Copyright @2007 by Emy
1
PENINGKATAN MUTU CITRA (IMAGE ENHANCEMENT) PADA DOMAIN FREKUENSI
Copyright @2007 by Emy
2
Kompetensi y Mampu membedakan teknik image enhancement menggunakan domain spatial dan frekuensi y Mampu mengimplementasikan teknik‐teknik untuk memperbaiki kualitas citra sehingga citra yang dihasilkan dapat digunakan untuk aplikasi lebih lanjut mengunakan transformasi fourier dan wavelet. y Mampu mengimplementasikan konsep matematis yang melandasi teori pengolahan citra. y Mampu merancang dan membangun program yang dapat dimanfaatkan untuk meningkatkan kualitas citra Copyright @2007 by Emy
3
Image Enhancement Spatial Domain
Frequency Domain
I. Fourier Spectra
II. Wavelet
Lowpass Filter a. Ideal b. Butterworth
Highpass Filter c. Ideal d. Butterworth
Copyright @2007 by Emy
4
Dasar‐Dasar Transformasi Fourier y Transformasi fourier adalah suatu model transformasi yang memindahkan domain spasial atau domain waktu menjadi domain frekuensi. y Di dalam pengolahan citra digital transformasi fourier digunakan untuk mengubah domain spasial pada citra menjadi domain frekuensi. y Analisis dalam domain frekuensi banyak digunakan seperti filtering. y Dengan menggunakan transformasi fourier, sinyal atau citra dapat dilihat sebagai suatu objek dalam domain frekuensi. Copyright @2007 by Emy
5
I. Fourier Spectra Citra Input
y Peningkatan mutu citra pada
domain frekuensi Fourier dilakukan secara straightforward:
Transformasi Fourier
y Hitung transformasi Fourier dari
citra Æ kalikan hasilnya dengan fungsi filter Æ lakukan transformasi invers untuk mendapatkan citra hasil.
Citra Output
Fourier Spectra
Filter Frekuensi
Transformasi Invers Fourier Copyright @2007 by Emy
Kalikan
Fourier Spectra yang sudah diubah 6
Ia. Ideal Lowpass filter y H(u,v) = 1 if D(u,v) ≤
D0 H(u,v) = 0 if D(u,v) > D0 y D0 adalah nilai ambang (cutoff frequency locus, nilainya > 0) y D(u,v) adalah jarak (u,v) terhadap titik origin. D(u,v) = (u2+v2)1/2
Copyright @2007 by Emy
7
Ia. Contoh ideal lowpass filtering
Copyright @2007 by Emy
8
Ib. Butterworth Lowpass Filter H (u , v ) =
1 1 + [ D (u , v ) / D0 ]2 n
n = orde
Copyright @2007 by Emy
9
Ib. Contoh Butterworth lowpass filt.
Copyright @2007 by Emy
10
Ic. Ideal Highpass Filter y H(u,v) = 0 if D(u,v) ≤ D0
= 1 if D(u,v) > D0
Copyright @2007 by Emy
11
Id. Butterworth Highpass Filter H (u, v) =
1 1 + [ D0 / D(u, v)]2 n
n = orde
Copyright @2007 by Emy
12
Lowpass & Highpass (1) Image Smoothing y Image Smoothing (Blurring (lowpass)) bertujuan untuk menekan gangguan
(noise) pada citra atau mengurangi (suppress) nilai frekuensi tinggi.
y Gangguan ini biasanya muncul sebagai akibat dari : y hasil pengambilan gambar yg tdk bagus y Sensor noise y Photographic grain noise y Saluran transmisi (pada pengiriman data) y Gangguan pada citra umumnya berupa variasi intensitas suatu pixel yg tdk
berkorelasi dgn pixel‐pixel tetangganya
y Jika suatu citra banyak memiliki edge dan noise (Pixel yg mengalami
gangguan) umumnya yang memiliki frekuensi tinggi akan besar.
y Untuk itu prinsip Lowpass Filter: Blurring (smoothing) dilakukan dengan
mengurangi nilai FT pada frekuensi tinggi atau menekan komponen yg berfrekuensi tinggi dan meloloskan komponen yg berfrekuensi rendah.. y Semakin tinggi frekuensi, semakin besar nilai (u,v) Æ (semakin jauh dari titik origin (0,0)) Copyright @2007 by Emy
13
Operasi Pelembutan Citra y Dilakukan dengan mengganti nilai suatu pixel dengan nilai rata‐ rata pixel tetangganya.
