Artificial Intelligence Indra EHM

Image Processing

Image Processing atau pengolahan citra adalah bentuk dari pemrosesan informasi yang mana menerima input berupa citra atau gambar seperti foto ,frame atau video.Hasil output dari image processing tidaklah harus berupa image, tetapi dapat berupa bagian dari image tersebut.

Pengolahan citra ini juga bertujuan untuk memperbaiki citra awal, yang mungkin memiliki beberapa kerusakan yang terjadi sewaktu gambar diambil dengan menggunakan kamera atau scanner. Tetapi tujuan dari pengolahan citra ini tidaklah hanya untuk memperbaiki citra-citra yang rusak, tetapi untuk mengoptimalkan nilai dari sebuah citra.

Grayscale

Greyscale atau Grayscale adalah sebuah teknik yang digunakan dalam pengolahan citra untuk menghasilkan sebuah citra yang memiliki nilai dari putih yang memiliki intensitas paling besar sampai hitam yang memiliki intensitas paling rendah seperti yang terlihat pada gambar berikut.

Gambar diatas menunjukkan contoh skala yang digunakkan pada greyscale.

Greyscale sering sekali dipergunakan untuk menghitung intensitas cahaya pada sebuah gambar berwarna. Greyscale memiliki 256 intensitas pada gambar 8-bit yang dimulai dari nol(putih) sampai 255(hitam).Berikut kami tampilkan sebuah contoh gambar berwarna dengan gambar greyscale-nya.

Gambar diatas menunjukkan contoh gambar berwarna dan greyscale

Histogram

Salah satu cara untuk memperbaiki suatu citra digital adalah dengan mengatur level dari brightness dan contrast-nya. Pertama-tama, kami akan menggambarkan variasi-sebuah brightness pada suatu citra dengan menggunakan histogram citra tersebut dan bagaimana suatu citra dapat dimanipulasi dengan merubah histogram citra tersebut.

Histogram akan menempatkan beberapa piksel dengan brightness level mereka yang sesuai. Untuk piksel dengan ukuran level brightness sebesar 8-bit maka  brightness akan memiliki grey level yang berkisar antara nol(hitam) sampai 255(putih). Sehingga histogram yang memiliki nilai brightness yang lebih kecil akan terlihat lebih gelap dibandingkan dengan yang memiliki nilai lebih besar.

Gambar dibawah menunjukkan gambar sebuah ban mobil dengan histogramnya. Histogram  pada gambar tersebut menunjukkan bahwa tidak semua grey level yang ada dalam histogram terpakai. Dapat kita lihat bahwa histogram yang memiliki grey level dibawah 120 memiliki tingkat kegelapan yang lebih gelap, dimana warna gelap tersebut dimiliki oleh ban mobil dan bagian bawah mobil, serta bayangan mobil yang memiliki warna cenderung hitam.Disini juga terlihat bahwa apabila suatu gambar memiliki warna yang cenderung gelap maka secara keseluruhan histogram akan berkonsentrasi kearah kiri(hitam). Bandingkanlah gambar tersebut dengan gambar dibawahnya yang mana gambar tersebut adalah gambar yang sama, tetapi telah dinaikkan nilai brightness-nya. Sekarang histogram cenderung merata dan agak sedikit terkonsentrasi ke arah kanan(putih).

Gambar diatas menunjukkan sebuah ban mobil dan histogramnya

Gambar diatas menunjukkan ban mobil dan histogramnya setelah dinaikkan nilai brightness-nya.

Disini kita dapat melihat bahwa kita belum memakai seluruh dari grey level yang tersedia. Kita dapat menarik histogram citra tersebut sehingga semua grey level yang tersedia sepenuhnya terpakai, dan teknik itu akan menghasilkan citra yang lebih jelas.

Histogram ini juga dapat memperlihatkan kejanggalan bila didalam citra tersebut terdapat noise apabila histogram yang ideal telah kita ketahui. Sehingga kami dapat menghilangkan noise tersebut. Proses ini tidak hanya semata-mata kami lakukan untuk mendapatkan citra yang lebih baik,  tetapi juga untuk lebih memudahkan  tugas-tugas  kami dalam teknik-teknik pemprosesan citra selanjutnya.

Histogram normalisasi

Seperti yang sudah dibahas diatas bahwa pada histogram terdapat jarak yang berkisar antara nol(hitam) sampai 255(putih) dimana dari seluruh grey level  yang tersedia tidak semuanya terpakai dalam suatu histogram. Cara yang paling populer untuk menarik kisaran jarak intensitas suatu histogram adalah dengan cara histogram normalisasi. Dengan cara inilah histogram yang asli ditarik dan digeser untuk memenuhi seluruh dari 256 level yang tersedia(0-255).

