1 ECE533 Digital Image Processing Morphological Image Processing.
Digital image processing
Transcript of Digital image processing
Digital Image Processing
CITRA• Data atau informasi tidak hanya disajikan dalam
bentuk teks, tetapi juga dapat berupa gambar,audio dan video. Keempat macam data atau informasi ini sering disebut Multimedia.
• Citra – sebagai salah satu komponen multimedia yang memegang peranan penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi.
2
CITRA• Citra (image) = gambar pada bidang 2 dimensi.
• Citra (ditinjau dari sudut pandang matematis) = fungsi yang kontinu dari intensitas cahaya pada bidang 2 dimensi.
• Sumber cahaya menerangi objek,dipantulkan kembali dan di tangkap oleh alat-alat optik = Citra
3(b) Lena(a) Dog
CITRA
• Citra sebagai output dari suatu sistem perekaman data dapat berupa:
1. Still Image
• Citra diam (still image) adalah citra tunggal yang tidak bergerak.
2. Moving Image
• Citra bergerak (moving image) adalah rangkaian citra diam yang ditampilkan secara sekuensial sehingga memberi kesan pada mata kita sebagai gambar bergerak. Setiap citra di dalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi pada hakikatnya terdiri dari ratusan sampai ribuan frame.
4
5
Citra DigitalCitra Digital
• Citra Digital– Citra digital merupakan fungsi intensitas cahaya f(x,y),
dimana harga x dan y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan tingkat kecemerlangan citra pada titik tersebut;
– Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat kecemerlangannya (kwantisasi);
– Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut.
6
Digitizing an imageDigitizing an image
Line
Column of samples
Picture
Pixel
Sample Spacing
Sampling process
Spatial resolution
Line Spacing
Black
Gray
White
255
128
0
Sumber: Dimodifikasi dari Castlemen, 1996
Brightness Spacing
Proses Kwantisasi
Brightness Resolution
7
Metodologi Pengolahan CitraMetodologi Pengolahan Citra
• Pembentukan Citra (Data Acquisition): Menentukan data yang diperlukan dan memilih metode perekaman citra digital.
• Pengolahan Citra Tingkat Awal (Image Preprocessing): Meningkatkan kontras, menghilangkan gangguan geometrik / radiometrik, menentukan bagian citra yang akan diobservasi.
• Segmentasi Citra (Image Segmentation) dan Deteksi Sisi (Edge Detection): Melakukan partisi citra menjadi wilayah-wilayah obyek (internal properties) atau menentukan garis batas wilayah obyek (external shape characteristics).
• Seleksi dan Ekstraksi Ciri (Feature Extraction and Selection): Seleksi ciri memilih informasi kwantitatif dari ciri yang ada, yang dapat membedakan kelas-kelas obyek secara baik. Ekstraksi ciri mengukur besaran kwantitatif ciri setiap piksel
8
Metodologi Pengolahan Citra (Lanjutan)
Metodologi Pengolahan Citra (Lanjutan)
• Representasi dan Deskripsi: Suatu wilayah dapat direpresentasi sebagai suatu list titik-titik koordinat dalam loop yang tertutup, dengan deskripsi luasan / perimeternya
• Pengenalan Pola (Pattern Recognition): Memberikan label kategori obyek pada setiap piksel citra berdasarkan informasi yang diberikan oleh deskriptor atau ciri piksel bersangkutan (pewilayahan jaringan keras dan pewilayahan berbagai jaringan lunak pada citra biomedik)
• Interpretasi Citra (Image Interpretation): Memberikan arti pada obyek yang sudah berhasil dikenali (dari citra klasifikasi biomedik dapat dilihat adanya penyakit tumor)
• Penyusunan Basis Pengetahuan: Basis pengetahuan ini digunakan sebagai referensi pada proses template matching / object recognition.
9
Pengertian Citra DigitalPengertian Citra Digital
Sampler
Citra kontinue Citra digital Matriks citra dengan obyek angka 5
Resolusi spasial : Resolusi kecemerlangan :
Tinggi (16 x 16) Rendah (8 x 8) Rendah(4) Tinggi (2)
10
Tiga Bidang Berkaitan dengan
Proses Citra atau Gambar (1)
Image
Description (Pavlidis, 1986)
1950 Image Processing
1970 Computer Graphics
1970 Computer Vision
1960 Pattern Recognition
Artificial Intelligence
11
Tiga Bidang Berkaitan dengan
Proses Citra atau Gambar (2)
(MSU, 1990)
Definisi Pengolahan Citra
• Pengolahan Citra adalah
memproses suatu citra sehingga menghasilkan citra yang sesuai dengan keinginan kita atau kualitasnya menjadi lebih baik.
