PENGOLAHAN CITRA
Safrizal
September,2021
Kata Pengantar
Puji syukur penulis panjatkan kehadirat Allah SWT, yang telah memberikan kekuatan kepada
penulis sehingga buku pengolahan citra ini dapat terselesaikan dengan baik.
Buku pengolahan citra ini diselesaikan sebagai meteri kuliah pengolahan citra, yang memuat
tentang pengolahan citra, aplikasi pengolahan citra, bidang pengolahan citra digital yang dapat
diterapkan pada industri. Untuk materi praktek dibuat secara terpisah. Praktek pengolahan dcitra
dibuat menggunakan Matlab
Hormat saya,
Penulis
II
Daftar Isi
Kata Pengantar ii
Daftar Isi iii
Daftar Gambar iv
Bab 1 Pengolahan CITRA DIGITAL 10
Bab 2 Pembentukan Cira 20
BAB 3 Image Perseption 31
Bab 4 Intensity Transformation and spatial filtering 56
Bab 5 Image Restoration and Reconstruction 73
Bab 6 COLOR IMAGE PROCESSING 123
Bab 7 Wavelets and Multiresolution Processing 162
Bab 8 Image Compresion 173
Bab 9 Morfological Image Processing 198
Bab 10 IMAGE SEGMENTATION 253
III
Daftar Gambar
Gambar 1.1 Citra Diam 6
Gambar 1.2 Citra Bergerak 7
Gambar 1.3 .Rajawali gelap 8
Gambar 1.4 .Rajawali Terang 9
Gambar 1.5. Kuda kelihat blur 10
Gambar 1.6. Kuda kelihatan Jelas 10
Gambar 1.7 keterkaitan tiga bidang studi dengan citra 11
Gambar 1.8 Operasi pengolahan citra 13
Gambar 1.9 Aplikasi Pengolahan citra pada berbagai bidang 15
Gambar 2.1 Citra Kontinu 16
Gambar 2.2 Citra diskrit 17
Gambar 2.3. Model Citra 18
Gambar 2.4 Penerapan citra digital 18
Gambar 2.5. Dimensi gambar digital dan Vidieo 19
Gambar 2.6 Pengambilan sampel sinyal satu dimensi kontinu.20
Gambar 2.7. Array 10 X10 21
Gambar 2.8 . Contoh efek visual dari kepadatan pengambilan sampel gambar yang berbeda.22
Gambar 2.9 Ilustrasi representasi 8-bit dari piksel 23
Gambar 2.10. Gambar sidik jari Kuantisasi 256 x 256 23
Gambar 2.11. Kuantisasi 256.256 gambar "telur." Searah jarum jam dari kiri atas: 8, 4, 2, dan 1
bit (s) per piksel.24
Gambar 12. Penggambaran gambar digital kecil (10 10) sebagai tumpukan bidang bit mulai dari
yang paling signifikan (atas)
hingga paling tidak signifikan (bawah). 25
Gambar 2. 13 Warna gambar "ceri" (kiri atas) dan (searah jarum jam) komponen Merah, Hijau,
dan Biru 26
Gambar 3.1 Mata 28
Gambar 3.2 Fungsi efisiensi cahaya 29
Gambar 3.2 a Kontras simultan 30
IV
Gambar 3.2 b kotak-kotak kecil 30
Gambar 3.4a. gambar abu abu 31
Gambar 3.4 b Pencahayaan versus kecerahan 32
Gambar 3.5 Derajat keabuan dan hubungan antara DN 34
Gambar 3.6. Color Composit 35
Gambar 3.7 representasi gambar 2 dimensi dan 3 dimensi 35
Gambar 3.8 Gambar dengan Ukuran a 3 × 4, b 12 × 16, c 48 × 64, dan d 192 × 256 piksel 36
Gambar 3.9 Tiga kisi beraturan 2-D: kisi segitiga, kisi b persegi, c kisi heksagonal.36
Gambar 3.10 lingkungan kotak citra 37
Gambar 3.11 Transformasi Fungsi 38
Gambar 3.12. Hierarki pemrosesan citra digital 39
Gambar 3.13 Ruang koordinat Gambar 2-D dari gambar digital M x N 40
Gambar 3.14 Type format citra 40
Gambar 3.15 contoh gambar format citra 41
Gambar 3.16 a,b,c,d (arah jarum jam ) contoh gambar gamma ray imaging 42
Gambar 3. 16,a,b,c,d,e X ray imaging 46
Gambar 3.17 Gambar Ultra violet 47
Gambar 3.18 . Imaging in the Visible and Infrared bands 48
Gambar 3.19 Imaging in the microwave band 49
Gambar 3.20. MRI Image 50
Gambar 3.21 Image of Crab pulsar 51
Gambar 3.22 penurunan resolusi 51
Gambar 4.1. Gambar spasial didomain 52
Gambar 4. 2 Transformasi Fungsi 54
Gambar 4.3 Image negatif 55
Gambar 4.4 Fourier Spektrum 56
Gambar 4. 5 Plot persamaan 57
Gambar 4.6 Jalur intensitas 57
V
Gambar 4.7 Magnetik resonansi 58
Gambar 4.8 Citra udara 59
Gambar 4.9 peregangan kontras 60
Gambar 4.10 Transformasi intensiitas 61
Gambar 4. 11 Transformasi pemotongan 61
Gambar 4.12 Perwakilan 8 bit 62
Gambar 4.13 Skala Abu abu 63
Gambar 4. 14 gambar rekontruksi 64
Gambar 4.15 Empat tipe gambar 67
Gambar 4.16 kolom tengah 68
Gambar.5.1 model image 69
Gambar 5. 2 tidak ada noise 73
Gambar 5.3 Noise dalam bentuk gausssian, Rayleigh, Gamma 74
Gambar 5.4 Noise dalam bentuk Exponential, Uniform, Impulse (salt-and-pepper) 75
Gambar 5.5 Image corrupted by sinusoidal noise 76
Gambar 5.7 X Ray image 80
Gambar (5.8) image corrupt 81
Gambar 5.10 image corrupt by salt 84
Gambar 5.11 Result filtering 85
Gambar 5.12 Image corrupt by Aditive 86
Gambar 5.15 Perspective plot 88
Gambar 5.16 image corrupt by Sinusoidal 89
Gambar 5.17 noise of image 90
Gambar 5.18 perspective plot 91
Gambar 5.19 Satelit image 92
Gambar 5.20 Image Martian terrain 93
Gambar 5.27 Restoring 94
Gambar 5.28 Comparrison 95
VI
Gambar 5.29 Gambar 5.29 8 bit image corrupt 97
Gambar 5.30 Result of constrained 98
Gambar 5.31 Iterative determined 99
Gambar 5.32 Flat Region 101
Gambar 5.33 Reconstruction 102
Gambar 5.34 A region with two object 103
Gambar 5.35 Four genertaion 106
Gambar 5.39 two image 109
Gambar 5.40 BackProjection 110
Gambar 5.41 ilustration fourier slice 111
Gambar 5.42 frequency domain 112
Gambar 5.43 Filtered back projection 113
Gambar 5.45 Basic fan beam 114
Gambar 5.47 Polar Representation 115
Gambar 5.48 reconstruction of the rectangle 116
Gambar 5.49 Reconstruction 116
Gambar 6.1 Spectrum Warna 120
Gambar 6.2. Panjang gelombang rentang spektrum elektromagnetik 120
Gambar 6.3. Kurva eksperimental penyerapan cahaya merah,hijau dan biru 121
Gambar 4(a,b) warna primer dan kombinasi 122
Gambar 6.5 Chromaticity Diagram 126
Gambar 6. 6 Type Warna 127
Gambar 6.7. Skema Warna RGB 129
Gambar 6.8. RGB 24 Bit Color 129
Gambar 6.9 RGB 131
Gambar 6.10 RGB Color 133
Gambar 6. 11 RG Safe Color Cube 134
Gambar.6.12 Konsep hubungan antara RGB dan HSI Color Model 134
VII
Gambar 6.13 Corak dan saturasi dalam model warna HIS 135
Gambar 6.14 HIS COLOR MODEL 136
Gambar 6.15 HIS Componen 137
Gambar 6.17 Modifikasi HIS Componen 138
Gambar 6.19 Intensity 139
Gambar 6.20 Monochrome image 139
Gambar 6.21 Monochrome xray image 140
Gambar 6.22 Gray scale Image 140
Gambar 6.23 Functional Block Pseudocolor 141
Gambar 6.24 Pseudocolor enhacement 141
Gambar 6.25 Tranformation 142
Gambar 6.26 Pseudolor 143
Gambar 6.27 Image Band 143
Gambar 6.28 Pseudocolor Rendition 144
Gambar 6.29 spasial mask for gray scale
Gambar 6.30 A full color 145
Gambar 6.31Adjusting 146
Gambar 6.33 color complement 147
Gambar 6.34 clor sclicing 147
Gambar 6.35 Toanl Correction 148
Gambar 6.36 color balancing 149
Gambar 6.37 Histogram Equalization 150
Gambar 6.38 &6.39 Histogram Equalization 150
Gambar 6. 40 Image Smoothing 151
Gambar 6.41 Image Sharpening 151
Gambar 6.42 Image segmentation 152
Gambar 6.44 Segemnetation RGB Space 153
Gambar 6.45 RGB Image 154
VIII
Gambar 6.46 RGB Image 154
Gambar 6.47 Componen Gradie images 155
Gambar 6.48 Red , Green Blue 155
Gambar 6.51 Color Image 157
Gambar 7.1 Image and local Histogram 159
Gambar 7.2 Image Piramid 160
Gambar 7.3 Image 2 Piramid 160
Gambar 7.9 Four band 161
Gambar 7.36 Four band 161
Gambar 7.36 Scanned Finger print 168
Gambar 8.1 Computer generated 172
Gambar 8.5 Functional Block 173
Gambar 8.6 Some Popular Image 174
Gambar 8.12 Aritmetic Coding 182
Gambar 8.21 A block transform coding 190
Gambar 9.10 mengilustrasikan lebih lanjut operasi pembukaan dan penutupan. Angka 9.10 (a)
205
Gambar 9.44 (b) menunjukkan hasil pembukaan dengan rekonstruksi aslinya 247
IX
Bab 1
Pengolahan CITRA DIGITAL
1. Citra
Citra ( Image) istilah lain untuk gambar sebagai salah satu komponen multimedia memegang
peranan sangat penting sebagai bentuk informasi visual
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat( Mur92)
1. Optik berupa photo
2. Analog berupa sinyal video seperti gambar pad amonitor televisi
3. Digital yang dapat langsung disimpan pada suatu pita magnetic
Citra diam adalah (Still Image ) adalah citra tunggal yang tidak bergerak
Gambar 1.1 Citra Diam
10
Citra bergerak (Moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun
( sequensial ) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Setiap
citra didalam rangkaian itu disebut frame.
Gambar 1.2 Citra Bergerak
11
2. Pengolahan Citra
Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi
citra yang berkualitas lebih baik. sebagai contoh gambar 1.3 dan gambar 1.4. Gabar 1.3 tampak
gelap , lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang
Gambar 1.3 .Rajawali gelap
12
Gambar 1.4 .Rajawali Terang
13
Gambar 1.5 dan gambar 1.6 adalah gambar blur setelah dilakukan pengolahan citra
menjadi terang
Gambar 1.5. Kuda kelihat blur
Gambar 1.6. Kuda kelihatan Jelas
14
Didalam bidang komputer, ada tiga bidang yang berkaitan dengan citra namun tujuan
ketiganya berbeda yaitu :
1. Grafika komputer
Bertujuan menghasilkan citra ( lebih tepat disebut grafik) dengan primitif geometri
seperti garis,lingkaran dsb
2. Pengolahan citra
Bertujuan memperbaiki kualitas citra agar mudah diintreprestasi oleh manusia atau
mesin
3. Pengenalan Pola
Pengelompokan data numerik dan simbolik secara otomatis oleh mesin dengan
tujuan untuk mengenali objek pada suatu citra
1
2
3
Grafika
Komputer
Pengolahan
citra
Pengenalan
Pola
Data
Deskripsi
menjadi
citra
Citra
menjadi
citra
Citra
menjadi
Deskripsi
Gambar 1.7 keterkaitan tiga bidang studi dengan citra
15
2.1 Operasi Pengolahan citra
Operasi pengolahan citra dapat diklasifikasikan antara lain
1. Perbaikan kualitas citra ( Image enhancement )
Bertujuan untuk memperbaiki kualtas citra
2. Pemugaran Citra (Image Restoration)
Bertujuan untuk menghilangkan / meminimumkan cacat pada citra
3. Pemampatan citra (Image Compression)
Mengkompres citra dengan menggunakan memori yang sedikit, contoh JPEG
4. Segmentasi citra (Image segmentation)
Bertujuan memecah beberapa citra kedalam beberapa elemen dengan satu kriteria
tertentu
5. Pergorakan citra (Image analys)
Bertujuan menghitung besar kuantitatif dari citra untuk menghasilkan deskripsinya
6. Rekontruski Citra ( Image Recontruction)
Bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi
16
1. Perbaikan
kualitas citra
6.
Rekonstruksi
citra
2.
Pemugaran
citra
Operasi
Pengolahan
Citra
5.
Pergorakan
citra
3.
Pemampatan
citra
4.
Segmenatsi
citra
Gambar 1.8 Operasi pengolahan citra
17
Aplikasi pengolahan citra dapat diterapkan pada bidang bidang yaitu:
1.
Bidang Perdagangan
Contoh : Barcode, pengenalan formulir otomatis
2.
Bidang militer
Contoh: Mengenali peluru kendali
Identifikasi pesawat musuh
3.
Bidang Kedokteran
Contoh :Sinar x, NMR ( Nuclear Magnetic Resoannce), USG
4.
Bidang Biologi
Contoh : pengenalan kromosom
5.
Komunikasi data
Pemampatan citra yang ditransmisi
6.
Hiburan
Contoh Pemampatan video
7.
Robotika
Visually guided autonomous navigation
8.
Pemetaan
Klasifikasi penggunaan tanah melalui foto udara/landsat
9.
Geologi
Mengenali jenis batu batuan melalui foto udara
10.
Hukum
Pengenalan sidik jari, Pengenalan foto narapidana
18
1.
Perdangangan
Aplikasi Pengolahan
citra pada berbagai
bidang
2.Militer
3.
Kedokteran
5.
Komunikasi
Dta
4.
Biologi
6. Hiburan
7. Robotika
10.
Hukum
8.
Pemetaan
9. Geologi
Gambar 1.9 Aplikasi Pengolahan citra pada berbagai bidang
19
Bab 2
Pembentukan Cira
1.
Citra
Citra ada dua macam: Citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik
yang menerima sinyal analog, misalnya mata manusia dan kamera analog
Citra diskrit dihasilkan melalui proses digitalisasi sehingga mampu menghasilkan citra diskrit.
misalnya kamera digital dan scanner. Citra diskrit disebut juga citra digital.
Citra Kontinue
Sinyal Analog
Sistem Optik
Kamera Analog
Mata Manusia
Gambar 2.1 Citra Kontinu
20
Sistem Optik
Citra kontinu
Dilengkapi digitalisasi
Citra Diskrit
Kamera
digital
Scanner
Gambar 2.2 Citra diskrit
2. Model Citra
Citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dwimatra (2 Dimensi)
Secara matematis fungsi intensitas cahaya pada bidang dwimatra disimbolkan dengan F(x,y)
dimana
(x,y) : Kordinat pada bidang dwimatra
F(x,y) : Intesitas cahaya (brightness ) pada titik (x,y)
21
y
F(x,y)
X
X
Gambar 2.3. Model Citra
Karena cahaya merupakan bentuk energi, maka intensitas cahaya bernilai 0 sampai tidak
berhingga
0 < = f(x,y) < §
Aplikasi Penerapan citra digital
Gambar 2.4 Penerapan citra digital
22
3.
Type Citra
Aspek lainnya dari pencitraan digital adalah keragaman jenis gambar yang muncul, dan yang dapat
diperoleh dari hampir semua jenis radiasi. Memang, beberapa pengembangan yang paling menarik
dalam pencitraan medis telah muncul dari sensor baru yang merekam data gambar dari sumber
radiasi yang sebelumnya jarang digunakan, seperti PET (positron emission tomography) dan MRI
(magnetic resonance imaging), atau radiasi indera. dengan cara baru, seperti dalam CAT
(computer-aided tomography), di mana data sinar-X dikumpulkan dari berbagai sudut untuk
membentuk gambar
Gambar 2.5. Dimensi gambar digital dan Vidieo
23
Gambar 2.5. gambar digital, dan terutama pemrosesan video digital, membutuhkan banyak data,
yang berarti sering kali diperlukan sumber daya komputasi dan penyimpanan yang signifikan.
Gambar 2.6 Pengambilan sampel sinyal satu dimensi kontinu.
Gambar 2.6 mengilustrasikan hasil pengambilan sampel sinyal kontinu 1D. Sangat mudah untuk
melihat bahwa sampel secara kolektif menggambarkan bentuk kasar dari sinyal asli dengan sangat
baik, tetapi variasi dan struktur yang lebih kecil lebih sulit untuk dilihat atau mungkin hilang.
Secara matematis, informasi mungkin telah hilang, gambar yang merupakan sampel ruang / waktu
umumnya diindeks oleh bilangan bulat di sepanjang setiap dimensi sampel, yang
memungkinkannya diproses dengan mudah sebagai deretan angka multidimensi.
24
Gambar 2.7. Array 10 X10
Gambar 2.7, gambar sampel adalah Array nilai gambar sampel yang biasanya disusun dalam
format baris-kolom. Setiap elemen array yang diindeks sering disebut elemen gambar, atau
disingkat piksel. Istilah pel juga telah digunakan, tetapi penggunaanya mungkin memudar karena
kurang deskriptif dan tidak menarik. Jumlah baris dan kolom dalam gambar sampel juga sering
dipilih menjadi pangkat 2, karena ini menyederhanakan pengalamatan komputer dari sampel, dan
juga karena algoritma tertentu, seperti transformasi fourier diskrit, sangat efisien ketika beroperasi
pada sinyal yang memiliki dimensi yang merupakan pangkat 2. Gambar hampir selalu persegi
panjang (karenanya diindeks pada kisi Cartesian) dan seringkali berbentuk persegi, meskipun
dimensi horizontal
25
Gambar 2.8 . Contoh efek visual dari kepadatan pengambilan sampel gambar yang berbeda.
Gambar 2.8 menunjukkan dua contoh pengambilan sampel gambar yang sangat ilustratif. Kedua
gambar, yang akan kami sebut "monkey" dan "sidik jari", keduanya berisi sejumlah besar detail
visual menarik yang secara substansial menentukan konten gambar. Setiap gambar ditampilkan
pada tiga kepadatan sampling yang berbeda: 256.256 (atau 28 28 65.536 sampel), 128 128 (atau
27 27 16.384 sampel), dan 64 64 (atau 26 26 4.096 sampel).
26
Gambar 2.9 Ilustrasi representasi 8-bit dari piksel
Gambar 2.10. Gambar sidik jari Kuantisasi 256 x 256
Gambar 2.10 dan 2.11 menggambarkan dua gambar pada berbagai tingkat resolusi tingkat abuabu. Resolusi yang dikurangi (dari 8 bit) diperoleh hanya dengan memotong jumlah bit yang
kurang signifikan dari setiap tingkat abu-abu piksel. Gambar 2.10 menggambarkan 256.256
gambar digital "sidik jari" yang direpresentasikan pada resolusi tingkat abu-abu 4, 2, dan 1 bit.
27
Gambar 2.11. Kuantisasi 256.256 gambar "telur." Searah jarum jam dari kiri atas: 8, 4, 2, dan 1 bit (s) per piksel.
28
Gambar 12. Penggambaran gambar digital kecil (10 10) sebagai tumpukan bidang bit mulai dari yang paling
signifikan (atas) hingga paling tidak signifikan (bawah).
Gambar 2.12 menggambarkan gambar digital 10 10 sebagai tumpukan bidang bit B. Algoritma
pemrosesan gambar tujuan khusus kadang-kadang diterapkan pada bidang bit individu.
29
Gambar 2. 13 Warna gambar "ceri" (kiri atas) dan (searah jarum jam) komponen Merah, Hijau, dan Biru
30
BAB 3
Image Perseption
Pemahaman proses persepsi visual penting untuk mengembangkan ukuran gambar, yang
membantu dalam desain dan evaluasi algoritma pemrosesan gambar dan sistem pencitraan. Data
citra visual sendiri merepresentasikan distribusi spasial dari kuantitas fisik seperti luminansi dan
frekuensi spasial suatu objek. Informasi yang dirasakan dapat diwakili oleh atribut seperti
kecerahan, warna, dan tepi. Tujuan untuk mempelajari bagaimana informasi perseptual dapat
direpresentasikan secara kuantitatif.
LIGHT, LUMINANCE, BRIGHTNESS AND CONTRAST
Light (Cahaya)
Light (Cahaya) adalah radiasi elektromagnetik yang merangsang respons visual kita. Ini
dinyatakan sebagai distribusi energi spektral L (X.), di mana X. adalah panjang gelombang yang
terletak di wilayah tampak, 350 nm hingga 780 nm, dari spektrum elektromagnetik. Cahaya yang
diterima dari suatu objek dapat ditulis sebagai
I(λ) = p(λ.) L(λ.)
di mana p(λ.) mewakili reflektifitas atau transmissivitas objek dan L (X.) adalah distribusi energi
insiden. Kisaran iluminasi di mana sistem visual dapat beroperasi kira-kira 1 hingga 1010, atau 10
kali lipat.
31
ga
Gambar 3.1 . Mata
Retina mata manusia (gambar 1) mengandung dua jenis fotoreseptor yang disebut batang dan
kerucut. Batangnya, sekitar 100 juta jumlahnya, relatif panjang dan tipis. Mereka memberikan
penglihatan scotopic, yang merupakan respons visual pada beberapa tingkat iluminasi yang lebih
rendah. Kerucutnya, jauh lebih sedikit jumlahnya. (sekitar 6,5 juta), lebih pendek dan lebih tebal
dan kurang sensitif dibandingkan batang. Mereka memberikan penglihatan fotopik, respons visual
pada tingkat 5 hingga 6 yang lebih tinggi dari besarnya iluminasi (misalnya, di ruangan yang cukup
terang atau sinar matahari yang cerah). Di wilayah tengah iluminasi, baik batang maupun kerucut
aktif dan memberikan penglihatan mesopik. Kami terutama prihatin dengan penglihatan fotopik,
karena tampilan gambar elektronik diterangi dengan baik.
LUMINANCE, (Luminans)
Luminans atau intensitas objek yang tersebar secara spasial dengan distribusi cahaya I (x, y, X.)
didefinisikan sebagai
f(x, y) = ƪ I(x, y, X.)V(λ.) dλ.
dimana V (λ) disebut sebagai fungsi efisiensi cahaya relatif dari sistem visual. Untuk mata
manusia, V (λ.) adalah kurva berbentuk lonceng (gambar 2) yang memiliki karakteristik tergantung
32
pada apakah itu penglihatan scotopic atau photopic. Luminance suatu objek tidak bergantung pada
luminansi objek di sekitarnya. Kecerahan (juga disebut kecerahan semu) suatu objek adalah
luminansi yang dirasakan dan bergantung pada luminansi lingkungan sekitar. Dua objek dengan
lingkungan berbeda dapat memiliki pencahayaan yang identik tetapi kecerahan berbeda.
Fenomena visual berikut menunjukkan perbedaan antara luminansi dan kecerahan.
Gambar 3.2 Fungsi efisiensi cahaya
3. BRIGHTNESS AND CONTRAST
Gambar 3.2 a, dua kotak kecil di tengah memiliki nilai luminansi yang sama, tetapi kotak di
sebelah kiri tampak lebih terang. Di sisi lain, pada gambar 3.2 b, kedua kotak tampak memiliki
kecerahan yang hampir sama meskipun pencahayaannya sangat berbeda. alasannya adalah bahwa
persepsi kita peka terhadap kontras luminansi daripada nilai luminansi absolut itu sendiri.
33
Gambar 3.2 a
Kontras simultan
Gambar 3.2. a kotak kecil di tengah memiliki pencahayaan yang sama tetapi tidak tampak sama
terang;
Gambar 3.2 b kotak-kotak kecil
Gambar 3.2 b kotak-kotak kecil di tengah tampak hampir sama terang, tetapi pencahayaannya
berbeda.
34
Mach Bands
Interaksi spasial luminansi dari suatu objek dan sekelilingnya menciptakan fenomena yang disebut
efek pita Mach. Efek ini menunjukkan bahwa kecerahan bukanlah fungsi luminansi monotonik.
Pertimbangkan diagram batang tingkat abu-abu pada gambar 4a, di mana setiap batang memiliki
pencahayaan yang konstan. Tetapi kecerahan yang tampak tidak seragam di sepanjang lebar
batang. Transisi di setiap batang tampak lebih cerah di sisi kanan dan lebih gelap di sisi kiri. Garis
putus-putus pada gambar 4. b mewakili kecerahan yang dirasakan.
Gambar 3.4a. gambar abu abu
35
Gambar 3.4 b Pencahayaan versus kecerahan
Penginderaan jauh
Penginderaan jauh adalah “pengambilan atau pengukuran data / informasi mengenai sifat dari
sebuah fenomena, obyek atau benda dengan menggunakan sebuah alat perekam tanpa
berhubungan langsung dengan bahan study.“(http:/rst.gsfc.nasa.gov/Intro/Part2_1.html)
Beberapa contoh teknologi PJ
1. Satelit pemantauan cuaca bumi. Dalam hal ini, target adalah permukaan bumi, yang
melepaskan energi dalam bentuk radiasi infrared (atau energi panas). Energi merambat
melalui atmosfir dan ruang angkasa untuk mencapai sensor, yang berada pada platform
satelit. Beberapa level energi kemudian dicatat, dikirimkan ke stasiun penerima di bumi,
dan diubah menjadi citra yang menunjukkan perbedaan suhu pada permukaan bumi.
2. Teknologi citra untuk kedokteran seperti Magnetic Resonance Imaging (MRI), sonogram,
dan X-Ray Imaging. Semua teknologi ini menggunakan beberapa bentuk energi untuk
menghasilkan citra dari bagian dalam tubuh manusia. Berbagai macam bentuk energi yang
36
dihasilkan dari sebuah mesin ditembakkan kepada target. Sensor kemudian mengukur
bagaimana energi ini diserap, dipantulkan atau dikirimkan ke arah lain oleh target, dan
hasilnya akan dikumpulkan dalam bentuk sebuah citra. Teknologi ini sangat membantu
dalam hal memeriksa sistem internal dalam tubuh manusia tanpa melakukan pembedahan.
Mengubah data menjadi citra
Data citra satelit dikirim ke stasiun penerima dalam bentuk format digital mentah
merupakan sekumpulan data numerik. Unit terkecil dari data digital adalah bit, yaitu angka
biner, 0 atau 1. Kumpulan dari data sejumlah 8 bit data adalah sebuah unit data yang disebut
byte, dengan nilai dari 0 – 255. Dalam hal citra digital nilai level energi dituliskan dalam
satuan byte. Kumpulan byte ini dengan struktur tertentu bisa dibaca oleh software dan
disebut citra digital 8-bit.
Karakteristik citra
Pixel
Pixel (Picture element) adalah sebuah titik yang merupakan elemen paling kecil pada citra
satelit. Angka numerik (1 byte) dari pixel disebut digital number (DN). DN bisa
ditampilkan dalam warna kelabu, berkisar antara putih dan hitam (gray scale), tergantung
level energi yang terdeteksi. Pixel yang disusun dalam order yang benar akan membentuk
sebuah citra.
Kebanyakan citra satelit yang belum diproses disimpan dalam bentuk gray scale, yang
merupakan skala warna dari hitam ke putih dengan derajat keabuan yang bervariasi. Untuk
PJ, skala yang dipakai adalah 256 shade gray scale, dimana nilai 0 menggambarkan hitam,
nilai 255 putih. Dua gambar di bawah ini menunjukkan derajat keabuan dan hubungan
antara DN dan derajat keabuan yang menyusun sebuah citra.
37
Gambar 3.5 Derajat keabuan dan hubungan antara DN
Untuk citra multispectral, masing masing pixel mempunyai beberapa DN, sesuai dengan jumlah
band yang dimiliki. Sebagai contoh, untuk Landsat 7, masing-masing pixel mempunyai 7 DN dari
7 band yang dimiliki. Citra bisa ditampilkan untuk masing-masing band dalam bentuk hitam dan
putih maupun kombinasi 3 band sekaligus, yang disebut color composites. Gambar 3.6 di bawah
ini menunjukkan composite dari beberapa band dari potongan Landat 7 dan pixel yang
menyusunnya.
38
Gambar 3.6. Color Composit
Merepresentasikan gambar sebagai array titik dua dimensi dan 3 dimensi
Gambar 3.7 representasi gambar 2 dimensi dan 3 dimensi
39
Gambar 3.8 gambar dengan Ukuran a 3 × 4, b 12 × 16, c 48 × 64, dan d 192 × 256 piksel
Gambar 3.9 Tiga kisi beraturan 2-D: kisi segitiga, kisi b persegi, c kisi heksagonal.
40
Lingkungan di kotak persegi panjang: 4-lingkungan dan b 8-. c Wilayah hitam dihitung sebagai
satu objek (wilayah terhubung) dalam 8 lingkungan tetapi sebagai dua objek dalam 4 lingkungan.
Gambar 3.10 lingkungan kotak citra
4. Jelaskan image negatif
1. Image Negatif
Gambar negatif dengan tingkat intensitas dalam kisaran [0, L - 1] dicapai dengan menggunakan
transformasi negatif yang ditunjukkan pada gambar. 2, yang diberikan oleh ekspresi adalah
=
L - 1 – r. Membalikkan tingkat intensitas gambar dengan cara ini menghasilkan ekuivalen
negatif fotografi. Jenis pemrosesan ini sangat cocok untuk menyempurnakan detail putih atau
abu-abu yang disematkan di wilayah gelap sebuah
41
Gambar 3.11 Transformasi Fungsi
42
Gambar 3.12. Hierarki pemrosesan citra digital
43
Gambar 3.13 Ruang koordinat Gambar 2-D dari gambar digital M x N
Type Format citra
Type Format citra,GIF, JPEG,BMP,PNG,TIFF/TIFF
Gambar 3.14 Type format citra
44
Contoh Type format citra
Contoh Type format citra 24 bit warna, 8 bit abu abu, binary dan floating point
Gambar 3.15 contoh gambar format citra
45
Contoh Citra
menunjukkan di bagian ini berbagai bidang aplikasi, yang masing-masing secara rutin
menggunakan teknik pemrosesan gambar digital
a. Gamma -ray imaging
Gambar 3.16 a,b,c,d (arah jarum jam ) contoh gambar gamma ray imaging
46
Gambar 3.16 (a) menunjukkan gambar pemindaian tulang lengkap yang diperoleh dengan
menggunakan pencitraan sinar gamma. Gambar semacam ini digunakan untuk menemukan lokasi
patologi tulang, seperti infeksi, atau tumor.
