46

BAB 3

PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA

3.1 Pemrosesan Citra Konvensional.

Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh

merupakan solusi yang sangat baik. Informasi keruangan dalam bentuk gambar

raster dari teknik penginderaan jarak jauh menyimpan banyak sekali informasi.

Namun seringkali informasi yang dibutuhkan hanyalah bagian dari keseluruhan

informasi yang ada pada citra tersebut. Oleh karena itu diperlukan pemrosesan citra

(image processing). Image Processing adalah pemrosesan citra dengan

menggunakan komputer, menjadikan hasil citra yang berkualitas lebih baik. Pada

umumnya operasi – operasi pengolahan citra dilakukan apabila :

• Perbaikan atau modifikasi citra perlu dilakukan guna meningkatkan kualitas

penampakan atau untuk menonjolkan beberapa aspek informasi yang

terkandung dalam citra.

• Elemen dalam citra perlu di cocokkan, dikelompokkan atau diukur.

• Sebagian citra perlu digabung dengan bagian citra yang lain.

Terdapat banyak macam teknik image processing, diantaranya adalah edge

detection, image enhancement, image quality, image segmentation. Berikut ini akan

dijelaskan mengenai dua teknik pertama seperti tersebut diatas, yaitu edge detection

dan image enhancement.

47

3.1.1 Pendeteksi Tepi (Edge Detection)

Salah satu teknik untuk mengekstrak informasi dari citra adalah pendeteksian

tepi atau edge detection yang sebelumnya telah dilakukan peningkatan kualitas citra.

Pendeteksian tepi merupakan salah satu metode analisis citra, dimana analisis ini

bertujuan untuk mengidentifikasi parameter-parameter yang diasosiasikan dengan

ciri atau feature dari objek dalam citra, yang pada gilirannya parameter tersebut akan

digunakan untuk menginterpretasi citra. Analisis citra pada dasarnya terdiri dari tiga

tahapan yaitu, tahap feature extraction, segmentation, dan calsification. Secara

umum ada lima metode yang digunakan untuk mendeteksi tepi: Sobel, Prewitt, Zero

Crossing, Canny, Robert.

Berikut adalah contoh dari hasil edge detection dengan menggunakan beberapa

metode diatas:

Gambar 3.1 Citra asli

48

Gambar 3.2 Edge detection menggunakan metode Sobel

Gambar 3.3 Edge detection menggunakan metode Prewitt

49

Gambar 3.4 Edge detection menggunakan metode Zero Crossing

Gambar 3.5 Edge detection menggunakan metode Canny

50

Melihat perbedaan yang cukup berarti pada hasil diatas, maka dapat diambil

hipotesa bahwa setiap kasus memiliki solusi yang berbeda-beda dalam hal

pendeteksian tepi. Yang dimaksud disini adalah pemilihan metode pendeteksian tepi

sangat kausatik, sehingga perlu diadakan penelitian lebih lanjut mengenai filter yang

cocok untuk keperluan pemetaan. Pendeteksian dapat dilakukan dengan cukup baik

jika objek yang diamati memiliki resolusi piksel yang tinggi. Pada contoh diatas,

terlihat jelas bahwa proses pendeteksian tepi tidak efektif, karena kecilnya ukuran

piksel tiap objek menjadikannya “seperti” noise. Berbeda halnya dengan citra yang

ukuran objek yang cukup besar, hasil yang didapatkan dengan ketiga metode diatas

cukup baik di deteksi tepiannya.

3.1.2 Image Enhancement

Tujuan dari image enhancement adalah memajukan interpretabilitas atau persepsi

informasi dalam citra untuk penglihatan manusia, atau untuk menawarkan input yang

lebih baik pada teknik pemrosesan citra yang lain. Teknik image enhancement bisa

dibagi dalam dua kategori yang luas, yaitu:

1. Spatial domain methods, dimana dioperasikan pada piksel secara

langsung.

2. frequency domain methods, dimana dioperasikan pada Fourier transform

dari sebuah citra.

