Analisis Perbandingan Pada Area Image Dengan Metode Deteksi Tepi
BAB 2
LANDASAN TEORI
2.1 Pengenalan Citra
Citra, menurut kamus Webster, adalah suatu representasi, kemiripan, atau imitasi dari suatu
objek atau benda, sedangkan secara harfiah, citra (image) adalah gambar pada bidang
dwimatra (dua dimensi). Citra merupakan fungsi menerus (continue) dari intensitas cahaya
pada bidang dwimatra. Sumber cahaya menerangi sebuah objek, dan objek tersebut
memantulkan kembali sebagian dari berkas cahayanya. Pantulan cahaya ini ditangkap oleh
oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner ), dan
sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra juga
merupakan bentuk dari dua dimensi untuk dijadikan fisik nyata menjadi tiga dimensi. Dalam
perwujudannya, citra dibagi menjadi dua yaitu still images (citra diam) dan moving images
(citra bergerak). Citra diam adalah citra tunggal yang tidak bergerak, sedangkan citra bergerak
adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi
kesan pada mata kita sebagai gambar yang bergerak.
Gambar atau citra dapat disebut sebagai sebuah bidang datar yang mempunyai fungsi
dua dimensi f(x, y), dimana nilai x dan y merupakan koordinat pada sebuah bidang datar dan
amplitudo dari f dapat disebut sebagai intensitas atau gray-level atau biasa disebut tingkat ke
abu-abuan dari sebuah gambar pada koordinat x dan y.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
1. Optik berupa foto.
2. Analog berupa sinyal video seperti gambar pada monitor televisi.
3. Digital yang dapat langsung disimpan pada media penyimpan magnetik.
Citra juga dapat dikelompokkan menjadi 2 yaitu :
Universitas Sumatera Utara
1. Citra tampak ( foto, gambar, lukisan ) apa yang nampak di layar monitor / televisi,
hologram dan lain-lain.
2. Citra tidak tampak (data foto / gambar dalam file) citra yang direpresentasikan dalam
fungsi matematis.
Citra digital adalah citra yang disimpan dalam format digital (dalam bentuk file).
Hanya citra digital yang dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah
dengan komputer harus diubah dulu menjadi citra digital.
1.
Pencitraan (imaging) adalah kegiatan mengubah informasi dari citra tampak/citra non
digital menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah
: scanner, kamera digital, kamera sinar-x/sinar infra merah, dll
2.
Pengolahan Citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi
oleh manusia / mesin (komputer). Inputannya adalah citra dan keluarannya juga citra tapi
dengan kualitas lebih baik dari pada citra masukan misal citra warnanya kurang tajam,
kabur (blurring), mengandung noise (misal bintik-bintik putih), dan lain - lain sehingga
perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit
diinterpretasikan karena informasi yang disampaikan menjadi berkurang.
3.
Analisis Citra adalah kegiatan menganalisis citra sehingga menghasilkan informasi
untuk menetapkan keputusan biasanya didampingi bidang ilmu kecerdasan buatan /AI
yaitu pengenalan pola (pattern recognition) menggunakan jaringan syaraf tiruan, logika
fuzzy, dll).
Gambar 2.1 Analisis Citra
Dalam ilmu komputer sebenarnya ada 3 bidang studi yang berkaitan dengan citra, tapi tujuan
ketiganya berbeda, yaitu :
1.
Grafika Komputer
Adalah proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar
belakang yang terkandung pada gambar tersebut.
Universitas Sumatera Utara
a. Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di
alam nyata (realism).
b. Bertujuan menghasilkan gambar / citra ( lebih tepat disebut grafik / picture ) dengan
primitif - primitif geometri seperti garis, lingkaran, dan sebagainya.
c. Primitif - primitif geometri tersebut memerlukan data deskriptif untuk melukis
elemen-elemen gambar. Data deskriptif : koordinat titik, panjang garis, jari-jari
lingkaran, tebal garis, warna, dsb.
d. Grafika komputer berperan dalam visualisasi dan virtual reality.
Data Deskriptif
2.
Grafika
Komputer
Citra
Pengolahan Citra
Operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1.
Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas
penampakan citra / menonjolkan beberapa aspek informasi yang terkandung dalam
citra (image enhancement) contoh : perbaikan kontras gelap / terang, perbaikan
tepian objek, penajaman, pemberian warna semu, dan lain – lain.
2.
Adanya cacat pada citra sehingga perlu dihilangkan / diminimumkan (image
restoration) contoh : penghilangan kesamaran (debluring) citra tampak kabur karena
pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise.
3.
Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image
segmentation). Operasi ini berkaitan erat dengan pengenalan pola.
4.
Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadang kala
diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh :
pendeteksian tepi objek.
Universitas Sumatera Utara
5.
Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction)
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ
tubuh.
6.
Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk
BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49
KB.
7.
Menyembunyikan data rahasia (berupa teks / citra) pada citra sehingga keberadaan
data rahasia tersebut tidak diketahui orang (steganografi & watermarking)
Pengolahan
Citra
Citra
Citra
3. Pengenalan Pola
Pengelompokan pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara
otomatis oleh mesin ( computer ). Tujuan pengelompokkan adalah untuk mengenali suatu objek di
dalam citra. Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar
mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek
lainnya. Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin. Komputer menerima
masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan
keluaran berupa informasi / deskripsi objek di dalam citra.
Citra
2.2
Pengenalan
Pola
Informasi/deskripsi objek
Elemen Pada Citra
Citra mengandung sejumlah elemen dasar. Elemen dasar tersebut dimanipulasi dalam
pengolahan citra, elemen tersebut adalah :
1. Citra Warna ( True Color ). Setiap titik (pixel) pada citra warna mewakili warna
yang merupakan kombinasi dari tiga warna dasar yaitu merah hijau biru citra RGB
Universitas Sumatera Utara
(Red Green Blue) Setiap warna dasar mempunyai intensitas sendiri dengan nilai
maksimum 255 (8 bit) Red = warna minimal putih, warna maksimal merah Green =
warna minimal putih, warna maksimal hijau Blue = warna minimal putih, warna
maksimal biru Misal warna kuning = kombinasi warna merah dan hijau sehingga nilai
RGB-nya = 255 255 0 Warna ungu muda = kombinasi warna merah dan biru sehingga
nilai RGB-nya = 150 0 150 Contoh : bisa dilihat di Photoshop
Gambar 2.2 RGB
Jadi setiap titik pada citra warna membutuhkan data 3 byte. Jumlah kemungkinan
kombinasi warna 2
24
= lebih dari 16 juta warna 24 bit disebut true color karena
dianggap mencakup semua warna yang ada.
Gambar 2.3 Citra Warna
Ada perbedaan warna dasar untuk cahaya (misal display di monitor komputer) &
untuk cat/tinta (misal cetakan di atas kertas). Citra cahaya menggunakan warna dasar
RGB = Red Green Blue Citra cat menggunakan warna dasar CMY = Cyan Magenta
Yellow.
2. Citra Warna Berindeks. Setiap titik (pixel) pada citra warna berindeks mewakili
indeks dari suatu tabel warna yang tersedia (biasanya disebut palet warna).
Keuntungan pemakaian palet warna adalah kita dapat dengan cepat memanipulasi
warna tanpa harus mengubah informasi pada setiap titik dalam citra.
Universitas Sumatera Utara
Gambar 2.4 Citra Warna Berindex
Keuntungan yang lain, penyimpanan lebih kecil. Setting warna display pada MS
Window biasanya format 16 colors, 256 colors, high color, true color, yang
merupakan citra warna berindeks dengan ukuran palet masing-masing 4 bit, 8 bit, 16
bit dan 24 bit.
3. Citra Kecerahan (brightness). Kecerahan disebut juga intensitas cahaya. Kecerahan
pada sebuah piksel (titik) di dalam citra bukanlah intensitas yang rill, tetapi
sebenarnya adalah intensitas rerata dari suatu area yang melingkupinya.
4. Citra Kontras. Kontras menyatakan sebaran terang dan gelap di dalam sebuah
gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya
adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik,
komposisi gelap dan terang tersebar secara merata.
5. Citra Kontur. Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas
pada piksel yang bertetangga. Karena adanya perubahan intensitas, mata manusia
dapat mendeteksi tepi objek di dalam citra.
6. Citra Bentuk (shape). Bentuk adalah properti intrinsik dari objek tiga dimensi,
dengan pengertian bahwa shape merupakan properti intrinsik utama untuk sistem
visual manusia. Pada umumnya citra yang dibentuk oleh mata merupakan citra
dwimatra (dua dimensi), sedangkan objek yang dilihat umumnya berbentuk trimatra
(tiga dimensi). Informasi bentuk objek dapat diekstraksi dari citra pada permulaan
prapengolahan dan segmentasi citra.
Universitas Sumatera Utara
7. Citra Tekstur. Tekstur diartikan sebagai distribusi spasial dari derajat keabuan di
dalam sekumpulan piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan
untuk sebuah piksel. Sistem visual manusia menerima informasi citra sebagai suatu
kesatuan. Resolusi citra yang diamati ditentukan oleh skala pada mana tekstur tersebut
dipersepsi.
8. Citra Biner atau Monokrom. Adalah citra jenis ini, setiap titik atau piksel hanya
bernilai 0 tau 1. Dimana setiap titik membutuhkan media penyimpanan sebesar 1 bit.
Bambar 2.1 merupakan contoh citra biner monokrom. Citra biner merupakan citra
yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang
dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap pikselnya
dalam satu bit (satu nilai binary). Banyaknya warna yang terdapat pada citra biner
adalah dua, yaitu hitam dan putih. Salah satu contoh dari gambar biner dapat dilihat
pada Gambar 2.1. Dibutuhkan satu bit di memori untuk menyimpan kedua warna ini.
