PRAKTIKUM EL3008 PENGOLAHAN CITRA DIGITAL MODUL 1 IMAGE ENHANCEMENT

Dalam bidang pengolahan citra, istilah citra mengacu pada suatu fungsi intensitas dalam bidang dua dimensi. Pemrosesan citra menggunakan komputer membutuhkan citra digital sebagai masukannya. Oleh karena itu, kita mengenal beberapa macam format citra digital, yang masing-masing memiliki format penyimpanan dan pembacaan data yang berbeda-beda. Dengan menggunakan toolbox image processing di Matlab, proses pembacaan citra dapat dilakukan dengan mudah, sebagaimana diperlihatkan oleh beberapa contoh berikut1: Windows Bitmap (*.bmp)
a=imread('taz_ref.bmp'); figure,imshow(a);

Joint Photographic Experts Group (*.jpg)

b=imread('oranges.jpg'); figure,imshow(b);

Tagged Image File Format (*.tif)

c=imread('saturn.tif'); figure,imshow(c);

Jumlah warna yang terdapat dalam suatu citra digital berkaitan erat dengan format data digital yang digunakan. Suatu citra 8 bit (misalnya pada format *.bmp 8-bit) dapat memiliki paling banyak 256 jenis warna di dalamnya. Sedangkan suatu citra 24 bit (misalnya pada format *.png 24-bit) memiliki 224 kombinasi data warna yang dapat ditampilkan. Suatu citra berwarna dapat dinyatakan dalam banyak cara. Salah satu metode yang paling populer adalah dengan menggunakan metode kanal RGB. Dalam format ini, suatu citra berwarna dinyatakan dalam bentuk gabungan dari tiga buah citra monochrome merah, hijau, dan biru yang berukuran sama. Warna dari setiap piksel citra digital bergantung pada kombinasi ketiga nilai intensitas piksel monochrome yang bersesuaian. Contoh program untuk mengekstraksi citra monochrome pada toolbox image processing di Matlab adalah sebagai berikut:
d=imread('flowers.tif'); figure, imshow(d); dR=d(:,:,1); figure,imshow(dR),title('Kanal Merah'); dG=d(:,:,2); figure,imshow(dG),title('Kanal Hijau'); dB=d(:,:,3); figure,imshow(dB),title('Kanal Biru ');

Teknik image enhancement digunakan untuk meningkatkan kualitas suatu citra digital, baik dalam tujuan untuk menonjolkan suatu ciri tertentu dalam citra tersebut, maupun untuk memperbaiki aspek tampilan. Proses ini biasanya didasarkan pada prosedur yang bersifat eksperimental, subjektif, dan amat bergantung pada tujuan yang hendak dicapai.

File-file citra yang digunakan dalam modul ini dapat diperoleh di http://biomed.ee.itb.ac.id

1.

Operasi Titik
Operasi titik dalam image enhancement dilakukan dengan memodifikasi histogram citra masukan agar sesuai dengan karakteristik yang diharapkan. Histogram dari suatu citra adalah grafik yang menunjukkan distribusi frekuensi dari nilai intensitas piksel dalam citra tersebut. Berikut adalah contoh perintah untuk menampilkan histogram:
I=imread('rice.tif'); figure,imshow(I); figure,imhist(I);

Beberapa teknik image enhancement melalui operasi titik antara lain adalah intensity adjustment (termasuk brightening dan darkening), histogram equalization, dan thresholding. Intensity Adjustment Intensity adjusment bekerja dengan cara melakukan pemetaan linear terhadap nilai intensitas pada histogram awal menjadi nilai intensitas pada histogram yang baru. Perintah umum untuk melakukan pemetaan linear tersebut adalah:
J = imadjust(I,[low_in,high_in),[low_out,high_out])

dimana :
low_in high_in

merupakan nilai intensitas yang akan dipetakan sebagai low_out merupakan nilai intensitas yang akan dipetakan sebagai high_out

Contoh: Citra rice.tif di samping memiliki nilai kekontrasan yang rendah. Berdasarkan histogramnya, dapat diketahui bahwa citra ini tidak memiliki piksel dengan intensitas di bawah 40 dan di atas 225. Untuk memperbaikinya, kita dapat memetakan histogram secara linear sehingga diperoleh sebuah citra baru yang memiliki rentang histogram antara 0 hingga 255. Perintah untuk melakukan intensity adjustment:
I=imread('rice.tif'); J=imadjust(I,[0.15 0.9],[0 1]); figure,imshow(I); figure,imhist(I); figure,imshow(J); figure,imhist(J);

Histogram Equalization Teknik histogram equalization bertujuan untuk menghasilkan suatu citra keluaran yang memiliki nilai histogram yang relatif sama. Contoh perintah untuk melakukan histogram equalization:
I=imread('rice.tif'); J=histeq(I); figure,imshow(I); figure,imhist(I); figure,imshow(J); figure,imhist(J);

Thresholding Thresholding merupakan proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1. Contoh perintah untuk melakukan thresholding:
I=imread('rice.tif'); J=im2bw(I,0.4); K=im2bw(I,0.5); figure,imshow(I); figure,imhist(I); figure,imshow(J); figure,imshow(K);

2.

