Smoothing Kernel Kernel Konvolusi

2. Aras Lokal Operasi pada aras lokal menghasilkan citra keluaran yang intensitas suatu pixel bergantung pada intensitas pixel-pixel tetangganya. Contoh operasi beraras lokal adalah operasi konvolusi untuk mendeteksi tepi edge detection dan pelembutan citra image smoothing 3. Aras Global Operasi pada aras global menghasilkan citra keluaran yang intensitas suatu pixel bergantung pada intensitas keseluruhan pixel. 4. Aras Objek Operasi jenis ini hanya dilakukan pada objek tertentu di dalam citra. Tujuan dari operasi pada aras objek adalah untuk mengenali objek tersebut, misalnya dengan menghitung rata-rata intensitas, ukuran, bentuk, dan karakteristik lain dari objek.

2.15.5 Kernel Konvolusi

Kernel konvolusi merupakan kernel yang digunakan pada proses konvolusi yang elemen-elemennya berupa bilangan yang menyusun nilai matriks yang biasa disebut dengan convolution window jendela konvolusi. Berikut adalah beberapa penggunaan kernel konvolusi dalam proses image enhancemnet.

A. Smoothing Kernel

Smoothing kernel merupakan kernel yang digunakan untuk menghaluskan sebuah citra, kernel ini berkaitan dengan penapis lolos rendah low-pass filter. Tapis low-pass bertujuan untuk mempertahankan komponen berfrekuensi rendah perubahan nilai pixel yang bertahap dan mengurangi komponen yang berfrekuensi tinggi perubahan nilai pixel secara mendadak pada citra, sehingga tapis ini sangat cocok untuk proses penghalusan citra. Semua koefisien dari tapis low-pass adalah bilangan positif.           1 1 1 1 1 1 1 1 1 9 1           1 3 1 3 16 3 1 3 1 8 1 a b Gambar 2.37 Tapis Low-Pass Faktor dan pada tapis di atas adalah untuk menjamin agar nilai pixel baru tidak berada di luar batas nilai grayscale intensitas. Gambar 2.37 a adalah tapis mean, pembentukan tapisnya menggunakan aturan bobot semua koefisiennya sama. Sedangkan pada Gambar 2.37 b, pembentukan tapisnya menggunakan aturan nilai bobot pixel pusat sama hampir sama dengan jumlah semua bobot nilai pixel tetangga. Selain semua koefisien harus bernilai positif, aturan kedua di atas biasa digunakan sebagai acuan untuk membentuk tapis low-pass. Tapis mean, tapis Gaussian adalah tapis yang tergolong low-pass karena tapis ini mempertahankan frekuensi rendah menghaluskan citra output.                                                          1 1 1 1 2 1 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 9 1 1 1 1 1 1 6 1 1 1 1 1 1 1 1 1 1 1 1 1 Gambar 2.38 Contoh Tapis Mean adalah Tapis Low-Pass Pada contoh di atas, komponen frekuensi tinggi perubahan pixel dari 1 ke 6 pada citra input dengan tapis low-pass menjadi komponen frekuensi rendah perubahan pixel dari 1 ke 2 Berikut adalah contoh penerapan penggunaan salah satu smoothing kernel 3x3 dengan citra berukuran 5x5 dari teknik konvolusi.                                                            10 22 24 15 17 15 16 15 14 1 1 1 1 1 1 1 1 1 2 1 2 7 1 1 3 2 1 1 6 1 5 4 1 3 2 1 2 I 1 = 2x1+1x1+2x1+0x1+0x1+1x1+1x1+6x1+1x1=14 I 2 = 1x1+2x1+0x1+0x1+1x1+4x1+6x1+1x1+0x1=15 I 3 = 2x1+0x1+3x1+1x1+4x1+5x1+1x1+0x1+0x1=16 I 4 = 0x1+0x1+1x1+1x1+6x1+1x1+1x1+2x1+3x1=15 I 5 = 0x1+1x1+4x1+6x1+1x1+0x1+2x1+3x1+0x1=17 I 6 = 1x1+4x1+5x1+1x1+0x1+0x1+3x1+0x1+1x1=15 I 7 = 1x1+6x1+1x1+1x1+2x1+3x1+1x1+7x1+2x1=24 I 8 = 6x1+1x1+0x1+2x1+3x1+0x1+7x1+2x1+1x1=22 I 9 = 1x1+0x1+0x1+3x1+0x1+1x1+2x1+1x1+2x1=10

B. Sharpening Kernel