Setiap piksel pada citra bernilai 0 untuk hitam dan 1 untuk putih (Hestiningsih,
Idhawati. 2008).
Gambar 2.5 Citra Biner
9. Citra Grayscale (skala keabuan). Citra warna grayscale menggunakan warna
tingkatan warna abu-abu. Warna abu - abu merupakan satu - satunya warna pada
ruang RGB dengan komponen merah, hijau, dan biru mempunyai intensitas yang
sama. Banyaknya warna yang ada tergantung pada jumlah bit yang disediakan di
memori untuk menampung kebutuhan warna ini. Salah satu contoh gambar grayscale
dapat dilihat pada Gambar 2.2. Contoh, citra dengan skala keabuan empat bit maka
Universitas Sumatera Utara
jumlah kemungkinan warnanya adalah 24 = 16 warna dengan kemungkinan warna 0
(min) sampai 15 (max) (Hestiningsih, Idhawati., 2008).
Gambar 2.6 Citra Grayscale
10. Waktu dan Pergerakan. Respon suatu sistem visual tidak hanya berlaku pada faktor
ruang, tetapi juga pada faktor waktu. Sebagai contoh, bila citra-citra diam ditampilkan
secara cepat, akanberkesan melihat citra yang bergerak.
11. Deteksi dan Pengenalan. Dalam mendeteksi dan mengenali suatu citra, ternyata tidak
hanya sistem visual manusia saja yang bekerja, tetapi juga ikut melibatkan ingatan dan
daya pikir manusia.
2.3 Histogram Tingkat Keabuan (Gray level Histogram)
Informasi suatu citra dapat diwakili oleh histogram Histogram adalah suatu fungsi yang
menunjukkan jumlah titik yang ada dalam suatu citra untuk setiap tingkat keabuan. Sumbu X
(absis) menunjukkan tingkat warna Sumbu Y (ordinat) menunjukkan frekuensi kemunculan
titik. Kegunaanya adalah :
1. Penentuan parameter digitasi dalam proses pencitraan perlu melihat apakah tingkat
warna telah dipakai sesuai yang dibutuhkan. Contoh : tingkat keabuan dengan 8 bit
apakah sudah memakai dari tingkat 0 sampai 256 warna tingkat keabuan.
2.
Pemilihan batas ambang (threshold). Biasa digunakan untuk mengukur penonjolan
objek dalam citra terhadap latar belakangnya termasuk dalam teknik pengambangan
(thresholding).
Universitas Sumatera Utara
3. Pengenalan / pencocokan citra adalah citra yang telah diubah / diupdate akan
mempunyai histogram yang berbeda.
Gambar 2.7 Citra Beserta Histogramnya
2.4 Konversi Citra True Color menjadi Citra Keabuan (Grayscale)
Operasi konversi citra true color ke keabuan dengan rumus :
Universitas Sumatera Utara
Bisa juga dengan memberi bobot (w) pada RGB karena mata manusia lebih sensitif pada
warna hijau, kemudian merah, terakhir biru. Ko = wr Ri + wg Gi + wb Bi berdasarkan NTSC
(National Television System Committee), dimana :
wr = 0.299
wg = 0.587
wb = 0.144
Gambar 2.8 True Color Menjadi Grayscale
2.5 Pengambangan (Thresholding)
Operasi pengambangan digunakan untuk mengubah citra dengan format skala keabuan, yang
mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (yaitu 0 dan
1).
1. Pengambangan Tunggal adalah memiliki sebuah nilai batas ambang Fungsi GST-nya
2. Pengambangan Ganda adalah memiliki ambang bawah dan ambang atas. Dilakukan
untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan tertentu.
Universitas Sumatera Utara
2.6 Representasi 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 / keabuan
(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. Citra digital dinyatakan dengan matriks berukuran N x M (baris/tinggi = N,
kolom/lebar = M)
Universitas Sumatera Utara
Gambar 2.9 Representasi Citra
1. Format Citra adalah citra digital biasanya berbentuk persegi panjang, secara
visualisasi dimensi ukurannya dinyatakan sebagai lebar x tinggi ukurannya dinyatakan
dalam titik atau piksel ( pixel = picture element ) ukurannya dapat pula dinyatakan
dalam satuan panjang (mm atau inci = inch). Resolusi adalah banyaknya titik untuk
setiap satuan panjang (dot per inch). Makin besar resolusi makin banyak titik yang
terkandung dalam citra, sehingga menjadi lebih halus dalam visualisasinya.
2. Resolusi Citra adalah resolusi spasial dan resolusi kecemerlangan, berpengaruh pada
besarnya informasi citra yang hilang. Resolusi spasial halus / kasarnya pembagian
kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra digital disebut
digitalisasi (sampling). Misal hasil digitalisasi dengan jumlah baris 256 dan jumlah
kolom 256 resolusi spasial 256 x 256. Resolusi kecemerlangan (intensitas / brightness)
= halus / kasarnya pembagian tingkat kecemerlangan. Transformasi data analog yang
bersifat kontinue ke daerah intensitas diskrit disebut kuantisasi. Bila intensitas piksel
berkisar antara 0 dan 255 resolusi kecemerlangan citra adalah 256
Defenisi citra menurut (Gonzalez, 2002) adalah suatu fungsi dua dimensi f (x,y)
dimana x dan y adalah koordinat parsial dari setiap titik pada citra, serta nilai fungsi f pada
kordinat (x,y) merupakan nilai intensitas atau gray level pada titik tersebut. Citra digital
merupakan citra dengan nilai x , y, dan f yang berhingga dan diskrit, dimana kegiatan dan
pemrosesannya dialakukan dengan komputer digital. Setiap pasangan nilai dan lokasi
koordinat merupakan element pembentuk citra digital yang disebut dengan piksel.
Universitas Sumatera Utara
Terdapat tiga jenis range nilai yang umumnya dipakai dalam mempresentasikan
besarnya intensitas nilay garay level citra dalam matriks, yaitu :
1. Representasi data double dengan nilai jangkauan antara 0-1
2. Representasi data integer 8 bit dengan nilai jangkauan antara 0-255 dan
3. Representasi data integer 16 bit dengan nilai jangkauan antara 0-65535
Nilai minimal (0) merupakan representasi dari warna hitam, sedangkan nilai maksimal
dari setiap jenis jangkauan data merupakan representasi dari warna putih. Berikut ini adalah
cara mengkonversi ketiga jenis representasi data diatas.
2.6.1 Konversi Data Double Menjadi Integer
Untuk mengubah representasi data double menjadi integer 8 bit, nilai piksel dikalikan dengan
255 dan dikenakan pembulatan :
f(x,y)’= int[round( f(x,y)*255)]
(1)
Untuk mengubah representasi data double menjadi integer 16 bit, nilai piksel dikalikan
dengan 65535 dan dikenakan pembulatan :
f(x,y)’ =int[round( f(x,y)*65535]
(2)
2.6.2 Konversi Data Integer Menjadi Double
Untuk mengubah representasi data integer 8 bit menjadi double, nilai piksel dibagi dengan
255 setelah format datanya diganti dengan double.
f(x,y)’ = double (�
,
)
(3)
Untuk mengubah representasi data integer 16 bit menjadi double, nilai piksel dibagi dengan
65535 setelah format datanya diganti dengan double .
f(x,y)’ = double (�
2.7
,
)
(4)
Pengolahan Citra
Pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh
manusia / mesin (komputer). Inputannya adalah citra dan keluarannya juga citra tapi dengan
kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam,kabur
Universitas Sumatera Utara
(blurring), mengandung noise (misal bintik-bintik putih), dan lain - lain sehingga perlu ada
pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan
sebab informasi yang disampaikan menjadi berkurang. Sedangkan pencitraan itu sendiri
adalah kegiatan mengubah informasi dari citratampak /citra non digital menjadi citra digital.
Beberapa alat yang dapat digunakan untuk pencitraan adalah scanner , kamera digital, kamera
sinar-x/sinar infra merah, dan lain –lain.
Operasi-operasi pada pengolahan citra diterapkan pada citra apabila :
1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas
penampakan citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra
(image enhancement). Contoh : perbaikan kontras gelap/terang, perbaikan tepian
objek,penajaman, pemberian warna semu, dan lain-lain.
2. Adanya
cacat
pada
citra
sehingga
perlu
dihilangkan
/
diminimumkan
(imagerestoration). Contoh : penghilangan kesamaran (debluring) citra tampak kabur
karena pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise3.
Elemen
dalam
citra
perlu
dikelompokkan,
dicocokan
atau
diukur
(imagesegmentation). Operasi ini berkaitan erat dengan pengenalan pola.
3. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadangkala diperlukan
untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian
tepiobjek
4. Sebagian citra perlu digabung dengan bagian citra yang lain (imagereconstruction)
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ
tubuh
5. Citra perlu dimampatkan (image compression). Contoh : suatu file citra berbentuk
BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49
KB.
6. Menyembunyikan data rahasia (berupa teks / citra) pada citra sehingga keberadaan
data rahasia tersebut tidak diketahui orang (steganografi & watermarking).
2.8
Metode Penggambaran
Image yang diciptakan berdasarkan dua macam tipe penggambaran yaitu : bitmap dan vector-
vektor. Penggambaran vektor memberi arti bahwa sebuah gambar dibuat berdasarkan bentuk
Universitas Sumatera Utara
seri garis, sedagkan penggambaran bitmap sebuah gambar dibuat berdasarkan kumpulan
piksel didalam piranti penampil atau raster. Image digital disimpan dalam computer sebagai
matriks. Ukuran matriks menentukan resolusi image. Sebagai contoh, jika sebuah image
mempunyai ukuran 100 x 100 piksel, gray level 8 bit. Ini berarti 100 x 100 = 10.000 piksel
mengambil 256 buah nilai. Pada umumnya nilai piksel dari image 8 bit bernilai antara 0
sampai 255, mewakili sekala keabuan dari hitam sampai putih. Jadi dalam sebuah image, kita
perlu mengetahui ada 10.000 buah nilai untuk setiap 100 x 100 piksel dari image 100 x 100.
