pengolahan citra - stmik...

Pengolahan CitraPengolahan CitraPendahuluan

Pusat Studi Mikroelektronika & Pengolahan Citra

Universitas Gunadarma, Jakarta

http://pusatstudi.gunadarma.ac.id/pscitra

Kuliah Umum Pengolahan Citra STMIK Bumi Gora 6 Juni 2008

Konsep Dasar pengolahan Citra Peningkatan Mutu Citra Pemampatan Citra Steganografi



Definisi :

Pengolahan citra adalah pemrosesan citra, dengan maksud untuk mendapatkan kualitas citra yang diinginkan (lebih baik yang bersifat relatif )

Tiga bidang studi yang terkait dengan data citra yaitu :

• Komputer grafik, Pengolahan Citra , Pengenalan Pola

citra

Pengolahan citra

citra

Pengenalan

polaKomputer

grafik

diskripsidiskripsi



Contoh Komputer Grafik

Contoh Pengolahan Citra



Garage Bushes Grass House Sky Tree1 Tree2

Roof Side Roof Side1 Side2

Contoh Pengenalan pola

(Ballard, 1992)



• Perbaikan kualitas citra,(image enhancement) dari aspek radiometrik ( kontras, tepian objek, penajaman, pemeberian warna semu, penapisan ) dan aspek geometrik ( rotasi, translasi, skala, transformasi geometrik )

• Pemugaran citra ( image restoration ), untuk menghilangkan cacat pada citra

OPERASI PENGOLAHAN CITRA



•Pemampatan Citra (images compression).

•Segmentasi Citra ( image segmentation), bertujuan untuk memecah citra kedalam beberapa segmen.



• Analisa citra ( image analysis), bertujuan menghitung besaran kuantitatif citra untuk menghasilkan diskripsi ( ciri-ciri tertentu ), misal : pendeteksian tepi objek ( edge detection)

• Rekontruksi Citra, membentuk ulang objek dari beberapa citra hasil proyeksi



Perangkat keras sistem Visual

Sensor Citra , untuk menangkap pantulan objek

Jenisnya : CCD(charge coupled device) dan CMOS ( complementary metal-oxide semiconductor)

ADC , mengkonversi sinyal analog menjadi sinyal digital

Memori , untuk menyimpan data hasil konversi

ADC dan memori dikemas dalam satu kesatuan yang disebut dengan penangkap bingkai citra ( image frame grabber)

Pengolahan CitraPengolahan Citra


Konsep Dasar pengolahan Citra

Model Citra

• Citra merupakan fungsi malar (kontinyu) dari intensitas cahaya. Secara matematis disimbulkan dengan f(x,y), dimana :

– (x,y) : koordinat pada bidang dwi warna– F(x,y) : intensitas cahaya pada titik (x,y)

• Nilai f(x,y) adalah hasil kali dari :– i(x,) = jumlah cahaya yang berasal dari sumber, nilainya antara 0 sampai tak

terhingga.– r(x,y) = derajat kemampuan objek memantulkan cahaya , nilainya antara 0 dan

1.– Jadi f(x,y) = i(x,y) . r(x,y)




Digitalisasi Citra

Supaya bisa diolah dengan komputer, citra harus direpsentasikan secara numerik dengan nilai diskrit .

Citra digital dinyatakan dengan suatu matrik ukuran NxM. Masing-masing elemen disebut pixel (picture element)

f(0,0) f(0,1) …. f(0,m)

f(1,0) f(1,1) …. f(1,M)

F(x,y) = : : :

f(N-1,0) f(N-1,1) f(N-1,M-1)

Indeks baris (i) dan indeks kolom (j) menyatakan koordinat titik pada citra, sedang f(i,j) merupakan intensitas (derajat keabuan) pada titik (i,j)




Untuk memudahkan implementasi , jumlah pixel biasanya diasumsikan dengan,N = 2n, dimana, N = jumlah pixel pada baris:kolom , n = bilangan bulat positip misal 256 x 256 pixel, 128x256 pixel, 8x8 pixel …

Skala/derajat Keabuan : G = 2 m

Dimana : G = derajat keabuan, m=bilangan bulat positip

Skala keabuan Nilai keabuan pixel depth21 ( 2 nilai ) 0,1 1 bit22 ( 4 nilai ) 0 sampai 3 2 bit24 ( 16 nilai ) 0 sampai 15 4 bit28 (256 nilai ) 0 sampai 256 8 bit

Penyimpanan citra digital menjadi NxM pixel dan dikuantisasi menjadi G=2m memerlukan memori sebanyak B = N x M x mContoh 512x512x8 = 2048.000 bit




h x f x , y g x , y f a ,b g x a , y b da db

• Fungsi diskrit

h x , y f x , y g x , y

f a ,b g x a , y b

Fungsi penapis g(x,y) disebut juga convolution filter, convolution mask, convolution kernel atau template.

