Daily Archives: December 31, 2015

  • 0

Image Recognition

Category : Uncategorized

 

Threshold

 Sebelum melangkah pada proses pendeteksian sisi terlebih dahulu citra diubah ke dalam citra yang hanya terdiri dari dua warna saja yaitu warna hitam yang  menampakkan sisi objek dan yang lainnya akan dibuat putih atau sebaliknya. Untuk membuat citra dua warna dibutuhkan suatu teknik yang disebut Thresholding. Secara umum citra yang di thresholding dapat didefenisikan :

g(x,y) merupakan fungsi citra setelah di threshold, f(x,y) merupakan fungsi citra sebelum dilakukan thresholding, 0 berkoresponden dengan dengan piksel yang dianggap sebagai latar dan 1 berkoresponden dengan piksel yang dianggap sebagai objek, t merupakan nilai ambang yang dipilih.

 

Deteksi Tepian

            Didefenisikan sisi atau edge sebagai batas dua daerah dengan ciri tingkat keabuan yang relatif berbeda. Diasumsikan bahwa ‘daerah’ tersebut bersifat homogen sehingga perubahan antara dua daerah dapat ditentukan pada baris ketidakkontinyuan tingkat keabuan. secara mendasar ide ditekankan pada teknik deteksi sisi adalah perhitungan operator turunan local [GON87].

Dengan analisis vektor diketahui bahwa vektor titik G menunjukkan perubahan rate maksimum f pada lokasi (x,y). Secara umum gradien dinyatakan dengan G[(x,y)] dimana :

G[f(x,y)] = [Gx2 + Gy2]1/2

 

 

jumlah tersebut sama dengan maksimum rate dari peningkatan f (x,y) perunit jarak pada arah G. arah vector gradien juga merupakan ukuran penting, misalkan (x,y) menyatakan arah sudut G pada lokasi (x,y), sesuai dengan analisis vektor bahwa :

(x,y) = tan-1 (Gy / Gx)  

dimana sudut diukur dengan aksis x. penghitungan gradien dengan penurunan parsial  dan  pada tiap lokasi piksel. Komponen vektor gradien pada arah x dinyatakan sebagai :

Gx = (x7 + 2x8 + x9) – (x1 + 2x2 +x3)  

Dan

Gy = (x3 + 2x6 + x9) – (x1 + 2x4+x7)  

Dengan sebuah daerah 3×3 pada penghitungan gradien memiliki keuntungan peningkatan smoothing diatas operator 2×2, dan cenderung mengurangi tingkat kesensitifan operasi penurunan terhadap noise. [GON87]

 

Respon dari dua operator pada beberapa titik (x,y) dikombinasikan dengan menggunakan persamaan tersebut untuk mendapatkan gradien pada titik tersebut. Mengkonvolusikan matriks-matriks tersebut dengan sebuah citra f(x,y) menghasilkan gradien pada seluruh titik-titik pada citra, hasilnya sering dinyatakan sebagai gradien citra.

 

Operator Gradient

            Didalam menggunakan metode deteksi dengan operator gradien ini terdapat bermacam-macam metode lagi di dalamnya diantaranya yang dipakai disini adalah  operator Prewitt dan operator Roberts, yaitu :

  • Operator Prewitt 3×3 dengan operaor kernel sebagai berikut :

  • Operator Roberts 2×2 dengan operator kernel sebagai berikut :

Pada jenis operator Prewitt terdapat satu elemen yang mempunyai garis bawah, ini menunjukkan titik dimana elemen tersebut dikenai operasi, kecuali pada operator Roberts, operator sebelumnya mempunyai posisi elemen tepat ditengah-tengah kernel.

Perhitungan yang dilakukan pada kernel adalah untuk menghitung perubahan salah satu titik di dalam matriks citra (titik ditengah) . Adapun perhitungan operasi kernel terjadi adalah sebagai berikut:

A[e] = A[a] * B[a] + A[b] * B[b] + A[c] * B[c] + A[d] * B[d] +  A[e] * B[e] +

A[f] * B[f] + A[g] * B[g] + A[h] * B[h] + A[i] + B[i]

Hasil perhitungan A[e] tidak selalu berada di dalam daerah nilai citra (0 – 255). Hal ini dapat diatasi dengan memberikan batasan-batasan yang jelas pada saat perhitungan selesai dilakukan, yaitu :

  • A[e] harus selalu bernilai mutlak (absolut). Dengan kata lain selalu lebih besar dari nol.
  • Apabila nilainya lebih besar daerah nilai citra maka A[e] dianggap mempunyai nilai terbesar dari daerah nilai yaitu 255.