Secara sistematis, sebuah image berukuran 100 x 100 dapat dijadikan vector berdimensi
10.000. Dimensi vector akan meningkat sejalan dengan semakin tinggi resolusi image.
Suatu image dibuat dengan menset posisi koordinat, intensitas, dan warna yang
menyusun layar. Layar yang berfungsi sebagai media penampil dibayangkan sebagai
potongan kisi-kisi atau grid atau lirik dari piksel-piksel. Nilai tingkat keabuan mempunyai
harga integer, yaitu antara 0 sampai 2n – 1, dimana n adalah integer. Nilai 0 menunjukkan
warna minimum yaitu warna putih.
2.9 Image Processing
Image processing adalah suatu metode yang digunakan untuk memproses atau memanipulasi
gambar dalam bentuk 2 dimensi (Gonzalez, 2002). Image processing adalah suatu bentuk
pengolahan
atau
pemrosesan
sinyal
dengan
input
berupa
gambar
(image)
dan
ditransformasikan menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Image
processing dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi akibat
transmisi dan selama akuisisi sinyal, serta untuk meningkatkan kualitas penampakan gambar
agar lebih mudah diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan
manipulasi dan juga penganalisisan terhadap gambar. Image processing dapat juga dikatakan
sebagai segala operasi untuk memperbaiki, menganalisa, ataumengubah suatu gambar.
Konsep dasar pemrosesan suatu objek pada gambar menggunakan image processing diambil
dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan
kemampuan otak manusia.
2.10 Operasi Image Processing
Universitas Sumatera Utara
1. Image Enhancement (peningkatan kualitas gambar).
Pada operasi image processing yang pertama ini sering di kenal dengansebutan preprocessing. Operasi image processing yang satu ini bertujuan untuk meningkatkan fitur
tertentu pada citra sehingga tingkat keberhasilan dalam pengolahan gambar berikutnya
menjadi tinggi. Operasi ini lebih banyak berhubungan dengan penajaman dari fitur tertentu
pada gambar. Selain untuk memperbaiki kontras diantara bidang-bidang yang terang dan yang
gelap,metoda ini juga dapat menambahkan warna, menyaring ketidak seragaman sinyal
kiriman yang membawa gambar, menghaluskan garis-garis yang bergerigi sehingga tampak
lebih bersih, mempertajam sudut-sudut yang kabur dan mengkoreksi distorsi yang disebabkan
alat optis atau tampilan. Untuk melakukan proses image enhancement, ada beberapa teknik
yang dapat dicoba berdasarkan cakupan pada operasinya, diantaranya:
a.
Operasi titik adalah dalam image enhancement dilakukan dengan memodifikasi
histogram citra masukan agar sesuai dengan karakteristik yang diharapkan. Teknik yang
dilakukan di bagi menjadi tiga bagian yaitu: Intensity Adjustment, Histogram
Equalization, Thresholding.
b.
Operasi spasial adalah dalam pengolahan citra digital dilakukan melalui penggunaan
suatu kernel konvolusi 2-dimensi.
c.
Operasi transformasi adalah teknik ini dilakukan dengan cara mentransformasi citra asal
ke dalam domain yang sesuai bagi proses enhancement, melakukan proses enhancement
pada domain tersebut, mengembalikan citra ke dalam domain spasial untuk ditampilkan
/ diproses lebih lanjut
2. Image Restoration ( pemulihan gambar )
Operasi pemulihan gambar bertujuan untuk mengembalikan kondisi gambar yang telah rusak
atau cacat (merekonstruksi gambar) yang sebelumnya telah diketahui menjadi gambar seperti
pada kondisi awal, karena adanya gangguan yang menyebabkan penurunan kualitas gambar.
3. Image Compression (kompresi gambar)
Kompresi gambar bertujuan untuk meminimalkan jumlah bit yang diperlukan untuk
merepresentasikan citra. Hal ini sangat berguna apabila ingin mengirimkan gambar berukuran
besar. Gambar yang berukuran besar akan berpengaruh pada lamanya waktu pengiriman.
Maka dari itu kompresi gambar akan memadatkan ukuran gambar menjadi lebih kecil dari
Universitas Sumatera Utara
ukuran asli sehingga waktu yang diperlukan untuk transfer data jugaakan lebih cepat. Ada dua
tipe utama kompresi data, yaitu kompresi tipe lossless dan kompresi tipe lossy. Kompresi tipe
lossy adalah kompresi dimana terdapat data yang hilang selama proses kompresi. Akibatnya
kualitas data yang dihasilkan jauh lebih rendah daripada kualitas data asli. Sementara itu,
kompresi tipe lossless tidak menghilangkan informasi setelahproses kompresi terjadi,
akibatnya kualitas citra hasil kompresi juga tidak berkurang. Ada beberapa hal yang mesti di
perhatikan saat melakukan kompresi gambar, yaitu:
1. Resolusi. Resolusi merupakan ukuran panjang kali lebar dalam suatu gambar yang
digambarkan dalam satuan pixel.
2. Kedalaman bit. Kedalaman bit merupakan banyak sedikitnya jumlah bit yang
dibutuhkan untuk menggambarkan suatu citra (gambar) dalam satuan bit/pixel. Tentu
saja bila dinalar, semakin banyak bit maka gambar yang dihasilkan akan lebih bagus.
3. Redundansi. Redundansi adalah keadaan di mana representasi suatu elemen data tidak
bernilai signifikan dalam menggambarkan keseluruhan data.
4. Image Refresention & Modelling (representasi dan permodelan gambar)
Pada operasi ini melakukan representasi yang mengacu pada data onversi dari hasil
segmentasi ke bentuk yang lebih sesuai untuk proses pengolahan pada komputer. Keputusan
pertama yang harus sudah dihasilkan pada tahap ini adalah data yang akan diproses dalam
batasan-batasan atau daerah yang lengkap. Batas representasi digunakan ketika penekanannya
pada karakteristik bentuk luar, dan area representasi digunakan ketika penekanannya pada
karakteristik dalam, sebagai contoh tekstur. Setelah datatelah direpresentasikan ke bentuk tipe
yang lebih sesuai, tahap selanjutnya adalah menguraikan data.
2.11 Deteksi Edge
Selain menggunakan metode segmentasi, ada cara lain untuk menyederhanakan bentuk image
yaitu dengan melakukan pendeteksian terhadap edge atau garis di tepi image tersebut. Teknik
yang demikian dinamakan edge detection filtering. Filter adalah salah satu jenis program
pengolahan image (image processing) yang memanipulasi piksel-piksel image dengan cara
melakukan perhitungan matematis.
Universitas Sumatera Utara
Suatu garis atau edge didefenisikan sebagai sederetan piksel yang mempunyai
intensitas antara piksel permulaan dan piksel akhir. Defenisi edge disini adalah kumpulan dari
titik-titik atau plane point set. Karena jarak antara titik-titik yang sangat berdekatan
membentuk edge dalam suatu objek.
Adapun dasar dari teknik ini adalah dengan melakukan penelusuran gambar secara
vertical dan horizontal sambil melihat apakah terjadi perubahan warna mendadak yang
melebihi suatu harga (sensitifitas) antara dua titik yang berdempetan. Jika ya, maka di tempat
antara kedua titik tersebut dianggap pinggiran atau tepi sebuah objek.
Dalam kenyatannya edge yang didefenisikan terkadang ditemukan tidak sesuai dengan
yang diharapkan, hal ini disebabkan karena : pertama, edge ini sering mempunyai intensitas
yang lebih kecil sehingga terkadang edge tersebut tidak dapat dikenali. Kedua, edge sering
tidak lengkap, hal ini dikarenakan warna background hampir seperti warna foreground.
Ketiga, edge yang ditemukan pendek dan tidak terhubung saat dilakukan penelusuran.
Gambar 2.10 Proses Deteksi Tepi Citra
Tahap awal proses pendeteksian ini diawali dengan mengitung setiap piksel yang ada,
sehingga menciptakan piksel tersebut menjadi bagian dari edge yang sesungguhnya dicari.
Cara menghitung piksel ini yaitu dengan suatu perhitungan yang dinamakan gradient
magnitude
Untuk sebuah image diberikan fungsi f (x,y), gradient magnitude g (x,y) dan arah gradient
ϴ(x,y) dinotasikan sebagai berikut :
Universitas Sumatera Utara
Gx =
Gy =
�
ƒ(x,y) ……………………......................................................………(1)
�
ƒ(x,y) ……………......................................................………………(2)
�
�
||∇ƒ || = √� + � ………....................................................………………...(3)
θ=arctan (Gy , Gx) ………….................................................……………...(4)
Pendeteksian piksel dilakukan berdasarkan sesuai dengan arah penelusuran, bila arah
penelusuran adalah vertical maka berada di sebelah kiri, sedagkan arah penelusuran kanan
adalah horizontal.
2.12 Edge
Yang dimaksud dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang
mendadak (besar) dalam jarak yang singkat (Gambar 2.5). Perbedaan intensitas inilah yang
menampakkan rincian pada gambar. Tepi biasanya terdapat pada batas antara dua daerah
berbeda pada suatu citra. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbedabeda pada bergantung pada perubahan intensitas.
