BAB 2 TINJAUAN PUSTAKA

BAB 2

TINJAUAN PUSTAKA

2.1

Citra Digital

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan pada Gambar 2.1. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB).

Gambar 2.1 Contoh Citra Digital

Citra berwarna adalah citra yang lebih umum. Warna yang terlihat pada citra bitmap merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru. Setiap piksel disusun oleh tiga komponen warna : R (red), G (green), B (blue). Kombinasi dari tiga warna RGB tersebut menghasilkan warna yang khas untuk piksel yang bersangkutan. Pada citra 256 warna, setiap piksel panjangnya 8 bit, tetapi komponen warna RGB-nya disimpan di dalam tabel RGB yang disebut palet.

Universitas Sumatera Utara

RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0). Bentuk Representasi warna dari sebuah citra digitial dapat dilihat pada Gambar 2.2.

Gambar 2.2 Representasi warna RGB pada citra digital

Misal : terdapat Gambar berukuran 100 pixel x 100 pixel dengan color encoding 24 bits dengan R = 8 bits, G = 8 bits, B = 8 bits, maka color encoding akan mampu mewakili 0 ... 16.777.215 (mewakili 16 juta warna), dan ruang disk yang dibutuhkan = 100 x 100 x 3 byte (karena RGB) = 30.000 bytes = 30 KB atau 100 x 100 x 24 bits = 240.000 bits.


2.1.1 Format Citra Digital

Citra Digital memiliki beberapa format yang memiliki karakteristk tersendiri. Format pada citra digital ini umumnya berdasarkan tipe dan cara kompresi yang digunakan pada citra digital tersebut.

Ada dua format citra digital yang sering dijumpai, antara lain :

1.

Bitmap (BMP) Merupakan format Gambar yang paling umum dan merupakan format standard windows. Ukuran filenya sangat besar karena bisa mencapai ukuran Megabytes. File ini merupakan format yang belum terkompresi dan menggunakan sistem warna RGB (Red, Green, Blue) di mana masing-masing warna pixelnya terdiri dari 3 komponen R, G, dan B yang dicampur menjadi satu. File BMP dapat dibuka dengan berbagai macam software pembuka Gambar seperti ACDSee, Paint, Irvan View dan lain-lain. File BMP tidak bisa (sangat jarang) digunakan di web (internet) karena ukurannya yang besar.

2.

Joint Photographic Expert Group (JPEG/JPG) Format JPEG merupakan format yang paling terkenal sampai sekarang ini. Hal ini karena sifatnya yang berukuran kecil (hanya puluhan/ratusan KB saja), dan bersifat portable. File ini sering digunakan pada bidang fotografi untuk menyimpan file foto. File ini bisa digunakan di web (internet).

2.1.2 Elemen-Elemen Citra Digital

Citra digital mengandung sejumlah elemen-elemen dasar. Elemen-elemen dasar tersebut dimanipulasi dalam pengolahan citra dan dieksploitasi lebih lanjut dalam computer vision. Elemen-elemen dasar yang penting diantaranya adalah :


1. Kecerahan Kecerahan adalah kata lain untuk intensitas cahaya. Sebagaimana telah dijelaskan pada bagian penerokan, kecerahan pada sebuah titik (pixel) di dalam citra bukanlah intensitas yang sebenarnya, tetapi sebenarnya adalah intensitas rata-rata dari suatu area yang melingkupinya. Sistem visual manusia mampu menyesuaikan dirinya dengan tingkat kecerahan (brightness level) mulai dari yang paling rendah sampai yang paling tinggi dengan jangkauan sebesar 1010.

2. Kontras Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) di dalam sebuah

gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar

komposisi citranya adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik, komposisi gelap dan terang tersebar secara merata.

3. Kontur (Countour) Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pixelpixel yang bertetangga. Karena adanya perubahan intensitas inilah mata kita mampu mendeteksi tepi-tepi (edge) objek di dalam citra.

4. Warna Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang gelombang (λ) yang berbeda. Warna merah mempunyai panjang gelombang paling tinggi, sedangkan warna ungu (violet) mempunyai panjang gelombang paling rendah. Warna-warna yang diterima oleh mata (sistem visual manusia) merupakan hasil kombinasi cahaya dengan panjang gelombang berbeda. Penelitian memperlihatkan bahwa kombinasi warna yang memberikan rentang warna yang paling lebar adalah red (R), green (G), dan blue (B).

