No title

Image Enhancement - 12-31-2015 by webmaster - MASTER SISFO - http://suyatno.dosen.akademitelkom.ac.id

Image Enhancement by webmaster - Thursday, December 31, 2015 http://suyatno.dosen.akademitelkom.ac.id/index.php/2015/12/31/image-enhancement/

Definisi Perbaikan citra merupakan proses yang dilakukan untuk meningkatkan kualitas visual citra untuk aplikasi yang spesifik.

Dua pendekatan yang digunakan adalah: Metode Domain Spatial , manipulasi pixel. Metode Domain Frekuensi, modifikasi transformasi Fourier.

Metode Domain Spatial (SDM) Domain spatial terdiri dari kumpulan pixel yang membentuk image. Fungsi image processing dalam domain spatial dapat dituliskan:

dimana f(x,y) merupakan input image, g(x,y) merupakan image hasil, dan T sebagai operator f. Neighbourhood dari (x,y) merupakan area persegi dari subimage area dengan pusat (x,y). Pusat subimage bergerak dari pixel ke pixel, dari sudut kiri atas, dan menggunakan operator pada (x,y) untuk menghasilkan g pada titik tersebut. Fungsi transformasi gray level untuk perbaikan kontras.

Metode Domain Frekuensi Teorema konvolusi merupakan dasar bagi metode domain frekuensi.

1 / 10


dimana g(x,y) merupakan image hasil konvolusi antara image f(x,y) dengan operator h(x,y). Dari teorema konvolusi, dimana G, H, F adalah transformasi Fourier dari g, h, f. Pada system H(u,v) disebut fungsi transfer.

Pada kebanyakan masalah yang ada f(x,y) yang diberikan dan tujuannya adalah memilih H(u,v) untuk menghasilkan image g(x,y) yang diinginkan. Dengan memilih H(u,v), image dapat diperbaiki dengan cara yang berbeda-beda.

Domain Spatial

Perbaikan dengan point processing Teknik ini berdasarkan intensitas pixel tunggal; Negative image,yang digunakan untuk menampilkan medical image. Fungsi transformasi s=T(r).

Contrast Stretching Contrast stretching memperbesar dynamic range dari gray level pada image yang akan diproses. Titik (r1,s1) dan (r2,s2) mengontrol bentuk fungsi transfer. Jika r1=r2 dan s1=s2, transformasi merupakan fungsi linear yang menyebabkan tidak adanya perubahan pada gray level. Jika r1=r2 dan s1=0 dan s2=L-1, akan didapatkan fungsi threshold dari binary image. Nilai tengah menghasilkan variasi derajat dari penyebaan gray level. Pada umumnya r1=r2 dan s1=s2 untuk fungsi naik berurutan.

Dynamic Range Compression Digunakan pada saat dynamic range dari image yang diproses jauh melampaui kemampuan display dari alat. Sebagai contoh, pada transformasi Fourier hanya bagian yang paling terang yang mungkin terlihat. Solusinya adalah dengan transformasi nilai pixel menggunakan skala yang konstan. s=c.log(1+|r|)

Gray Level Slicing Digunakan untuk menonjolkan daerah spesifik dari tingkat keabuan citra/gray level pada image, sebagai contoh tumours pada medical image.

2 / 10


Metode1 (metode binary ) Hanya menonjolkan daerah tingkat keabuan yang diinginkan , menempatkan semua gray level yang lain dalam level terendah. Hasilnya adalah binary image. Metode 2 (memberikan info background) Metode ini memperjelas daerah gray level yang diinginkan untuk menjaga background dan tonalities gray level image.

Bit Plane Slicing Kita dapat menonjolkan kontribusi dengan spesifik bit pada pixel. Bit plane terdiri dari 8 bit untuk satu nilai pixel. Semua bit pada posisi yang sama (ke-n bit) dapat digunakan pada semua pixel pada image untuk menghasilkan sebuah image yang menunjukkan kontribusi dari bit tersebut.