Gambar 2.11 Model Tepi Satu-Matra
Perhatikan Gambar 2.11. Ada tiga macam tepi yang terdapat di dalam citra digital. Ketiganya
adalah:
1. Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar
90°.
2. Tepi landai adalah disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil.
Universitas Sumatera Utara
Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya
berdekatan.
3. Tepi yang mengandung derau (noise). Umumnya tepi yang terdapat pada aplikasi
computer vision mengandung derau. Operasi peningkatan kualitas citra (image
enhancement) dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.
Gambar 2.12 Jenis-jenis Tepi
2.13 Deteksi Titik
Pendeteksian titik yang terisolasi dari suatu citra secara prinsip berlangsung secara
straightforward. Kita dapat mengatakan bahwa suatu titik dinyatakan terisolasi jika
|R|≥ T
Di mana T adalah threshold positif dan R adalah nilai dari persamaan :
9
� = ∑ ����
�=
Universitas Sumatera Utara
Dengan demikian, titik yang terisolasi adalah titik yang berbeda (secara signifikan) dengan
titik-titik di sekitarnya. Ada pun mask-nya adalah :
-1
-1
-1
-1
8
-1
-1
-1
-1
2.14 Deteksi Garis
Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan
menunjukkan bagian tertentu yang berada secara garis lurus baik secara vetikal, horizontal,
maupun miring 450 (baik kanan maupun kiri). Secara matematis dapat dirumuskan sebagai
berikut :
|R|>|Rj| dimana i ≠ j
Ada pun masuk untuk mendeteksi garis adalah sebagai berikut :
Arah horizontal :
-1
-1
-1
2
2
2
-1
-1
-1
2
-1
-1
-1
2
-1
-1
-1
2
Arah vertical :
2.15 Tepi Objek
Pertemuan antara bagian objek dan bagian latar belakang disebut tepi objek. Dalam
pengolahan citra, tepi objek ditandai oleh titik yang nilai keabuannya memiliki perbedaan
Universitas Sumatera Utara
yang cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling
tumpang tindih maka objek tersebut akan meninggalkan jejak tepi apabila intensitas objek
yang lain atau sebaliknya. Hal ini penting untuk memisahkan objek-objek yang tumpang
tindih sehingga objek dapat dianalisis secara induvidu. Dengan demikian, tepi sebuah objek
dapat juga digunakan untuk memisahkan objek-objek yang saling bersinggungan sehingga
objek tidak dianggap sebagai satu objek yang besar, tetapi dapat dilacak atau dianalisis secara
induvidu.
2.16
Deteksi Tepi dan Operator Deteksi Tepi
Deteksi tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nayat dalam
sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertetangga, yaitu
sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan
dari titik-titik yang ada disekitarnya (tetangganya) yang masing-masing mempunyai bobot
tersendiri. Bobot-bobot tersebut nilainnya tergantung pada operasi yang akan dilakukan,
sedangkan banyaknya titik tetangga yang terlibat biasanya adalah 2x2, 3x3, 3x4,7x7, dan
sebagiannya.
Biasanya operator yang digunakan untuk mendeteksi tepi yang pertama adalah operator
berbasis Gradient (turunan pertama), yaitu operator Robert, operator Sobel dan operator
Prewitt. Yang kedua adalah operator berbasis turunan kedua, yaitu operator Laplacian dan
operator Laplacian Gaussian.
2.17 Segmentasi
Segmentasi merupakan suatu proses pembagian image menjadi beberapa segmen dan
diantaranya terhubung satu sama lain. Hubungan segmen ini adalah bila terdapatnya dua
piksel yang saling kontak. Segmen disebut juga region atau area. Segmen yang terpisah dapat
dipertimbangkan menjadi sebuah image tersendiri. Proses segmentasi merupakan proses
identifikasi dan menjadi dasar untuk melakukan proses klasifikasi objek image. Proses
klasifikasi sebenarnya diartikan sebagai proses pengenalan objek yang ada dengan cara
memisahkannya menjadi segmen-segmen yang diharapkan merupakan objek-objek tersendiri.
Universitas Sumatera Utara
Contohnya pada proses analisis suatu image dengan melihat grafik image histogramnya
(histogram slicing). Tujuan analisis ini adalah untuk mengetahui objek dalam image tersebut
dan memisahkannya untuk lebih lanjut melakukan proses pengenalan objek.
Ada beberapa teknik segmentasi, kesemuanya dapat digologkan dalam dua jenis
berdasarkan cara kerjanya yaitu : pertama, segmentasi berdasarkan intensitas warna melalui
identifikasi area atau region. Kedua, segmentasi berdasarkan karakteristik melalui identifikasi
edge
Segmantasi citra membagi suatu citra menjadi wilahyah-wilayah yang homogen
Histogram dengan 2 objek segmentasi
Universitas Sumatera Utara
Histogram dengan 4 objek segmentasi
Gambar 2.13 Image segmentation
Bila histogram citra terbagi menjadi dua wilayah seperti gamabr 2.5 maka thresholding bias
digunakan untuk mendapatkan nilai threshold T yang tepat sehingga bagian Objek dan latar
belakang citra bias ditentukan. Dengan metode ini, thresholding dimodifikasi secara berulangulang sampai ditemukan nilai yang cocok. Langkah-langkah dalam menentukan nilai
threshold adalah sebagai berikut :
1. Pilih nilai T awal, yaitu nilai rata-rata dari intensitas citra
2. Bagi citra menjadi dua daerah, misalnya R1 dan R2, menggunakan nilai T awal yang
telah ditentukan
3. Hitung nilai rata-rata intensitas µ 1 dan µ 2 masing-masing untuk daerah R1 dan R2
4. Hitunglah nilai threshold yang baru dengan rumus T = µ 1 + µ 2 / 2
5. Ulangi langkah 2 sampai 4 hingga nilai-nilai µ 1 dan µ 2 tidak berubah lagi. Saat itulah
nilai T merupakan nilai yang dicari.
Sedangkan bila histogram citra terbagi menjadi lebih dari dua wilayah seperti gambar 2.5
maka mean clustering bias digunakan sebagai pendekatan untuk mendapatkan wilayahwilayah yang hamper homogen. Teknik ini brasumsi bahwa objek-objek yang akan
dipisahkan cenderung memiliki intensitas yang berbeda-beda dan masing-masing objek
memiliki intensitas yang hamper homogeny (seragam).
2.17 .1 Segmentasi Citra
Universitas Sumatera Utara
Operasi segmentasi citra ini bertujuan untuk memecah citra menjadi beberapa segment dengan
kriteria tertentu. Biasanya berkaitan dengan pengenalan pola. Segmentasi membagi suatu citra
menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara
derajat keabuan suatu piksel dengan derajat keabuan piksel-piksel tetangganya.
2.17.2 Segmentasi Identifikasi Area pada Image
Operasi segmentasi area adalah operasi untuk mengidentifikasi semua piksel yang
mempunyai intensitas yang sama, dengan cara lain mengelompokkan piksel-piksel tersebut ke
dalam suatu range terdekat. Misalnya kelompok intensitas 0-24, 25-73, 74-160, 161-255.
Kelompok intensitas ini dapat ditaksir dengan cara mempertimbagkanknya ke dalam suatu
grafik image histogram. Pengelompokkan intensitas piksel ini bertujuan mencari perkiraan
jumlah objek yang ada dalam image. Setiap kelompok akan menyatakan objek image. Jadi,
bila jumlah kelompok intensitas ada 4 yaitu 0-24, 25-73, 74-160, 161-255, maka objek di
dalam image tersebut diperkirakan berjumlah 4. Tahap akhir dari operasi ini selanjutnya
adalah mencari nilai rata-rata (mean) intensitas piksel pada tiap kelompok dan mengganti
warna piksel dengan nilai rata-rata yang ditemukan pada tiap kelompok sehingga dengan
demikian akan dihasilkan image beberapa kelompok warna. Jadi, bila jumlah kelompok
intensitasnya ada 4, maka image akan mengahsilkan 4 kelompok warna. Warna yang seragam
pada setiap kelompok akan mempermudah melakukan penyederhanaan objek. Teknik ini akan
menghasilkan perkiraan jumlah objek dalam image dan tampilan objek yang masing-masing
terpisah satu sama lain, sehingga dengan demikian masing-masing objek dapat dikenali lebih
jauh lagi.
2.17.3 Segmentasi Identifikasi Edge
Operasi segmantasi identifikasi edge adalah operasi pengelompokan area image yang
mempunyai karakteristik sama, karakteristik tersebut seperti perubahan warna antara piksel
yang berdekatan, harga rata-rata bagian tersebut. Pada tahapan pendeteksian tepi dari metode
pertama tugas akhir dilakukan proses pendeteksian tepi (edge detection) yang merupakan
salah satu kegiatan segmentasi dengan pendekatan edge based. Segmentasi ini dilakukan
dengan menggunakan kernel Sobel untuk mencari gradiend. Proses identifikasi tepi dengan
menggunakan prosedur turunan pertama (first derivative) dengan memakai citra masukan
gray scale dan akan menghasilkan citra edge biner. Dengan mengacu pada [SHES05],
Identifikasi Edge.
Universitas Sumatera Utara
LANDASAN TEORI
2.1 Pengenalan Citra
Citra, menurut kamus Webster, adalah suatu representasi, kemiripan, atau imitasi dari suatu
objek atau benda, sedangkan secara harfiah, citra (image) adalah gambar pada bidang
dwimatra (dua dimensi). Citra merupakan fungsi menerus (continue) dari intensitas cahaya
pada bidang dwimatra. Sumber cahaya menerangi sebuah objek, dan objek tersebut
memantulkan kembali sebagian dari berkas cahayanya. Pantulan cahaya ini ditangkap oleh
oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner ), dan
sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam. Citra juga
merupakan bentuk dari dua dimensi untuk dijadikan fisik nyata menjadi tiga dimensi. Dalam
perwujudannya, citra dibagi menjadi dua yaitu still images (citra diam) dan moving images
(citra bergerak). Citra diam adalah citra tunggal yang tidak bergerak, sedangkan citra bergerak
adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi
kesan pada mata kita sebagai gambar yang bergerak.
