Pengolahan Citra Digital

LANDASAN TEORI

2.3. Pengolahan Citra Digital

Pengolahan citra merupakan sebuah bentuk pemrosesan sebuah citra atau gambar dengan proses numerik dari gambar tersebut, dalam hal ini yang diproses adalah masing-masing piksel atau titik dari gambar tersebut. Teknik pengolahan citra digital membantu manipulasi gambar digital dengan menggunakan komputer.

Tujuan pengolahan citra adalah memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas dan mengekstraksi informasi ciri dari citra (Anbarjafari, 2014). Beberapa teknik yang digunakan pada pengolahan citra adalah sebagai berikut.

2.3.1. Green Channel

Green channel merupakan salah satu jenis dari grayscaling yang mengganti nilai setiap piksel pada citra hanya dengan nilai green dari piksel citra tersebut (Febriani, 2014).

Green channel digunakan karena dapat menghasilkan kecerahan dengan baik, dan mata manusia lebih sensitif terhadap cahaya daripada kromatisitas sehingga green channel

lebih sensitif digunakan untuk manusia dibandingkan red channel dan blue channel (Tan, et al., 2014). Green channel digunakan untuk segmentasi pembuluh darah karena dapat memunculkan kontras yang lebih tinggi antara pembuluh darah dan background pada retina (Quinn & Krishnan, 2013). Green Channel dilakukan dengan persamaan 2.1.

𝐼(𝑥, 𝑦) = 0. 𝑅 + 1. 𝐺 + 0. 𝐵 = 𝐺 (2.1)

Dimana : 𝐼(𝑥, 𝑦) = piksel citra hasil green channel R = nilai red dari sebuah piksel G = nilai green dari sebuah piksel B = nilai blue dari sebuah piksel

2.3.2 Peningkatan Kontras Citra

Peningkatan kontras citra bertujuan untuk dapat meningkatkan kualitas citra dan dapat memperoleh citra yang dapat memberikan informasi yang sesuai dengan tujuan pengolahan citra (Nurrahmadayeni, 2017). Pada penelitian ini menggunakan metode contrast limited adaptive histogram equalization (CLAHE).

CLAHE merupakan salah satu metode peningkatan kontras citra dan merupakan versi perbaikan dari metode sebelumnya, AHE (adaptive histogram equalization) (Rai, et al., 2012). CLAHE mampu mengurangi noise pada AHE dengan membatasi peningkatan kontras, terutama pada daerah homogen. CLAHE meningkatkan kontras citra dengan cara mengubah nilai intensitas pada citra (Pujiono, et al., 2013). Algoritma CLAHE dapat dijelaskan sebagai berikut (Ramya, 2012) :

Langkah 1 : Citra asli dibagi menjadi beberapa bagian citra yang tiap bagian citra

berukuran MxN.

Langkah 2 : Setiap bagian citra dihitung histogramnya.

Langkah 3 : Clipped histogram setiap bagian citra. Jumlah piksel dari tiap bagian citra didistribusi pada masing-masing derajat keabuan. Rata-rata

jumlah piksel tersebut dilakukan dengan persamaan 2.2.

𝑁_𝑎𝑣𝑞 = ^{𝑁𝑆𝐼−𝑋𝑃 . 𝑁𝑆𝐼−𝑌𝑃}

𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙 (2.2)

Dimana : 𝑁_𝑎𝑣𝑞 = rata-rata jumlah piksel

𝑁_{𝑆𝐼−𝑋𝑃} = jumlah piksel dalam dimensi X dari bagian citra 𝑁_{𝑆𝐼−𝑌𝑃} = jumlah piksel dalam dimensi Y dari bagian citra 𝑁_{𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙} = jumlah nilai derajat keabuan dari bagian citra

Berdasarkan persamaan 2.2, clip limit dapat dihitung menggunakan persamaan 2.3.

𝑁_𝐶−𝐿 = 𝑁_𝐶 . 𝑁_𝐴𝑉𝐺 (2.3)

Dimana : 𝑁_𝐶−𝐿 = clip limit

𝑁_𝐶 = nilai maksimum rata-rata piksel setiap nilai derajat keabuan

dari bagian citra

Pada histogram yang asli, piksel akan di clipped jika jumlah piksel lebih besar dari 𝑁_𝐶. Jumlah piksel didistribusikan secara merata kedalam masing-masing derajat keabuan (𝑁_𝑑) yang didefenisikan dengan total jumlah piksel yang di clipped (𝑁_𝑇𝐶) dalam persamaan 2.4.

𝑁_𝑑 = ^𝑁𝑇𝐶

𝑁𝑔𝑟𝑎𝑦𝑙𝑒𝑣𝑒𝑙 (2.4)

𝑁_𝑆𝐼(𝑖) merupakan jumlah piksel dalam setiap derajat keabuan bagian citra dan

‘i’ adalah jumlah derajat keabuan. Dengan menggunakan persamaan 2.4. contrast limited histogram bagian citra dapat dihitung dengan menggunakan persamaan 2.5.

𝑖𝑓 𝐻_𝑆𝐼 > 𝑁_𝐶−𝐿, 𝐻_𝑁𝑆𝐼(𝑖) = 𝑁_𝐶−𝐿 𝑒𝑙𝑠𝑒 𝑖𝑓 𝐻_𝑆𝐼(𝑖) + 𝑁_𝑑 ≥ 𝑁_𝐶−𝐿, 𝐻_𝑁𝑆𝐼(𝑖) = 𝑁_𝐶−𝐿

𝑒𝑙𝑠𝑒 𝐻_𝑁𝑆𝐼(𝑖) = 𝐻_𝑆𝐼(𝑖) + 𝑁_𝐷

Akhir dari distribusi pada persamaan 2.5, sisa jumlah piksel yang di clipped dinyatakan sebagai 𝐻_𝑅𝑃, tahap distribusi piksel dirumuskan dalam persamaan 2.6.

