihat fokus terhadap kontribusi dari penampilan image berdasar bit yang spesifik.
Diasumsikan bahwa setiap pixel direpresentasikan oleh 8 bits, dan sebuah image terdiri dari 8 1-bit planes. Plane 0 memuat lowest order bits dari byte yang menyusun pixel dan plane 7 memuat highest-order bits. Hanya 5 highest order bits yang memuat data visual yang signifikan. Plane 7 berkorespodensi langsung dengan treshold image pada gray level 128.
32
255 138 30 65 12 201 180 111 85 MSB plane 1 1 0 0 0 1 1 0 0 LSB plane 1 0 1 1 0 1 1 1 1
LSB
255 138 30 65 12 201 183 111 85
1 0 1 1 0 1 1 1 1
MSB
1 1 1 0 0 0 1 1 0
1 0 1 0 1 0 1 1 1
1 1 1 0 1 1 0 1 0
1 0 1 0 0 0 1 0 1
1 0 0 0 0 0 1 1 0
1 0 0 1 0 1 0 1 1
1 1 0 0 0 1 1 0 0
33
Bit-Plane Slicing Menampilkan
bit-
bit penyusun image sebagai individual binary image.
34
Bit-Plane Slicing : Algoritma Algoritma
proses Bit-Plane Slicing Ambil Citra (I) dalam 8 bit Jika I dalam RGB konversikan ke Graylevel Masing-masing nilai graylevel dalam I ubah ke bentuk notasi bit Pisahkan deretan bit ke dalam 8 array Bangun citra untuk setiap bit array tersebut ke dalam citra Hasil Tampilkan Hasil
35
Operasi Aritmatika dan Logika Operasi
Arithmetic/logic melibatkan dua atau lebih image yang masing-masing dikenakan operasi pixel per pixel. Arithmetic Operations
Addition, Subtraction, Multiplication, and Division
Logic
Operations
AND, OR, NOT
36
Aritmatika : Image Substraction Selisih/difference
dari dua imageyang hampir sama untuk melihat feature tertentu dari image dengan melihat perbedaan dari dua image tersebut. Notasi g(x,y) = f(x,y) – h(x,y)
37
Logika: AND dan OR
38
Latihan Implementasi 1 Buat
program untuk melakukan transformasi piksel dari RGB ke Gray, dengan : Lightness Method : (max(R, G, B) + min(R, G, B)) / 2 Average Method : (R + G + B) / 3 Luminosity Method : 0.21 R + 0.71 G + 0.07 B
39
Tugas 1: Demo Pertemuan 4 Buat
program untuk melakukan proses:
Form 1 Image
Negative Log Transformations Power-Law Transformations Piecewise-Linear Transformation Functions
Form 2 : Bit-plane slicing Form 3 : Operasi aritmatika (Substraction) Form 4 : Operasi logika AND
OR XOR
