Representasi Citra

BertalyaUniversitas Gunadarma

2005

Berta @ 2005 2

Pengertian Citra DigitalPengertian Citra Digital

Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital)Citra kontinu diperoleh dari sistem optik yg menerima sinyal analog, seperti matamanusia dan kamera analog.Citra diskrit (citra digital) dihasilkan melalui proses digitalisasi terhadap citra kontinu.

• Citra Digital– Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan

y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik(x,y) merupakan tingkat kecemerlangan atau intensitas cahaya citra padatitik tersebut;

– Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinatspasial (sampling) dan diskritisasi tingkat kecemerlangannya/keabuan(kwantisasi);

– Citra digital merupakan suatu matriks dimana indeks baris dan kolomnyamenyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut.

Berta @ 2005 3

Pengertian Citra Digital (lanjutan)Pengertian Citra Digital (lanjutan)

• Nilai f(x,y) merupakan = i(x,y) . r(x,y)– Nilai i(x,y) adalah jumlah cahaya yg berasal dari sumbernya (illumination)

0 ≤ i(x,y) < ∞– Nilai r(x,y) adalah derajat kemampuan objek memantulkan cahaya

(reflection)0 ≤ i(x,y) ≤ ∞

Sehingga0 ≤ f(x,y) < ∞

• Nilai f(x,y) disebut juga derajat keabuan (gray level) mempunyai nilailmin < f < lmax

Selang (lmin, lmax) disebut skala keabuan

Contoh: citra hitam putih dengan 256 level mempunyai skala keabuan (0,255), nilai 0 menyatakan putih, nilai 255 menyatakan hitam, kecuali itu terletak diantaranya.

Berta @ 2005 4

Pengertian Citra DigitalPengertian Citra Digital

Sampler

Citra kontinue Citra dijital Matriks citra dengan obyek angka 5

Resolusi spasial : Resolusi kecemerlangan :Tinggi (16 x 16) Rendah (8 x 8) Tinggi (4) Rendah (2)

Berta @ 2005 5

Digitalisasi CitraDigitalisasi Citra

• Citra digital diperoleh dari proses digitalisasi.Ada 2 proses digitalisasi yakni :1. sampling merupakan proses pengambilan nilai diskrit koordinat ruang

(x,y) dengan melewatkan citra melalui grid (celah)2. kuantisasi merupakan proses pengelompokkan nilai tingkat keabuan citra

kontinu ke dalam beberapa level atau merupakan proses membagi skalakeabuan (0,L) menjadi G buah level yg dinyatakan dengan suatu hargabilangan bulat (integer), dinyatakan sebagai

G = 2m

G : derajat keabuan, m : bil bulat positif

• Citra digital berukuran N x M dinyatakan dg matriks yg berukuran N baris danM kolom

f(0,0) f(0,1) … f(0,M)f(x,y) = …

f(N-1,0) f(N-1,1) … f(N-1, M-1)

Berta @ 2005 6

Digitalisasi Citra (lanjutan)Digitalisasi Citra (lanjutan)

• Berarti penyimpanan untuk citra digital yg disampling dg N x M piksel dandikuantisasi menjadi 2m level derajat keabuannya membutuhkan memori

N x M x m

Contoh, citra Lena yg berukuran 512 x 512 dg 256 derajat keabuan membutuhkanmemori sebesar 512 x 512 x 8 bit = 2048.000 bit.

• Resolusi gambar ditentukan oleh N dan m. Makin tinggi nilainya maka citra ygdihasilkan makin bagus kualitasnya (mendekati citra kontinu).

Berta @ 2005 7

Digitasi CitraDigitasi Citra

Column of samples

Line

Picture

Pixel

Sample SpacingSampling processSpatial resolution

Line Spacing

Black

Gray

White

255

128

0

Brightness SpacingProses Kwantisasi

Brightness ResolutionSumber: Dimodifikasi dari Castlemen, 1996

Berta @ 2005 8

Resolusi CitraResolusi Citra

• Resolusi CitraMenentukan seberapa dekat citra tsb dengan asal (kontinu).Dikenal: resolusi spasial dan resolusi kecemerlangan, berpengaruh pada

besarnya informasi citra yang hilang.