Dalam bentuk diskret kernel konvolusi dinyatakan dalam bentuk matriks, misal 2x2, 3x3,

Konvolusi pada fungsi Dwimatra




Ilustrasi konvolusi

F(i,j)=Ap1+Bp2+Cp3+Dp4+Ep5+Fp6+Gp7+Hp8+Ip9

Contoh: misal citra f(x,y) yang berukuran 5x5 dan sebuah kernel dengan ukuran 3x3, matriks sebagai berikut :

4 4 3 5 4 0 -1 0

6 6 5 5 2 g(x,y)= -1 4 -1

F(x,y)= 5 6 6 6 2 0 -1 0

6 7 5 5 3

3 5 2 4 4Operasi konvolusi antara citra f(x,y) dengan kernel g(x,y),

F(x,y)*g(x,y)




Menghitung hasil konvolusi

Menempatkan kernel pada sudut kiri atas , kemudian hitung nilai pixel pada posisi (0,0) dari kernel :

hasil = 3Geser kernel satu pixel ke kanan ,kemudian hitung nilai pixel pada posisi (0,0) dari kernel:

hasil = 0Selanjutnya dengan cara yang sama geser ke kanan, dstGeser kernel satu pixel ke bawah, lakukan perhitungan seperti diatasNilai pixel citra tepi tidak berubah

4 4 3 5 46 3 0 2 25 0 2 6 2 = hasil konvolusi6 6 0 2 33 5 2 4 4



Peningkatan Mutu Citra

Tujuan dari teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu.

Kata baik disini tergantung pada jenis aplikasi dan problem yang dihadapi.

Tujuan Peningkatan Mutu Citra

Teknik peningkatan mutu citra dapat dibagi menjadi dua:Peningkatan mutu citra pada domain spasial

Point ProcessingMask Processing

Peningkatan mutu citra pada domain frekuensi

Jenis Teknik Peningkatan Mutu Citra




Image Enhancement

Spatial Domain Frequency Domain

I. Point Processing II. Mask Processing

a. Image Negativeb. Contrast Stretchingc. Histogram Equalization

- all grey level and all area- specific grey level (histogram specification)

- local enhancement (specific part of the image)d. Image Subtractinge. Image Averaging

Lingkup Pembahasan




Point Processing

Cara paling mudah untuk melakukan peningkatan mutu pada domain spasial adalah dengan melakukan pemrosesan yang hanya melibatkan satu piksel saja (tidak menggunakan jendela ketetanggaan)Yang termasuk disini misalnya :

Citra negatif, Contrast Stretching,perataan histogram,Image Substraction,Image Averaging




Mengubah nilai grey-level piksel citra input dengan:Gbaru = 255 - GlamaHasilnya seperti klise foto

a. Citra Negatif

Citra negatifCitra asli




Mengubah kontras dari suatu image dengan cara mengubah greylevel piksel-piksel pada citra menurut fungsi s = T(r) tertentu

b. Contrast Streching




c. Perataan Histogram

Histogram citra adalah diagram yang menunjukkan jumlah kemunculan grey level atau derajat keabuan pada suatu citra.

Histogram processing: mengubah bentuk histogram agar pemetaan gray level pada citra juga berubahGambar gelap: histogram cenderung ke sebelah kiriGambar terang: histogram cenderung ke sebelah kananGambar low contrast: histogram mengumpul di suatu tempatGambar high contrast: histogram merata di semua tempat




Persamaan Perataan Histogram

citra pada ada yang maksimal levelgrey adalah L1,.....,1,010

)()(0 0

−=≤≤

=== ∑ ∑= =

Lkdanr

rpnn

rTs

k

k

j

k

jj

jkk

Yang dimaksud dengan perataan histogram adalah mengubah derajatkeabuan suatu pixel r dengan derajat keabuan yang baru (s) dengan suatu fungsi transformasi T




Citra awal: 3 5 5 5 45 4 5 4 45 3 4 4 44 5 6 6 3

Derajat keabuan baru

SK * 10

Sk

Probabilitas Kemunculan

Kemunculan

Derajat Keabuan

111110.90

0.55

0.15

000

1010101010951000101010101095.51.5000

00000.10.35

0.40

0.15

000

00002783000

109876543210

Citra Akhir: 1 9 9 9 59 5 9 5 59 1 5 5 55 9 10 10 1

• Contoh : citra dengan derajat keabuan hanya berkisar 0-10




Original Image

Grey histogram




Original Image




Bright Image




Dark Image




Original Image

RGB Histogram




Dark Image




Jika pada point processing kita hanya melakukan operasi terhadap masing-masing piksel, maka pada mask processing kita melakukan operasi terhadap suatu jendela ketetanggaan pada citra.Kemudian kita menerapkan (mengkonvolusikan) suatu mask terhadap jendela tersebut. Mask sering juga disebut filter.