5. Bentuk (Shape) Shape adalah properti intrinsik dari objek tiga dimensi dengan pengertian bahwa shape merupakan properti intrinsik utama untuk sistem visual manusia. Manusia


lebih sering mengasosiasikan objek dengan bentuknya ketimbang elemen lainnya (warna misalnya). Pada umumnya, citra yang dibentuk oleh mata merupakan citra dwimatra (2 dimensi), sedangkan objek yang dilihat umumnya berbentuk trimatra (3 dimensi). Informasi bentuk objek dapat diekstraksi dari citra pada permulaaan prapengolahan dan segmentasi citra. Salah satu tantangan utama pada computer vision adalah merepresentasikan bentuk, atau aspek-aspek penting dari bentuk.

6. Tekstur Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di dalam sekumpulan pixel-pixel yang bertetangga. Jadi, tekstur tidak dapat didefinisikan untuk sebuah pixel. Sistem visual manusia pada hakikatnya tidak menerima informasi citra secara independen pada setiap pixel, melainkan suatu citra dianggap sebagai suatu kesatuan. Resolusi citra yang diamati ditentukan oleh skala pada mana tekstur tersebut dipersepsi.

2.2

Pengolahan Citra Digital (Image Processing)

Pengertian sederhana dari image processing adalah manipulasi dan analisis suatu informasi gambar oleh komputer. Sedangkan yang dimaksud dengan informasi gambar di sini adalah gambar visual dalam dua dimensi. Segala operasi untuk memperbaiki, menganalisis, atau mengubah suatu gambar disebut image processing.

Konsep dasar dari sistem dari image processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia. Dalam sejarahnya, image processing telah diaplikasikan dalam berbagai bentuk, dengan tingkat kesuksesan yang cukup besar. Seperti berbagai cabang ilmu lainnya, image processing menyangkut pula berbagai gabungan cabang-cabang ilmu, seperti optik, elektronik, matematika, fotografi, dan teknologi komputer.

Pada umumnya tujuan dari image processing adalah mentransformasikan atau menganalisis suatu gambar sehingga informasi baru tentang gambar dibuat lebih jelas.


Ada banyak cara yang dapat diaplikasikan dalam suatu operasi image processing, yang sebagian besar dalam bentuk optikal.

Berbagai bidang telah banyak menggunakan aplikasi dari image processing baik dibidang komersial, industri, dan medis. Bahkan bidang militer telah menggunakan perkembangan dunia digital image processing ini. Pada umumnya tujuan dari image processing adalah mentransformasikan atau menganalisis suatu gambar sehingga informasi baru tentang gambar dibuat lebih jelas. Ada banyak cara yang dapat diaplikasikan dalam suatu operasi image processing.

2.2.1 Sistem Temu-Balik Citra

Sistem Temu-Balik Citra (Image Retrieval) pada awal pengembangannya yaitu sekitar akhir 1970-an, masih menggunakan teks untuk menandai atau memberi keterangan (annotation) pada citra. Pertama-tama citra diberi keterangan berbentuk teks kemudian untuk melakukan proses temu-balik digunakan DBMS (Database Management System) berbasis teks. Pemberian keterangan tersebut memiliki kelemahan yaitu jika koleksi citra memiliki jumlah yang sangat besar, maka menjadi tidak efisien karena proses dilakukan secara manual dan keterangan yang diberikan pada citra bersifat subjektif, sangat tergantung pada persepsi pemberi keterangan. Untuk mengatasi persoalan tersebut maka, pada awal 1990-an mulai dikembangkan CBIR (Content-Based Image Retrieval) yang melakukan proses temu-balik berdasarkan muatan visual berupa komposisi warna yang dimiliki citra (Rahman, 2009).


Gambar 2.3 Diagram Content Based Image Retrieval Sumber: Rahman, 2009

Muatan visual citra dalam basis data diekstrak, kemudian dideskripsikan sebagai vektor ciri (feature vector) dan disimpan dalam basis data ciri. Untuk mendapatkan kembali suatu citra, pengguna memberi masukan kepada sistem berupa contoh citra yang akan dicari, proses ini dinamakan QBE (Query By Example). Sistem kemudian mengubah contoh citra tersebut ke dalam bentuk vektor ciri dan membandingkan tingkat kemiripannya (similarity comparison) dengan vektor-vektor ciri dalam basis data ciri.

