BAB 2
TINJAUAN PUSTAKA
2.1 Pengertian citra
Secara harfiah, citra (image) adalah gambar pada bidang dwimatra (dua dimensi). Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi berkurang(Munir, R. 2007).
Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik(Munir, R. 2007).
CT-scan, dan lain sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa diproses di komputer secara langsung. Agar citra analog dapat diproses di komputer, proses konversi analog ke digital harus dilakukan terlebih dahulu(Hermawati , A.F. 2013). Citra Analog dapat dilihat pada Gambar 2.1 .
Gambar 2.1 Citra Analog (Hermawati , A.F. 2013)
2.1.2 Citra Digital
Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan (Santoso, I. 2013).
sedangkan nilai f(x,y) adalah intensitas citra pada koordinat tersebut(Santoso, I. 2013). Ilustrasi citra digital dapat dilihat pada Gambar 2.2.
1. 2. 3. 4.
Gambar 2.2 Citra Digital
2.2 Jenis-jenis Citra Digital
Citra Biner, adalah citra digital yang hanya memiliki dua kemungkinan nilai pixel yaitu hitam dan putih. Citra biner juga disebut sebagai citra B&W(Black and White) atau citra monokrom. Hanya dibutuhkan 1 bit mewakili nilai setiap piksel dari citra biner(Santoso, I. 2013). Dapat dilihat pada gambar 2.3, dibawah ini
Gambar 2.3 Citra Binner
Citra Grayscale, adalah citra digital yang hanya memiliki satu nilai kanal pada setiap pixelnya, dengan kata lain nilai bagian Red = Green = Blue. Nilai tersebut digunakan untuk menunjukkan tingkat intesitas. Warna yang dimiliki adalah warna dari hitam, keabuan , dan putih. Tingkatan keabuan di sini merupakan warna abu dengan berbagai tingkatan dari hitam hingga mengikuti putih(Santoso, I. 2013). Dapat dilihat pada gambar 2.4, dibawah ini:
10 145 90 12 13
2 22 0 0 13
65 88 234 232 207
188 153 129 91 90
y
y
x1 x
Gambar 2.4 Citra grayscale
Citra Warna (24 -Bit) adalah citra yang setiap piksel dari citra warna 24-bit diwakili dengan 24 -bit sehingga total 16.777.216 variasi warna. Variasi ini sudah lebih dari cukup untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan manusia. Setiap informasi warna disimpan ke dalam 1-byte data. 8-bit pertama menyimpan nilai biru, Kemudian diikuti dengan nilai hijau pada 8-bit kedua dan 8-bit terakhir merupakan nilai warna merah(Santoso, I. 2013). Dapat dilihat pada gambar 2.5, dibawah ini:
Gambar 2.5 Citra warna 24-bit.
2.3 Pengolahan Citra
1 .Meningkatkan kualitas informasi dari sebuah citra (gambar) yang digunakan untuk kepentingan interpretasi manusia
2 .Mengubah citra dari sebuah gambar yang digunakan untuk mempermudah pemrosesan persepsi mesin autonomous agar lebih mudah dalam mengambil keputusan(Prasetyo, E. 2011).
2.4 Aspek Pengolahan Citra
Teknik pengolahan citra dibagi menjadi beberapa sub kelas. Adapun pembagian kelas dari pengolahan citra adalah seperti berikut ini :
1. Image Enchancement
Image Enchancement merujuk pada memproses sebuah gambar sehingga hasilnya menjadi lebih bagus dengan menggunakan aplikasi khusus. Contoh ini meliputi menajamkan atau mengurangi blur dari sebuah gambar, menandai tepi, meningkatkan kontras gambar atau meningkatkan kecerahan sebuah gambar dan menghilangkan noise (Prasetyo, E. 2011). Dapat dilihat pada Gambar 2.6.