 

Sistem Pengenalan Pola

Secara umum teknik pengenalan pola bertujuan untuk mengklasifikasi dan mendeskripsi pola atau obyek kompleks melalui pengukuran sifat-sifat atau ciri-ciri objek tersebut. Terdapat tiga pendekatan pada pengenalan pola yaitu pendekatan statistika, pendekatan struktural, dan pendekatan neural. Dalam tugas akhir ini metoda yang akan dipakai adalah pengenalan pola dengan pendekatan statistika, sehingga pembahasan selanjutnya khusus untuk pengenalan pola dengan pengenalan statistika.

Sistem pengenalan pola dengan pendekatan statistika ini akan mengalami empat proses, yaitu digitisasi, segmentasi dan preproses, ekstraksi ciri, serta klasifikasi [YOU92]. Dimana proses-proses ini dapat digambarkan sebagai berikut :

 

Gambar Proses pengenalan pola dengan pendekatan statistika

 

Proses digitisasi

Suatu pola digital dapat diperoleh secara otomatis dari sistem penangkap pola digital (digital image acquisition system atau digitizer) yang melakukan penjelajahan pola dan bentuk suatu matriks di mana elemen-elemennya menyatakan nilai intensitas cahaya pada suatu himpunan diskrit dari titik-titik.

Gambar  elemen-elemen dari sistem pengolah pola

 

Segmentasi dan Praproses

 

pola yang telah dibuat dalam bentuk digit tersebut kemudian diproyeksikan secara vertikal dan horisontal. Proyeksi horisontal didefenisikan sebagai berikut YOU92]:

Dan proyeksi vertikalnya adalah [YOU92]:

 

Dimana g ( i , j ) adalah satu atau nol, dengan i  baris dan j kolom. Selain di proyeksikan, pola yang telah didigitisasi tersebut juga disegmentasikan.

 

Ekstraksi ciri

Suatu ciri pola diekstraksi dari momen proyeksi vertikal dan horisontal. Selain itu beberapa pengukuran statistik telah dilakukan pada pengenalan pola ini, yaitu dengan menggunakan sembilan ciri [YOU92] yang terdiri dari :

  • Kurtosis, yaitu derajat kelancipan suatu distribusi jika dibandingkan dengan distribusi normal, yang dapat diukur secara horisontal dan vertikal. Kurtosis horisontal mempunyai persamaan [YOU92]:

 

dengan KH adalah kurtosis horisontal, i  baris adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal.

Sedangkan kurtosis vertikal mempunyai persamaan [YOU92]:

dengan KV adalah kurtosis vertikal, j kolom, adalah 8,5 dan v(j) merupakan hasil proyeksi vertikal.

  • Skewness adalah derajat asimetri suatu distribusi. Dalam hubungan ini ada tiga hal, yaitu :
  1. jika distribusinya simetris, kemiringannya nol.
  2. jika distribusinya mempunyai ekor ke kanan, kemiringannya positif.
  3. jika distribusinya mempunyai ekor ke kiri, kemiringannya negatif.

 

Skewness terdiri dari skewness horisontal dan skewness vertikal. Persamaan skewness horisontal adalah :

 

dengan SH adalah skewness horisontal, i  baris adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal.

Sedangkan skewness vertikal mempunyai persamaan [YOU92]:

 

dengan SV adalah skewness vertikal, j kolom, adalah 8,5 dan v(j) merupakan hasil proyeksi vertikal.

  • Skewness dan kurtosis normalisasi yang terhubung secara simetri pada distribusi terdiri dari [YOU92] :

 

dengan NH adalah normalisasi horisontal, i  baris, adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal.

Dan persamaan normalisasi vertikalnya adalah [YOU92] :

 

 

dengan NV adalah normalisasi vertikal, j kolom, adalah 8,5 dan v(j) merupakan hasil proyeksi vertikal.