Dalam proses pembandingan kemiripan digunakan indeks agar pengaksesan vektor ciri dalam basis data lebih efisien. Selanjutnya dilakukan proses temu-balik dan pengurutan citra berdasarkan nilai yang dihasilkan pada proses pembandingan tingkat kemiripan. Sistem temu-balik dewasa ini juga telah melibatkan umpan-balik dari user apakah suatu citra hasil retrieval relevan atau tidak (relevance feedback) yang digunakan sebagai acuan untuk memodifikasi proses temu-balik agar mendapatkan hasil yang lebih akurat (Long, 2002).


2.3

Histogram Warna

Histogram adalah grafik yag menunjukkan frekuensi kemunculan setiap nilai gradiasi warna. Bila digambarkan pada koordinat kartesian maka sumbu X (absis) menunjukkan tingkat warna dan sumbu Y (ordinat) menunjukkan frekuensi kemunculan. Histogram warna merupakan fitur warna yang paling banyak digunakan. Histogram warna sangat efektif mengkarakterisasikan distribusi global dari warna dalam sebuah citra digital (Sutoyo, 2009).

Komposisi warna merupakan salah satu fitur yang dapat digunakan dalam sistem temu balik citra. Komposisi warna dapat direpresentasikan dalam bentuk histogram. Histogram warna merepresentasikan distribusi jumlah piksel untuk tiap intensitas warna dalam citra. Untuk mendefinisikan histogram, warna di kuantisasi menjadi beberapa level diskrit, kemudian untuk tiap level tersebut dihitung jumlah piksel yang nilainya sesuai seperti ditunjukkan Gambar 2.4.

Gambar 2.4 Histogram Warna


2.3.1 Menghitung Histogram Warna

Warna yang sering digunakan adalah RGB (Red, Green, Blue). Jika masing-masing warna didiskritkan menjadi m interval maka total jumlah diskritnya adalah m3. Dengan histogram dapat dicari citra yang memiliki kemiripan komposisi warna. Pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antar histogram. Jika G = {g1, g2, g3, … , gn}. dan H = {h1, h2, . . . , hn} adalah histogram warna dari dua buah citra, dimana gi dan hi adalah jumlah piksel pada level ke i dari kedua histogram dan n adalah jumlah level untuk tiap histogram, maka jarak (d) antara dua histogram dapat dinyatakan dalam jarak Manhattan seperti terlihat pada persamaan berikut :

Langkah-langkah pencarian citra dengan didasarkan pada fitur histogram warna adalah sebagai berikut : 1. Membuat matriks citra 2. Membuat histogram 3. Menghitung jarak histogram 4. Mencari citra dengan jarak histogram terkecil Menampilkan citra dengan jarak histogram terkecil

Citra dengan nilai jarak yang lebih kecil dianggap memiliki tingkat kemiripan komposisi warna yang lebih tinggi atau lebih mirip dibandingkan dengan citra yang memiliki nilai jarak yang lebih besar.

Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut:

(1,1,1) (1,2,0) (1,2,0) (1,1,0) (2,1,0) (2,3,1) (3,2,1) (2,2,1) (2,1,0)


Bila yang digunakan adalah format H(r,g,b) dimulai dari H(0,0,0) sampai dengan H(3,3,3), maka histogram gambar tersebut adalah sebagai berikut :

H(0,0,0)=0 H(0,0,1)=0 H(0,0,2)=0 H(0,0,3)=0 H(0,1,0)=0 H(0,1,1)=0 H(0,1,2)=0 H(0,1,3)=0 H(0,2,0)=0 H(0,2,1)=0 H(0,2,2)=0 H(0,2,3)=0 H(0,3,0)=0 H(0,3,1)=0 H(0,3,2)=0 H(0,3,3)=0 H(1,0,0)=0 H(1,0,1)=0 H(1,0,2)=0 H(1,0,3)=0 H(1,1,0)=1 H(1,1,1)=1 H(1,1,2)=0 H(1,1,3)=0 H(1,2,0)=1 H(1,2,1)=0 H(1,2,2)=0 H(1,2,3)=0 H(1,3,0)=0 H(1,3,1)=0 H(1,3,2)=0 H(1,3,3)=0 H(2,0,0)=0 H(2,0,1)=0 H(2,0,2)=0 H(2,0,3)=0 H(2,1,0)=2 H(2,1,1)=0 H(2,1,2)=0 H(2,1,3)=0 H(2,2,0)=0 H(2,2,1)=1 H(2,2,2)=0 H(2,2,3)=0 H(2,3,0)=0 H(2,3,1)=1 H(2,3,2)=0 H(2,3,3)=0 H(3,0,0)=0 H(3,0,1)=0 H(3,0,2)=0 H(3,0,3)=0 H(3,1,0)=0 H(3,1,1)=0 H(3,1,2)=0 H(3,1,3)=0 H(3,2,0)=0 H(3,2,1)=1 H(3,2,2)=0 H(3,2,3)=0 H(3,3,0)=0 H(3,3,1)=0 H(3,3,2)=0 H(3,3,3)=0

Jika ditulis, histogram dari data-data diatas adalah :

H = {0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 2, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0}.

