BAB II DASAR TEORI
2.2. Pengolahan Citra
2.2.1. Pengertian Pengolahan Citra Digital
Istilah citra digital sangat populer pada masa sekarang ini. Banyak alat elektronik yang menghasilkan citra digital; contohnya scanner, kamera digital, mikroskop digital, dan
fingerprint reader (pembaca sidik jari). Perangkat lunak untuk mengolah citra digital juga
sangat populer digunakan oleh pengguna untuk mengolah foto atau untuk berbagai keperluan lain. Sebagai contoh, Adobe Photoshop dan MATLAB yang menyajikan berbagai fitur untuk memanipulasi citra digital. Pengolahan citra juga biasanya dipakai untuk berbagai teknik memanipulasi dan memodifikasi citra dengan berbagai cara. Foto adalah contoh citra berdimensi dua yang bisa diolah dengan mudah. Setiap foto dalam bentuk citra digital (misalnya berasal dari kamera digital) dapat diolah melalui perangkat-lunak tertentu. Sebagai contoh, apabila hasil bidikan kamera terlihat agak gelap, citra dapat diolah agar menjadi lebih terang. Dimungkinkan pula untuk memisahkan foto orang dari latar belakangnya. Gambaran tersebut menunjukkan hal sederhana yang dapat dilakukan melalui pengolahan citra digital [4].
2.2.2. Aplikasi Pengolahan Citra
Pengolahan citra merupakan bagian penting yang mendasari berbagai aplikasi nyata, seperti pengenalan pola, penginderaan jarak-jauh melalui satelit atau pesawat udara, dan machine vision. Pada pengenalan pola, pengolahan citra antara lain berperan untuk memisahkan objek dari latar belakang secara otomatis. Selanjutnya, objek akan diproses oleh pengklasifikasi pola. Sebagai contoh, sebuah objek buah bisa dikenali sebagai jeruk, apel, atau pepaya. Pada penginderaan jarak jauh, tekstur atau warna pada citra dapat dipakai untuk mengidentifikasi objek-objek yang terdapat di dalam citra. Pada machine
vision (sistem yang dapat “melihat” dan “memahami” yang dilihatnya), pengolahan citra
berperan dalam mengenali bentuk-bentuk khusus yang dilihat oleh mesin. Penggunaan kamera pemantau ruangan merupakan contoh bagian aplikasi pemrosesan citra. Perubahan gerakan yang ditangkap melalui citra dapat menjadi dasar untuk melakukan pelaporan situasi yang terekam. [4]
2.2.3 . Prinsip Dasar dalam Pengolahan Citra
2.2.3.1. Peningkatan Kecerahan dan Kontras
Citra yang tidak jelas akibat sinar yang kurang atau ruangan yang gelap ketika objek dibidik melalui kamera digital dapat diperbaiki kualitas gambarnya dengan menggunakan pengolahan citra digital yaitu dengan peningkatan kecerahan dan kontras
2.2.3.2. Resizing Citra
Resizing citra adalah mengubah besar atau kecilnya ukuran citra dalam piksel.
Tampilan citra tidak ada yang berubah tetapi hanya ukuran piksel dan matriksnya yang dirubah. Misalnya ukuran suatu citra adalah sebesar m x n piksel dapat diubah ukurannya menjadi p x q piksel tergantung pada penggunaannya. Jumlah piksel yang digunakan mempengaruhi kualitas citra yang akan diproses [4].
Gambar 2.9. Pengolahan Citra Memungkinkan Untuk Resizing pada Citra
2.2.4. Pengenalan Dasar Citra
2.2.4.1. Representasi Citra Digital
Citra digital dipresentasi oleh kumpulan-kumpulan titik yang dinamakan piksel (pixel atau “picture element”). Setiap piksel digambarkan sebagai satu kotak kecil dan setiap piksel mempunyai koordinat posisi.
2.2.4.2. Mengenal Jenis Citra
Ada beberapa jenis citra yang biasanya digunakan dalam pengolahan citra contohnya yaitu citra berwarna, dan citra biner.
2.2.4.2.1. Citra Berwarna (RGB)
Citra berwarna atau citra RGB merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap komponen warna menggunakan 8 bit (dengan rentang nilai 0 sampai dengan 255). Oleh karena itu, kemungkinan warna yang bisa terjadi mencapai 255 x 255 x 255 atau 16.581.375 warna. Gambar 2.1- menunjukkan contoh warna dan nilai R,G, dan B. [4]
Gambar 2.10. Tabel Warna dan Nilai Penyusun Warna pada Citra Berwarna [4]
2.2.4.2.2. Citra Biner
Citra biner merupakan citra dengan nilai piksel yang dinyatakan dengan nilai 0 dan nilai 1. Nilai 0 menyatakan warna hitam dan nilai 1 menyatakan warna putih. Citra jenis ini banyak dipakai dalam pengolahan citra, contohnya misalnya untuk kepentingan memperoleh tepi bentuk suatu objek [4].
