Deteksi tepi edge detection pada suatu citra adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra
Didalam bidang komputer, ada 3 bidang studi yang berkaitan dengan citra, namun tujuan ketiganya berbeda, yaitu:
1. GrafikaKomputerComputer Graphics 2. PengolahanCitra Image Processing
3. PengenalanPolaPattern Recognitionimage interpretation
Gambar II.25 Bidang Studi Yang Berkaitan Dengan Citra
COMPUTER VISION Computer Vision mencoba meniru Human Vision
Computer Vision = proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti:
1. Akuisisi citra 2. Pengolahan citra
3. Klasifikasi 4. Pengenalan Recognition
5. Membuat Keputusan. Vision = Geometry + Measurement + Interpretation
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. Aplikasi pengolahan citra
1. Bidang Perdagangan a. Pembacaan barcode
b. Pengenalan hurufangka pada suatu formulir secara otomatis 2. Bidang Militer
a. Mengenali sasaran peluru kendali melalui sensor visual b. Mengidentifikasi jenis pesawat musuh
3. Bidang Kedokteran a. Mammografi
b. Rekontruksi foto janin hasil USG 4. Bidang Biologi
a. Pengenalan jenis kromosom melalui citra mikroskopik 5. KomunikasiData
a. Kompresi citra yang akan ditransmisikan 6. Hiburan
a. Game b. Kompresi Video
7. Robotika a.
Visualy-Guided autonomous navigation 8. Pemetaan
a. Klasifikasi penggunaan tanah melalui foto udaraLANDSAT 9. Geologi
a. Mengenali jenis batu-batuan melalui foto udaraLANDSAT 10. Hukum
a. Pengenalan sidik jari b. Pengenalan foto narapidana
2.2.7 Metoda Normalize Sum-Square DifferencesNSSD
Metoda ini digunakan sebagai sensor untuk mengenali objek, yang mengambil selisih jumlah pixel frame dan background dan dikuadratkan. Nilai
NSSD yang didapat akan menunjukan lalu lintas kendaraan Secara blok diagram, sistem yang dibuat adalah seperti gambar II.26
Sistem ini dibagi menjadi empat bagian, yaitu pemrosesan background image dan frame, perhitungan NSSD, Filtering, serta Thresholding.
Untuk melakukan identifikasi dengan menggunakan metode NSSD, diperlukan background image untuk dibandingkan dengan frame yang akan
dideteksi. Background image yang digunakan merupakan image jalan atau lajur dalam keadaan kosong atau tidak ada kendaraan pada lajur yang akan dideteksi.
ROIRegion of Interest diset pada lajur yang akan dideteksi setelah dilakukan proses grayscale sebelumnya. Kemudian, semua nilai pixel yang terdapat dalam
detection window dijumlahkan Hal yang sama juga dilakukan pada setiap frame video. Maksud dari frame
video adalah sekumpulan image yang ditampilkan secara berurutan sehingga membentuk suatu gambar bergerak. Sehingga proses grayscale, setting
ROIRegion of Interest, dan menjumlahkan nilai pixel dilakukan pada masing- masing frame. Posisi ROIRegion of Interest pada frame dan pada background
image harus sama karena pada posisi inilah yang akan dilakukan pembandingan. Dengan adanya ROIRegion of Interest memudahkan proses perhitungan
jumlah nilai pixel yang dilakukan oleh komputer. Bilamana tidak menggunakan ROIRegion of Interest, komputer akan melakukan perhitungan pada frame
secara keseluruhan. Sedangkan dengan ROIRegion of Interest, komputer cukup menghitung pada ROIRegion of Interest saja.
