Institutional Repository | Satya Wacana Christian University: Penyusunan Pedoman Praktikum untuk Mata Kuliah Pengolahan Citra Digital Menggunakan Bahasa Pemrogaman C++ dan Pustaka Opencv T1 612008080 BAB II
BAB II
DASAR TEORI
Pada bab ini akan dibahas teori yang berkaitan dengan skripsi ini, meliputi pustaka
OpenCV, citra, yaitu citra grayscale dan citra berwarna, pengolahan citra meliputi image
enhancement dan image restoration, serta pengujian pedoman praktikum meliputi
kuisioner dan skala Likert.
2.1. Pustaka OpenCV
Open Source Computer Vision (OpenCV) adalah sebuah pustaka yang dikembangkan
oleh Intel dengan berbasis bahasa pemrograman C/C++ [5]. Pustaka OpenCV bersifat open
source [4] (terbuka) artinya, semua orang dapat mengakses dan melakukan modifikasi atau
penyesuaian terhadap sistem di dalamnya sesuai dengan kebutuhan. Pustaka ini dapat
diunduh di situs resmi OpenCV, www.opencv.org.
Pustaka OpenCV diaplikasikan dengan menggunakan sebuah compiler di dalam
sebuah Operating System (OS). Saat ini pustaka OpenCV dapat digunakan di dalam
berbagai OS seperti Windows, Linux, dan Android [6]. Dalam pedoman praktikum ini
akan dibahas dengan OS Windows XP yang dijalankan menggunakan compiler Microsoft
Visual Studio C++ 2010 Ultimate.
Berdasarkan dokumentasinya, pustaka OpenCV tersusun oleh pustaka CV, CXCORE,
Machine Learning (ML), CVCam, Haartraining, dan HighGui [6].
CV
Dokumentasi CV berisi pengolahan citra, analisis struktur citra, motion dan tracking,
pengenalan pola, dan kalibrasi kamera.
CXCORE
Dokumentasi CXCORE berisi struktur data, aljabar matriks, transformasi data, object
persistence, pengaturan memori, penanganan error , dan image code dynamic
loading.
ML (Machine Learning)
Dokumentasi ML berisi pengelompokan, klasifikasi, dan fungsi analisis.
5
HighGui
Dokumentasi HighGui berisi antarmuka pengguna GUI, penyimpanan citra atau
video dan pemanggilan ulang suatu data.
CVCam
Dokumentasi CVCam berisi antar muka kamera.
Haartraining
Dokumentasi Haartraining berisi pelatihan untuk object detector boosted cascade .
Berdasarkan strukturnya, pustaka OpenCV terstruktur dari 5 komponen yaitu CV, ML,
HighGui, CXCORE dan CVAux [6]. Bagan strukturnya dapat dilihat pada Gambar 2.1 di
bawah ini. Pada bagan di Gambar 2.1 tidak terdapat komponen CVAux. Hal itu karena
CVAux merupakan komponen yang berisi daerah-daerah tertutup dan algoritma-algoritma
eksperimen.
CV
ML
HIGHGUI
Image
Processing and
Vision
Algorithms
Statistical
Classifiers
and
Clustering Tools
GUI Image
And
Video I/O
CXCORE
Basic Structures and Algorithms, XML Support,
and Drawing Function
Gambar 2.1. Struktur OpenCV.
Menurut Bradsky dan Kaehler dalam bukunya “ Learning OpenCV Computer Vision
with OpenCV Library”, berdasarkan struktur dan dokumentasinya OpenCV terdiri dari
pustaka-pustaka berisi fungsi-fungsi, pustaka-pustaka tersebut adalah :
6
Opencv_core
: pustaka ini berisi fungsi-fungsi inti dari pustaka OpenCV,
beberapa bagian struktur data dasar dan fungsi aritmatika.
Opencv_imgproc
: pustaka ini berisi fungsi-fungsi utama pengolahan citra.
Opencv_highgui
: pustaka ini berisi fungsi-fungsi untuk membaca dan menulis
serta menampilkan citra atau video dalam fungsi antarmuka
dengan pengguna lain.
Opencv_features2d
: pustaka ini berisi fungsi-fungsi detektor dan deskripsi fitur titik
serta kerangka (framework) matching feature.
Opencv_calib3d
: pustaka ini berisi fungsi-fungsi kalibrasi kamera, dan estimasi
geometri dua background.
Opencv_video
: pustaka ini berisi fungsi-fungsi estimasi gerak, pelacakan fitur,
dan pelacakan kelas dan latar depan.
