PENGOLAHAN CITRA DIGITAL

(reference: Digital Image Processing, 3rd ed.

by Gonzalez & Woods)

Handayani Tjandrasa
Definisi Citra Digital

12 28 10 ...
155

...
67
...
...
Representasi Matrik

3
 Citra Digital

Image matrix Screen

0 0 0 0
0 127 255 0

0 255 127 0

0 0 0 0
 Perbaikan Citra
(Enhancement)
Memproses citra supaya hasilnya
sesuai dengan keinginan operator
Metode mana yang cocok
tergantung dari citra dan aplikasinya
 Domain pemrosesan

Spatial domain: manipulasi

langsung piksel2 citra
Frequency domain: manipulasi pada
transformasi Fourier citra
Metode kombinasi dari kedua cara
diatas
Proses pada Spatial domain:
g(x,y) = T[f(x,y)]

(x,y) Filter

Sharpening
&Smoothing

Point Processing
s = T(r)
r = gray level f(x,y)
s = gray level g(x,y)
7
Contoh
Proses Negatif
L

y Lx
x
0 L

9
 Contoh: Citra negatif memberikan
gambar yang lebih jelas untuk analisis
kelainan

10
 Contrast Stretching

x 0 xa
yb
y ( x a ) ya a xb
ya
( x b ) yb bxL
a b x
0 L

a 50, b 150, 0.2, 2, 1, ya 30, yb 200

11
 Clipping

0 0 xa

y ( x a) a x b
(b a) b x L

a b x
0 L

a 50, b 150, 2
12
 Logaritmik

y c log10 (1 x)

x
0 L

c=100

13
Contoh Transformasi Logaritmik

s = log(1 + r)

14
Transformasi Power Law
s=c*r

15
Contoh Transformasi Power Law
Parameter 0.6 dan 0.3

16
Definisi Histogram
Histogram
Histogram dengan Kontras
lebih tinggi
Gambar Gelap
 Gambar terekspos lebih

7000

6000

5000

4000

3000

2000

1000

0 50 100 150 200 250

Over-exposed image

21
 Operasi titik linier
DB

f D A aD A b
b

DA
0 255
255
Contoh

Kanan: nilai a=1, b=-74

Bawah: a=1,14
 Transformasi Histogram
s s = T(r)
0r1
T(r) berharga
sk= tunggal dan
T(rk)
T(r)
naik secara
monoton pada
0r1
0 T(r) 1 utk
0 rk 1 r 0r1
24
ps)
s( p
r(d
r
)s Equalization Histogram

r
s T ( r ) pr ( w )dw

pr ( rk )
nk
n
0

Dalam bentuk Diskrit

1

0
Ps(s)

where k 0 , 1, ..., L-1

k
sk T ( rk ) pr ( r j )
s

j 0
k nj
where k 0 , 1, ..., L-251
j 0 n
 Contoh
No. of pixels
6
2 3 3 2 5

4 2 4 3 4

3
3 2 3 5
2
2 4 2 4 1
Gray leve
4x4 image
0 1 2 3 4 5 6 7 8 9
Gray scale = [0,9]
histogram
26
Gray
0 1 2 3 4 5 6 7 8 9
Level(j)

No. of pixels 0 0 6 5 4 1 0 0 0 0

n
j 0
j
0 0 6 11 15 16 16 16 16 16

k nj
s
6 11 15 16 16 16 16 16
0 0 / / / / / / / /
j 0 n
16 16 16 16 16 16 16 16

3.3 6.1 8.4

sx9 0 0 9 9 9 9 9
3 6 8

27
 Contoh
No. of pixels
6
3 6 6 3 5
8 3 8 6 4

6 3 6 9 3

2
3 8 3 8
1

Output image
0 1 2 3 4 5 6 7 8 9
Gray scale = [0,9] Gray leve
Histogram equalization
28
Program Matlab
function y=hist_eq(x)

[M,N]=size(x);
for i=1:256
h(i)=sum(sum(x= =i-1));
End

y=x;s=sum(h);
for i=1:256
I=find(x= =i-1);
y(I)=sum(h(1:i))/s*255;
end
29
30
 Sebelum
(kiri)
Sesudah
Histogram
Equalization
(kanan)

31
 Contoh2

before after

32
 Perbandingan Histogram
3000 3000

2500 2500

2000 2000

1500 1500

1000
1000

500
500

0
0 50 100 150 200 0
0 50 100 150 200 250 300

before equalization after equalization

 Pengenalan Iris

before after

34
 Microarray

before after

35
 Contoh global dan lokal Equalization Histogram

Hasil global Hasil local

Citra awal Histogram Histogram36
Equalization Equalization
Spatial Filtering (Convolution)

37
Low Pass Filter 3 x 3
(Smoothing, blurring)

38
39
40
Laplacian Masks

41
HPF

42
 Operator Sobel 3x3
Gx ( z7 2 z8 z9 ) ( z1 2 z2 z3 )
G y ( z3 2 z6 z9 ) ( z1 2 z4 z7 )
z1 z2 z3

z4 z5 z6

z7 z8 z9

f G x G y 43
Contoh Gradient Sobel

44
Contoh Laplacian dan Sobel

45
 Contoh Matlab LPF
>>im=imread(filename);
>>imshow(im)
>>h=fspecial(average,9);
>>im2=uint8(round(filter2(h,im)));
>>imshow(im2)

im im2

46
 Filter Median
Mengganti harga piksel dengan median dari
piksel dan tetangganya of the median)
Reduksi random noise dengan hasil kurang
kabur dibandingkan filter penghalus
(smoothing)
Eliminasi piksel2 terisolasi ooooo
ooooo
ooo ooooo
ooo ooooo
ooo ooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo
oooooooo oooooooo oooooooo 47
oooooooo oooooooo oooooooo
Contoh Filter Median

48
Fuzzy set untuk transformasi intensitas

Contoh aturan IF THEN dalam fuzzy inference :

IF a pixel is dark THEN make it darker
IF a pixel is gray THEN make it gray
IF a pixel is bright THEN make it brighter

49
Input Output (Singletons)

50
51
52
TERIMA
KASIH