12
(b) Citra Lena yang diperbaiki
(a) Citra Lena yang agak kabur
13
Pengolahan Citra Digital
Pengolahan Citra Digital
• Memperbaiki kualitas gambar, dilihat dari aspek radiometrik (peningkatan kontras, transformasi warna, restorasi citra) dan dari aspek geometrik (rotasi, translasi, skala, transformasi geometrik);
• Melakukan pemilihan citra ciri (feature images) yang optimal untuk tujuan analisis;
• Melakukan proses penarikan informasi atau deskripsi obyek atau pengenalan obyek yang terkandung pada citra;
• Melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data.
Definisi Pengolahan Citra• Umumnya, operasi-operasi pengolahan citra diterapkan
pada citra bila :
1. Perbaikan atau modifikasi citra untuk meningkatkan kualitas visual atau menonjolkan beberapa aspek informasi yang terkandung dalam citra.
2. Elemen di dalam citra perlu di kelompokkan, dicocokkan atau diukur.
3. Sebagian citra perlu di gabung dengan bagian citra yang lain.
14
Definisi Pengolahan Citra
• Di dalam bidang komputer, ada 3 bidang studi yang berkaitan dengan citra, namun tujuan ketiganya berbeda, yaitu :– Grafika Komputer (Computer Graphics)– Pengolahan Citra (Image Processing)– Pengenalan Pola (Pattern Recognition/image interpretation)
15Deskripsi
Citra
Deskripsi
CitraPengolahan Citra
Grafika Komputer
Pengenalan Pola
16
Grafika KomputerGrafika Komputer
• Merupakan proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar belakang yang terkandung pada gambar tersebut;
• Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di alam nyata (realism).
17
Computer Graphics
(Hearn and Baker, 1986)
18
Visi KomputerVisi Komputer
• Pengenalan Pola (Pattern Recognition): Speaker Recognition, Segmentation and Classification;
• Visi Komputer (Computer Vision) merupakan proses menyusun deskripsi tentang obyek yang terkandung pada suatu gambar atau mengenali obyek yang ada pada gambar, Word and Vowel Recognition, Object Structure;
• Kecerdasan Buatan (Artificial Intelligence): Speech Understanding, What is illustrated by this image.
19
Computer Vision
Garage Bushes Grass House Sky Tree1 Tree2
Roof Side Roof Side1 Side2
(Ballard, 1992)
Computer Vision• Computer Vision mencoba meniru Human Vision• Computer Vision = proses otomatis yang
mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti :– Akuisisi citra– Pengolahan citra– Klasifikasi– Pengenalan (Recognition)– Membuat Keputusan.
• Vision = Geometry + Measurement + Interpretation20
Computer Vision• Proses-proses dalam computer vision dapat dibagi menjadi
3 aktivitas :
1. Memperoleh atau mengakuisisi citra digital
2. Melakukan teknik komputasi untuk memproses atau memodifikasi data citra (operasi-operasi pengolahan citra)
3. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk tujuan tertentu, misalnya mengontrol peralatan, memantau proses manufaktur, memandu robot, dll.
21
Computer Vision
22
SceneAlat Input
ex: kamera digital, scanner
Prepocessing
Intermediate Processing
Deskripsi Gambar
Pattern Recognition
CITRA
POLA
Proses dalam Computer Vision
Prepocessing
Lowest-levelfeature extraction
Intermediate-levelfeature identification
High-level sceneinterpretation via images
Hirarkhi Pemrosesan Contoh Algoritma
Noise RemovalContrast EnhancementEdge Detection
Texture Detection
Pattern Matching
Model-base recognition
23
Operasi Pengolahan Citra
1. Image Enhancement
Image Enhancement bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra.
Dengan operasi ini, ciri-ciri khusus yang terdapat di dalam citra lebih ditonjolkan.
Contoh :– Perbaikan contrast, brightness– Penajaman (sharpening)– Noise Filtering
24
Operasi Pengolahan Citra
• Contoh– Sharpening
– Noise Filtering
25
Operasi Pengolahan Citra
2. Image RestorationImage Restoration bertujuan untuk menghilangkan/ meminimumkan cacat pada citra. Tujuan image restoration hampir sama dengan operasi image enhancement. Bedanya, pada image resoration penyebab degradasi gambar diketahui.
Contoh :
blur deblurring
Operasi Pengolahan Citra
3. Image CompressionJenis operasi ini dilakukan agar citra memerlukan memori atau media penyimpanan lebih sedikit, tanpa mengurangi kualitas citra.