Ekualisasi Histogram Tujuan pada ekualisasi histogram adalah untuk memperbesar dynamic range dari nilai pixel. Image diperbaiki kualitasnya dengan menggunakan cumulative distribution function (cdf). Probabilitas pixel dengan level gray k adalah: Pr(rk)=nk/n

Dengan nk= probabilitas pixel dengan level gray k n = jumlah total pixel. CDF ekivalen dengan fungsi transformasi T(rk). sk=T(rk)=å nj /n

untuk j=0,..,k

sk merepresentasikan penjumlahan dari probabilitas semua level hingga level k. Image hasil histogram ekualisasi didapat dengan mengalikan pixel image dengan sk yang berhubungan.

3 / 10


Metode Mean/Sdev Mean(m), ukuran intensitas rata-rata. Varian(s), ukuran kontras Input image f(x,y) yang dipetakan ke output g(x,y) dimana g(x,y)=A(x,y).[f(x,y)-m(x,y)]+m(x,y) dimana A(x,y)=kM/s(x,y)

m(x,y) =

mean gray level dari neighbourhood

s(x,y) =

standar deviasi gray level dari neighbourhood.

M

=

global mean f(x,y)

k

=

konstan.

Spatial Filtering (Menggunakan mask yang disebut spatial filter) Low Pass Filter Membatasi komponen frekuansi tinggi pad domain Fourier. Komponen frekuensi tinggi menggolongkan sisi dan ketajaman detail, maka ini menyebabkan image blurring.

§ High Pass Filter Membatasi komponen frekuensi rendah. Komponen frekuensi rendah bertanggung jabab terhadap perubahan karakteristi, seperti keseluruhan contrast dan intensitas image, sehingga hasil dari filter ini mempertajam sisi dan detail. Band Pass Filter Membatasi frekuensi tinggi dan rendah. Kegunaan utama dari filter ini adalah lebih kepada image restoration dibandingkan dengan image enhancement.

4 / 10


Implementasi Pendekatan dilakukan dengan menggunakan mask untuk semua tipe filter. Dua Filter yang digunakan: Smoothing Filter: Lowpass spatial filters Median filtering Sharpening Filter Highpass spatial filter High boost filtering Derivative filters

Low Pass Filtering Syaratnya adalah semua koefisien pada mask adalah positif. dan .Kekurangannya adalah mengaburkan batas dan ketajaman detail. Pada low pass filtering, biasanya neighbourhood adalah rata-rata sehingga semua zi=1 dan R dibagi ukuran mask R=1/9 [1 1 1;1 1 1;1 1 1]

Median Filtering Metode ini banyak digunakan untuk reduksi noise daripada blurring. Tingkat keabuan suatu pixel ditempatkan oleh median pixel pada neighbourhood.

High Pass Spatial Filtering Filter memiliki koefisien positif pada pusat, negatif koefisien pada luarnya. 1/9x[-1 -1 -1;-1 8 -1;-1 -1 -1] Penjumlahan koefisien bernilai 0. Untuk area dengan intensitas konstan, output filter nol atau sangat kecil. Jika nilai akhir output bernilai negatif, nilai diskala dalam range[0,L-1].

5 / 10


High Boost Filtering Image keluaran high pass filter dapat dilutiskan sebagai: Highpass=Original-Lowpass. Mengalikan original image dengan faktor aflifikasi A menghasilkan highboost filter. Highboost

=

A(Original)-Lowpass

=

(A-1)Original +Original-Lowpass

=

(A-1)Original + Highpass

Jika A=1, Highboost filter samadengan Highpass filter. Jika A>1, bagian dari original image ditambahkan ke highpass sehingga didapatkan kembali komponen frekuensi rendah yang hilang pada operasi highpass filtering. Mask yang digunakan pada highboost filtering 1/9[-1 -1 -1;-1 w -1;-1 -1 -1] Dengan w=9A-1 bila A³1

Derivative Filter Proses merata-ratakan nilai pixel ekivalen dengan proses integrasi. Hasilnya mengaburkan deatil image. Proses diferensiasi memiliki efek yang berlawanan, menajamkan detail image. Dapat dicapai dengan menghitung gradien image.