Mask Processing

5674 x8321

Contoh: Jendela ketetanggan 3x3,Nilai piksel pada posisi x dipengaruhi oleh nilai 8 tetangganya

Perbedaan dengan point processing: pada point processing, nilai suatu piksel tidak dipengaruhi oleh nilai tetangga-tetangganya




W9W8W7

W6W5W4

W3W2W1 Contoh sebuah mask berukuran 3x3.Filter ini akan diterapkan / dikonvolusikan pada setiap jendela ketetanggaan 3x3 pada citra (anggap filter sudah dalam bentuk terbalik)

G5

5

G5

4

G5

3

G5

2

G5

1

G4

5

G4

4

G4

3

G4

2

G4

1

G3

5

G3

4

G3

3

G3

2

G3

1

G2

5

G2

4

G2

3

G2

2

G21

G1

5

G1

4

G1

3

G1

2

G1

1

G22’ = w1 G11 + w2 G12 + w3 G13+ w4 G21 + w5 G22 + w6 G23 + w7 G31 + w8 G32 + w9 G33




Jenis-jenis filter spasial

Smoothing filters:Lowpass filter (linear filter, mengambil nilai rata-rata)Median filter (non-linear filter, mengambil median dari setiap jendela ketetanggan)

Ket :

a. Citra Asli; b. Hasil citra dengan Median Filtering c. Hasil Citra dengan Mean Filtering; (Gaussian)

a b c




Sharpening filters:Roberts, Prewitt, Sobel (edge detection)High pass filter

Operator Sobel Operator RobertsOperator prewitt

Operator canny



Pemampatan Citra

• Mengapa perlu pemampatan dan reduksi data? – Data citra umumnya berukuran besar– Tidak praktis dalam aspek penyimpanan, proses dan transmisi – Perlu reduksi atau pemampatan data dengan mengurangi

redundancy atau duplikasi data

• Data redundancy:adalah bagian data yang tidak mengandung informasi terkait atau

merupakan pengulangan dari informasi yang sudah dinyatakan sebelumnya atau sudah diketahui

Kendala Data Citra Digital



Pemampatan Citra

• Aplikasi yang membutuhkan image compression: dimana perkembangannya ditentukan oleh efisiensi pada manipulasi data, penyimpanan, dan transmisi citra biner / monokrom / berwarna:– Televideo-conferencing– Remote sensing– Telemedical / Medical imaging– Facsimile transmission

Contoh Aplikasi



Pemampatan Citra

• Information preserving (lossless compression): teknik yang memproses data asli menjadi bentuk yang lebih ringkas tanpa hilangnya informasi. Contoh: Aplikasi biomedis.

• Lossy compression: teknik mendapatkan data yang lebih ringkas dengan melalui suatu proses penghampiran (approksimasi) dari data asli dengan tingkat error yang dapat diterima. Contoh: TV broadcast.

Kategori Teknik Kompresi Citra



Pemampatan Citra

Model sistem kompresi umum

• Source encoder: menghilangkan redundansi input• Channel encoder: meningkatkan imunitas output source

encoder terhadap gangguan noise (menggunakan Hamming code)

• Channel decoder & source decoder: mengembalikan ke data semula

• Jika channel dianggap bebas noise, maka channel encoder/decoder bisa diabaikan.



Pemampatan Citra

Source encoder & decoder



Pemampatan Citra

• Source Encoder: terdiri dari Mapper, Quantizer dan Symbol Coder– Mapper: melakukan transformasi dari citra masukan (visual format)

menjadi suatu non-visual format dan dimaksud untuk eliminasi interpixel redundancy. Biasanya bersifat reversible, contoh: run-length coding.

– Quantizer: melakukan eliminasi psychovisual redundancy menurut kriteria fidelity yang ditentukan. Pada sistem kategori error-free compression, tahap ini tidak dilakukan

– Symbol Coder: menghasilkan kode fixed-length atau variable-length dan memetakan citra pada sistem kode tersebut.




Pemampatan Citra

•Source Decoder: melakukan operasi yang berlawanan dengan source encoder dan menghasilkan suatu citra rekonstruksi yang persis atau merupakan bentuk approksimasi dari citra asalnya.

•Channel Encoder dan Decoder: menyisipkan controlled redundancy bits (penambahan bits) untuk mendeteksi bila terjadi error atau gangguan waktu transmisi.