Gambar atau citra dapat disebut sebagai sebuah bidang datar yang mempunyai fungsi
dua dimensi f(x, y), dimana nilai x dan y merupakan koordinat pada sebuah bidang datar dan
amplitudo dari f dapat disebut sebagai intensitas atau gray-level atau biasa disebut tingkat ke
abu-abuan dari sebuah gambar pada koordinat x dan y.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat :
1. Optik berupa foto.
2. Analog berupa sinyal video seperti gambar pada monitor televisi.
3. Digital yang dapat langsung disimpan pada media penyimpan magnetik.
Citra juga dapat dikelompokkan menjadi 2 yaitu :
Universitas Sumatera Utara
1. Citra tampak ( foto, gambar, lukisan ) apa yang nampak di layar monitor / televisi,
hologram dan lain-lain.
2. Citra tidak tampak (data foto / gambar dalam file) citra yang direpresentasikan dalam
fungsi matematis.
Citra digital adalah citra yang disimpan dalam format digital (dalam bentuk file).
Hanya citra digital yang dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah
dengan komputer harus diubah dulu menjadi citra digital.
1.
Pencitraan (imaging) adalah kegiatan mengubah informasi dari citra tampak/citra non
digital menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah
: scanner, kamera digital, kamera sinar-x/sinar infra merah, dll
2.
Pengolahan Citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi
oleh manusia / mesin (komputer). Inputannya adalah citra dan keluarannya juga citra tapi
dengan kualitas lebih baik dari pada citra masukan misal citra warnanya kurang tajam,
kabur (blurring), mengandung noise (misal bintik-bintik putih), dan lain - lain sehingga
perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit
diinterpretasikan karena informasi yang disampaikan menjadi berkurang.
3.
Analisis Citra adalah kegiatan menganalisis citra sehingga menghasilkan informasi
untuk menetapkan keputusan biasanya didampingi bidang ilmu kecerdasan buatan /AI
yaitu pengenalan pola (pattern recognition) menggunakan jaringan syaraf tiruan, logika
fuzzy, dll).
Gambar 2.1 Analisis Citra
Dalam ilmu komputer sebenarnya ada 3 bidang studi yang berkaitan dengan citra, tapi tujuan
ketiganya berbeda, yaitu :
1.
Grafika Komputer
Adalah proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar
belakang yang terkandung pada gambar tersebut.
Universitas Sumatera Utara
a. Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di
alam nyata (realism).
b. Bertujuan menghasilkan gambar / citra ( lebih tepat disebut grafik / picture ) dengan
primitif - primitif geometri seperti garis, lingkaran, dan sebagainya.
c. Primitif - primitif geometri tersebut memerlukan data deskriptif untuk melukis
elemen-elemen gambar. Data deskriptif : koordinat titik, panjang garis, jari-jari
lingkaran, tebal garis, warna, dsb.
d. Grafika komputer berperan dalam visualisasi dan virtual reality.
Data Deskriptif
2.
Grafika
Komputer
Citra
Pengolahan Citra
Operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1.
Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas
penampakan citra / menonjolkan beberapa aspek informasi yang terkandung dalam
citra (image enhancement) contoh : perbaikan kontras gelap / terang, perbaikan
tepian objek, penajaman, pemberian warna semu, dan lain – lain.
2.
Adanya cacat pada citra sehingga perlu dihilangkan / diminimumkan (image
restoration) contoh : penghilangan kesamaran (debluring) citra tampak kabur karena
pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise.
3.
Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image
segmentation). Operasi ini berkaitan erat dengan pengenalan pola.
4.
Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadang kala
diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh :
pendeteksian tepi objek.
Universitas Sumatera Utara
5.
Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction)
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ
tubuh.
6.
Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk
BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49
KB.
7.
Menyembunyikan data rahasia (berupa teks / citra) pada citra sehingga keberadaan
data rahasia tersebut tidak diketahui orang (steganografi & watermarking)
Pengolahan
Citra
Citra
Citra
3. Pengenalan Pola
Pengelompokan pola adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara
otomatis oleh mesin ( computer ). Tujuan pengelompokkan adalah untuk mengenali suatu objek di
dalam citra. Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar
mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek
lainnya. Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin. Komputer menerima
masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan
keluaran berupa informasi / deskripsi objek di dalam citra.
Citra
2.2
Pengenalan
Pola
Informasi/deskripsi objek
Elemen Pada Citra
Citra mengandung sejumlah elemen dasar. Elemen dasar tersebut dimanipulasi dalam
pengolahan citra, elemen tersebut adalah :
1. Citra Warna ( True Color ). Setiap titik (pixel) pada citra warna mewakili warna
yang merupakan kombinasi dari tiga warna dasar yaitu merah hijau biru citra RGB
Universitas Sumatera Utara
(Red Green Blue) Setiap warna dasar mempunyai intensitas sendiri dengan nilai
maksimum 255 (8 bit) Red = warna minimal putih, warna maksimal merah Green =
warna minimal putih, warna maksimal hijau Blue = warna minimal putih, warna
maksimal biru Misal warna kuning = kombinasi warna merah dan hijau sehingga nilai
RGB-nya = 255 255 0 Warna ungu muda = kombinasi warna merah dan biru sehingga
nilai RGB-nya = 150 0 150 Contoh : bisa dilihat di Photoshop
Gambar 2.2 RGB
Jadi setiap titik pada citra warna membutuhkan data 3 byte. Jumlah kemungkinan
kombinasi warna 2
24
= lebih dari 16 juta warna 24 bit disebut true color karena
dianggap mencakup semua warna yang ada.
Gambar 2.3 Citra Warna
Ada perbedaan warna dasar untuk cahaya (misal display di monitor komputer) &
untuk cat/tinta (misal cetakan di atas kertas). Citra cahaya menggunakan warna dasar
RGB = Red Green Blue Citra cat menggunakan warna dasar CMY = Cyan Magenta
Yellow.
2. Citra Warna Berindeks. Setiap titik (pixel) pada citra warna berindeks mewakili
indeks dari suatu tabel warna yang tersedia (biasanya disebut palet warna).
Keuntungan pemakaian palet warna adalah kita dapat dengan cepat memanipulasi
warna tanpa harus mengubah informasi pada setiap titik dalam citra.
Universitas Sumatera Utara
Gambar 2.4 Citra Warna Berindex
Keuntungan yang lain, penyimpanan lebih kecil. Setting warna display pada MS
Window biasanya format 16 colors, 256 colors, high color, true color, yang
merupakan citra warna berindeks dengan ukuran palet masing-masing 4 bit, 8 bit, 16
bit dan 24 bit.
3. Citra Kecerahan (brightness). Kecerahan disebut juga intensitas cahaya. Kecerahan
pada sebuah piksel (titik) di dalam citra bukanlah intensitas yang rill, tetapi
sebenarnya adalah intensitas rerata dari suatu area yang melingkupinya.
4. Citra Kontras. Kontras menyatakan sebaran terang dan gelap di dalam sebuah
gambar. Citra dengan kontras rendah dicirikan oleh sebagian besar komposisi citranya
adalah terang atau sebagian besar gelap. Pada citra dengan kontras yang baik,
komposisi gelap dan terang tersebar secara merata.
5. Citra Kontur. Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas
pada piksel yang bertetangga. Karena adanya perubahan intensitas, mata manusia
dapat mendeteksi tepi objek di dalam citra.
6. Citra Bentuk (shape). Bentuk adalah properti intrinsik dari objek tiga dimensi,
dengan pengertian bahwa shape merupakan properti intrinsik utama untuk sistem
visual manusia. Pada umumnya citra yang dibentuk oleh mata merupakan citra
dwimatra (dua dimensi), sedangkan objek yang dilihat umumnya berbentuk trimatra
(tiga dimensi). Informasi bentuk objek dapat diekstraksi dari citra pada permulaan
prapengolahan dan segmentasi citra.
Universitas Sumatera Utara
7. Citra Tekstur. Tekstur diartikan sebagai distribusi spasial dari derajat keabuan di
dalam sekumpulan piksel yang bertetangga. Jadi tekstur tidak dapat didefinisikan
untuk sebuah piksel. Sistem visual manusia menerima informasi citra sebagai suatu
kesatuan. Resolusi citra yang diamati ditentukan oleh skala pada mana tekstur tersebut
dipersepsi.
8. Citra Biner atau Monokrom. Adalah citra jenis ini, setiap titik atau piksel hanya
bernilai 0 tau 1. Dimana setiap titik membutuhkan media penyimpanan sebesar 1 bit.
Bambar 2.1 merupakan contoh citra biner monokrom. Citra biner merupakan citra
yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang
dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap pikselnya
dalam satu bit (satu nilai binary). Banyaknya warna yang terdapat pada citra biner
adalah dua, yaitu hitam dan putih. Salah satu contoh dari gambar biner dapat dilihat
pada Gambar 2.1. Dibutuhkan satu bit di memori untuk menyimpan kedua warna ini.
Setiap piksel pada citra bernilai 0 untuk hitam dan 1 untuk putih (Hestiningsih,
Idhawati. 2008).