Opencv_objdetect
: pustaka ini berisi fungsi-fungsi deteksi objek, seperti deteksi
wajah dan orang.
Selain modul-modul di atas, pustaka OpenCV juga memiliki modul-modul lain, yaitu
yang berisi fungsi-fungsi machine learning (opencv_ml), algoritma geometri komputasi
(opencv_flann), kontribusi kode (opencv_contrib), absolete code (opencv_legacy),
dan accelerated GPU code (opencv_gpu). Semua modul di OpenCV ini memiliki file
header yang terletak di directory include .
2.2. Citra
Citra merupakan kuantisasi nilai-nilai grayscale yang direpresentasikan pada sebuah
matriks atau array, dimana tiap nilai baris maupun kolom dari array, tersebut merupakan
koordinat dari tiap piksel [7] dengan kata lain tiap titik atau piksel dari sebuah citra
direpresentasikan oleh tiap nilai dari tiap array dengan baris dan kolom tertentu suatu citra
dengan resolusi 256 × 256 piksel akan direpresentasikan ke dalam sebuah matriks atau
array dengan jumlah 256 baris dan 256 kolom. Representasi matriks tersebut dapat dilihat
pada Gambar 2.2.
7
Gambar 2.2. Representasi Citra [7].
2.2.1. Citra Grayscale
Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu yang
merupakan variasi dari warna hitam untuk bagian dengan intensitas terlemah dan warna
putih pada intensitas terkuat [8]. Citra grayscale berbeda dengan citra hitam-putih, dimana
citra hitam putih hanya terdiri atas 2 warna saja yaitu hitam dan putih saja.
Citra grayscale disimpan dalam format 8 bit untuk setiap sampel piksel, yang
memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman
karena manipulasi bit yang dimilikinya tidak terlalu banyak [8]. Untuk mengubah citra
berwarna yang mempunyai nilai matrik masing-masing R, G, dan B menjadi citra
grayscale dengan nilai X, maka konversi dapat dilakukan dengan mengambil rata-rata
dari nilai R, G, dan B. Persamaan (1) merupakan persamaan untuk merepresentasikan hal
tersebut.
X = (R + G + B) / 3
(1)
2.2.2. Citra Berwarna
Citra merupakan suatu representasi, kemiripan atau imitasi dari suatu objek atau
benda. Citra dalam komputer berupa sekumpulan piksel dimana setiap triplet terdiri atas
variasi tingkat keterangan (brightness) dari elemen red, green, dan blue. Triplet terdiri dari
3 angka yang mengatur intensitas dari red (R), green (G), dan blue (B). Suatu triplet
dengan nilai 67, 228, dan 180 berarti mengeset nilai R ke nilai 67, G ke nilai 228, dan B ke
nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format
8
.bmp citra setiap piksel direpresentasikan dengan 24 bit, yaitu 8 bit untuk R, 8 bit untuk G,
dan 8 bit untuk B [8].
2.3. Pengolahan Citra Digital
2.3.1. Image Enhancement
Image Enhancement adalah proses peningkatan mutu citra yang bertujuan untuk
memperoleh citra yang dapat memberikan informasi sesuai dengan tujuan atau kepentingan
pengolahan citra. Proses peningkatan mutu citra ini termasuk memperbaiki citra yang
mengalami gangguan signifikan seperti noise, gangguan geometris, radiometrik dan
beberapa gangguan faktor alam lainnya [9]. Suatu metode pendekatan peningkatan mutu
citra yang terbaik untuk satu implementasi belum tentu baik untuk implementasi lainnya,
sebab karakteristik citra dapat saling berbeda menunjukkan proses peningkatan citra.
Secara umum domain dalam pengingkatan mutu citra ini dapat dilakukan secara
spasial (spatial filtering ) dan frekuensi (frequency domain). Spatial filtering dilakukan
dengan memanipulasi nilai piksel secara langsung yang dipengaruhi oleh nilai piksel
lainnya secara spasial sedangkan frequency domain berdasarkan frekuensi spektrum citra.
Terdapat beberapa teknik peningkatan mutu citra yang merupakan kombinasi dari dua
kategori ini. Peningkatan mutu citra dapat dikaitkan dengan metode Filtering, dimana citra
tersebut di-filter untuk mendapatkan citra yang lebih baik.
