pengolahan citra digital3

Upload: princesswda

Post on 16-Jul-2015

3.652 views

Category:

Documents


2 download

TRANSCRIPT

By Yusron Rijal2010 Pengolahan Citra DigitalPengolahan Citra Digital Transformasi Itensitas Citra=====:::Transformasi intensistas citra dilakukan untuk proses perbaikan citra, seperti : 1.GrayScale,yaitupengubahancitrawarnaRGBdengancara menghitung nilai rata-ratanya dari warna RGB tersebut. 2. Brightness(kecerahan),digunakanuntukmemberikanlevel (peningkatan)kecerahanpadasuatucitrayangkurang pencahayaan 3. Contras(kontras),adalahtingkatpenyebaranpiksel-pikselke dalam intensitas warna. 4. Invers(negasi),operasiyangdigunakanuntukmendapatkan citra negatif, seperti film (negatif) dalam dunia cetak foto. 5. Threshold (pengambangan), operasi pemetaan suatu nilai piksel berdasarkansyaratnilaiambangmenjadinilaibaruyang dikehendaki Transformasi Itensitas Citra=====:::Gray Scale GrayScale,yaitupengubahancitrawarnaRGBdengancara menghitungnilairata-ratanyadariwarnaRGBtersebut.Secara sederhana rumusan fungsinya didefinisikan sebagai berikut. ||.|