2.3.2 Menghitung Jarak Histogram

Fitur warna merupakan fitur yang paling banyak digunakan pada sistem image retrieval. Banyak diantaranya mengunakan

image color histogram.

Histogram


warna antara dua buah gambar dapat dihitung

jaraknya, dimana gambar yang

memiliki jarak paling kecil, merupakan solusinya.

Sebagai contoh ada dua gambar dengan histogram empat warna yang sudah terkuantisasi sebagai berikut : HA = {20%, 30%, 10%, 40%} HB = {10%, 10%, 50%, 30%} Untuk menghitung jarak histogram antara kedua gambar tersebut dapat digunakan rumus berikut :

Jika nilai dua histogram tersebut dimasukkan ke dalam rumus di atas, maka hasilnya adalah sebagai berikut :

d(A,B) = |0.2 - 0.1| + |0.3 - 0.1| + |0.1 - 0.5| + |0.4 - 0.3| = 0.8

2.3.3 Menaksir Kemiripan Gambar Berdasarkan Jarak Histogram

Histogram warna terdiri dari dua tipe, Global Colour Histograms (GCHs) dan Local Colour Histograms (LCHs). Pada penggunaan GCH, distribusi warna global suatu gambar diambil dan digunakan sebagai metoda. Jika pengguna mencari gambar dengan yang dalam sistem databasenya hanya memperhatikan distribusi warna global

suatu gambar, memang, GCH adalah pilihan terbaik. Walaupun demikian,

karena GCH hanya mengambil distribusi warna global suatu gambar sebagai pertimbangan

untuk membandingkan gambar,

ini

bisa mengembalikan

hasil

yang tidak sesuai dengan persepsi visual.


Misalkan ada tiga gambar yang telah dikuantisasi menjadi tiga warna: hitam, abu-abu, dan putih, seperti ditunjukkan pada Gambar 2.5 sampai Gambar 2.8. Misalkan gambar A adalah query image, sedangkan gambar B dan C adalah gambargambar dalam database.

Gambar 2.5 Gambar A

Gambar 2.6 Gambar B

Gambar 2.7 Gambar C


Sedangkan hasil kuantisasi dari ketiga gambar tersebut seperti terlihat pada Tabel 2.1.

Tabel 2.1 Hasil Kuantisasi Gambar A, B dan C

Nama Gambar Hitam Abu-abu Putih A 37,5% 37,5% 25% B 31,25% 37,5% 31,25% C 37,5% 37,5% 25%

Maka, jarak antara gambar A dengan gambar B dan C adalah sebagai berikut :

d(A,B) = |0,375 – 0,3125| + |0,375 – 0,375| + |0,25-0,3125| = 0,125 d(A,C) = |0,375 – 0,375| + |0,375 – 0,375| + |0,25 – 0,25| =0

Dari hasil pembandingan, gambar C ternyata ditemukan lebih mirip daripada gambar B (karena jarak C lebih kecil).

2.4

Representasi Warna

Pada umumnya, warna dipisahkan menjadikan komponen-komponen, baik komponen warna ataupun komponen kecerahan, penyajian semacam ini disebut warna.

komponen

Pada komponen warna, tiap komponen dipisahkan dengan model-model

tertentu, seperti model RGB, YUV dan YIQ.

2.4.1 Model RGB

Red Green Blue (RGB) merupakan warna dasar yang ada pada sistem komputer. Data video dapat dipisahkan menjadi komponen-komponen untuk


masing-masing warna, yaitu merah (red), hijau (green) dan biru (blue). Warna tiap piksel ditentukan oleh kombinasi intensitas dari masing-masing komponen warna dan dipetakan dalam bentuk sebuah koordinat seperti terlihat pada Gambar 2.8.