Operasi Spasial

Operasi spasial dalam pengolahan citra digital dilakukan melalui penggunaan suatu kernel konvolusi 2-dimensi. Beberapa metode image enhancement yang termasuk dalam keluarga ini adalah neighborhood averaging, median filtering, dan high-pass filtering. Neighborhood Averaging Pada prinsipnya, filter yang digunakan dalam neighborhood averaging merupakan salah satu jenis low-pass filter, yang bekerja dengan cara mengganti nilai suatu piksel pada citra asal dengan nilai rata-rata dari piksel tersebut dan lingkungan tetangganya. Contoh perintah untuk melakukan neighborhood averaging dengan kernel berukuran 33:
I=imread('eight.tif'); kernel=[1 1 1;1 1 1;1 1 1]/9; J=uint8(conv2(double(I),kernel,'same')); figure,imshow(I); figure,imshow(J);

Salah satu persoalan pada penggunaan neighborhood averaging adalah apabila citra masukan telah terkontaminasi noise, sebagaimana diperlihatkan oleh contoh berikut:
I=imread('eight.tif'); IN=imnoise(I,'salt & pepper',0.02); kernel=[1 1 1;1 1 1;1 1 1]/9; J =uint8(conv2(double(I ),kernel,'same')); JN=uint8(conv2(double(IN),kernel,'same')); figure,imshow(I); figure,imshow(J); figure,imshow(IN); figure,imshow(JN);

Median Filtering Median filter merupakan salah satu jenis low-pass filter, yang bekerja dengan mengganti nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan lingkungan tetangganya. Dibandingkan dengan neighborhood averaging, filter ini lebih tidak sensitif terhadap perbedaan intensitas yang ekstrim.

Contoh perintah untuk melakukan median filtering dengan kernel berukuran 33:
I=imread('eight.tif'); IN=imnoise(I,'salt & pepper',0.02); J=medfilt2(I,[3 3]); JN=medfilt2(IN,[3 3]); figure,imshow(I); figure,imshow(J); figure,imshow(IN); figure,imshow(JN);

High-pass Filtering Sebagaimana pada proses pengolahan sinyal satu dimensi, high-pass filter dua dimensi akan melewatkan komponen citra frekuensi tinggi dan meredam komponen citra frekuensi rendah. Contoh perintah untuk melakukan high-pass filtering:
I=imread('saturn.tif'); hpf1=[ 1 -2 1;-2 5 -2; 1 -2 1]; hpf2=[ 0 -1 0;-1 5 -1; 0 -1 0]; hpf3=[-1 -1 -1;-1 9 -1;-1 -1 -1]; J1=uint8(conv2(double(I),hpf1,'same')); J2=uint8(conv2(double(I),hpf2,'same')); J3=uint8(conv2(double(I),hpf3,'same')); figure,imshow(I); figure,imshow(J1); figure,imshow(J2); figure,imshow(J3);

3.

Operasi Transformasi

Berbeda dengan beberapa metode yang telah dibahas sebelumnya, proses image enhancement berbasis transformasi citra dilakukan dengan: a. mentransformasi citra asal ke dalam domain yang sesuai bagi proses enhancement b. melakukan proses enhancement pada domain tersebut c. mengembalikan citra ke dalam domain spasial untuk ditampilkan/diproses lebih lanjut Salah satu metode transformasi yang paling populer dalam aplikasi pengolahan citra digital adalah Fast Fourier Transform (FFT). Transformasi ini memindahkan informasi citra dari domain spasial ke dalam domain frekuensi, yaitu dengan merepresentasikan citra spasial sebagai suatu penjumlahan eksponensial kompleks dari beragam frekuensi, magnituda, dan fasa. Contoh perintah untuk melakukan low-pass filtering dan high-pass filtering melalui FFT adalah:
I=imread('cameraman.tif'); IF=fft2(double(I)); mask_high=double(imread('maskpojok.bmp')); mask_low =1-mask_high; IFH= (IF.*mask_high); IFL= (IF.*mask_low ); hasil_high=abs(ifft2(IFH)); hasil_low =abs(ifft2(IFL)); figure,imagesc(I) ,colormap figure,imagesc(log(abs(IF +1)),[0 17]),colormap figure,imagesc(hasil_high) ,colormap figure,imagesc(log(abs(IFH+1)),[0 17]),colormap figure,imagesc(hasil_low ) ,colormap figure,imagesc(log(abs(IFL+1)),[0 17]),colormap

gray,colorbar,axis hot ,colorbar,axis gray,colorbar,axis hot ,colorbar,axis gray,colorbar,axis hot ,colorbar,axis

image; image; image; image; image; image;