\| + +=3)) , ( ) , ( ) , ( () , (j i f j i f j i fj i GrayBLUE GREEN REDFungsi RGB2Gray Transformasi Itensitas Citra=====:::Brightness Brightness(kecerahan),digunakanuntukmemberikanlevel (peningkatan)kecerahanpadasuatucitrayangkurangpencahayaan. Rumusan fungsinya didefinisikan sebagai berikut : Fungsi Brightness PxNew = (PxLama + Level) PRED = (PRED + Level) PGREEN = (PGREEN + Level) PBLUE = (PBLUE + Level), atau PGray = (PGray + Level) Transformasi Itensitas Citra=====:::Contrass Contras(kontras),adalahtingkatpenyebaranpiksel-pikselkedalam intensitaswarna.Salahsaturumusanfungsinyadidefinisikansebagai berikut : PxNew = (PK * (PxLama - P)) + P Dimana,KP : Koefisian Penguatan P = Nilai gray yang digunakan sebgai pusat pengontrasan (untuk menyederhanakan kedinamisan P, maka P=nilai rata-rata gray f(x,y)= Intensitas pixel citra Contoh : PGray = (PK * (PGray P)) + P Transformasi Itensitas Citra=====:::Contrass Penentuan angka 50 diambil dari nilai rata-rata Transformasi Itensitas Citra=====:::Invers Invers(negasi),operasiyangdigunakanuntukmendapatkancitra negatif,sepertifilm(negatif)dalamduniacetakfoto.Shguntuk mencarinilainegatifnyaharusdikurangkandengannilai maksimumnya, baik true colol dan gray level : f(x,y) = fMaksimum f(x,y) Dimana, fMaksimum : bila citra true color = 255, bila gray level = 128 Transformasi Itensitas Citra=====:::Invers Invers(negasi),operasiyangdigunakanuntukmendapatkancitra negatif,sepertifilm(negatif)dalamduniacetakfoto.Shguntuk mencarinilainegatifnyaharusdikurangkandengannilai maksimumnya, baik true colol dan gray level : f(x,y) = fMaksimum f(x,y) Dimana, fMaksimum : bila citra true color = 255, bila gray level = 128 Transformasi Itensitas Citra=====:::Thresholding Threshold(pengambangan),operasipemetaansuatunilaipiksel berdasarkan syarat nilai ambang menjadi nilai baru yang dikehendaki. Sehingga secara metematis dapat dirumuskan sbb : X1,f(x,y) syarat_1 X2,f(x,y) syarat_2 X3,f(x,y) syarat_3 X4,f(x,y) syarat_4 ..,. ..,. Xn,f(x,y) syarat_n Transformasi Itensitas Citra=====:::Thresholding Color Thresholding DinamikDengan Rata-Rata Acuan Thresholding Dinamik Thresholding Static Transformasi Itensitas Citra=====:::Thresholding Color Thresholding DinamikDengan Rata-Rata Acuan Tranformasi Geometri =====:::Pengolahan yang mengubah bentuk geometri citra baik dari segi posisi titik, ukuran maupun orientasinya. Seperti : 1.Translasi(pergeseran),operasiyangmelakukanpenggeseran posisif(x,y)sesuaisumbuX(sebesarx1)atausesuaisumbuY (sebesar y1) 2. Flipping(refleksi/pencerminan),operasiyangmencerminkan posisi f(x,y) pada sumbu x, maupun sumbu y 3. Rotasi(pemutaran),merupakanoperasiyangmemutarposisi f(x,y) sesuai pada bidang koordinat pada titik tertentu. 4. Scalling(Penskalaan),operasiyangdigunakanuntuk melakukan pembesaran citra berdasarkan faktor skala k. 5. Croping(pemotongan),Operasiyangmelakukanpemotongan suatu bidang citra, dengan lebar W dan dengan tinggi H. Translasi Translasi(pergeseran),operasiyangmelakukanpenggeseranposisif(x,y) sesuaisumbuX(sebesarx1)atausesuaisumbuY(sebesary1)atau Proses Translasi Adalah Pergeseran Titik Yang Satu (x,y) Ke Titik Yang Lain (x,y) sbb : (x,y) (x-m,y+n) X = X + m Y = Y + n mdann,adalahbesarpergeseran arah X dan arah Y Berikut ini adalah ilustrasi pergeseran titik (x,y) sejauh -m dan +n. Tranformasi Geometri =====:::Flipping Flipping(refleksi/pencerminan),operasiyangmencerminkanposisi f(x,y) pada sumbu x, maupun sumbu y : Berikut ini adalah ilustrasi pencerminan sejauh m=5 (x,y) (x,y) X=m=5 Definisi Rumus : X = (2 * m) X Y = (2 * n) Y Tranformasi Geometri =====:::Flipping Definisi Rumus : X = (2 * m) X + 2 Y = (2 * n) Y + 2 ? Rotasi Rotasi (pemutaran), merupakan operasi yang memutar posisi f(x,y) sesuai pada bidang koordinat pada titik tertentuRumus Umum Rotasi pada citra dengan sumbu pusat di (0,0) dan dengan arahberlawanan jarum jam. x = x*Cos(u) + y*Sin(u)y = -x*Sin(u) + y*Cos(u) Pada gambar di atas, nampak bahwa gambar tergeser 100 dengan pusat (0,0). Sehingga secaramatematiskitaperlumenggeserpusat(0,0)ketitiktengahberwarnahijau dengan pusat (x-C,y-C). (x,y) (x,y) sehingga 100 Width (W) Height (H) w/2 h/2 x- (w/2) = [(x-(w/2)) * Cos(u)] + [y-(h/2))*Sin(u)] x = { [(x-(w/2)) * Cos(u)] + [y-(h/2))*Sin(u)] } + w/2 y- (h/2) = [-(x-(w/2)) * Sin(u)] + [(y-(h/2))*Cos(u)] y = { [-(x-(w/2)) * Sin(u)] + [y-(h/2))*Cos(u)] } + h/2 Tranformasi Geometri =====:::Rotasi Width (W) Height (H) w/2 h/2 x = { [(x-(w/2)) * Cos(u)] + [y-(h/2))*Sin(u)] } + w/2 y = { [-(x-(w/2)) * Sin(u)] + [y-(h/2))*Cos(u)] } + h/2 x = { [(x-(w/2)) * Cos(u)] - [y-(h/2))*Sin(u)] } + w/2 y = { [(x-(w/2)) * Sin(u)] + [y-(h/2))*Cos(u)] } + h/2 Atau Berlawanan Arah Jarum Jam. Se-Arah Dengan Jarum Jam. 450 Jikahasilnilaipixelposisi(x,y) R=45,G=45,B=158maka diberikanjuganilaipada neighboor-nyayangposisinya samadengannilaiposisi(x,y) (Interpolasi) Tranformasi Geometri =====:::Scalling Scalling(Penskalaan),operasiyangdigunakanuntukmelakukan pembesarancitraberdasarkanfaktorskalak.Marikitaperhatikan ilustrasi sbb : Pembesaran sebesar 2x pada sumbu X Pembesaran sebesar 2x pada sumbu Y Pembesaran sebesar 2xPada sumbu X dan sumbu Y Tranformasi Geometri =====:::Scalling Operasipembesaran/pengecilandilakukandengancaramengkalikanskalar (s_x,s_y) baik posisi x dan posisi y dengan interval nilai (1,2,3 . N) Tranformasi Geometri =====:::Scalling Pengecilan Ukuran Citra Operasi pengecilan dilakukan dengan cara mengkalikan skalar (s_x,s_y) baik posisi x dan posisi y dengan interval nilai (0.01,0.02,0.03.1) Misalkan,NilaiPixelposisi(5,5)memilikiR=6,G=6,B=6.Jikadiskalakans_x=0.6dans_y=0.8, maka interpolasi neighboor-nya : Pixel (5-1,5-1) R=6, G=6, B=6Pixel (5,5-1) R=6, G=6, B=6Pixel (5+1,5-1) R=6, G=6, B=6Pixel (5-1,5) R=6, G=6, B=6Pixel (5,5) R=6, G=6, B=6Pixel (5+1,5) R=6, G=6, B=6Pixel (5-1,5+1) R=6, G=6, B=6 Pixel (5,5+1) R=6, G=6, B=6 Pixel (5+1,5+1) R=6, G=6, B=6Ilustrasi Interpolasi Neighboor Tranformasi Geometri =====:::Scalling Pembesaran Ukuran Citra Operasipembesarandilakukandengancaramengkalikanskalar(s_x,s_y)baik posisi x dan posisi y dengan interval nilai (1,2,3 . N) Misalkan,NilaiPixelposisi(5,5)memilikiR=6,G=6,B=6.Jikadiskalakans_x=2dans_y=1.5, maka interpolasi neighboor-nya : Pixel (5-1,5-1) R=6, G=6, B=6Pixel (5,5-1) R=6, G=6, B=6Pixel (5+1,5-1) R=6, G=6, B=6Pixel (5-1,5) R=6, G=6, B=6Pixel (5,5) R=6, G=6, B=6Pixel (5+1,5) R=6, G=6, B=6Pixel (5-1,5+1) R=6, G=6, B=6 Pixel (5,5+1) R=6, G=6, B=6 Pixel (5+1,5+1) R=6, G=6, B=6Ilustrasi Interpolasi Neighboor Tranformasi Geometri =====:::Scalling Pembesaran Ukuran Citra Operasipembesarandilakukandengancaramengkalikanskalar(s_x,s_y)baik posisi x dan posisi y dengan interval nilai (1,2,3 . N) Misalkan,NilaiPixelposisi(5,5)memilikiR=6,G=6,B=6.Jikadiskalakans_x=2dans_y=1.5, maka interpolasi neighboor-nya : Pixel (5-1,5-1) R=6, G=6, B=6Pixel (5,5-1) R=6, G=6, B=6Pixel (5+1,5-1) R=6, G=6, B=6Pixel (5-1,5) R=6, G=6, B=6Pixel (5,5) R=6, G=6, B=6Pixel (5+1,5) R=6, G=6, B=6Pixel (5-1,5+1) R=6, G=6, B=6 Pixel (5,5+1) R=6, G=6, B=6 Pixel (5+1,5+1) R=6, G=6, B=6Ilustrasi Interpolasi Neighboor Tranformasi Geometri =====:::Croping Croping(pemotongan),Operasiyangmelakukanpemotongansuatu bidang citra, dengan lebar W dan dengan tinggi H. Mari kita perhatikan ilustrasi sbb : X Y X1 X2 Y1 Y2 (0,0) width height (X1,Y1) (X2,Y2) Y2-Y1 X Y X1-X1 X2-X1 Y1-Y1 (X1,Y1) (X2,Y2) height width Tranformasi Geometri =====:::Croping Contoh : Y2-Y1 X Y X1-X1 X2-X1 Y1-Y1 (X1,Y1) (X2,Y2) height width X Y X1 X2 Y1 Y2 (0,0) width height (X1,Y1) (X2,Y2) Tranformasi Geometri =====::: Biasanyasegmentasicitramerupakanlangkahawal dan penting dalam serangkaian proses yang bertujuan untuk memahami keseluruhan gambar Aplikasi segmentasi citra seperti, Identifikasiobyekdalamcitra-bergerakuntukmenganalisa bentuk dan ukuran Identifikasi objek dalam sebuah Video obyek (MPEG4) Penelusuran jumlah mobil dalam citra-bergerak Segmentasi=====:::Pengantar Segmentasi CitraExample 1 Segmentasi citra dalam grayscale Kemudahansegmntasidalammodegrayscale,akan mengakibatkanketidak-akuratandalammemberikanlabelpada obyek tersegmentasi Segmentasi=====:::Pengantar Segmentasi CitraExample 2 Segmentasi citra berbasis pada teksture Enablesobjectsurfaceswithvaryingpatternsofgreytobe segmented Mengaktifkan permukaan objek dengan berbagai pola abu-abu akan tersegmentasi Segmentasi=====:::Pengantar Segmentasi CitraExample 3 Segmentation berbasis gerakan Kesulitanutamadalamsegmentasiadalahlangkahtepatyang bagiamanakah yang dibutuhkan untuk mengestimasi/memperkirakan area-area yang akan diproses Segmentasiharusberdasarpadaperkiraan-perkiraan,secara menyeluruh, dan alur flow yang benar Segmentasi=====:::Pengantar Segmentasi Citra Segmentasi adalah pembagian citra menjadi beberapa bagian/daerah (bagian yang bermakna) 2 pendekatan utama yang digunakan adalah Segmentasi berbasis histogram Segmentasi koherensi (daya tarik) ruang (ciri warna, kedalaman, arah) Segmentasi adalah implementasi proses pengambangan (Thresholding) Segmentasi=====:::Teknik Segmentasi CitraSegmentasi=====:::Teknik Segmentasi CitraThresholding / Pengambangan Alasan dilakukannya Thresholding : 1. Untuk mengidentifikasi daerah obyek, yang direpresentasikan dalam bentuk wilayah dalam citra. Seperti memisahkan obyek dengan latar belakangnya, pixel-pixel obyek diberikan nilai 1 dan pixel-pixel latar belakang diberikan nilai 0. 2. Untukmenganilsisbentukgeometri/morfologiobyek(bentuk lebih penting dari pixelnya) guna pengambilan keputusan. 3. Untuk mengubah citra resolusi tinggi menjadi biner. Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding P-Tile Mode Method Double Threshold Iterative Lokal Transformasi Warna RGB HSI YCbCr TSL Sudut Pandang KeseluruhanCitraSudut Pandang Bagian Lokal Citra Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding P-Tile, proses threshold ini dilakukan berdasarkan : -Asumsi bahwa sebuah obyek adalah memiliki sebuah ukuran tertentu, misal ukurannya adalah P -P adalah total ukuran citra dalam bentuk histogram -Pilihlah nilai ambang dalam .%P,yang menggambarkan ilustrasi sebagian citra Sudut Pandang KeseluruhanCitra Segmentasi=====:::Teknik Segmentasi CitraContoh Hasil P-Tile 25% P45% P 65% P Citra Sumber Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding Mode Method, Threshold didasarkan nilai lembah dari sebuah histogram -Cari puncak dan lembah dari sebuah histogram -Set sesuai pada nilai lembah histogram tersebut Mencari Lembah dalam histogram bukanlah hal sepele.-Tetapilogikapencariannyaadalahmencarititiktertinggi(puncak), lalu carilah lembahnya. -Carilahnilailembahtertinggidarihistogramuntukdijadikan sebagai nilai threshold Sudut Pandang KeseluruhanCitra Segmentasi=====:::Teknik Segmentasi CitraContoh Hasil Mode Threshold Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding Sudut Pandang KeseluruhanCitra Double Thresholding, Threshold seperti pada mode threshold. -Cari puncak dan lembah dari sebuah histogram -Set sesuai pada nilai lembah histogram tersebut Mencari 2 Lembah dalam histogram bukanlah hal sepele.-Tetapilogikapencariannyaadalahmencarititiktertinggi(puncak), lalu carilah lembahnya. -Carilahnilailembahtertinggidarihistogramuntukdijadikan sebagai nilai threshold Segmentasi=====:::Teknik Segmentasi CitraContoh Hasil Double Threshold Citra Sumber Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding Sudut Pandang KeseluruhanCitra -Ambil Sembarang nilai threshold -Caridanbagirata-ratatotalnilaipixeldalam2kategori(u1,u2). Batasan pembagian kategori tersebut adalah threshold. -Perbaikinilaithresholdtersebutsecaraiteratif(sebanyaktotal matrik citra) -Update nilai threshold dengan (u1+u2) /2 IteratifThresholding,Thresholdyangdidasarakanpadarata2nilaigray secara iteratif. Segmentasi=====:::Teknik Segmentasi CitraContoh Hasil Iterativ Threshold Citra SumberCitra Hasil Segmentasi=====:::Teknik Segmentasi CitraJenis Proses Thresholding LokalTransformasiWarna(TW),Jenisthresholdyangdidasarkanpada transformasi warna RGB, HIS, YCbCr, TSL dan sebagainya. Sudut Pandang Bagian Lokal Citra Threshold(pengambangan),operasipemetaansuatunilaipiksel berdasarkan syarat nilai ambang menjadi nilai baru yang dikehendaki. Sehingga secara metematis dapat dirumuskan sbb : X1,f(x,y) TW_1 X2,f(x,y) TW_2 X3,f(x,y) TW_3 X4, . ..,. Xn,f(x,y) TW_n Segmentasi=====:::Teknik Segmentasi CitraContoh Hasil Lokal Transformasi WarnaCitra Sumber Citra HasilThreshold HSI Transformasi Warna=====:::-Warna-warnayangdapatditangkapolehmatamanusiamerupakan kombinasicahayadenganpanjangberbeda.Kombinasiyang memberikanrentangwarnapalinglebaradalahred(R),green(G)dan blue (B) -Warnamerupakansesuatuyang ditimbulkan atas pantulan cahaya terhadap objek-objek dengan intensitas tertentu -Warna adalah persepsi yang dirasakan oleh sistemvisualmanusiaterhadappanjang gelombangcahayayangdipantulkanoleh objek. Warna ??? Koq Tanya Warna ? Memang artinya Apa ? Dibakukan tahun 1931. Mendefinisikan model-model warna. RGB XYZ CMY Disahkan tahun 1941 Mendifinisikan model-model warna seperti di bawah. RGB YIQ / HSV / HSI CIE(Commission International de lEclairage) NTSC (National Television Systems Committee) Adapunkonversiwarna-warnatersebutadalah,sebagaimanadi bawah : 1.NTSC_RGB To YIQ ((((

