PRAKTIKUM PENGOLAHAN CITRA MODUL 1 IMAGE ENHANCEMENT USING MATLAB Oleh : Muhammad Zainuddin Lubis, S.Ik, M.Si

(1)

PRAKTIKUM PENGOLAHAN CITRA

MODUL 1

− IMAGE ENHANCEMENT USING MATLAB

Oleh : Muhammad Zainuddin Lubis, S.Ik, M.Si

Dalam bidang pengolahan citra, istilah citra mengacu pada suatu fungsi intensitas dalam bidang dua dimensi. Pemrosesan citra menggunakan komputer membutuhkan citra digital sebagai masukannya. Oleh karena itu, kita mengenal beberapa macam format citra digital, yang masing-masing memiliki format penyimpanan dan pembacaan data yang berbeda-beda.

Dengan menggunakan toolbox image processing di Matlab, proses pembacaan citra dapat dilakukan dengan mudah, sebagaimana diperlihatkan oleh beberapa contoh berikut:

 Windows Bitmap (*.bmp)

a=imread('taz_ref.bmp');

figure,imshow(a);

 Joint Photographic Experts Group (^*.jpg)

b=imread('oranges.jpg');

figure,imshow(b);

 Tagged Image File Format (*.tif)

c=imread('saturn.tif');

figure,imshow(c);

Jumlah warna yang terdapat dalam suatu citra digital berkaitan erat dengan format data digital yang digunakan. Suatu citra 8 bit (misalnya pada format *.bmp 8-bit) dapat memiliki paling banyak 256 jenis warna di dalamnya. Sedangkan suatu citra 24 bit (misalnya pada format

*.png 24-bit) memiliki 2²⁴kombinasi data warna yang dapat ditampilkan.

Suatu citra berwarna dapat dinyatakan dalam banyak cara. Salah satu metode yang paling populer adalah dengan menggunakan metode kanal RGB. Dalam format ini, suatu citra berwarna dinyatakan dalam bentuk gabungan dari tiga buah citra monochrome merah, hijau, dan biru yang berukuran sama. Warna dari setiap piksel citra digital bergantung pada kombinasi ketiga nilai intensitas piksel monochrome yang bersesuaian.

Contoh program untuk mengekstraksi citra monochrome pada toolbox image processing di Matlab adalah sebagai berikut:

d=imread('flowers.tif'); figure, imshow(d);

dR=d(:,:,1); figure,imshow(dR),title('Kanal Merah');

dG=d(:,:,2); figure,imshow(dG),title('Kanal Hijau');

dB=d(:,:,3); figure,imshow(dB),title('Kanal Biru ');

Teknik image enhancement digunakan untuk meningkatkan kualitas suatu citra digital, baik dalam tujuan untuk menonjolkan suatu ciri tertentu dalam citra tersebut, maupun untuk memperbaiki aspek tampilan. Proses ini biasanya didasarkan pada prosedur yang bersifat eksperimental, subjektif, dan amat bergantung pada tujuan yang hendak dicapai.

(2)

1. Operasi Titik

Operasi titik dalam image enhancement dilakukan dengan memodifikasi histogram citra masukan agar sesuai dengan karakteristik yang diharapkan. Histogram dari suatu citra adalah grafik yang menunjukkan distribusi frekuensi dari nilai intensitas piksel dalam citra tersebut.

Contoh perintah untuk menampilkan histogram adalah:

I=imread('rice.tif');

figure,imshow(I);

figure,imhist(I);

Beberapa teknik image enhancement melalui operasi titik antara lain adalah intensity adjustment (termasuk brightening dan darkening), histogram equalization, dan thresholding.

1.1 Intensity Adjustment

Intensity adjusment bekerja dengan cara melakukan pemetaan linear terhadap nilai intensitas pada histogram awal menjadi nilai intensitas pada histogram yang baru.