𝑆 = ^{𝑁𝑔𝑟𝑎𝑦}

𝑁𝑅𝑃 (2.6)

Metode ini memindai semua piksel dari yang minimum hingga dari nilai graylevel. Jika frekuensi piksel graylevel adalah 𝑁_𝐶−𝐿, metode ini akan mendistribusikan satu piksel nilai graylevel. Jika pencarian berakhir sebelum distribusi semua piksel, maka akan dihitung ulang sesuai dengan persamaan 2.6 hingga semua piksel terdistribusi. Dengan demikian akan diperoleh histrogram yang baru.

Langkah 4 : Membatasi contrast histogram setiap bagian citra diproses dengan HE kemudian piksel dari bagian citra dipetakan dengan menggunakan interpolasi linear.

2.3.3 Morphological Operator

Morphological merupakan suatu teknik dari pengolahan citra yang didasarkan pada pengolahan bentuk objek (Sreedhar & Panlal, 2012). Morphological digunakan dalam pengolahan citra biner (hitam dan putih) dan juga citra keabuan, fungsi morphological mengambil dua masukan. Masukan pertama adalah gambar yang akan diproses. Dalam morphological citra biner, citra input dibagi menjadi daerah foreground (biasanya

putih) dan background (biasanya hitam). Dalam morphological citra keabuan, citra terdiri dari tiga objek dimensi, di mana area yang lebih tinggi lebih terang (putih) dan area bawah lebih gelap (hitam). Masukan kedua adalah structuring elemen, yang merupakan (biasanya kecil, sebagai perbandingan untuk gambar) kumpulan titik koordinat (Dramdahl, 2014).

Morphological operator mempunyai dua operasi dasar yaitu dilation dan erosion. Dilation merupakan suatu proses untuk meningkatkan batas piksel foreground sehingga pada daerah tersebut ukurannya akan bertambah dan menebal. Dilation dilakukan dengan persamaan 2.7.

Sedangkan erosion kebalikan dari dilation yang akan mengurangi batas piksel foreground sehingga pada daerah tersebut ukurannya akan berkurang dan menipis (Chudasama, et al., 2015). Erosion dilakukan dengan persamaan 2.8.

𝐸(𝐴, 𝐵) = 𝐴 Ɵ 𝐵 = { 𝑥 ∶ 𝐵_𝑥 ⋂ X } (2.8)

Dimana : E = citra hasil dari erosion A = citra masukan

B = structure element 𝐵_𝑥 = translasi B

Operasi dasar tersebut telah banyak dikombinasikan, sehingga terdapat operasi-operasi lainnya salah satunya yaitu morphological close. Operasi tersebut merupakan kombinasi dimana suatu citra diterapkan dilation terlebih dahulu kemudian diterapkan

operasi erosion. Morphological close bertujuan untuk memperhalus objek pada citra dengan cara menyambungkan pecahan-pecahan dan menghilangkan lubang-lubang kecil pada citra (Nurrahmadayeni, 2017).

2.3.4. Thresholding

Thresholding adalah operasi non-linear yang digunakan untuk segmentasi citra.

Thresholding mengubah citra skala abu-abu ke citra biner. Dalam proses thresholding, kedua level ditugaskan ke piksel yang berada di bawah atau di atas nilai threshold yang ditentukan dengan T. Piksel objek memiliki nilai 1 dan latar belakang memiliki 0, dengan demikian objek akan muncul secara konsisten lebih cerah atau lebih gelap dari latar belakang. Jadi pada thresholding, piksel yang serupa dalam skala abu-abu atau dalam fitur lainnya dikelompokkan bersama. Proses thresholding dilakukan dengan persamaan (2.9).

Connected component analysis merupakan teknik segmentasi pada citra biner atau citra keabuan untuk mengklasifikasikan region atau objek dalam pengolahan citra digital.

Setiap wilayah maksimal piksel terhubung disebut connected component. Kumpulan dari connected component mempartisi sebuah citra menjadi beberapa segmen. Setiap rangkaian piksel yang tidak dipisahkan oleh batas adalah call connected. Begitu batas wilayah telah terdeteksi, connected component analysis digunakan untuk mengekstrak daerah yang tidak dipisahkan oleh batas (Bouman, 2017).

Connected Neighbors terdiri dari 2 sistem yaitu :

- 4 point neighborhood system

P (x-1, y)

P (x-1, y) P (x, y) P (x, y+1) P (x, y+1)

Piksel-piksel yang berdekatan dikatakan memiliki hubungan 4-konektivitas jika piksel-piksel tersebut terletak berdampingan secara horizontal dan vertikal N4(P). Kumpulan dari piksel-piksel ini disebut dengan 4 neighbors of P. Pada konsep 4-Connected Neighbors bila terdapat 2 pixel yang bersinggungan secara diagonal maka akan dianggap 2 objek.

- 8 point neighborhood system

P (x-1, y-1) P (x, y-1) P (x+1, y-1) P (x-1, y) P (x, y) P (x+1, y) P (x+1, y+1) P (x, y+1) P (x+1, y+1)

Piksel-piksel yang berdekatan dikatakan memiliki hubungan 8-konektivitas jika piksel-piksel tersebut terletak berdampingan secara horizontal dan vertikal N8(P) atau disebut juga empat diagonal neighbors. Pada konsep 8-Connected Neighbors bila terdapat 2 pixel yang bersinggungan baik secara diagonal maupun secara horizontal dan vertikal maka akan dianggap 1 objek.