Gambar 2.6 Image Enchancement (Prasetyo, E. 2011)
2. Image Restoration
(a) Citra Asli (b) Citra noise (c) Citra filter Gambar 2.7 Image Restoration
3.Image Segmentation
Image Segmentation meliputi pembagian gambar menjadi bagian yang berbeda atau mengisolasi aspek tertentu dari sebuah gambar. Sebagai contoh dapat dilihat sebagai berikut : menemukan garis,lingkaran atau bentuk khusus sebuah gambar, fotografi aerial, mengidentifikasi mobil , pohon, gedung atau jalan(Prasetyo, E. 2011). Dapat dilihat pada Gambar 2.8
(a) Citra grayscale (b) Image Segmentation Gambar 2.8 Image Segmentation
2.5 Citra Digital berformat Bitmap(.bmp)
seperti foto dan lukisan digital. Citra bitmap biasanya diperoleh dengan cara Scanner, Camera digital, Video Capture dan lain-lain (Santo, J. 2013). Dapat dilihat pada gambar 2.9 , dibawah ini:
Gambar 2.9 pemandangan.bmp 2.6 Warna
Isi dari sebuah citra digital adalah piksel atau kotak warna. Manusia dapat melihat radiasi elektromagnetik dengan panjang gelombang 400 sampai 700 nanometers(nm) sebagai warna. Hewan juga bisa melihat sisi yang berbeda dari spectrum elektromagnetik dan dapat melihat warna yang berbeda dari apa yang tidak dapat dilihat oleh manusia. (Santoso, I. 2013)
Pengalaman warna secara natural adalah proses kombinasi dari mata dan otak. Mata bertindak sebagai penerima cahaya dan otak menginterpretasikan data dari mata sebagai informasi visual dan menerjamahkan data tersebut sebagai warna. (Santoso, I. 2013)
Penglihatan manusia didasarkan atas tiga penerima, satu untuk merah, yang lain untuk hijau , sisanya untuknya biru. Ada banyak representasi warna dari banyak perbedaan lingkup warna, atau model yang biasa memiliki tiga atau empat channel. (Santoso, I. 2013)
2.6.1 Red, Green and Blue (RGB)
Gambar 2.10 Struktur Warna RGB (Santoso, I. 2013)
Dalam suatu ruang yang sama sekali tidak ada cahaya, maka ruangan tersebut adalah gelap total. Tidak ada signal gelombang cahaya yang diserap oleh mata kita atau RGB (0,0,0). Apabila kita menambahkan cahaya merah pada ruangan tersebut, maka ruangan akan berubah warna menjadi merah misalnya RGB (255,0,0), semua benda dalam ruangan tersebut hanya dapat terlihat berwarna merah. Demikian apabila cahaya kita ganti dengan hijau atau biru. (Santoso, I. 2013)
Berdasar pada tri-stimulus vision theory yang mengatakan bahwa manusia melihat warna dengan cara membandingkan cahaya yang datang dengan sensor-sensor peka cahaya pada retina (yang berbentuk kerucut). Sensor-sensor-sensor tersebut paling peka terhadap cahaya dengan panjang gelombang 630 nm (merah), 530 nm (hijau) dan 450 nm (biru). Model ini dapat digambarkan dengan kubus dengan sumbu-sumbu R, G dan B.( Sutoyo, T. & Mulyanto, E. 2009)
Warna sudut kubus pada sumbu utama menyatakan warna primer. Warna sudut kubus diluar sumbu utama menyatakan warna
komplementer (merah dengan cyan, hijau dengan magenta, biru dengan kuning).
2.6.2 Hue, Saturation, and Value (HSV)
Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Hue menyatakan warna sebenarnya, seperti merah, violet, 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. (Sutoyo, T. & Mulyanto, E. 2009)
Gambar 2.11 Model Warna HSV(Sutoyo, T. & Mulyanto, E. 2009)
2.6.3 Hue, saturation , and Lightness (HSL)
Pada dasarnya model warna HSL hampir sama dengan model warna HSV. Model warna HSL terdiri dari 3 komponen yaitu Hue, saturation , dan Lightness. Hue merupakan karakteristik warna berdasar cahaya yang dipantulkan oleh objek, dalam warna dilihat dari ukurannya mengikuti tingkatan 0 sampai 360. Sebagai contoh, pada tingkat 0 adalah warna Merah, 60 adalah warna Kuning, untuk warna Hijau pada tingkatan 120, sedangkan pada 180 adalah warna Cyan. Untuk tingkat 240 merupakan warna Biru, serta 300 adalah warna Magenta. (Santoso, I. 2013)
gelap. Nilai koreksi warna pada Lightness berkisar antara 0 untuk warna paling gelap dan 100 untuk warna paling terang.(Santoso, I. 2013)
2.6.4 Cyan Magenta Yellow Key (CMYK)
Cyan Magenta Yellow Key (CMYK),atau sering disingkat sebagai CMYK adalah proses pencampuran pigmen yang lazim digunakan percetakan. Tinta process cyan, process magenta, process yellow, process black dicampurkan dengan komposisi tertentu dan akurat sehingga menghasilkan warna tepat seperti yang diinginkan. Bahkan bila suatu saat diperlukan, warna ini dengan mudah bisa dibentuk kembali. Sistem CMYK juga digunakan oleh banyak printer kelas bawah karena keekonomisannya. (Santoso, I. 2013)