27
Lena.bmp Lena.jpg dengan Quality
80
Lena.jpg dengan Quality
20
Operasi Pengolahan Citra4. Image
SegmentationJenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu.
28
Operasi Pengolahan Citra
5. Image AnalysisTeknik image analysis mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek
29
Contoh Edge Detection
Operasi Pengolahan Citra6. Image Reconstruction
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi.
30
Aplikasi Pengolahan Citra1. Bid.Perdagangan2. Bid.Militer3. Bid.Kedokteran4. Bid.Biologi5. Komunikasi Data6. Hiburan7. Robotika8. Pemetaan9. Geologi10. Hukum
31
Aplikasi Pengolahan Citra1. Bid.Perdagangan
a. Pembacaan barcodeb. Pengenalan huruf/angka pada suatu formulir secara otomatis
2. Bid.Militera. Mengenali sasaran peluru kendali melalui sensor visualb. Mengidentifikasi jenis pesawat musuh
3. Bid.Kedokterana. Mammografib. Rekontruksi foto janin hasil USG
4. Bid.Biologia. Pengenalan jenis kromosom melalui citra mikroskopik
5. Komunikasi Dataa. Kompresi citra yang akan ditransmisikan
32
Aplikasi Pengolahan Citra
6. Hiburana. Gameb. Kompresi Video
7. Robotikaa. Visualy-Guided autonomous navigation
8. Pemetaana. Klasifikasi penggunaan tanah melalui foto udara/LANDSAT
9. Geologia. Mengenali jenis batu-batuan melalui foto udara/LANDSAT
10. Hukuma. Pengenalan sidik jarib. Pengenalan foto narapidana
33
34
Human Biometrics & Features
Citra Wajah Citra Sidik Jari
35
Aplikasi Kedokteran Gigi (Orthodonti)
Aplikasi Kedokteran Gigi (Orthodonti)
36
Aplikasi Kedokteran Gigi
• Pada citra cephalometri, dapat dideteksi kurva bentuk dahi manusia dari landmark Nasion (lekuk dahi ke hidung) sampai ke Bergman (titik ubun-ubun)
• Dari lengkung bentuk dahi dapat dihitung koefisien transformasi Fourier dan transformasi Wavelet
• Dari sampel laki2 dan perempuan dapat ditentukan aturan keputusan berdasarkan analisis diskriminan, sehingga jenis kelamin dapat ditentukan berdasarkan bentuk dahi tengkorak manusia
• Eksperimen menunjukkan penggunaan transformasi Wavelet menghasilkan tingkat pengenalan yang lebih baik dari transformasi Fourier
37
Aplikasi IndustriAplikasi Industri
Obyek: Jenis Mur, Sekrup dan Pin Diagram Dua Ciri Pembeda Obyek
38
Aplikasi Bahasa Isyarat (Bibir)(Sumber: MSU, 1990)
Aplikasi Bahasa Isyarat (Bibir)(Sumber: MSU, 1990)
Bahasa Isyarat lain: menggunakan bahasa tangan dan ada juga yang disebut sebagai ‘body language’.
39
Metodologi OCR – Optical Character Recogniton (1)Metodologi OCR – Optical Character Recogniton (1)
(MSU, 1990)
40
Metodologi OCR – Optical Character Recogniton (2)
Metodologi OCR – Optical Character Recogniton (2)
• Prosedur pemrosesan citra– Data Acquisition – masukan berupa dokumen
teks, perlu cropping lokasi-lokasi karakter yang akan dikenali;
– Image Preprocessing – proses yang dibutuhkan adalah deteksi sisi dan thinning atau skeletonizing untuk mendapatkan obyek karakter dengan ketebalan 1 piksel;
41
Metodologi OCR – Optical Character Recogniton (3)
Metodologi OCR – Optical Character Recogniton (3)
• Prosedur pemrosesan citra (Lanjutan)– Representation & Description – ekstraksi ciri
karakter, misal perhitungan ciri moment atau ciri lainnya;
– Character Recognition – pengambilan keputusan karakter apakah itu dengan membandingkan ciri karakter tersebut dengan knowledge base yang menyimpan ciri-ciri setiap karakter yang dibangun dalam tahap pelatihan;
– Recognized Character – merupakan hasil pengenalan.
42
Aplikasi Pengenalan KarakterAplikasi Pengenalan Karakter
Huruf A hasil scanning Huruf A setelah ‘thinning’
43
Aplikasi Pengenalan KarakterAplikasi Pengenalan Karakter
Huruf hasil scanning Huruf setelah ‘skeletonizing’