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.
46
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 z h o o s h , F u z z y I m a g e P r o c e s s i n g , © CopyRight S p r i n g e 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 graylevel 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.
Gambar 3.7 Ketidakjelasan (U n c e r t a i n t y / I m p e r f e c t knowledge) dalam pemrosesan citra. Adapted from: Tizhoosh, Fuzzy Image Processing, © CopyRight Springer,1997. 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 graylevel yang mendekati nilai rata-rata gray-level pada citra dari pada gray-level yang
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 graylevel 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.
Gambar 3.8 Fungsi Possibilty distribution untuk menghitung nilai keanggotaan.
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:
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.
Gambar 3.9 Fungsi keanggotaan.
Algoritmanya dimulai dengan menginilisasikan parameter citra ; gray-level minimum dan juga gray-level maximum. Kemudian dengan fuzzifikasi dari graylevel (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
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.
Gambar 3.10 Fungsi keanggotaan dari set fuzzy pada input(a) dan output(b).
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.
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
File, fuzzy image processing, image processing comparison FUZZY IMAGE PROCESSING
Gambar 3.11 Rancangan layar menu utama
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.
71
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
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.
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 Original image
Citra yang ditampilkan menggunakan teknik konvensional
Button image2
Button FFT2
Citra yang ditampilkan menggunakan teknik fuzzy
Textfield MSE1
Combo box image enhancement1
Textfield MSE2
Combo box image enhancement2
Textfield PSNR1
Combo box edge detection1
Textfield PSNR2
Combo box edge detection2
Button start processing1
Gambar 3.14 Rancangan layar menu image comparison
Button start processing2