Pemampatan Citra

Tampilan program pemampatan citra yang dibuat menggunakan MatLab



Pemampatan Citra

Contoh Hasil



Steganografi

•Awal munculnya steganografi : Sejarawan Yunani yaitu Herodotus dalam cerita :

•Hirateus(raja kejam Yunani) yang dipenjara oleh Raja Darius di Susa yang mengirimkan surat kepada anaknya melalui tato di kepala budak

•Demeratus mengiimkan pesan kepada negara bagian Sparta bahwa Xerxes ingin menyerang Yunani melalui tulisan yang ada di ukir di bawah tabung kayu yang kemudian ditutupi dengan lilin

SEJARAH STEGANOGRAFI



Steganografi

• Morfologi kata : Berasal dari bahasa Yunani:

Steganos : tersembunyi atau terselubung Graphein : menulis Artinya menurut morfologinya adalah menulis tulisan yang terselubung atau tersembunyi(terselubung)

• Secara umumAdalah teknik menyembunyikan data secara rahasia di dalam wadah (media) digital sehingga keberadaan data rahasia tidak diketahui orang lain.

Arti Steganografi



Steganografi

• Wadah (media penampung)Dapat berupa : citra, suara(audio), teks maupun video.

• Data yang ingin disembunyikanDapat berupa :citra, suara, teks, dan audio.

• Tujuan :Penyamaran dataPerlindungan Hak Cipta

PROPERTI STEGANOGRAFI



Steganografi

Teknik Penyembunyian Data•Metode yang paling sederhana menggunakan Modifikasi LSB (Least Significant Bit)

•Tujuannya agar tidak jauh berbeda nilainyaContoh, nilai pixel tertentu :

11010010 diubah menjadi 11010011

•Perubahan warna yang terjadi sulit dideteksi oleh mataData rahasia diubah ke biner

•Posisi pixel citra penampung dipilih secara acak sesuai dengan jumlah data rahasia biner

•Dibangkitkan dengan Pseudo Random Number Generator (PRNG) yang dibangun dengan algoritma enkripsi (DES, Hash MD5, CFB)

Teknik Penyembunyian Data



Steganografi

•FidelityMutu citra modifikasi tidak jauh berubah dari citra asli ketika disisipkan data rahasia (document)

• RobustnessData yang disimpan aman (tidak akan berubah)di dalam file citra tersebut apabila dilakukan operasi pada citra misalnya cropping, enskripsi dan lain-lain

• RecoveryData yang disisipkan ke dalam suatu citra harus dapat di kembalikan menjadi data aslinya.

KRITERIA STEGANOGRAFI



Steganografi

• Menggunakan Algoritma LSB(Least Significant Bit)Cara untuk menyisipkan suatu document (data) dengan cara menggunakan bit terakhir dari suatu byte. Dengan cara mengganti bit LSB tertinggi (1) dari citra asli menjadi bit LSB terendah (0) pada citra modifikasi, demikian pula sebaliknya.Algoritma ini akan berlaku dengan mengganti bit-bit LSB dengan bit pada document yang akan disisipkan.

Teknik Steganografi



Steganografi

Teknik Modifikasi LSBKhusus untuk Citra Non-24-Bit

Citra penampung diubah dahulu menjadi format 24-bit, sehingga terbentuk komponen RGBnya

Perubahan Jumlah WarnaCitra 8-bit ~ 256 warnaCitra 8-bit diubah ke Citra 24-bit mengakibatkan :

Setiap data Bitmap = 3 byte, tersedia 3 LSB baruTerjadi kombinasi warna baru sebanyak 23 = 8Citra hasil Steganografi pada citra 256 berpotensi

mempunyai warna = 256 x 8 = 2048



Steganografi

Teknik Modifikasi LSBCara menghindari Kelebihan Jumlah Warna

Warna citra 8-bit diturunkan dari 256 menjadi 32.Jika setiap warna menghasilkan 8 warna baru, maka didapat 32 x 8 = 256 warna

Cara menurunkan warna dengan kuantisasi warna, contohnya Algoritma Diversity



Steganografi

Contoh Hasil Steganography Dengan Matlab



Steganografi

Referensi :

1. RC. Gonzales and RE. Wood , Digital Image Processing, Prentice Hall2. Aniati Murni, Handouts Kuliah, Image Procesing, Universitas Indonesia3. Rinaldi Munir, Pengolahan citra digital dengan pendekatan algoritmik, Informatika, Bandung, 2004.4. Usman Ahmad, Pengolahan Citra Digital & Teknik Pemrogramannya, Graha Ilmu Yogyakarta, 2005.

pengolahan citra - stmik...

Documents