  • Mengukur hubungan momen proyeksi vertikal dan horisontal untuk huruf yang sama, dimana persamaan momen pertamanya adalah [YOU92]:

dengan LW adalah momen proyeksi pertama, , i  baris, dan  adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal, sedangkan v(j) merupakan hasil dari proyeksi vertikal. Dan persamaan momen keduanya adalah [YOU92]:

 

dengan VR adalah momen proyeksi kedua , i  baris, dan  adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal, sedangkan v(j) merupakan hasil dari proyeksi vertikal. Dan persamaan momen keempatnya adalah [YOU92]:

 

dengan VV adalah momen proyeksi keempat, , i  baris, dan  adalah 8,5 dan h(i) merupakan hasil proyeksi horisontal, sedangkan v(j) merupakan hasil dari proyeksi vertikal.

 

Klasifikasi Pola

Proses klasifikasi pola ini dimulai dengan mempelajari pola yang akan diklasifikasi dan membandingkannya dengan informasi referensi penunjang. Sehingga dapat dibentuk suatu set sample yang elemennya terdiri dari piksel-piksel yang mewakili setiap kategori objek yang telah diidentifikasi kemudian proses klasifikasi pola ini diselesaikan menggunakan jarak kuadrat mahalanobis [MOR90]. Jarak umum dari vektor observasi ke kelompok wi dengan rata-rata ini dan matriks kovarian yang diberikan oleh [MOR92] :

 

vektor  diklasifikasikan ke dalam kelompok k dengan menentukan nilai terkecil dari . Aturan ini berdasarkan anggapan bahwa probabilitas awal semua kelas adalah sama.

Referensi : [pdf]


-- Download Image Recognition as PDF --



  • 0

Image Segmentation

Category : Uncategorized

Definisi

Segmentasi merupakan suatu proses yang membagi image menjadi unsur-unsur pokok image. Algoritma segmentasi berdasarkan pada perubahan gray level yang berlangsung secara tiba-tiba (diskontinuitas dan kesamaan).

Tujuan utama pada segmentasi adalah untuk mendeteksi garis dan sisi/edge untuk memisahkan bagian yang diinginkan. Segmentasi dapat dilakukan pada static image dan time varying dynamic image. Segmentasi dapat menggunakan analisa sisi, garis, gradien image, bentuk, tekstur, dan lain-lain.

 

Diskontinuitas

Diskontinuitas dideteksi untuk mendapatkan titik-titik, garis atau batas/sisi. Penggunaan mask merupakan teknik standar yang digunakan untuk tujuan ini.

R=S wtzt

 

Point Detection

Mask yang digunakan untuk point detection:

 

Mask di atas digunakan untuk mengukur perbedaan bobot antara titik tengah dengan tetangganya. Jika pada mask menunjukkan , dengan T adalah threshold, maka titik yang diinginkan akan dapat dideteksi.

 

Line Detection

Line mask dapat ditunjukkan:

 

Horizontal                          +45°                      vertical                      -45°

R1, R2, R3, R4 menunjukkan mask. Jika titik pada image, untuk semua j¹ i, titik diasosiasikan sebagai garis pada mask j.

 

Edge Detection

Sisi/batas sering dianalisa dengan membandingkan antara titik-titik atau garis. Sisi merupakan batas antara dua daerah dengan perbedaan relatif dari properti gray level.

Asumsi: Daerah cukup homogen sehingga transisi antara dua daerah dapat ditentukan berdasarkan diskontinuitas pada gray level.

Teknik deteksi sisi berdasarkan pada operator derivative local.

Gradian image f(x,y) pada posisi (x,y) merupakan vector.

Magnitude sama dengan rate maksimum kenaikan f(x,y) per unit jarak dari arah Ñf.

Gradien dapat didekati dengan:

Ñf=|Gx|+Gy|

Arah sudut vector Ñf. pada (x,y).

Contoh: Untuk operator Sobel,

mask pada arah x=

mask pada arah y=

 

Laplacian dari fungsi 2D (x,y) merupakan derivative orde 2 yang didefinisikan sebagai berikut:

 

Untuk mask 3×3, kita dapat menggunakan operator :

Ñf=4x5-(x2+x4+x6+x8)

Jumlah koefisien adalah 0; koefisien inner pixel positif; dan outer pixel negatif)

Kekurangan dari operator Laplacian adalah:

  • Sensitif terhadap noise
  • Menghasilkan sisi ganda
  • Tidak dapat digunakan untuk mendeteksi edge direction

Kegunaan dari operator Laplacian:

digunakan untuk menemukan lokasi sisi.