Gambar 3.16 (b) menunjukkan modalitas utama lain dari pencitraan nuklir yang disebut positron
emission tomography (PET). Prinsipnya sama dengan tomografi sinar-X. Gambar ini
menunjukkan tumor di otak dan satu di paru-paru, mudah terlihat sebagai massa putih kecil,
Gambar 3.16 (c) menunjukkan gambar Cygnus Loop dalam pita sinar gamma. Berbeda dengan
dua contoh pada Gambar 3.16 (a) dan (b), citra ini diperoleh dengan menggunakan radiasi alami
dari objek yang dicitrakan. Gambar 16 (d) menunjukkan gambar radiasi gamma dari katup di
reaktor nuklir. Area radiasi kuat terlihat di sisi kiri bawah gambar.
b. X Ray Imaging
Sinar-X adalah salah satu sumber radiasi EM tertua yang digunakan untuk pencitraan.
Penggunaan sinar-X yang paling terkenal adalah diagnostik medis, tetapi sinar-X juga digunakan
secara ekstensif di industri dan bidang lain, seperti astronomi. Sinar-X untuk pencitraan medis dan
industri dihasilkan menggunakan tabung sinar-X, yang merupakan tabung vakum dengan katoda
dan anoda. Katoda dipanaskan, menyebabkan elektron bebas dilepaskan. Elektron ini mengalir
dengan kecepatan tinggi ke anoda bermuatan positif. Ketika elektron menabrak inti, energi
dilepaskan dalam bentuk radiasi sinar-X. Energi (daya tembus) sinar-X dikendalikan oleh
tegangan yang diterapkan melintasi anoda, dan oleh arus yang diterapkan ke filamen di katoda .
Gambar 3.16 (a) menunjukkan foto rontgen dada yang dihasilkan hanya dengan menempatkan
pasien di antara sumber rontgen dan film yang peka terhadap energi rontgen. Intensitas sinar-X
diubah oleh penyerapan saat melewati pasien, dan energi yang dihasilkan yang jatuh pada film
mengembangkannya, sama seperti cahaya mengembangkan film fotografis. Dalam radiografi
digital, gambar digital diperoleh dengan salah satu dari dua metode: (1) dengan mendigitalkan film
47
sinar-X; atau (2) dengan membuat sinar-X yang melewati pasien jatuh langsung ke perangkat
(seperti layar fosfor) yang mengubah sinar-X menjadi cahaya. Sinyal cahaya pada gilirannya
ditangkap oleh sistem digitalisasi peka cahaya. Angiografi adalah aplikasi utama lainnya di area
yang disebut radiografi peningkatan kontras. Prosedur ini digunakan untuk mendapatkan gambar
(disebut angiogram) pembuluh darah. Kateter (tabung kecil, fleksibel, berongga) dimasukkan,
misalnya, ke dalam arteri atau vena di selangkangan. Kateter dimasukkan ke dalam pembuluh
darah dan diarahkan ke area yang akan dipelajari. Ketika kateter mencapai situs yang diselidiki,
media kontras sinar-X disuntikkan melalui tabung. Ini meningkatkan kontras pembuluh darah dan
memungkinkan ahli radiologi untuk melihat penyimpangan atau penyumbatan. Gambar 3.16 (b)
menunjukkan contoh angiogram aorta. Kateter terlihat sedang dimasukkan ke dalam pembuluh
darah besar di kiri bawah gambar. Perhatikan kontras tinggi dari pembuluh besar saat media
kontras mengalir ke arah ginjal, yang juga terlihat pada gambar. angiografi adalah area utama
pemrosesan citra digital, di mana pengurangan citra digunakan untuk meningkatkan lebih lanjut
pembuluh darah yang sedang dipelajari. Penggunaan penting lainnya dari sinar-X dalam
pencitraan medis adalah computerized axial to mography (CAT). Karena resolusi dan kemampuan
3-D mereka, CAT memindai revo lutionized obat sejak pertama kali tersedia pada awal 1970.
setiap gambar CAT adalah "irisan" yang diambil secara tegak lurus melalui pasien. Banyak irisan
yang dihasilkan saat pasien digerakkan ke arah longitudinal. Kumpulan gambar tersebut
merupakan penampakan 3-D dari bagian dalam tubuh, dengan resolusi longitudinal sebanding
dengan jumlah gambar irisan yang diambil. Gambar 3.16 (c) menunjukkan gambar potongan CAT
kepala tipikal. Teknik yang mirip dengan yang baru saja didiskusikan, tetapi umumnya melibatkan
sinar-X berenergi lebih tinggi, dapat diterapkan dalam proses industri. Gambar 3.16 (d)
menunjukkan gambar sinar-X dari papan sirkuit elektronik. Gambar seperti itu, mewakili ratusan
48
aplikasi industri sinar-X, digunakan untuk memeriksa papan sirkuit untuk menemukan kekurangan
dalam manufaktur, seperti komponen yang hilang atau jejak yang rusak. Pemindaian CAT industri
berguna ketika komponen dapat ditembus oleh sinar-X, seperti pada rakitan plastik, dan bahkan
benda besar, seperti motor roket propelan padat. Gambar 3.16 (e) menunjukkan contoh pencitraan
sinar-X dalam astronomi.
49
Gambar 3. 16,a,b,c,d,e
a
b
d
c
e
X ray imaging
50
c. Citra Ultra Violet
Gambar 3.17 Gambar Ultra violet
51
d.
Imaging in the Visible and Infrared bands
Gambar 3.18 . Imaging in the Visible and Infrared bands
52
E. imaging in the microwave band
Penerapan pencitraan yang dominan dalam pita gelombang mikro adalah radar. Fitur unik
radar pencitraan adalah kemampuannya untuk mengumpulkan data di hampir semua wilayah
kapan saja, terlepas dari cuaca atau kondisi pencahayaan sekitar.
Gambar 3.19 Imaging in the microwave band
53
F. Imaging In Radio Band
Gambar 3.20. MRI Image
Gambar 2.21menunjukkan gambar Crab Pulsar di pita radio. Juga ditampilkan untuk perbandingan
yang menarik adalah gambar dari wilayah yang sama tetapi diambil di sebagian besar pita yang
dibahas sebelumnya. Perhatikan bahwa setiap gambar memberikan "tampilan" yang sama sekali
berbeda dari Pulsar.
Gambar 3.21 Image of Crab pulsar
54
Resolusi
Resolusi dari sebuah citra adalah karakteristik yang menunjukkan level kedetailan yang dimiliki
oleh sebuah citra. Resolusi didefinisikan sebagai area dari permukaan bumi yang diwakili oleh
sebuah pixel sebagai elemen terkecil dari sebuah citra. Pada citra satelit pemantau cuaca yang
mempunyai resolusi 1 km, masing-masing pixel mewakili rata-rata nilai brightness dari sebuah
area berukuran 1x1 km. Bentuk yang lebih kecil dari 1 km susah dikenali melalui image dengan
resolusi 1 km. Landsat 7 menghasilkan citra dengan resolusi 30 meter, sehingga jauh lebih banyak
detail yang bisa dilihat dibandingkan pada citra satelit dengan resolusi 1 km. Resolusi adalah hal
penting yang perlu dipertimbangkan dalam rangka pemilihan citra yang akan digunakan terutama
dalam hal aplikasi, waktu, biaya, ketersediaan citra dan fasilitas komputasi. Gambar 3.22 berikut
menunjukkan perbandingan dari 3 resolusi citra yang berbeda.
r
Gambar 3.22 penurunan resolusi
55
Bab 4
Intensity Transformation and spatial filtering
( Transformasi Intensitas dan pemfilteran spasial )
Dua kategori utama dari pemrosesan spasial adalah transformasi intensitas dan penyaringan
spasial. transformasi intensitas beroperasi pada piksel tunggal gambar, terutama untuk tujuan
manipulasi kontras dan thresholding gambar. Pemfilteran spasial berkaitan dengan melakukan
operasi, seperti penajaman gambar, dengan bekerja di lingkungan setiap piksel dalam gambar
Proses domain spasial yang kita diskusikan dalam bab ini dapat dilambangkan dengan ekspresi
g (x, y) = T [f (x, y)]
f( x,y ) = input gambar
g(x,y) = Output Gambar
T adalah operasi pada f yang didefinisikan di sekitar titik (x, y)
Gambar 4.1. Gambar spasial didomain
56
Beberapa Fungsi Transformasi Intensitas Dasar
Transformasi intensitas adalah salah satu teknik pemrosesan gambar yang paling sederhana. Nilai
piksel, sebelum dan sesudah pemrosesan, akan dilambangkan dengan r dan s, masing-masing
Seperti yang ditunjukkan di bagian sebelumnya, nilai-nilai ini terkait dengan ekspresi bentuk s =
T (r), nilai piksel r menjadi nilai piksel s. Karena kita berurusan dengan besaran digital, nilai dari
fungsi transformasi biasanya disimpan dalam larik satu dimensi dan pemetaan dari r untuk s
diimplementasikan melalui pencarian tabel.
Sebagai pengantar transformasi intensitas, tiga jenis fungsi dasar yang sering digunakan untuk
peningkatan citra: linier (transformasi negatif dan identitas), logaritmik (transformasi log dan log
terbalik), dan power-law ( n kekuatan th dan n transformasi root). Fungsi identitas adalah kasus
sepele di mana intensitas keluaran identik dengan intensitas masukan. Itu disertakan dalam grafik
hanya untuk kelengkapan.
Image Negatif
Gambar negatif dengan tingkat intensitas dalam kisaran [0, L - 1] dicapai dengan menggunakan
transformasi negatif yang diberikan oleh ekspresi adalah
s = L - 1 – r. Membalikkan tingkat intensitas gambar dengan cara ini menghasilkan
ekuivalen negatif fotografi. Jenis pemrosesan ini sangat cocok untuk menyempurnakan detail putih
atau abu-abu yang disematkan di wilayah gelap sebuah
57
Gambar 4. 2 Transformasi Fungsi
Sebagian besar operasi peningkatan domain spasial dapat direduksi menjadi bentuk
g(x,y) = T [f(x,y)}
S= T(r)
58
di mana s mengacu pada nilai piksel gambar yang diproses dan r mengacu pada nilai piksel
gambar asli. Dalam hal ini T disebut sebagai fungsi transformasi tingkat abu-abu atau operasi
pemrosesan titik
Gambar 4.3 Image negatif
2. Log Transformation (Transformasi Log)
Bentuk umum dari transformasi log
s = c log (1 + r)
Pada gambar 4.2 adalah dimana c adalah konstanta, dan diasumsikan demikian r Ú 0. Bentuk
kurva log pada Gambar 4.2 menunjukkan bahwa transformasi ini memetakan kisaran sempit
nilai intensitas rendah dalam masukan ke dalam kisaran tingkat keluaran yang lebih luas. Hal
sebaliknya berlaku untuk nilai level input yang lebih tinggi. Kami menggunakan transformasi
jenis ini untuk memperluas nilai piksel gelap dalam gambar sambil mengompresi nilai tingkat
yang lebih tinggi. Kebalikannya adalah benar dari transformasi log terbalik.
Setiap kurva yang memiliki bentuk umum dari fungsi log yang ditunjukkan pada gambar 4. 2
akan mencapai tingkat intensitas penyebaran / kompresi ini dalam gambar, tetapi transformasi
hukum pangkat yang dibahas di bagian selanjutnya jauh lebih fleksibel untuk tujuan ini.
59
Fungsi log memiliki karakteristik penting yaitu memampatkan rentang dinamis gambar
dengan variasi besar dalam nilai piksel.
Gambar 4.4 Fourier Spektrum
2. Transformasi Hukum Daya (Gamma) Transformasi power-law memiliki bentuk dasar (3.23) dimana c dan g adalah konstanta positif. Terkadang Persamaan ditulis sebagai untuk
memperhitungkan offset (yaitu, output yang dapat diukur saat masukan nol). Namun, offset
biasanya merupakan masalah kalibrasi tampilan dan akibatnya biasanya diabaikan dalam
Persamaan Plot dari s melawan r untuk berbagai nilai ditunjukkan pada Gambar 5. Seperti
dalam kasus transformasi log, kurva hukum daya dengan nilai pecahan memetakan kisaran
sempit nilai masukan gelap ke dalam kisaran nilai keluaran yang lebih luas, dengan
kebalikannya berlaku untuk nilai yang lebih tinggi dari tingkat masukan. Namun, tidak
seperti fungsi log, kami memperhatikan g g s = c (r + e) g s = cr g
60
Gambar 4. 5 Plot persamaan
Gambar 4.6 Jalur intensitas
Mencoba mereproduksi warna secara akurat juga memerlukan pengetahuan tentang koreksi
gamma karena memvariasikan nilai gamma tidak hanya mengubah intensitas, tetapi juga rasionya
61
merah ke hijau ke biru dalam gambar berwarna. Koreksi gamma menjadi semakin penting dalam
beberapa tahun terakhir, seiring dengan meningkatnya penggunaan gambar digital untuk tujuan
komersial melalui Internet., pendekatan yang dilakukan saat ini menyimpan gambar di situs Web
adalah memproses gambar dengan gamma yang mewakili "rata-rata" jenis monitor dan sistem
komputer yang berbeda
Gambar 4.7 Magnetik resonansi
Selain koreksi gamma, transformasi power-law berguna untuk manipulasi kontras tujuan umum.
Gambar 7 (3.8a) menunjukkan gambar resonansi magnetik (MRI) dari tulang belakang manusia
dada bagian atas dengan dislokasi fraktur dan pelampiasan sumsum tulang belakang. Fraktur
62
terlihat di dekat pusat vertikal tulang belakang, kira-kira seperempat dari bagian atas gambar.
Karena gambar yang diberikan sebagian besar gelap, diperlukan perluasan tingkat intensitas. Ini
dapat dilakukan dengan transformasi hukum pangkat dengan eksponen pecahan. Gambar lain yang
ditunjukkan pada gambar diperoleh dengan memproses 3.8 a dengan transformasi power-law
Gambar 4.8 Citra udara
Gambar 3.9 a menunjukkan masalah kebalikan dari gambar 3.8 a. Gambar yang akan diproses
sekarang memiliki tampilan pudar, yang menunjukkan bahwa kompresi tingkat intensitas
diinginkan. Ini dapat dilakukan dengan Persamaan s = cr g menggunakan nilai g lebih besar dari
63
1. Hasil pengolahan gambar 3.9 a dengan g = 3.0, 4.0, dan 5.0 ditunjukkan pada gambar. 3.9 b
sampai (d). Hasil yang sesuai diperoleh dengan nilai gamma 3.0 dan 4.0,
4 . Piecewise-Linear Transformation Functions
Pendekatan pelengkap untuk metode yang dibahas dalam tiga bagian sebelumnya adalah dengan
menggunakan fungsi linier sebagian. Keuntungan utama dari fungsi linier pemenggalan
dibandingkan jenis fungsi yang telah kita diskusikan sejauh ini adalah bahwa bentuk fungsi
pemenggalan dapat menjadi kompleks sewenang-wenang. Faktanya, seperti yang akan Anda lihat
sebentar lagi, implementasi praktis dari beberapa transformasi penting hanya dapat diformulasikan
sebagai fungsi .
Contrast Stretching Function
Gambar 4.9 peregangan kontras
64
Gambar 4.10 Transformasi intensiitas
BIT
Piksel adalah angka digital yang terdiri dari bit. Misalnya, intensitas setiap piksel dalam gambar
skala abu-abu tingkat 256 terdiri dari 8 bit (yaitu, satu byte). Alih-alih menyoroti rentang tingkat
intensitas, kami dapat menyoroti kontribusinya
Gambar 4. 11 Transformasi pemotongan
65
Gambar 4.12 Perwakilan 8 bit
dibuat untuk total tampilan gambar oleh bit tertentu.Seperti yang diilustrasikan pada Gambar 12 (3.13,)
gambar 8-bit dapat dianggap terdiri dari delapan bidang 1-bit, dengan bidang 1 berisi bit urutan terendah
dari semua piksel pada gambar dan bidang 8 semua bit orde tertinggi. Gambar 3.14 (a) menunjukkan
gambar skala abu-abu 8-bit dan gambar.13 ( 3.14(b) sampai (i) adalah delapan bidang 1-bitnya, dengan
gambar13 ( 3.14 (b)) sesuai dengan bit orde terendah. Amati bahwa empat bidang bit orde tinggi, terutama
dua yang terakhir, berisi sejumlah besar data yang signifikan secara visual. Bidang tingkat rendah
berkontribusi pada detail intensitas yang lebih halus pada gambar. Gambar asli memiliki batas abuabu dengan intensitas 194. Perhatikan bahwa tepi terkait dari beberapa bidang bit berwarna hitam
(0), sementara yang lain berwarna putih (1). Untuk mengetahui alasannya, pertimbangkan
66
Gambar 4.13 Skala Abu abu
piksel di, katakanlah, di tengah batas bawah gambar 3.14 (a). Piksel yang sesuai dalam bidang bit,
dimulai dengan bidang orde tertinggi, memiliki nilai 1 1 0 0 0 0 1 0, yang merupakan representasi
biner dari desimal 194. Nilai setiap piksel dalam gambar asli dapat direkonstruksi serupa dari
piksel bernilai biner yang sesuai di bidang bit. Dalam hal fungsi transformasi intensitas, tidaklah
sulit untuk menunjukkan bahwa citra biner untuk bidang bit ke-8 dari citra 8-bit dapat diperoleh
dengan mengolah citra masukan dengan fungsi transformasi intensitas thresholding yang
memetakan semua intensitas antara 0 dan 127 ke 0 dan memetakan semua level antara 128 dan
255 ke 1. Citra biner pada gambar 3.14 (i) diperoleh hanya dengan cara ini. Menguraikan gambar
menjadi bidang bitnya berguna untuk menganalisis kepentingan relatif setiap bit dalam gambar,
sebuah proses yang membantu dalam menentukan kecukupan jumlah bit yang digunakan untuk
mengukur gambar. Gambar 3.15 (a) menunjukkan gambar yang direkonstruksi menggunakan bit
planes 8 dan 7. Rekonstruksi dilakukan dengan mengalikan piksel dari n pesawat th dengan
67
konstanta Ini tidak lebih dari mengubah file n bit biner signifikan ke desimal. Setiap bidang yang
digunakan dikalikan dengan konstanta yang sesuai, dan semua bidang yang digunakan
ditambahkan untuk mendapatkan citra skala abu-abu. Jadi, untuk mendapatkan Gambar 3.15 (a),
kita mengalikan bidang bit 8 dengan 128, bidang bit 7 dengan 64, dan menambahkan kedua bidang
tersebut. Meskipun fitur utama gambar asli dipulihkan, gambar yang direkonstruksi tampak datar,
terutama di latar belakang. Hal ini tidak mengherankan karena dua bidang hanya dapat
menghasilkan empat tingkat intensitas yang berbeda. Menambahkan bidang 6 ke rekonstruksi
membantu situasi, seperti yang ditunjukkan gambar 14 ( 3.15 (b). Perhatikan bahwa latar belakang
gambar ini memiliki kontur palsu yang terlihat. Efek ini berkurang secara signifikan dengan
menambahkan bidang ke-5 pada rekonstruksi, seperti yang diilustrasikan oleh gambar 14 ( 3.15
(c). Menggunakan lebih banyak bidang dalam rekonstruksi tidak akan memberikan kontribusi
yang signifikan pada tampilan gambar ini. Jadi, kami menyimpulkan bahwa menyimpan empat
bidang bit orde tertinggi akan memungkinkan kami merekonstruksi gambar asli dengan detail yang
dapat diterima. Menyimpan keempat bidang ini sebagai ganti gambar asli memerlukan
penyimpanan 50% lebih sedikit (mengabaikan masalah arsitektur memori)
Gambar 4. 14 gambar rekontruksi
68
Pengolahan Histogram
Histogram gambar digital dengan tingkat intensitas dalam kisaran [0, L - 1] adalah fungsi diskrit h (r k) =
n k, dimana r k adalah k nilai intensitas dan n k jumlah piksel pada gambar dengan intensitas r k. Merupakan
praktik umum untuk menormalkan histogram dengan membagi setiap komponennya dengan jumlah total
piksel pada gambar, dilambangkan dengan produk M N, dimana, seperti biasa, M dan N adalah dimensi
baris dan kolom dari gambar. Jadi, dinormalisasi histogram diberikan oleh p (r k) = r k> M N, untuk k = 0,
1, 2, SEBUAH , L - 1. p (r k) adalah perkiraan kemungkinan terjadinya intensitas tingkat r k dalam sebuah
gambar. Jumlah semua komponen histogram yang dinormalisasi sama dengan 1. Histogram adalah dasar
untuk berbagai teknik pemrosesan domain spasial. Manipulasi histogram dapat digunakan untuk
peningkatan citra, bahwa informasi yang melekat pada histogram juga cukup berguna dalam aplikasi
pemrosesan citra lainnya, seperti kompresi citra dan segmentasi. Histogram mudah dihitung dalam
perangkat lunak dan juga cocok untuk implementasi perangkat keras yang ekonomis, sehingga
menjadikannya alat yang populer untuk pemrosesan gambar waktu nyata. Sebagai pengantar pemrosesan
histogram untuk transformasi intensitas, perhatikan Gambar15 (3.16) yang merupakan citra serbuk
sari yang ditunjukkan dalam empat karakteristik intensitas dasar: gelap, terang, kontras rendah,
dan kontras tinggi. Sisi kanan gambar menunjukkan histogram yang sesuai dengan gambar-gambar
ini. Itu sumbu horizontal setiap plot histogram sesuai dengan nilai intensitas, r k. Itu sumbu vertikal
sesuai dengan nilai h (r k) = n k atau p (r k) = n k> M N jika nilainya dinormalisasi. Dengan
demikian, histogram dapat dilihat secara grafis sebagai plot dari h (r k) = n k melawan r k atau p
(r k) = n k> M N melawan r k. Kami mencatat dalam gambar gelap bahwa komponen histogram
terbuat dari berpusat pada sisi rendah (gelap) dari skala intensitas. Demikian pula, komponen
histogram citra cahaya bias ke sisi skala yang tinggi. Gambar dengan kontras rendah memiliki
histogram sempit yang biasanya terletak di tengah skala intensitas. Untuk gambar monokrom, ini
menyiratkan tampilan abu-abu kusam dan pudar. Akhirnya, kita melihat bahwa komponen
histogram pada gambar kontras tinggi mencakup rentang skala intensitas yang luas dan,
69
selanjutnya, distribusi piksel tidak terlalu jauh dari seragam, dengan sangat sedikit garis vertikal
yang jauh lebih tinggi daripada orang lain. Secara intuitif, dapat disimpulkan bahwa gambar yang
pikselnya cenderung menempati seluruh rentang tingkat intensitas yang mungkin dan, sebagai
tambahan, cenderung didistribusikan secara seragam, akan memiliki tampilan kontras tinggi dan
akan memamerkan berbagai variasi rona abu-abu. Efek adalah gambar yang menampilkan banyak
detail tingkat abu-abu dan memiliki rentang dinamis tinggi. Akan segera ditunjukkan bahwa
dimungkinkan untuk mengembangkan fungsi transformasi yang secara otomatis dapat mencapai
efek ini, hanya berdasarkan informasi yang tersedia dalam histogram dari citra masukan.
70
Gambar 4.15 Empat tipe gamabr dasar
71
HistogramMatching (Spesifikasi)
Seperti yang telah diindikasikan pada pembahasan sebelumnya, pemerataan histogram secara
otomatis menentukan fungsi transformasi yang berupaya untuk menghasilkan citra keluaran yang
memiliki histogram yang seragam. Ketika peningkatan otomatis diinginkan, ini adalah pendekatan
yang baik karena hasil dari teknik ini dapat diprediksi dan metode ini mudah diterapkan. Kami
tunjukkan di bagian ini bahwa ada aplikasi di mana upaya untuk mendasarkan peningkatan pada
histogram seragam bukanlah yang terbaik pendekatan. Secara khusus, terkadang berguna untuk
dapat menentukan bentuk histogram yang kita inginkan untuk gambar yang diproses. Metode yang
digunakan untuk menghasilkan citra olahan yang memiliki histogram tertentu disebut pencocokan
histogram atau spesifikasi histogram.pada gambar 4.16
Gambar 4.16 kolom tengah
72
Bab 5
Image Restoration and Reconstruction
1. Model Image degradation / Restoration Process
Tujuan utama dari teknik restorasi adalah untuk meningkatkan citra dalam arti yang telah
ditentukan sebelumnya. peningkatan citra sebagian besar merupakan proses subjektif,
sedangkan restorasi citra sebagian besar merupakan proses objektif. Restorasi berupaya
memulihkan citra yang telah terdegradasi dengan menggunakan pengetahuan apriori tentang
fenomena degradasi, sehingga teknik restorasi berorientasi pada pemodelan degradasi dan
penerapan proses invers untuk memulihkan citra asli.
Seperti yang ditunjukkan Gambar 5.1 proses degradasi dimodelkan sebagai fungsi degradasi
yang, bersama dengan istilah noise aditif, beroperasi pada gambar input untuk menghasilkan
gambar yang rusak. tujuan restorasi adalah untuk mendapatkan perkiraan dari citra asli.
Pendekatan restorasi yang digunakan di sebagian didasarkan pada berbagai jenis filter restorasi
gambar.
Gambar.5.1 model image
g(x, y) = h(x, y)* f(x, y) + h(x, y)
Dimana h(x, y) representasi spasial dari fungsi degradasi
•
Indikasi Convolution
73
2. Noise model
Sumber utama noise (gangguan) dalam gambar digital muncul selama akuisisi dan / atau
transmisi gambar. Performa sensor gambar dipengaruhi oleh berbagai faktor, seperti
kondisi lingkungan selama akuisisi gambar, dan kualitas elemen penginderaan itu sendiri.
Misalnya, dalam mengambil gambar dengan kamera CCD, level cahaya dan suhu sensor
adalah faktor utama yang mempengaruhi jumlah noise pada gambar yang dihasilkan.
Gambar rusak selama transmisi terutama karena gangguan pada saluran yang digunakan
untuk transmisi. Misalnya, gambar yang dikirim menggunakan jaringan nirkabel mungkin
rusak akibat petir atau gangguan atmosfer lainnya.
2.1 Spatial and Frequency properties of Noise
Parameter yang menentukan karakteristik spasial dari noise, dan apakah noise tersebut
berkorelasi dengan gambar. Properti frekuensi mengacu pada konten frekuensi dalam
pengertian Fourier (yaitu, sebagai lawan frekuensi spektrum elektromagnetik).
Sebagai contoh, ketika spektrum noise fourier konstan, noise biasanya disebut white
noise. Terminologi ini merupakan kelanjutan dari sifat fisik cahaya putih, yang
mengandung hampir semua frekuensi dalam spektrum tampak dalam proporsi yang
sama.
2.2
Some Important Noise Probality Density Function
Berdasarkan asumsi pada bagian sebelumnya, deskriptor spasial yang akan kita
perhatikan adalah perilaku statistik dari nilai intensitas dalam komponen noise model
pada gambar 5.1. Ini dapat dianggap sebagai variabel acak, ditandai dengan fungsi
kepadatan probabilitas
74
Berikut disampaikan 6 macam bentuk noise adalah sebagai berikut
1. Gaussian noise
model noise Gaussian (juga disebut normal) sering digunakan dalam praktik.
Faktanya sangat nyaman sehingga sering menghasilkan model Gaussian yang
digunakan dalam situasi di mana model tersebut dapat diterapkan secara marginal.
di mana z mewakili intensitas, adalah nilai rata-rata † (rata-rata) dari z, dan
merupakan deviasi standarnya. Deviasi standar kuadrat α2, disebut varians dari z.
2. Rayleigh noise
Rumus dari Rayleigh noise adalah sbb;
Rata-rata dan variansnya
75
3. Erlang (gamma) noise
dengan parameter seperti bilangan a>0 bulat positif ,b dan "!" menunjukkan faktorial.
Rata-rata dan varians nya:
4. Exponential noise
76
5. Uniform noise
6. Impulse (salt-and-pepper) noise
Contoh gambar yang tidak ada noise
Gambar 5. 2 tidak ada noise
77
Dari gambar 5.2 diatas ada Noise seperti Gaussian Rayleigh Gamma, Exponential Uniform,
Impulse (Salt & Pepper)
Gambar 5.3 Noise dalam bentuk gausssian, Rayleigh, Gamma
78
Gambar 5.4 Noise dalam bentuk Exponential, Uniform, Impulse (salt-and-pepper)
79
2.3 Periodic Noise
Gangguan periodik pada gambar biasanya muncul dari gangguan listrik atau elektromekanis
selama akuisisi gambar. Ini adalah satu-satunya jenis noise yang bergantung secara
spasial.Gangguan periodik dapat dikurangi secara signifikan melalui penyaringan domain
frekuensi. Misalnya, perhatikan gambar pada Gambar 5.5 Gambar ini rusak parah oleh noise
sinusoidal (spasial) dari berbagai frekuensi.
Gambar 5.5 Image corrupted by sinusoidal noise
80
2.4 Estimation of Noise Parameters
Parameter noise periodik biasanya diestimasi dengan inspeksi spektrum Fourier dari
gambar.Seperti yang dijelaskan di bagian sebelumnya, noise periodik cenderung
menghasilkan lonjakan frekuensi yang sering dapat dideteksi bahkan dengan analisis visual.
Pendekatan lain adalah mencoba menyimpulkan periodisitas komponen noise langsung dari
gambar, tetapi ini hanya mungkin dalam kasus sederhana.
3.
Restoration in the Presence of Noise Only—Spatial Filtering
• Mean Filter
• Order Statistic Filter
• Adaftive Filte
Restoration in the Presence of Noise Only—Spatial Filtering
Rumus Noise
3.1 Mean Filters
Pada bagian ini kami membahas secara singkat kemampuan pengurangan ganguan dari
filter spasial dan mengembangkan beberapa filter lain diantaranya itu..
81
3.2 Arithmetic mean filter
Ini adalah yang paling sederhana dari filter rata-rata. mewakili himpunan koordinat dalam
jendela subimage persegi panjang (lingkungan) dengan ukuran berpusat pada titik (x, y).