Gambar 2.8 Koordinat RGB

Sebagai contoh, pada RGB 24 bit, masing-masing komponen warna dinyatakan dalam 8 bit atau 256 level. Misalnya, citra dengan 8 bit per piksel mempunyai 256 warna dan citra dengan 24 bit mempunyai 32768 warna, jadi setiap piksel dapat dinyatakan sebagai berikut : 1. Bit 0 sampai dengan 7 untuk warna merah. 2. Bit 7 sampai dengan 15 untuk warna hijau. 3. Bit 16 sampai dengan 24 untuk warna biru.

Kemungkinan kombinasi warna yang ada adalah = 2563 + 2562 + 2561 = 16.843.008, dimana nilai 0 menyatkan warna hitam sedangakan nilai 16.843.008 menyatakan warna putih.

2.4.2 Model YUV

YUV adalah pemisahan komponen kecerahan (luminance) dan komponen warna (crominanc). Pemisahan komponen tidak hanya dilakukan dengan pemisahan warna, namun dapat juga dilakukan dengan memisahkan komponen kecerahan (luminance) dan komponen warna (crominance). Pada format PAL, sinyal


kecerahan dinyatakan dengan Y, sedangkan dua signal warna dinyatakan dengan U dan V.

Masing-masing komponen tersebut diperoleh dengan mentransformasikan RGB dengan rumus :

Y = 0,299 R + 0,587 G + 0,114 B U = (B-Y) x 0,493 V = (R-Y) x 0,877

2.4.3

Model YIQ

Model YIQ merupakan salah model warna yang berfokus pada persepsi mata manusia terhadap warna. YIQ

merepresentasikan warna dalam tiga

komponen, yaitu

komponen Y mewakili pencahayaan (luminance), komponen I mewakili corak warna (hue)

dan komponen Q mewakili intensitas atau kedalaman warna (saturation)

(Gonzalez, 2002).

Model ini merupakan standar warna pada penyiaran TV yang diperkenalkan pertama kali oleh NTSC (the National Television System Comitee). Pada siaran televisi tidak dikemas dalam kode RGB waktu dipancarkan melainkan menggunakan model warna lain yaitu YIQ. Hal ini disebabkan karena televisi pada awal perkembangannya hanya mampu menampilkan citra abu-abu. Sehingga ketika peralatan memancar sudah memungkinkan untuk memungkinkan untuk mengirimkan citra berwarna, banyak pesawat televisi yang masih berkemampuan menampilkan citra abu-abu. Agar televisi ini masih bisa digunakan, maka data yang dipancarkan dikemas dalam model YIQ. Sehingga pesawat televisi lama hanya menangkap sinyal Y yang berisi data kecerahan dan langsung menampilkannya pada layar tanpa perlu melakukan proses transformasi, sedangkan pesawat televisi baru dapat menangkap ketiga macam data tersebut dan menampilkan dalam citra berwarna (Ahmad,2005).


Perangkat keras pengolah citra pada umumnya menerapkan model warna RGB dengan pertimbangan kemudahan pada teknis penampilan warna. Konversi warna diperlukan untuk menjembatani perbedaan kedua model warna tersebut agar dapat diproses dan ditampilkan dengan benar.

Perhatikan Gambar 2.8 terlihat bahwa warna hitam diwakili oleh koordinat ruang (0,0,0) yang berarti intensitas semua warna pokok adalah nol persen dan warna putih oleh koordinat (1,1,1) yang berarti semua warna pokok berintensitas 100% karena nilai satu adalah maksimum untuk skala yang dinormalkan pada kubus tersebut. Bila semua warna pokok mempunyai intensitas yang sama dan berada diantara 0 dan 1, maka yang tampak adalah warna abu-abu dengan mudah dapat dihasilkan dari citra warna RGB dengan mengambil niai rata-rata dari ketiga komponen warna pokok merah, hijau, biru (Ahmad, 2005).

Karena ketiga warna pokok tadi dianggap tidak seragam dalam hal kemampuan kontribusi pada kecerahan, sehingga masing-masing komponen tersebut diperoleh dengan cara mengkonversikan nilai RGB ke nilai YIQ dengan rumus :

Y = 0,299 R + 0,587 G + 0,114 B I

= 0,587R-0,275G-0,321B

Q = 0,212R-0,523G-0,321B

Citra query dan citra dalam basis data di konversi dari model warna RGB ke model warna YIQ adalah untuk mengkoversi citra warna ke dalam bentuk yang lebih sesuai untuk pengolahan citra. Pada setiap komponen YIQ memiliki jangkauan nilai 0-255.


BAB 2 TINJAUAN PUSTAKA

Recommend Documents