CMYK (adalah kependekan dari cyan, magenta, yellow-kuning, dan warna utamanya (black-hitam), dan seringkali dijadikan referensi sebagai suatu proses pewarnaan dengan mempergunakan empat warna) adalah bagian dari model pewarnaan yang sering dipergunakan dalam pencetakan berwarna. Namun ia juga dipergunakan untuk menjelaskan proses pewarnaan itu sendiri. Meskipun berbeda-beda dari setiap tempat pencetakan, operator surat khabar, pabrik surat kabar dan pihak-pihak yang terkait, tinta untuk proses ini biasanya, diatur berdasarkan urutan dari singkatan tersebut. (Santoso, I. 2013)
Model ini, baik sebagian ataupun keseluruhan, biasanya ditimpakan dalam gambar dengan warna latar putih (warna ini dipilih, dikarenakan dia dapat menyerap panjang struktur cahaya tertentu). Model seperti ini sering dikenal dengan nama "subtractive", karena warna-warnanya mengurangi warna terang dari warna putih. (Santoso, I. 2013)
warna-warna utama, sedangkan warna-warna hitam dapat terjadi tanpa adanya suatu cahaya. Dalam model CMYK, berlaku sebaliknya: warna putih menjadi warna natural dari kertas atau warna latar, sedangkan warna hitam adalah warna kombinasi dari warna-warna utama. Untuk menghemat biaya untuk membeli tinta, dan untuk menghasilkan warna hitam yang lebih gelap, dibuatlah satu warna hitam khusus yang menggantikan warna kombinasi dari cyan, magenta dan kuning. (Santoso, I. 2013)
Gambar 2.12 Struktur Warna CMYK (Santoso, I. 2013)
2.7 Perbaikan Citra (Image Restoration)
Restorasi citra bertujuan merekonstruksi atau memperbaiki citra yang terdegradasi dengan menggunakan suatu priori knowledge dari fenomena degredasi tersebut. Teknik restorasi berorientasi pada pemodelan degradasi dan mengaplikasikan proses kebalikannya untuk memperbaiki citra aslinya. Degradasi citra biasanya terjadi pada saat akuisisi citra digital, baik dari sensor atau digitizer. Bentuk dari degradasi ini bisa berupa(Hermawati , A.F. 2013) :
- Citra ber-noise
Gambar 2.14 Citra Kabur (blur)
Seperti diberikan pada Gambar 2.15 menunjukkan proses degradasi yang ditunjukkan dalam sebuah fungsi degradasi yang sama-sama dengan suatu penambahan noise, berjalan pada fungsi input(x,y) , menghasilkan suatu citra terdegradasi g(x,y) , beberapa pengetahuan mengenai fungsi degradasi H, dan beberapa pengetahuan mengenai penambahan noise µ(x,y), proses restorasi bertujuan untuk mendapatkan perkiraan citra aslinya f(x.y). (Hermawati , A.F. 2013)
Gambar 2.15 Model Proses degradasi / restorasi citra
Dari model diatas dapat diberikan ilustrasi seperti pada Gambar 2.16. dibawah ini :
Citra Asli noise Citra Restoration
2.8 Noise
Ketika sebuah citra ditangkap oleh kamera , sering kali terdapat beberapa gangguan yang mungkin terjadi , seperti kamera tidak focus, muncul bintik-bintik yang disebabkan oleh proses capture yang tidak sempurna , pencahayaan yang tidak merata mengakibatkan intensitas tidak seragam , kontras citra terlalu rendah sehingga objek sulit untuk dipisahkan dari latar belakanganya, atau gangguan yang disebabkan oleh kotoran-kotoran yang menempel pada citra, dan lain sebagainya. Setiap gangguan pada citra dinamakan noise. Citra mengandung noise seperti ini memerlukan langkah-langkah proses analisis citra.( Sutoyo, T. & Mulyanto, E. 2009)
2.8.1 Salt and Pepper noise
Salt and pepper noise merupakan bentuk noise yang biasanya terlihat titik -titik hitam dan putih pada citra seperti tebaran garam dan merica(Adi, T. 2010). Fungsi Probabilitas Kepadatan(Probability Density Function(PDF)) noise (bipolar) impulse diberikan oleh:
………(1)
Gambar 2.17 Salt and Pepper Noise
2.8.2 Speckle noise
Speckle noise merupakan model noise yang memberikan warna hitam pada titik yang terkena noise. (Santo, J. 2013)
Seperti diberikan pada Gambar 2.18
Gambar 2.18 Speckle noise 2.9 NonlinearFilters
tepi yang telah di filter dalam sebuah gambar. Nonlinear filters tidak terbatas dalam penghapusan sebuah noise dari sebuah gambar. Nonlinear Filter memiliki beberapa jenis, antara lain Harmonic mean filter, Contra-Harmonic Mean Filter dan sebagiannya.( R, Harley,2012)
2.9.1 Kernel
Kernel adalah suatu matrik yang pada umumnya berukuran kecil dengan elemen-elemennya adalah berupa bilangan. Kernel digunakan pada proses konvolusi. Oleh karena itu, kernel juga disebut sebagai convolution window (jendela konvolusi). Ukuran kernel dapat berbeda-beda, seperti 2x2, 3x3, 5x5, dan sebagainya. Elemen-elemen kernel juga disebut sebagai bobot (weight) merupakan bilangan-bilangan yang membentuk pola tertentu. Kernel juga biasa disebut dengan tapis (filter), template, mask, serta sliding window.( Sutoyo, T. & Mulyanto, E. 2009)
Berikut adalah contoh kernel 2x2 dan 3x3.