1 m2 n2 g ( x, y ) = ∑ ∑ f ( x + r , y + s ) d r = m1s = n1 y Operasi perata‐rataan diatas dapat dipandang sebagai konvolusi antara citra f(x,y) dengan penapis h(x,y)
g(x,y) = f(x,y) * h(x,y) y Penapis h disebut penapis rerata (mean filter)
Copyright @2007 by Emy
14
Operasi Pelembutan Citra y Operasi penapisan ini mempunyai efek pemerataan derajad keabuan, sehingga gambar yg diperoleh tampak kabur kontrasnya. y Efek pengaburan ini disebut efek blurring. y Penapisnya disebut penapis lolos rendah atau low‐pass‐ filter, karena meloloskan komponen berfrekuensi rendah dan menekan komponen yg berfrekuensi tinggi, misal : y Pixel gangguan y Pixel tepi. y Penapisan yg digunakan adalah : y Penapisan rerata y Penapisan minimum (min filter) y Penapisan maximum (max filter) y Penapisan median (median filter) Copyright @2007 by Emy
15
Proses Filtering dengan Low Pass Filter Operator 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
Image 0000000 0123430 0111980 0121990 0221390 0129790 0000000
0.5 0.5 0.8 0.9 1.0 0.7 0.7
Hasil Filtering 0.5 0.9 2.9 2.6 0.5 0.9 2.0 2.6 0.8 1.3 3.2 4.7 0.9 1.2 2.9 5.0 1.0 2.1 3.6 5.7 0.7 1.7 2.4 3.8 0.7 1.7 2.4 3.8
2.4 2.4 4.2 4.7 4.6 2.8 2.8
2.4 2.4 4.2 4.7 4.6 2.8 2.8
Menghilangkan perbedaan intensitas pada garis batas antar wilayah 16
Blurring (Low Pass Filter)
Copyright @2007 by Emy
17
Lowpass & Highpass (2). Image Sharpening y Operasi penajaman citra bertujuan memperjelas tepi pada objek di dalam citra. y Penajaman citra merupakan kebalikan dari operasi pelembutan citra krn operasi ini menghilangkan bagian citra yg lembut. y Sharpening (highpass) : adalah operasi untuk melewatkan citra pada penapis lolos Tinggi (high pass filter) atau meloloskan nilai frekuensi tinggi y G(u,v) = H(u,v)F(u,v) y Akibatnya pinggiran objek akan terlihat lebih tajam dibandingkan sekitarnya. y Oleh karena itu disebut juga penajaman tepi (edge sharpening) atau peningkatan kualitas tepi (edge enhancement) Copyright @2007 by Emy
18
Lowpass & Highpass (2). Image Sharpening y Selain utk mempertajam gambar high pass filter juga digunakan utk mendeteksi keberadaan tepi (edge detection). y Dlm hal ini pixel‐pixel tepi ditampilkan lebih terang sedangkan pixel‐pixel bukan tepi dibuat gelap. y Aturan penapis lolos tepi y Koefisien penapis boleh positif, negatif atau nol y Jumlah semua koefisien adalah 0 atau 1
Copyright @2007 by Emy
19
Lowpass & Highpass (2). Image Sharpening y Jika jumlah koefisien = 0,maka komponen berfrekuensi rendah akan turun nilainya y Jumlah koefisien =1,maka komponen berfrekuensi rendah akan tetap sama dengan nilai semula.
