2.6 Perbaikan Kualitas Citra
Perbaikan kualitas citra image enhancement adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara
yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis, pemfilteran, dan lain-lain. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra
sehingga citra yang dihasilkan lebih baik daripada citra aslinya untuk aplikasi tertentu. Sutoyo Mulyanto, 2009.
Peningkatan kualitas citra dibagi dalam dua kategori, yaitu metode domain spasial ruang atau waktu dan metode domain frekuensi. Teknik pemrosesan metode domain
spasial adalah berdasarkan manipulasi langsung dari piksel di dalam citra. Sedangkan teknik pemrosesan metode domain frekuensi adalah berdasarkan perubahan transformasi
fourier pada citra Sutoyo Mulyanto, 2009.
2.6.1 Kernel mask
Kernel adalah matrik yang pada umumnya berukuran kecil dengan elemen-elemennya adalah berupa bilangan. Kernel digunakan pada proses konvolusi. Oleh karena itu kernel
juga disebut dengan convolution window jendela konvolusi . Ukuran kernel dapat berbeda-beda seperti 2x2, 3x3, 5x5, dan sebagainya. Elemen-elemen kernel juga disebut
sebagai bobot weight merupakan bilangan-bilangan yang membentuk pola tertentu. Kernel juga biasa disebut dengan tapis filter, template, mask, serta sliding window
Putra, 2010. Gambar 2.8 menyajikan contoh kernel 2x2 dan 3x3. Warna abu-abu pada gambar tersebut menunjukkan pusat koordinat {0,0}, yang pada proses konvolusi
menunjukkan koordinat piksel dari citra yang diproses Putra, 2010.
Universitas Sumatera Utara
1
1 a
b
Gambar 2.8 a Kernel 2x2 b Kernel 3x3
2.6.2 Metode Image Averaging
Metode Image Averaging adalah suatu metode untuk perbaikan kualitas citra image enhancement yang mengambil nilai rata-rata dari nilai piksel pada jendela ketetanggaan.
Metode Image Averaging ini merupakan salah satu metode yang melakukan pencarian nilai rata-rata piksel dari beberapa frame citra pada posisi piksel yang
bersesuaian. Pencarian nilai rata-rata piksel dilakukan dengan menjumlahkan nilai piksel yang bersesuaian pada beberapa frame citra yang mengalami transformasi geometris,
kemudian membaginya dengan banyaknya frame citra. Mekanisme metode Image Averaging dengan citra
ƒx,y berukuran M x N ini punya nilai 1 di semua piksel, kemudian dikalikan dengan 1mn. Contoh pemrosesan
dengan metode ini dapat kita lihat pada Gambar 2.9 sebagai berikut Sutoyo Mulyono, 2009.
ƒ , =
a 1
-1 1
-1 4
-1 1
-1 1
x-1, y-1 x-1, y
x-1, y+1 x, y-1
x, y x, y+1
x+1, y-1 x+1, y
x+1, y+1
M N
Universitas Sumatera Utara
1
, = b
Gambar 2.9 a Citra
ƒx,y berukuran M x N dan b gx, y berukuran 3x3 Maka hasil mekanisme proses metode ini pada titik x,y dapat ditulis dalam persamaan
2 :
, =
w
. , +
w
1
. − 1, − 1 +
w
2
. − 1, +
w
3
. − 1, + 1 +
w
4
. , + 1 +
w
5
. + 1, + 1 +
..........2 w
6
. + 1, +
w
7
. + 1, − 1 +
w
8
. , − 1
Pada metode ini, nilai intensitas setiap piksel diganti dengan rata-rata dari nilai intensitas piksel tersebut dengan tetangganya. Jumlah tetangga yang dilibatkan tergantung
pada matriks kernel yang digunakan. Metode Image Averaging dengan matriks kernel berukuran 5x5 dan memiliki nilai
M = 5, N = 5 dapat dilihat pada persamaan 3 sebagai berikut :
1 1
1 1 1
1 1
1 1 1
, =
1 25
1 1
1 1 1
…................3 1
1 1 1
1 1
1 1 1
1 Contoh perhitungan menggunakan metode Image Averaging, misalnya nilai
ƒx,y diambil dari sebuah citra dan gx, y berukuran 5x5 sebagai berikut :
W
1
W
2
W
3
W
8
W W
4
W
7
W
6
W
5
Universitas Sumatera Utara
Citra RGB 300 x 300 piksel
Intensitas piksel pada matriks 10 x 10 piksel
103 81
73 88 97
78 74
84 80 107
ƒ , = 56 52 56
62 100
52 44
40 67 92
55 55
70 95 109
x 1
1 1 1
1 1
1 1 1
1 , =
1 25
1 1
1 1 1
1 1
1 1 1
1 1
1 1 1
Universitas Sumatera Utara
Maka menggunakan persamaan 2 dan persamaan 3 diperoleh :
[1x103 + 1x81 + 1x73 + 1x88 + 1x97 + 1x78 + 1x74 + 1x84 + 1x80 + 1x107 + 1x56 + 1x52 + 1x56 + 1x62 +
dcedcedcd 1x100 + 1x52 + 1x44 + 1x40 + 1x67 + 1x92 + 1x55 + 1x55 +
gubhbhbuy 1x70 + 1x95 + 1x109]
h1, 1 = 25
h1, 1 = 74 Maka hasil konvolusi Image Averaging pada f1,1 adalah h1,1 = 74, sehingga nilai
intensitas piksel sebelumnya adalah 56 akan terganti dengan nilai intensitas piksel yaitu 74, sehingga diperoleh hasil citra yang memiliki intensitas piksel yang baru yaitu,
93 92
93 93
103 103
92 130
192 218
57 55
57 60
71 86
93 111
157 206
64 70
76 67
55 57
78 87
122 188
69 76
79 80
82 92
73 61
86 137
76 74
80 84
94 123
122 89
68 103
103 81
73 88
97 129
139 119
88 93
78 74
84 80
107 131
125 112
106 104
56 52
74 62
100 123
106 101
115 122
52 44
40 67
92 108
108 115
127 133
55 55
70 95
109 119
125 131
131 131
2.7 Mean Square Error MSE, Peak Signal to Noise Ratio PSNR