Gambar 2.5 Citra Biner
9. Citra Grayscale (skala keabuan). Citra warna grayscale menggunakan warna
tingkatan warna abu-abu. Warna abu - abu merupakan satu - satunya warna pada
ruang RGB dengan komponen merah, hijau, dan biru mempunyai intensitas yang
sama. Banyaknya warna yang ada tergantung pada jumlah bit yang disediakan di
memori untuk menampung kebutuhan warna ini. Salah satu contoh gambar grayscale
dapat dilihat pada Gambar 2.2. Contoh, citra dengan skala keabuan empat bit maka
Universitas Sumatera Utara
jumlah kemungkinan warnanya adalah 24 = 16 warna dengan kemungkinan warna 0
(min) sampai 15 (max) (Hestiningsih, Idhawati., 2008).
Gambar 2.6 Citra Grayscale
10. Waktu dan Pergerakan. Respon suatu sistem visual tidak hanya berlaku pada faktor
ruang, tetapi juga pada faktor waktu. Sebagai contoh, bila citra-citra diam ditampilkan
secara cepat, akanberkesan melihat citra yang bergerak.
11. Deteksi dan Pengenalan. Dalam mendeteksi dan mengenali suatu citra, ternyata tidak
hanya sistem visual manusia saja yang bekerja, tetapi juga ikut melibatkan ingatan dan
daya pikir manusia.
2.3 Histogram Tingkat Keabuan (Gray level Histogram)
Informasi suatu citra dapat diwakili oleh histogram Histogram adalah suatu fungsi yang
menunjukkan jumlah titik yang ada dalam suatu citra untuk setiap tingkat keabuan. Sumbu X
(absis) menunjukkan tingkat warna Sumbu Y (ordinat) menunjukkan frekuensi kemunculan
titik. Kegunaanya adalah :
1. Penentuan parameter digitasi dalam proses pencitraan perlu melihat apakah tingkat
warna telah dipakai sesuai yang dibutuhkan. Contoh : tingkat keabuan dengan 8 bit
apakah sudah memakai dari tingkat 0 sampai 256 warna tingkat keabuan.
2.
Pemilihan batas ambang (threshold). Biasa digunakan untuk mengukur penonjolan
objek dalam citra terhadap latar belakangnya termasuk dalam teknik pengambangan
(thresholding).
Universitas Sumatera Utara
3. Pengenalan / pencocokan citra adalah citra yang telah diubah / diupdate akan
mempunyai histogram yang berbeda.
Gambar 2.7 Citra Beserta Histogramnya
2.4 Konversi Citra True Color menjadi Citra Keabuan (Grayscale)
Operasi konversi citra true color ke keabuan dengan rumus :
Universitas Sumatera Utara
Bisa juga dengan memberi bobot (w) pada RGB karena mata manusia lebih sensitif pada
warna hijau, kemudian merah, terakhir biru. Ko = wr Ri + wg Gi + wb Bi berdasarkan NTSC
(National Television System Committee), dimana :
wr = 0.299
wg = 0.587
wb = 0.144
Gambar 2.8 True Color Menjadi Grayscale
2.5 Pengambangan (Thresholding)
Operasi pengambangan digunakan untuk mengubah citra dengan format skala keabuan, yang
mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (yaitu 0 dan
1).
1. Pengambangan Tunggal adalah memiliki sebuah nilai batas ambang Fungsi GST-nya
2. Pengambangan Ganda adalah memiliki ambang bawah dan ambang atas. Dilakukan
untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan tertentu.
Universitas Sumatera Utara
2.6 Representasi 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 / keabuan
(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. Citra digital dinyatakan dengan matriks berukuran N x M (baris/tinggi = N,
kolom/lebar = M)
Universitas Sumatera Utara
Gambar 2.9 Representasi Citra
1. Format Citra adalah citra digital biasanya berbentuk persegi panjang, secara
visualisasi dimensi ukurannya dinyatakan sebagai lebar x tinggi ukurannya dinyatakan
dalam titik atau piksel ( pixel = picture element ) ukurannya dapat pula dinyatakan
dalam satuan panjang (mm atau inci = inch). Resolusi adalah banyaknya titik untuk
setiap satuan panjang (dot per inch). Makin besar resolusi makin banyak titik yang
terkandung dalam citra, sehingga menjadi lebih halus dalam visualisasinya.
2. Resolusi Citra adalah resolusi spasial dan resolusi kecemerlangan, berpengaruh pada
besarnya informasi citra yang hilang. Resolusi spasial halus / kasarnya pembagian
kisi-kisi baris dan kolom. Transformasi citra kontinue ke citra digital disebut
digitalisasi (sampling). Misal hasil digitalisasi dengan jumlah baris 256 dan jumlah
kolom 256 resolusi spasial 256 x 256. Resolusi kecemerlangan (intensitas / brightness)
= halus / kasarnya pembagian tingkat kecemerlangan. Transformasi data analog yang
bersifat kontinue ke daerah intensitas diskrit disebut kuantisasi. Bila intensitas piksel
berkisar antara 0 dan 255 resolusi kecemerlangan citra adalah 256
Defenisi citra menurut (Gonzalez, 2002) adalah suatu fungsi dua dimensi f (x,y)
dimana x dan y adalah koordinat parsial dari setiap titik pada citra, serta nilai fungsi f pada
kordinat (x,y) merupakan nilai intensitas atau gray level pada titik tersebut. Citra digital
merupakan citra dengan nilai x , y, dan f yang berhingga dan diskrit, dimana kegiatan dan
pemrosesannya dialakukan dengan komputer digital. Setiap pasangan nilai dan lokasi
koordinat merupakan element pembentuk citra digital yang disebut dengan piksel.
Universitas Sumatera Utara
Terdapat tiga jenis range nilai yang umumnya dipakai dalam mempresentasikan
besarnya intensitas nilay garay level citra dalam matriks, yaitu :
1. Representasi data double dengan nilai jangkauan antara 0-1
2. Representasi data integer 8 bit dengan nilai jangkauan antara 0-255 dan
3. Representasi data integer 16 bit dengan nilai jangkauan antara 0-65535
Nilai minimal (0) merupakan representasi dari warna hitam, sedangkan nilai maksimal
dari setiap jenis jangkauan data merupakan representasi dari warna putih. Berikut ini adalah
cara mengkonversi ketiga jenis representasi data diatas.
2.6.1 Konversi Data Double Menjadi Integer
Untuk mengubah representasi data double menjadi integer 8 bit, nilai piksel dikalikan dengan
255 dan dikenakan pembulatan :
f(x,y)’= int[round( f(x,y)*255)]
(1)
Untuk mengubah representasi data double menjadi integer 16 bit, nilai piksel dikalikan
dengan 65535 dan dikenakan pembulatan :
f(x,y)’ =int[round( f(x,y)*65535]
(2)
2.6.2 Konversi Data Integer Menjadi Double
Untuk mengubah representasi data integer 8 bit menjadi double, nilai piksel dibagi dengan
255 setelah format datanya diganti dengan double.
f(x,y)’ = double (�
,
)
(3)
Untuk mengubah representasi data integer 16 bit menjadi double, nilai piksel dibagi dengan
65535 setelah format datanya diganti dengan double .
f(x,y)’ = double (�
2.7
,
)
(4)
Pengolahan Citra
Pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh
manusia / mesin (komputer). Inputannya adalah citra dan keluarannya juga citra tapi dengan
kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam,kabur
Universitas Sumatera Utara
(blurring), mengandung noise (misal bintik-bintik putih), dan lain - lain sehingga perlu ada
pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan
sebab informasi yang disampaikan menjadi berkurang. Sedangkan pencitraan itu sendiri
adalah kegiatan mengubah informasi dari citratampak /citra non digital menjadi citra digital.
Beberapa alat yang dapat digunakan untuk pencitraan adalah scanner , kamera digital, kamera
sinar-x/sinar infra merah, dan lain –lain.
Operasi-operasi pada pengolahan citra diterapkan pada citra apabila :
1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas
penampakan citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra
(image enhancement). Contoh : perbaikan kontras gelap/terang, perbaikan tepian
objek,penajaman, pemberian warna semu, dan lain-lain.
2. Adanya
cacat
pada
citra
sehingga
perlu
dihilangkan
/
diminimumkan
(imagerestoration). Contoh : penghilangan kesamaran (debluring) citra tampak kabur
karena pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise3.
Elemen
dalam
citra
perlu
dikelompokkan,
dicocokan
atau
diukur
(imagesegmentation). Operasi ini berkaitan erat dengan pengenalan pola.
3. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam
pengidentifikasian objek (image analysis). Proses segementasi kadangkala diperlukan
untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian
tepiobjek
4. Sebagian citra perlu digabung dengan bagian citra yang lain (imagereconstruction)
contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ
tubuh
5. Citra perlu dimampatkan (image compression). Contoh : suatu file citra berbentuk
BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49
KB.
6. Menyembunyikan data rahasia (berupa teks / citra) pada citra sehingga keberadaan
data rahasia tersebut tidak diketahui orang (steganografi & watermarking).
2.8
Metode Penggambaran
Image yang diciptakan berdasarkan dua macam tipe penggambaran yaitu : bitmap dan vector-
vektor. Penggambaran vektor memberi arti bahwa sebuah gambar dibuat berdasarkan bentuk
Universitas Sumatera Utara
seri garis, sedagkan penggambaran bitmap sebuah gambar dibuat berdasarkan kumpulan
piksel didalam piranti penampil atau raster. Image digital disimpan dalam computer sebagai
matriks. Ukuran matriks menentukan resolusi image. Sebagai contoh, jika sebuah image
mempunyai ukuran 100 x 100 piksel, gray level 8 bit. Ini berarti 100 x 100 = 10.000 piksel
mengambil 256 buah nilai. Pada umumnya nilai piksel dari image 8 bit bernilai antara 0
sampai 255, mewakili sekala keabuan dari hitam sampai putih. Jadi dalam sebuah image, kita
perlu mengetahui ada 10.000 buah nilai untuk setiap 100 x 100 piksel dari image 100 x 100.