Copyright @2007 by Emy
20
Proses Filtering dengan High Pass Filter (1)
21
Proses Filtering dengan High Pass Filter Operator -1 -1 -1 -1 8 -1 -1 -1 -1
Image 0000000 0123430 0111980 0121990 0221390 0129790 0000000
Hasil Filtering 4 4 9 7 8 3 3 4 4 9 7 8 3 3 1 -4 -23 34 30 30 30 0 -2 -20 31 31 34 34 8 -3 -26 -30 35 35 35 2 2 1 25 57 53 53 2 2 1 25 57 53 53
Meningkatkan perbedaan intensitas pada garis batas antar wilayah 22
Sharpening (High Pass Filter)
Copyright @2007 by Emy
23
Domain Spasial ÙDomain Frekwensi y Kita dapat membuat mask spasial dari filter pada domain frekuensi y Dengan demikian, hasil yang diperoleh dari pemrosesan pada domain spasial sama dengan hasil yang diperoleh dari pemrosesan pada domain frekuensi
Copyright @2007 by Emy
24
Contoh
Copyright @2007 by Emy
25
Transformasi Fourier dan Image Enhancement (1) y Contoh citra masukan dengan
gangguan berbentuk garis‐garis:
Copyright @2007 by Emy
Citra hasil transformasi Fourier:
26
Transformasi Fourier dan Image Enhancement (2) Citra hasil transformasi Fourier setelah dihilangkan gangguannya:
Citra hasil perbaikan:
Copyright @2007 by Emy
27
Transformasi Fourier dan Image Enhancement (3) Baris atas: Citra blur pada hasil transformasi Fourier kelihatan mengandung komponen frekwensi tinggi lebih sedikit Baris bawah: Citra sharp pada hasil transformasi Fourier kelihatan mengandung komponen frekwensi tinggi lebih banyak
Copyright @2007 by Emy
28
Transformasi Fourier dan Image Enhancement (4) Citra masukan dengan gangguan band stripes:
Citra hasil perbaikan:
Copyright @2007 by Emy
29
II. Wavelet y Dekomposisi wavelet pada setiap level akan menghasilkan 4 buah informasi: y A: bagian aproksimasi (low freq) y H: bagian detail horizontal (high freq) y V: bagian detail vertikal (high freq) y D: bagian detail diagonal (high freq) y Lowpass (membiarkan lolos bagian low freq): ambil bagian A nya y Highpass (membiarkan lolos bagian high freq): ambil bagian detailnya (H,V,D)
Copyright @2007 by Emy
30
Wavelets descomposition The wavelet transform replaces the Fourier transform’ transform’s sinusoidal waves by a family generated by translations and dilations of a function called Mother Wavelet. Wavelet.
WT ( f (a, b)) = a
− 12
∫ f ( x) ψ (
x −b a
-
) dx
b space and a scale
ψ a ,b ( x) base functions
Discrete wavelet transform (DWT) algorithm specific properties: 9 DWT is computed with à trous algorithm. 9 Mother wavelet function Ψ is derived from a B3 cubic spline scaling function. 9 This is a dyadic decomposition (scale ∝ 2i , i=1,...,n). 9 No subsampling is applied → wavelet planes have same size as original image.
General properties of wavelets descomposition: 9 Spatial and frequential content is almost decoupled. 9 Better noise vs.signal discrimination than Fourier transform. 9 Good processing flexibility. Copyright @2007 by Emy
31
Contoh Descomposition Wavelets c0
w1
w2
w3
w4
c4
Original image
co = ω1
Wavelet planes
+
ω2
+
High frequency Copyright @2007 by Emy
ω3
+
ω4
Residual plane at scale 4
+
c4
Low frequency
32
Adaptative deconvolution with wavelets To deconvolve the image, this is decomposed in wavelet planes at every iteration of the method. The signal detection masks only applies deconvolution to those pixels with significant signal. Objectives of using wavelets: Multiescale deconvolution Objectives of adaptative deconvolution: - Do not amplify noise. - To detect and deconvolute only those features with signal. Signal detection mask: 2 ⎧ ⎧ ⎡3 ⎫ r ⎤ ⎪ ⎪ − ⎢ σ v, j − σ v, j ⎥ ⎪ ⎦ ⎪ ⎪⎪1 − exp⎪ ⎣ 2 ⎨ ⎬ if =⎨ 2(σ vr, j ) 2 ⎪ ⎪ ⎪ ⎪⎩ ⎪⎭ ⎪ ⎪⎩ 0 if
(
mv , j
G+P_AWMLE :
)
⎡ ⎢ ( s +1) (s) 1 = Κ ⋅ ai ⎢ ai ⎢ qi ⎢ ⎣ Copyright @2007 by Emy
∑ (ω nf
(σ
(σ
D
∑ j =1
v, j
v, j
−σ
r v, j
)> 0
)
σ v, j = with
σ v,r j =
− σ vr, j ≤ 0
[
(
t∈Φ
p' v, j
− ω vh,(js )
)
2
nf noise std. desv. at wavelet plane ν sorrounding pixel j
)]
Nw ⎤ p' f ji ∑ ω vh,(js ) + mv , j ω v , jj − ω vh,(js ) ⎥ v ⎥ B ⎥ (s) f jl al + C j b j ∑ ⎥ l =1 ⎦
m
33
Deskripsi Tugas 2 y Tugas individu / perorangan. y Mencari teori / prinsip operasi pengolahan citra pada domain frekuensi,kemudian mencari contoh obyek sesuai teori tersebut dan implementasikan kedalam sebuah program y Waktu penyelesaian maximal 1 minggu
Copyright @2007 by Emy
34
Copyright @2007 by Emy
35