2.3.2. Image Restoration
Image restoration adalah pengolahan citra yang bertujuan untuk meningkatkan
kualitas atau mengembalikan kualitas citra [10]. Secara umum perbedaan antara image
enhancement dengan image restoration ialah pada image enhancement merupakan proses
pengolahan peningkatan kualitas citra dimana penilaian terhadap suatu citra sangat
subyektif atau ditentukan oleh penilaian manusia. Sedangkan pada image restoration
penilaian sangat obyektif yaitu berdasarkan penentuan standar umum matematis ( signal to
noise). Proses image restoration ialah dengan dilakukan pemodelan degradasi dan
melakukan inverse dari model degradasi terhadap citra sehingga di dapat citra asli. Proses
tersebut dapat dilihat dalam bagan pada gambar di bawah ini [10].
9
Degradation
Function
H
Restoration
Filter (s)
+
Noise
Degradation
̂
Restoration
Gambar 2.3. Bagan proses restorasi [7].
= citra sebelum terdegradasi
= citra terdegradasi
= noise
̂
= citra hasil restorasi
2.4. Pengujian Pedoman Praktikum
2.4.1. Kuisioner
Kuisioner adalah sebuah media yang digunakan untuk memperoleh data dalam
sebuah penelitian [11]. Kuisioner ini berupa pernyataan-pernyataan yang diberikan kepada
responden, dalam hal ini adalah mahasiswa. Tujuannya adalah untuk mengukur sejauh
mana pedoman praktikum yang dibuat dapat membantu mahasiswa untuk memahami
materi yang diajarkan dalam perkuliahan, kesesuaian pedoman praktikum dengan materi
dalam perkuliahan, kesesuaian pedoman terhadap tugas-tugas yang diberikan, dan sejauh
mana pedoman praktikum yang telah disusun dapat dipahami oleh mahasiswa.
2.4.2. Skala Likert
Kuisioner ini menggunakan skala Likert, yaitu suatu sistem penskalaan untuk
menghitung respon dari suatu responden. Sistem ini biasanya diskalakan dengan 5 pilihan,
yaitu : sangat setuju, setuju, netral, tidak setuju, dan sangat tidak setuju. Namun bisa juga
diskalakan menjadi 4 pilihan saja, yaitu : sangat setuju, setuju, tidak setuju, dan sangat
tidak setuju. Kuisioner ini akan dibuat akan dengan menggunakan skala Likert yang
diskalakan menjadi 4 pilihan.
10
DASAR TEORI
Pada bab ini akan dibahas teori yang berkaitan dengan skripsi ini, meliputi pustaka
OpenCV, citra, yaitu citra grayscale dan citra berwarna, pengolahan citra meliputi image
enhancement dan image restoration, serta pengujian pedoman praktikum meliputi
kuisioner dan skala Likert.
2.1. Pustaka OpenCV
Open Source Computer Vision (OpenCV) adalah sebuah pustaka yang dikembangkan
oleh Intel dengan berbasis bahasa pemrograman C/C++ [5]. Pustaka OpenCV bersifat open
source [4] (terbuka) artinya, semua orang dapat mengakses dan melakukan modifikasi atau
penyesuaian terhadap sistem di dalamnya sesuai dengan kebutuhan. Pustaka ini dapat
diunduh di situs resmi OpenCV, www.opencv.org.
Pustaka OpenCV diaplikasikan dengan menggunakan sebuah compiler di dalam
sebuah Operating System (OS). Saat ini pustaka OpenCV dapat digunakan di dalam
berbagai OS seperti Windows, Linux, dan Android [6]. Dalam pedoman praktikum ini
akan dibahas dengan OS Windows XP yang dijalankan menggunakan compiler Microsoft
Visual Studio C++ 2010 Ultimate.
Berdasarkan dokumentasinya, pustaka OpenCV tersusun oleh pustaka CV, CXCORE,
Machine Learning (ML), CVCam, Haartraining, dan HighGui [6].
CV
Dokumentasi CV berisi pengolahan citra, analisis struktur citra, motion dan tracking,
pengenalan pola, dan kalibrasi kamera.
CXCORE
Dokumentasi CXCORE berisi struktur data, aljabar matriks, transformasi data, object
persistence, pengaturan memori, penanganan error , dan image code dynamic
loading.
ML (Machine Learning)
Dokumentasi ML berisi pengelompokan, klasifikasi, dan fungsi analisis.
5
HighGui
Dokumentasi HighGui berisi antarmuka pengguna GUI, penyimpanan citra atau
video dan pemanggilan ulang suatu data.
CVCam
Dokumentasi CVCam berisi antar muka kamera.
Haartraining
Dokumentasi Haartraining berisi pelatihan untuk object detector boosted cascade .