Sayangnya, tidak ada teori yang sifatnya umum untuk mengukur kualitas dari

image enhancement yang berasal dari persespsi manusia. Jika terlihat bagus, maka

diasumsikan citranya bagus. Tetapi ,ketika teknik image enhancement digunakan

51

sebagai pre-processing tools untuk teknik pemrosesan citra yang lain, maka ukuran

kuantitatif bisa mendeterminasikan teknik mana yang paling cocok.

Masalah lain adalah timbulnya noise pada citra. Untuk mengatasi masalah ini

dengan menggunakan pendekatan yang lembut dengan melalui dekonvolusi citra

melalui persyaratan yang biasanya fungsi penalti untuk frekuensi yang tinggi

didalam citra yang tersimpan. Sayangnya, ini sangat mahal dalam hal komputasi,

dibutuhkannya heuristics dan tidak adanya algoritma yang bisa diskalakan atau

algoritma yang efisien untuk mencari heuristics yang bisa diterima atau melakukan

dekonvolusi sendiri.

Metode Image Enhancement dan edge detection seperti uraian diatas merupakan

pemrosesan citra yang konvensional. Dalam metode-metode tersebut masalah yang

sering muncul adalah terdapatnya noise pada citra yang mengakibatkan hasil yang

kurang akurat. Selain masalah tersebut sebenarnya ada lagi masalah dalam metode

konvensional yaitu masalah ambiguitas dan kesamaran (yang akan dijelaskan pada

bagian selanjutnya). Untuk itulah dibangun metode baru untuk mengatasi masalah

dalam pemrosesan citra tersebut yaitu pemrosesan citra dengan menggunakan teknik

fuzzy (fuzzy image processing).

52

3.2 Metode Fuzzy

Gambar 3.6 Tahap-tahap pemrosesan citra menggunakan logika samar.(Adapted from: T i zhoosh , Fuz zy Image Proces s ing , © CopyRight Spr i nge r ,1997)

53

Fuzzy image processing mempunyai tiga tahap utama: fuzzification, modification

of membership values, dan defuzzification ( Gambar 3.6). Tahap fuzzifikasi

(fuzzification), citra dibuat ke dalam bentuk gray-level dan kemudian setiap piksel

dari citra tersebut di cek dan ditentukan ke dalam fungsi keanggotaan (membership

function) yang tersedia dengan menggunakan algoritma fuzzy. Setelah selesai citra

dikembalikan lagi ke dalam bentuk semula atau ke dalam citra aslinya

(defuzzification).

Langkah fuzzifikasi dan defuzzifikasi disebabkan bahwa kita tidak mempunyai

perangkat keras (hardware) fuzzy. Oleh karena itu , coding dari data

citra(fuzzifikasi) dan decoding dari hasil (defuzzifikasi) merupakan langkah yang

memungkinkan untuk memproses citra dengan teknik fuzzy. Kekuatan utama dari

fuzzy image processing terletak pada langkah kedua (modification of membership

values, lihat Gambar 3.5). Setelah data dari citra ditranformasikan dari bentuk gray-

level menjadi bentuk membership (fuzzifikasi), teknik fuzzy memodifikasikan nilai

keanggotaan. Ini bisa dalam bentuk fuzzy clustering, fuzzy rule-based approach,

fuzzy integration approach dan seterusnya.

54

3.2.1 Pemrosesan Citra Berbasis Pendekatan Fuzzy

Banyak orang yang bertanya kenapa digunakan teknik fuzzy dalam pemrosesan

citra (image processing). Sebenarnya ada banyak alasan kenapa digunakannya teknik

ini, tetapi alasan yang paling utama adalah sebagai berikut:

a. Teknik fuzzy merupakan alat (tools) yang sangat kuat dalam melakukan

representasi dan pemrosesan pengetahuan (knowledge).

b. Teknik fuzzy bisa mengatur ambiguitas dan kesamaran secara baik dan

efisien.

Dalam banyak aplikasi-aplikasi pemrosesan citra, diharuskan menggunakan

expert knowledge untuk mengatasi kesulitan (contoh: rekoknisi objek, scene

analysis). Teori set fuzzy dan logika fuzzy menawarkan alat yang kuat untuk

merepresentasikan dan memroses pengetahuan manusia dalam bentuk aturan if-then

fuzzy. Dalam sisi lain, terdapat banyak kesulitan-kesulitan dalam pemrosesan citra

dikarenakan data/tugas/hasilnya tidak jelas. Ketidak jelasan ini tidak selalu

dikarenakan keacakan (random) tetapi dikarenakan ambiguitas dan kesamaran.