Perintah umum untuk melakukan pemetaan linear tersebut adalah:

J = imadjust(I,[low_in,high_in),[low_out,high_out])

dimana :

low_in merupakan nilai intensitas yang akan dipetakan sebagai low_out high_in merupakan nilai intensitas yang akan dipetakan sebagai high_out

Contoh:

Citra rice.tif di samping memiliki nilai kekontrasan yang rendah. Berdasarkan histogramnya, dapat diketahui bahwa citra ini tidak memiliki piksel dengan intensitas di bawah 40 dan di atas 225. Untuk memperbaikinya, kita dapat memetakan histogram secara linear sehingga diperoleh sebuah citra baru yang memiliki rentang histogram antara 0 hingga 255.

Perintah untuk melakukan intensity adjustment:

J=imadjust(I,[0.15 0.9],[0 1]);

figure,imshow(I);

figure,imhist(I);

figure,imshow(J);

figure,imhist(J);

1.2 Histogram Equalization

Teknik histogram equalization bertujuan untuk menghasilkan suatu citra keluaran yang memiliki nilai histogram yang relatif sama.

Contoh perintah untuk melakukan histogram equalization:

J=histeq(I);

figure,imshow(I);

figure,imhist(I);

figure,imshow(J);

figure,imhist(J);

(3)

1.3 Thresholding

Thresholding merupakan proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1

Contoh perintah untuk melakukan thresholding:

J=im2bw(I,0.4);

K=im2bw(I,0.5);

figure,imshow(I);

figure,imhist(I);

figure,imshow(J);

figure,imshow(K);

2. Operasi Spasial

Operasi spasial dalam pengolahan citra digital dilakukan melalui penggunaan suatu kernel konvolusi 2-dimensi. Beberapa metode image enhancement yang termasuk dalam keluarga ini adalah neighborhood averaging, median filtering, dan high-pass filtering.

2.1 Neighborhood Averaging

Pada prinsipnya, filter yang digunakan dalam neighborhood averaging merupakan salah satu jenis low-pass filter, yang bekerja dengan cara mengganti nilai suatu piksel pada citra asal dengan nilai rata-rata dari piksel tersebut dan lingkungan tetangganya.

Contoh perintah untuk melakukan neighborhood averaging dengan kernel berukuran 3×3:

I=imread('eight.tif');

kernel=[1 1 1;1 1 1;1 1 1]/9;

J=uint8(conv2(double(I),kernel,'same'));

figure,imshow(I);

figure,imshow(J);

Salah satu persoalan pada penggunaan neighborhood averaging adalah apabila citra masukan telah terkontaminasi noise, sebagaimana diperlihatkan oleh contoh berikut:

IN=imnoise(I,'salt & pepper',0.02);

kernel=[1 1 1;1 1 1;1 1 1]/9;

J=uint8(conv2(double(I),kernel,'same'));

JN=uint8(conv2(double(IN),kernel,'same'));

figure,imshow(I);

figure,imshow(J);

figure,imshow(IN);

figure,imshow(JN);

2.2 Median Filtering

Median filter merupakan salah satu jenis low-pass filter, yang bekerja dengan mengganti nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan lingkungan tetangganya. Dibandingkan dengan neighborhood averaging, filter ini lebih tidak sensitif terhadap perbedaan intensitas yang ekstrim.

(4)

Contoh perintah untuk melakukan median filtering dengan kernel berukuran 3×3:

IN=imnoise(I,'salt & pepper',0.02);

J=medfilt2(I,[3 3]);

JN=medfilt2(IN,[3 3]);

figure,imshow(I);

figure,imshow(J);

figure,imshow(IN);

figure,imshow(JN);

2.3 High-pass Filtering

Sebagaimana pada proses pengolahan sinyal satu dimensi, high-pass filter dua dimensi akan melewatkan komponen citra frekuensi tinggi dan meredam komponen citra frekuensi rendah.