((((

=((((

iiiiiiBGRQIY312 . 0 523 . 0 211 . 0322 . 0 274 . 0 596 . 0114 . 0 857 . 0 299 . 0Transformasi Warna=====:::Jenis Warna 2. YIQ To NTSC_RGBTransformasi Warna=====:::Jenis Warna ((((

((((

=((((

iiiiiiQIYBGR701 . 1 104 . 1 000 . 1647 . 0 273 . 0 000 . 1621 . 0 956 . 0 000 . 13. NTSC_RGB To CIE_RGB(((((

((((

=((((

i Bi GiRBGRNTSCNTSCNTSCiii___128 . 1 059 . 0 001 . 0159 . 0 753 . 0 114 . 0151 . 0 146 . 0 167 . 14. NSTS_RGB To CIY_XYZ((((

((((

=((((

i Bi Gi RZYXNTSCNTSCNTSCiii___117 . 1 066 . 0 000 . 0159 . 0 587 . 0 299 . 0201 . 0 174 . 0 607 . 05. CIY_XYZ To NTSC_RGB((((

((((

=((((

iiiNTSCNTSCNTSCZYXi Bi Gi R896 . 0 118 . 0 058 . 0028 . 0 000 . 2 985 . 0288 . 0 533 . 0 910 . 1___Transformasi Warna=====::: Pemodelan Warna RGB To CMYK CMYKPadadasarnyawarnacyan,magentadanyellowadalahwarna komplementer terhadap red, green dan blue.Artinya,jikaduabuahwarnadicampurdenganperbandinganyangtepatdapat menghasilkan warna putih. Misalnya magneta dicampur dengan perbandingan yang tepatdengangreenakanmenghasilkanwarnaputih,olehkarenaitumagenta disebut komplemen dari green.C = 1 RM = 1 G Y = 1 B K = Min(C,M,Y) C = C K M = M K Y = Y KModel CMY digunakan untuk mencetak tinta berwarna, tetapi warna CMY tidak dapat menghasilkanwarnahitamdenganbaik.Olehkarenaituterdapatpenyempurnaan menjadi warna CMYK dengan K perhitungan ke empat dengan bentuk :Transformasi Warna=====::: Pemodelan Warna RGB To HSI / HSV PadadasarnyaRGBbagusuntukmenampilkaninformasiwarna.Akantetapiuntuk kasussegmentasiataupunidentifikasiobyekRGBtidakcocokuntuk mempresentasikan sebuah obyek. I (itensitas) Atribut yang menyatakan banyaknya cahayayang diterimaoleh mata dan mengabaikan jernis warna (warnanya hanya diantara gelap dan putih) H(hue)Menyatakanwarnasebenarnya,sepertimerah,violet,dankuning.Hue bisa menentukan warna yang seperti kemerah-merahan (warna kulit), kehijauan, dsb dari sumber cahaya.. Hue juga berasosiasi dengan panjang gelombang, shg nilainya dapat diklasifikasikan S(saturasi)Menyatakankemurnianwarnacahaya,yaitumengindikasikan seberapa banyak warna putih diberikan pada jenis warna tertentu. H S GR B ( ) B G R I + + =31) , , () (31 B G R MinB G RS+ + =) )( ( ) ( 2221B G B R G RB G RCos H + =Catt :Cos-1 = Cos hiperbolik Transformasi Warna=====::: Pemodelan Warna RGB To HSI / HSV TransformasiRGBKeHISjugamemilikialternatiffungsiyanglainsebagaimana berikut : RGB To HSI HIS To RGB Transformasi Warna=====::: Pemodelan Warna RGB To TSL Jenis warna ini mirip dengan HIS, - Tint= kadar warna asli - Saturation = pencahayaan yang diterima dalam bidang - Lightness= kecerahan atau itensitas B G R LGgg rgg rTg rS114 . 0 587 . 0 299 . 00 , 00 ,432) / arctan(0 ,412) / arctan() ( 59212 2+ + = =< +> +=((