Selain keacakan, kita bisa membedakan antara tiga macam lainnya dari kesulitan

dalam pemrosesan citra, yaitu :

a. Grayness ambiguity.

b. Geometrical fuzziness.

c. Vague (complex/ill-defiend) knowledge.

Masalah-masalah ini adalah masalah alami fuzzy. Pertanyaan-pertanyaan seperti

apakah sebuah piksel seharusnya menjadi lebih gelap atau lebih terang? dimanakah

55

letak batas antara dua segmen citra? dan apakah itu tree dalam masalah scene

analysis, adalah contoh bahwa pendekatan fuzzy bisa menjadi cara yang paling

cocok untuk mengatur kesulitan-kesulitan tersebut. Berikut adalah bagan

ketidakjelasan (Uncertainty/Imperfect knowledge) dalam pemrosesan citra.

3.2.2 Fuzzy Image Enhancement

Fuzzy image enhancement didasari pada gray-level mapping kedalam

bentuk fuzzy, menggunakan fungsi transformasi keanggotaan. Tujuannya adalah

untuk menggenerasikan sebuah citra dengan tingkat kekontrasan yang lebih tinggi

dari pada citra aslinya dengan cara memberikan bobot yang lebih besar pada gray-

level yang mendekati nilai rata-rata gray-level pada citra dari pada gray-level yang

Gambar 3.7 Ketidakjelasan (Un c e r t a i n t y / Im p e r f e c t knowledge ) d a l a m p e mr o s e s a n c i t r a . A d a p t e d f r o m : T i zhoosh , Fuz zy Image Pr o c e s s i n g , © C o p y R i g h t Spr inger ,1997 .

56

jauh dari nilai rata-rata gray-level citra. Dalam beberapa tahun terakhir, banyak

peneliti yang sudah mengaplikasikan teori set fuzzy untuk membangun teknik-teknik

yang baru untuk peningkatan kontras. Sebuah citra I dengan ukuran M x N dan gray-

level L bisa dianggap sebagai array dari singleton fuzzy, masing-masing mempunyai

nilai keanggotaan yang menunjukan derajat dari kecerahannya relatif untuk beberapa

level kecerahan. Untuk sebuah citra I bisa dituliskan dalam bentuk set fuzzy:

(1)

Dimana adalah intensitas dari piksel ke dan adalah nilai

keanggotaannya. Contrast enhancement berguna ketika sebuah area dari citra hanya

mempunyai perubahan yang kecil dalam intensitas piksel. Dalam hal ini, bisa sangat

sulit untuk mata manusia untuk membaca strukturnya dengan jelas, apalagi jika

citranya ditampilkan dalam resolusi yang rendah. Untuk itu terdapat lima algoritma

untuk meningkatkan kualitas citra menggunakan teknik fuzzy. Kelima algoritma

tersebut adalah:

- Possibilty distribution algoritm.

- Contrast Improvement with intensification operator.

- Contrast Improvement with fuzzy histogram hyperbolization.

- Contrast Improvement based on fuzzy if-then rules.

- Locally adaptive Contrast Improvement.

57

3.2.2.1 Algoritma Possibilty Distibution

Possibilty distribution pada gray-level dalam citra aslinya bisa dideklarasikan

menggunakan lima parameter: (α,β1,γ,β2,max) seperti yang ditunjukan pada

Gambar 3.8.

Dimana nilai intensitas γ merepresentasikan nilai rata-rata dari distribusi, α

adalah nilai minimumnya, dan max adalah nilai maximum. Tujuannya adalah untuk

mengurangi gray-level yang berada di bawah nilai β1, dan diatas nilai β2. Level

intensitas antara β1 dan γ, dan β2 dan γ direnggangkan pada arah yang berlawanan

kearah nilai rata-rata γ. Fungsi transformasi fuzzy untuk menghitung nilai dalam

bentuk fuzzy P didefinisikan sebagai berikut:

Gambar 3.8 Fungsi Possibilty distribution untuk menghitung nilai keanggotaan.