– Resolusi spasial: halus / kasarnya pembagian kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra digital disebut digitisasi (sampling). Hasil digitisasi dengan jumlah baris 256 dan jumlah kolom 256 - resolusispasial 256 x 256.

– Resolusi kecemerlangan (intensitas / brightness): halus / kasarnyapembagian tingkat kecemerlangan. Transformasi data analog yang bersifatkontinue ke daerah intensitas diskrit disebut kwantisasi. Bila intensitaspiksel berkisar antara 0 dan 255 - resolusi kecemerlangan citra adalah 256.

Berta @ 2005 9

Resolusi Spasial - SamplingResolusi Spasial - Sampling

• Sampling Uniform dan Non-uniform– Sampling Uniform mempunyai spasi (interval) baris dan kolom yang

sama pada seluruh area sebuah citra. Proses sampling melalui celah ygberukuran sama.

– Sampling Non-uniform bersifat adaptif tergantung karakteristik citradan bertujuan untuk menghindari adanya informasi yang hilang. Daerahcitra yang mengandung detil yang tinggi di-sampling secara lebih halus, sedangkan daerah yang homogen dapat di-sampling lebih kasar. Kerugian sistem sampling Non-uniform adalah diperlukannya data ukuran spasi atau tanda batas akhir suatu spasi.Proses sampling melalui celah yg bervariasi.

Berta @ 2005 10

Contoh Sampling Contoh Sampling

Berta @ 2005 11

Resolusi Kecemerlangan - KuantisasiResolusi Kecemerlangan - Kuantisasi

• Kuantisasi Uniform, Non-uniform, dan Tapered– Kuantisasi Uniform mempunyai interval pengelompokan tingkat keabuan

yang sama (misal: intensitas 1 s/d 10 diberi nilai 1, intensitas 11 s/d 20 diberi nilai 2, dstnya).

– Kuantisasi Non-uniform: Kuantisasi yang lebih halus diperlukan terutamapada bagian citra yang menggambarkan detil atau tekstur atau batas suatuwilayah obyek, dan kuantisasi yang lebih kasar diberlakukan pada wilayahyang sama pada bagian obyek.

– Kuantisasi Tapered: bila ada daerah tingkat keabuan yang sering munculsebaiknya di-kuantisasi secara lebih halus dan diluar batas daerah tersebutdapat di-kuantisasi secara lebih kasar (local stretching).

Berta @ 2005 12

Warna CitraWarna Citra

• Warna pada citra diperlukan karena :- utk analisis citra secara otomatis, krn warna dpt menyerderhanakan

proses identifikasi dan ekstraksi benda dari suatu citra- mata manusia dpt membedakan ribuan perubahan warna dg berbagai

intensitas, sedang citra yg monokromati hanya dpt membedakan 2 lusin

10 100 120 100 100 120 100 1010 140 255 140 140 255 100 1010 255 140 255 140 255 120 1010 140 140 255 140 255 120 1010 120 255 140 140 255 100 1010 255 140 140 120 255 100 1010 255 255 255 120 255 100 1010 100 120 100 100 120 100 10

Gambar ini merupakan citra monokromatik 8 bits dg ukuran [8 x 8] dg skala keabuan[0, 255]. Berarti citra tsb adalah angka 21 dg latar belakang gelap.

Berta @ 2005 13

Citra BinerCitra Biner

• Citra biner (binary image) adalah citra yg setiap pikselnya hanya memiliki 2 kemungkinan derajat keabuan yakni 0 dan 1.

• Proses pembineran dilakukan dg membulatkan ke atas atau ke bawah untuksetiap nilai keabuan dari piksel yg berada di atas atau bawah harga ambang. Metode untuk menentukan besarnya harga ambang disebut thresholding.