Filter rata-rata aritmatika menghitung nilai rata-rata dari gambar yang rusak di area yang
ditentukan oleh nilai gambar yang dipulihkan pada titik (x, y) hanyalah rata-rata aritmatika
yang dihitung menggunakan piksel di wilayah yang ditentukan menggunakan rumus
dibawah ini
Operasi ini dapat diimplementasikan dengan menggunakan filter spasial ukuran di mana
semua koefisien memiliki nilai. Filter rata-rata memperhalus variasi lokal pada gambar, dan
noise berkurang akibat pengaburan.
3.3 Geometric mean filter
Geometric mean filter dengan rumus sbb :
setiap piksel yang dipulihkan diberikan oleh produk piksel di jendela sub-gambar, yang
dipangkatkan ke 1 / mn. filter rata-rata geometris mencapai penghalusan yang sebanding
dengan filter rata-rata aritmatika, tetapi kurang detail gambar dalam prosesnya.
82
3.4 Harmonic mean filter
3.5 Contraharmonic mean filter
Filter
kontraharmonik berkurang menjadi filter rata-rata aritmatika jika dan filter rata-rata harmonis jika
Q = 0, Q = -1.
83
Gambar 5.7 X Ray image
Gambar 5.7 (a) menunjukkan gambar X-ray 8-bit dari papan sirkuit, dan Gambar 5.7 (b)
menunjukkan gambar yang sama, tetapi rusak dengan noise gaussian aditif nol mean dan variance
400. Gambar 5.7 (c) dan (d) masing-masing menunjukkan hasil pemfilteran noise gambar
aritmatika dan geometris
Gambar 5.8 (a) menunjukkan gambar sirkuit yang sama, tetapi sekarang rusak oleh noise dengan
probabilitas 0,1. menggunakan filter rata-rata contraharmonic
Gambar 5.8 (b) menunjukkan gambar yang rusak oleh noise garam dengan probabilitas yang sama.
Gambar 5.8 (c) menunjukkan hasil pemfilteran
Gambar 5.8 (d) menunjukkan hasil penyaringan
84
.
Gambar (5.8) image corrupt
Order-Statistic Filters
Order-Statistic Filters adalah filter spasial yang tanggapannya didasarkan pada pengurutan
(peringkat) nilai piksel yang terkandung di dalamnya.area gambar yang dicakup oleh filter. Hasil
pemeringkatan menentukan respon filter.
85
Median filter
Filter statistik urutan yang paling terkenal adalah filter median, yang, seperti namanya,
menggantikan nilai piksel dengan median tingkat intensitas di lingkungan piksel itu
Nilai piksel pada (x, y) dimasukkan dalam perhitungan median. Filter median cukup populer
karena, untuk jenis derau acak tertentu, mereka memberikan kemampuan pengurangan noise
sangat baik, dengan lebih sedikit kabur dari filter smoothing linier dengan ukuran serupa. Filter
median sangat efektif dengan adanya gangguan impuls bipolar dan unipolar.
Max and min filters
Filter persentil ke-100 adalah filter max:
Filter ini berguna untuk menemukan titik paling terang dalam sebuah gambar.
Filter persentil ke-0 adalah filter min:
Filter ini berguna untuk menemukan titik tergelap dalam sebuah gambar
86
Midpoint filter
Midpoint filter hanya menghitung titik tengah antara nilai maksimum dan minimum di area yang
dicakup oleh filter:
Perhatikan bahwa filter ini menggabungkan statistik dan rata-rata. Ini bekerja paling baik untuk
noise yang didistribusikan secara seperti Gaussian atau uniform noise.
Alpha-trimmed mean filter
Filter yang dibentuk dengan menghitung rata-rata piksel yang tersisa ini disebut Alpha-trimmed
mean filter
87
Gambar 5.10 image corrupt by salt
Gambar 5.10 (a) menunjukkan gambar papan sirkuit yang rusak oleh salt-and-pepper noise dengan
probabilitas
Gambar 5.10 (b) menunjukkan hasil median penyaringan dengan ukuran filter
Gambar 5.10 (b,c,d) dengan filter median menghilangkan sebagian besar titik-titik ini, hanya
menyisakan sedikit,titik-titik noise yang nyaris tidak terlihat.
88
Gambar 5.11 (a) menunjukkan hasil dari penerapan filter maks ke pepper noise gambar
Gambar 5.11 (b) menunjukkan hasil penerapan filter min ke gambar
Gambar 5.11 Result filtering
The alpha-trimmed filter diilustrasikan selanjutnya. Gambar 5.12 (a) menunjukkan gambar papan
sirkuit yang kali ini rusak oleh aditif, uniform noise dari varian 800 dan nol.
penambahan noise salt-and-pepper seperti yang ditunjukkan gambar 5.12 (b) Gambar 5.12 (c)
melalui (f) menunjukkan hasil yang diperoleh dengan menggunakan rata-rata aritmatika, rata-rata
geometris,median, dan filter mean (dengan) ukuran alpha-trimmed .kiri atas sedikit lebih halus
pada hasil pemangkasan alfa. Ini tidak terduga karena, untuk nilai (d) yang tinggi, filter
pemangkasan alfa mendekati kinerja filter median, tetapi masih mempertahankan beberapa
kemampuan penghalusan
89
Gambar 5.12 Image corrupt by Aditive
90
Adaptive Filters
Pada bagian ini kita melihat dua filter adaptif yang perilakunya berubah berdasarkan karakteristik
statistik gambar di dalam wilayah filter yang ditentukan oleh persegi panjang Seperti yang
ditunjukkan pada pembahasan berikut, adaptif filter mampu berkinerja lebih unggul dari filter.
Adaptive, local noise reduction filter
Ukuran statistik paling sederhana dari variabel acak adalah mean dan variasinya. Ini adalah
parameter yang wajar untuk mendasarkan filter adaptif karena jumlahnya berkaitan erat dengan
tampilan gambar
Adaptive median filter
Adaptive median filter mengubah (meningkatkan) ukuran selama pengoperasian filter, bergantung
pada kondisi tertentu. bagian ini. Ingatlah itu output dari filter adalah nilai tunggal yang digunakan
untuk menggantikan nilai piksel pada (x, y), titik di mana jendela berada di tengah pada waktu
tertentu.
4.
Periodic Noise Reduction by Frequency Domain Filtering
Periodic noise dapat dianalisis dan disaring dengan cukup efektif menggunakan teknik
domain frekuensi Ide dasarnya adalah bahwa periodic noise muncul sebagai semburan energi
terkonsentrasi dalam transformasi fourier, di lokasi yang sesuai dengan frekuensi gangguan
periodik. Pendekatannya adalah dengan menggunakan filter selektif untuk mengisolasi noise.
Bandreject Filters
Salah satu aplikasi utama bandreject filtering adalah untuk menghilangkan noise di aplikasi di
mana lokasi umum dari komponen noise dalam domain frekuensi kira-kira diketahui. Contoh yang
bagus adalah gambar yang rusak dengan gangguan periodik aditif .
91
Gambar 5.15 menunjukkan plot perspektif filter ini, dan contoh berikut mengilustrasikan
menggunakan filter bandreject untuk mengurangi efek noise berkala.
Gambar 5.15 Perspective plot
Gambar 5.16 (a), menunjukkan gambar yang sangat dikurangi oleh noise sinusoidal dari berbagai
frekuensi. Komponen noise mudah dilihat sebagai pasangan simetris titik-titik terang dalam
spektrum fourier.
Gambar 5.16 (b). Dalam contoh ini, komponen terletak pada lingkaran perkiraan sekitar asal
transformasi, jadi filter bandreject yang simetris melingkar .
Gambar 5.16 (c) menunjukkan filter bandreject Butterworth urutan 4, dengan radius dan lebar
yang sesuai untuk menutupi impuls derau sepenuhnya.
Gambar 5.16 (d). Peningkatannya cukup jelas. Bahkan detail dan tekstur kecil dipulihkan secara
efektif dengan pendekatan pemfilteran sederhana ini.
92
Gambar 5.16 image corrupt by Sinusoidal
Bandpass Filters
Filter bandpass melakukan operasi kebalikan dari filter bandreject. fungsi transfer dari filter
bandpass diperoleh dari bandreject filter yang sesuai dengan fungsi transfer dengan menggunakan
persamaan
HBP(u, v) = 1 - HBR(u, v)
93
Gambar 5.17 noise of image
Gambar 5.17 ini dibuat untuk mendapatkan filter bandpass yang sesuai dengan filter penyortir pita
yang digunakan pada gambar 5.16; dan (2) mengambil transformasi kebalikan dari transformasi
bandpass-filtered. Sebagian besar detail gambar hilang, tetapi informasi yang tersisa adalah yang
paling berguna, karena jelas bahwa pola noise yang dipulihkan menggunakan metode ini cukup
dekat dengan noise yang merusak gambar pada gambar 5.16 (a). Dengan kata lain, bandpass
filtering membantu mengisolasi pola noise.
Notch Filters
A notch filter rejects (atau melewatkan) frekuensi di lingkungan yang telah ditentukan sebelumnya
tentang frekuensi tengah. Persamaan untuk notch filters pada gambar 5.18 menunjukkan plot 3-D
filter ideal, Butterworth, dan Gaussian notch (reject). Karena simetri transformasi fourier, notch
filter harus muncul dalam pasangan simetris tentang asal untuk mendapatkan hasil yang bermakna.
Satu-satunya pengecualian untuk aturan ini adalah jika notch filter terletak di asal, dalam hal ini
filter akan muncul dengan sendirinya.
HNP(u, v) = 1 - HNR(u, v)
dimana fungsi transfer dari notch pass filter sesuai dengan notch reject filter dengan fungsi transfer
HNR (u, v).
94
Gambar 5.18 perspective plot
Gambar 5.19 (a) menunjukkan gambar (a). Pendekatan Notch Filters yang mengikuti mengurangi
noise dalam gambar ini, tanpa menimbulkan keburaman yang cukup besar Notch Filters lebih
disukai jika filter yang sesuai dapat ditemukan. Hanya dengan melihat garis hampir horizontal dari
pola noise pada gambar 5.19 (a), mengharapkan kontribusinya dalam domain frekuensi
terkonsentrasi di sepanjang sumbu vertikal. Namun, noise tidak cukup dominan untuk memiliki
pola yang jelas di sepanjang sumbu ini, seperti terlihat dari spektrum yang ditunjukkan pada
gambar 5.19 (b). Kita bisa mendapatkan gambaran tentang kontribusi noise dengan membuat
Notch Filters ideal sederhana di sepanjang sumbu vertikal Transformasi Fourier, seperti yang
ditunjukkan pada Gambar 5.19 (c). Representasi spasial dari pola noise (transformasi kebalikan
dari hasil notch-pass-filtered) ditunjukkan pada gambar 5.19 (d). Hasil pengolahan citra dengan
notch reject filter ditunjukkan pada gambar 5.19 (e). Gambar ini berisi garis pemindaian noise
yang terlihat jauh lebih sedikit daripada gambar 5.19 (a)
95
Gambar 5.19 Satelit image
Optimum Notch Filtering
Gambar 5.20 (a), contoh lain dari degradasi citra berkala, menunjukkan citra digital medan Mars
yang diambil oleh pesawat ruang angkasa Mariner 6. Pola interferensi agak mirip dengan yang ada
pada gambar 5.16 (a), tetapi pola sebelumnya jauh lebih halus dan, akibatnya, lebih sulit untuk
dideteksi pada bidang frekuensi. Gambar 5.20 (b) menunjukkan Spektrum Fourier komponen
seperti bintang disebabkan oleh gangguan, dan beberapa pasang komponen hadir, menunjukkan
bahwa pola tersebut mengandung lebih dari satu komponen sinusoidal
96
Gambar 5.20 Image Martian terrain
5.
Inverse Filtering
Materi pada bagian ini merupakan langkah pertama kita dalam mempelajari restorasi citra yang
terdegradasi dengan fungsi degradasi H, yang diberikan atau diperoleh dengan metode seperti yang
dibahas pada bagian sebelumnya. Pendekatan paling sederhana untuk pemulihan adalah
pemfilteran terbalik langsung, di mana kami menghitung perkiraan, dari transformasi gambar asli
hanya dengan membagi transformasi gambar yang terdegradasi, dengan fungsi degradasi
97
Gambar 5.27 Restoring
nilai degradasi menjadi sangat kecil sehingga hasil dari filtering terbalik penuh Gambar. 5.27 (a)
tidak berguna.
Gambar 5.27 (b) sampai (d) menunjukkan hasil pemotongan nilai rasio di luar radius 40, 70, dan
85, masing-masing. Pemotongan diimplementasikan dengan menerapkan rasio fungsi lowpass
Butterworth urutan 10. Ini memberikan transisi yang tajam (tapi mulus) pada Rasio dekat 70
menghasilkan hasil visual terbaik Gbr. 5.27 (c). Nilai radius di bawah yang cenderung ke arah
gambar kabur, seperti diilustrasikan pada Gambar 5.27 (b) yang diperoleh dengan menggunakan
jari-jari 40. Nilai di atas 70 mulai menghasilkan gambar yang terdegradasi, seperti diilustrasikan
pada Gambar 5.27 (d), yang diamati pada gambar. dilakukan dengan menggunakan radius 85.
98
6.
Minimum Mean Square Error (Wiener) Filtering
Minimum Mean Square Error (Wiener)
Filtering
membahas
pendekatan yang
menggabungkan fungsi degradasi dan karakteristik statistic noise ke dalam proses restorasi,
Metode ini didasarkan pada pertimbangan gambar dan noise sebagai variabel acak, dan tujuannya
adalah untuk menemukan perkiraan dari gambar yang tidak rusak f sehingga kesalahan kuadrat
rata-rata di antara mereka diminimalkan. Ukuran kesalahan ini diberikan dengan rumus
e2 = E5(f - f N) 2 6
Gambar 5.28 mengilustrasikan keuntungan pemfilteran Wiener dibandingkan pemfilteran terbalik
langsung. Gambar 5.28 (a) adalah hasil filter terbalik penuh dari Gambar 5.27 (a). Demikian pula,
Gambar 5.28 (b) adalah hasil filter terbalik terbatas secara radial dari Gambar, 5.27 (c). Gambargambar ini diduplikasi di sini untuk memudahkan perbandingan. Keuntungan pemfilteran Wiener
dibandingkan pendekatan invers langsung terbukti dalam contoh ini. kita melihat bahwa filter
Wiener memberikan hasil yang sangat mirip dengan gambar aslinya.
Gambar 5.28 Comparrison
Baris pertama dari gambar 5.29 menunjukkan, dari kiri ke kanan, gambar kabur sangat rusak oleh
Noise Gaussian aditif dari rata-rata nol dan varians 650; hasil pemfilteran terbalik langsung; dan
99
hasil Filing Wiener. Filter Wiener i dengan K dipilih secara interaktif untuk memberikan hasil
visual terbaik. Seperti yang diharapkan, filter terbalik menghasilkan gambar yang tidak dapat
digunakan. Perhatikan bahwa noise pada gambar yang difilter terbalik begitu kuat sehingga
strukturnya searah dengan filter deblurring. Hasil filter Wiener sama sekali tidak sempurna, tetapi
itu memberi kita petunjuk tentang konten gambar. Dengan sedikit kesulitan, teks tersebut dapat
dibaca. Baris kedua dari gambar 5.29 menunjukkan urutan yang sama, tetapi dengan tingkat
varians noise dikurangi satu urutan besarnya. Pengurangan ini memiliki sedikit efek pada filter
terbalik, tetapi hasil Wiener jauh lebih baik.
Faktanya, gambar 5.29 (g) tidak memiliki noise yang terlihat. Hasil filter invers menarik dalam
hal ini. Noise masih cukup terlihat, tetapi teks dapat dilihat melalui "tirai" noise.
Gambar 5.29 (h), filter terbalik cukup mampu menghilangkan keburaman pada gambar secara
esensial. Meski demikian, hasil suara masih mendominasi. Jika kita bisa "melihat" di balik noise
di gambar. 5.29 (b) dan (e), karakter juga akan menunjukkan sedikit keburaman. Hasil filter Wiener
pada gambar 5.29 (i) sangat baik, secara visual.
100
Gambar 5.29 8 bit image corrupt
7.
Constrained Least Squares Filtering
Perbedaan lainnya adalah Filter Wiener didasarkan pada meminimalkan kriteria statistik dan,
dengan demikian, ini optimal dalam arti rata-rata. Algoritma yang disajikan di bagian ini memiliki
fitur penting yang memberikan hasil optimal untuk setiap gambar yang diterapkan. Tentu saja,
penting untuk diingat bahwa kriteria optimalitas ini, meskipun secara teoritis memuaskan, tidak
terkait dengan dinamika persepsi visual. Akibatnya, pilihan satu algoritma di atas algoritma
101
lainnya hampir selalu ditentukan (setidaknya sebagian) oleh kualitas visual yang dirasakan dari
gambar yang dihasilkan. dapat diekspresikan dalam bentuk vektor-matriks:
g = Hf + H
Misalnya, misalkan ukurannya maka kita dapat membentuk N pertama elemen vektor g dengan
menggunakan elemen gambar di baris pertama, the elemen N berikutnya dari baris kedua, dan
seterusnya. Vektor yang dihasilkan akan memiliki dimensi Ini juga merupakan dimensi dari f dan
vektor-vektor ini adalah dibentuk dengan cara yang sama. Matriks H kemudian memiliki dimensi
Its elemen diberikan oleh elemen konvolusi. Masuk akal untuk sampai pada kesimpulan bahwa
masalah restorasi sekarang dapat direduksi menjadi manipulasi matriks sederhana. Sayangnya,
begitulah bukan kasusnya. Misalnya, kita bekerja dengan gambar medium ukuran;
Gambar 5.30 menunjukkan hasil pengolahan gambar. 5.29 (a), (d), dan (g) dengan filter kuadrat
terkecil terbatas, di mana nilai-nilai dipilih secara manual untuk memberikan hasil visual terbaik.
Ini adalah prosedur yang sama yang biasa kami hasilkan hasil penyaringan Wiener pada gambar
5.29 (c), (f), dan (i).
Gambar 5.30 Result of constrained
102
Gambar 5.31 (a) menunjukkan hasil yang diperoleh dengan menggunakan algoritma untuk
memperkirakan filter optimal nilai yang digunakan untuk faktor koreksi untuk penyesuaian adalah
dan nilai a adalah 0,25. Parameter Noise yang ditentukan sama dengan yang digunakan gambar
5.31 (b) menunjukkan apa dapat terjadi jika perkiraan yang salah dari parameter noise yang
digunakan. Pada kasus ini, varians noise yang ditentukan adalah dan mean dibiarkan pada nilai 0.
Gambar 5.31 Iterative determined
8. Geometric Mean Filter
Generalisasi dalam bentuk apa yang disebut filter rata-rata geometris:
Dengan α,β dan menjadi positif, konstanta nyata. Filter rata-rata geometris terdiri dari dua ekspresi
dalam tanda kurung yang dinaikkan ke pangkat dan masing-masing Saat filter ini direduksi
menjadi filter terbalik. Dengan filter muncul apa yang disebut filter Wiener parametrik, yang
direduksi menjadi standar Filter Wiener bila filter menjadi produk dari keduanya jumlah yang
dinaikkan ke pangkat yang sama, yang merupakan definisi dari geometri artinya, sehingga
103
memberi nama filter. Dengan penurunan di bawah 1 2, kinerja filter akan cenderung lebih ke arah
filter terbalik. Demikian pula, ketika di lipatan di atas 1 2, filter akan berperilaku lebih seperti filter
Wiener dan filter juga biasa disebut sebagai filter pemerataan spektrum.
9. Image Reconstruction from Projections
Pada bagian ini mengkaji masalah rekonstruksi gambar dari serangkaian proyeksi, dengan fokus
pada computed tomography (CT) sinar-X. Ini adalah jenis CT yang paling awal dan masih paling
banyak digunakan dan saat ini merupakan salah satu aplikasi utama pemrosesan citra digital dalam
pengobatan.
Masalah rekonstruksi pada prinsipnya sederhana dan dapat dijelaskan secara kualitatif dengan cara
yang lugas dan intuitif.
Untuk memulai, perhatikan:
Gambar 5.32 (a), yang terdiri dari satu objek dengan latar belakang seragam.
artinya untuk penjelasan berikut, anggaplah gambar ini adalah bagian silang dari wilayah 3-D
tubuh manusia.
Gambar 5.32 (b)). Proses memproyeksikan kembali sinyal 1-D melintasi area 2-D kadang-kadang
disebut sebagai mengoleskan proyeksi kembali melintasi area tersebut. Gambar 5.32 (c).
mengulangi prosedur yang dijelaskan di paragraf sebelumnya akan menghasilkan gambar proyeksi
balik dalam arah vertikal pada gambar 5.32 (d). rekonstruksi dengan menambahkan hasil ini ke
proyeksi belakang sebelumnya, gambar 5.32 (e). mengetahui bahwa objek yang diinginkan
terdapat dalam persegi yang ditunjukkan, yang amplitudonya adalah dua kali amplitudo proyeksi
mundur individu.
104
Gambar 5.32 Flat Region
Gambar 5.33. Saat jumlah proyeksi meningkat, kekuatan proyeksi balik yang tidak berpotongan
menurun relatif terhadap kekuatan kawasan tempat beberapa proyeksi mundur berpotongan. Efek
bersihnya adalah area yang lebih cerah akan mendominasi hasil, dan proyeksi belakang dengan
sedikit atau tanpa persimpangan akan memudar ke latar belakang saat gambar diskalakan untuk
tampilan.
Gambar 5.33 (f), dibentuk dari 32 proyeksi, mengilustrasikan konsep ini. Namun, perhatikan
bahwa meskipun gambar yang direkonstruksi ini merupakan perkiraan yang cukup baik untuk
bentuk objek aslinya, gambar diburamkan oleh efek "halo"
pada Gambar 5.33 (e) tampak sebagai "bintang" yang intensitasnya lebih rendah dari objek, tetapi
lebih tinggi dari latar belakang. Dengan bertambahnya jumlah tampilan, bentuk lingkaran cahaya
105
menjadi melingkar, gambar 5.33 (f). Pengaburan dalam konstruksi ulang CT merupakan masalah
penting, yang solusinya dibahas dalam bagian 5.11.5. Akhirnya, kami menyimpulkan proyeksi
berjarak 180 ° adalah bayangan cermin satu sama lain, jadi kita hanya perlu mempertimbangkan
kenaikan sudut setengah lingkaran untuk menghasilkan semua proyeksi yang diperlukan untuk
rekonstruksi.
Gambar 5.33 Reconstruction
106
Gambar 5.34 mengilustrasikan rekonstruksi menggunakan proyeksi mundur pada wilayah yang
sedikit lebih rumit yang berisi dua objek dengan sifat penyerapan yang berbeda.
Gambar 5.34 (b) menunjukkan hasil penggunaan satu proyeksi balik.
Gambar 5.34 (c) dan (d) menunjukkan rekonstruksi menggunakan dua proyeksi dengan jarak
masing-masing 90 ° dan empat proyeksi dengan jarak 45 °.
Gambar 5.34 (e) dan (f) menunjukkan rekonstruksi yang lebih akurat menggunakan 32 dan 64
backpro jections, masing-masing
Gambar 5.34 A region with two object
Principles of Computed Tomography (CT)
Tujuan dari computed tomography sinar-X adalah untuk mendapatkan representasi 3-D dari
struktur internal suatu objek dengan melakukan sinar-X pada objek tersebut dari berbagai arah.
107
Bayangkan rontgen dada tradisional, yang diperoleh dengan menempatkan subjek pada pelat
sensitif sinar-X dan "menerangi" orang tersebut dengan berkas sinar-X dalam bentuk kerucut. Pelat
sinar-X menghasilkan gambar yang intensitasnya pada suatu titik sebanding dengan energi sinarX yang mengenai titik tersebut setelah melewati subjek. Gambar ini setara 2-D dari proyeksi yang
kita bahas di bagian sebelumnya. Kita dapat memproyeksikan kembali seluruh gambar ini dan
membuat volume 3-D. Mengulangi proses ini melalui banyak sudut dan menambahkan proyeksi
ke belakang akan menghasilkan penampakan 3-D dari struktur rongga dada. Computed
tomography mencoba untuk mendapatkan informasi yang sama (atau bagian yang dilokalkan)
dengan menghasilkan irisan melalui tubuh. Representasi 3-D kemudian dapat diperoleh dengan
menumpuk irisan tersebut. Implementasi CT jauh lebih ekonomis, karena Jumlah detektor yang
dibutuhkan untuk mendapatkan potongan resolusi tinggi jauh lebih kecil daripada jumlah detektor
yang dibutuhkan untuk menghasilkan proyeksi 2-D lengkap dengan resolusi yang sama.
komputer digital membuatnya praktis. Landasan teoritis CT berasal dari Johann Radon, seorang
matematikawan dari Wina yang memperoleh metode pada tahun 1917 untuk memproyeksikan
objek 2-D sepanjang sinar paralel sebagai bagian dari karyanya pada garis tegak lurus. Metode
yang sekarang disebut secara umum sebagai transformasi Radon, Empat puluh lima tahun
kemudian, Allan M. Cormack, seorang fisikawan di Tufts University, sebagian "menemukan
kembali" konsep-konsep ini dan menerapkannya pada CT. Cormack menerbitkan temuan awalnya
pada tahun 1963 dan 1964 dan menunjukkan bagaimana mereka dapat digunakan untuk
merekonstruksi gambar penampang tubuh dari gambar sinar-X yang diambil pada arah sudut yang
berbeda. Dia memberikan rumus matematika yang diperlukan untuk rekonstruksi dan membuat
prototipe CT untuk menunjukkan kepraktisan ide-idenya. Bekerja secara mandiri, insinyur listrik
Godfrey N. Hounsfield dan rekan-rekannya di EMI di London merumuskan solusi serupa dan
108
membuat mesin CT medis pertama. Cormack dan Hounsfield berbagi Penghargaan Nobel 1979 di
bidang Kedokteran atas kontribusi mereka pada tomografi medis. Pemindai CT generasi pertama
(G1) menggunakan sinar X-ray "pensil" dan detektor tunggal, seperti yang ditunjukkan gambar
5.35 (a). Untuk sudut rotasi tertentu, sumber / detector pasangan diterjemahkan secara bertahap di
sepanjang arah linier yang ditunjukkan gambar 5.35 (b) beroperasi dengan prinsip yang sama
seperti pemindai G1, tetapi sinar yang digunakan berbentuk kipas. Hal ini memungkinkan
penggunaan beberapa detektor, sehingga memerlukan lebih sedikit terjemahan dari pasangan
sumber / detector Gambar 5.35 (c), pemindai G3 menggunakan kumpulan detektor yang cukup
panjang (dengan urutan 1000 detektor) untuk menutupi seluruh bidang pandang dari balok yang
lebih lebar. Akibatnya, setiap kenaikan sudut menghasilkan keseluruhan proyeksi, menghilangkan
kebutuhan untuk menerjemahkan pasangan sumber / detektor, seperti dalam geometri pemindai
G1 dan G2.
Fokus pada dasar-dasar pemrosesan gambar yang mendukung semua pendekatan CT mengenai
karakteristik mekanik dan sumber / detektor dari sistem CT.
109
Gambar 5.35 Four genertaion
Projections and the Radon Transform
Berikut ini, kami mengembangkan secara rinci matematika yang diperlukan untuk konstruksi
ulang gambar dalam konteks tomografi komputasi sinar-X, tetapi prinsip dasar yang sama dapat
diterapkan dalam modalitas pencitraan CT lainnya, seperti SPECT (single photon emission
tomography), PET (positron emission tomography), MRI (magnetic resonance imaging), dan
beberapa modalitas pencitraan ultrasound. Sebuah garis lurus dalam koordinat kartesius dapat
dijelaskan baik dengan bentuk perpotongan kemiringannya, atau, seperti pada gambar 26 dengan
representasi normalnya:
x cos ϴ+ y sin ϴ = r
110
Gambar 26
Gambar 27
111
Proyeksi berkas sinar paralel dapat dimodelkan dengan serangkaian garis seperti itu, seperti yang
ditunjukkan gambar 27. Titik sembarang dalam sinyal proyeksi diberikan oleh jumlah sinar di
sepanjang garis bekerja dengan ikatan kuanti kontinu untuk saat ini.
Gambar 5.39 (b) adalah sinogram dari persegi panjang di sebelah kiri. Sumbu vertikal dan
horizontal sesuai dengan dan masing-masing.
Gambar 5.39 (c) menunjukkan, gambar sintetis yang banyak digunakan yang dirancang untuk
mensimulasikan penyerapan area utama otak, termasuk tumor kecil.
Gambar 5.39 (d). menyimpulkan beberapa properti simetri, Analisis visual dari sinogram adalah
penggunaan praktis yang terbatas, tetapi terkadang sangat membantu dalam pengembangan
algoritma.
112
Gambar 5.39 two image
Gambar. 5.40 (a) dan (b), yang menunjukkan gambar proyeksi-belakang yang sesuai dengan
sinogram pada Gambar 5.39 (b) dan (d), masing-masing. Seperti gambar sebelumnya, kami
mencatat sejumlah besar keburaman, perbaikan signifikan dalam rekonstruksi dimungkinkan
dengan merumuskan kembali pendekatan proyeksi belakang.
113
Gambar 5.40
BackProjection
Pada bagian ini, kami memperoleh hasil fundamental yang berkaitan dengan bentuk Trans Fourier
1-D dari proyeksi dan transformasi Fourier 2-D dari wilayah tempat proyeksi diperoleh. Hubungan
ini menjadi dasar metode rekonstruksi yang mampu mengatasi masalah kabur yang baru saja
dibahas. Transformasi Fourier 1-D dari suatu proyeksi dengan rumus
Gambar 5.41. Seperti yang ditunjukkan gambar ini, transformasi Fourier 1-D dari proyeksi arbitrer
diperoleh dengan mengekstraksi nilai sepanjang garis yang diorientasikan pada sudut yang sama
dengan sudut yang digunakan untuk menghasilkan proyeksi. Pada prinsipnya, kita bisa
memperolehnya hanya dengan mendapatkan kebalikannya
114
Gambar 5.41 ilustration fourier slice
Reconstruction Using Parallel-Beam Filtered Backprojections
Gambar 5.42 (a)]. Fungsi ini tidak dapat diintegrasikan karena amplitudonya meluas ke kedua
arah, sehingga invers Transformasi Fourier tidak terdefinisi. Secara teoritis, ini ditangani dengan
metode seperti menggunakan apa yang disebut fungsi delta umum
Gambar 5.42 (b) menunjukkan representasi domain spasial, yang diperoleh dengan menghitung
transformasi Fourier inversnya. Seperti yang diharapkan, filter berjendela yang dihasilkan
menunjukkan pemberitahuan dapat berdering di domain spasial.