58

Aturan-aturan berikut digunakan untuk contrast enhancement berdasarkan pada

Gambar 3.8.

Algoritma Possibilty distribution :

59

3.2.2.2 Contrast Improvement with Intensification Operator

Metode ini menggunakan operator intensifikasi (intensification operator) untuk

mengurangi tingkat ke-fuzzy-an dari citra yang kemudian akan menghasilkan

peningkatan pada kontras citra. Berikut adalah algoritmanya:

- Menset parameter dari fungsi keanggotaan. Nilai Fe diset default yang

bernilai dua.

(6)

- Mendefinisikan fungsi keanggotaan

(7)

- Memodifikasi nilai keanggotaan

(8)

- Megenerasikan gray-level yang baru

60

(9)

3.2.2.3 Contrast Improvement with Fuzzy Histogram Hyperbolization

Dikarenakan persepsi kecerahan manusia yang tidak linear , algoritma ini

memodifikasi nilai keanggotaan dari gray-level dengan sebuah fungsi logaritma.

Algoritmanya bisa diformulasikan sebagai berikut:

- Menset bentuk dari fungsi keanggotaan.

- Menset nilai dari fuzzifier β dengan nilai default dua.

- Kalkulasi dari nilai keanggotaan μmn.

- Memodifikasi dari nilai keanggotaan dengan β.

61

- Megenerasikan gray-level yang baru.

Untuk megenerasikan gray-level yang baru digunakan rumus dibawah ini:

(10)

Algoritmanya bisa dijabarkan sebagai berikut:

62

3.2.2.4 Contrast Improvement Based on Fuzzy If-Then Rules

Pendekatan fuzzy rule-based adalah metode yang universal dan kuat untuk

mengerjakan banyak tugas dalam pemrosesan citra. Fungsi fuzzifikasinya terlihat

pada Gambar 3.9.

Algoritmanya dimulai dengan menginilisasikan parameter citra ; gray-level

minimum dan juga gray-level maximum. Kemudian dengan fuzzifikasi dari gray-

level (contoh: nilai keanggotaan dark, gray dan bright) menset gray-level. Prosedur

inferensinya mengikuti aturan berikut:

• If dark then black

• If gray then gray

• If bright then white

Gambar 3.9 Fungsi keanggotaan.

63

Terakhir, defuzzifikasi dari output menggunakan minimum (gmin), maximum

(gmax) dan medium (gmid) dari gray-level yang pada akhirnya gray-level yang baru

dikalkulasikan menggunakan rumus berikut:

(11)

Berikut adalah algoritmanya:

64

65

3.2.2.5 Locally Adaptive Contrast Improvement

Berdasarkan pada mengaplikasikan locally adaptive contrast improvement,

dengan mendefinisikan n x m piksel tetangga dan menggerakan piksel tengah dari

area ini dari piksel ke piksel, pada setiap piksel yang dilalui dihitung setiap

parameter algoritma. Untuk algoritma possibility distribution, dibutuhkan nilai

minimum, maximum dan rata-rata pada setiap blok n x m , α, γ, max , untuk

menghitung nilai keanggotaan. Untuk menghitung nilai keanggotaan pada algoritma

Contrast Improvement with Intensification Operator , Contrast Improvement with

fuzzy histogram hyperbolization, dan Contrast Improvement based on fuzzy if-then

rules hanya dibutuhkan nilai minimum dan maximum gray-level. Dalam banyak

kasus, teknik fuzzy yang global telah gagal dalam memberikan hasil yang

memuaskan. Maka dari itu, implementasi locally adaptive dibutuhkan untuk

mencapai hasil yang lebih baik. Kekurangannya dari menggunakan teknik yang

adaptif adalah diperlukanya kalkulasi pada nilai minimum dan maximum gray-level,

yang bisa berakibat pada bertambahnya noise yang mempengaruhi nilai keanggotaan

secara tidak benar. Hal ini bisa dihindari dengan memilih sub citra yang bagus atau

dengan menghilangkan data yang banyak noisenya dalam histogram dari setiap sub

citra.