Histogram dari citra awal adalah O diawali dari Omin  sampai Omax level brightness, kita dapat menaikkan skala citra sehingga piksel pada gambar yang baru N terdapat pada level output minimum Nmin sampai level maksimum Nmax, sehingga

(Mark Nixon & Alberto Aguado)

Histogram equalisation

Histogram equalisation adalah suatu proses non-linear yang bertujuan untuk memberikan nilai pencahayaan citra yang sesuai dengan analisis visual manusia. Histogram equalisation bertujuan untuk merubah citra, sehingga gambar yang dihasilkan memiliki histogram yang lebih merata, dimana bisa membuat semua level brightness suatu histogram dapat terpakai.

Untuk jarak dari suatu brightness level M, histogram menempatkan point untuk setiap levelnya dengan level. Dan untuk setiap input(citra awal) dan setiap output(citra baru), angka dari poin-poin per level dinotasikan sebagai O(l) dan N(l) (untuk 0 < l < M). Untuk image dengan betuk persegi(seperti pixel), terdapat N2 poin pada input dan output, maka jumlah poin per-levelnya sama dengan

Untuk mendapatkan image dengan histogram yang merata maka kita harus mengkumulatifkan level awal p untuk di transformasikan agar dapat memenuhi level akhir q pada histogram yang baru.Sehingga rumusnya menjadi:

Karena output dari histogram diharapkan merata, maka kumulatif histogram dengan level p haruslah merupakan rata-rata dari seluruh jumlah fraksi yang ada. Maka jumlah dari poin per level pada gambar baru merupakan rasio dari jumlah poin dengan jarak dari level gambar baru:

Sehingga histogram kumulatif dari gambar baru adalah :

Dengan menggabungkan rumus ini dengan rumus persamaan diatas, maka didapatkan :

Rumus ini dapat memetakan output piksel pada level q, dari input piksel pada level p dengan cara:

Dengan rumus ini kita dapat membuat suatu fungsi yang dapat menyediakan histogram dari gambar baru yang memiliki level merata.Fungsi ini dapat kita tentukan dengan cara menggunakan rumus diatas dan menggunakannya sebagai fungsi persamaan (E) dari level (q) dan memiliki gambar (O), sehingga didapat:

Maka gambar yang baru memiliki rumus :

Dengan cara ini kita dapat mendapatkan gambar dengan kualitas yang jauh lebih baik dibandingkan dengan gambar asalnya. Performa dari cara ini sungguh sangat meyakinkan sejak cara ini dapat memetakan gambar dengan baik sehingga sesuai dengan visualisasi mata manusia.

Thresholding

Thresholding adalah suatu proses yang digunakan untuk menghasilkan citra biner yaitu citra  dengan hanya dua warna, yaitu: hitam dan putih. Operator ini memilih piksel yang memiliki nilai tertentu, atau lingkup tertentu. Proses ini dapat dilakukan apabila kita telah mengetahui brightness level(atau contrast) dari gambar tersebut. Bentuk teknik Thresholding ada 2 macam, yaitu: Uniform Thresholding dan Adaptive Thresholding. Didalam uniform thresholding metode yang digunakan adalah dengan menentukan suatu batas level, yang nantinya akan dipergunakan untuk menentukan warna piksel. Piksel yang levelnya lebih dari threshold level akan dirubah menjadi putih, dan sebaliknya piksel yang levelnya ada di bawah dari level threshold akan dirubah menjadi hitam. Seperti yang ditampilkan pada gambar sebelah kiri berikut merupakan gambar original dan gambar sebelah kanan adalah hasil thresholding.

Pada gambar diatas ditunjukkan citra hasil thresholding dengan nilai threshold sebesar 128 dimana piksel-piksel yang memiliki nilai 128 keatas dirubah menjadi putih dan piksel yang bernilai 128 kebawah dirubah menjadi hitam.

Pada teknik thresholding, sebenarnya masih ada lagi teknik yang lebih lanjut, teknik ini dikenal dengan nama optimal thresholding.Teknik ini biasa digunakan untuk memisahkan suatu objek gambar dengan latar belakangnya.Teknik ini dapat melihat perbedaan intensitas yang terdapat pada latar belakang dan objek  sehingga dapat menentukan nilai sebuah threshold yang sesuai.

Gambar diatas merupakan sebuah contoh dari pengambilan nilai threshold pada optimal thresholding dengan menggunakan metode Otsu (Otsu, 1979). Metode ini adalah metode yang paling populer diantara semua metode thresholding yang ada. Teknik Otsu ini memaksimalkan kecocokan dari sebuah threshold sehingga dapat memisahkan objek dengan latar belakangnya.Semua ini didapatkan dengan memilih nilai threshold yang memberikan pembagian kelas yang terbaik untuk semua pixel yang ada didalam image. Dasarnya adalah dengan menggunakan histogram yang telah dinormalisasi dimana jumlah tiap poin pada setiap level dibagi dengan jumlah total poin pada image.

Gambar diatas menunjukkan hasil thresholding dengan metode Otsu

ref : dari berbagai sumber

Popularity: 57% | December 26th, 2008 | Tags: Computer Vision, Grayscale, Histogram, Histogram equalisation, Histogram normalisasi, Image Processing, Thresholding | Category: Computer Vision, Image Processing | Subscribe to comments | Leave a comment | Trackback URL