 

Proses pada operator Laplacian:

  • Image dikonvolusi dengan laplacian dari fungsi 2D gaussian

Metode Proses local

  • Menggunakan mxm neighbourhood
  • Analisa kesamaan dari pixel-pixel sisi dengan berdasarkan:
    • Daya respon dari gradient operator digunakan untuk mendapatkan pixel sisi. Pixel pada (x’,y’) memiliki magnitude sama dengan pixel (x,y)

|Ñf(x,y)- Ñf(x’,y’)|£T

untuk T merupakan threshold non negatif.

    • Arah gradient. (x’,y’) dan (x,y) merupakan tetangga dengan sisi yang sama jika

|a(x,y)-a(x’,y’)|<A

dimana A adalah sudut threshold. Titik A pada definisi ketetanggaan (x,y) dihubungkan dengan pixel (x’,y’) jika kedua magnitude dan criteria direction memenuhi.

 

Referensi : [pdf]


-- Download Image Segmentation as PDF --



  • 0

Image Enhancement

Category : Uncategorized

 

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.

 

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.

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.

 

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.

 

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].

 

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 2×2 disebut operator Robert:

[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 .

 

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

 

 

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, warna-warna 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.

 

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]

 

 

 

 


-- Download Image Enhancement as PDF --



  • 0

Pengolahan Citra Digital

Category : Uncategorized

Citra

Istilah citra, atau citra monochrome, digunakan untuk menyatakan intensitas cahaya dua dimensi dalam fungsi f(x,y), dimana (x,y) menyatakan koordinat spasial dan nilai dari f pada titik (x,y) menyatakan tingkat kecerahan (level keabuan) citra pada titik tersebut.

Fungsi f(x,y), dipengaruhi oleh banyaknya sumber cahaya yang jatuh pada daerah yang diamati (iluminansi) dan banyaknya cahaya yang dipantulkan oleh objek pada daerah tersebut (refleksi). Hal ini dapat dituliskan secara matematis sebagai:

dimana:

 

jika r(x,y) = 0, maka semua cahaya diserap (total absorption), sedangkan jika r(x,y) = 1, maka semua cahaya dipantulkan (total reflectance). Bila nilai r(x,y) berada di antara kedua nilai tersebut, maka akan dihasilkan warna yang berbeda. Misalnya jika r(x,y) = 0.01, 0.65, 0.8 dan 0.9, maka warna yang dihasilkan secara berurutan adalah hitam, stainless steel, putih, dan perak.

 

Pixel

Citra digital dapat dipandang sebagai sebuah matriks yang indeks baris dan kolomnya menyatakan titik pada citra dan elemen matriksnya menyatakan level keabuan pada titik tersebut, yang disebut pixel atau pel.

 

Citra Digital

Citra f(x,y) yang kontinu, dapat dinyatakan sebagai nilai-nilai sampel yang dipisahkan pada jarak yang sama dan disusun dalam bentuk matriks NxM dimana tiap elemen dari matriks menunjukkan entitas diskrit. Level keabuan dalam bentuk diskrit terpisah dalam range 0 sampai L. 

Referensi : [pdf]


-- Download Pengolahan Citra Digital as PDF --



  • 0

Kompresi Citra & Video

Category : Uncategorized

 

Tiga tipe dari informasi yang berlebihan (redundancy) yang dapat dihilangkan atau direduksi :

Spasial :

Di dalam frame yang sama

Sering kali menggunakan metode yang sama dengan JPEG disini.

Spektral :

Redundansi karena kesamaan spektral dalam citra.

Spektral antara komponen warna dalam citra.

Temporal :

Frame yang mengikuti yang lainnya adalah seringkali mirip

Kita hanya butuh menyimpan perbedaan antara frame.

Kompensasi gerak digunakan dengan menggunakan vektor pergerakan.

 

Implementasi :

Pereduksian hanya pada redundansi spasial :

Biasanya sekuensial lossy, Motion-JPEG (M-JPEG)

Setiap frame tidak tergantung dari frame yang lainnya

Sederhana untuk dibangkitkan dan diedit (digital editing)

Pereduksian dilakukan pada keduanya redundansi spasial dan temporal :

Lebih luas penggunaannya (memberikan hasil yang lebih baik)

Memberikan kompresi yang lebih tinggi

Buffer diperlukan pada bagian dekompresi (decompresser)

Referensi : [pdf]


-- Download Kompresi Citra & Video as PDF --



  • 0

Kompresi Teks

Category : Uncategorized

 

Pada teori informasi, jika probabilitas kemunculan suatu simbol dinyatakan dengan Pi(x), maka menurut Shannon, jumlah informasi dirumuskan sebagai:  bit dan

Entropi menyatakan jumlah informasi yang dikandung dalam suatu pesan, yang didasarkan pada data statistiknya. Sehingga  Entropi dihitung dengan : bit.