+=ttDimana: 3131+ +=+ +=B G RGgB G RRrTransformasi Warna=====::: Pemodelan Warna RGB To YCbCr - ModelwarnaYCbCriniterdiridarikomponenluminasi(Y)dandua komponen kromatisasi terhadap biru (Cb) dan merah (Cr)- Model warna ini banyak digunakan dalam siaran gelombang televisi- Bukanlahsuatumodelwarnaabsolutdanmerupakanmodelcara pengkodean dari model warna RGB) * 07 . 0 ( ) * 707 . 0 ( ) * 222 . 0 ( B G R Y + + =) * 05 . 0 ( ) * 332 . 0 ( ) * 159 . 0 ( B G R Cb + + =) * 081 . 0 ( )) * 419 . 0 ( * ) * 5 . 0 (( B G R Cr + =Transformasi Warna=====::: Pemodelan Warna Contoh CMY : Transformasi Warna=====::: Pemodelan Warna Contoh HSI: Transformasi Warna=====::: Pemodelan Warna Contoh TSL : Transformasi Warna=====::: Pemodelan Warna Contoh YCbCr : Jenis-Jenis Warna yang lainnya, diekplorasi dan didalami sendiri Filtering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik Filtering merupakan suatu proses yang mengambil sinyal frekuensi tertentu dan membuang sinyal pada frekuensi lain Filtering pada citra menggunakan prinsip yang sama, yaitu mengambil fungsi citra pada frekuensi-frekuensi tertentu dan membuang fungsi citra pada frekuensi lain Operasi pemfilteran ini dilakukan dengan cara memeriksa citra per-blog bagian dengan ukurang tertentu. Misal dengan ukuran 3 x3 pixel Operasi Filter/Mask secara statistik ada beberapa macam, seperti : - Minimum Filter - Maksimum Filter - MedianFilter - Median Filter, dll Filtering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik Ilustrasi Pemfilteran dengan memeriksa per-blog bagian dalam ukuran 3x3 pixel. Pixelmatrik(3x3)citradiatas diambilsecaraacakdandiberikan operasifilterstatistik,caranya adalahdenganmelakukanproses SORTINGFiltering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik Ilustrasi Pemfilteran dengan memeriksa per-blog bagian dalam ukuran 3x3 pixel. Filtering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik Contoh Pemfilteran dengan memeriksa per-blog bagian dalam ukuran 3x3 Px 1.Median Filter 4.Mean / Average Filter 2.Minimum Filter 3.Maximum Filter -Menghilangkanimpulsenoise (bedakandenganGaussianNoiseyang dapatdihilangkandenganLow-pass filter) -Impulsenoisehasanumberofpixels thathaveconspicuoslywrong intensities like 0 or 255 -Menggantinilaipikselfokusdengan nilai piksel minimum piksel sekitar -Menggantinilaipikselfokusdengan nilai piksel maksimum piksel sekitar -Menggantinilaipikselfokusdengan rata-rata jumlah piksel dalam window Filtering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik Contoh Pemfilteran dengan memeriksa per-blog bagian dalam ukuran 3x3 Px 1.Median Filter 4.Mean / Average Filter 2.Minimum Filter 3.Maximum Filter 8910101010101235 8910101010101235 8910101010101235 8910101010101235 Filtering(Operasi Pemfilteran)=====:::Filtering / Masking- Statistik 1.Median Filter 2.Minimum Filter 3.Maximum Filter 4.Mean / Average Filter Sumber Citra Restorasi Citra Reduksi Noise& Filtering (Masking)=====::: Noise(efekdegradasicitra)adalahsetiapgangguan(kotorang/bintik-bintik)pada citra, baik yang disebabkan karena faktor teknis maupun faktor alat. Untuk membersihkan citra dari noise, diperlukan teknikrestorasi citra. Salah satu beda restorasi citra dan perbaikan kualitas citra. Restorasi citra memiliki model bagi proses degradasi, sehingga usaha restorasi diorientasikan pada inverse proses ini. Sedangkan perbaikan kualitas citra yang mengalami penurunan kualitas kualitas selama pembentukan citra. Hampirsemuacitramengalami degradasi dalam akuisisinya Degradasibisadisebabkanoleh:kamera yangtidak`fokus,gerakankameraatau objeksaatpemotretan,noiseyang dihasilkanolehsensor(scanner,CCD) dsb. NoiseApakah Ini Yang Disebut Noise yah ?? Reduksi Noise& Filtering (Masking)=====::: Noise Beberapanoisedapatdimodelkandenganmenggunakanberbagai probability density function (PDF) Asumsinyaadalah:noisedidunianyatamiripdengannoiseyang dimodelkan, sehingga restorasi citra lebih mudah dilakukan Image AsliHistogram Image Asli Reduksi Noise& Filtering (Masking)=====::: NoiseNoise Model (Uniform Noise) PDF untuk Uniform Noise adalah: Reduksi Noise& Filtering (Masking)=====::: NoiseNoise Model (Gaussian Noise) PDF untuk Gaussian Noise adalah: z: graylevel : meano: standar deviasi Reduksi Noise& Filtering (Masking)=====::: NoiseNoise Model (Salt-n-Pepper Noise) PDF untuk Salt-n-Pepper (Impulse) noise adalah: Reduksi Noise& Filtering (Masking)=====::: Contoh NoiseReduksi Noise& Filtering (Masking)=====:::Reduksi Noise Dgn FilteringPada pertemuan sebelumnya untuk perbaikan citra dilakukan secara independent, dimanasuatupixeldiolahtanpamemperhatikankeadaanwarnadaripixel tetangganya.Restorasicitraadalahsuatumekanismeuntukmemperbaikisuatucitrayang disebabkan oleh gangguan-gangguan (noise). 554 776 141 Reduksi Noise& Filtering (Masking)=====:::Maksimum FilterMaksimumfilterdigunakanuntukmemfilterpixeldenganintensitasrendahdan melewatkan titik dengan intensitas tinggi. Intensitas warna pengganti dipilih dari titik tetangga terdekat yang mempunyai intensitas yang paling tinggi . Jadi, Seluruh citra diperiksa per-blok bagian dengan ukuran blok 3x3 pixel (bisa lebih ukurannya). 1, 1,7,4,4, 5,5,6,7 554 726 141 1, 1,2,4,4,5, 5,6,7 Reduksi Noise& Filtering (Masking)=====:::Minimum Filter554 716 141 Maksimumfilterdigunakanuntukmemfilterpixeldenganintensitasrendahdan melewatkan titik dengan intensitas tinggi. Intensitas warna pengganti dipilih dari titik tetangga terdekat yang mempunyai intensitas yang paling tinggi . Jadi, Seluruh citra diperiksa per-blok bagian dengan ukuran blok 3x3 pixel (bisa lebih ukurannya). 1, 1, 1, 4,4,5,5,6,7 554 726 141 1, 1,2,4,4,5,6,7 Reduksi Noise& Filtering (Masking)=====:::Median Filter554 746 141 Medianfilterdigunakanuntukmemfilterpixeldenganintensitasrendahdan tinggidenganmelewatkantitikdenganintensitasmenengah.Intensitaswarna penggantidipilihdarititiktetanggaterdekatyangmempunyaiintensitas menengah . Jadi, Seluruh citra diperiksa per-blok bagian dengan ukuran blok 3x3 pixel (bisa lebih ukurannya). 1, 1, 4, 4,4,5,5,6,7 554 726 141 1, 1,2,4,4,5,5,6,7 Reduksi Noise& Filtering (Masking)=====:::Mean Filter554 746 141 Filtermeanmerupakanfilterrata-ratadaripenjumlahanrata-ratatitik-titik tetangga.Saetiappixeltetanggamemberikankontribusisebanyak1/9dari keseluruhan warna. Filter ini biasa disebut filter blur. Jadi, Seluruh citra diperiksa per-blok bagian dengan ukuran blok 3x3 pixel (bisa lebih ukurannya). 1, 1, 4, 4,4,5,5,6,7 554 726 141 1, 1,2,4,4,5,5,6,7 Average(1, 1, 4, 4,4,5,5,6,7) = 4 Convolution =====:::Convolution Konvolusidiskritbanyakdigunakandalampengolahancitrauntuk image smoothing, edge detectiondan efek-efek lainnya Konvolusidilakukanberdasarkanjumlahbobotdaripiksel-piksel tetangga Bobot ditentukan berdasarkan ukuran window berupa matriks Windowataudisebutjugaslidingwindowbergeraksepanjangpiksel yangadapadacitraberukurankecilyangbiasadisebutconvolution maskatau convolution kernel Orde matriks biasanya ganjil sehingga hasil konvolusi tepat berada di tengah-tengah Semakinbesarukuranwindow,bebankomputasiakansemakin meningkat Convolution =====:::Convolution Untuk fungsi diskrit, Konvolusi didefinisaikan sabagai : Pada operasi konvolusi di atas, g(x) disebut kernel konvolusi atau filter Kernelg(x)merupakansuatujendelayangdioperasikansecara bergeserpadasinyalmasukanf(x),yangdalamhalini,jumlah perkaliankeduafungsisetiaptitikmerupakanhasilkonvolusiyang dinyatakan dengan keluaran h(x) Secarateknisoperasimembutuhkanalgoritmauntukmendeteksipixel ketetanggannya seperti ilustrasi gambar di bawah.