Berdasarkan strukturnya, pustaka OpenCV terstruktur dari 5 komponen yaitu CV, ML,
HighGui, CXCORE dan CVAux [6]. Bagan strukturnya dapat dilihat pada Gambar 2.1 di
bawah ini. Pada bagan di Gambar 2.1 tidak terdapat komponen CVAux. Hal itu karena
CVAux merupakan komponen yang berisi daerah-daerah tertutup dan algoritma-algoritma
eksperimen.
CV
ML
HIGHGUI
Image
Processing and
Vision
Algorithms
Statistical
Classifiers
and
Clustering Tools
GUI Image
And
Video I/O
CXCORE
Basic Structures and Algorithms, XML Support,
and Drawing Function
Gambar 2.1. Struktur OpenCV.
Menurut Bradsky dan Kaehler dalam bukunya “ Learning OpenCV Computer Vision
with OpenCV Library”, berdasarkan struktur dan dokumentasinya OpenCV terdiri dari
pustaka-pustaka berisi fungsi-fungsi, pustaka-pustaka tersebut adalah :
6
Opencv_core
: pustaka ini berisi fungsi-fungsi inti dari pustaka OpenCV,
beberapa bagian struktur data dasar dan fungsi aritmatika.
Opencv_imgproc
: pustaka ini berisi fungsi-fungsi utama pengolahan citra.
Opencv_highgui
: pustaka ini berisi fungsi-fungsi untuk membaca dan menulis
serta menampilkan citra atau video dalam fungsi antarmuka
dengan pengguna lain.
Opencv_features2d
: pustaka ini berisi fungsi-fungsi detektor dan deskripsi fitur titik
serta kerangka (framework) matching feature.
Opencv_calib3d
: pustaka ini berisi fungsi-fungsi kalibrasi kamera, dan estimasi
geometri dua background.
Opencv_video
: pustaka ini berisi fungsi-fungsi estimasi gerak, pelacakan fitur,
dan pelacakan kelas dan latar depan.
Opencv_objdetect
: pustaka ini berisi fungsi-fungsi deteksi objek, seperti deteksi
wajah dan orang.
Selain modul-modul di atas, pustaka OpenCV juga memiliki modul-modul lain, yaitu
yang berisi fungsi-fungsi machine learning (opencv_ml), algoritma geometri komputasi
(opencv_flann), kontribusi kode (opencv_contrib), absolete code (opencv_legacy),
dan accelerated GPU code (opencv_gpu). Semua modul di OpenCV ini memiliki file
header yang terletak di directory include .
2.2. Citra
Citra merupakan kuantisasi nilai-nilai grayscale yang direpresentasikan pada sebuah
matriks atau array, dimana tiap nilai baris maupun kolom dari array, tersebut merupakan
koordinat dari tiap piksel [7] dengan kata lain tiap titik atau piksel dari sebuah citra
direpresentasikan oleh tiap nilai dari tiap array dengan baris dan kolom tertentu suatu citra
dengan resolusi 256 × 256 piksel akan direpresentasikan ke dalam sebuah matriks atau
array dengan jumlah 256 baris dan 256 kolom. Representasi matriks tersebut dapat dilihat
pada Gambar 2.2.
7
Gambar 2.2. Representasi Citra [7].
2.2.1. Citra Grayscale
Citra yang ditampilkan dari citra jenis ini terdiri atas warna abu-abu yang
merupakan variasi dari warna hitam untuk bagian dengan intensitas terlemah dan warna
putih pada intensitas terkuat [8]. Citra grayscale berbeda dengan citra hitam-putih, dimana
citra hitam putih hanya terdiri atas 2 warna saja yaitu hitam dan putih saja.
Citra grayscale disimpan dalam format 8 bit untuk setiap sampel piksel, yang
memungkinkan sebanyak 256 intensitas. Format ini sangat membantu dalam pemrograman
karena manipulasi bit yang dimilikinya tidak terlalu banyak [8]. Untuk mengubah citra
berwarna yang mempunyai nilai matrik masing-masing R, G, dan B menjadi citra
grayscale dengan nilai X, maka konversi dapat dilakukan dengan mengambil rata-rata
dari nilai R, G, dan B. Persamaan (1) merupakan persamaan untuk merepresentasikan hal
tersebut.