Perbedaan utama antara jendela Hamming dan Hann adalah bahwa di jendela Hamming titik
akhirnya adalah nol.
Gambar 5.42 (c) adalah plot jendela Hamming, dan gambar 5.42 (d) menunjukkan hasil kali
jendela ini dan filter ramp. Gambar 5.42 (e) menunjukkan representasi produk dalam domain
spasial, diperoleh seperti biasa dengan menghitung FFT terbalik.
115
Gambar 5.42 frequency domain
Gambar 5.43 (a) menunjukkan persegi panjang yang direkonstruksi menggunakan filter ramp.
Gambar 5.43 (c). Menggunakan jendela Hamming pada filter ramp sangat membantu dengan
masalah dering, dengan mengorbankan sedikit pengaburan,
Gambar. 5.43 (b) dan (d) acara. Perbaikan (bahkan dengan filter ramp tanpa windowing) terlihat
jelas.
116
Gambar 5.43 Filtered back projection
Gambar 5.44 (a). Menggunakan jendela Hamming menghasilkan gambar yang sedikit lebih halus,
Gambar 5.44 (b). Kedua hasil ini merupakan perbaikan yang cukup besar yang menggambarkan
lagi keuntungan signifikan yang melekat pada pendekatan proyeksi-balik yang disaring.
Gambar 5.44
117
Gambar 5.45 bahwa sinar pada berkas kipas dapat direpresentasikan sebagai garis, dalam bentuk
normal, yang merupakan pendekatan yang kami gunakan untuk merepresentasikan sinar dalam
geometri pencitraan berkas sejajar yang dibahas sebelumnya.
Gambar 5.45 Basic fan beam
Karena semua fungsi bersifat pe riodik, dengan periode batas integral luar dapat diganti dengan 0
dan masing-masing. Suku tersebut memiliki nilai maksimum, sesuai dengan nilai di atasnya (lihat
Gambar 5.46) sehingga kita dapat mengganti batasnya dari integral dalam dengan dan masingmasing.
118
Gambar 5.47 Polar Representation
Gambar 5.48 (a) menunjukkan hasil (1) proyeksi kipas pembangkit dari citra rec tangle dengan (2)
mengubah setiap sinar kipas menjadi sinar paralel yang sesuai menggunakan pendekatan proyeksi
balik tersaring yang dikembangkan untuk sinar paralel. Gambar 5.48 (b) sampai (d) menunjukkan
hasil menggunakan kenaikan 0,5 °, 0,25 °, dan 0,125 °. Jendela Hamming digunakan dalam semua
kasus. Variasi kenaikan sudut ini digunakan untuk menggambarkan efek pengambilan sampel
yang kurang.
Gambar 5.48 (c), dengan pertambahan sudut 0,25 °, rekonstruksi menggunakan kenaikan sudut
dengan urutan 0,125 ° sebelum keduanya hasil menjadi sebanding,
Gambar 5.48 (d). Penambahan sudut ini menghasilkan proyeksi dengan sampel, yang mendekati
sinar 849 yang digunakan dalam proyeksi paralel
119
Gambar 5.48 reconstruction of the rectangle
Kita melihat pada Gambar 5.49 (c) bahwa bahkan dengan distorsi yang signifikan masih ada,
terutama di pinggiran elips. Seperti persegi panjang, akhirnya menggunakan kelipatan 0,125 °
menghasilkan hasil yang sebanding dengan gambar proyeksi belakang kepala hantu pada Gambar
5.44 (b). Hasil ini menggambarkan salah satu alasan utama mengapa ribuan detektor harus
digunakan dalam geometri berkas kipas sistem CT modern di untuk mengurangi artefak aliasing.
Gambar 5.49 Reconstruction
120
Johann Radon
121
ALLAN Macleod Cormark
122
Bab 6
COLOR IMAGE PROCESSING
Penggunaan warna dalam pengolahan citra dimotivasi oleh dua faktor utama. Pertama, warna
adalah keterangan yang sering kali menyederhanakan identifikasi objek Kedua, manusia bisa
membedakan ribuan warna corak dan intensitas, dibandingkan dengan hanya sekitar dua lusin
corak abu-abu. Ini faktor kedua sangat penting dalam analisis citra manual (yaitu, bila dilakukan
oleh manusia). Pemrosesan gambar berwarna dibagi menjadi dua area utama: warna penuh dan
pemrosesan pseudocolor. Di kategori pertama, gambar yang dimaksud biasanya diperoleh dengan
sensor warna penuh, seperti kamera TV berwarna atau pemindai warna.
Dalam kategori kedua, masalahnya adalah salah satu pemberian warna pada intensitas monokrom
tertentu atau rentang intensitas. Sampai saat ini,sebagian besar pemrosesan citra berwarna digital
dilakukan pada tingkat pseudocolor. teknik pemrosesan gambar sekarang digunakan dalam
berbagai aplikasi, termasuk penerbitan, visualisasi, dan internet.
Color Fundamentals
Pada tahun 1666, Sir Isaac Newton menemukan bahwa ketika seberkas sinar matahari melewati
prisma kaca, berkas cahaya yang muncul tidak berwarna putih tetapi terdiri dari spektrum warna
yang terus menerus mulai dari ungu di satu ujung hingga merah di ujung lainnya. Seperti yang
ditunjukkan Gambar.6.1, spektrum warna dapat dibagi menjadi enam wilayah besar: ungu, biru,
hijau, kuning, oranye, dan merah. Jika dilihat dalam warna penuh (gbr.6.2), tidak ada warna dalam
spektrum yang berakhir tiba-tiba, melainkan setiap warna menyatu dengan mulus ke warna
berikutnya. Pada dasarnya, warna yang dilihat manusia dan beberapa hewan lain dalam suatu objek
ditentukan oleh sifat cahaya yang dipantulkan dari objek. Seperti yang diilustrasikan pada gambar
2, cahaya tampak terdiri dari pita frekuensi yang relatif sempit dalam spektrum elektromagnetik.
Sebuah benda yang memantulkan cahaya yang seimbang di semua panjang gelombang yang
123
terlihat tampak putih bagi pengamat. Namun, benda yang menyukai pantulan dalam rentang
terbatas spektrum yang terlihat menunjukkan beberapa corak warna. Misalnya, objek berwarna
hijau memantulkan cahaya dengan panjang gelombang terutama dalam rentang 500 hingga 570
nm sambil menyerap sebagian besar energi pada panjang gelombang lain
Gambar 6.1 Spectrum Warna
Gambar 6.2. Panjang gelombang rentang spektrum elektromagnetik
Karakterisasi cahaya sangat penting dalam ilmu warna. Jika cahayanya achromatic (hampa warna),
atribut satu-satunya adalah intensitas, atau jumlahnya. Cahaya Achro matic adalah apa yang dilihat
pemirsa di televisi hitam putih, dan sejauh ini telah menjadi komponen implisit tentang
pemrosesan gambar. ukuran skalar dari intensitas yang berkisar dari hitam, ke abu-abu, dan
124
akhirnya ke putih. Cahaya kromatik menjangkau spektrum elektromagnetik dari sekitar 400 hingga
700 nm. Tiga kuantitas dasar digunakan untuk mendeskripsikan kualitas sumber cahaya kromatik:
pancaran, luminansi, dan kecerahan. Pancaran adalah jumlah total energi yang mengalir dari
sumber cahaya, dan biasanya diukur dalam watt (W). Luminans, memberikan ukuran jumlah
energi yang diamati pengamat dari sumber cahaya. Misalnya, cahaya yang dipancarkan dari
sumber yang beroperasi di wilayah inframerah jauh dari spektrum cahaya dapat memiliki energi
yang signifikan (pancaran), luminansinya akan hampir nol. Luminans diukur dalam lumens (lm).
Kecerahan adalah deskriptor subyektif yang secara praktis tidak mungkin diukur. Ini mewujudkan
gagasan akromatik tentang intensitas dan merupakan salah satu faktor kunci dalam
menggambarkan sensasi warna. Gambar 3 menunjukkan kurva eksperimental rata-rata yang
merinci penyerapan cahaya oleh kerucut merah, hijau, dan biru di mata.
Gambar 6.3. Kurva eksperimental penyerapan cahaya merah,hijau dan biru
Karena karakteristik penyerapan ini mata manusia, warna dipandang sebagai kombinasi variabel
yang disebut warna primer merah (R), hijau (G), dan biru (B). Untuk tujuan standarisasi, CIE
(Commission Internationale de l'Eclairage — the International Commis sion on Illumination)
125
menetapkan pada tahun 1931 nilai panjang gelombang spesifik berikut untuk tiga warna primer:
dan Standar ini ditetapkan sebelum kurva eksperimental terperinci ditunjukkan pada gambar.3
menjadi tersedia pada tahun 1965. Dengan demikian, standar CIE hanya sesuai dengan data
ksperimen. Kami mencatat dari gambar 2 dan 3. bahwa tidak ada satu warna pun yang dapat
disebut merah, hijau, atau biru. Juga, penting untuk diingat bahwa memiliki tiga panjang
gelombang warna primer khusus untuk tujuan standarisasi tidak berarti bahwa tiga komponen
RGB tetap yang bekerja sendiri ini dapat menghasilkan semua warna spektrum. Warna primer
dapat ditambahkan untuk menghasilkan warna sekunder terang — magenta (merah plus biru), cyan
(hijau plus biru), dan kuning (merah plus hijau). Mencampur tiga warna primer, atau warna
sekunder dengan warna primer kebalikannya, dalam intensitas yang tepat akan menghasilkan
cahaya putih. Hasil ini ditunjukkan pada gambar .4 (a,b), yang juga mengilustrasikan tiga warna
primer dan kombinasinya untuk menghasilkan warna sekunder.
Gambar 4(a,b) warna primer dan kombinasi
126
Membedakan antara warna primer cahaya dan warna primer pigmen atau pewarna itu penting.
Yang terakhir, warna primer didefinisikan sebagai warna yang mengurangi atau menyerap warna
primer cahaya dan memantulkan atau mentransmisikan dua warna lainnya. Oleh karena itu, warna
primer pigmen adalah magenta, cyan, dan kuning, sedangkan warna sekunder adalah merah, hijau,
dan biru. Warna-warna ini ditunjukkan pada gambar.4 (b). Kombinasi yang tepat dari tiga primer
pigmen, atau sekunder dengan primer kebalikannya, menghasilkan hitam. Penerimaan televisi
berwarna adalah contoh sifat aditif dari lampu col atau. Bagian dalam layar TV berwarna CRT
(tabung sinar katoda) terdiri dari serangkaian besar pola titik segitiga fosfor sensitif elektron. Jika
disebutkan, setiap titik dalam tiga serangkai menghasilkan cahaya di salah satu warna primer.
Intensitas titik fosfor pemancar merah dimodulasi oleh pistol elektron di dalam tabung, yang
menghasilkan pulsa yang sesuai dengan "energi merah" yang terlihat oleh kamera TV. Titik fosfor
hijau dan biru di setiap triad dimodulasi dengan cara yang sama. Efeknya, dilihat di penerima
televisi, adalah bahwa tiga warna primer dari setiap triad fosfor "ditambahkan" bersama-sama dan
diterima oleh kerucut peka warna di mata sebagai gambar berwarna. Tiga puluh perubahan gambar
berturut-turut per detik dalam ketiga warna melengkapi ilusi tampilan gambar berkelanjutan di
layar. Layar CRT digantikan oleh teknologi digital "panel datar", seperti layar kristal cair (LCD)
dan perangkat plasma. Meskipun secara mental mereka berbeda dari CRT, teknologi ini dan
teknologi serupa menggunakan prinsip yang sama dalam arti bahwa mereka semua membutuhkan
tiga subpiksel (merah, hijau, dan biru) untuk menghasilkan satu piksel warna. LCD menggunakan
sifat cahaya terpolarisasi untuk memblokir atau melewatkan cahaya melalui layar LCD dan, dalam
kasus teknologi tampilan matriks aktif, transistor film tipis (TFT) digunakan untuk memberikan
sinyal yang tepat untuk mengatasi setiap piksel di layar. Filter cahaya digunakan untuk
menghasilkan tiga warna primer cahaya di setiap lokasi triad piksel. Dalam unit plasma, piksel
127
adalah sel gas kecil yang dilapisi dengan fosfor untuk menghasilkan salah satu dari tiga warna
utama. Sel-sel individu ditangani dengan cara yang mirip dengan LCD. Kemampuan pengalamatan
koordinat triad piksel individu ini adalah dasar dari tampilan digital. Ciri-ciri yang umumnya
digunakan untuk membedakan satu warna dengan warna lainnya adalah kecerahan, hue, dan
saturasi. Seperti yang ditunjukkan sebelumnya di bagian ini, kecerahan mewujudkan gagasan
akromatis tentang intensitas. Hue adalah atribut yang terkait dengan panjang gelombang dominan
dalam campuran gelombang cahaya. Hue merepresentasikan warna dominan yang dirasakan oleh
pengamat. Jadi, ketika kita menyebut sebuah objek merah, oranye, atau kuning, yang kita maksud
adalah rona. Saturasi mengacu pada kemurnian relatif atau jumlah cahaya putih yang tercampur
dengan suatu corak. Warna spektrum murni sepenuhnya tersaturasi. Warna seperti merah muda
(merah dan putih) dan lavender (ungu dan putih) kurang jenuh, dengan derajat kejenuhan yang
berbanding terbalik dengan jumlah cahaya putih yang ditambahkan. Hue dan saturasi yang
disatukan disebut kromatisitas, dan oleh karena itu, warna dapat dicirikan oleh kecerahan dan
kromatisitasnya. Jumlah merah, hijau, dan biru yang dibutuhkan untuk membentuk warna tertentu
disebut tristimulus dan dilambangkan masing-masing, X, Y, dan Z. Sebuah warna kemudian
ditentukan oleh koefisien trikromatiknya, yang didefinisikan sebagai
128
Pendekatan lain untuk menentukan warna adalah dengan menggunakan kromatisitas CIE diagram
(gambar 5), yang menunjukkan komposisi warna sebagai fungsi dari x (merah) dan y (hijau).
Untuk setiap nilai x dan y, nilai yang sesuai dari z (biru) diperoleh dari Persamaan. (6.1-4) dengan
mencatat bahwa titik yang ditandai hijau pada gambar 5, misalnya, memiliki sekitar 62% hijau dan
25% kemerahan. Dari Persamaan. (6.1-4), komposisi biru kira-kira 13%. Posisi berbagai warna
spektrum — dari ungu pada 380 nm hingga merah pada 780 nm — ditunjukkan di sekitar batas
diagram kromatisitas berbentuk lidah. Ini adalah warna-warna murni yang ditunjukkan pada
spektrum gambar 2. Titik mana pun tidak benar-benar di perbatasan tetapi di dalam diagram
mewakili beberapa campuran warna spektrum. Titik energi yang sama yang ditunjukkan pada
gambar 5 sesuai dengan pecahan yang sama dari tiga warna primer; itu mewakili standar CIE untuk
cahaya putih. Setiap titik yang terletak di batas diagram chro maticity sudah jenuh penuh. Saat
sebuah titik meninggalkan batas dan mendekati titik energi yang sama, lebih banyak cahaya putih
ditambahkan ke warna dan menjadi kurang jenuh. Saturasi pada titik energi yang sama adalah nol.
Diagram kromatisitas berguna untuk pencampuran warna karena segmen garis lurus yang
menghubungkan dua titik mana pun dalam diagram mendefinisikan semua variasi warna yang
berbeda yang dapat diperoleh dengan menggabungkan kedua warna ini secara aditif.
Pertimbangkan, misalnya, garis lurus yang ditarik dari titik merah ke titik hijau yang ditunjukkan
pada gambar 5. Jika ada lebih banyak lampu merah daripada lampu hijau, titik persis yang
mewakili warna baru akan berada di ruas garis, tetapi akan lebih dekat ke titik merah daripada ke
titik hijau.
129
Gambar 6.5 Chromaticity Diagram
Begitu pula dengan garis yang ditarik dari titik yang sama energi ke titik mana pun di batas grafik
akan menentukan semua bayangan warna spektrum tertentu itu. Perpanjangan prosedur ini menjadi
tiga warna sangat mudah kisaran warna yang dapat diperoleh dari tiga warna tertentu di diagram
kromatisitas, kita cukup menggambar garis penghubung ke masing-masing dari ketiganya titik
warna. Hasilnya adalah segitiga, dan warna apa pun di perbatasan atau di dalamnya segitiga dapat
dihasilkan dengan berbagai kombinasi dari tiga kolom awal. Segitiga dengan simpul pada tiga
warna tetap tidak bisa menutupi keseluruhan wilayah warna pada gambar 6.5. Pengamatan ini
mendukung secara grafis pernyataan yang dibuat sebelumnya bahwa tidak semua warna dapat
diperoleh dengan tiga primer tunggal yang tetap. Segitiga pada gambar.6.6 menunjukkan rentang
warna yang khas (disebut warna gamut) yang diproduksi oleh monitor RGB. Daerah tak beraturan
di dalam segitiga mewakili gamut warna dari cetakan warna berkualitas tinggi saat ini perangkat.
130
Batas gamut pencetakan warna tidak beraturan karena berwarna pencetakan adalah kombinasi dari
pencampuran warna aditif dan subtraktif, sebuah proses yang jauh lebih sulit untuk dikendalikan
daripada menampilkan warna pada monitor, yang didasarkan pada penambahan tiga lampu yang
sangat terkontrol
Gambar 6. 6 Type Warna
Model Warna (Color Model)
Tujuan model warna (juga disebut ruang warna atau sistem warna) adalah untuk memfasilitasi
spesifikasi warna dalam beberapa cara standar yang diterima secara umum. Intinya, model warna
131
adalah spesifikasi sistem koordinat dan subruang dalam sistem itu di mana setiap warna diwakili
oleh satu titik. Sebagian besar model warna yang digunakan saat ini berorientasi pada perangkat
keras (seperti untuk monitor dan printer warna) atau menuju aplikasi di mana manipulasi warna
adalah tujuannya (seperti dalam pembuatan grafik berwarna untuk animasi). Dalam hal
pemrosesan citra digital, model berorientasi perangkat keras yang paling umum digunakan dalam
praktik adalah model RGB (merah, hijau, biru) untuk monitor warna dan kamera video berwarna;
CMY (cyan,magenta,kuning) dan model CMYK (cyan, magenta, kuning, hitam) untuk pencetakan
berwarna; dan model HSI (hue, saturation, intensitas), yang berhubungan erat dengan cara manusia
mendeskripsikan dan menafsirkan warna. Model HSI juga memiliki keunggulan yang memisahkan
warna dan informasi skala abu-abu dalam gambar,membuatnya cocok untuk banyak teknik skala
abu-abu yang dikembangkan dalam hal ini.
RGB COLOR MODEL
Dalam model RGB, setiap warna muncul dalam komponen spektral utamanya merah, hijau, dan
biru. Model ini didasarkan pada sistem koordinat Kartesius. Subruang warna yang diinginkan
adalah kubus yang ditunjukkan pada gambar 6.7, di mana nilai primer RGB berada di tiga sudut;
warna sekunder cyan, magenta, dan yel low ada di tiga sudut lainnya; hitam di asalnya; dan putih
di pojok terjauh dari asalnya. Dalam model ini, skala abu-abu (titik-titik dengan RGB yang sama
nilai) meluas dari hitam ke putih di sepanjang garis yang menghubungkan dua titik ini.
Warna yang berbeda dalam model ini adalah titik-titik di dalam atau di dalam kubus, dan
ditentukan oleh vektor yang memanjang dari asalnya. Untuk kenyamanan, asumsinya adalah
bahwa semua nilai warna telah dinormalisasi sehingga kubus seperti yang ditunjukkan pada
Gambar.7 adalah kubus satuan. Artinya, semua nilai R, G, dan B diasumsikan berada di kisaran
[0, 1].
132
Gambar 6.7. Skema Warna RGB
Gambar 6.8. RGB 24 Bit Color
Gambar yang direpresentasikan dalam model warna RGB terdiri dari tiga komponen gambar, satu
untuk setiap warna primer. Saat dimasukkan ke monitor RGB, ini tiga gambar digabungkan di
layar untuk menghasilkan gambar warna komposit. Jumlah bit yang digunakan untuk mewakili
setiap piksel ruang RGB disebut kedalaman piksel. Pertimbangkan gambar RGB di mana masingmasing gambar merah, hijau, dan biru adalah gambar 8-bit. Dalam kondisi tersebut masing-masing
Piksel warna RGB [yaitu, triplet nilai (R, G, B)] dikatakan memiliki kedalaman 24 bits (3 image
planes dikalikan jumlah bits per plane). Istilah full-color gambar sering digunakan untuk
menunjukkan gambar warna RGB 24-bit. Jumlah total warna pada citra RGB 24-bit adalah
Gambar.8 menunjukkan 24-bit Kubus warna RGB sesuai dengan diagram pada Gambar.6.7,
Kubus yang ditunjukkan pada Gambar.6.8 adalah sebuah benda padat, terdiri dari warna yang
disebutkan di paragraf sebelumnya. Cara mudah untuk melihatnya warna untuk menghasilkan
bidang warna (wajah atau penampang kubus). Ini adalah dicapai hanya dengan memperbaiki salah
133
satu dari tiga warna dan membiarkan yang lainnya dua untuk bervariasi. Misalnya, bidang
penampang melalui pusat kubus dan sejajar dengan bidang GB pada gambar 6. 8 adalah bidang
(127, G, B) untuk Di sini kami menggunakan nilai piksel aktual daripada nilai normalisasi
matematis nyaman dalam kisaran [0, 1] karena nilai sebelumnya adalah nilai yang sebenarnya
digunakan di komputer untuk menghasilkan warna.
Gambar.6.9 (a) menunjukkan bahwa gambar bidang penampang dilihat secara sederhana dengan
memasukkan tiga gambar komponen individu ke dalam monitor warna. Dalam gambar komponen,
0 mewakili hitam dan 255 mewakili putih (perhatikan itu ini adalah gambar skala abu-abu).
Akhirnya, Gambar 6.9 (b) menunjukkan tiga permukaan tersembunyi bidang kubus pada
Gambar.8, dihasilkan dengan cara yang sama. Menarik untuk dicatat bahwa memperoleh gambar
berwarna pada dasarnya adalah proses ditunjukkan pada gambar.6.9 secara terbalik. Gambar
berwarna dapat diperoleh dengan menggunakan tiga filter, masing-masing sensitif terhadap merah,
hijau, dan biru. Saat kita melihat pemandangan warna dengan kamera monokrom yang dilengkapi
dengan salah satu filter ini, hasilnya adalah citra monokrom yang intensitasnya sebanding dengan
respon filter tersebut. Mengulangi proses ini dengan setiap filter menghasilkan tiga gambar
monokrom yang merupakan gambar komponen RGB dari pemandangan warna. (Dalam praktek,
Sensor gambar warna RGB biasanya mengintegrasikan proses ini ke dalam satu perangkat.)
Jelas, menampilkan tiga gambar komponen RGB ini dalam bentuk yang ditunjukkan pada
Gambar 6.9 (a) akan menghasilkan penampakan warna RGB dari pemandangan warna aslinya. ■
134
Gambar 6.9 RGB
Sementara kartu layar dan monitor kelas atas memberikan rendisi yang masuk akal warna dalam
gambar RGB 24-bit, banyak sistem yang digunakan saat ini terbatas pada 256 warna. Juga, ada
banyak aplikasi yang membuatnya tidak masuk akal untuk menggunakan lebih dari beberapa ratus,
dan terkadang lebih sedikit, warna. Baik contoh ini disediakan oleh teknik pemrosesan gambar
pseudocolor. Mengingat berbagai sistem yang digunakan saat ini, itu adalah sangat tertarik untuk
memiliki subset warna yang kemungkinan akan direproduksi dengan tepat, secara wajar terlepas
dari kemampuan perangkat keras penampil. Subset warna ini disebut kumpulan warna RGB aman,
atau kumpulan semua warna aman sistem. Dalam aplikasi Internet, mereka disebut warna Web
yang aman atau warna browser yang aman. Dengan asumsi 256 warna adalah jumlah warna
minimum itu dapat direproduksi dengan setia oleh sistem apa pun di mana hasil yang diinginkan
cenderung terjadi ditampilkan, akan berguna untuk memiliki notasi standar yang diterima sebagai
135
acuan warna-warna ini. Empat puluh dari 256 warna ini diketahui diproses secara berbeda oleh
berbagai sistem operasi, hanya menyisakan 216 warna yang umum untuk sebagian besar sistem.
216 warna ini telah menjadi standar de facto untuk warna yang aman,terutama pada aplikasi
Internet. Mereka digunakan kapan pun itu diinginkan warna yang dilihat oleh kebanyakan orang
tampak sama
Tabel 6.1 Valid Value Of each RGB
Gambar.6.10 (a) menunjukkan 216 warna aman, diatur dalam nilai RGB yang menurun. Kotak
dalam larik kiri atas memiliki nilai FFFFFF (putih), yang kedua kotak di sebelah kanannya bernilai
FFFFCC, kotak ketiga bernilai FFFF99, dan begitu seterusnya untuk baris pertama. Baris kedua
dari larik yang sama memiliki nilai FFCCFF, FFCCCC, FFCC99, dan seterusnya. Kuadrat terakhir
dari larik itu memiliki nilai FF0000 (merah seterang mungkin). Larik kedua di sebelah kanan yang
baru saja diperiksa dimulai dengan nilai CCFFFF dan dilanjutkan dengan cara yang sama, seperti
halnya empat array lainnya yang tersisa. Kuadrat terakhir (kanan bawah) dari larik terakhir
memiliki nilai 000000 (hitam). Penting untuk dicatat bahwa tidak semua abu-abu 8-bit
memungkinkan warna termasuk dalam 216 warna aman. Gambar 6.10 (b) menunjukkan kode hex
untuk semua kemungkinan warna abu-abu dalam sistem RGB 256 warna. Beberapa nilai ini berada
di luar kumpulan warna aman tetapi terwakili dengan benar (dalam istilah intensitas relatifnya)
oleh sebagian besar sistem tampilan. Abu-abu dari brankas kelompok warna, untuk 3, 6, 9, C, F,
ditampilkan dengan garis bawah Gambar 6.10 (b).
Gambar 6.11 menunjukkan kubus warna aman RGB. Berbeda dengan kubus dalam warna penuh
136
Gambar 6.8 yang merupakan padatan, kubus pada Gambar 6.11 memiliki warna yang valid hanya
pada bidang permukaan. Seperti yang ditunjukkan pada Gambar 10, 6.10 (a), setiap bidang
memiliki total 36 warna, jadi seluruh permukaan kubus warna aman ditutupi oleh 216 warna
berbeda, seperti diharapkan.
Gambar 6.10 RGB Color
CMY dan CMYK Color Model
Sebagian besar perangkat yang menyimpan pigmen berwarna di atas kertas, seperti printer warna
dan mesin fotokopi, memerlukan input data CMY atau melakukan konversi RGB ke CMY
secara internal. Konversi ini dilakukan dengan menggunakan operasi sederhana
di mana, sekali lagi, asumsinya adalah bahwa semua nilai warna telah dinormalisasi menjadi
kisaran [0, 1]. Persamaan (6.2-1) menunjukkan bahwa cahaya yang dipantulkan
137
Gambar 6. 11 RG Safe Color Cube
Gambar.6.12 Konsep hubungan antara RGB dan HSI Color Model
138
Gambar 6.13 Corak dan saturasi dalam model warna HIS
139
Gambar 6.14 HIS COLOR MODEL
140
Gambar 6.15 HIS Componen
Gambar 6. 16 RGB IMAGE
141
Gambar 6.17 Modifikasi HIS Componen
Gambar 6.18 Geometric interpretation
142
Gambar 6.19 Intensity
Gambar 6.20 Monochrome image
143
Gambar 6.21 Monochrome xray image
Gambar 6.22 Gray scale Image
144
Gambar 6.23 Functional Block Pseudocolor
Gambar 6.24 Pseudocolor enhacement
145
Gambar 6.25 Tranformation
146
Gambar 6.26 Pseudolor
Gambar 6.27 Image Band
147
Gambar 6.28 Pseudocolor Rendition
148
Gambar 6.29 spasial mask for gray scale
Gambar 6.30 A full color
149
Gambar 6.31Adjusting
Gambar 6.32
150
Gambar 6.33 color complement
Gambar 6.34 clor sclicing
151
Gambar 6.35 Toanl Correction
152
Gambar 6.36 color balancing
153
Gambar 6.37 Histogram Equalization
Gambar 6.38 &6.39 Histogram Equalization
154
Gambar 6. 40 Image Smoothing
Gambar 6.41 Image Sharpening
155
Gambar 6.42 Image segmentation
156
Gambar 43
Gambar 6.44 Segemnetation RGB Space
157
Gambar 6.45 RGB Image
Gambar 6.46 RGB Image
158
Gambar 6.47 Componen Gradie iamges
Gambar 6.48 Red , Green Blue
159
Gambar 6.49
Gambar 6.50
160
Gambar 6.51 Color Image
161
Bab 7
Wavelets and Multiresolution Processing
Transformasi Fourier telah menjadi andalan pemrosesan gambar berbasis transformasi sejak akhir
1950-an, transformasi yang lebih baru, yang disebut transformasi wavelet, kini membuatnya lebih
mudah untuk memampatkan, mengirimkan, dan menganalisis banyak gambar.
Berbeda dengan transformasi Fourier hanya menyediakan catatan atau informasi frekuensi;
informasi temporal hilang dalam proses transformasi. Transformasi wavelet didasarkan pada
gelombang kecil, yang disebut wavelet, dengan frekuensi yang berbeda-beda dan durasi yang
terbatas.
Pada tahun 1987, wavelet pertama kali terbukti menjadi dasar dari pendekatan baru yang kuat
untuk pemrosesan dan analisis sinyal yang disebut teori multiresolusi (Mallat [1987]). Teori
multiresolusi menggabungkan dan menyatukan teknik dari berbagai disiplin ilmu, termasuk
pengkodean subband dari pemrosesan sinyal, pemfilteran cermin kuadrat dari pengenalan suara
digital, dan pemrosesan gambar piramidal.
Sesuai dengan namanya, teori multiresolusi berkaitan dengan representasi dan analisis sinyal (atau
gambar) pada lebih dari satu resolusi. Daya tarik pendekatan semacam itu jelas — fitur yang
mungkin tidak terdeteksi pada satu resolusi mungkin mudah dideteksi pada resolusi lain.