= = = =a bb y a x g b a f y x g y x f y x h ) , ( ) , ( ) , ( * ) , ( ) , ( = = = =a bb y a x g b a f y x g y x f y x h ) , ( ) , ( ) , ( * ) , ( ) , (Convolution =====:::ConvolutionIlustrasi Operasi Konvolusi didefinisikan sebagai berikut : f(i,j) Kernel / Masking Citra AwalCitra Baru Ilustrasi f(i,j) , disimpan pada posisi matrik citra sama dengan pada posisi P5 f(i,j) = (A*P1) + (B*P2) + (C*P3) + (D*P4) + (E*P5) + (F*P6) + (G*P7) + (H*P8) + (I*P9) Catatan : Operasi konvolusi dilakukan dengan mengeser kernel konvolusi pixel per pixel Hasil konvolusi disimpan dalam matrik yang baru

Convolution =====:::ConvolutionH = Kernel X = Citra Informasi PergeseranKernel Konvolusi Convolution =====:::ConvolutionCitra AwalKernel Proses . . . 1239 Convolution =====:::Convolution Operasikonvolusidilakukandengancaramengeserkernelkonvolusi dari pixel ke pixel Hasil konvolusi disimpan dalam matrik yang baru Misalkan f(x,y) adalah citra gray level, sedangkan g(x,y) adalah kernel matrik

44354 66552 5666267553 35244 f(x,y) =g(x,y) = 0-10-14-1 0-10 Citra 5 x 5 Kernel 3 x 3 Tandamenyatakan posisi (0,0) dari kernel Convolution =====:::Convolution Tempatkankernelpadasudutkiriatas,kemudianhitungnilaipixel pada posisi (0,0) dari kernel4435466552 3566626755335244Hasil konvolusi =3. Nilai ini dihitung dengan cara berikut : (0 x 4) + ( -1 x 4) + (0 x 3) + (-1 x 6) + (-1 x 5) + (0 x 5) + (-1 x 6) +(0 x 6) = 3 Convolution =====:::Convolution Geserkernelsatupixelkekanan,kemudianhitungnilaipixelpada posisi (0,0) dari kernelHasil konvolusi =0. Nilai ini dihitung dengan cara berikut : (0 x 4) + ( -1 x 3) + (0 x 5) + (-1 x 6) + (4 x 5) + (-1 x 5) + (-1 x 6) +(0 x 6) + (-1 x 6) + (0 x 6) =0 4435466552 3 0 566626755335244Convolution =====:::Convolution Geserkernelsatupixelkekanan,kemudianhitungnilaipixelpada posisi (0,0) dari kernelHasil konvolusi =2. Nilai ini dihitung dengan cara berikut : (0 x 3) + ( -1 x 5) + (0 x 4) + (-1 x 5) + (4 x 5) + (-1 x 2) + (0 x 6) + (-1 x 6) + (0 x 2) = 2 4435466552 302566626755335244Convolution =====:::Convolution Selanjutnya,GeserKernelSatuPixelkebawah,lalumulailagi melakukan Konvolusi dari sisi kiri citra. Setiap kali Konvolusi, Geser Kernel Satu Pixel Ke Kanan: Hasil konvolusi =0. Nilai ini dihitung dengan cara berikut : (0 x 6) + ( -1 x 6) + (0 x 5) + (-1 x 5) + (4 x 6) + (-1 x 6) + (0 x 6) + (-1 x 7) +(0 x 5) = 0 4435466552 30256662 06755335244(i) Convolution =====:::ConvolutionHasil konvolusi =2. Nilai ini dihitung dengan cara berikut : (0 x 6) + ( -1 x 5) + (0 x 5) + (-1 x 6) + (4 x 6) + (-1 x 6) + (0 x 7) + (-1 x 5) + (0 x 5 ) =2 (ii) 4435466552 40856662 02 6755335244Convolution =====:::ConvolutionHasil konvolusi =6. Nilai ini dihitung dengan cara berikut : (0 x 5) + ( -1 x 5) + (0 x 2) + (-1 x 6) + (4 x 6) + (-1 x 2) + (0 x 5) + (-1 x 5) +(0 x 3 ) =6 (iii) 4435466552 40856662 026 6755335244Convolution =====:::Convolution Dengancarayangsamasepertitadi,makapixelpixelpada baris ke tiga dikonvolusi sehingga menghasilkan : Sebagaicatatan,JikahasilKonvolusimenghasilkannilaiPixel negatif,makanilaitersebutdijadikan0(nol),sebaliknyajikahasil Konvolusimenghasilkannilaipixellebihbesardarinilaikeabuan maksimum, maka nilai tersebut dijadikan nilai keabuan maksimum