Cross Differences Cross differences dapat digunakan sebagai: Ñf=[(z5-z9)2+(z6-z8)2]1/2 atau Ñf=[(z5-z9)+(z6-z8)]

Operator Robert Mask cross differences 2x2 disebut operator Robert:

6 / 10


[10;0 -1]

[0 1;-1 0]

Operator Prewitt

Operator Sobel

Frequency Domain Enhancement Prosedur: Transformasi Fourier image Kalikan hasil dengan filter fungsi transfer Invers Transform

Filter Lowpass Ideal Suatu filter lowpass ideal memiliki fungsi transfer : dimana Do merupakan nilai non negatif yang ditentukan dan D(u,v) adalah jarak dari titik (u,v) ke bidang frekuensi asal.

Filter Highpass Filter ini meredam komponen frekuensi rendah tanpa mengganggu informasi frekuensi tinggi pada trandformasi Fourier. Ideal filter Highpass:

dimana Do merupakan jarak cut off yang diukur dari titik asal dengan .

7 / 10


Colour Image Processing Warna merupakan deskriptor yang baik untuk mengidentifikasi objek pada layar. Full colour image melibatkan citra dari sensor warna. Pseudo Colour image melibatkan penandaan warna pada cita mengacu pada intensitas gray level. Achromatic Light, merupakan atribut (intensitas) Chromatic Light, merupakan atribut (radiasi, luminansi, kecerahan) Radiasi, merupakan total energi yang bergerak dari sumber cahaya (unit: watt) Luminansi, merupakan sejumlah enrgi yang diterima oleh pengamat dari sumber cahaya. Kecerahan, merepresentasikan notasi intensitas akromatik.

Semua warna merupakan kombinasi dari warna utama : merah (R), Hijau(G), Biru (B). Warna sekunder adalah: magenta(R+B), Cyan(G+B) dan Kuning(R+G).

Warna primer dari cahaya Warna-warna primer menyerap kedua warna primer lainnya dan memantulkan sisanya.

Warna primer dari pigmen Warna primer menyerap satu warna primer dari cahaya dan memantulakan dua warna lain.

Karakteristik Warna Brightness, merepresentasikan intensitas akromatik. Hue, atribut yang diasosiasikan dengan panjang gelombang yang dominan dalam penggabungan gelombang cahaya. Saturation, relatif murni atau jumlah dari cahaya putih yang digabung dengan hue. Kromatik Kromatik = Hue + saturation. Jumlah warna merah, hijau, biru dibutuhkan untuk membentuk warna-warna tertentu yang disebut Nilai Trismulus dan didenotasikan X,Y,Z. Warna dapat dinyatakan dengan koefisien kromatiknya

8 / 10


Model Warna Model warna merupakan spesifikasi warna dalam bebarapa standar. Model ini menyatakan koordinat sistem 3D dan suatu sub ruang dalam sistem dimana setiap warna dinyatakan oleh satu titik. Model-model warna yang ada: RGB, digunakan pada monitor berwarna dan kamera video berwarna CMY, digunakan pada printer warna YIQ, standar warna untuk siaran tv HIS, digunakan pada manipulasi warna citra.

RGB Setiap warna dinyatakan dalam komponen spektral dari merah ,hijau, dan biru. Pada model RGB, warnawarna RGB terdapat pada tiga sudut, dan cyan, magenta, kuning berada pada susut yang lain dari kubus. Hitam berada pada titik asal , dan putih berada pada titik terjauh dari titik asal.

YIQ (Luminance, Inphase, Quadrature) Model YIQ digunakan pada siaran komersial. Konversi dari RGB ke YIQ:

Keuntungan : Mendukung human visual system dengan lebih mementingkan luminansi daripada perubahan dalam hue atau saturasi. Selain itu luminansi dan informasi warnanya dapat diproses secara terpisah.

Model HSI Hue merupakan atribut warna yang mendeskripsikan warna asal dimana aturasi memberikan ukuran dari ukuran dari derajat kemurnian warna yang dipancarkan oleh cahaya putih. Model HSI dapat digunakan untuk mengevaluasi kualitas warna suatu citra.

9 / 10


Pseudo Colour Image Processing Pengirisan intensitas, pada metode ini , intensitas antara tingkat keabuan tertentu dinyatakan oleh warna yang sama. Jumlah bidang irisan yang dapat digunakan untuk menghasilkan citra akhir dengan banyak warna.

Referensi : [pdf]

_______________________________________________ PDF generated by Kalin's PDF Creation Station

10 / 10 Powered by TCPDF (www.tcpdf.org)

No title

Recommend Documents