66

3.2.3 Fuzzy Edge Detection

Digunakan dua metode untuk fuzzy edge detection ini, berikut adalah metode

tersebut:

- Fast fuzzy edge detection

- Rule based edge detection

3.2.3.1 Fast Fuzzy Edge Detection

Algoritma ini diadopsikan dari teknik fuzzy cepat yang sudah maju untuk

memproses sebuah citra dikarenakan ketidaknyamanan yang mana mempengaruhi

keefisienan tugas dalam teknik edge detection yang konvensional . berikut adalah

algoritmanya:

(1) Mengkalkulasikan nilai threshold XT yang optimal.

(2) Mendefinisikan fungsi keangotaan sebagai berikut:

(12)

(3) Meningkatkan (enhanced) citra dalam domain karakteristik fuzzy.

Operator enhancement-nya bisa didefinisikan sebagai berikut:

(13)

67

(4) Fungsi inverse dari fungsi keanggotaan bisa didefinisikan dibawah ini dan

dengan formula ini didapatkan citra yang sudah ditingkatkan (enhanced

image).

(14)

(5) Untuk mengekstrak sisi dari citra, diadopsikan operator ‘min’ atau ‘max’.

Matrik sisinya didefinisikan sebagai berikut:

(15)

Dimana bisa didefinisikan sebagai

window dengan ukuran 3 x 3 yang mana piksel tengahnya adalah (m,n).

3.2.3.2 Rule Based Edge Detection

Dalam metode ini, inputnya berupa selisih dari nilai intensitas antara

setiap piksel dengan kedelapan piksel tetangganya (neighborhood pixel). Dibuatlah

fuzzy inference system dengan delapan input masing-masing mempunyai tiga

variabel yaitu ‘low’,’medium’,’high’ dan satu output dengan dua variabel yaitu

‘edge’ dan ‘noedge’. Semua variabel menggunakan fungsi Gaussian. Jadi dibuatlah

algoritma agar bisa menyamakan dengan fuzzy inference system tersebut. Karena

68

citranya diubah dalam gray-level 0 dan 255, jarak interval dari input berada antara -

255 dan 255 dan jarak interval output diantara 0 dan 255.

Kemudian dibuatlah aturan-aturan (rules) yang total mencapai 45 aturan. Untuk

mengimplementasikan fungsi “AND” dan “OR” digantikan dengan fungsi minimum

dan maximum. Fungsi “AND” digantikan dengan funsi minimum dan fungsi ”OR”

digantikan oleh fungsi maximum. Untuk defuzzifikasinya digunakan metode

mamdani, yang artinya set fuzzy yang didapatkan dengan mengaplikasikan setiap

inference rule ke input data, digabungkan melalui fungsi add. Output dari sistem

kemudian dikomputasikan sebagai centroid dari hasil fungsi keanggotaan.

Gambar 3.10 Fungsi keanggotaan dari set fuzzy pada input(a) dan output(b).

69

3.3 Rancangan Layar

Terdapat lima layar dalam program ini yaitu image enhancement, edge detection,

image comparison dan about us. Layar image enhancement dibagi menjadi dua macam

yaitu RGB image dan Gray image. Pada toolbar file terdapat tiga menu: open image

untuk membuka citra, save untuk menyimpan citra dan exit untuk keluar.

3.3.1 Rancangan Layar Menu Utama

Pada saat pertama kali dibuka program akan menjalankan window about us,

rancangan layar menu utama memiliki elemen-elemen sebagai berikut:

- Toolbar navigasi untuk akses ke file, fuzzy image processing, image

processing comparison dan about us.

- Dalam toolbar fuzzy image processing dibagi kedalam dua macam yaitu edge

detection dan image enhancement .

70

3.3.2 Rancangan Layar Menu Edge Detection

Rancangan layar menu edge detection memiliki elemen-elemen sebagai berikut:

- Toolbar navigasi untuk akses ke file, fuzzy image processing, image

processing comparison dan about us.

- Button fast fuzzy edge detection untuk memroses citra menggunakan

algoritma fast fuzzy edge detection.

- Button rule based edge detection untuk memroses citra menggunakan

algoritma rule based edge detection.

- Button Original image untuk mengembalikan citra kedalam bentuk semula

(sebelum diproses).