Bagian terbesar dari bab ini difokuskan pada pengembangan dan penggunaan transformasi wavelet
diskrit. Untuk mendemonstrasikan kegunaan transformasi, contoh mulai dari pengkodean gambar
hingga penghilangan noise dan deteksi tepi disediakan. Dari sudut pandang matematis, gambar
adalah array dua dimensi dengan nilai intensitas dengan statistik yang bervariasi secara lokal yang
dihasilkan dari kombinasi fitur mendadak yang berbeda seperti tepi dan daerah homogen yang
kontras. Seperti yang diilustrasikan pada gambar 7.1.section — histogram lokal dapat bervariasi
secara signifikan dari satu bagian gambar ke gambar lainnya..
162
Gambar 7.1 Image and local Histogram
IMAGE PYRAMID
Sebuah struktur yang kuat, namun sederhana secara konseptual untuk merepresentasikan gambar
pada lebih dari satu resolusi adalah piramida gambar (Burt dan Adelson [1983]). Awalnya
dirancang untuk visi mesin dan aplikasi kompresi gambar, piramida gambar adalah kumpulan
gambar dengan resolusi menurun yang disusun dalam bentuk piramida. Seperti dapat dilihat pada
Gambar 7.2 (a), dasar piramida berisi representasi resolusi tinggi dari gambar yang sedang
diproses; aspeks berisi perkiraan resolusi rendah. Saat Anda naik ke atas piramida, ukuran dan
resolusi menurun. Tingkat dasar adalah ukuran atau di mana puncak tingkat 0 adalah ukuran dan
tingkat umum adalah ukuran di mana meskipun piramida yang ditunjukkan pada gambar 7.2 (a)
terdiri dari tingkat resolusi dari ke sebagian besar gambar, piramida dipotong ke tingkat, di mana
dan artinya, kami biasanya membatasi diri pada perkiraan resolusi yang dikurangi dari gambar
asli; a (yaitu, piksel tunggal) perkiraan suatu gambar, misalnya, bernilai kecil jumlah total piksel
dalam piramida tingkat untuk adalah
163
Gambar 7.2 Image Piramid
Gambar 7.3 Image 2 Piramid
164
Subband Coding
Teknik pencitraan penting lainnya yang terkait dengan analisis multiresolusi adalah pengkodean
subband. Dalam pengkodean subband, sebuah gambar diuraikan menjadi satu set komponen
bandlimited, yang disebut subbands. Penguraian dilakukan agar subband dapat dipasang kembali
untuk merekonstruksi gambar asli tanpa kesalahan
Gambar 7.9 Four band
165
Gambar 7.10
166
Gambar 7.16
167
Gambar 7.25
168
Gambar 7.26
169
Gambar 7.27
170
Gambar 7.28
171
Gambar 7.36 Scanned Finger print
Gambar 7.38
172
Bab 8
Image Compresion
1. Fundamental
•
•
•
•
•
2.
Coding Redudancy
Spatial Temporal Redudancy
Irrelevan Information
Image Compression Model
Image Formal, container and compression standar
Some Basic Compression Methode
Huffman Coding
Golom coding
Arithmetic coding
LZW Coding
Run length coding
Symbol base Coding
Bit Plane Coding
Block transform Coding
Predictive Coding
Wavelet Coding
Pendahuluan
Kompresi gambar (Image Compression), seni dan ilmu mengurangi jumlah data yang dibutuhkan
untuk mewakili gambar, adalah salah satu yang paling berguna dan sukses secara komersial
teknologi di bidang pengolahan citra digital. Jumlah gambar itu dikompresi dan didekompresi
setiap hari. Siapapun yang memiliki kamera digital, menjelajahi web, atau menonton film
Hollywood terbaru pada Digital Video Disk (DVD) mendapatkan keuntungan dari algoritma .
Untuk lebih memahami kebutuhan akan representasi gambar yang ringkas, pertimbangkan jumlah
data yang diperlukan untuk mewakili definisi standar (SD) televisi menggunakan array bit pixel.
Film digital (atau 5video) adalah urutan bingkai video di mana setiap bingkai adalah gambar diam
berwarna gambar. Karena pemutar video harus menampilkan bingkai secara berurutan dengan
kecepatan mendekati 30 fps (frame per detik), data video digital SD harus diakses di
173
atau 224 GB (gigabyte) data. Menempatkan film dua jam tentang DVD tunggal, setiap frame harus
dikompresi — secara rata-rata — dengan faktor 26,3. Kompresi harus lebih tinggi untuk televisi
untuk ukuran (HD), di mana resolusi gambar mencapai halaman web dan foto kamera digital
resolusi tinggi juga dikompresi secara rutin untuk menghemat ruang penyimpanan dan mengurangi
waktu transmisi. Misalnya, koneksi Internet perumahan mengirimkan data dengan kecepatan
mulai dari 56 Kbps (kilobit per detik) melalui saluran telepon konvensional ke lebih dari 12 Mbps
(megabit per detik) untuk broadband. Waktu yang dibutuhkan untuk mengirimkan sedikit bit
gambar berwarna penuh pada kisaran kecepatan ini dari 7.0 hingga 0,03 detik. Kompresi dapat
mengurangi waktu transmisi dengan faktor 2 hingga 10 atau lebih. Dengan cara yang sama, jumlah
gambar penuh warna yang tidak terkompresi kamera digital 8-megapiksel dapat menyimpan pada
kartu memori flash 1-GB, sekitar empat puluh satu gambar berukuran 24 MB (megabyte)] dapat
ditingkatkan dengan cara yang sama.
Aplikasi kompresi gambar memainkan peran penting dalam banyak aplikasi lainnya area,
termasuk konferensi televideo, penginderaan jauh, dokumen, dan medis pencitraan, dan transmisi
faksimili (FAX). Peningkatan jumlah aplikasi bergantung pada manipulasi, penyimpanan, dan
transmisi biner yang efisien, skala abu-abu, dan gambar berwarna.
174
Fundamental
Istilah kompresi data mengacu pada proses pengurangan jumlah data yang diperlukan untuk
mewakili jumlah informasi tertentu. Dalam definisi ini, data dan informasi bukanlah hal yang
sama; data adalah sarana penyampaian informasi. Karena berbagai jumlah data dapat digunakan
untuk merepresentasikan jumlah informasi yang sama, representasi yang berisi informasi yang
tidak relevan atau berulang dikatakan mengandung data yang berlebihan. Jika kita membiarkan
dan menunjukkan jumlah bit (atau unit pembawa informasi) dalam dua representasi dari informasi
yang sama, redundansi data relatif dari representasi dengan bit adalah
Jika (terkadang ditulis 10: 1), misalnya, representasi yang lebih besar memiliki10 bit data untuk
setiap 1bit data dalam representasi yang lebih kecil Redundansi data relatif yang sesuai dari
representasi yang lebih besar adalah 0,9 (R=0.9) menunjukkan bahwa 90 % datanya redundan.
Dalam konteks kompresi gambar digital, dalam Persamaan. (8.1-2) biasanya adalah jumlah bit
yang diperlukan untuk merepresentasikan gambar sebagai array nilai intensitas 2-D.
Array intensitas dua dimensi terdapat tiga jenis utama redundansi data yaitu:
1. Coding redundancy (Pengkodean redundansi). Kode adalah sistem simbol (huruf, angka, bit,
dan sejenisnya) digunakan untuk mewakili sekumpulan informasi atau rangkaian peristiwa.
Setiap bagian informasi atau peristiwa diberi urutan simbol kode, yang disebut kode Kata
Jumlah simbol di setiap kata adalah panjangnya.Kode 8-bit yang digunakan untuk mewakili
intensitas di sebagian besar array intensitas 2-D.
175
2. Spatial and temporal redundancy (Redundansi spasial dan temporal). piksel berintensitas 2-D
berkorelasi secara spasial (yaitu, setiap piksel mirip atau bergantung pada piksel tetangga),
informasi tidak perlu direplikasi dalam representasi piksel yang berkorelasi. Dalam urutan
video, piksel yang berkorelasi sementara (yaitu, yang mirip atau bergantung pada
menggandakan informasi.
3. Irrelevant information (Informasi yang tidak relevan.) intensitas 2-D berisi informasi diabaikan
oleh sistem visual manusia dan / atau tidak berhubungan dengan yang penggunaan gambar.
Gambar yang dihasilkan komputer dalam Gambar. 8.1 (a) sampai (c) menunjukkan masing-masing
redundansi mendasar. Seperti yang akan terlihat pada tiga bagian berikutnya, kompresi dicapai
ketika satu atau lebih redundansi dikurangi atau dihilangkan.
Gambar 8.1 Computer generated
176
Image Compression Model
Seperti yang ditunjukkan gambar 8.5, sistem kompresi gambar terdiri dari dua sistem yang berbeda
komponen fungsional: encoder dan decoder. Encoder melakukan kompresi, dan decoder
melakukan operasi komplementer. Codec adalah perangkat atau program yang mampu melakukan
encoding dan decoding. Gambar dimasukkan ke dalam pembuat enkode, yang membuat file
dikompresi representasi dari input.
Gambar 8.5 Functional Block
Image Formal, container and compression standar
Dalam konteks pencitraan digital, format file gambar adalah cara standar untuk mengatur dan
menyimpan data gambar. Di definisikan bagaimana data disusun dan jenis kompresi yang
digunakan. Standar kompresi gambar menentukan prosedur untuk mengompresi dan
mendekompresi gambar - yaitu, untuk mengurangi jumlah data yang diperlukan untuk
merepresentasikan gambar. Gambar 8.6 mencantumkan standar kompresi gambar.
177
Gambar 8.6 Some Popular Image
Gambar berwarna hitam adalah standar internasional yang disetujui oleh Internasional Organisasi
Standar (ISO), Komisi Elektroteknik Internasional (IEC), dan / atau International
Telecommunications Union (ITU-T) - United Organisasi Bangsa (PBB) yang pernah disebut
Komite konsultatif Telepon dan Telegraf Internasional (CCITT). Dua kompresi video standar,
VC-1 oleh Society of Motion Pictures dan Television Engineers (SMPTE) dan AVS oleh
Kementerian Industri Informasi Cina (MII), adalah juga disertakan. Perhatikan bahwa mereka
ditunjukkan dengan warna abu-abu, yang digunakan pada gambar. 8.6 untuk memperhatikan entri
yang tidak disetujui oleh organisasi standar Internasional. Tabel 8.3 dan 8.4 meringkas standar,
format, dan wadah yang terdaftar pada gambar 8.6. Organisasi yang bertanggung jawab, aplikasi
yang ditargetkan, dan metode kompresi kunci diidentifikasi.
178
Tabel 8.3
179
180
Tabel 8.4
181
Metode metode kompresi Data
Metode Huffman (Huffman Coding)
Salah satu teknik paling populer untuk menghapus redundansi adalah menggunakan Huffman
coding (Huffman [1952]). Pengkodean Huffman menghasilkan jumlah sekecil mungkin simbol
kode per simbol sumber. Dalam praktiknya, file simbol sumber dapat berupa intensitas gambar
atau keluaran dari sebuah operasi pemetaan intensitas (perbedaan piksel, panjang lari, dan
sebagainya).
Langkah pertama:
Dalam pendekatan Huffman adalah membuat serangkaian pengurangan sumber dengan memesan
probabilitas dari simbol-simbol yang dipertimbangkan dan digabungkan simbol probabilitas
terendah menjadi satu simbol yang menggantikannya di simbol berikutnya pengurangan sumber.
Gambar 8.7 mengilustrasikan proses pengkodean biner ini (kode orang K-ary Huff juga dapat
dibuat).
Gambar 8.7
Di paling kiri, seperangkat sumber hipotetis simbol dan probabilitasnya diurutkan dari atas ke
bawah dalam kaitannya dengan menurunkan nilai probabilitas.Untuk membentuk pengurangan
sumber pertama, dua terbawah probabilitas, 0,06 dan 0,04, digabungkan untuk membentuk
"simbol gabungan" dengan probabilitas 0.1. Simbol gabungan ini dan probabilitas terkait
ditempatkan di kolom reduksi sumber pertama sehingga probabilitas berkurang sumber juga
182
diurutkan dari yang paling mungkin hingga yang paling kecil kemungkinannya. Proses ini
kemudian diulangi sampai sumber yang dikurangi dengan dua simbol (di paling kanan) tercapai.
Langkah kedua
Dalam prosedur Huffman adalah membuat kode setiap sumber yang dikurangi, dimulai dengan
sumber terkecil dan bekerja kembali ke sumber aslinya. Itu Kode biner panjang minimal untuk
sumber dua simbol, tentu saja, adalah simbolnya 0 dan 1. Seperti yang ditunjukkan Gambar 8.8,
simbol-simbol ini ditetapkan ke dua simbol di kanan (penetapannya sewenang-wenang; membalik
urutan 0 dan 1 akan berhasil sama baiknya). Sebagai simbol sumber tereduksi dengan probabilitas
0,6 dihasilkan dengan menggabungkan dua simbol di sumber yang dikurangi ke kirinya, 0
digunakan untuk mengkodekannya sekarang ditetapkan ke kedua simbol ini, dan 0 dan 1
ditambahkan secara sembarangan untuk masing-masing untuk membedakannya satu sama lain.
Operasi ini kemudian diulangi untuk setiap sumber dikurangi sampai sumber asli tercapai. Kode
terakhir muncul di paling kiri pada Gambar 8.8. Panjang rata-rata kode ini adalah
Lavg = (0.4)(1) + (0.3)(2) + (0.1)(3) + (0.1)(4) + (0.06)(5) + (0.04)(5)
= 2.2 bits>pixel
Gambar 8.8
Citra bit monokrom pada gambar 8.9 (a) memiliki histogram intensitas yang ditunjukkan pada
gambar 8.9 (b). Karena intensitasnya tidak mungkin sama, EXAMPLE 8.4: Huffman coding.
183
Gambar 8.9
Golom coding
Pada bagian ini kami mempertimbangkan pengkodean input bilangan bulat nonnegatif dengan
distribusi probabilitas secara eksponensial. Input jenis ini dapat dikodekan secara optimal (dalam
pengertian teorema pertama Shannon) menggunakan kode yang secara komputasi lebih sederhana
daripada kode Huffman. Kode pertama kali diusulkan untuk representasi panjang nonnegative
(Golomb [1966]).
Tabel 3 (Tabel 8.5)
184
Arithmetic coding
Dalam pengkodean aritmatika, yang dapat dilacak ke karya Elias (lihat Abramson [1963]),
korespondensi satu-ke-satu di antaranya simbol sumber dan kata kode tidak ada. Sebaliknya,
seluruh urutan simbol sumber (atau pesan) diberikan satu kata kode aritmatika. Kata kode itu
sendiri mendefinisikan interval bilangan real antara 0 dan 1. Sebagai jumlah simbol dalam pesan
bertambah, interval yang digunakan untuk mewakilinya menjadi lebih kecil dan jumlah unit
informasi (katakanlah, bit) yang diperlukan mewakili interval menjadi lebih besar. Setiap simbol
pesan berkurang besarnya interval sesuai dengan probabilitas kemunculannya. Gambar 8.12
mengilustrasikan proses pengkodean aritmatika dasar. Di sini, lima symbol urutan atau pesan, dari
sumber empat simbol dikodekan. Pada mulai dari proses pengkodean, pesan diasumsikan
menempati seluruh setengah terbuka interval [0, 1]. Seperti yang ditunjukkan Tabel 8.6, interval
ini awalnya dibagi menjadi empat wilayah berdasarkan probabilitas masing-masing simbol
sumber. Simbol misalnya adalah terkait dengan subinterval [0, 0,2). Karena itu adalah simbol
pesan yang pertama sedang dikodekan, interval pesan awalnya dipersempit menjadi [0, 0.2]. Jadi
pada Gambar 8.12 [0, 0,2) diperluas ke ketinggian penuh dari gambar dan titik akhirnya diberi
label oleh nilai dari kisaran yang dipersempit. Kisaran yang dipersempit kemudian dibagi lagi
sesuai dengan probabilitas simbol sumber asli dan proses berlanjut dengan simbol pesan
berikutnya.. Dalam praktiknya, dua faktor menyebabkan kinerja pengkodean gagal mencapai
batas: (1) penambahan akhir pesan indikator yang diperlukan untuk memisahkan satu pesan dari
lainnya; dan (2) penggunaan aritmatika presisi terbatas. Implementasi praktis dari pengkodean
aritmatika mengatasi masalah terakhir dengan memperkenalkan strategi penskalaan dan strategi
pembulatan (Langdon dan Rissanen [1981]). Strategi penskalaan menormalkan ulang masingmasing subinterval ke rentang [0, 1) sebelum membaginya sesuai dengan symbol probabilitas.
185
Strategi pembulatan menjamin bahwa pemotongan terkait dengan aritmatika presisi terbatas tidak
mencegah sub-interval pengkodean menjadi diwakili accurat
Gambar 8.12 Aritmetic Coding
LZW Coding
Teknik pengkodean Lempel-Ziv-Welch (LZW), menetapkan kata-kata kode dengan panjang tetap
urutan panjang variabel simbol sumber. Kompresi LZW dilindungi Di bawah paten Amerika
Serikat dan telah diintegrasikan ke dalam berbagai format file pencitraan utama, termasuk GIF,
TIFF, dan PDF. PNG.
Pengkodean LZW secara konseptual sangat sederhana (Welch [1984]), proses pengkodean, yang
berisi simbol sumber yang akan dijadikan kode dibangun. Untuk gambar monokrom 8-bit, 256
186
kata pertama dari file kamus ditetapkan ke intensitas 0, 1, 2, 255. Saat encoder secara berurutan
memeriksa piksel gambar, urutan intensitas yang tidak ada dalam kamus ditempatkan di lokasi
yang ditentukan secara algoritme (mis., berikutnya yang tidak digunakan). Jika dua piksel pertama
gambar berwarna putih, misalnya, urutan "255–255" ditetapkan ke lokasi 256, alamat yang
mengikuti lokasi yang dicadangkanuntuk tingkat intensitas 0 hingga 255.
Run length coding
Teknik run-length encoding (RLE), dikembangkan pada 1950-an dan menjadi, bersama dengan
ekstensi 2-D-nya, pendekatan kompresi standar dalam pengkodean faksimili (FAX). Kompresi
dicapai dengan menghilangkan bentuk sederhana dari redundansi spasial — kelompok dengan
intensitas yang identik. Jika ada sedikit (atau tidak ada) piksel identik yang dijalankan, enkode
panjangnya menghasilkan perluasan data. Format file BMP tersebut menggunakan bentuk runlength encoding di mana image tersebut data direpresentasikan dalam dua mode berbeda:
187
dikodekan dan absolut — dan keduanya mode dapat terjadi di mana saja pada gambar. Dalam
mode enkode, RLE dua byte representasi digunakan. Byte pertama menentukan jumlah piksel yang
berurutan yang memiliki indeks warna yang terkandung dalam byte kedua.
Symbol base Coding
Dalam pengkodean berbasis simbol atau token, gambar direpresentasikan sebagai kumpulan
sub-gambar yang sering muncul, disebut simbol. Setiap simbol tersebut disimpan di kamus simbol
dan gambar dikodekan sebagai satu set kembar tiga di mana setiap pasangan menentukan lokasi
symbol gambar dan token adalah alamat simbol atau sub-gambar dalam kamus. Artinya, setiap
triplet mewakili sebuah instance dari simbol kamus di gambar. Menyimpan simbol yang berulang
hanya sekali dapat memampatkan gambar secara signifikan terutama dalam penyimpanan
dokumen dan aplikasi pengambilan, di mana simbol sering berupa bitmap karakter yang diulang
berkali-kali.
Perhatikan pada Gambar 8.17 (a). Ini berisi satu kata, banana, yang terdiri dari tiga simbol unik:
tiga a, dan dua n. Dengan asumsi bahwa simbol pertama yang diidentifikasi dalam proses
pengkodean, itu bitmap disimpan di lokasi 0 dari kamus simbol. Seperti yang ditunjukkan Gambar
8.17 (b), file token yang mengidentifikasi bitmap adalah 0. Jadi, triplet pertama dalam gambar
yang dikodekan itu representasi [lihat Gambar 8.17 (c)] adalah (0, 2, 0) —menunjukkan bahwa
sudut kiri atas (konvensi arbitrer) dari bitmap persegi panjang yang mewakili symbol untuk
188
ditempatkan di lokasi (0, 2) dalam gambar yang diterjemahkan. Setelah bitmap untuk dan simbol
telah diidentifikasi dan ditambahkan ke kamus, sisanya gambar dapat dikodekan dengan lima
kembar tiga tambahan. Selama enam kembar tiga diperlukan untuk menemukan simbol dalam
gambar, bersama dengan ketiganya bitmap diperlukan untuk mendefinisikannya, lebih kecil dari
gambar asli, terjadi kompresi. Dalam hal ini, gambar awal memiliki atau 459 bit dan, dengan
asumsi bahwa setiap triplet terdiri dari 3 byte, representasi terkompresi memiliki atau 285 bit; rasio
kompresi yang dihasilkan Untuk memecahkan kode representasi berbasis symbol pada Gambar
8.17 (c), cukup membaca bitmap dari simbol yang ditentukan dalam file kembar tiga dari kamus
simbol dan menempatkannya pada koordinat spasial ditentukan di setiap triplet. Kompresi berbasis
simbol diusulkan pada awal 1970-an (Ascher dan Nagy [1974]).
Bit Plane Coding
Teknik run-length dan berbasis simbol dari bagian sebelumnya bisa jadi diterapkan pada gambar
dengan lebih dari dua intensitas dengan memproses bidang bitnya secara individual. Teknik, yang
disebut pengkodean bidang bit, didasarkan pada konsep menguraikan gambar bertingkat
(monokrom atau warna) menjadi serangkaian biner gambar dan mengompresi setiap gambar biner
melalui salah satu dari beberapa metode kompresi biner yang terkenal. Gambar 8.19 dan 8.20
menunjukkan delapan bidang bit biner dan kode abu-abu dari gambar monokrom 8-bit anak dalam
189
Gambar 8.19 (a). Perhatikan bahwa bit planes orde tinggi jauh lebih kompleks daripada bit planit
orde rendahnya. Selain itu, bidang bit berkode abu-abu kurang kompleks daripada bidang bit biner
yang merespons inti.
Hasil pengkodean Tabel 8.10. hasilnya adalah jauh lebih besar dari kompresi
190
Gambar 9 (Gambar 8.19)
191
Tabel 8 (Tabel 8.8)
Gambar 10 (Gambar 8.20)
192
Block transform Coding
Pada bagian ini, kami mempertimbangkan teknik kompresi yang membagi gambar menjadi blok
kecil yang tidak tumpang tindih dengan ukuran yang sama (misalnya,) dan memproses file blok
secara mandiri menggunakan transformasi 2-D. Dalam pengkodean transformasi blok,
transformasi linier yang dapat dibalik (seperti transformasi Fourier) digunakan untuk memetakan
masing-masing blok atau subimage menjadi satu set koefisien transformasi, yang kemudian
dikuantisasi dan diberi kode. Untuk sebagian besar gambar, sejumlah besar koefisien memiliki
nilai kecil besarnya dan dapat dikuantisasi secara kasar (atau dibuang seluruhnya) dengan sedikit
distorsi gambar. Gambar 8.21 menunjukkan sistem pengkodean transformasi blok yang khas.
Dekoder mengimplementasikan urutan langkah terbalik (dengan pengecualian kuantisasi fungsi)
dari pembuat enkode, yang melakukan empat operasi yang relatif mudah: dekomposisi subimage,
transformasi, kuantisasi, dan pengkodean. Sebuah citra masukan dibagi terlebih dahulu menjadi
sub-sub ukuran yaitu kemudian diubah untuk menghasilkan array transformasi subimage, masingmasing ukurannya. Tujuan dari proses transformasi adalah untuk mengemas informasi sebanyak
mungkin menjadi yang terkeciljumlah koefisien transformasi. Tahap kuantisasi kemudian secara
selektif menghilangkan atau secara lebih kasar menghitung koefisien yang membawa jumlah
paling sedikit Informasi. Koefisien ini memiliki dampak terkecil pada rekonstruksi kualitas
subimage. Proses pengkodean diakhiri dengan pengkodean koefisien terkuantisasi. Salah satu atau
semua transformasi langkah-langkah pengkodean dapat disesuaikan dengan konten gambar lokal,
yang disebut pengkodean bentuk trans adaptif, atau diperbaiki untuk semua sub-gambar, yang
disebut pengkodean transformasi nonadaptif.
193
Predictive Coding
Gambar 8.21 A block transform coding
Predictive Coding (Pengkodean prediktif,) didasarkan pada menghilangkan redundansi piksel
yang berjarak dekat — dalam ruang dan / atau waktu— dengan mengekstrak dan mengkodekan
hanya informasi baru di setiap piksel. Pembentukan piksel yang baru sudah pasti nilai prediksi dari
piksel. Gambar 8.33 menunjukkan komponen dasar dari sistem pengkodean prediktif lossless.
Sistem terdiri dari encoder dan decoder, masing-masing berisi yang identic prediktor. Saat sampel
berturut-turut dari sinyal input waktu diskrit, dimasukkan ke encoder, prediktor menghasilkan nilai
yang diantisipasi dari masing-masing sampel berdasarkan jumlah sampel masa lalu yang
ditentukan. Output dari prediktor kemudian dibulatkan ke bilangan bulat terdekat, dilambangkan
dan digunakan untuk membentuk perbedaan atau kesalahan prediksi
194
195
Wavelet Coding
Pengkodean wavelet adalah didasarkan pada gagasan bahwa koefisien transformasi yang
mendekorasi piksel gambar dapat dikodekan lebih efisien daripada piksel asli itu sendiri. Jika basis
berfungsi dari transformasi — dalam hal ini wavelet — sebagian besar informasi visual yang
penting menjadi sejumlah kecil koefisien, koefisien yang tersisa dapat dikuantisasi secara kasar
atau dipotong menjadi nol dengan distorsi gambar kecil. Gambar 8.45 menunjukkan sistem
pengkodean wavelet yang khas. Untuk menyandikan
citra, wavelet analisis, dan tingkat
dekomposisi minimum, adalah dipilih dan digunakan untuk menghitung transformasi wavelet
diskrit gambar. Dalam kedua kasus tersebut, bentuk trans yang dihitung mengonversi sebagian
besar gambar asli menjadi horizontal, vertikal, dan koefisien dekomposisi diagonal dengan nol
mean dan kemampuan prob mirip Laplacian. Decoding dilakukan dengan membalik operasi
encoding — dengan pengecualian dari kuantisasi, yang tidak bisa dibalik secara tepat.Perbedaan
utama antara sistem berbasis wavelet pada gambar 8.45 dan sistem pengkodean transformasi
gambar 8.21 adalah penghilangan tahap-tahap pemrosesan sub-gambar dari pembuat kode
transformasi. Karena transformasi wavelet secara komputasi efisien dan secara inheren bersifat
lokal (yaitu, fungsi dasarnya dibatasi durasi), subdivisi dari gambar asli tidak diperlukan, seperti
yang akan Anda lihat nanti di bagian ini, penghapusan langkah subdivisi menghilangkan artefak
pemblokiran yang mencirikan perkiraan berbasis DCT pada rasio kompresi tinggi.
196
Gambar 8.46 berisi empat transformasi wavelet diskrit dari gambar 8.9 (a). Haar wavelet, wavelet
terputus yang paling sederhana dan hanya dipertimbangkan dalam contoh ini, digunakan sebagai
fungsi ekspansi atau basis pada gambar 8.46 (a). Daubechies wavelet, di antara wavelet pencitraan
yang paling populer, digunakan pada Gambar 8.46 (b)
197
Bab 9
Morfological Image Processing
Morfological Image Processing
Erosion and Dilation
1. Erosion
Dilation
Duality
2. Opening and Closing
3. The Hits or Miss Transformation
4. Some basic Morphological Algorithms
4.1 Boundary Extraction
4.2 Hole Filling
4.3 Extraction of connect Componen
4.4 Convex Hull
4.5 Thinning
4.6 Thickening
4.7 Skeleton
4.8 Pruning
4.9 Morphological Reconstruction
4.10 Summary
of
Morphological
Operations on Binary image
5. Gray scale Morphology
Erosion dan Dilation
Opening and Closing
Some basic Gray scale Morphological
Algorithms
Gray scale Morphological reconstruction
198
Kata morfologi biasanya menunjukkan cabang biologi yang berhubungan dengan bentuk dan
struktur hewan dan tumbuhan. konteks morfologi adalah alat untuk mengekstraksi komponen citra
yang berguna dalam representasi dan deskripsi bentuk daerah,seperti batas, kerangka, dan lambung
cembung. teknik morfologi untuk pemrosesan sebelum atau sesudah, seperti morfologis
penyaringan, penjarangan, dan pemangkasan.
Bahasa morfologi matematika adalah teori himpunan. Dengan demikian, morphology
menawarkan pendekatan terpadu dan kuat untuk berbagai pemrosesan gambar. Himpunan dalam
morfologi matematika merepresentasikan objek dalam gambar. Misalnya, himpunan semua piksel
putih dalam gambar biner adalah deskripsi morfologis lengkap dari gambar tersebut. Dalam
gambar biner, himpunan yang dimaksud adalah anggota ruang integer 2-D (lihat Bagian 2.4.2), di
mana setiap elemen himpunan adalah tupel (vektor 2-D) yang koordinatnya adalah koordinat dari
piksel putih (atau hitam, tergantung pada konvensi) pada gambar. Gambar digital skala abu-abu
dari bentuk yang dibahas pada bab-bab sebelumnya dapat direpresentasikan sebagai komponena.
Elemen komponen mengacu pada koordinat piksel, dan ketiga sesuai dengan nilai intensitas
diskritnya. Diatur dalam dimensi yang lebih tinggi dapat berisi atribut gambar lain, seperti warna
dan waktu yang bervariasi . Konsep himpunan refleksi dan translation digunakan secara luas dalam
morfologi satu set didefinisikan seperti dibawah ini :
Jika B adalah himpunan piksel (titik 2-D) yang mewakili objek dalam gambar, maka B
hanya kumpulan titik B (x,y )yang koordinatnya telah diganti dengan (-x,-y)
Gambar 9.1 (a) dan (b) menunjukkan himpunan sederhana dan refleksinya.
