ºÝºÝߣ

ºÝºÝߣShare a Scribd company logo

Pertemuan 2 - Digital Image Processing - Image Enhancement - Citra Digital

•Download as PPT, PDF•
•
ahmad haidaroh
ahmad haidaroh

Dokumen tersebut membahas tentang teknik-teknik peningkatan citra digital (image enhancement) yang meliputi operasi titik (point operation), operasi mask, operasi transformasi, dan operasi warna (coloring operation). Beberapa teknik yang dijelaskan antara lain negatif citra, pengaturan kontras, pemotongan tingkat abu-abu, pengurangan noise dengan rata-rata citra, serta pengaturan histogram untuk memperbaiki kontras citra.

1 of 23
Downloaded 280 times
Materi ke 2 1STIKOM Artha Buana Image Enhancement
Image Enhancement • Image enhancement adalah proses agar citra menjadi lebih baik ‘secara visual’ untuk aplikasi tertentu • Proses sangat bergantung pada kebutuhan, dan pada keadaan citra input • Image Enhancement dapat dilakukan dalam – Spatial Domain (dilakukan pada citra asli) g(m,n) = T [ f(m,n) ]  g adalah output – Frequency Domain (dilakukan pada hasil DFT citra) G(u,v) = T [ F(u,v) ] dimana G(u,v) = F [ g(m,n) ] dan F(u,v) = invers dari F [ f(m,n) ] 2STIKOM Artha Buana
Teknik Image Enhancement Point Operation Point Operation 3STIKOM Artha Buana Mask Operation Mask Operation Transform Operation Coloring Operation • Image Negative • Contrast Stretching • Graylevel Slicing • Image Substraction • Image Averaging • Histogram Operations • Image Negative • Contrast Stretching • Graylevel Slicing • Image Substraction • Image Averaging • Histogram Operations • Smoothing Operations • Median Filtering • Sharpening Operations • Histogram Operations • Smoothing Operations • Median Filtering • Sharpening Operations • Histogram Operations • Lowpass Filtering • Highpass Filtering • Bandpass Filtering • Histogram Operations • Lowpass Filtering • Highpass Filtering • Bandpass Filtering • Histogram Operations • False Coloring • Full Color Processing Image Enhancement
Point Operations • Output pixel g(m,n) hanya berdasar input sebuah pixel f(m,n). Pixel tetangga tidak berpengaruh. • Biasanya dinotasikan sebagai : s = T(r) • Digambarkan seperti fungsi sbb: Output Hasil operasinya 4STIKOM Artha Buana
Image Negative Nilainya selalu berlawanan, warna asal putih jadi hitam, warna hitam jadi putih Nilainya selalu berlawanan, warna asal putih jadi hitam, warna hitam jadi putih 5STIKOM Artha Buana Misalnya kedalaman warna 8 bit (256), dan suatu gambar mempunyai nilai warna paling tinggi 195, maka setiap warna r diperoleh : T(r) = 195 – 255 - r Misalnya kedalaman warna 8 bit (256), dan suatu gambar mempunyai nilai warna paling tinggi 195, maka setiap warna r diperoleh : T(r) = 195 – 255 - r