Contoh perintah untuk melakukan high-pass filtering:

I=imread('saturn.tif');

hpf1=[ 1 -2 1;-2 5 -2; 1 -2 1];

hpf2=[ 0 -1 0;-1 5 -1; 0 -1 0];

hpf3=[-1 -1 -1;-1 9 -1;-1 -1 -1];

J1=uint8(conv2(double(I),hpf1,'same'));

figure,imshow(I);

figure,imshow(J1);

figure,imshow(J2);

figure,imshow(J3);

3. Operasi Transformasi

Berbeda dengan beberapa metode yang telah dibahas sebelumnya, proses image enhancement berbasis transformasi citra dilakukan dengan:

a. mentransformasi citra asal ke dalam domain yang sesuai bagi proses enhancement b. melakukan proses enhancement pada domain tersebut

c. mengembalikan citra ke dalam domain spasial untuk ditampilkan/diproses lebih lanjut Salah satu metode transformasi yang paling populer dalam aplikasi pengolahan citra digital adalah Fast Fourier Transform (FFT). Transformasi ini memindahkan informasi citra dari domain spasial ke dalam domain frekuensi, yaitu dengan merepresentasikan citra spasial sebagai suatu penjumlahan eksponensial kompleks dari beragam frekuensi, magnituda, dan fasa.

Contoh perintah untuk melakukan low-pass filtering dan high-pass filtering melalui FFT adalah:

I=double(imread('cameraman.tif'));

IF=fft2(I);

mask_high=double(imread('maskpojok.bmp'));

mask_low =not(mask_high);

IFH=IF.*mask_high;

IFL=IF.*mask_low;

hasil_high=abs(ifft2(IFH));

hasil_low =abs(ifft2(IFL));

figure,imagesc(I) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(IF )),[0 17]),colormap('hot') ,colorbar('vert');

figure,imagesc(hasil_high) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(IFH)),[0 17]),colormap('hot') ,colorbar('vert');

figure,imagesc(hasil_low ) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(IFL)),[0 17]),colormap('hot') ,colorbar('vert');

(5)

Pada contoh program tersebut, proses filtering dilakukan melalui masking terhadap komponen frekuensi yang ditentukan. Agar tercipta karakteristik high-pass filter, maka komponen frekuensi rendah (koefisien frekuensi yang berada pada bagian pojok dari citra hasil FFT) di- masking menggunakan nilai 0. Demikian pula sebaliknya untuk memunculkan sifat low-pass filter, komponen frekuensi tinggi (koefisien frekuensi yang berada pada bagian tengah dari citra hasil FFT) dibuat menjadi 0 melalui perkalian dengan mask low-pass.

4. Tugas

4.1 Operasi Titik

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.

J=imadjust(I,[0.15 0.9],[1 0]);

figure,imshow(I); figure,imhist(I);

figure,imshow(J); figure,imhist(J);

4.2 Operasi Spasial

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.

I=double(imread('saturn.tif'));

kernel=[1 1 1;1 1 1;1 1 1]/9;

J=conv2(I,kernel,'same');

K=I-J;

figure,imagesc(I),colormap('gray'),colorbar('vert');

figure,imagesc(J),colormap('gray'),colorbar('vert');

figure,imagesc(K),colormap('gray'),colorbar('vert');

4.3 Operasi Transformasi

Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.¹

I =double(imread('segitiga.bmp')); F =fft2(I);

IF=fliplr(I); FF=fft2(IF);

IR=rot90 (I); FR=fft2(IR);

figure,imagesc(I) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(F ))),colormap('hot') ,colorbar('vert');

figure,imagesc(IF) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(FF))),colormap('hot') ,colorbar('vert');

figure,imagesc(IR) ,colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(FR))),colormap('hot') ,colorbar('vert');

1

Gunakan file segitiga.bmp sebagai citra masukan. Pastikan terlebih dahulu agar file tersebut telah berada di direktori kerja yang digunakan.

