LANDASAN TEOR
2.7. Pengolahan Citra Digital
Operasi-operasi pengolahan citra diklasifikasikan dalam beberapa jenis sebagai berikut (Munir, 2004):
1. Perbaikan kualitas citra (image enhancement)
Bertujuan untuk memperbaiki kualitas yang dimiliki citra dengan cara memanipulasi parameter-parameter citra, sehingga ciri-ciri khusus yang terdapat pada citra dapat ditonjolkan. Contoh-contoh operasi perbaikan citra:
a. Perbaikan kontras gelap/terang. b. Perbaikan tepian objek.
c. Penajaman.
d. Pemberian warna semu. e. Penapisan derau.
2. Pemugaran citra (image restoration)
Bertujuan menghilangkan atau meminimumkan cacat pada citra. Dengan operasi ini penyebab degradasi gambar dapat diketahui. Contoh-contoh operasi pemugaran citra:
a. Penghilangan kesamaran (deblurring). b. Penghilangan derau (noise).
3. Pemampatan citra (image compression)
Bertujuan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam operasi ini adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode Run Length Encoding (RLE).
4. Segmentasi citra (image segmentation)
Tujuan dari operasi ini untuk memecah suatu citra ke dalam beberapa segmen dengan kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.
5. Pengorakan citra (image analysis)
Bertujuan menghitung besaran kuantitatif dari citra untuk menghilangkan deskripsinya. Teknik pengorakan citra mengektraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection) b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Rekonstruksi citra (image reconstruction)
Bertujuan membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang medis. Contohnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh.
2.7.1. Pengolahan Citra di Kawasan Spasial dan Kawasan Frekuensi
Citra dapat ditransformasikan baik pada domain spasial, maupun domain frekuensi. Ada dua cara untuk melakukan transformasi yang ditunjukkan pada gambar 2.7.
Gambar 2.7. Proses Transformasi Citra
Pada pengolahan citra di kawasan spasial, dapat dilakukan transformasi spasial dengan memanipulasi intensitas piksel, seperti brightness dan thresholding posisi piksel seperti rotasi dan translasi. Sedangkan pengolahan citra di kawasan frekuensi, diperlukan transformasi domain untuk memetakan citra dari kawasan spasial ke dalam kawasan frekuensi, transformasi inilah yang kemudian dinamakan transformasi Fourier. Dengan cara ini, citra digital ditransformasikan lebih dulu dengan transformasi Fourier, kemudian dilakukan manipulasi pada hasil transformasi Fourier tersebut. Setelah manipulasi selesai, dilakukan inverse transformasi Fourier untuk mendapatkan citra kembali. Metode domain frekuensi ini dapat digunakan untuk menyelesaikan masalah-masalah tertentu yang sulit jika dilakukan dengan menggunakan metode domain spasial (Sutoyo, 2009).
2.7.1.1. Adaptive Median Filter
Salah satu cabang dari Median Filter adalah Adaptive Median Filter. Adaptive Median Filter dirancang untuk menghilangkan masalah yang dihadapi dengan standar Median Filter. Perbedaan mendasar antara dua filter ini adalah bahwa pada Adaptive Median Filter besarnya window (jendela/kernel) sekitarnya setiap piksel adalah variabel. Variasi ini tergantung pada median dari piksel dalam jendela sekarang atau saat ini. Jika nilai median adalah impulse, maka ukuran jendela akan diperluas. Jika tidak, proses lebih lanjut dilakukan pada citra dalam spesifikasi jendela saat ini (Al-amri, et al. 2010).
Pada dasarnya pada “pengolahan” citra diperlukan : piksel pusat dari jendela (window) dievaluasi untuk memverifikasi apakah itu suatu impulse atau bukan. Jika itu adalah suatu impulse, maka nilai piksel baru pada gambar yang telah difilter akan menjadi nilai median dari piksel dalam jendela itu. Jika piksel pusat bukan suatu impulse, maka nilai dari pusat piksel akan dipertahankan dalam citra yang difilter. Piksel (terkecuali) yang dipertimbangkan sebagai sebuah impulse, nilai grayscale dalam piksel pada gambar yang difilter adalah sama dengan citra masukan. Adaptive median filter memiliki tujuan ganda yaitu menghapus impuls noise pada gambar dan mengurangi distorsi pada gambar. Adaptive Median Filter dapat menangani operasi filter pada gambar rusak dengan impulse noise. Filter ini juga memperhalus noise. Dengan demikian, filter ini memberikan output citra jauh lebih baik dari standar median filter.