199
Translation dari himpunan dengan titik yang didefinisikan sebagai berikut
Refleksi dan Translation digunakan secara luas dalam morfologi untuk merumuskan operasi
berdasarkan apa yang disebut elemen penataan (SE): Baris pertama dari Gambar 9.2 menunjukkan
beberapa contoh elemen penataan di mana setiap persegi yang diarsir menunjukkan salah satu
anggota SE. Asal muasal berbagai UK pada Gambar 9.2 ditunjukkan oleh titik hitam (meskipun
menempatkan pusat SE sebagai pusat gravitasinya adalah umum, pilihan asal bergantung pada
masalah secara umum). Sebagai pengantar tentang bagaimana elemen penataan digunakan dalam
morfologi, pertimbangkan Gambar 9.3. Gambar 9.3 (a) dan (b) menunjukkan himpunan sederhana
dan elemen penataan. Seperti disebutkan di paragraf sebelumnya, implementasi computer
mengharuskan himpunan itu diubah juga menjadi array persegi panjang dengan menambahkan
elemen ground belakang. Batas latar belakang dibuat cukup besar untuk mengakomodasi seluruh
elemen penataan saat asalnya berada di tepi perbatasan
200
set asli (ini analog dengan padding untuk korelasi spasial dan konvolusi. Dalam hal ini, elemen
penataan adalah dari ukuran dengan asal di tengah, sehingga perbatasan satu elemen yang
mencakup melewati seluruh set sudah cukup, seperti yang ditunjukkan Gambar 9.3 (c). Seperti
pada Gambar 9.2, elemen penataan diisi dengan jumlah latar belakang yang sesedikit mungkin
201
elemen yang diperlukan untuk membuatnya menjadi array persegi panjang [Gbr. 9.3 (d)]. Gambar
9.3 (e) menunjukkan hasil dari operasi ini. Kita lihat, ketika asal dari berada pada elemen
perbatasan dari bagian berhenti ditampung sehingga menghilangkan lokasi yang berpusat sebagai
kemungkinan anggota untuk yang baru.
Hasil akhirnya adalah bahwa batas himpunan terkikis, seperti yang ditunjukkan Gambar 9.3 (e).
Ketika kami menggunakan terminologi seperti "elemen penataan terkandung dalam set,”yang
kami maksud secara khusus adalah bahwa elemen dan sepenuhnya tumpang tindih.
Erosion and Dilation
Dua operasi morfologi yaitu: Erosion dan Dilation Operasi ini sangat penting untuk pemrosesan
morfologi.
Erosion didefinisikan sebagi berikut:
Dengan kata lain, persamaan ini menunjukkan bahwa erosi oleh adalah himpunan semua Hal-hal
yang diterjemahkan termuat dalam pembahasan berikut ini, himpunan diasumsikan sebagai
elemen penataan. Persamaan (9.2-1) adalah formulasi matematika dari contoh pada Gambar 9.3
(e).
Gambar 9.4 menunjukkan contoh Erosion Elemen ditampilkan berbayang dan latar belakang
berwarna putih. Batas kokoh pada Gambar 9.4 (c) adalah batas di mana perpindahan selanjutnya
dari asal akan menyebabkan elemen penataan tidak lagi terkandung di dalamnya Dengan demikian,
lokus titik (lokasi asal) di dalam (dan termasuk) batas ini, merupakan erosi pada Gambar 9.4 (c).
Ingatlah bahwa erosi hanyalah nilai-nilai yang memenuhi Persamaan. (9.2-1) atau (9.2-2).
202
nilai-nilai yang memenuhi persamaan. (9.2-1) atau (9.2-2). Batas himpunan adalah ditampilkan
putus-putus pada Gambar. 9.4 (c) dan (e) hanya sebagai referensi; itu bukan bagian dari operasi
Erosion Gambar 9.4 (d) menunjukkan elemen struktur memanjang, dan Gambar 9.4 (e)
menunjukkan erosi oleh elemen ini. Perhatikan bahwa set awal terkikis menjadi sebuah garis.
Persamaan (9.2-1) dan (9.2-2) bukanlah satu-satunya definisi erosi (lihat Soal 9.9 dan 9.10 untuk
dua definisi tambahan yang setara.)
Misalkan kita ingin menghapus garis yang menghubungkan daerah tengah bantalan pembatas pada
gambar 9.5 (a). Mengikis gambar dengan penataan persegi elemen ukuran yang semua
komponennya 1s dihapus sebagian besar garis, seperti yang ditunjukkan gambar 9.5 (b). Alasan
mengapa dua garis vertikal di tengah itu menipis tetapi tidak dihilangkan sepenuhnya adalah
lebarnya lebih besar dari 11 piksel. Mengubah ukuran SE menjadi dan mengikis kembali gambar
aslinya menghapus semua garis penghubung, seperti yang ditunjukkan gambar 9.5 (c) (pendekatan
alternatif akan mengikis gambar pada gambar 9.5 (b) lagi menggunakan SE yang sama).
Meningkatkan ukuran elemen penataan lebih banyak lagi akan menghilangkan komponen yang
203
lebih besar. Misalnya, bantalan pembatas dapat dipindahkan dengan elemen penataan berukuran
seperti yang ditunjukkan gambar 9.5 (d).
Dilation
Dilation didefinisikan seperti dibawah ini
Persamaan ini didasarkan pada refleksi tentang asalnya, dan menggeser refleksi ini dengan (lihat
gambar 9.1). Pelebaran saat itu adalah himpunan semua perpindahan, seperti itu dan tumpang
tindih dengan setidaknya satu elemen. Berdasarkan interpretasi ini, Persamaan. (9.2-3) dapat
ditulis secara ekuivalen sebagai
Persamaan (9.2-3) dan (9.2-4) bukan satu-satunya definisi dilasi yang saat ini digunakan (lihat
Namun, definisi sebelumnya memiliki keunggulan tersendiri atas formulasi lain karena mereka
lebih intuitif saat penataan elemen dipandang sebagai topeng konvolusi. Gambar 9.6 (a)
menunjukkan himpunan yang sama yang digunakan pada Gambar 9.4, dan gambar 9.6 (b)
204
menunjukkan struktur elemen (dalam hal ini karena SE simetris tentangnya asal). Garis putusputus pada Gambar 9.6 (c) menunjukkan himpunan asli untuk referensi, dan garis padat
menunjukkan batas di mana setiap perpindahan selanjutnya dari asal oleh akan menyebabkan
persimpangan dari dan menjadi kosong. Oleh karena itu, semua titik di dalam dan di dalam batas
ini merupakan pelebaran oleh gambar 9.6 (d) menunjukkan elemen penataan yang dirancang untuk
mencapai lebih banyak dilatasi secara vertikal daripada horizontal, dan gambar 9.6 (e)
menunjukkan dilatasi yang dicapai dengan elemen ini .
205
Contoh ilustrasi dari dilation
Gambar 9.7 (a) menunjukkan gambar yang sama dengan karakter rusak yang kita pelajari pada
Gambar. Gambar 9.7 (b) menunjukkan elemen penataan yang dapat digunakan untuk memperbaiki
celah . Gambar 9.7 (c) menunjukkan hasil dilatasi gambar asli dengan elemen penataan ini. Salah
satu keuntungan langsung dari pendekatan morfologis selama metode penyaringan lowpass yang
di gunakan bahwa metode morfologi menghasilkan citra biner secara langsung.
Duality
Erosion dan dilation adalah duals satu sama lain dalam hal mengatur komplementasi dan refleksi.
Dengan rumus sbb:,
Persamaan (9.2-5) menunjukkan bahwa erosi merupakan komplemen dari diferensiasi. Sifat
Dualitas sangat berguna ketika elemen penataan simetris sehubungan dengan sehingga Kemudian,
kita dapat memperoleh erosi gambar sebesar cukup dengan melebarkan latar belakangnya (yaitu,
dilatasi) dengan penataan yang sama elemen dan melengkapi hasilnya. Komentar serupa berlaku
206
untuk Persamaan. (9.2-6). Kami melanjutkan untuk membuktikan secara resmi validitas
Persamaan. (9.2-5) untuk mengilustrasikan pendekatan tipikal untuk menetapkan validitas
ekspresi morfologis. Dimulai dengan definisi erosi, selanjutnya itu
Jika set terkandung dalam hal ini sebelumnya ekspresi menjadi Tapi pelengkap dari himpunan z
yang memuaskan adalah himpunan z sedemikian rupa Oleh karena itu,dimana langkah terakhir
mengikuti dari Persamaan. (9.2-3). Ini menyimpulkan buktinya. Garis penalaran serupa dapat
digunakan untuk membuktikan Persamaan. (9.2-6) (lihat Soal 9.13).
Opening and closing
Seperti yang Anda lihat, dilatasi memperluas komponen gambar dan erosi mengecilkan gambar.
Pada bagian ini kita membahas dua morfologi penting lainnya operasi: pembukaan dan penutupan.
Pembukaan biasanya menghaluskan kontur sebuah objek, Penutupan juga cenderung
menghaluskan bagian-bagian kontur tetapi.
Pembukaan himpunan oleh elemen penataan dilambangkan dengan definisi
A ° B = (A ØB) Ɵ B
Jadi, pembukaan adalah pengikisan diikuti oleh pelebaran hasil penutupan himpunan oleh elemen
penataan dilambangkan sebagai didefinisikan
207
A • B = (A Ɵ B) Ɵ B
yang mengatakan bahwa penutupan hanyalah dilatasi diikuti oleh erosi akibat Operasi pembukaan
memiliki interpretasi geometris sederhana (Gbr. 9.8). Sifat pemasangan geometris dari operasi
bukaan ini mengarah ke formulasi teori himpunan, yang menyatakan bahwa bukaan diperoleh
dengan mengambil penyatuan semua terjemahan yang cocok itu ke dalam Artinya, pembukaan
dapat diekspresikan sebagai proses pemasangan seperti itu
di mana menunjukkan penyatuan semua set di dalam kawat gigi. Penutupan memiliki interpretasi
geometris yang serupa, kecuali yang sekarang kita lanjutkan bagian luar batas (Gbr. 9.9). Seperti
dibahas di bawah ini, membuka dan menutup adalah gandengan satu sama lain, jadi harus
menggulirkan bola dari luar bukanlah hal yang tidak terduga. Secara geometris, titik adalah elemen
jika dan hanya jika untuk setiap terjemahan yang berisi ilustrasi Gambar 9.9 sifat geometris dasar
dari penutupan.
208
Gambar 9.10 mengilustrasikan lebih lanjut operasi pembukaan dan penutupan. Angka 9.10 (a)
menunjukkan satu set dan gambar 9.10 (b) menunjukkan berbagai posisi elemen struktur disk
selama proses Erosion setelah selesai, proses ini menghasilkan gambar terputus-putus pada gambar
9.10 (c). Perhatikan penghapusan jembatan antara dua bagian utama. Lebarnya tipis dibandingkan
dengan diameternya elemen penataan; Artinya, elemen penataan tidak dapat sepenuhnya
terkandung di bagian himpunan ini, sehingga melanggar ketentuan persamaan. (9.2-1).
Hal yang sama berlaku untuk dua anggota paling kanan dari objek tersebut. Elemen yang menonjol
di mana disk tidak pas dieliminasi. Gambar 9.10 (d) menunjukkan proses dilatasi himpunan yang
209
terkikis, dan gambar 9.10 (e) menunjukkan hasil akhir pembukaan. Perhatikan bahwa sudut yang
mengarah ke luar membulat, sedangkan ke dalam sudut menunjuk tidak terpengaruh. Demikian
pula, gambar. 9.10 (f) sampai (i) menunjukkan hasil penutupan dengan
elemen penataan yang sama pada gambar 9.11 (a) menunjukkan bagian dari sidik jari yang rusak
karena derau. Gambar 9.11 (b) menunjukkan elemen penataan yang digunakan. Gambar 9.11
menunjukkan urutan langkah demi langkah dari operasi pemfilteran. Gambar 9.11 (c) adalah
Ukuran file elemen noise (bintik hitam) yang terdapat di dalam sidik jari justru meningkat dalam
ukuran. Alasannya adalah bahwa elemen-elemen ini adalah batas dalam yang semakin bertambah
ukurannya saat objek terkikis. Pembesaran ini diimbangi dengan melakukan dilatasi pada gambar
9.11 (c). Gambar 9.11 (d) menunjukkan hasilnya. Komponen noise yang terdapat dalam sidik jari
diperkecil ukurannya atau dihapus seluruhnya.Dua operasi yang baru saja dijelaskan merupakan
pembukaan catatan pada gambar 9.11 (d) bahwa efek bersih dari pembukaan adalah untuk
210
menghilangkan hampir semua cacat komponen di latar belakang dan sidik jari itu sendiri.
Melakukan dilatasi pada pembukaan, seperti yang ditunjukkan pada gambar. 9.11 (e). Hasilnya,
ditunjukkan pada gambar 9.11 (f), merupakan penutupan dari pembukaan gambar 9.11 (d).
The Hits or Miss Transformation
Transformasi hit-or-miss morfologis adalah alat dasar untuk deteksi bentuk. Kami
memperkenalkan konsep ini dengan bantuan gambar 9.12, yang menunjukkan satu set yang terdiri
dari tiga bentuk (subset), dilambangkan dan Bayangan pada gambar. 9.12 (a) melalui (c)
menunjukkan set asli, sedangkan bayangan pada gambar. 9.12 (d) dan (e) menunjukkan hasil
operasi morfologi. Tujuannya adalah untuk menemukan lokasi salah satu bentuk, misalnya, D.
Latar belakang sebagai perbedaan himpunan seperti yang ditunjukkan pada gambar 9.12 (b).
Gambar 9.12 (c) menunjukkan pelengkap yang dibutuhkan nanti. Gambar 9.12 (d) menunjukkan
erosi oleh (garis putus-putus disertakan untuk referensi). Ingat itu erosi oleh adalah set lokasi asal
seperti itu sepenuhnya terkandung dalam Ditafsirkan dengan cara lain, dapat dilihat geometris
211
sebagai himpunan semua lokasi asal di mana ditemukan a pertandingan (hit) di Perlu diingat bahwa
pada gambar 9.12 hanya terdiri dari tiga set terputus dan gambar 9.12 (e) menunjukkan erosi
komplemen dengan set back ground lokal. Daerah terluar yang teduh pada gambar 9.12 (e) adalah
bagian dari Erosion. Kami mencatat dari gambar. 9.12 (d) dan (e) bahwa himpunan lokasi yang
Tepatnya di dalam adalah persimpangan antara erosi oleh dan erosion dari oleh seperti yang
ditunjukkan pada gambar 9.12 (f). Persimpangan inilah tepatnya lokasi yang dicari. Dengan kata
lain, jika menunjukkan himpunan yang terdiri dari dan latar belakangnya, kecocokan (atau
himpunan pertandingan) dari in dilambangkan adalah
Kita dapat menggeneralisasi notasi dengan membiarkan di mana adalah himpunan yang terbentuk
dari elemen-elemen yang terkait dengan suatu objek dan merupakan kumpulan elemen yang terkait
dengan latar belakang yang sesuai. Dari pembahasan sebelumnya, dan Dengan notasi ini,
Persamaan.(9.4-1) menjadi
Jadi, set berisi semua titik (asal) di mana, secara bersamaan, menemukan kecocokan ("hit") di dan
menemukan kecocokan di Dengan menggunakan definisi perbedaan himpunan yang diberikan
dalam Persamaan. (2.6-19) dan hubungan ganda antara erosi dan dilasi yang diberikan dalam
Persamaan. (9.2-5), kita bisa menulis Persamaan. (9.4-2) sebagai
212
Some Basic Morphological Algorithms
Dengan pembahasan sebelumnya sebagai landasan, sekarang kita siap untuk mempertimbangkan
beberapa penggunaan praktis morfologi. Saat berhadapan dengan gambar biner, salah satunya
aplikasi utama morfologi adalah mengekstraksi komponen gambar yang berguna dalam
representasi dan deskripsi bentuk.
Boundary Extraction
Batas himpunan yang dilambangkan dengan dapat diperoleh dengan erosi pertama dengan dan
kemudian melakukan perbedaan yang ditetapkan antara dan erosinya.Itu adalah
β(A) = A - (A Ɵ B) (9.5-1)
di sini adalah elemen penataan yang cocok. Gambar 9.13 mengilustrasikan mekanisme ekstraksi
batas. Ini menunjukkan objek biner sederhana, elemen penataan dan hasil menggunakan
Persamaan. (9,5-1). Meskipun elemen penataan pada gambar 9.13 (b) termasuk yang paling
banyak sering digunakan, ini sama sekali tidak unik. Misalnya, menggunakan elemen penataan 1s
akan menghasilkan batas antara 2 dan 3 piksel tebal.
213
Gambar 9.14 mengilustrasikan lebih lanjut penggunaan persamaan. (9.5-1) dengan elemen
penataan 1s. Adapun semua gambar biner dalam bab ini, biner 1 ditampilkan dalam warna putih
dan 0s dalam warna hitam, sehingga elemen elemen penataan, yaitu 1, juga diperlakukan sebagai
putih. Karena ukuran elemen penataan yang digunakan, batas pada gambar 9.14 (b) tebalnya satu
piksel.
Hole Filing
Sebuah lubang dapat didefinisikan sebagai wilayah latar yang dikelilingi oleh yang terhubung
batas piksel latar depan. Pada bagian ini, kami mengembangkan algoritma berdasarkan mengatur
dilatasi, komplementasi, dan persimpangan untuk mengisi lubang pada gambar.
Misalkan menunjukkan himpunan yang elemennya adalah 8 batas yang terhubung, masing-masing
batas melingkupi wilayah latar belakang (yaitu, lubang). Diberikan poin di setiap lubang, itu
tujuannya adalah untuk mengisi semua lubang dengan 1s.
Kita mulai dengan membentuk sebuah larik, dari 0s (ukuran yang sama dengan larik yang berisi
ing), kecuali di lokasi yang sesuai dengan titik yang diberikan di masing-masing hole, yang kami
setel ke 1. Kemudian, prosedur berikut mengisi semua lubang dengan
214
di mana elemen struktur simetris pada gambar 9.15 (c). Algoritma berhenti pada langkah iterasi
jika himpunan berisi semua yang terisi lubang. Persatuan yang ditetapkan dan berisi semua lubang
yang diisi dan batasnya. Pelebaran di persamaan. (9.5-2) akan memenuhi seluruh area jika tidak
dicentang. Namun, persimpangan di setiap langkah dengan batas hasil ke dalam wilayah
kepentingan. Ini adalah contoh pertama kita tentang bagaimana proses morfologi dapat
dikondisikan untuk memenuhi properti yang diinginkan. Dalam aplikasi saat ini, itu disebut
dengan tepat pelebaran bersyarat. Sisa dari gambar 9.15 mengilustrasikan lebih lanjut mekanisme
persamaan (9.5-2). Meskipun contoh ini hanya memiliki satu lubang, konsep tersebut jelas berlaku
untuk berapapun jumlah lubang yang terbatas, dengan asumsi bahwa sebuah titik di dalam setiap
wilayah lubang diberikan.
215
Gambar 9.16 (a) menunjukkan gambar yang terdiri dari lingkaran putih dengan bagian dalam
hitam bintik-bintik. Gambar seperti ini mungkin dihasilkan dari thresholding menjadi dua tingkat
adegan yang berisi bidang yang dipoles (misalnya, bantalan bola). Bintik hitam di dalamnya bola
bisa jadi hasil refleksi. Tujuannya adalah untuk menghilangkan file refleksi dengan pengisian
lubang. Gambar 9.16 (a) menunjukkan satu titik yang dipilih di dalam salah satu bola, dan gambar
9.16 (b) menunjukkan hasil pengisian komponen itu. Finall
216
Extraction of Connected Component
Ekstraksi komponen yang terhubung dari citra biner merupakan pusat dari banyak aplikasi analisis
citra otomatis. Tujuannya adalah memulai dengan dan temukan semua komponen yang terhubung.
Prosedur berulang berikut menyelesaikan tujuan ini:
di mana elemen penataan yang cocok (seperti pada Gambar 9.17). Prosedur ter minasi ketika berisi
semua komponen
yang terhubung
dari gambar masukan. Perhatikan kesamaan dalam persamaan. (9.5-3) dan (9.5-2), satu-satunya
perbedaan adalah penggunaan sebagai lawan. Ini tidak mengherankan, karena di sini kita mencari
poin latar depan, sedangkan tujuan di Bagian 9.5.2 adalah untuk menemukan poin latar belakang.
217
Gambar 9.17 mengilustrasikan mekanisme persamaan. (9.5-3), dengan makhluk konvergensi
dicapai untuk perhatikan bahwa bentuk elemen penataan yang digunakan adalah berdasarkan 8konektivitas antar piksel. Jika kita menggunakan SE pada gambar 9.15,
yang didasarkan pada 4 konektivitas, elemen paling kiri dari komponen yang terhubung ke bagian
bawah gambar tidak akan terdeteksi karena itu 8-terhubung ke sisa gambar. Seperti pada algoritma
pengisian lubang, Persamaan. (9.5-3) dapat diterapkan untuk sejumlah terbatas komponen
terhubung yang terdapat dalam asumsi bahwa suatu titik diketahui di masing-masing. Komponen
yang terhubung sering digunakan untuk pemeriksaan otomatis. Gambar 9.18 (a) menunjukkan
gambar sinar-X dada ayam yang mengandung tulang fragmen. Sangat menarik untuk dapat
mendeteksi objek seperti itu di makanan olahan sebelum pengemasan dan / atau pengiriman.
Dalam kasus khusus ini, file kepadatan tulang sedemikian rupa sehingga nilai intensitas
nominalnya berbeda dari background. Ini membuat ekstraksi tulang dari background
masalah sederhana dengan menggunakan ambang tunggal (ambang batas diperkenalkan di
Ciri paling signifikan dalam gambar ini adalah fakta bahwa titik-titik utama dikelompokkan
menjadi objek (tulang), bukannya diisolasi, tidak relevan. Kami dapat memastikan bahwa hanya
objek berukuran "signifikan" yang tersisa dengan mengikis gambar ambang batas. Dalam contoh
218
ini, kami mendefinisikan objek apa pun sebagai signifikan yang tersisa setelah erosi dengan
elemen penataan 1s. Hasil dari erosi ditunjukkan pada Gambar 9.18 (c). Langkah selanjutnya
adalah menganalisis ukuran objek yang tersisa. Kami memberi label (mengidentifikasi) objekobjek ini dengan mengekstrak terhubung komponen pada gambar. Tabel pada Gambar 9.18 (d)
mencantumkan hasil ekstraksi.
Convex Hull
Himpunan dikatakan cembung jika ruas garis lurus menghubungkan dua titik terletak seluruhnya
di dalam Lambung cembung dari himpunan sembarang adalah himpunan cembung terkecil yang
berisi Perbedaan himpunan disebut defisiensi cembung.
Mari merepresentasikan empat elemen struktur pada gambar 9.19 (a).
Prosedurnya terdiri dari penerapan persamaan
Gambar 9.19 mengilustrasikan prosedur yang diberikan dalam Persamaan. (9.5-4) dan (9.5-5).
Gambar 9.19 (a) menunjukkan elemen penataan yang digunakan untuk mengekstrak lambung
cembung. Asal mula setiap elemen ada di pusatnya. Entri * menunjukkan "tidak peduli" kondisi.
Ini berarti bahwa elemen penataan dikatakan telah menemukan kecocokan
219
Jika wilayah di bawah topeng elemen penataan di lokasi itu cocok dengan pola topeng. Untuk
topeng tertentu, pola cocok terjadi jika pusat wilayah di adalah 0, dan tiga piksel di bawah elemen
topeng yang diarsir adalah 1. Nilai dari piksel lain di wilayah tersebut tidak menjadi masalah. Juga,
sehubungan dengan notasi pada gambar 9.19 (a), adalah rotasi searah jarum jam sebesar 90°.
Gambar 9.19 (b) menunjukkan satu set yang dicari cembung lambung. Memulai dengan
menghasilkan himpunan pada gambar 9.19 (c) setelah empat iterasi persamaan. (9,5-4). Kemudian,
biarkan dan lagi menggunakan persamaan. (9,5-4). Gambar 9.19 (d) (konvergensi dicapai hanya
dalam dua langkah dalam kasus ini). Berikutnya dua hasil diperoleh dengan cara yang sama.
Akhirnya, membentuk persatuan diatur dalam gambar. 9.19 (c), (d), (e), dan (f) menghasilkan
convex hull yang ditunjukkan pada gambar 9.19 (g). Kontribusi setiap elemen penataan disorot di
himpunan komposit ditunjukkan pada gambar 9.19 (h).
220
Thining
Penipisan set oleh elemen penataan yang dilambangkan dapat didefinisikan dalam hal transformasi
hit-or-miss:
Seperti di bagian sebelumnya, kami hanya tertarik pada pencocokan pola dengan elemen penataan,
jadi tidak diperlukan operasi latar belakang dalam untung-untungan mengubah. Ekspresi yang
lebih berguna untuk menipis secara simetris didasarkan pada urutan elemen penataan:
di mana adalah versi rotasi dari menggunakan konsep ini, sekarang kita mendefinisikan thin ning
dengan urutan elemen penataan sebagai
Prosesnya adalah menipiskan satu kali lintasan dengan kemudian menipiskan hasilnya dengan satu
kali lintasan dari dan seterusnya, sampai menipis dengan satu kali jalan dari seluruh proses diulang
sampai tidak ada perubahan lebih lanjut yang terjadi. Setiap lulus penipisan individu per dibentuk
menggunakan Persamaan. (9,5-6)
221
Gambar 9.21 (a) menunjukkan sekumpulan elemen penataan yang biasa digunakan untuk
penipisan, dan gambar 9.21 (b) menunjukkan satu set yang akan diencerkan dengan menggunakan
prosedur yang baru saja dibahas. Gambar 9.21 (c) menunjukkan hasil penjarangan setelah satu
lulus dengan dan Gambar. 9.21 (d) sampai (k) menunjukkan hasil operan dengan elemen penataan
lainnya. Konvergensi dicapai setelahlintasan kedua dari gambar 9.21 (l) menunjukkan hasil yang
menipis. Akhirnya, Gambar.9.21 (m) menunjukkan set menipis yang dikonversi ke konektivitasm (lihat Bagian2.5.2) untuk menghilangkan banyak jalur
Thickening
Penebalan adalah dual morfologis dari penipisan dan ditentukan oleh ekspresi
222
dimana elemen penataan cocok untuk penebalan. Seperti dalam penjarangan, ening tebal dapat
didefinisikan sebagai operasi berurutan:
Elemen penataan yang digunakan untuk penebalan memiliki bentuk yang sama dengan itu
ditunjukkan pada gambar 9.21 (a), tetapi dengan semua 1 dan 0 saling dipertukarkan. Namun,
223
Skeleton
Seperti yang ditunjukkan gambar 9.23, gagasan tentang kerangka suatu himpunan secara intuitif
sederhana. Kami menyimpulkan dari angka ini bahwa
(a) Jika adalah titik dan merupakan disk terbesar yang berpusat dan ada di dalamnya, seseorang
tidak dapat menemukan disk yang lebih besar (tidak harus dipusatkan) mengandung dan
termasuk dalam disk disebut maksimal disk.
(b) Disk menyentuh batas di dua atau lebih tempat yang berbeda
224
Kerangka dapat diekspresikan dalam bentuk erosi dan bukaan. Itu adalah, dapat dibuktikan
(Serra [1982]) bahwa
di mana adalah elemen penataan, dan menunjukkan erosi yang berurutan dari
kali, dan merupakan langkah berulang terakhir sebelum terkikis menjadi set kosong. Di
kata lain,
225
Formulasi yang diberikan dalam persamaan. (9,5-11) dan (9,5-12) menyatakan bahwa bisa
diperoleh sebagai penyatuan subset kerangka Juga, dapat ditunjukkan bahwa dapat direkonstruksi
dari
himpunan
bagian
ini
dengan
menggunakan
persamaan
dimana menunjukkan dilatasi yang berurutan
Gambar 9.24 mengilustrasikan konsep yang baru saja didiskusikan. Kolom pertama menunjukkan
himpunan asli (di atas) dan dua erosi oleh elemen penataan. Perhatikan bahwa satu erosi lagi akan
menghasilkan himpunan kosong, jadi pada kasus ini. Kolom kedua menunjukkan pembukaan set
di kolom pertama oleh Hasil ini dengan mudah dijelaskan oleh karakterisasi pemasangan dari
operasi bukaan yang dibahas dalam hubungannya dengan gambar 9.8. Kolom ketiga hanya berisi
perbedaan yang ditetapkan antara yang pertama dan kolom kedua. Kolom keempat berisi dua
kerangka parsial dan hasil akhirnya (pada bagian bawah kolom).
226
Pruning
Metode pemangkasan merupakan pelengkap penting untuk penjarangan dan pembuatan kerangka
algoritma karena prosedur ini cenderung meninggalkan komponen parasit itu perlu "dibersihkan"
. Pendekatan umum dalam pengenalan otomatis karakter yang dicetak dengan tangan adalah
menganalisis bentuk kerangka setiap karakter..Gambar 9.25 (a) menunjukkan kerangka "a" yang
dicetak dengan tangan. Penipisan himpunan masukan dengan urutan elemen penataan yang
dirancang untuk mendeteksi hanya titik akhir mencapai yang diinginkan hasil. Artinya, biarkan
dimana menunjukkan urutan elemen penataan yang ditunjukkan pada Gambar. 9,25 (b) dan (c)
[lihat Persamaan. (9.5-7) tentang urutan elemen penataan]. Urutan elemen penataan terdiri dari
dua struktur yang berbeda, masing-masing yang diputar 90 ° dengan total delapan elemen.
Dalam gambar 9.25 (b) menandakan kondisi "tidak peduli", dalam arti bahwa tidak masalah
apakah piksel di lokasi itu memiliki nilai 0 atau 1. Banyak hasil yang dilaporkan literatur tentang
morfologi didasarkan pada penggunaan elemen penataan tunggal, mirip dengan yang ada di
gambar 9.25 (b), tetapi memiliki kondisi "tidak peduli" di sepanjang kolom pertama. Ini salah.
Misalnya elemen ini akan mengidentifikasi titik yang terletak di baris kedelapan, kolom keempat
gambar. 9.25 (a) sebagai titik akhir, sehingga menghilangkan dan memutus konektivitas di stroke.
Menerapkan persamaan. (9,5-17) hingga tiga kali menghasilkan himpunan pada gambar 9.25 (d).
227
Morfological Reconstruction
Konsep morfologi yang dibahas sejauh ini melibatkan gambar dan elemen penataan. Pada bagian
ini, kita membahas transformasi morfologi yang kuat yang disebut rekonstruksi morfologi yang
melibatkan dua gambar dan elemen penataan. Satu gambar, penanda, berisi titik awal untuk
transformasi. Gambar lainnya, topeng, membatasi transformasi.Elemen penataan digunakan untuk
menentukan konektivitas.
Geodesic dilation and erosion
Inti dari rekonstruksi morfologi adalah konsep dilasi geodesic dan erosi geodesik. menunjukkan
gambar penanda dan gambar topeng. bahwa keduanya adalah gambar biner dan itu. Pelebaran
geodesik ukuran 1 gambar marker sehubungan dengan topeng,
dilambangkan dengan didefinisikan sebagai
228
dimana menunjukkan persimpangan himpunan (di sini dapat diartikan sebagai logika
AND karena perpotongan himpunan dan operasi AND logis adalah sama untuk set biner).