Secara sistematis, sebuah image berukuran 100 x 100 dapat dijadikan vector berdimensi
10.000. Dimensi vector akan meningkat sejalan dengan semakin tinggi resolusi image.
Suatu image dibuat dengan menset posisi koordinat, intensitas, dan warna yang
menyusun layar. Layar yang berfungsi sebagai media penampil dibayangkan sebagai
potongan kisi-kisi atau grid atau lirik dari piksel-piksel. Nilai tingkat keabuan mempunyai
harga integer, yaitu antara 0 sampai 2n – 1, dimana n adalah integer. Nilai 0 menunjukkan
warna minimum yaitu warna putih.
2.9 Image Processing
Image processing adalah suatu metode yang digunakan untuk memproses atau memanipulasi
gambar dalam bentuk 2 dimensi (Gonzalez, 2002). Image processing adalah suatu bentuk
pengolahan
atau
pemrosesan
sinyal
dengan
input
berupa
gambar
(image)
dan
ditransformasikan menjadi gambar lain sebagai keluarannya dengan teknik tertentu. Image
processing dilakukan untuk memperbaiki kesalahan data sinyal gambar yang terjadi akibat
transmisi dan selama akuisisi sinyal, serta untuk meningkatkan kualitas penampakan gambar
agar lebih mudah diinterpretasi oleh sistem penglihatan manusia baik dengan melakukan
manipulasi dan juga penganalisisan terhadap gambar. Image processing dapat juga dikatakan
sebagai segala operasi untuk memperbaiki, menganalisa, ataumengubah suatu gambar.
Konsep dasar pemrosesan suatu objek pada gambar menggunakan image processing diambil
dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan
kemampuan otak manusia.
2.10 Operasi Image Processing
Universitas Sumatera Utara
1. Image Enhancement (peningkatan kualitas gambar).
Pada operasi image processing yang pertama ini sering di kenal dengansebutan preprocessing. Operasi image processing yang satu ini bertujuan untuk meningkatkan fitur
tertentu pada citra sehingga tingkat keberhasilan dalam pengolahan gambar berikutnya
menjadi tinggi. Operasi ini lebih banyak berhubungan dengan penajaman dari fitur tertentu
pada gambar. Selain untuk memperbaiki kontras diantara bidang-bidang yang terang dan yang
gelap,metoda ini juga dapat menambahkan warna, menyaring ketidak seragaman sinyal
kiriman yang membawa gambar, menghaluskan garis-garis yang bergerigi sehingga tampak
lebih bersih, mempertajam sudut-sudut yang kabur dan mengkoreksi distorsi yang disebabkan
alat optis atau tampilan. Untuk melakukan proses image enhancement, ada beberapa teknik
yang dapat dicoba berdasarkan cakupan pada operasinya, diantaranya:
a.
Operasi titik adalah dalam image enhancement dilakukan dengan memodifikasi
histogram citra masukan agar sesuai dengan karakteristik yang diharapkan. Teknik yang
dilakukan di bagi menjadi tiga bagian yaitu: Intensity Adjustment, Histogram
Equalization, Thresholding.
b.
Operasi spasial adalah dalam pengolahan citra digital dilakukan melalui penggunaan
suatu kernel konvolusi 2-dimensi.
c.
Operasi transformasi adalah teknik ini dilakukan dengan cara mentransformasi citra asal
ke dalam domain yang sesuai bagi proses enhancement, melakukan proses enhancement
pada domain tersebut, mengembalikan citra ke dalam domain spasial untuk ditampilkan
/ diproses lebih lanjut
2. Image Restoration ( pemulihan gambar )
Operasi pemulihan gambar bertujuan untuk mengembalikan kondisi gambar yang telah rusak
atau cacat (merekonstruksi gambar) yang sebelumnya telah diketahui menjadi gambar seperti
pada kondisi awal, karena adanya gangguan yang menyebabkan penurunan kualitas gambar.
3. Image Compression (kompresi gambar)
Kompresi gambar bertujuan untuk meminimalkan jumlah bit yang diperlukan untuk
merepresentasikan citra. Hal ini sangat berguna apabila ingin mengirimkan gambar berukuran
besar. Gambar yang berukuran besar akan berpengaruh pada lamanya waktu pengiriman.
Maka dari itu kompresi gambar akan memadatkan ukuran gambar menjadi lebih kecil dari
Universitas Sumatera Utara
ukuran asli sehingga waktu yang diperlukan untuk transfer data jugaakan lebih cepat. Ada dua
tipe utama kompresi data, yaitu kompresi tipe lossless dan kompresi tipe lossy. Kompresi tipe
lossy adalah kompresi dimana terdapat data yang hilang selama proses kompresi. Akibatnya
kualitas data yang dihasilkan jauh lebih rendah daripada kualitas data asli. Sementara itu,
kompresi tipe lossless tidak menghilangkan informasi setelahproses kompresi terjadi,
akibatnya kualitas citra hasil kompresi juga tidak berkurang. Ada beberapa hal yang mesti di
perhatikan saat melakukan kompresi gambar, yaitu:
1. Resolusi. Resolusi merupakan ukuran panjang kali lebar dalam suatu gambar yang
digambarkan dalam satuan pixel.
2. Kedalaman bit. Kedalaman bit merupakan banyak sedikitnya jumlah bit yang
dibutuhkan untuk menggambarkan suatu citra (gambar) dalam satuan bit/pixel. Tentu
saja bila dinalar, semakin banyak bit maka gambar yang dihasilkan akan lebih bagus.
3. Redundansi. Redundansi adalah keadaan di mana representasi suatu elemen data tidak
bernilai signifikan dalam menggambarkan keseluruhan data.
4. Image Refresention & Modelling (representasi dan permodelan gambar)
Pada operasi ini melakukan representasi yang mengacu pada data onversi dari hasil
segmentasi ke bentuk yang lebih sesuai untuk proses pengolahan pada komputer. Keputusan
pertama yang harus sudah dihasilkan pada tahap ini adalah data yang akan diproses dalam
batasan-batasan atau daerah yang lengkap. Batas representasi digunakan ketika penekanannya
pada karakteristik bentuk luar, dan area representasi digunakan ketika penekanannya pada
karakteristik dalam, sebagai contoh tekstur. Setelah datatelah direpresentasikan ke bentuk tipe
yang lebih sesuai, tahap selanjutnya adalah menguraikan data.
2.11 Deteksi Edge
Selain menggunakan metode segmentasi, ada cara lain untuk menyederhanakan bentuk image
yaitu dengan melakukan pendeteksian terhadap edge atau garis di tepi image tersebut. Teknik
yang demikian dinamakan edge detection filtering. Filter adalah salah satu jenis program
pengolahan image (image processing) yang memanipulasi piksel-piksel image dengan cara
melakukan perhitungan matematis.
Universitas Sumatera Utara
Suatu garis atau edge didefenisikan sebagai sederetan piksel yang mempunyai
intensitas antara piksel permulaan dan piksel akhir. Defenisi edge disini adalah kumpulan dari
titik-titik atau plane point set. Karena jarak antara titik-titik yang sangat berdekatan
membentuk edge dalam suatu objek.
Adapun dasar dari teknik ini adalah dengan melakukan penelusuran gambar secara
vertical dan horizontal sambil melihat apakah terjadi perubahan warna mendadak yang
melebihi suatu harga (sensitifitas) antara dua titik yang berdempetan. Jika ya, maka di tempat
antara kedua titik tersebut dianggap pinggiran atau tepi sebuah objek.
Dalam kenyatannya edge yang didefenisikan terkadang ditemukan tidak sesuai dengan
yang diharapkan, hal ini disebabkan karena : pertama, edge ini sering mempunyai intensitas
yang lebih kecil sehingga terkadang edge tersebut tidak dapat dikenali. Kedua, edge sering
tidak lengkap, hal ini dikarenakan warna background hampir seperti warna foreground.
Ketiga, edge yang ditemukan pendek dan tidak terhubung saat dilakukan penelusuran.
Gambar 2.10 Proses Deteksi Tepi Citra
Tahap awal proses pendeteksian ini diawali dengan mengitung setiap piksel yang ada,
sehingga menciptakan piksel tersebut menjadi bagian dari edge yang sesungguhnya dicari.
Cara menghitung piksel ini yaitu dengan suatu perhitungan yang dinamakan gradient
magnitude
Untuk sebuah image diberikan fungsi f (x,y), gradient magnitude g (x,y) dan arah gradient
ϴ(x,y) dinotasikan sebagai berikut :
Universitas Sumatera Utara
Gx =
Gy =
�
ƒ(x,y) ……………………......................................................………(1)
�
ƒ(x,y) ……………......................................................………………(2)
�
�
||∇ƒ || = √� + � ………....................................................………………...(3)
θ=arctan (Gy , Gx) ………….................................................……………...(4)
Pendeteksian piksel dilakukan berdasarkan sesuai dengan arah penelusuran, bila arah
penelusuran adalah vertical maka berada di sebelah kiri, sedagkan arah penelusuran kanan
adalah horizontal.
2.12 Edge
Yang dimaksud dengan tepi (edge) adalah perubahan nilai intensitas derajat keabuan yang
mendadak (besar) dalam jarak yang singkat (Gambar 2.5). Perbedaan intensitas inilah yang
menampakkan rincian pada gambar. Tepi biasanya terdapat pada batas antara dua daerah
berbeda pada suatu citra. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbedabeda pada bergantung pada perubahan intensitas.