Dalam kompresi, terdapat beberapa kelas algoritma, yaitu :

 

Dictionary :

Teknik buku kode

Mengkopi data yang sama, atau sering berulang

Mengirimkan alamat dictionary bukan data.

 

Statistical :

Menghitung frekuensi dan probabilitas kondisional dari data

Kode yang muncul dengan probabilitas yang paling tinggi dikodekan dengan panjang kode yang paling pendek.

Dalam hal ini kompresi teks, termasuk dalam kompresi Lossless. Losing bit dalam rekonstruksi tidak dapat diterima untuk beberapa format data :

  • program code
  • network data
  • format not known
  • legal/military reason.

Huffman Coder

Merupakan metode untuk membangkitkan kode dengan panjang rata-rata bit yang minimum. Prosedur Huffman Coder :

  1. Huffman code dikonstruksi dari urutan probabilitas input menurut nilai peluang yahng dimiliki.
  2. Dua peluang yang paling kecil dijumlahkan untuk membentuk set yang baru dari peluang.
  3. Set yang baru dari peluang, yang memiliki satu peluang yang lebih kecil dari set asal, disusun kembali menurut magnitudanya. Untuk peluang yang sama dapat disusun dalam beberapa cara.
  4. Ketika didapati 2 nilai probabilitas, maka proses dihentikan.

 

Arithmetic Coding

Merupakan teknik untuk coding yang mengijinkan informasi dari pesan dalam deretan pesan dikombinasikan untuk sharing bit yang sama. Teknik ini membolehkan jumlah total dari bit yang dikirimkan mendekati jumlah dari informasi sendiri dari pesan individual.

Ide utama dari Arithmetic coding adalah untuk menyatakan setiap deretan yang mungkin dari n pesan dengan interval yang terpisah antara 0 dan 1, seperti interval dari 0.2 sampai 0.5.

 

Ilustrasi :

Teknik lain yang digunakan dalam mengkonstruksi sebuah enkoder sumber adalah menyusun pesan-pesan dalam urutan peluang yang mengecil dan membagi pesan tersebut menjadi dua bagian yang memiliki peluang mendekati sama. Pesan2 pada bagian pertama diberi bit 0 dan bagian kedua diberi bit 1. Prosedur tersebut kini diterapkan lagi untuk setiap bagian secara terpisah, dan diteruskan hingga tak lagi dapat dilakukan pembagian lagi. Dengan Menggunakan algoritma tersebut, maka kode word dari 6 pesan yang terjadi dengan urutan peluang 1/3,1/3,1/6,1/12,1/24,1/24, adalah :

A 1/3 0 0    
B 1/3 0 1    
C 1/6 1 0    
D 1/12 1 1 0  
E 1/24 1 1 1 0
F 1/24 1 1 1 1

Dengan demikian code words yang diperoleh dengan algoritma diatas adalah :

00 01 10 110 1110 1111 (lihat tabel dibaca dari atas kebawah )

Referensi ; [pdf]

 

 

 

 

 

 

 

 

 

 


-- Download Kompresi Teks as PDF --



  • 0

Prinsip Dasar Kompresi

Category : Uncategorized

2.1. Mengapa Kompresi

Motivasi kompresi sinyal :

Dunia digital mengalami pertumbuhan yang sangat cepat :

  • Sinyal diperoleh secara digital
  • Sinyal analog dikonversi ke digital

Mengapa kompresi data :

Sinyal digital (Image, Speech, etc.) dapat :