Pelebaran geodesik ukuran sehubungan dengan didefinisikan sebagai
dengan Dalam ekspresi rekursif ini, persimpangan himpunan di Persamaan. (9,5-21)
dilakukan di setiap langkah. ‡ Perhatikan bahwa operator persimpangan menjamin hal itu
topeng akan membatasi pertumbuhan (dilatasi) marker. Gambar 9.26 menunjukkan contoh
sederhana dari dilatasi geodesik ukuran 1. Langkah-langkah pada gambar adalah langsung
implementasi persamaan (9,5-21). Demikian pula, erosi geodesik marker ukuran 1 berkenaan
dengan topeng didefinisikan sebagai
di mana menunjukkan serikat set (atau operasi OR). Erosi geodesik ukuran
dari sehubungan dengan didefinisikan sebagai
229
dengan operasi serikat set di persamaan. (9,5-23) dilakukan di masing-masing langkah berulang,
dan menjamin bahwa erosi geodesik dari suatu citra tetap ada lebih dari atau sama dengan gambar
topengnya. Seperti yang diharapkan dari bentuk dalam persamaan (9.5-21) dan (9.5-23), dilasi
geodesik dan erosi adalah dua hal yang berkaitan dengan set komplementasi. Gambar 9.27
menunjukkan contoh sederhana ukuran erosi geodesik 1. Langkah-langkah pada gambar adalah
implementasi langsung dari Persamaan. (9,5-23)
Morphological reconstruction by dilation and by erosion
Berdasarkan konsep sebelumnya, rekonstruksi morfologi dengan dilatasi gambar topeng dari
gambar marker yang dilambangkan didefinisikan sebagai dilatasi geo desik sehubungan dengan
iterasi sampai stabilitas tercapai; itu adalah,
Gambar 9.28 mengilustrasikan rekonstruksi dengan dilatasi. Gambar 9.28 (a) berlanjut prosesnya
dimulai pada gambar 9.26; yaitu, langkah selanjutnya dalam rekonstruksi setelah memperoleh
adalah melebarkan hasil ini dan kemudian DAN dengan masker untuk menghasilkan seperti yang
ditunjukkan gambar 9.28 (b). Dilatasi dan ditutup dengan itu hasil dan sebagainya. Prosedur ini
diulangi sampai stabil tercapai. Jika kita membawa contoh ini satu langkah lagi, kita akan
menemukannya jadi citra direkonstruksi secara morfologis dengan dilatasi diberikan oleh seperti
230
yang ditunjukkan dalam persamaan (9,5-25). Perhatikan bahwa gambar yang direkonstruksi dalam
hal ini identik dengan topeng karena mengandung piksel bernilai 1 single (ini analog dengan
konvolusi gambar dengan impuls, yang hanya menyalin gambar di lokasi impuls, seperti yang
dijelaskan dalam bagian 3.4.2).
Dengan cara yang sama, rekonstruksi morfologi dengan erosi topeng gambar dari gambar penanda
yang dilambangkan didefinisikan sebagai geodesic erosi sehubungan dengan iterasi sampai
stabilitas; itu adalah,
(9,5-26)
Dengan demikian Sebagai latihan, Anda harus menghasilkan file
Gambar 9.28 untuk rekonstruksi morfologi oleh erosi
Sample application
Rekonstruksi morfologi memiliki spektrum aplikasi praktis yang luas, masing-masing ditentukan
oleh pemilihan marker dan gambar topeng, oleh elemen penataan yang digunakan, dan oleh
231
kombinasi operasi primitif yang ditentukan. pada pembahasan sebelumnya. Contoh berikut
menggambarkan kegunaan dari konsep ini.
Pembukaan dengan rekonstruksi: Dalam pembukaan morfologis, erosi hilang benda kecil dan
pelebaran berikutnya berusaha mengembalikan bentuk benda yang tersisa. Namun, keakuratan
restorasi ini sangat bergantung pada kesamaan bentuk objek dan elemen penataan yang digunakan.
Pembukaan dengan rekonstruksi mengembalikan persis bentuk objek yang tersisa
setelah ErosionPembukaan dengan rekonstruksi ukuran gambar didefinisikan sebagai
rekonstruksi dengan pelebaran dari erosi sebesar itu,
di mana menunjukkan erosi oleh seperti yang dijelaskan dalam bagian 9.5.7. Catatan yang
digunakan sebagai topeng dalam aplikasi ini. Ekspresi serupa bisa jadi ditulis untuk ditutup
dengan rekonstruksi (lihat Tabel 9.1).
Gambar 9.29 menunjukkan contoh pembukaan dengan rekonstruksi. Dalam ilusi ini, kami tertarik
untuk mengekstrak dari Gambar 9.29 (a) karakter itu mengandung guratan vertikal yang panjang.
Pembukaan dengan rekonstruksi membutuhkan setidaknya satu erosi, jadi kami melakukan
langkah itu terlebih dahulu. Gambar 9.29 (b) menunjukkan erosi
232
dari gambar 9.29 (a) dengan elemen penataan panjang sebanding dengan tinggi rata-rata usia
karakter tinggi (51 piksel) dan lebar satu piksel. Untuk tujuan perbandingan, kami menghitung
pembukaan gambar menggunakan elemen penataan yang sama. Gambar 9.29 (c) menunjukkan
hasilnya. Gambar 9.29 (d) adalah pembukaan dengan rekonstruksi (ukuran 1) dari [yaitu,] yang
diberikan dalam persamaan (9,5-27). Hasil ini menunjukkan bahwa karakter yang mengandung
goresan vertikal yang Panjang dipulihkan secara akurat; semua karakter lainnya telah dihapus.
Pada bagian 9.5.2, mengembangkan algoritma untuk mengisi lubang berdasarkan mengetahui titik
awal di setiap lubang pada gambar. Di sini, kami berkembang prosedur yang sepenuhnya otomatis
berdasarkan rekonstruksi morfologi. Membiarkan menunjukkan gambar biner dan anggaplah kita
membentuk gambar penanda itu adalah 0 di mana-mana, kecuali di perbatasan gambar, di mana
itu diatur ke itu,
adalah gambar biner yang sama dengan semua lubang terisi. Mari kita pertimbangkan masingmasing komponen persamaan. (9.5-29) untuk melihat bagaimana ini ekspresi sebenarnya
mengarah ke semua lubang dalam gambar yang sedang diisi. Gambar 9.30 (a) menunjukkan
gambar sederhana yang berisi satu lubang, dan Gambar 9.30 (b) menunjukkan kelengkapannya.
Perhatikan bahwa karena pelengkap set semua latar depan (bernilai 1) piksel ke piksel latar
belakang (bernilai 0), dan sebaliknya, operasi ini berlaku membangun "dinding" 0 di sekitar
lubang. Karena digunakan sebagai topeng AND, semua yang kami lakukan di sini adalah
melindungi semua piksel latar depan (termasuk dinding di sekitar lubang) agar tidak berubah
selama iterasi prosedur. Angka 9.30 (c) adalah larik yang dibentuk menurut persamaan. (9.5-28)
233
dan gambar 9.30 (d) dilatasi dengan SE yang semua elemennya adalah 1. Perhatikan bahwa
penanda memiliki batas 1s (kecuali di lokasi di mana adalah 1), jadi dilatasi titik penanda dimulai
di perbatasan dan berlanjut ke dalam. Gambar 9.30 (e) menunjukkan dimensi geodesik
penggunaan sebagai topeng. Seperti yang baru saja ditunjukkan, kami melihat semua lokasi dalam
hasil ini sesuai dengan piksel latar depan dari adalah 0, dan ini adalah benar sekarang untuk piksel
lubang juga. Iterasi lain akan menghasilkan hasil yang sama yang bila dilengkapi seperti yang
dipersyaratkan oleh Persamaan. (9,5-29), memberikan hasil gambar 9.30 (f). Sesuai keinginan,
lubang sekarang terisi dan sisa gambar tidak diubah. Operasi tersebut menghasilkan gambar yang
berisi piksel bernilai 1 dalam format lokasi yang sesuai dengan lubang seperti yang ditunjukkan
gambar 9.30 (g)
Gambar 9.31 menunjukkan contoh yang lebih praktis. Gambar 9.31 (b) menunjukkan penyelesaian
gambar teks pada Gambar 9.31 (a), dan Gambar 9.31 (c) adalah gambar marker,
234
dihasilkan menggunakan persamaan. (9,5-28). Gambar ini memiliki batas 1s, kecuali di lokasi
yang sesuai dengan 1s di tepi gambar asli. Gambar 9.31 (d) menunjukkan gambar dengan semua
lubang terisi.
Dalam aplikasi ini, kami menggunakan gambar asli sebagai topeng dan gambar penanda berikut:
Algoritma perbatasan-Eclearing pertama menghitung rekonstruksi morfologi (yang hanya
mengekstrak objek yang menyentuh perbatasan) dan kemudian menghitung perbedaannya
untuk mendapatkan gambar, tanpa ada objek yang menyentuh batas
235
Sebagai contoh, perhatikan gambar teks lagi. Gambar 9.32 (a) di sebelumnya halaman
menunjukkan rekonstruksi yang diperoleh dengan menggunakan elemen penataan semua 1s
(perhatikan objek yang menyentuh batas di sisi kanan), dan gambar 9.32 (b) menunjukkan gambar
yang dihitung menggunakan persamaan. (9,5-31). Jika tugas sudah dekat adalah pengenalan
karakter otomatis, memiliki gambar di mana tidak ada karakter menyentuh perbatasan paling
berguna karena masalah harus mengenali karakter parsial (tugas yang paling sulit) dihindari.
Summary of morphological operation on Binary Image
Tabel 9.1 merangkum hasil morfologi yang dikembangkan sebelumnya bagian, dan gambar 9.33
meringkas tipe dasar dari elemen penataan yang digunakan dalam berbagai proses morfologi yang
dibahas sejauh ini. Angka Romawi di kolom ketiga Tabel 9.1 mengacu pada elemen penataan pada
gambar 9.33.
236
237
238
239
Gray Scale Morphology
Pada bagian ini, kami memperluas ke gambar skala abu-abu operasi dasar pelebaran,erosi,
pembukaan, dan penutupan. Kami kemudian menggunakan operasi ini untuk mengembangkan
beberapa algoritma morfologi skala abu-abu dasar. Sepanjang pembahasan berikut, kami
membahas fungsi digital dari bentuk dan di mana adalah gambar skala abu-abu dan adalah elemen
penataan.
Unsur-unsur penataan dalam morfologi skala abu-abu termasuk dalam salah satu dari dua kategori:
tidak datar dan datar. Gambar 9.34 menunjukkan sebuah contoh masing-masing. Gambar 9.34 (a)
adalah SE skala abu-abu setengah bola yang ditunjukkan sebagai gambar, dan Gambar. 9.34 (c)
adalah profil intensitas horizontal melalui pusatnya. Gambar 9.34 (b) refleksi SE dalam morfologi
skala abu-abu seperti yang didefinisikan dalam bagian 9.1, dan kami menunjukkannya pada
berikut ini :
N (x, y) = b (-x - y).
240
Erosion dan Dilation
Erosi oleh elemen struktur datar di lokasi manapun didefinisikan sebagai nilai minimum citra di
wilayah tersebut bertepatan dengan saat asal adalah pada Dalam bentuk persamaan, erosi pada
gambar oleh elemen penataan diberikan oleh
di mana, yaitu, untuk menemukan erosi dengan menempatkan origin dari elemen penataan di setiap
lokasi piksel pada gambar. Erosi di lokasi mana pun ditentukan dengan memilih nilai minimum
dari semua nilai-nilai yang terkandung di daerah tersebut bertepatan dengan misalnya, jika elemen
struktur persegi dengan ukuran yang memperoleh erosi pada suatu titik memerlukan pencarian
minimum dari sembilan nilai yang terkandung dalam wilayah yang ditentukan oleh saat asalnya
berada pada titik tersebut. Demikian pula, dilatasi oleh elemen penataan datar di lokasi mana pun
didefinisikan sebagai nilai maksimum gambar di jendela yang diuraikan oleh kapan asal ada di
Yaitu,
di mana kami menggunakan fakta yang disebutkan sebelumnya bahwa Penjelasan persamaan ini
identik dengan penjelasan di paragraf sebelumnya, tetapi menggunakan operasi maksimum, bukan
minimum, dan mengingat bahwa elemen penataan direfleksikan tentang asalnya, yang kita hitung
dengan menggunakan argumen fungsi.
Gambar 9.35 (a) menggunakan disk SE dengan tinggi satuan dan radius dua piksel. efek yang baru
saja disebutkan terlihat jelas pada gambar yang terkikis. Contohnya, perhatikan bagaimana
intensitas titik terang kecil dikurangi, membuatnya hampir tidak terlihat pada gambar 9.35 (b),
241
sedangkan kenampakan medan gelap bertambah tebal. Itu latar belakang umum gambar yang
terkikis sedikit lebih gelap dari latar belakang gambar asli. Demikian pula, gambar 9.35 (c)
menunjukkan hasil dilatasi dengan SE yang sama. Efeknya berlawanan dengan yang didapat
dengan erosi. Ciri-ciri cerah ditebal dan intensitas ciri-ciri gelap dikurangi. Perhatikan secara
khusus bagaimana kabel penghubung hitam tipis di kiri, tengah, dan kanan, bagian bawah Gambar
9.35 (a) hampir tidak terlihat pada gambar 9.35 (c).
Ukuran titik-titik gelap berkurang akibat dilatasi tetapi, tidak seperti mengikis titik-titik putih
kecil pada gambar 9.35 (b), masih mudah terlihat dalam dilatasi
gambar. Alasannya, titik-titik hitam itu awalnya lebih besar dari pada yang putih titik sehubungan
dengan ukuran SE. Terakhir, perhatikan bahwa latar belakang file gambar yang dilatasi sedikit
lebih terang dari pada gambar 9.35 (a). SE nonflat memiliki nilai skala abu-abu yang bervariasi
sesuai domain definisinya. Erosi citra oleh elemen penataan nonflat, didefinisikan sebagai
Di sini, kami benar-benar mengurangi nilai dari untuk menentukan erosi di titik mana pun.
Artinya, tidak seperti persamaan. (9.6-1), erosi menggunakan SE nonflat tidak dibatasi
242
secara umum dengan nilai-nilai yang dapat menimbulkan masalah dalam menafsirkan hasil. Selain
itu, UK skala abu-abu jarang digunakan dalam praktik karena hal ini kesulitan potensial dalam
memilih elemen yang berarti untuk dan ditambahkan beban komputasi jika dibandingkan dengan
Persamaan. (9.6-1).
Dengan cara yang sama, dilatasi menggunakan SE nonflat didefinisikan sebagai
Komentar yang sama yang dibuat di paragraf sebelumnya dapat diterapkan untuk dilatasi
dengan SE nonflat. Ketika semua elemen konstan (yaitu, SE datar),
Persamaan. (9.6-3) dan (9.6-4) dikurangi menjadi Persamaan. (9.6-1) dan (9.6-2), masing-masing,
dalam konstanta skalar sama dengan amplitudo SE.
Menyederhanakan notasi dalam diskusi berikut dengan menghilangkan argumen dari semua
fungsi, di mana kasus persamaan sebelumnya ditulis sebagai
Similarly
Erosi dan pelebaran sendiri tidak terlalu berguna dalam skala abu-abu pengolahan citra. Seperti
halnya rekan biner mereka, operasi ini menjadi kuat saat digunakan dalam kombinasi untuk
mendapatkan algoritme tingkat yang lebih tinggi, seperti materi di bagian berikut menunjukkan
243
Some Basic Gray scale Morphological Algorithm
Banyak teknik morfologi didasarkan pada konsep morfologi skala abu-abu yang diperkenalkan
sejauh ini.
Morphological smoothing
Karena pembukaan menekan detail terang yang lebih kecil dari SE yang ditentukan, dan penutupan
menekan detail gelap, mereka sering digunakan dalam kombinasi sebagai filter morfologi untuk
menghaluskan gambar dan menghilangkan noise. Gambar 9.38 (a), yang menunjukkan gambar
supernova Cygnus Loop yang diambil pita sinar-X. Gambar 9.38 (b) menunjukkan hasil
pembukaan gambar asli dengan bentuk datar cakram radius 2 dan kemudian menutup bukaan
dengan SE dengan ukuran yang sama. Gambar 9.38 (c) dan (d) menunjukkan hasil dari operasi
yang sama dengan menggunakan SE dari jari-jari 3 dan 5, masing-masing. Hasil pada Gambar
9.38 didasarkan pada pembukaan gambar asli dan kemudian menutup pembukaan.
244
dari langkah sebelumnya. Jenis pemfilteran ini berguna dalam analisis gambar otomatis, yang
hasilnya di setiap langkah dibandingkan dengan metrik yang ditentukan. Secara umum,
pendekatan ini menghasilkan lebih banyak keburaman untuk ukuran SE yang sama daripada
metode yang diilustrasikan pada Gambar 9.38
Morphological gradient
Dilatasi dan erosi dapat digunakan dalam kombinasi dengan pengurangan citra untuk mendapatkan
gradien morfologi citra, dilambangkan dengan Pelebaran menebalkan daerah pada gambar dan
erosi menyusutnya.
Gambar 9.39 menunjukkan sebuah contoh. Gambar 9.39 (a) adalah CT scan kepala, dan dua angka
berikutnya adalah pembukaan dan penutupan dengan SE dari semua 1. Perhatikan penebalan dan
penyusutan baru saja disebutkan. Gambar 9.39 (d) adalah morfologi gradien diperoleh dengan
menggunakan persamaan. (9.6-11), dimana batas antar wilayah digambarkan dengan jelas, seperti
yang diharapkan dari gambar turunan 2-D
245
Top-hat and bottom-hat transformations
Menggabungkan pengurangan gambar dengan bukaan dan penutupan menghasilkan apa yang
disebut transformasi topi atas dan topi bawah. Transformasi top-hat dari gambar skala abu-abu
didefinisikan sebagai minus bukaannya:
Salah satu aplikasi utama dari transformasi ini adalah dalam menghilangkan objek dari gambar
dengan menggunakan elemen penataan di bagian pembuka atau penutup.
Perhatikan gambar 9.40 (a), yang menunjukkan gambar biji-bijian beras. Gambar ini diperoleh
dengan pencahayaan tidak seragam, sebagaimana dibuktikan oleh area yang lebih gelap di bagian
bawah, bagian paling kanan dari gambar. Gambar 9.40 (b) menunjukkan hasil thresholding dengan
metode Otsu merupakan metode thresholding yang optimal.
Gambar 9.40 (c) menunjukkan bukaan dari gambar dengan cakram radius 40. SE ini cukup besar
sehingga tidak bisa cocok dengan salah satu objek. Akibatnya, objek dihilangkan, hanya
menyisakan file perkiraan latar belakang. Pola bayangan terlihat jelas pada gambar ini. Oleh
mengurangi gambar ini dari aslinya (yaitu, melakukan transformasi top-hat), latar belakang akan
menjadi lebih seragam. Ini memang kasusnya, seperti gambar 9.40 (d) menunjukkan. Latar
belakang tidak seragam sempurna, tetapi perbedaannya antara ekstrim terang dan gelap kurang,
dan ini sudah cukup untuk menghasilkan yang benar
246
hasil segmentasi di mana semua butiran beras terdeteksi, seperti yang ditunjukkan gambar 9.40
(e).
Granulometry
Dalam hal pengolahan citra, granulometri merupakan bidang yang berkaitan dengan penentuan
distribusi ukuran partikel dalam sebuah gambar. Dalam praktiknya, partikel jarang ada dipisahkan
dengan rapi, yang membuat penghitungan partikel dengan mengidentifikasi masing-masing bagian
menjadi tugas yang sulit. Morfologi dapat digunakan untuk memperkirakan distribusi ukuran
partikel secara tidak langsung, tanpa harus mengidentifikasi dan mengukur setiap partikel pada
gambar.
Gambar 9.41 (a) yang merupakan gambar colokan batang kayu dari dua ukuran dominan. Serat
kayu di pasak kemungkinan besar akan masuk variasi bukaan, jadi menghaluskan adalah langkah
247
pra-pemrosesan yang masuk akal. Gambar 9.41 (b) menunjukkan gambar dihaluskan
menggunakan penghalusan morfologi
Filter dibahas sebelumnya, dengan cakram radius 5. Gambar 9.41 (c) sampai (f) menunjukkan
contoh bukaan gambar dengan cakram jari-jari 10, 20, 25, dan 30. Catatan dalam gambar . 9.41
(d) bahwa kontribusi intensitas karena pasak kecil telah dihilangkan. Pada gambar 9.41 (e)
kontribusi dari pena besar telah berkurang secara signifikan, dan pada gambar 9.41 (f) bahkan
lebih. (Perhatikan gambar 9.41 (e) itu paku kayu besar di dekat kanan atas gambar jauh lebih gelap
daripada yang lain karena ukurannya yang lebih kecil. Ini akan menjadi informasi yang berguna
jika kita tergoda untuk mendeteksi pena yang rusak.)
Gambar 9.42 menunjukkan plot array perbedaan. Seperti yang disebutkan sebelumnya, kami
mengharapkan perbedaan yang signifikan (puncak dalam plot) di sekitar jari-jari di mana SE cukup
besar untuk mencakup sekumpulan partikel yang kira-kira sama diameter. Hasil pada gambar 9.42
248
memiliki dua puncak yang berbeda, yang secara jelas menunjukkan adanya dua ukuran objek
dominan pada citra.
Textural segmentation
Gambar 9.43 (a) menunjukkan gambar bising dari gumpalan gelap yang ditumpangkan pada latar
belakang terang. Gambar memiliki dua wilayah tekstur: wilayah yang terdiri atas blob besar di
kanan dan wilayah di kiri terdiri dari gumpalan yang lebih kecil. Tujuannya adalah untuk
menemukan batas antara dua wilayah berdasarkan konten.
Gambar 9.43 (b), diperoleh dengan menutup gambar input menggunakan disk dengan radius 30
piksel, menunjukkan bahwa memang ini adalah file case (radius blob kira-kira 25 piksel). Jadi,
pada titik ini, kami memiliki gambar dengan gumpalan besar dan gelap dengan latar belakang
terang. Gambar 9.43 (c) menunjukkan hasil yang diperoleh dengan menggunakan cakram dengan
radius 60. Melakukan gradien morfologi pada gambar ini dengan, katakanlah, SE dari 1s, akan
memberi kita batas antara dua wilayah. Gambar 9.43 (d) menunjukkan batas yang diperoleh dari
operasi gradien morfologi .
249
Gray scale Morfological Recontruction
Rekonstruksi morfologi skala abu-abu didefinisikan pada dasarnya dengan cara membiarkan
dan menunjukkan penanda dan gambar topeng, masing-masing, berasumsi bahwa keduanya
adalah gambar skala abu-abu dengan ukuran yang sama.
Gambar 9.44 (a), hanya menyisakan teks pada latar belakang dengan intensitas konstan. Solusi
dari masalah ini adalah ilustrasi yang baik tentang kekuatan konsep morfologi.
250
Gambar 9.44 (b) menunjukkan hasil pembukaan dengan rekonstruksi aslinya
gambar menggunakan ukuran garis horizontal dalam operasi erosi. Latar belakang yang dihasilkan
tidak akan seragam, seperti yang ditunjukkan Gambar 9.44 (c) (misalnya, bandingkan daerah
antara tombol di dua gambar). Gambar 9.44 (d) menunjukkan hasil pengurangan gambar 9.44 (b)
dari gambar 9.44 (a) seperti yang diharapkan, pantulan horizontal dan variasi latar belakang
ditekan. Untuk perbandingan, gambar 9.44 (e) menunjukkan hasil dari melakukan hanya formasi
trans top-hat (yaitu, mengurangi pembukaan "standar" dari gambar, seperti yang dibahas
sebelumnya di bagian ini). Seperti yang diharapkan dari karakteristik latar belakang pada gambar
9.44 (c), latar belakang pada Gambar 9.44 (e) hampir tidak berbentuk uni seperti pada Gambar
9.44 (d).
Langkah selanjutnya adalah menghilangkan pantulan vertikal dari tepi tombol,yang cukup terlihat
pada gambar 9.44 (d). Gambar 9.44 (f) menunjukkan hasil melakukan operasi ini pada gambar
251
9.44 (d). Refleksi vertikal ditekan, tetapi begitu juga dengan goresan tipis dan vertikal yang
merupakan karakter yang valid (misalnya, I dalam SIN), jadi kita harus menemukan cara untuk
memulihkan yang terakhir. Gambar 9.44 (g), diperoleh dengan dilatasi Gambar 9.44 (f) dengan
garis ukuran SE menunjukkan bahwa memang ini kasusnya. Semua yang tersisa pada titik ini
adalah mengembalikan karakter yang ditekan. Pertimbangkan gambar yang dibentuk sebagai titikbijak minimum antara gambar yang dilatasi pada gambar 9.44 (g) dan top-hat dengan rekonstruksi
pada Gambar 9.44 (d). Gambar 9.44 (h). Hasil akhir pada gambar 9.44 (i). Gambar ini
menunjukkan bahwa semua karakter diekstrak dengan benar dari aslinya, latar belakang tidak
beraturan, termasuk latar belakang kunci. Latar belakang pada Gambar 9.44 (i) adalah satu
kesatuan
252
Bab 10
IMAGE SEGMENTATION
Segmentasi membagi gambar ke dalam wilayah atau objek penyusunnya tingkat detail di mana
subdivisi dilakukan tergantung pada masalah yang sedang dihadapi diselesaikan. Artinya,
segmentasi harus berhenti ketika objek atau wilayah yang diminati dalam aplikasi telah terdeteksi.
Misalnya, dalam inspeksi otomatis rakitan elektronik, minat terletak pada menganalisis gambar
produk dengan with tujuan untuk menentukan ada tidaknya anomali tertentu, seperti: komponen
yang hilang atau jalur koneksi yang rusak. Tidak ada gunanya membawa segmentasi melewati
tingkat detail yang diperlukan untuk mengidentifikasi elemen-elemen tersebut. Segmentasi
gambar nontrivial adalah salah satu tugas yang paling sulit dalam gambar pengolahan. Akurasi
segmentasi menentukan keberhasilan atau kegagalan akhirnya prosedur analisis terkomputerisasi.
Untuk alasan ini, perhatian yang cukup harus diambil untuk meningkatkan kemungkinan
segmentasi yang akurat. Dalam beberapa situasi, seperti dalam aplikasi inspeksi industri,
setidaknya beberapa ukuran: kontrol atas lingkungan biasanya dimungkinkan. Perancang sistem
pemrosesan gambar yang berpengalaman selalu memberikan perhatian yang besar terhadap
peluang tersebut. Dalam aplikasi lain, seperti akuisisi target otonom, perancang sistem tidak
memiliki kendali atas lingkungan operasi.
Pendekatannya adalah fokus pada pemilihan jenis sensor yang paling mungkin untuk ditingkatkan
objek yang menarik sambil mengurangi kontribusi gambar yang tidak relevan rinci. Contoh yang
baik adalah penggunaan pencitraan inframerah oleh militer untuk mendeteksi objek dengan tanda
panas yang kuat, seperti peralatan dan pasukan yang bergerak.
Sebagian besar algoritma segmentasi dalam bab ini didasarkan pada salah satu dari dua:
253
sifat dasar nilai intensitas: diskontinuitas dan kesamaan. Dalam kategori pertama, pendekatannya
adalah dengan mempartisi gambar berdasarkan perubahan intensitas yang tiba-tiba, seperti tepi.
Pendekatan utama dalam kategori kedua didasarkan pada partisi gambar ke dalam wilayah yang
serupa menurut satu set yang telah ditentukan kriteria. Thresholding, region growth, dan region
splitting dan merging adalah contoh metode dalam kategori ini. Dalam bab ini, kita membahas dan
mengilustrasikan sejumlah pendekatan ini dan menunjukkan bahwa peningkatan kinerja
segmentasi dapat dicapai dengan menggabungkan metode dari kategori yang berbeda, seperti:
sebagai teknik di mana deteksi tepi dikombinasikan dengan thresholding. Kami membahas juga
segmentasi citra berdasarkan morfologi. Pendekatan ini sangat menarik karena menggabungkan
beberapa atribut positif dari segmentasi.
Berdasarkan teknik yang disajikan di bagian pertama bab ini. Kami menyimpulkan bab dengan
diskusi singkat tentang penggunaan isyarat gerak untuk segmentasi
Fundamental
Biarkan mewakili seluruh wilayah spasial yang ditempati oleh sebuah gambar. Kami dapat melihat
segmentasi citra sebagai proses yang membagi menjadi subregion,seperti yang
Di sini, adalah predikat logis yang didefinisikan di atas titik-titik dalam himpunan dan adalah
himpunan nol. Simbol dan mewakili himpunan serikat dan persimpangan, masing-masing.
254
Kondisi (a) menunjukkan bahwa segmentasi harus lengkap; itu adalah, setiap piksel harus berada
dalam suatu wilayah. Kondisi (b) mensyaratkan bahwa titik-titik dalam suatu daerah menjadi
terhubung dalam beberapa pengertian yang telah ditentukan (misalnya, titik harus 4- atau 8terhubung, sebagaimana didefinisikan dalam Bagian 2.5.2). Kondisi (c) menunjukkan bahwa
daerah harus menguraikan. Kondisi (d) berkaitan dengan sifat-sifat yang harus dipenuhi oleh piksel
di wilayah tersegmentasi—misalnya, jika semua piksel di memiliki tingkat intensitas yang sama.
Akhirnya, kondisi (e) menunjukkan bahwa dua berdekatan wilayah dan harus berbeda dalam arti
predikat Q
Jadi, kita melihat bahwa masalah mendasar dalam segmentasi adalah untuk partisi gambar ke
daerah yang memenuhi kondisi sebelumnya. Algoritma segmentasi untuk gambar monokrom
umumnya didasarkan pada salah satu dari dua dasar: kategori berurusan dengan sifat nilai
intensitas: diskontinuitas dan kesamaan. Pada kategori pertama, asumsinya adalah bahwa batasbatas wilayah adalah cukup berbeda satu sama lain dan dari latar belakang untuk memungkinkan
deteksi batas berdasarkan diskontinuitas lokal dalam intensitas. Berbasis tepi segmentasi adalah
pendekatan utama yang digunakan dalam kategori ini. Berbasis wilayah pendekatan segmentasi
dalam kategori kedua didasarkan pada partisi dan gambar ke dalam wilayah yang serupa menurut
seperangkat kriteria yang telah ditentukan.