408 02660 2

Convolution =====:::Convolution MasalahmunculbilaPixelyangdikonvolusiadalahPixelpinggir(border),karenabeberapaKoefisienKonvolusitidakdapat diPosisikanpadaPixelpixelCitra(EfekMenggantung),seperti contoh di bawah ini: 44354? 66552? 56662? 67553 35244 MasalahMenggantungSepertiiniSelaluTerjadipada Pixel pixel pinggir kiri, kanan, atas, dan bawah.Convolution =====:::Convolution1. Pixel pixel pinggir di abaikan, tidak diKonvolusi. Solusi ini banyak di pakaididalampustakafungsifungsipengolahancitra.Dengancara seperti ini, maka pixel pixel pinggir nilainya sama seperti citra asal.. 2. Dupliaksielemencitra,misalnyaelemenkolompertamadisalinke kolomM+1,begitujugasebaliknya,lalukonvolusipixelpixelpinggir tersebut. 3. Elemenyangditandaidengan?diasumsikanbernilai0atau Konstanta yang lain, Sehingga pixel pixel pinggir dapat di lakukan . Cara Mengatasi Pixel-Pixel Pinggir Saat Proses Konvolusi : 44354 64082 50262 66023 35244 Hasil Operasi Konvolusi Convolution =====:::Kernel/Masking ConvolutionBeberapa prinsip dalam pemfilteran, yaitu : 1.Bilainginmempertahankangradiasiataubanyaknyalevelwarnapada suatucitra,makaygdipertahankanadalahfrekuensirendahdan frekuensi tinggi dapat dibuang atau dinamakan dengan Low Pass Filter *) Banyak digunakan untuk reduksi noise dan proses blur 2.Bilainginmendapatkanthresholdataucitrabinerygmenunjukkan bentuk suatu gambar maka frekuensi tinggi dipertahankan dan frekuensi rendah dibuang atau dinamakan dengan High Pass Filter *) Banyak digunakan untuk menentukan garis tepi (edge) atau sketsa dari citra 3.Bilainginmempertahankangradiasidanbentuk,dengantetap mengurangi nyaknya bidang frekuensi (bandwidth) dan membuang sinyal ygtdkperlumakafrekuensirendahdanfrekuensitingidipertahankan, sedangkan frekuensi tengahan dibuang ata dinamakan dengan Band Stop Filter *)Dikembagkandenganmenggunakanwavelettransformuntukproses kompresi, restorasi dan denoising Convolution =====:::ConvolutionKeterangan : X H Y =Operasi Konvolusi KernelCitra Filter kernel H adalah suatu matrik yang menyatakan model filter (dalam spacial) yang menjadi operator dalam proses filter pada gambar. Bentukataukomposisinilaiyangadadidalamfilterkernel menunjukkan jenis filter yang digunakan. ((((

=1 1 11 4 11 1 1121H((((

=1 0 33 0 11 0 1H((((

=1 1 11 5 . 0 11 1 1HLOW PASS FILTERHIGH PASS FILTERBAND STOP FILTER Convolution =====:::ConvolutionCiri Low Pass Filter: LPF digunakan untuk melakukan proses efek blur dan reduksi noise. Ciri-cirikerneldariLPFadalahsemuanilainyapositifdanjumlahdari semua nilainya sama dengan satu 0 ) , ( > y x H 1 ) , ( =xyy x Hdan Ciri High Pass Filter: HPF digunakan untuk melakukan proses deteksi tepi. Ciri-ciri kernel dari HPF adalah nilai-nilainya terdiri positif, nol dan negatif, dan jumlah dari semua nilainya sama dengan nol 0 ) , ( =xyy x HCiri Band Pass Filter: Band Pass Filter (BPF) adalah suatu bentuk filter yang mengambil frekwensi tinggi dan rendah dengan batasan tertentu. BPF digunakan untuk melakukan proses efek sharpeness. Ciri-ciri kernel dari BPF adalah nilai-nilainya terdiri positif, nol dan negatif, dan jumlah dari semua nilainya tidak sama dengan nol 0 ) , ( =xyy x HConvolution =====:::Kernel/Masking Convolution-Mask sering juga disebut filter. - Filtering/Maskingpadacitra adalahsuatuprosesdimanadiambil sebagiansinyaldarifrekuensitertentudanmembuangsinyal pada frekuensi yg lain. Contoh bentuk filter/maks/kernel antara lain : 1. Emboss4.Laplacian 2. Blur5.Band Stop Filter 3. Sharpening6.Dll Convolution =====:::Kernel/Masking Convolution Embossing 1 0 00 0 00 0 1 Blurrings Sharpening 1 1 116 8 161 1 18 4 81 1 116 8 16W=9a-1 Band Stop 1-11 -10.5-1 1-11 1 1 19 9 90 1 0 1 1 1 1 2 11 11 5 1 1 9 1 2 5 29 9 90 1 0 1 1 1 1 2 11 1 19 9 9W Convolution =====:::Kernel/Masking ConvolutionCitra Sumber LaplacianSharpeningBluring High Pass FilterBand Stop Filter Contoh Hasil : Deteksi Tepi=====:::Edge Detection Deteksitepiadalahsuatuprosesyangmenghasilkantepi-tepidari objek gambar. Titik(x,y)dikatakantepi(edge)Bilatitiktersebutmempunyai perbedaan gradien (itensitas) warna yang tinggi dengan tetangga. Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu gambar dapat diperoleh menggunakan High Pass Filter (HPF). Operasiyangdigunakanuntukmenyelesaikandeteksitepiadalah menggunakan proses konvolusi (seperti materi sebelumnya) Ada beberapa operator digunakan untuk deteksi tepi: Sobel Operator Roberts Operator Prewitt Operator Kirsh Compass Mask Robinson Compass Mask Sobel Operator Deteksi Tepi (Edge Detection)=====:::Edge DetectionDeteksitepisobelmenggunakanduabuahmatriksmask.Keduamtriks tersebutdigunakanuntukmendeteksiperbedaangradienpadaarah sumbu X dan Sumbu YMatriks MX gradien pada sumbu XMatriks MY gradien pada sumbu YGradien(G)didapatdariakardaripenjumlahankuadrat(Magnitude) dari Gx dan Gy, seperti sbb : 2 2Mx My Magnitude Edge + =|.|

