Date post: | 06-Jul-2018 |
Category: |
Documents |
Upload: | nekolavigne |
View: | 229 times |
Download: | 0 times |
of 39
8/17/2019 01 Pengenalan Citra Digital
1/39
P E R T E
M U A
N 1
P E N G
E N A
L A N C I T R A
D I G I T A
L
Y U L I A N
A M E L I T A
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 1
8/17/2019 01 Pengenalan Citra Digital
2/39
MENYATAKAN CITRA DALAM FUNGSI
• Citra dapat dinyatakan dalam fungsi intensitas: I(x,y)
• Daerah gelap rendah (hitam/0), daerah terang tinggi (putih/255)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 2
8/17/2019 01 Pengenalan Citra Digital
3/39
SAMPLING & QUANTIZATION
• Sampling adalah proses mapping fungsi kontinyu ke
diskrit
Quantization adalah proses mapping variael kontinyu ke
diskrit
• Citra harus mengalami sampling ! "uanti#ation agardapat diproses dengan komputer yang ersifat diskrit
(proses digitalisasi)
• Citra yang ditangkap oleh kamera dan telah dikuantisasi
dalam entuk nilai diskrit diseut seagai $itra digital%
• Citra digital dapat dinyatakan seagai suatu fungsi dua
dimensi f(&,y), dimana & dan y adalah posisi koordinat,
sedangkan f menun'ukkan intensitas arna%
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 3
8/17/2019 01 Pengenalan Citra Digital
4/39
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 4
SAMPLING & QUANTIZATION
8/17/2019 01 Pengenalan Citra Digital
5/39
HASIL SAMPLING & QUANTIZATION
• U!"#$ %#'(#) *+"%-)!%(. #/#)# #%() %#)($
• C-)-" /' *+# 4#"$#. #/#)# #/#)# #%()
5!#$'(6#'(-$
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 5
f(0,0) f(0,1) ... f(0,M-1)
f(1,0) f(1,1) ... f(1,M-1)
f(x,y)= ... ... ...
... ... ...
f(N-1,0) f(N-1,1) ... f(N-1,M-1)
8/17/2019 01 Pengenalan Citra Digital
6/39
CONTOH PERBEDAAN SPATIAL
RESOLUTION
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 6
25 & 25 *2+ & *2+ &
*&*
-etika suatu image di perke$il, ada
informasi yang hilang% -etikaimage terseut dikemalikan ke
ukuran asalnya, maka image
men'adi rusak%
8/17/2019 01 Pengenalan Citra Digital
7/39
CONTOH PERBEDAAN COLOR DEPTH
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 7
2 its 25 arna arna
* arna arna grays$ale
8/17/2019 01 Pengenalan Citra Digital
8/39
KEDALAMAN 7ARNA *COLOR DEPTH.
• C-)-" D' + )8#" 9 '($( 9 :!)# 8(' " ()
• A# #%!/ ; 8(', 1< 8(', 2= 8(' /#$ 32 8(' " ()>• Dalam * pi&el menyimpan 2n kominasi arna
• + it . ( it) ( it) 1 (2 it)
mata manusia leih sensitif pada . ! , sehingga 1 dikorankan
• * it . ( it) ( it) 1 ( it) transparansi ( it)
tau
. (5 it) (5 it) 1 (5 it) transparansi (* it)
• 2 it
. (+ it) (+ it) 1 (+ it) transparansi (optional + it)• 2 it . (*0 it) (*0 it) 1 (*0 it)
padding / tidak digunakan ( 2 it)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 8
8/17/2019 01 Pengenalan Citra Digital
9/39
ALPHA CHANNEL
A)# C#$$)? 8#(#$ /#"( %!#'! #8#" *@(/-. #$!#' ($-"#%( '"#$%#"#$%(
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 9
-omposisi dengan
memanfaatkan alpha3
$hannel
8/17/2019 01 Pengenalan Citra Digital
10/39
PALET 7ARNA
B##(#$# %8!# ('"# /(""%$'#%(#$ /#)# ()>4ertama3tama seperti halnya 'ika kita ingin melukis seuah
gamar, kita harus memiliki palet dan kanvas
4alet: kumpulan arna yang dapat mementuk $itra, sama halnya
seperti kita hendak melukis dengan $at arna, kita memiliki palet
yang isa kita isikan eragai arna $at air
etiap arna yang ereda dalam palet terseut kita eri nomor
(erupa angka)
Contoh untuk $itra monokrom (arnanya hanya putih3auau3
hitam), erarti kita memiliki palet s:
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 10
8/17/2019 01 Pengenalan Citra Digital
11/39
COLOR MODEL
B8"## -)-" -/) #$ -!)"?.1 (arna primer pada C.6)
C78- (populer agi per$etakan)
89 / 8;< (standar agi 6< =6C / 4>)
?9 / ?< (sesuai dengan persepsi mata manusia)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 11
8/17/2019 01 Pengenalan Citra Digital
12/39
RGB
M"!##$ 4#"$# "(" ### *8"/#%#" #'# #$!%(#.? . ("/), ("$) dan 1 (8)!)