Gambar 10.1 mengilustrasikan konsep sebelumnya. Gambar 10.1(a) menunjukkan sebuah gambar
dari wilayah dengan intensitas konstan yang ditumpangkan pada latar belakang yang lebih gelap,
juga dari intensitas konstan. Kedua wilayah ini terdiri dari wilayah gambar keseluruhan. Angka
10.1(b) menunjukkan hasil komputasi batas daerah dalam berdasarkan pada diskontinuitas
intensitas. Titik di dalam dan di luar batas berwarna hitam (nol) karena tidak ada diskontinuitas
dalam intensitas di wilayah tersebut. Untuk menyegmentasikan gambar, kami menetapkan satu
255
tingkat (misalnya, putih) ke piksel aktif, atau interior ke, batas dan tingkat lain (katakanlah, hitam)
ke semua titik eksterior ke batas. Gambar 10.1(c) menunjukkan hasil dari prosedur tersebut. Kami
melihat itu kondisi (a) sampai (c) yang dinyatakan di awal bagian ini dipenuhi oleh:
hasil ini. Predikat kondisi (d) adalah: Jika suatu piksel berada pada, atau di dalam batas,beri label
putih; jika tidak, beri label hitam. Kita melihat bahwa predikat ini BENAR untuk titik berlabel
hitam dan putih pada gambar 10.1(c). Demikian pula, keduanya tersegmentasi daerah (objek dan
latar belakang) memenuhi syarat (e). Tiga gambar berikutnya menggambarkan segmentasi
berbasis wilayah. Gambar 10.1(d) mirip dengan gambar 10.1(a), tetapi intensitas daerah dalam
membentuk tekstur pola. Gambar 10.1(e) menunjukkan hasil komputasi tepi gambar ini. Jelas,
banyak perubahan palsu dalam intensitas membuat sulit untuk mengidentifikasi batas unik untuk
256
gambar asli karena banyak dari yang bukan nol perubahan intensitas terhubung ke batas, jadi
segmentasi berbasis tepi bukanlah pendekatan yang cocok. Kami mencatat bagaimanapun, bahwa
wilayah luar adalah konstan, jadi yang kita butuhkan untuk menyelesaikan masalah segmentasi
sederhana ini adalah predikat bahwa membedakan antara daerah bertekstur dan daerah konstan.
Standar deviasi nilai piksel adalah ukuran yang menyelesaikan ini, karena tidak nol dalam area
dari wilayah tekstur dan nol sebaliknya. Gambar 10.1(f) menunjukkan hasilnya membagi gambar
asli ke dalam subregion dengan ukuran Setiap subregion kemudian diberi label putih jika standar
deviasi pikselnya positif (yaitu,jika predikatnya BENAR) dan nol sebaliknya. Hasilnya memiliki
tampilan “gumpal” di sekitar tepi daerah karena kelompok kotak diberi label dengan intensitas
yang sama. Akhirnya, perhatikan bahwa hasil ini juga memuaskan lima kondisi yang disebutkan
di awal bagian ini.
Point, Line, dan Edge Detection
Fokus bagian ini adalah pada metode segmentasi yang didasarkan pada pendeteksian perubahan
intensitas lokal yang tajam. kita tertarik adalah titik terisolasi, garis, dan tepi. Piksel tepi adalah
piksel didi mana intensitas fungsi gambar berubah secara tiba-tiba, dan tepi (atau tepi) segmen)
adalah kumpulan piksel tepi yang terhubung (tentang konektivitas). Detektor tepi adalah metode
pemrosesan gambar lokal yang dirancang untuk mendeteksi piksel tepi. Sebuah garis dapat dilihat
sebagai segmen tepi di mana intensitas latar belakang di kedua sisi garis jauh lebih tinggi atau jauh
lebih rendah daripada intensitas piksel garis. Faktanya, seperti yang kita bahas di bagian berikut,
garis menimbulkan apa yang disebut "tepi atap." Demikian pula, titik terisolasi dapat dilihat
sebagai garis yang panjang dan lebarnya adalah sama dengan satu piksel.
257
Latar Belakang
Turunan dari fungsi digital didefinisikan dalam bentuk perbedaan. Sana berbagai cara untuk
memperkirakan perbedaan ini tetapi, seperti yang dijelaskan dalam kami mensyaratkan bahwa
setiap pendekatan yang digunakan untuk turunan pertama first
(1) harus nol di daerah dengan intensitas konstan;
(2) harus bukan nol di awal
dari langkah intensitas atau ramp; dan
(3) harus bukan nol pada titik-titik sepanjang suatu intensitas
lereng. Demikian pula, kami mengharuskan pendekatan yang digunakan untuk turunan kedua
second (1) harus nol di daerah dengan intensitas konstan; (2) harus bukan nol pada permulaan dan
akhir dari langkah intensitas atau ramp; dan (3) harus nol di sepanjang jalur landai intensitas.
Karena kita berhadapan dengan besaran digital yang nilainya berhingga, perubahan intensitas
maksimum yang mungkin juga berhingga, dan yang terpendek jarak di mana perubahan dapat
terjadi adalah antara piksel yang berdekatan. Kami memperoleh pendekatan ke turunan orde
pertama di titik fungsi satu dimensi dengan memperluas fungsi menjadi Deret Taylor tentang
membiarkan dan menjaga hanya suku-suku linier (Masalah 10.1). Hasilnya adalah perbedaan
digital
Kami menggunakan turunan parsial di sini untuk konsistensi dalam notasi ketika kami
mempertimbangkan fungsi gambar dari dua variabel, di mana kami akan berurusan dengan turunan
parsial sepanjang dua sumbu spasial. Jelas, ketika adalah fungsi dari satu variabel saja. Kami
memperoleh ekspresi untuk turunan kedua dengan membedakan Persamaan
258
di mana baris kedua mengikuti dari Persamaan. (10.2-1). Ekspansi ini tentang titik Bunga kita ada
pada turunan kedua tentang titik jadi kita kurangi 1 dari argumen dalam ekspresi sebelumnya dan
dapatkan hasilnya
Dengan mudah diverifikasi bahwa Persamaan. (10.2-1) dan (10.2-2) memenuhi kondisi yang
disebutkan di awal bagian ini tentang turunan dari yang pertama dan kedua memesan. Untuk
mengilustrasikan ini, dan juga untuk menyoroti persamaan mendasar dan perbedaan antara turunan
orde pertama dan kedua dalam konteks pengolahan citra, perhatikan Gambar 10.2.
Gambar 10.2(a) menunjukkan gambar yang berisi berbagai benda padat, garis, dan titik kebisingan
tunggal. Gambar 10.2(b) menunjukkan profil intensitas horizontal (garis pindai) dari gambar kirakira melalui pusatnya, termasuk titik terisolasi. Transisi dalam intensitas antara benda padat dan
latar belakang sepanjang pemindaian garis menunjukkan dua jenis tepi: tepi jalan (di sebelah kiri)
dan tepi langkah (di atas) Baik). Seperti yang akan kita bahas nanti, transisi intensitas yang
melibatkan benda tipis seperti garis sering disebut sebagai tepi atap. Gambar 10.2(c) menunjukkan
penyederhanaan dari profil, dengan poin yang cukup untuk memungkinkan kita menganalisis
secara numerik bagaimana turunan orde pertama dan kedua berperilaku ketika mereka menghadapi
259
titik kebisingan, garis, dan tepi objek. Dalam diagram yang disederhanakan ini transisi di jalan
mencakup empat piksel, titik kebisingan adalah satu piksel, garis tebal tiga piksel, dan transisi
langkah intensitas terjadi antara takes piksel yang berdekatan. Jumlah tingkat intensitas dibatasi
hingga delapan untuk kesederhanaan. Pertimbangkan sifat-sifat turunan pertama dan kedua saat
kita melintasi profil dari kiri ke kanan. Awalnya, kami mencatat bahwa turunan orde pertama
adalah tidak nol pada awal dan sepanjang ramp intensitas, sedangkan turunan orde kedua tidak nol
hanya pada awal dan akhir ramp. Karena tepi gambar digital menyerupai jenis transisi ini, kami
menyimpulkan bahwa turunan orde pertama menghasilkan tepi "tebal" dan turunan orde kedua
banyak yang lebih halus. Selanjutnya kita menemukan titik kebisingan yang terisolasi. Disini
besarnya magnitude respons pada intinya jauh lebih kuat untuk yang kedua daripada untuk yang
pertama turunan. Ini tidak terduga, karena turunan orde kedua banyak
260
lebih agresif daripada turunan orde pertama dalam meningkatkan perubahan tajam. Jadi, kita dapat
mengharapkan turunan orde kedua untuk meningkatkan detail halus (termasuk noise) lebih dari
turunan orde pertama. Garis dalam contoh ini agak tipis, jadi detailnya juga bagus, dan kita lihat
lagi bahwa turunan kedua memiliki besaran yang lebih besar. Akhirnya, perhatikan baik di tepi
tanjakan dan anak tangga bahwa turunan kedua memiliki tanda yang berlawanan (negatif ke positif
atau positif ke negatif) saat bertransisi masuk dan keluar dari tepi. Efek "tepi ganda" ini merupakan
karakteristik penting itu, seperti yang kita tunjukkan di bagian 10.2.6, dapat digunakan untuk
261
menemukan tepi. Tanda dari turunan kedua juga digunakan untuk menentukan apakah suatu sisi
merupakan transisi dari terang ke gelap (turunan kedua negatif) atau dari gelap ke terang (detik
positif turunan), di mana tanda diamati saat kita bergerak ke tepi.
Singkatnya, kami sampai pada kesimpulan berikut:
(1) Turunan orde pertama First umumnya menghasilkan tepi yang lebih tebal dalam suatu
gambar. (2)
(2) Derivatif orde kedua memiliki respons yang lebih kuat terhadap detail halus, seperti garis
tipis, titik terisolasi, dan noise.
(3) Derivatif orde kedua menghasilkan respons sisi ganda pada ramp dan step transisi dalam
intensitas.
(4) Tanda turunan kedua dapat digunakan untuk menentukan apakah transisi ke tepi adalah dari
terang ke gelap atau gelap ke terang.
Pendekatan pilihan untuk menghitung turunan pertama dan kedua di setiap lokasi piksel dalam
suatu citra adalah dengan menggunakan filter spasial. Untuk masker filter di Gambar 10.3,
prosedurnya adalah menghitung jumlah produk dari koefisien topeng dengan nilai intensitas di
wilayah yang dicakup oleh topeng. Yaitu, dengan mengacu pada Persamaan. (3.4.3), respon topeng
di titik pusat daerah adalah
di mana adalah intensitas piksel yang lokasi spasialnya sesuai dengan lokasi koefisien ke-k di
topeng. Detail penerapan operasi ini pada semua piksel dalam gambar dibahas secara rinci di
Bagian 3.4 dan
3.6. Dengan kata lain, perhitungan turunan berdasarkan topeng spasial adalah penyaringan spasial
dari sebuah gambar dengan topeng tersebut, seperti yang dijelaskan pada bagian tersebut.
262
Berdasarkan kesimpulan yang dicapai di bagian sebelumnya, kita tahu poin itu deteksi harus
didasarkan pada turunan kedua. Dari diskusi di Bagian 3.6.2, ini menyiratkan penggunaan
Laplacian:
Seperti yang dijelaskan dalam bagian 3.6.2, ekspresi ini dapat diimplementasikan menggunakan
mask pada gambar 3.37(a). Juga, seperti yang dijelaskan pada bagian itu, kita dapat memperluas
persamaan (10.2-7) untuk memasukkan suku-suku diagonal, dan gunakan topeng pada gambar
3.37(b). Menggunakan Topeng Laplacian pada gambar 10.4(a), yang sama dengan topeng pada
263
Gambar 3.37(b), kita katakan bahwa suatu titik telah terdeteksi di lokasi di mana topeng itu berada
terpusat jika nilai absolut dari respons topeng pada titik itu melebihi ambang batas yang ditentukan.
Titik-titik tersebut diberi label 1 pada gambar keluaran dan semua yang lain diberi label 0, sehingga
menghasilkan gambar biner. Dengan kata lain, keluaran diperoleh dengan menggunakan ekspresi
berikut:
di mana adalah gambar keluaran, adalah ambang non-negatif, dan diberikan oleh Persamaan.
(10.2-3). Formulasi ini hanya mengukur perbedaan bobot antara piksel dan 8 tetangganya. Secara
intuitif, idenya adalah bahwa intensitas titik terisolasi akan sangat berbeda dari sekitarnya dan
dengan demikian akan mudah dideteksi oleh jenis topeng ini. Satu-satunya perbedaan dalam
intensitas yang dianggap menarik adalah mereka yang cukup besar (sebagaimana ditentukan oleh)
untuk dianggap sebagai titik terisolasi. Perhatikan bahwa, seperti biasa untuk topeng turunan,
koefisien berjumlah nol, menunjukkan bahwa respons topeng akan menjadi nol di area intensitas
konstan
264
Kami mengilustrasikan segmentasi titik terisolasi dalam gambar dengan bantuan gambar 10.4(b),
yang merupakan gambar sinar-X dari sudu turbin dari mesin jet. Itu bilah memiliki porositas di
kuadran kanan atas gambar, dan ada piksel hitam tunggal tertanam dalam porositas. Gambar
10.4(c) adalah hasil dari menerapkan topeng detektor titik ke gambar sinar-X, dan gambar 10.4(d)
menunjukkan hasil menggunakan persamaan. (10.2-8) dengan sama dengan 90% dari absolut
tertinggi nilai piksel dari gambar 10.4(c). Piksel tunggal terlihat jelas dalam hal ini gambar (piksel
diperbesar secara manual untuk meningkatkan visibilitasnya). Jenis ini proses deteksi agak
terspesialisasi, karena didasarkan pada intensitas yang tiba-tiba perubahan di lokasi piksel tunggal
yang dikelilingi oleh latar belakang homogen di area topeng detektor. Bila kondisi ini tidak
terpenuhi, metode lain yang dibahas dalam bab ini lebih cocok untuk mendeteksi perubahan
intensitas.
265
Line Detection
Tingkat kerumitan berikutnya adalah deteksi garis. Berdasarkan pembahasan di Bagian 10.2.1,
kita tahu bahwa untuk deteksi garis kita dapat mengharapkan turunan kedua menghasilkan respons
yang lebih kuat dan menghasilkan garis yang lebih tipis daripada yang pertama turunannya.
Dengan demikian, kita dapat menggunakan topeng Laplacian pada gambar 10.4(a) untuk deteksi
garis line juga, dengan mengingat bahwa efek garis ganda dari turunan kedua harus ditangani
dengan benar. Contoh berikut menggambarkan prosedur gambar 10.5(a) menunjukkan bagian
(biner) dari wire-bond mask untuk sirkuit elektronik, dan gambar 10.5(b) menunjukkan gambar
Laplacian-nya. Karena gambar Laplacian mengandung nilai negatif,† penskalaan diperlukan untuk
tampilan. Sebagai bagian yang diperbesar menunjukkan, abu-abu pertengahan mewakili nol,
nuansa abu-abu yang lebih gelap mewakili nilai negatif, dan warna yang lebih terang adalah positif.
Efek garis ganda terlihat jelas di wilayah yang diperbesar.
Pada awalnya, tampaknya nilai negatif dapat ditangani hanya dengan simply mengambil nilai
absolut dari citra Laplacian. Namun, seperti gambar 10.5(c) menunjukkan, pendekatan ini
menggandakan ketebalan garis. Pendekatan yang lebih cocok adalah dengan hanya menggunakan
nilai positif dari Laplacian (dalam situasi bising kami menggunakan nilai yang melebihi ambang
batas positif untuk menghilangkan variasi acak sekitar nol yang disebabkan oleh derau). Seperti
yang ditunjukkan oleh gambar pada gambar 10.5(d), pendekatan ini menghasilkan garis yang lebih
tipis, yang jauh lebih berguna. Catatan di gambar. 10.5(b) melalui (d) bahwa ketika garis lebar
terhadap ukuran topeng Laplacian, garis dipisahkan oleh "lembah" nol.
266
Ini tidak terduga. Misalnya, ketika filter dipusatkan pada garis intensitas konstan 5 piksel lebar,
respon akan menjadi nol, sehingga menghasilkan efek yang baru saja disebutkan. Ketika kita
berbicara tentang deteksi garis, asumsinya adalah bahwa garis tipis sehubungan dengan ukuran
detektor. Garis yang tidak memenuhi asumsi ini paling baik diperlakukan sebagai wilayah dan
ditangani oleh metode deteksi tepi dibahas nanti di bagian ini. ■ Detektor Laplacian pada Gambar
10.4(a) adalah isotropik, sehingga responsnya tidak bergantung pada arah (terhadap empat arah
Laplacian topeng: vertikal, horizontal, dan dua diagonal). Seringkali, minat terletak pada
pendeteksian garis dalam arah tertentu. Perhatikan topeng pada gambar 10.6. Misalkan
267
gambar dengan latar belakang konstan dan berisi berbagai garis (berorientasi pada 0 °, dan 90°)
disaring dengan masker pertama. Respons maksimal akan terjadi pada lokasi gambar di mana garis
horizontal melewati tengah baris topeng. Ini mudah diverifikasi dengan membuat sketsa array
sederhana 1 dengan garis dari intensitas yang berbeda (katakanlah, 5s) berjalan secara horizontal
melalui array. Mirip percobaan akan mengungkapkan bahwa topeng kedua pada gambar. 10.6
merespon paling baik untuk garis berorientasi pada topeng ketiga ke garis vertikal; dan topeng
keempat untuk baris di arah. Arah yang lebih disukai dari setiap topeng dibobot dengan koefisien
yang lebih besar (yaitu, 2) daripada arah lain yang mungkin. Koefisien di setiap topeng jumlah ke
nol, menunjukkan respon nol di daerah intensitas konstan.
Membiarkan dan menunjukkan tanggapan dari topeng pada gambar. 10.6, dari kiri ke kanan, di
mana Rs diberikan oleh persamaan. (10.2-3). Misalkan sebuah gambar adalah disaring (secara
individual) dengan empat topeng. Jika, pada suatu titik tertentu pada gambar, untuk semua titik itu
dikatakan lebih mungkin terkait dengan garis ke arah topeng Misalnya, jika pada suatu titik pada
gambar, untuk titik tertentu dikatakan lebih mungkin diasosiasikan dengan garis horizontal. Atau,
kami mungkin tertarik untuk mendeteksi garis dalam arah tertentu. Dalam hal ini, kami akan
menggunakan topeng yang terkait dengan arah itu dan ambang keluarannya, seperti pada
Persamaan. (10.2-8). Dengan kata lain,jika kita tertarik untuk mendeteksi semua garis dalam
gambar ke arah yang ditentukan oleh topeng yang diberikan, kita cukup menjalankan topeng
melalui gambar dan menghitung nilai absolut dari hasilnya. Poin yang tersisa adalah yang terkuat
tanggapan yang, untuk garis setebal 1 piksel, sesuai paling dekat dengan arah ditentukan oleh
topeng. Contoh berikut mengilustrasikan prosedur ini
268
Gambar 10.7(a) menunjukkan gambar yang digunakan pada contoh sebelumnya. Seandainya kami
tertarik untuk menemukan semua garis yang setebal 1 piksel dan berorientasi pada Untuk tujuan
ini, kami menggunakan topeng kedua pada Gambar. 10.6. Gambar 10.7(b) adalah hasil
penyaringan gambar dengan topeng itu. Seperti sebelumnya, warnanya lebih gelap dari latar
belakang abu-abu pada Gambar. 10.7(b) sesuai dengan nilai negatif. Sana adalah dua segmen
utama dalam gambar yang berorientasi pada arah, satu di kiri atas dan satu di kanan bawah.
Gambar 10.7(c) dan (d) menunjukkan tampilan yang diperbesar bagian dari Gambar 10.7(b) yang
sesuai dengan dua area ini. Perhatikan berapa lebih terang segmen garis lurus pada Gambar 10.7(d)
daripada segmen di Gambar 10.7(c). Alasannya adalah segmen garis di kanan bawah Gambar
10.7(a) tebalnya 1 piksel, sedangkan yang di kiri atas tidak. topengnya adalah "disetel" untuk
mendeteksi garis setebal 1 piksel ke arah, jadi kami berharap responsnya lebih kuat ketika garis
tersebut terdeteksi. Gambar 10.7(e) menunjukkan nilai positif dari Gambar 10.7(b). Karena kita
tertarik pada respon terkuat, kita biarkan sama dengan nilai maksimum pada Gambar 10.7(e).
Gambar 10.7(f) menunjukkan putih titik-titik yang nilainya memenuhi kondisi di mana adalah
gambar pada Gambar 10.7(e). Titik-titik terisolasi pada gambar adalah titik-titik yang juga
memiliki respons yang sama kuatnya terhadap topeng. Pada gambar asli, titik-titik ini dan tetangga
terdekat mereka diorientasikan sedemikian rupa sehingga topeng yang dihasilkan respon maksimal
269
di lokasi tersebut. Titik-titik terisolasi ini dapat dideteksi menggunakan topeng pada Gambar
10.4(a) dan kemudian dihapus, atau mereka dapat dihapus menggunakan operator morfologi,
seperti yang dibahas dalam bab terakhir.
EDGE MODEL
Deteksi tepi adalah pendekatan yang paling sering digunakan untuk segmentasi gambar
berdasarkan pada perubahan intensitas yang tiba-tiba (lokal). Kita mulai dengan memperkenalkan
beberapa cara untuk tepi model dan kemudian membahas sejumlah pendekatan untuk deteksi tepi.
Model tepi diklasifikasikan menurut profil intensitasnya. Sebuah langkah tepi melibatkan transisi
antara dua tingkat intensitas yang terjadi secara ideal selama jarak 1 piksel. Gambar 10.8(a)
menunjukkan bagian dari tepi anak tangga vertikal dan profil intensitas horizontal melalui tepi.
Tepi langkah terjadi, misalnya, di gambar yang dihasilkan oleh komputer untuk digunakan di
berbagai bidang seperti pemodelan padat dan animasi. Tepi yang bersih dan ideal ini dapat terjadi
pada jarak 1 piksel, asalkan tidak ada pemrosesan tambahan (seperti penghalusan) yang digunakan
untuk membuatnya terlihat “nyata”. Tepi langkah digital sering digunakan sebagai model tepi
dalam algoritma pengembangan. Misalnya, algoritma pendeteksian tepi Canny yang dibahas
dalam Bagian 10.2.6 diturunkan menggunakan model step-edge. Dalam praktiknya, gambar digital
memiliki tepi yang kabur dan bising, dengan tingkat keburaman ditentukan terutama oleh
keterbatasan dalam mekanisme pemfokusan (misalnya, lensa dalam kasus gambar optik), dan
tingkat kebisingan ditentukan terutama oleh komponen elektronik dari sistem pencitraan. Dalam
situasi seperti itu, tepi dimodelkan lebih dekat karena memiliki profil ramp intensitas,
seperti:sebagai tepi pada Gambar. 10.8(b). Kemiringan jalan berbanding terbalik dengan
tingkat keburaman di tepi. Dalam model ini, kami tidak lagi memiliki tipis (1 piksel
270
tebal) jalan. Sebagai gantinya, titik tepi sekarang adalah titik mana pun yang terdapat di jalan, dan
segmen tepi kemudian akan menjadi satu set titik-titik tersebut yang terhubung.
benar-benar tidak lebih dari garis setebal 1 piksel yang melintasi suatu wilayah dalam gambar.
Tepi atap muncul, misalnya, dalam pencitraan jarak jauh, ketika benda tipis (seperti pipa) lebih
dekat ke sensor daripada latar belakang yang berjarak sama (seperti dinding). Pipa tampak lebih
271
cerah dan dengan demikian membuat gambar yang mirip dengan model pada gambar 10.8(c).
Seperti disebutkan sebelumnya, area lain di mana tepi atap roof muncul secara rutin dalam
digitalisasi gambar garis dan juga dalam citra satelit, di mana fitur tipis, seperti jalan, dapat
dimodelkan dengan jenis tepi ini.
Bukan hal yang aneh untuk menemukan gambar yang mengandung ketiga jenis tepi. Meskipun
keburaman dan kebisingan menghasilkan penyimpangan dari bentuk ideal, tepi di gambar yang
cukup tajam dan memiliki jumlah noise yang moderat dapat dilakukan menyerupai karakteristik
model tepi pada Gambar. 10.8, seperti profil di gambar 10.9 mengilustrasikan. Apa yang model
pada gambar 10.8 memungkinkan kita lakukan adalah menulis ekspresi matematis untuk tepi
dalam pengembangan algoritma pemrosesan gambar. Kinerja algoritma ini akan tergantung pada
perbedaan antara tepi aktual dan model yang digunakan dalam mengembangkan algoritma
272
Gambar 10.10(a) menunjukkan gambar dari mana segmen pada Gambar. 10.8(b) adalah
diekstraksi. Gambar 10.10(b) menunjukkan profil intensitas horizontal. Angka ini menunjukkan
juga turunan pertama dan kedua dari profil intensitas. Seperti di diskusi di Bagian 10.2.1, bergerak
dari kiri ke kanan sepanjang pro file intensitas, kami mencatat bahwa turunan pertama adalah
positif pada permulaan jalan dan pada titik di jalan, dan itu adalah nol di daerah dengan intensitas
konstan. Derivatif kedua positif pada awal tanjakan, negatif pada akhir end tanjakan, nol pada titiktitik pada tanjakan, dan nol pada titik-titik dengan intensitas konstan. Itu tanda-tanda turunan yang
baru saja dibahas akan dibalik untuk tepi yang bertransisi dari terang ke gelap. Perpotongan antara
sumbu intensitas nol dan garis yang memanjang antara titik ekstrem dari turunan kedua menandai
sebuah titik
273
disebut persilangan nol dari turunan kedua. Kami menyimpulkan dari pengamatan ini bahwa
besarnya turunan pertama dapat digunakan untuk mendeteksi keberadaan tepi pada suatu titik
dalam suatu gambar. Demikian pula, tanda turunan kedua dapat digunakan untuk menentukan
apakah suatu piksel tepi terletak di sisi gelap atau terang dari suatu tepi. Kami mencatat dua
tambahan sifat turunan kedua di sekitar tepi: (1) menghasilkan dua nilai untuk setiap tepi dalam
gambar (fitur yang tidak diinginkan); dan (2) zero crossing-nya dapat digunakan untuk
menemukan pusat tepi tebal, seperti yang kita tunjukkan nanti di bagian ini. Beberapa model tepi
memanfaatkan transisi yang mulus masuk dan keluar dari jalan (Soal 10.7). Namun, kesimpulan
yang dicapai dengan menggunakan model tersebut sama dengan ramp yang ideal, dan bekerja
dengan yang terakhir menyederhanakan formulasi teoretis. Akhirnya, meskipun perhatian sejauh
ini terbatas pada Profil horizontal 1-D, argumen serupa berlaku untuk tepi orientasi apa pun dalam
gambar. Kami hanya mendefinisikan profil tegak lurus terhadap arah tepi pada setiap titik yang
diinginkan dan menginterpretasikan hasilnya dengan cara yang sama seperti untuk
tepi vertikal baru saja dibahas.
274
Daftar Pertanyaan
1.
Jelaskan aplikasi pengolahan citra diterapkan pada bidang apa dan sebutkan contohnya ?
2.
Didalam bidang komputer ada tiga bidang yang berkaitan dengan citra namun tujuannya
berbeda jelaskan ketiga bidang tersebut ?
3.
Jelaskan dan sebutkan contoh macam macam operasi Pengolahan citra?
4.
Jelaskan apa yang dimaksud dengan citra diskrit dan citra koninue?
5.
Jelaskan dan sebutkan contohnya apa yang dimaksud dengan Model Citra?
6.
Jelaskan dan sebutkan contohnya apa yang dimaksud dengan LIGHT?
7. Jelaskan dan sebutkan contohnya apa yang dimaksud dengan LUMINANCE?
8. Jelaskan dan sebutkan contohnya apa yang dimaksud dengan BRIGHTNESS AND
CONTRAST ?
9. Jelaskan dan sebutkan contohnya apa yang dimaksud Image negative ?
10. Jelaskan dan sebutkan contohnya Format digital ?
11. Jelaskan apa yang dimaksud dengan Noise Model ?
12. Jelaskan dan sebutkan contohnya Spatial and Frequency properties of Noise ?
13. Jelaskan dan sebutkan contohnya Some Important Noise Probality Density Function ?
14. Jelaskan dan sebutkan contohnya Gaussian noise ?
15. Jelaskan dan sebutkan contohnya Rayleigh noise ?
16. Jelaskan dan sebutkan contohnya Erlang (gamma) noise ?
17. Jelaskan dan sebutkan contohnya Arithmetic mean filter ?
18. Jelaskan dan sebutkan contohnya Geometric mean filter ?
275
19. Jelaskan dan sebutkan contohnya Harmonic mean filter ?Jelaskan dan sebutkan contohnya
Contraharmonic mean filter?
20. Jelaskan dan sebutkan contohnya Median filter?
21. Jelaskan dan sebutkan contohnya Max and min filters?
22. Jelaskan dan sebutkan contohnya Periodic Noise Reduction by Frequency Domain Filtering?
24 Jelaskan dan sebutkan contohnya Bandreject Filters?
25 Jelaskan dan sebutkan contohnya Bandpass Filters?
26. Jelaskan dan sebutkan contohnya Filter bandpass?
27. Jelaskan dan sebutkan contohnya Notch Filters?
28. Jelaskan dan sebutkan contohnya Optimum Notch Filtering?
29. Jelaskan dan sebutkan contohnya Inverse Filtering?
30. Jelaskan dan sebutkan contohnya Minimum Mean Square Error (Wiener) Filtering?
31.Jelaskan dan sebutkan contohnya Constrained Least Squares Filtering?
32. Jelaskan dan sebutkan contohnya Geometric Mean Filter?
33. Jelaskan dan sebutkan contohnya apa yang dimaksud dengan Image Reconstruction from
Projections?
34. Jelaskan dan sebutkan contohnya apa yang dimaksud Principles of Computed Tomography
(CT)?
35. Jelaskan dan sebutkan contohnya apa yang dimaksud Projections and the Radon Transform?
36. Jelaskan dan sebutkan contohnya apa yang dimaksud Reconstruction Using Parallel-Beam
Filtered Backprojections ?
276
Daftar Pustaka
Rafael C. Gonzalez, Richard E. Woods, (2008) Digital Image Processing Third Edition, Pearson
Prentice Hall
Bernd Jähne,(2005) Digital Image Processing, 6th revised and extended edition,springer
Al Bovik,(2009),Image processing, Elsevier Inc
D. Sundararaja,(2017), Digital Image Processing A Signal Processing and Algorithmic
Approac,Springer
277
JUDISRA
JUJUR DISIPLIN RAJIN
278