\|=MxMyTan Direction Edge1Robert Operator Deteksi Tepi (Edge Detection)=====:::Edge Detection- Operatorsrobertmenggunakanduabuahmatriksmaskuntuk mendeteksi gradien pada arah diagonal . - Hanya menandai titik tepi - Baik untuk mencari image biner Matriks M2 gradiendiagonal kanan atas ke kiri bawah Matriks M1 gradiendiagonal kiri atas ke kanan bawah2 22 1 M M Magnitude Edge + =Prewit Operator Deteksi Tepi (Edge Detection)=====:::Edge DetectionMIRIP Dengan Operator SOBEL Kirsch Compass Mask Deteksi Tepi (Edge Detection)=====:::Edge DetectionRobinson Compass Mask Deteksi Tepi (Edge Detection)=====:::Edge DetectionDeteksi Tepi (Edge Detection)=====:::Edge DetectionRobinson_Compass_MaskKirsch_Compass_Mask R-0 R-1 R-2 R-3 R-4 R-5 R-6 R-7 R-0 R-1 R-2 R-3 R-4 R-5 R-6 R-7 Representasi Wilayah Chain Code =====:::Operasi Chain Code ChainCode,adalahsuatucarauntukmerepresentasikanbatasareayang berbentukgarisberurutan(sequence).Halinidilakukanuntuk memisahkan antara obyek wilayah kajian dengan latar belakang. Chaincodeselaludigunakanuntukmendiskripsikanbatasobjek,atauluas beberapa piksel yang bernilai 1 pada citra biner . Chaincodemendiskripsikansebuahobjekdengansegmengarisyang berurutan berdasarkan arah penelusuran yang diberikanChain code, merupakan representasi yang dilakukan dengan 8 segmen seperti ilustrasi di bawah. ModelArahChaincode,bisakitamodifikasikrnyangterpentingdalam impelmentasi adalah konspe chain code, seperti di bawah ini. 0 1 2 3 4 5 6 7 2 1 0 7 6 5 4 3 Representasi Wilayah Chain Code =====:::Operasi Chain Code Representasi Wilayah Chain Code =====:::Operasi Chain Code Misalkan, Ada sebuah citra berukuran 7x6 pixel berbentuk biner, yang akan mengilustrasikan proses chain code. Chain Code 2 1 0 7 6 5 4 3 Representasi Wilayah Chain Code =====:::Operasi Chain Code Contoh Implementasi Representasi Wilayah Chain Code =====:::Operasi Chain Code Contoh Implementasi Image SumberBiner ThresholdingChain CodeResult Hitung Luasan Chain Code =====:::Menghitung Luasan Hitung Luasan, Pada dasarnya adalah implementasi algoritma Chain-Code. Luasan yang dimaksudkan,adalah banyaknya jumlah piksel pada suatu area . Chaincodemendiskripsikansebuahobjekdengansegmengarisyang berurutan berdasarkan arah penelusuran yang diberikan0 1 2 3 4 5 6 7 2 1 0 7 6 5 4 3 Hitung Luasan Chain Code =====:::Menghitung Luasan 1. Titik hitam diujung kanan atas adalah pointer di titik awal proses perhitungan luas. Dari sini akan didapatkan nilai luas sementara adalah 1 px . 2.Selanjutnya adalah mencari kemana arah selanjutnya. Berdasarkan chain code, pencarian selalu dimulai dari arah kanan. Jika sebelah kanan dari pointer sekarang berwarna putih, maka pointer akan digeser ke kananLangkah-Langkah : Hitung Luasan Chain Code =====:::Menghitung Luasan 3.Setelahpointerdigeserkekanan,pikselyangditinggalkanakandiberiwarnamerahsebagai penanda bahwa piksel ini sudah dihitung. Dan luas sementara bernilai sama dengan 2 px4.Selain menghitung, proses ini juga menyimpan arah pointer selanjutnya. Jadi pada pos.isi ini disimpan nilai 1 karena pointer bergerak ke kanan (prioritas chain code) . 5.Dari posisi pointer sekarang, dicari lagi arah selanjutnya berdasarkan chaincode seterusnya sampai menemui jalan buntu , seperti ilustrasi proses-proses di bawah. Langkah-Langkah : Hitung Luasan Chain Code =====:::Menghitung Luasan 6.Padaposisipointerterjepitdantidakterdapatpikselberwarnaputihpadakedelapanarah. Padahalmasihterdapat1pikselyangberwarnaputih.Disinilahfungsidaripenyimpanan arah pointer7.Padakeadaansepertiini,posisipointerakandimundurkankearahdarimanapointeritu datang. Tetapi kali ini nilai luas tidak ikut dihitung, hingga bertemu titik yang putih. Sehingga kelanjutan prosesnya adalah sebagai berikut : 8.Setelahdimundurkan,dariposisiitudilakukanlagipencarianwarnaputih.Ternyata disebelahkiripointermasihterdapatwarnaputihsehinggapointerdigeserkekiri.Nilai sementara luas adalah 16 . Langkah-Langkah : Hitung Luasan Chain Code =====:::Menghitung Luasan 9.Masihberupanilaisementarakarenaprosesbelumberakhir.Setelahmencapaiujung, dilakukanprosespengecekanlagisecaramundur.Menggunakaninformasiarahyangtelah disimpan, pointer akan berjalan mundur sampai pada posisi awal semula (awal). 10. Pengecekan mundur dilakukan untuk mengantisipasi apabila ada warna putih yang tertinggal sebagaimanaterjadipadalangkahke-12.Prosesinidilakukanberulang-ulangbergantung kepada banyaknya area warna putih yang terdapat pada citra. 11. Kemudiandariposisipointeryangsekarang,dicarilagiarahmundurselanjutnya berdasarkan arah chain code yang telah ditentukan. Sebagai penanda bahwa piksel ini sudah dihitungmundurmakapikselyangditinggalkanakandiberiwarnabiru,ilustrasiproses penghitungan luas secara mundur adalah sebagai berikut. Langkah-Langkah : Hitung Luasan Chain Code =====:::Menghitung Luasan Contoh Hasil : Motion Detection Deteksi Gerakan=====:::Mendeteksi Gerakan 1.DeteksiGerakan,adalahteknikyangmenggunaknpengurangan himpunan image (image subtraction). 2.Proses image subtraction ini bertujuan untuk mendeteksi gerakan yang terjadi antara dua (2) buah citra masukan . 3.Sesuaidengannamadariproses,yangdilakukanpadaprosesini adalahmembandingkan2buahcitradengancarasaling mengurangkannya.4.Secaralogikaapabilahasildaripengurangantersebutadalah0, berarti pada titik/piksel tersebut tidak terjadi perubahan, 5.Sebaliknya bila hasil pengurangan tersebut bernilai lebih dari 0, maka berarti pixel di posisi tersebut terjadi perubahan.Motion Detection Deteksi Gerakan=====:::Mendeteksi Gerakan Langkah-Langkah : - Motion Detection Deteksi Gerakan=====:::Mendeteksi Gerakan Langkah-Langkah : - Operasi Morfologi=====:::Operasi Morfologi -Operasi Morfologi, merupakan pemrosesan mencari kerangka bentuk dari suatu obyek. -Bentukkerangka obyek dapat berupa huruf, angka, sel, akar, bintang dan lain sebagainya, mari Kita Perhatikan Ilustrasi di bawah : Operasi Morfologi=====:::Operasi Morfologi -Citradalammaterisebelumnya,dipandangsebagaifungsiitensitas f(x,y).Sedangkandalamsudutpandagmorfologi,Citradipandang sebagai himpunan. -Untukpemahamanyanglebihsederhana,makapemrosesancitra morfologi dilakukan secara biner. Meskipun pada dasarnya morfologi, bisa dilakukan dalam bentuk level keabuan. -Citra biner adalah citra yang hanya memiliki 2 macam nilai intensitas, 0 dan 1, 0 dan 255 dan lain sebagainya. Proses Morfologis : Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. Himpunan (set) adalah kumpulan objek-objek yang berbeda. Objek di dalam himpunan disebut elemen, unsur, atau anggota. Contohhimpunanadalahsepertisebuahhimpunanmahasiswa matematika,himpunankaryawan,himpunancitrahurufdll,seperti contoh himpunan aneka jenis huruf di bawah ini. Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. 1. Irisan (intersection) -Notasi : A B = { x , x e A dan x e B } Contoh 14. (i)Jika A = {2, 4, 6, 8, 10} dan B = {4, 10, 14, 18},maka A B = {4, 10} (ii) Jika A = { 3, 5, 9 } dan B = { -2, 6 }, maka A B = C. Artinya:A // B = Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. 2.Gabungan (union) -Notasi : AB = { x , x e A atau x e B } Contoh 15. (i)Jika A = { 2, 5, 8 } dan B = { 7, 5, 22 }, maka AB = { 2, 5, 7, 8, 22 } (ii) AC = A = Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. 3.Komplemen (complement)

-Notasi :A= { x, xe U,xe A }

Contoh 16. Misalkan U = { 1, 2, 3, ..., 9 },(i) jika A = {1, 3, 7, 9}, makaA= {2, 4, 6, 8}(ii) jika A = { x | x/2e P,x < 9 }, makaA = { 1, 3, 5, 7, 9 }= = Komplemen Komplemen Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. 4. Selisih ( difference )

-Notasi :AB = {x, xe A danxe B } =A B

Contoh 18.(i) JikaA = { 1, 2, 3, ..., 10 } danB= { 2, 4, 6, 8, 10 }, makaAB= { 1, 3, 5, 7, 9 } danBA =C (ii){1,3, 5} {1, 2, 3} = {5}, tetapi {1, 2, 3} {1, 3, 5} = {2}- = Operasi Morfologi=====:::Operasi Morfologi Operasi Morfologi, dipandang Sebagai OperasiHimpunan. 5.Beda Setangkup ( Symmetric Difference )

-Notasi:A B = ( A B ) ( A B) = ( AB) ( BA)