Filter ini melakukan pengolahan spasial untuk menentukan nilai mana dalam citra yang terkena noise dengan membandingkan setiap pikselnya terhadap tetangganya. Ukuran window dapat disesuaikan dengan batasan maksimum window. Piksel yang berbeda dengan tetangganya maka dianggap sebagai noise untuk kemudian digantikan dengan nilai median piksel yang ada dalam satu window. Ukuran dari Median Filter dipergunakan pada piksel individual yang ditentukan berdasarkan perkiraan tingkat noise lokal. Filter yang lebih besar dipakai pada area dengan noise tingkat tinggi, dan filter yang lebih kecil dipakai pada area dengan noise tingkat rendah (Listiyani, 2013).
Tujuan dari algoritma Adaptive Median Filter ini adalah mengidentifikasi kandidat noise Zxy kemudian mengganti setiap Zxy dengan nilai median dari piksel yang ada pada window Sxy. Algoritma ini bekerja pada dua bagian, bagian A dan B sebagaimana terlihat pada persamaan (3) dan persamaan (4) (Prasetyo, 2011) :
Bagian A :
1 = −
2 = − ……… (3)
Jika A1 > 0 dan A2 < 0, pindah ke bagian B. Jika tidak, naikkan ukuran window Jika ukuran window ≤ , ulangi bagian A. Jika tidak, keluarkan
1 = −
2 = − ……….. (4)
Jika B1 > 0 dan B2 < 0, keluarkan . Jika tidak, keluarkan
Penjelasan untuk algoritma Adaptive Median Filter adalah sebagai berikut (Thivakaran & Chandrasekaran, 2010):
Untuk setiap piksel pada lokasi (x,y) : Langkah 1. Inisialisasi S = 3.
Langkah 2. Hitung , , dan yang merupakan nilai minimum, median, dan maksimum dari piksel-piksel di dalam window .
Langkah 3. Lakukan perhitungan pada persamaan (3) yang berfungsi untuk melihat apakah < < . Jika hasilnya bernilai true, dilanjutkan ke langkah 5. Jika tidak, atur ukuran = + 2, hingga mencapai ukuran maksimum dari . Langkah 4. Jika ≤ , ulangi langkah 2. Selain itu, ubah dengan . Langkah 5. Lakukan perhitungan pada persamaan (4) yang berfungsi untuk melihat apakah < < . Jika hasilnya bernilai true, maka bukan noise sehingga nilai tidak perlu diubah, selain itu, ubah nilai dengan nilai .
Keterangan :
= fltering window
= nilai piksel pusat pada window = nilai minimum pada window
= nilai tengah pada window = nilai maksimum pada window = ukuran maksimal window
2.7.1.2. Wiener Filter
Wiener Filter adalah salah satu jenis filter spasial non-linear. Wiener filter yang diusulkan pertama kali oleh N. Wiener pada tahun 1942 dilaksanakan dengan meminimalkan kesalahan kuadrat rerata antara citra ideal dan citra terestorasi. Apabila f adalah citra ideal dan adalah citra terestorasi, kesalahan kuadrat reratanya berupa
= ( ( , ) − ( , ) ) ≈ ∑ ∑ ( ( , ) − ( , ) ) …….. (5)
Dengan M adalah tinggi citra dan N adalah lebar citra. Solusi atas problem di atas dikenal dengan nama Wiener Filter (Kadir & Susanto, 2013).
Dalam kawasan frekuensi, solusi untuk Wiener Filter berupa (McAndrew, 2004) :
( , ) = 1
( , )
| ( , ) | | ( , ) | +
^( , ) ………( 6)
Dimana ( , ) pada persamaan (6) merupakan nilai dari hasil alihragam Fourier yang akan digunakan nantinya, dan ^( , ) adalah piksel citra. Sementara adalah nilai konstanta yang dalam hal ini bernilai 100.
2.8. Parameter Pembanding Kualitas Citra