  • Dapat disimpan (direkam, diarsipkan) dalam media digital (piringan komputer)
  • Dapat ditransmisikan secara lokal maupun jarah jauh melalui link komunikasi digital (telekomunikasi, serat optik)
  • Dapat diarsipkan dalam basis data publik (ftp, web)
  • Dapat diolah oleh komputer :
  • diagnosis / keputusan berbantukan komputer
  • pencarian otomatis untuk pola tertentu
  • pencarian konteks
  • huruf tebal atau tanda interesting suspicious regions
  • focus pada daerah tertentu dari intensitas citra
  • Pengolahan sinyal secara statistik :
  1. enhancement / restoration
  2. denoising
  3. klasifikasi
  4. regresi / estimasi / prediksi
  5. ekstraksi ciri / pengenalan pola
  6. filtering

Kompresi  dibutuhkan untuk transmisi yang efesien :

  • mengirimkan lebih banyak data dalam bandwidth yang tersedia
  • mengirimkan data yang sama dalam bandwitdh yang lebih kecil
  • lebih banyak user pada bandwitdh dan media penyimpanan yang sama
  • dapat menyimpan lebih banyak data
  • dapat mengkompresi untuk penyimpanan lokal, meletakkan detailnya pada media yang lebih murah.

Juga bermanfaat untuk rekonstruksi progresif, pengiriman scalable, browsing dan sebagai front end dalam pengolahan sinyal lainnya.

Ke depan : mengkombinasikan kompresi dan pengolahan subsequent user tertentu.

Referensi : [doc], [pdf]


-- Download Prinsip Dasar Kompresi as PDF --



  • 0

Membongkar Rahasia Matlab dalam Pengolahan Citra

Category : Uncategorized

Pada artikel ini saya akan membahas tuntas atau Membongkar Rahasia Matlab dalam Pengolahan Citra. Makalah ini saya susun untuk memberikan gambaran pembacara tentang Matab dan kemampuannya dalam pengolahan citra digital. Manfaat dari pembahasan pengolahan citra ini adalah berkaitan dengan trend teknologi yang berkembang saat ini, terutama teknologi smartphone yang memungkinkan untuk merekam segala aktifitas atau kejadian yang dihadapi atau selfie.

Apa itu Pengolahan Citra?

Pengolahan citra (gambar) merupakan proses mengolah data citra untuk keperluan tertentu, antara lain adalah Pengolahan Citra untuk Identifikasi (Analisis), Pengolahan Citra untuk Pengenalan Pola, Pengolahan Citra untuk Kompresi, Pengolahan Citra untuk Restorasi, dan Pengenalan Citra untuk Perbaikan. Citra merupakan sinyal atau pola yang dibentuk dari intensitas cahayan dari pantulan obyek yang ditangkap oleh kamera. Citra merupakan pola yang dibentuk dalam bidang dua dimensi, dan ketika citra merupakan citra digital, maka citra digital sering dinyatakan dengan matrik MxN. Sehingga sangat memungkinkan melakukan pengolahan citra dengan menggunakan MATLAB. Contoh citra digital dapat ditunjukkan pada gambar berikut :

membongkar rahasia matlab dalam pengolahan citra

Contoh Pengolahan Citra

Mengapa Perlu membongkar Rahasia Matlab dalam Pengolahan Citra ?

Pada dasarnya Matlab adalah perangkat lunak yang mempunyai kemampuan untuk mengolah citra digital. Matlab merupakan kependekan dari Matrix Laboratory. Sehingga kunci utamanya adalah matrik. Sedangkan citra digital dalam hal ini dapat dinyatakan dalam bentuk matrik. Dengan demikian secara prinsip Matlab mempunyai kemampuan untuk itu.

 

Bagaimana Matlab Melakukannya ?

Matlab secara spesifik mempunyai fasilitas yang khusus untuk pengolahan sinyal digital, yaitu Toolbox Image Processing. Toolbox adalah kumpulan fungsi-fungsi yang dibuat untuk melakukan pengolahan citra. Dengan demikian pengguna dapat menggunakan fungsi-fungsi tersebut untuk mempermudah dalam pembuatan program yang baru. Bahkan pengguna juga dapat kembangkan dengan membuat fungsi-fungsi yang baru untuk melengkapi fungsi-fungsi yang udah ada.

Contoh : fungsi yang ada di Matlab yang dapat digunakan untuk pengolahan citra antara lain adalah imread, imwrite, imshow, dan lain sebagainya.

Contoh script program Matlab antara lain adalah sebagai berikut :

y=imread(‘gambar.jpg’);

imshow(y);


-- Download Membongkar Rahasia Matlab dalam Pengolahan Citra as PDF --



Recent Comments

    Archives