Dimodelkan dalam .1 $ue
ifatnya additive
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 12
8/17/2019 01 Pengenalan Citra Digital
13/39
RGB CONTOH
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 13
8/17/2019 01 Pengenalan Citra Digital
14/39
CMY
• Dalam dunia arna sering diseut seagai C78-
• - menun'ukkan arna hitam
• 7erupakan arna primer agi per$etakan:C#$ M#$'# Y))-4
• ifatnya subtractive• Dihitung dari .1 dengan:
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 14
8/17/2019 01 Pengenalan Citra Digital
15/39
CMY CONTOH
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 15
8/17/2019 01 Pengenalan Citra Digital
16/39
ADDITIVE & SUBTRACTIVE
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 16
8/17/2019 01 Pengenalan Citra Digital
17/39
YIQ *LUMINANCE IPHASE QUADRATURE.
• 7erupakan model arna standar agi 6<
• Dihitung dari .1 dengan
• 8 @ >uminan$e, menyatakan terang3gelap (rightness)
• 9 dan menyatakan arna
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 17
Catatan tamahan•Contrast @ perbedaan pencahayaan dan / atau warna yan!e!buat "bye# $da%a! a!bar atau %ayar& dapat d'beda#an(
8/17/2019 01 Pengenalan Citra Digital
18/39
YIQ CONTOH
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 18
8/17/2019 01 Pengenalan Citra Digital
19/39
HSI ATAU HSV
• M-/) ($( )8( %%!#( /$#$ "%%( #'# #$!%(# /#)#$#$# 4#"$#
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 19
8/17/2019 01 Pengenalan Citra Digital
20/39
RGB KE HSV
M$!8# /#"( RGB HSV
B##(#$# $!8# HSV RGB>
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 20
8/17/2019 01 Pengenalan Citra Digital
21/39
HSI ATAU HSV
• ?ue itu arna seenarnya, yang menun'ukkan ke$erahanarna%% -e$erahan menga$u pada erapa anyak putih (atauhitam) di$ampur dalam arna%
• aturation ditentukan oleh tingkat kemurnian, dan tergantungpada 'umlah sinar putih yang ter$ampur dengan hue (yangmengukur kuantitas arna putih yang mun$ul pada suatuo'ek)% uatu arna hue murni adalah se$ara penuh tersaturasi,yaitu tidak ada sinar putih yang ter$ampur% ?ue dan saturationdigaungkan menentukan $hromati$ity suatu arna%
• 9ntensitas ditentukan oleh 'umlah sinar yang diserap% emakinanyak sinar yang diserap semakin tinggi intensitas arnanya%
• inar $hromati$ (Chromati$ity) tidak memiliki arna, tetapihanya ditentukan oleh atriut intensitas% 6ingkat keauan(graylevel) adalah ukuran intensitas yang ditentukan oleh gelapdan terang%
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 21
8/17/2019 01 Pengenalan Citra Digital
22/39
CIE CHROMACITY DIAGRAM
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 22
8/17/2019 01 Pengenalan Citra Digital
23/39
HSI CONTOH
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 23
8/17/2019 01 Pengenalan Citra Digital
24/39
BAGAIMANA 7ARNA DINYATAKAN
• Aarna dinyatakan dalam komponen .1 (red, green,
lue), C78- ($yan, magenta, yello, la$k), ?