Contoh 19. JikaA = { 2, 4, 6 } danB = { 2, 3, 5 }, makaA B = { 3, 4, 5, 6 }( () ) =- Operasi Morfologi=====:::Operasi Morfologi Citra Masukan SA A ={(0,0),(0,1),(0,2), (1,0),(1,1),(1,2), (2,0),(2,1),(2,2)} Misalkan citra dipandang sebagai himpunan Objek S dan Objek A dapat direpresentasikan sebagai bentuk himpunan dari posisi-posisi (x,y) yang bernilai 1 (1=hitam/keabuan, 0 = putih)S = {(0,0),(0,1),(1,0)} Operasi Morfologi=====:::Operasi Morfologi Citra Masukan x x Contoh 1Contoh 2 Contoh 3 -Prosesteknisoperasimorfologimiripdenganproseskonvolusi. Namunmorfologidilakukandengancarapassingmask/kernel (struktur elemen) pada sebuah citra. - Mask/kernel(strukturelemen)dapatberukuransebarang ordo. -Mask/kernel (struktur elemen) juga memiliki poros. Akan tetapi titik poros/titik origin/titik acuan. Operasi Morfologi=====:::Operasi Morfologi Beberapa Operasi Dasar Morfologi - DILASI, pada sebuah citra. - EROSI dapat berukuran sebarang ordo. -OPENING juga memiliki poros.- CLOSING, pada sebuah citra. - HIT Or MISS dapat berukuran sebarang ordo. -THINNING-SKELETON juga memiliki poros.- BOUNDARY EXTRACTION, pada sebuah citra. Operasi Morfologi=====:::Operasi Morfologi DILASI Merupakan proses penggabungan titik-titik latar (0) menjadi bagian dari objek (1), berdasarkan structuring elementS yang digunakan. Teknis dilasi adalah: Untuk setiap titik pada A, lakukan hal berikut: -Letakkan titik poros S pada titik A tersebut -Beriangka1untuksemuatitik(x,y)yangterkena/ tertimpa oleh struktur S pada posis tersebut. Operasi Morfologi=====:::Operasi Morfologi SAD Posisi poros ( (x,y) A )Sxy (0,0){(0,0),(1,0),(0,1)} (0,1){(0,1),(1,1),(0,2)} (0,2){(0,2),(1,2),(0,3)} ........... (2,2){(2,2),(2,3),(3,2)} S = {(0,0),(0,1),(1,0)} = {poros,(+0,+1),(+1,+0)} A = {(0,0),(0,1),(0,2), (1,0),(1,1),(1,2), (2,0),(2,1),(2,2)} D Capture proses padasaat posisi poros S ada di (2,2) Operasi Morfologi=====:::Operasi Morfologi Contoh DILASI Operasi Morfologi=====:::Operasi Morfologi EROSI Erosi merupakan proses penghapusan titik-titik objek (1) menjadi bagiandarilatar(0),berdasarkanstructuringelementSyang digunakan. Teknik erosi adalah: -Untuk setiap titik pada A, lakukan hal berikut: -letakkan titik poros S pada titik A tersebut -jikaadabagiandariSyangberadadiluarA,makatitik Poros dihapus / dijadikan latar. S A S A E = ) , (SAE Posisi poros ( (x,y) A )Sxy Kode (0,0){(0,0),(1,0),(0,1)} 1 (0,1){(0,1),(1,1),(0,2)}1 (0,2){(0,2),(1,2),(0,3)}0 ........... (2,2){(2,2),(2,3),(3,2)}0 S = {(0,0),(0,1),(1,0)} = {poros,(+0,+1),(+1,+0)} A = {(0,0),(0,1),(0,2),(1,0),(1,1),(1,2),(2,0),(2,1),(2,2)} D Capture proses padasaat posisiporos S ada di (2,2). Titik (2,2) akan dihapus karena ada bagian dari S yang berada di luar A Operasi Morfologi=====:::Operasi Morfologi EROSI Operasi Morfologi=====:::Operasi Morfologi Contoh EROSI Operasi Morfologi=====:::Operasi Morfologi OPENING Opening adalah proses erosi yang diikuti dengan dilasi. Efek yang dihasilkan adalah menghilangnya objek-objek kecil dan kurus, memecah objek pada titik-titik yang kurus

Umum men-smooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan Persamaannya adalah: S S A S A = ) ( Operasi Morfologi=====:::Operasi Morfologi OPENING A S A(A S) S S Operasi Morfologi=====:::Operasi Morfologi Contoh OPENING Operasi Morfologi=====:::Operasi Morfologi CLOSING Closing adalah proses dilasi yang diikuti dengan erosi. Efek yang dihasilkan adalah mengisi lubang kecil pada objek, menggabungkan objek-objek yang berdekatan.

Secara umum men-smooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan Persamaannya adalah: S S A S A = - ) (Operasi Morfologi=====:::Operasi Morfologi A A S(A S) S S Operasi Morfologi=====:::Operasi Morfologi Contoh CLOSING Operasi Morfologi=====:::Operasi Morfologi -SuatustructuringelementSdapatdirepresentasikandalam bentuk(S1,S2)dimanaS1adalahkumpulantitik-titikobjek (hitam) dan S2 adalah kumpulan titik-titik latar (putih) -Hit-and-missstransformA*Sadalahkumpulantitik-titik dimanaS1menemukanmatchdiAdanpadasaatyang bersamaan S2 juga menemukan match di luar A Contoh: S1= {b,e,h} S2={a,d,g,c,f,i} abc def ghi Operasi Morfologi=====:::Operasi Morfologi A*S Yang match dipertahankan Yang tidak match dihapus Operasi Morfologi=====:::Operasi Morfologi Contoh HIT or MISS Operasi Morfologi=====:::Operasi Morfologi THINNING Tujuan: me-remove piksel tertentu - pada objek sehingga tebal objek - tersebut menjadi hanya satu piksel. Thinning tidak boleh: - Menghilangkan end-point - Memutus koneksi yang ada - Mengakibatkan excessive erosi Salahsatukegunaanthinningadalahpadaprosespengenalan karakter/huruf Adabanyakcaramengimplementasikanthinning,salah satu diantaranya adalah dengan hit-or-miss transform Operasi Morfologi=====:::Operasi Morfologi THINNING Thinning dapat didefinisikan sebagai: Thinning(A,{B}) = A (A * {B}) = A ((...(A*B1)*B2)..Bn) Dengan B1, B2, B3..Bn adalah Structuring element. Note: A-(A*B) berarti kebalikan dari A*B Yang match dihapus Yang tidak match dipertahankan Operasi Morfologi=====:::Operasi Morfologi THINNING Operasi Morfologi=====:::Operasi Morfologi THINNING Operasi Morfologi=====:::Operasi Morfologi Contoh THINNING Thinning Operasi Morfologi=====:::Operasi Morfologi Contoh THINNING Operasi Morfologi=====:::Operasi Morfologi Boundary Detection Merupakan proses penggabungan bila stucture element S semuanya sama dengan titik-titik latar. Teknis Boundary Detection adalah: Untuk setiap titik pada A, lakukan hal berikut: -Letakkan titik poros S pada titik A tersebut -Beri angka 1 untuk titik poros (x,y) bila semua Aterkena / tertimpa oleh struktur S pada posis tersebut. Operasi Morfologi=====:::Operasi Morfologi Contoh THINNING Histogram Citra =====:::Gambaranpenyebarannilai-nilaipixel(R,G,B,Gray)darisuatubagiancitra. Histogramjugadapatmenggambarkanfrekwensikemunculansetiapnilai intensitaswarna(realtif),kadarkecerahan,kadarkontrasdarisebuah gambar. Jadi Secara Matematis Histogram Dapat Dihitung Dengan Rumus : Hi = (ni / n), dimana i = 1,2,3..N-1 ni = jumlah pixel (R,G,B, / Gray) n = jumlah keseluruhan Citra Misalkan,TerdapatMatrikdenganukuran(8x8)Pxsepertigambardi bawah, dengan nilai keabuan antara 0-15, maka perhitungan histogramnnya adalah seperti halaman selanjutnya : Histogram Citra =====:::Matrik Keabuan Ordo 8 x 8 Perhitungan histogramnnya adalah :