(6)

4.4 Studi Kasus

Image enhancement pada dasarnya merupakan proses yang bersifat subjektif, sehingga parameter keberhasilannya bersifat subjektif pula. Namun demikian, apabila terdapat suatu citra referensi yang merepresentasikan hasil image enhancement yang diinginkan, pengukuran keberhasilan prosedur image enhancement secara kuantitatif dapat dilakukan melalui perhitungan nilai parameter MSE (Mean Squared Error) sebagai berikut:

a. Untuk citra yang terkontaminasi noise berikut (gambar sebelah kiri), lakukanlah prosedur image enhancement sehingga diperoleh hasil yang paling mendekati citra referensi yang bersesuaian (gambar sebelah kanan).²

Prosedur image enhancement yang dilakukan dapat merupakan gabungan dari berbagai metode image enhancement yang tersedia.

b. Tuliskan langkah-langkah image enhancement yang memberikan hasil optimum dalam sebuah m-file. Prosedur image enhancement yang optimum adalah langkah- langkah yang menghasilkan keluaran citra dengan nilai MSE paling rendah. Perhitungan nilai MSE antara citra yang telah di-enhance dengan citra referensi dapat dilakukan melalui program hitungmse.m berikut:

%HITUNGMSE – Fungsi untuk menghitung nilai MSE dari dua buah citra function NilaiMSE=HitungMSE(Citra,CitraRef);

[tinggi,lebar]=size(Citra);

NilaiSSE=sum(sum((double(Citra)-double(CitraRef)).^2));

NilaiMSE=NilaiSSE/tinggi/lebar;

Dengan menggunakan file hitungmse.m tersebut, perhitungan MSE dapat dilakukan dari command window melalui perintah:

nilai_mse = hitungmse(citra,citra_referensi)

2

Gunakan file taz_noise.bmp sebagai citra yang akan di-enhance, dan file taz_ref.bmp sebagai citra referensi.

(7)

PRAKTIKUM PENGOLAHAN CITRA

MODUL 2

− EDGE DETECTION USING MATLAB

Oleh : Muhammad Zainuddin Lubis, S.Ik, M.Si

Penentuan tepian suatu objek dalam citra merupakan salah satu wilayah pengolahan citra digital yang paling awal dan paling banyak diteliti. Proses ini seringkali ditempatkan sebagai langkah pertama dalam aplikasi segmentasi citra, yang bertujuan untuk mengenali objek-objek yang terdapat dalam citra ataupun konteks citra secara keseluruhan.

Deteksi tepi berfungsi untuk mengidentifikasi garis batas (boundary) dari suatu objek yang terdapat pada citra. Tepian dapat dipandang sebagai lokasi piksel dimana terdapat nilai perbedaan intensitas citra secara ekstrem. Sebuah edge detector bekerja dengan cara mengidentifikasi dan menonjolkan lokasi-lokasi piksel yang memiliki karakteristik tersebut.

1. Operator Gradien

Pada citra digital f(x,y), turunan berarah sepanjang tepian objek akan bernilai maksimum pada arah normal dari kontur tepian yang bersesuaian. Sifat ini dipergunakan sebagai dasar pemanfaatan operator gradien sebagai edge detector.

Operator gradien citra konvensional melakukan diferensiasi intensitas piksel pada arah baris dan kolom, mengikuti persamaan local intensity variation berikut :

Nilai magnitudo gradien |∇(x,y)| dari persamaan di atas dapat dinyatakan sebagai berikut:

Operator gradien dapat direpresentasikan oleh dua buah kernel konvolusi G

x dan G

y, yang masing-masing mendefinisikan operasi penghitungan gradien dalam arah sumbu x dan sumbu y yang saling tegak lurus.