X = (R + G + B) / 3
(1)
2.2.2. Citra Berwarna
Citra merupakan suatu representasi, kemiripan atau imitasi dari suatu objek atau
benda. Citra dalam komputer berupa sekumpulan piksel dimana setiap triplet terdiri atas
variasi tingkat keterangan (brightness) dari elemen red, green, dan blue. Triplet terdiri dari
3 angka yang mengatur intensitas dari red (R), green (G), dan blue (B). Suatu triplet
dengan nilai 67, 228, dan 180 berarti mengeset nilai R ke nilai 67, G ke nilai 228, dan B ke
nilai 180. Angka-angka RGB ini yang seringkali disebut dengan color values. Pada format
8
.bmp citra setiap piksel direpresentasikan dengan 24 bit, yaitu 8 bit untuk R, 8 bit untuk G,
dan 8 bit untuk B [8].
2.3. Pengolahan Citra Digital
2.3.1. Image Enhancement
Image Enhancement adalah proses peningkatan mutu citra yang bertujuan untuk
memperoleh citra yang dapat memberikan informasi sesuai dengan tujuan atau kepentingan
pengolahan citra. Proses peningkatan mutu citra ini termasuk memperbaiki citra yang
mengalami gangguan signifikan seperti noise, gangguan geometris, radiometrik dan
beberapa gangguan faktor alam lainnya [9]. Suatu metode pendekatan peningkatan mutu
citra yang terbaik untuk satu implementasi belum tentu baik untuk implementasi lainnya,
sebab karakteristik citra dapat saling berbeda menunjukkan proses peningkatan citra.
Secara umum domain dalam pengingkatan mutu citra ini dapat dilakukan secara
spasial (spatial filtering ) dan frekuensi (frequency domain). Spatial filtering dilakukan
dengan memanipulasi nilai piksel secara langsung yang dipengaruhi oleh nilai piksel
lainnya secara spasial sedangkan frequency domain berdasarkan frekuensi spektrum citra.
Terdapat beberapa teknik peningkatan mutu citra yang merupakan kombinasi dari dua
kategori ini. Peningkatan mutu citra dapat dikaitkan dengan metode Filtering, dimana citra
tersebut di-filter untuk mendapatkan citra yang lebih baik.
2.3.2. Image Restoration
Image restoration adalah pengolahan citra yang bertujuan untuk meningkatkan
kualitas atau mengembalikan kualitas citra [10]. Secara umum perbedaan antara image
enhancement dengan image restoration ialah pada image enhancement merupakan proses
pengolahan peningkatan kualitas citra dimana penilaian terhadap suatu citra sangat
subyektif atau ditentukan oleh penilaian manusia. Sedangkan pada image restoration
penilaian sangat obyektif yaitu berdasarkan penentuan standar umum matematis ( signal to
noise). Proses image restoration ialah dengan dilakukan pemodelan degradasi dan
melakukan inverse dari model degradasi terhadap citra sehingga di dapat citra asli. Proses
tersebut dapat dilihat dalam bagan pada gambar di bawah ini [10].
9
Degradation
Function
H
Restoration
Filter (s)
+
Noise
Degradation
̂
Restoration
Gambar 2.3. Bagan proses restorasi [7].
= citra sebelum terdegradasi
= citra terdegradasi
= noise
̂
= citra hasil restorasi
2.4. Pengujian Pedoman Praktikum
2.4.1. Kuisioner
Kuisioner adalah sebuah media yang digunakan untuk memperoleh data dalam
sebuah penelitian [11]. Kuisioner ini berupa pernyataan-pernyataan yang diberikan kepada
responden, dalam hal ini adalah mahasiswa. Tujuannya adalah untuk mengukur sejauh
mana pedoman praktikum yang dibuat dapat membantu mahasiswa untuk memahami
materi yang diajarkan dalam perkuliahan, kesesuaian pedoman praktikum dengan materi
dalam perkuliahan, kesesuaian pedoman terhadap tugas-tugas yang diberikan, dan sejauh
mana pedoman praktikum yang telah disusun dapat dipahami oleh mahasiswa.
2.4.2. Skala Likert
Kuisioner ini menggunakan skala Likert, yaitu suatu sistem penskalaan untuk
menghitung respon dari suatu responden. Sistem ini biasanya diskalakan dengan 5 pilihan,
yaitu : sangat setuju, setuju, netral, tidak setuju, dan sangat tidak setuju. Namun bisa juga
diskalakan menjadi 4 pilihan saja, yaitu : sangat setuju, setuju, tidak setuju, dan sangat
tidak setuju. Kuisioner ini akan dibuat akan dengan menggunakan skala Likert yang
diskalakan menjadi 4 pilihan.
10