Contrast Stretching Yang terang, dimakin terangkan Yang gelap, makin digelakan region Mula2 cari persamaan garisnya (3 persamaan) Selanjutnya masukkan nilainya 6STIKOM Artha Buana
Thresholding / Binarization Kasus khusus dari contrast stretching 0 s/d r1 bernilai 0, r1 s/d 1 bernilai 1 7STIKOM Artha Buana
Gamma Correction s 8STIKOM Artha Buana
Graylevel Slicing Menegaskan range tertentu graylevel Citra asli Tanpa backgroumd Dengan backgroumd r1 r2 9STIKOM Artha Buana
Bitplane Slicing Membelah image berdasar posisi bit 10STIKOM Artha Buana
Image Substraction • Input adalah dua citra berbeda dari objek yang sama (2 obyek yang sama tapi pada 2 jepretan) • Selisih graylevel jadi outputnya g(m,n) = f1(m,n) – f2(m,n) f2(m,n) g(m,n) Contoh pada Mask Mode radiography. f2(m,n) adalah pembuluh setelah diinjeksi. Harusnya ada gambar f1(m,n) 11STIKOM Artha Buana
Image Averaging untuk Noise Reduction • Noise adalah fenomenon random yang mengotori citra • Noise terjadi saat: – Image acquisition – Image transmission – Image recording • Noise biasa dimodelkan dengan: g(m,n) = f(m,n) + η(m,n) • Biasanya η(m,n) antar citra tidak berkorelasi dan memiliki rata2 nol • Jadi semakin banyak citra, maka semakin besar kesempatan untuk mendapatkan citra tanpa noise • Noise bisa dikurangi dengan melakukan rata2 terhadap graylevel citra-citra input Citra input Citra noise Citra-2 ditambahkan terus dibagi M 12STIKOM Artha Buana
Contoh Image Averaging 13STIKOM Artha Buana
Contoh Image Averaging (2 image) (5 image) 14STIKOM Artha Buana
Image Enhancement Metode Histogram • Histogram citra graylevel adalah: 15STIKOM Artha Buana
Beberapa Sifat Histogram • Sifat histogram membantu kita untuk memperbaiki kontras Terlalu gelap Terlalu terang Kurang kontras 16STIKOM Artha Buana
Histogram Equalization • Usaha untuk memperbaiki kontras • Kita usahakan agar histogram yang mengumpul pada suatu area akan ‘menyebar’ • Caranya bagaimana? 17STIKOM Artha Buana
Contoh Histogram Equalization Banyaknya pixel (64 x 64) 4096 = n Pada rk, pembagi adalah level(k-1) Sehingga = 7 bukan 8 18STIKOM Artha Buana level Σ
…lanjutan 19STIKOM Artha Buana nk P(rk) k rk
…lanjutan 20STIKOM Artha Buana 0.19+0.25 0.19+0.25+0.21 0.19+0.25+0.21+0.16 0.19+0.25+0.21+0.16+0.08 0.19+0.25+0.21+0.16+0.08+0.06 0.19+0.25+0.21+0.16+0.08+0.06+0.03 0.19+0.25+0.21+0.16+0.08+0.06+0.03+0.02 Lebih dekat ke rk yg mana ?
…lanjutan Eh, kok tinggal 5 warna? Tinggal 5 level aja 21STIKOM Artha Buana Σ 4096nk k
Terkadang… • Terkadang histogram equalization menghasilkan false edge, false region, menambah graininess dan patchiness citra 22STIKOM Artha Buana
Lalu apa lagi? • Kita bisa menspesifikasikan histogram yang kita inginkan: ‘histogram spesification’ Caranya gimana? 23STIKOM Artha Buana