Dalam kasus penghitungan gradien dengan persamaan local intensity variation, maka kernel Gx dan G

y dapat dirumuskan seperti berikut:

(8)

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan gradien orde satu:

I = double(imread('cameraman.tif'));

% Gradien orde satu pada arah horizontal gx = [-1 1];

Ix = conv2(I,gx,'same');

% Gradien orde satu pada arah vertikal gy = [-1;1];

Iy = conv2(I,gy,'same');

% Magnitudo gradien J = sqrt((Ix.^2)+(Iy.^2));

% Gambar hasil

figure,imagesc(I ),colormap('gray'),colorbar('vert');

figure,imagesc(Ix),colormap('gray'),colorbar('vert');

figure,imagesc(Iy),colormap('gray'),colorbar('vert');

figure,imagesc(J ),colormap('gray'),colorbar('vert');

Dari operator gradien konvensional di atas, dapat diturunkan berbagai operator gradien berikut:

1.1 Operator Selisih Terpusat

Operator selisih terpusat juga dikenal sebagai Centered Difference Edge Detector Mask, dan dinyatakan sebagai kernel:

% Konvolusi dengan operator selisih terpusat d1x = [-1 0 1];

d1y = [-1;0;1];

Ix = conv2(I,d1x,'same');

Iy = conv2(I,d1y,'same');

J = sqrt((Ix.^2)+(Iy.^2));

% Gambar Hasil

1.2 Operator Roberts

Operator Roberts memiliki ukuran kernel sebesar 2×2, yang direpresentasikan sebagai:

(9)

Contoh perintah menggunakan operator Roberts:

% Konvolusi dengan operator Roberts robertshor = [0 1; -1 0];

robertsver = [1 0; 0 -1];

Ix = conv2(I,robertshor,'same');

Iy = conv2(I,robertsver,'same');

J = sqrt((Ix.^2)+(Iy.^2));

% Gambar Hasil

Contoh perintah menggunakan operator Roberts (matlab toolbox) ¹:

I = imread('cameraman.tif');

J = edge(I,'roberts');

1.3 Operator Prewitt

Contoh perintah menggunakan operator Prewitt:

%Konvolusi dengan operator Prewitt prewitthor = [-1 0 1; -1 0 1; -1 0 1];

prewittver = [-1 -1 -1; 0 0 0; 1 1 1];

Ix = conv2(I,prewitthor,'same');

Iy = conv2(I,prewittver,'same');

J = sqrt((Ix.^2)+(Iy.^2));

%Gambar Hasil

Contoh perintah menggunakan operator Prewitt (matlab toolbox):

J = edge(I,'prewitt');

1

Perintah edge (pada toolbox Matlab) untuk mensimulasikan operator Prewitt, Roberts, Sobel, dan lainnya memiliki konsep dasar yang sama dengan operasi konvolusi kernel setiap operator secara manual. Bedanya, perintah edge menambahkan suatu skema thresholding secara otomatis, sehingga dihasilkan citra keluaran yang bersifat biner (bernilai 0 atau 1).

(10)

1.4 Operator Sobel

Contoh perintah menggunakan operator Sobel:

%Konvolusi dengan operator Sobel sobelhor = [-1 0 1; -2 0 2; -1 0 1];

sobelver = [-1 -2 -1; 0 0 0; 1 2 1];

Ix = conv2(I,sobelhor,'same');

Iy = conv2(I,sobelver,'same');

J = sqrt((Ix.^2)+(Iy.^2));

%Gambar Hasil

Contoh perintah menggunakan operator Sobel (matlab toolbox):

J = edge(I,'sobel');

1.5 Operator Isotropic

Contoh perintah menggunakan operator isotropic:

%Konvolusi dengan operator isotropic

isohor = [-1 0 1; -sqrt(2) 0 sqrt(2); -1 0 1];

isover = [-1 -sqrt(2) -1; 0 0 0; 1 sqrt(2) 1];

Ix = conv2(I,isohor,'same');

Iy = conv2(I,isover,'same');

J = sqrt((Ix.^2)+(Iy.^2));

%Gambar Hasil