Gambar 2.11 Model Tepi Satu-Matra
Perhatikan Gambar 2.11. Ada tiga macam tepi yang terdapat di dalam citra digital. Ketiganya
adalah:
1. Tepi curam adalah tepi dengan perubahan intensitas yang tajam. Arah tepi berkisar
90°.
2. Tepi landai adalah disebut juga tepi lebar, yaitu tepi dengan sudut arah yang kecil.
Universitas Sumatera Utara
Tepi landai dapat dianggap terdiri dari sejumlah tepi-tepi lokal yang lokasinya
berdekatan.
3. Tepi yang mengandung derau (noise). Umumnya tepi yang terdapat pada aplikasi
computer vision mengandung derau. Operasi peningkatan kualitas citra (image
enhancement) dapat dilakukan terlebih dahulu sebelum pendeteksian tepi.
Gambar 2.12 Jenis-jenis Tepi
2.13 Deteksi Titik
Pendeteksian titik yang terisolasi dari suatu citra secara prinsip berlangsung secara
straightforward. Kita dapat mengatakan bahwa suatu titik dinyatakan terisolasi jika
|R|≥ T
Di mana T adalah threshold positif dan R adalah nilai dari persamaan :
9
� = ∑ ����
�=
Universitas Sumatera Utara
Dengan demikian, titik yang terisolasi adalah titik yang berbeda (secara signifikan) dengan
titik-titik di sekitarnya. Ada pun mask-nya adalah :
-1
-1
-1
-1
8
-1
-1
-1
-1
2.14 Deteksi Garis
Pendeteksian garis dari suatu citra dilakukan dengan mencocokkan dengan mask dan
menunjukkan bagian tertentu yang berada secara garis lurus baik secara vetikal, horizontal,
maupun miring 450 (baik kanan maupun kiri). Secara matematis dapat dirumuskan sebagai
berikut :
|R|>|Rj| dimana i ≠ j
Ada pun masuk untuk mendeteksi garis adalah sebagai berikut :
Arah horizontal :
-1
-1
-1
2
2
2
-1
-1
-1
2
-1
-1
-1
2
-1
-1
-1
2
Arah vertical :
2.15 Tepi Objek
Pertemuan antara bagian objek dan bagian latar belakang disebut tepi objek. Dalam
pengolahan citra, tepi objek ditandai oleh titik yang nilai keabuannya memiliki perbedaan
Universitas Sumatera Utara
yang cukup besar dengan titik yang ada di sebelahnya. Bila dua buah objek atau lebih saling
tumpang tindih maka objek tersebut akan meninggalkan jejak tepi apabila intensitas objek
yang lain atau sebaliknya. Hal ini penting untuk memisahkan objek-objek yang tumpang
tindih sehingga objek dapat dianalisis secara induvidu. Dengan demikian, tepi sebuah objek
dapat juga digunakan untuk memisahkan objek-objek yang saling bersinggungan sehingga
objek tidak dianggap sebagai satu objek yang besar, tetapi dapat dilacak atau dianalisis secara
induvidu.
2.16
Deteksi Tepi dan Operator Deteksi Tepi
Deteksi tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nayat dalam
sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertetangga, yaitu
sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan
dari titik-titik yang ada disekitarnya (tetangganya) yang masing-masing mempunyai bobot
tersendiri. Bobot-bobot tersebut nilainnya tergantung pada operasi yang akan dilakukan,
sedangkan banyaknya titik tetangga yang terlibat biasanya adalah 2x2, 3x3, 3x4,7x7, dan
sebagiannya.
Biasanya operator yang digunakan untuk mendeteksi tepi yang pertama adalah operator
berbasis Gradient (turunan pertama), yaitu operator Robert, operator Sobel dan operator
Prewitt. Yang kedua adalah operator berbasis turunan kedua, yaitu operator Laplacian dan
operator Laplacian Gaussian.
2.17 Segmentasi
Segmentasi merupakan suatu proses pembagian image menjadi beberapa segmen dan
diantaranya terhubung satu sama lain. Hubungan segmen ini adalah bila terdapatnya dua
piksel yang saling kontak. Segmen disebut juga region atau area. Segmen yang terpisah dapat
dipertimbangkan menjadi sebuah image tersendiri. Proses segmentasi merupakan proses
identifikasi dan menjadi dasar untuk melakukan proses klasifikasi objek image. Proses
klasifikasi sebenarnya diartikan sebagai proses pengenalan objek yang ada dengan cara
memisahkannya menjadi segmen-segmen yang diharapkan merupakan objek-objek tersendiri.
Universitas Sumatera Utara
Contohnya pada proses analisis suatu image dengan melihat grafik image histogramnya
(histogram slicing). Tujuan analisis ini adalah untuk mengetahui objek dalam image tersebut
dan memisahkannya untuk lebih lanjut melakukan proses pengenalan objek.
Ada beberapa teknik segmentasi, kesemuanya dapat digologkan dalam dua jenis
berdasarkan cara kerjanya yaitu : pertama, segmentasi berdasarkan intensitas warna melalui
identifikasi area atau region. Kedua, segmentasi berdasarkan karakteristik melalui identifikasi
edge
Segmantasi citra membagi suatu citra menjadi wilahyah-wilayah yang homogen
Histogram dengan 2 objek segmentasi
Universitas Sumatera Utara
Histogram dengan 4 objek segmentasi
Gambar 2.13 Image segmentation
Bila histogram citra terbagi menjadi dua wilayah seperti gamabr 2.5 maka thresholding bias
digunakan untuk mendapatkan nilai threshold T yang tepat sehingga bagian Objek dan latar
belakang citra bias ditentukan. Dengan metode ini, thresholding dimodifikasi secara berulangulang sampai ditemukan nilai yang cocok. Langkah-langkah dalam menentukan nilai
threshold adalah sebagai berikut :
1. Pilih nilai T awal, yaitu nilai rata-rata dari intensitas citra
2. Bagi citra menjadi dua daerah, misalnya R1 dan R2, menggunakan nilai T awal yang
telah ditentukan
3. Hitung nilai rata-rata intensitas µ 1 dan µ 2 masing-masing untuk daerah R1 dan R2
4. Hitunglah nilai threshold yang baru dengan rumus T = µ 1 + µ 2 / 2
5. Ulangi langkah 2 sampai 4 hingga nilai-nilai µ 1 dan µ 2 tidak berubah lagi. Saat itulah
nilai T merupakan nilai yang dicari.
Sedangkan bila histogram citra terbagi menjadi lebih dari dua wilayah seperti gambar 2.5
maka mean clustering bias digunakan sebagai pendekatan untuk mendapatkan wilayahwilayah yang hamper homogen. Teknik ini brasumsi bahwa objek-objek yang akan
dipisahkan cenderung memiliki intensitas yang berbeda-beda dan masing-masing objek
memiliki intensitas yang hamper homogeny (seragam).
2.17 .1 Segmentasi Citra
Universitas Sumatera Utara
Operasi segmentasi citra ini bertujuan untuk memecah citra menjadi beberapa segment dengan
kriteria tertentu. Biasanya berkaitan dengan pengenalan pola. Segmentasi membagi suatu citra
menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara
derajat keabuan suatu piksel dengan derajat keabuan piksel-piksel tetangganya.
2.17.2 Segmentasi Identifikasi Area pada Image
Operasi segmentasi area adalah operasi untuk mengidentifikasi semua piksel yang
mempunyai intensitas yang sama, dengan cara lain mengelompokkan piksel-piksel tersebut ke
dalam suatu range terdekat. Misalnya kelompok intensitas 0-24, 25-73, 74-160, 161-255.
Kelompok intensitas ini dapat ditaksir dengan cara mempertimbagkanknya ke dalam suatu
grafik image histogram. Pengelompokkan intensitas piksel ini bertujuan mencari perkiraan
jumlah objek yang ada dalam image. Setiap kelompok akan menyatakan objek image. Jadi,
bila jumlah kelompok intensitas ada 4 yaitu 0-24, 25-73, 74-160, 161-255, maka objek di
dalam image tersebut diperkirakan berjumlah 4. Tahap akhir dari operasi ini selanjutnya
adalah mencari nilai rata-rata (mean) intensitas piksel pada tiap kelompok dan mengganti
warna piksel dengan nilai rata-rata yang ditemukan pada tiap kelompok sehingga dengan
demikian akan dihasilkan image beberapa kelompok warna. Jadi, bila jumlah kelompok
intensitasnya ada 4, maka image akan mengahsilkan 4 kelompok warna. Warna yang seragam
pada setiap kelompok akan mempermudah melakukan penyederhanaan objek. Teknik ini akan
menghasilkan perkiraan jumlah objek dalam image dan tampilan objek yang masing-masing
terpisah satu sama lain, sehingga dengan demikian masing-masing objek dapat dikenali lebih
jauh lagi.
2.17.3 Segmentasi Identifikasi Edge
Operasi segmantasi identifikasi edge adalah operasi pengelompokan area image yang
mempunyai karakteristik sama, karakteristik tersebut seperti perubahan warna antara piksel
yang berdekatan, harga rata-rata bagian tersebut. Pada tahapan pendeteksian tepi dari metode
pertama tugas akhir dilakukan proses pendeteksian tepi (edge detection) yang merupakan
salah satu kegiatan segmentasi dengan pendekatan edge based. Segmentasi ini dilakukan
dengan menggunakan kernel Sobel untuk mencari gradiend. Proses identifikasi tepi dengan
menggunakan prosedur turunan pertama (first derivative) dengan memakai citra masukan
gray scale dan akan menghasilkan citra edge biner. Dengan mengacu pada [SHES05],
Identifikasi Edge.
Universitas Sumatera Utara