2.2.7.1 Perhitungan NSSD
Setelah melakukan proses setting ROI dan mengubah citra menjadi citra gray, langkah selanjutnya menghitung nilai Normalized Sum Squared Differences
NSSD yang terdapat pada setiap frame yang telah dikonversi menjadi grayscale. Perhitungan dilakukan di dalam ROI gambar II.30. Dalam
perhitungan NSSD dibutuhkan nilai intensitas piksel derajat keabuan citra
background dan citra frame. Langkah-langkah Metode NSSD adalah sebagai berikut:
1. Citra background dan nilai pikselnya Tentukan citra background dan nilai pikselnya. Citra ini harus sudah dalam
bentuk citra abu-abu. Contoh diperlihatkan pada gambar II.32 2. Tentukan citra frame dan nilai pikselnya
Tentukan citra frame dan nilai pikselnya. Citra ini juga harus sudah dalam bentuk citra abu-abu. Contoh diperlihatkan pada gambar II.33
3. Untuk setiap frame, lakukan pemrosesan setiap piksel yang menggunakan persamaan NSSD berikut:
dengan P
f
adalah nilai piksel frame, P
b
adalah nilai piksel background, dan N adalah jumlah piksel yang diproses. Contoh diperlihatkan pada gambar III.33.
4. Tentukan nilai rata-rata NSSD.
2.2.7.2 Contoh Penerapan Pemrosesan NSSD
Contoh penerapan pemprosesan NSSD Secara detail dapat dilihat pada
contoh gambar II.26 dengan ukuran lebar 20 piksel dan panjang 15 piksel.
Gambar II.26 Citra Berwarna RGB
Nilai RGB untuk setiap piksel gambar II.26 diperlihatkan pada Gambar II.27. Format nilai piksel adalah Red, Green, Blue.
NSSD = Σ P
f
i – P
b
i
2
N
51
X Y
1 2
3 4
5 6
7 8
9 10
11 12
13 14
15 16
17 18
19
225, 218,2
10 236,
231,2 25
217,2 16,214
191,1 93,192
171,1 75,174
163,1 69,167
166,1 72,168
168,1 77,172
162,1 73,167
170,1 81,175
168,1 78,170
167,1 76,173
147,1 57,159
131,1 42,148
129,1 43,146
135,1 50,153
141,1 54,160
149,1 60,162
159,1 69,161
174,1 82,169
1
196, 193,1
86 173,
172,1 67
162,1 63,158
161,1 63,160
164,1 69,165
167,1 73,169
167,1 73,171
172,1 81,178
166,1 77,173
161,1 72,168
144,1 55,151
135,1 45,144
133,1 42,147
139,1 50,156
142,1 56,159
147,1 61,162
157,1 69,169
171,1 82,178
194,2 04,196
212,2 20,209
2
156, 163,1
56 159,
166,1 59
166,1 73,165
169,1 76,168
166,1 71,164
170,1 76,172
168,1 77,174
193,2 03,202
206,2 16,217
199,2 09,210
207,2 17,219
211,2 20,225
208,2 17,224
206,2 15,222
200,2 11,217
187,1 97,198
199,2 04,198
218,2 21,212
208,2 13,207
186,1 92,188
3
166, 177,1
71 163,
174,1 66
169,1 79,170
175,1 85,176
160,1 70,162
150,1 61,157
184,2 00,199
220,2 38,240
220,2 38,240
219,2 37,241
221,2 38,245
220,2 37,245
226,2 40,249
229,2 44,251
234,2 47,255
185,1 95,197
172,1 77,171
182,1 87,180
172,1 78,176
166,1 75,174
4
168, 178,1
70 173,
182,1 77
158,1 69,165
139,1 51,149
127,1 41,141
143,1 63,164
175,2 05,205
170,2 04,205
170,2 01,206
168,1 98,206
163,1 93,201
162,1 92,202