More Related Content

Pertemuan 2 - Digital Image Processing - Image Enhancement - Citra Digital

  • 1. Materi ke 2 1STIKOM Artha Buana Image Enhancement
  • 2. Image Enhancement • Image enhancement adalah proses agar citra menjadi lebih baik ‘secara visual’ untuk aplikasi tertentu • Proses sangat bergantung pada kebutuhan, dan pada keadaan citra input • Image Enhancement dapat dilakukan dalam – Spatial Domain (dilakukan pada citra asli) g(m,n) = T [ f(m,n) ]  g adalah output – Frequency Domain (dilakukan pada hasil DFT citra) G(u,v) = T [ F(u,v) ] dimana G(u,v) = F [ g(m,n) ] dan F(u,v) = invers dari F [ f(m,n) ] 2STIKOM Artha Buana
  • 3. Teknik Image Enhancement Point Operation Point Operation 3STIKOM Artha Buana Mask Operation Mask Operation Transform Operation Coloring Operation • Image Negative • Contrast Stretching • Graylevel Slicing • Image Substraction • Image Averaging • Histogram Operations • Image Negative • Contrast Stretching • Graylevel Slicing • Image Substraction • Image Averaging • Histogram Operations • Smoothing Operations • Median Filtering • Sharpening Operations • Histogram Operations • Smoothing Operations • Median Filtering • Sharpening Operations • Histogram Operations • Lowpass Filtering • Highpass Filtering • Bandpass Filtering • Histogram Operations • Lowpass Filtering • Highpass Filtering • Bandpass Filtering • Histogram Operations • False Coloring • Full Color Processing Image Enhancement
  • 4. Point Operations • Output pixel g(m,n) hanya berdasar input sebuah pixel f(m,n). Pixel tetangga tidak berpengaruh. • Biasanya dinotasikan sebagai : s = T(r) • Digambarkan seperti fungsi sbb: Output Hasil operasinya 4STIKOM Artha Buana
  • 5. Image Negative Nilainya selalu berlawanan, warna asal putih jadi hitam, warna hitam jadi putih Nilainya selalu berlawanan, warna asal putih jadi hitam, warna hitam jadi putih 5STIKOM Artha Buana Misalnya kedalaman warna 8 bit (256), dan suatu gambar mempunyai nilai warna paling tinggi 195, maka setiap warna r diperoleh : T(r) = 195 – 255 - r Misalnya kedalaman warna 8 bit (256), dan suatu gambar mempunyai nilai warna paling tinggi 195, maka setiap warna r diperoleh : T(r) = 195 – 255 - r
  • 6. Contrast Stretching Yang terang, dimakin terangkan Yang gelap, makin digelakan region Mula2 cari persamaan garisnya (3 persamaan) Selanjutnya masukkan nilainya 6STIKOM Artha Buana
  • 7. Thresholding / Binarization Kasus khusus dari contrast stretching 0 s/d r1 bernilai 0, r1 s/d 1 bernilai 1 7STIKOM Artha Buana
  • 9. Graylevel Slicing Menegaskan range tertentu graylevel Citra asli Tanpa backgroumd Dengan backgroumd r1 r2 9STIKOM Artha Buana
  • 10. Bitplane Slicing Membelah image berdasar posisi bit 10STIKOM Artha Buana
  • 11. Image Substraction • Input adalah dua citra berbeda dari objek yang sama (2 obyek yang sama tapi pada 2 jepretan) • Selisih graylevel jadi outputnya g(m,n) = f1(m,n) – f2(m,n) f2(m,n) g(m,n) Contoh pada Mask Mode radiography. f2(m,n) adalah pembuluh setelah diinjeksi. Harusnya ada gambar f1(m,n) 11STIKOM Artha Buana
  • 12. Image Averaging untuk Noise Reduction • Noise adalah fenomenon random yang mengotori citra • Noise terjadi saat: – Image acquisition – Image transmission – Image recording • Noise biasa dimodelkan dengan: g(m,n) = f(m,n) + η(m,n) • Biasanya η(m,n) antar citra tidak berkorelasi dan memiliki rata2 nol • Jadi semakin banyak citra, maka semakin besar kesempatan untuk mendapatkan citra tanpa noise • Noise bisa dikurangi dengan melakukan rata2 terhadap graylevel citra-citra input Citra input Citra noise Citra-2 ditambahkan terus dibagi M 12STIKOM Artha Buana
  • 14. Contoh Image Averaging (2 image) (5 image) 14STIKOM Artha Buana
  • 15. Image Enhancement Metode Histogram • Histogram citra graylevel adalah: 15STIKOM Artha Buana
  • 16. Beberapa Sifat Histogram • Sifat histogram membantu kita untuk memperbaiki kontras Terlalu gelap Terlalu terang Kurang kontras 16STIKOM Artha Buana
  • 17. Histogram Equalization • Usaha untuk memperbaiki kontras • Kita usahakan agar histogram yang mengumpul pada suatu area akan ‘menyebar’ • Caranya bagaimana? 17STIKOM Artha Buana
  • 18. Contoh Histogram Equalization Banyaknya pixel (64 x 64) 4096 = n Pada rk, pembagi adalah level(k-1) Sehingga = 7 bukan 8 18STIKOM Artha Buana level Σ
  • 21. …lanjutan Eh, kok tinggal 5 warna? Tinggal 5 level aja 21STIKOM Artha Buana Σ 4096nk k
  • 22. Terkadang… • Terkadang histogram equalization menghasilkan false edge, false region, menambah graininess dan patchiness citra 22STIKOM Artha Buana
  • 23. Lalu apa lagi? • Kita bisa menspesifikasikan histogram yang kita inginkan: ‘histogram spesification’ Caranya gimana? 23STIKOM Artha Buana