- Axes untuk menampilkan citra.

File, fuzzy image processing, image processing comparison

FUZZY IMAGE PROCESSING

Gambar 3.11 Rancangan layar menu utama

71

3.3.3 Rancangan Layar Menu Image Enhancement

Rancangan layar Image Enhancement memiliki elemen-elemen sebagai berikut:

- Toolbar navigasi untuk akses ke file, fuzzy image processing, image

processing comparison dan about us.

- Button Possibility Distribution untuk memroses citra menggunakan algoritma

Possibility Distribution.

- Button intensification operator untuk memroses citra menggunakan

algoritma intensification operator.

- Button histogram hyperbolization untuk memroses citra menggunakan

algoritma histogram hyperbolization.

File, fuzzy image processing, image processing comparison about us

Citra yang akan ditampilkan Button fast fuzzy edge detection

Button rule based edge detection

Button original image

Gambar 3.12 Rancangan layar menu edge detection

72

- Button rule based untuk memroses citra menggunakan algoritma rule based

image enhancement.

- Button Original image untuk mengembalikan citra kedalam bentuk semula

(sebelum diproses).

- Axes untuk menampilkan citra.

File, fuzzy image processing, image processing comparison dan about us

Citra yang akan ditampilkan Button Possibility Distribution

Button intensification

Button histogram hyperbolization

Button rule based

Button original image

Gambar 3.13 Rancangan layar menu image enhancement

73

3.3.4 Rancangan Layar Menu Image Comparison

Rancangan layar menu image comparison memiliki elemen-elemen sebagai

berikut:

- Toolbar navigasi untuk akses ke file, fuzzy image processing, image

processing comparison dan about us.

- Textfield MSE1 yang menampilkan nilai MSE dari citra yang diproses

menggunakan teknik konvensional.

- Textfield PSNR1 yang menampilkan nilai PSNR dari citra yang diproses

menggunakan teknik konvensional.

- Button Image1 yang jika diklik akan menampilkan citra yang sudah diproses

menggunakan teknik konvensional.

- Button FFT1 yang jika diklik akan menampilkan grafik FFT dalam frekuensi

domain yang sudah diproses menggunakan teknik konvensional.

- Button start processing1 yang jika diklik akan memproses citra

menggunakan teknik konvensional dan kemudian ditampilkan kedalam axes.

- Combo Box image enhancement1 yang berisi beberapa metode image

enhancement yang konvensional.

- Combo Box edge detection1 yang berisi beberapa metode edge detection

yang konvensional.

- Axes untuk menampilkan citra yang dirposes secara konvensional.

- Textfield MSE2 yang menampilkan nilai MSE dari citra yang diproses

menggunakan teknik fuzzy.

- Textfield PSNR2 yang menampilkan nilai PSNR dari citra yang diproses

menggunakan teknik fuzzy.

74

- Button Image2 yang jika diklik akan menampilkan citra yang sudah diproses

menggunakan teknik fuzzy.

- Button FFT2 yang jika diklik akan menampilkan grafik FFT dalam frekuensi

domain yang sudah diproses menggunakan teknik fuzzy.

- Button start processing2 yang jika diklik akan memproses citra

menggunakan teknik fuzzy dan kemudian ditampilkan kedalam axes.

- Combo Box image enhancement2 yang berisi beberapa metode image

enhancement yang menggunakan algoritma fuzzy.

- Combo Box edge detection2 yang berisi beberapa metode edge detection

yang menggunakan algoritma fuzzy.

- Axes untuk menampilkan citra yang dirposes secara fuzzy.

- Button original image yang ketika di tekan akan menampilkan citra semula

kedalam kedua axes.

75

File, fuzzy image processing, image processing comparison dan about us

Button image1 Button FFT1 Button FFT2 Button image2

Citra yang ditampilkan menggunakan teknik konvensional

Citra yang ditampilkan menggunakan teknik fuzzy

Button Original image

Textfield MSE1 Combo box image enhancement1

Textfield PSNR1 Combo box edge detection1

Combo box image enhancement2

Combo box edge detection2

Textfield MSE2

Textfield PSNR2

Button start processing1

Button start processing2

Gambar 3.14 Rancangan layar menu image comparison