163,1 91,202
169,1 91,202
187,2 04,212
129,1 42,148
128,1 39,141
162,1 72,173
162,1 72,174
162,1 69,175
5
145, 156,1
52 140,
150,1 49
136,1 46,147
165,1 76,180
154,1 69,174
171,1 92,197
182,2 13,216
174,2 09,213
179,2 13,222
173,2 07,217
167,2 01,213
168,2 00,213
168,1 97,213
169,1 95,208
160,1 78,188
127,1 42,149
158,1 71,177
160,1 71,177
157,1 68,174
159,1 68,175
6
144, 155,1
59 151,
162,1 66
174,1 85,191
204,2 15,221
190,2 03,211
197,2 11,220
198,2 18,229
190,2 14,226
173,1 99,214
165,1 91,208
171,1 96,216
172,1 94,217
160,1 82,206
155,1 76,195
152,1 70,180
175,1 90,195
181,1 92,196
152,1 63,167
158,1 69,173
154,1 65,169
7
166, 177,1
79 182,
193,1 95
193,2 03,205
201,2 08,214
210,2 19,226
212,2 22,231
205,2 17,229
199,2 12,228
190,2 06,222
189,2 06,224
188,2 03,224
184,1 99,222
172,1 88,211
187,2 04,222
196,2 13,223
133,1 46,152
139,1 50,154
151,1 61,163
158,1 69,173
157,1 71,174
8
190, 200,1
92 208,
215,2 08
224,2 27,220
238,2 40,235
242,2 48,248
210,2 18,221
202,2 06,217
202,2 06,218
201,2 07,221
198,2 04,218
195,2 01,217
178,1 85,203
185,1 99,212
235,2 49,255
191,2 02,208
124,1 33,138
123,1 33,135
133,1 44,146
158,1 72,175
161,1 75,178
9
217, 223,2
13 229,
232,2 25
214,2 15,209
168,1 70,167
184,1 90,188
207,2 15,217
213,2 13,221
223,2 20,231
228,2 22,234
229,2 23,237
215,2 13,227
208,2 10,223
217,2 26,235
195,2 06,212
126,1 35,140
121,1 30,135
130,1 39,144
131,1 42,146
163,1 77,180
164,1 78,181
1
213, 213,2
13 194,
195,1 97
170,1 73,180
104,1 08,117
87,96 ,101
91,98 ,104
102,9 9,108
118,1 06,118
135,1 14,129
134,1 16,130
124,1 13,127
118,1 16,127
103,1 07,118
94,10 3,110
87,96 ,101
124,1 35,139
134,1 45,149
155,1 66,172
171,1 82,188
171,1 82,188
1 1
180, 179,1
84 172,
173,1 78
154,1 58,169
106,1 14,125
87,97 ,106
96,10 5,110
111,1 10,116
147,1 37,146
168,1 48,160
147,1 29,141
109,1 01,112
91,91 ,99
92,99 ,107
96,10 5,112
111,1 22,126
102,1 16,119
97,11 0,116
156,1 69,175
162,1 73,179
163,1 74,180
1 2
161, 166,1
70 157,
162,1 68
152,1 59,167
98,10 7,114
81,92 ,98
95,10 6,112
89,94 ,100
92,91 ,97
96,91 ,98
89,86 ,93
79,82 ,89
74,83 ,88
74,85 ,89
72,86 ,89
109,1 24,127
99,11 4,117
111,1 24,130
133,1 46,152
140,1 53,159
140,1 53,159
1 3
162, 170,1
73 165,
172,1 78
160,1 67,173
136,1 45,150
122,1 33,139
119,1 30,134
113,1 22,127
111,1 19,122
112,1 17,121
112,1 17,121
107,1 16,121
107,1 18,122
103,1 17,118
106,1 20,121
121,1 36,139
138,1 53,156
142,1 56,159
142,1 56,159
140,1 54,157
151,1 65,168
1 4
167, 175,1
78 166,
174,1 77
162,1 71,176
162,1 71,176
159,1 68,173
158,1 67,172
161,1 72,176
161,1 72,176
168,1 78,180
168,1 78,180
169,1 79,181
172,1 82,184
170,1 81,183
170,1 81,183
167,1 81,184
161,1 75,178
158,1 72,175
148,1 62,163
177,1 89,189
212,2 24,224
Gambar II.27 Nilai Piksel Citra RGB