(a) (b)
Dimana (a) adalah contoh kernel yang berukuran 2x2 dan (b) adalah contoh kernel yang berukuran 3x3.
2.9.2 Harmonic – Mean Filter
Harmonic mean filter adalah anggota dari bagian Nonlinear filter yang lebih baik dalam menghilangkan Gaussian noise dari pada metode Aritmetic mean filter( Sutoyo, T. & Mulyanto, E. 2009) . Sifat filter ini sama seperti Geometric Mean Filter . filter ini bekerja baik untuk salt noise, tetapi gagal untuk citra yang terdegradasi oleh noise yang mengandung pepper noise. Dapat dilihat pada gambar 2.19. Di bawah ini merupakan citra terdegradasi dengan Salt and Pepper noise.
1 -1 1 -1 4 -1
1 -1 1 1 0
(a) (b)
Gambar 2.19 (a) Citra terdegradasi dengan Salt and Pepper Noise (b) Harmonic Mean Filter 3 x 3
Operasi dari harmonic mean filter diberikan oleh persamaan 2 berikut ini :
……….………..(2) Keterangan :
1. m x n adalah mbaris dan nkolom kernel Harmonic Mean Filter. 2. G(s,t) adalah baris dan kolom piksel yang akan diproses[6]. Contoh :
Perhitungan digital dari Harmonic mean filter . Misalkan Sxy adalah subimage dari
sebuah citra berukuran 3 x 3 yang mempunyai nilai-nilai intensitas seperti berikut[1] :
2.9.3 Contraharmonic-mean filter
Contraharmonic mean filter adalah anggota dari satu set Nonlinear filter yang lebih baik dalam menghilangkan Gaussian noise dan melestarikan fitur tepi daripada Arithmetic mean filter.seperti diberikan pada gambar 2.21 (Hermawati , A.F. 2013).
(a) (b)
Gambar 2.20 (a) Citra terdegradasi Salt Noise dengan Probabilitas 0.45 Hasil Restorasi dengan (b) Contraharmonic mean filter 3 x 3 dan Q = 1.0
Operasi dari Contraharmonic Mean Filter didasarkan pada persamaan 3 berikut ini :
……….. (3)
berikut(Hermawati , A.F. 2013) :
2.10 Mean Square Error(MSE), Root Mean Squared Error (RMSE) , dan Peak Signal to Noise Ratio(PNSR)
MSE adalah rata-rata kuadrat nilai kesalahan antara citra asli dengan citra hasil pengolahan yang secara matematis dapat di rumuskan pada persamaan 4:
………..(4) Keterangan :
f
x,y : Intensitas citra aslifˆ
x,y : Intensitas citra hasil filterSemakin kecil nilai MSE, maka semakin bagus kualitas citra hasil filter(Sutoyo, T. & Mulyanto, E. 2009).
Perhitungan dilakukan untuk setiap piksel dalam citra dengan menggunakan rumus pada persamaan 5:
………(5) di mana f(i,j) adalah citra asal, fˆ
x,y adalah citra hasil rekonstruksi atau citra uji, dan M*N adalah perkalian panjang dengan lebar citra.PSNR merupakan nilai perbandingan antara harga maksimum warna pada citra hasil filtering dengan kuantitas gangguan (noise) yang dinyatakan dalam satuan decibel(db), noise yang dimaksud adalah akar rata-rata kuadrat nilai kesalahan( MSE ).(Santoso, I. 2013)
Secara Matematis, nilai PSNR dapat dirumuskan pada persamaan 6.
………..(6) Keterangan :
Jika nilai MSE kecil, maka nilai PSNR besar akan menghasilkan kualitas citra yang baik.( Sutoyo, T. & Mulyanto, E. 2009)