Pada contoh program tersebut, proses filtering dilakukan melalui masking terhadap komponen frekuensi yang ditentukan. Agar tercipta karakteristik high-pass filter, maka komponen frekuensi rendah (koefisien frekuensi yang berada pada bagian pojok dari citra hasil FFT) di-masking menggunakan nilai 0. Demikian pula sebaliknya untuk memunculkan sifat low-pass filter, komponen frekuensi tinggi (koefisien frekuensi yang berada pada bagian tengah dari citra hasil FFT) dibuat menjadi 0 melalui perkalian dengan mask low-pass.

mask high-pass

mask low-pass

4.

Tugas
Operasi Titik Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.
I=imread('rice.tif'); J=imadjust(I,[0.15 0.9],[1 0]); figure,imshow(I); figure,imhist(I); figure,imshow(J); figure,imhist(J);

Operasi Spasial Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.
I=double(imread('saturn.tif')); kernel=[1 1 1;1 1 1;1 1 1]/9; J=conv2(I,kernel,'same'); K=I-J; figure,imagesc(I),colormap('gray'),colorbar('vert'); figure,imagesc(J),colormap('gray'),colorbar('vert'); figure,imagesc(K),colormap('gray'),colorbar('vert');

Operasi Transformasi Jalankan program berikut dan berikan analisis atas hasil yang diperoleh.2
I =imread('segitiga.bmp'); F =fft2(double(I )); IF=fliplr(I); FF=fft2(double(IF)); IR=rot90 (I); FR=fft2(double(IR)); figure,imagesc(I) ,colormap gray,colorbar,axis figure,imagesc(log(abs(F )+1)),colormap hot ,colorbar,axis figure,imagesc(IF) ,colormap gray,colorbar,axis figure,imagesc(log(abs(FF)+1)),colormap hot ,colorbar,axis figure,imagesc(IR) ,colormap gray,colorbar,axis figure,imagesc(log(abs(FR)+1)),colormap hot ,colorbar,axis

image; image; image; image; image; image;

Gunakan file segitiga.bmp sebagai citra masukan. Pastikan terlebih dahulu agar file tersebut telah berada di direktori kerja yang digunakan.

Studi Kasus Image enhancement pada dasarnya merupakan proses yang bersifat subjektif, sehingga parameter keberhasilannya bersifat subjektif pula. Namun demikian, apabila terdapat suatu citra referensi yang merepresentasikan hasil image enhancement yang diinginkan, pengukuran keberhasilan prosedur image enhancement secara kuantitatif dapat dilakukan melalui perhitungan nilai parameter MSE (Mean Squared Error) sebagai berikut:
M N

1 MSE ( I ENC I ORG ) 2 MN i 1 j 1

a. Untuk citra yang terkontaminasi noise berikut (gambar sebelah kiri), lakukanlah prosedur image enhancement sehingga diperoleh hasil yang paling mendekati citra referensi yang bersesuaian (gambar sebelah kanan)3. Prosedur image enhancement yang dilakukan dapat merupakan gabungan dari berbagai metode image enhancement yang tersedia.

citra yang hendak di-enhance

citra referensi

b. Tuliskan langkah-langkah image enhancement yang memberikan hasil optimum dalam sebuah m-file. Prosedur image enhancement yang optimum adalah langkah-langkah yang menghasilkan keluaran citra dengan nilai MSE paling rendah. Perhitungan nilai MSE antara citra yang telah di-enhance dengan citra referensi dapat dilakukan melalui program hitungmse.m berikut:
%HITUNGMSE Fungsi untuk menghitung nilai MSE dari dua buah citra function NilaiMSE=HitungMSE(Citra,CitraRef); [tinggi,lebar]=size(Citra); NilaiSSE=sum(sum((double(Citra)-double(CitraRef)).^2)); NilaiMSE=NilaiSSE/tinggi/lebar;

Dengan menggunakan file hitungmse.m tersebut, perhitungan MSE dapat dilakukan dari command window melalui perintah:
nilai_mse = hitungmse(citra,citra_referensi)

Gunakan file taz_noise.bmp sebagai citra yang akan di-enhance, dan file taz_ref.bmp sebagai citra referensi.