Gambar 2.11. Contoh Konversi Citra HSV Komponen Saturasi (Kiri) ke Citra Biner (Kanan)
2.2.5. Ciri Suatu Citra
Ciri merupakan karakteristik yang khas, yang membedakan antara satu dengan yang lain. Hal ini juga berlaku pada sebuah citra, citra juga memiliki ciri yang dapat membedakannya dengan citra yang lain. Ciri-ciri dasar dari citra adalah warna, bentuk, dan ukuran [5].
2.2.6. Model Warna
Warna yang dilihat sebenarnya adalah spektrum cahaya yang dipantulkan oleh benda yang kemudian ditangkap oleh indra penglihatan (yakni mata) lalu diterjemahkan oleh otak sebagai sebuah warna tertentu. Sebagai contoh ketika melihat warna hijau yang terdapat pada daun karena cahaya yang datang (umumnya cahaya matahari yang punya spektrum cahaya yang cukup komplit) diserap oleh daun selain warna hijau yang dipantulkan, dan cahaya hijau yg terpantul inilah yang ditangkap sehingga dapat terlihat bahwa daun berwana hijau. jadi sebenarnya faktor penting untuk melihat sebuah warna dengan baik adalah cahaya yang mengenai benda tersebut. Karena terkait dengan cahaya maka tidak semua spektrum cahaya dapat ditangkap oleh indra penglihatan manusia, karena itu kemudian timbul istilah spektrum cahaya tampak (visible spectrum) yang range-nya cukup besar. range inilah yang menjadi penyebab seseorang dapat melihat beraneka ragam warna yang secara umum dipisahkan menjadi beberapa spektrum dasar [5].
2.2.7. Ruang Warna HSV
Ruang warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan
Value. Hue menyatakan warna sebenarnya, seperti merah, ungu, dan kuning. Hue
digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness), kehijauan (greeness), dsb, dari cahaya. Hue berasosiasi dengan panjang gelombang cahaya.
Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa
banyak warna putih diberikan pada warna. Value adalah atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna [5].
Gambar 2.13. Model Warna HSV [5]
Karena ruang warna HSV merupakan ruang warna yang diturunkan dari ruang warna RGB maka untuk mendapatkan warna HSV ini , harus dilakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (di luar).Value Menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value berkisar dari 0 hingga 100%. [5]
Untuk mendapatkan nilai H, S, V berdasarkan R, G, dan B, terdapat beberapa cara. Cara tersederhana [1] adalah sebagai berikut :
( ( )
( ) ( ))
(2.1)
( )
(2.2)
(2.3)
Kemudahan cara pertama ternyata menimbulkan permasalahan, cara pertama membuat hue tidak terdefinisi jika saturation bernilai 0. Solusi kedua untuk mendapatkan setiap nilai HSV adalah menggunakan rumus kedua [1] berikut :
( ) (2.4) ( ) (2.5) ( ) (2.6) ( ) (2.7) { ( ) (2.8) { ( ) * + * + (2.9) (2.10)
Gambar 2.14. Representatif Gambar RGB ke Gambar H,S,V [6]
Gambar 2.15. Perbandingan Warna R,G,B terhadap Warna H,S,V pada Gambar Original [7]
2.2.8. Look Up Table (LUT)
Look Up Table atau LUT biasa digunakan untuk mempercepat perhitungan-perhitungan kompleks yang biasanya dipakai ketika melakukan operasi-operasi perhitungan dengan jumlah data perhitungan yang sangat banyak sehingga dapat mempersingkat waktu untuk melakukan proses perhitungan dengan data yang sangat banyak dibandingkan dengan memakai perhitungan secara langsung. Sesuai dengan namanya, cara memakai metode ini adalah dengan membuat tabel hasil perhitungan lalu data hasil perhitungan yang terdapat pada data tersebut nantinya akan menjadi acuan untuk proses perhitungan data selanjutnya. Pada pemrosesan citra biasanya dipakai sebagai referensi untuk melakukan pencocokkan data antara data citra masukkan dengan data tabel hasil pemrosesan citra sebelumnya yang sudah ditabelkan pada tabel hasil perhitungan. Contoh penggunaan Look Up Table adalah untuk melakukan pengenalan pada suatu nada suara dan lain sebagainya [8].
20