0 0 0 0 0 0 0 0

0 0 1 0 0 1 0 00 1 1 1 0 1 0 00 0 0 1 0 1 0 00 0 1 0 0 1 0 00 1 0 0 0 1 0 00 1 1 1 0 1 0 00 0 0 0 0 0 0 0

Berta @ 2005 14

Hubungan antara piksel dan pengertianconnectivity

Hubungan antara piksel dan pengertianconnectivity

4-tetangga piksel P 8-tetangga piksel P

X X X X

X P X X P X

X X X X

Connectivity/Konektivitas: 4-tetangga atau 8-tetangga dengan kriteria gray level yang sama, misal: sama-sama 0 atau sama-sama 1 atau sama-sama bedanyatidak lebih dari 5 tingkat keabuan, dlsb.nya

Berta @ 2005 15

Labelling of connected componentLabelling of connected component

Dengan kriteria piksel sama-sama bernilai 1: (a) dengan aturan4-tetangga dan (b) dengan aturan 8 tetangga:

0 0 0 0 0 0 0 0 0 0 0 0

0 0 1 1 0 0 0 0 1 1 0 0

0 1 1 0 0 0 0 1 1 0 0 0

0 1 1 0 1 1 0 1 1 0 1 1

0 0 0 1 1 1 0 0 0 1 1 1

0 0 0 0 0 0 0 0 0 0 0 0ekivalen dengan

ekivalen dengan

Berta @ 2005 16

Operasi Aritmetik pada CitraOperasi Aritmetik pada Citra

• Operasi Aritmetik antara dua citra– + - x /– Band ratio antara citra sensor optik Landsat TM band 3 dan band 4 dapat

digunakan untuk analisis vegetasi, begitu juga ratio antara selisih dan jumlahnya.

Operasi selisih antara dua citra temporal dapat digunakan untuk deteksi

perubahan wilayah.

Jakarta in 1994 Jakarta in 1998 (Lapan, 2001)

Berta @ 2005 17

Operasi Aritmetik pada CitraOperasi Aritmetik pada Citra

• Operasi selisih antara dua citra temporal dapat digunakan untukdeteksi perubahan wilayah.

Jakarta in 1994 Jakarta in 1998(Lapan, 2001)

Berta @ 2005 18

Operasi Aritmetik pada CitraOperasi Aritmetik pada Citra

• Operasi Lojik antara dua citra– OR AND NOT– Masking (AND) operation dapat digunakan untuk memisahkan antara

bagian obyek dan bagian latar belakang pada citra biomedik.

Object of interest‘jaringan paru’

Mask denganoperasi AND

Berta @ 2005 19

Komponen SistemPengolahan Citra Dijital

(Gonzalez & Woods, 1992)

Berta @ 2005 20

Elemen-elemen Sistem Analisis CitraElemen-elemen Sistem Analisis Citra

(Gonzalez & Woods, 1992)

Berta @ 2005 21

Metodologi Pengolahan CitraMetodologi Pengolahan Citra• Pembentukan Citra (Data Acquisition): Menentukan data yang diperlukan dan

memilih metode perekaman citra dijital.• Pengolahan Citra Tingkat Awal (Image Preprocessing): Meningkatkan kontras,

menghilangkan gangguan geometrik / radiometrik, menentukan bagian citrayang akan diobservasi.

• Segmentasi Citra (Image Segmentation) dan Deteksi Sisi (Edge Detection): Melakukan partisi citra menjadi wilayah-wilayah obyek (internal properties) ataumenentukan garis batas wilayah obyek (external shape characteristics).

• Seleksi dan Ekstraksi Ciri (Feature Extraction and Selection): Seleksi cirimemilih informasi kwantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas obyek secara baik. Ekstraksi ciri mengukur besaran kwantitatif ciri setiappiksel

Berta @ 2005 22

Metodologi Pengolahan Citra (Lanjutan)Metodologi Pengolahan Citra (Lanjutan)• Representasi dan Deskripsi: Suatu wilayah dapat direpresentasi sebagai

suatu list titik-titik koordinat dalam loop yang tertutup, dengan deskripsiluasan / perimeternya

• Pengenalan Pola (Pattern Recognition): Memberikan label kategori obyekpada setiap piksel citra berdasarkan informasi yang diberikan oleh deskriptoratau ciri piksel bersangkutan (pewilayahan jaringan keras dan pewilayahanberbagai jaringan lunak pada citra biomedik)

• Interpretasi Citra (Image Interpretation): Memberikan arti pada obyek yang sudah berhasil dikenali (dari citra klasifikasi biomedik dapat dilihat adanyapenyakit tumor)

• Penyusunan Basis Pengetahuan: Basis pengetahuan ini digunakan sebagaireferensi pada proses template matching / object recognition.