atau 89%
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 24
RGB -)-" !8
8/17/2019 01 Pengenalan Citra Digital
25/39
COLOR GAMUT
• 1eerapa devi$ehanya isa
menampilkan spektrum
arna yang teratas
• Color amut adalah
level arna yang isaditerima oleh suatu
devi$e%
• -etika suatu devi$e
tidak dapat
menampilkan arnats, maka dikatakan
Bout of gamut
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 25
8/17/2019 01 Pengenalan Citra Digital
26/39
DITHERING
• D('"($ #/#)# %!#'! '$( #/# "#(# -!'"
!$'! 8!#' ()!%( ##" %8!# (# '##
()(( /#)##$ 4#"$# #$ )8( '($( /#"( #%)($#
• D('"($ /()#!#$ !$'! $%(!)#%(#$ 4#"$# #$
)8( 8#$# /#"(#/# #$ 8(%# /(#%()#$ %!#'! /@(
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 26
I#
8/17/2019 01 Pengenalan Citra Digital
27/39
DITHER PATTERN
S#)# %#'! -$'- #''"$ #'"(% O"/"/ D('"
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 27
0
1 2 3 =
22==
0 1 2 3 = <
; 10 12 1= 1 1<
8/17/2019 01 Pengenalan Citra Digital
28/39
MEMBUAT DITHER PATTERN
.ule digunakan untuk pattern matriks, dimana dua angka yang
erturut3turut harus memiliki 'arak rata3rata yang esar
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 28
8/17/2019 01 Pengenalan Citra Digital
29/39
HUBUNGAN ANTAR PIEL
• N(8-!"--/
• A/:#$ C-$$'(@('
• D(%'#$
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 29
8/17/2019 01 Pengenalan Citra Digital
30/39
NEIGHBORHOOD *TETANGGA PIEL.
• T'#$# -"(%-$'#) /#$ @"'(#), N=*.
(x+1, y), (x-1, y), (x, y+1), (x, y-1)
• T'#$# /(#-$#), ND*.
(x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1 ,y-1)
• ;''#$#, N;*. (N= U ND)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 30
N4(p) ND(p) N8(p)
8/17/2019 01 Pengenalan Citra Digital
31/39
ADACENCY CONNECTIVITY *1.
• d'a$en$y / Conne$tivity : menentukan apakah pi&el3pi&el saling terhuung
• Dua pi&el dikatakan terhuung ila mereka saling
ertetangga, dan memiliki nilai gray level yang
hampir sama (memenuhi kriteria similarity)• 7erupakan konsep penting untuk menentukan atas
o'ek
• yarat konektivitas adalah :
2 pi&el memiliki gray level yang hampir sama
2 pi&el terseut ertetangga
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 31
8/17/2019 01 Pengenalan Citra Digital
32/39
ADACENCY CONNECTIVITY *2.
7isalkan pada suatu image + it (arna@25),
konektivitas ter'adi ila kedua pi&el terletak pada
himpunan
8/17/2019 01 Pengenalan Citra Digital
33/39
ADACENCY CONNECTIVITY *3.
3 $onne$tivityDua pi&el p dan " dengan gray level termasuk dalam < ila " adalah anggotahimpunan =,(p)
+ 3 $onne$tivityDua pi&el p dan " dengan gray level termasuk dalam < ila " adalah anggotahimpunan =+(p)
m 3 $onne$tivityDua pi&el p dan " dengan gray level termasuk dalam < ila
( " adalah anggota himpunan =,(p) 6;
(( " adalah anggota himpunan =D(p) D= =,(p) =,(") @
(penge$ekan ( dilakukan leih dulu)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 33
ma$am $onne$tivity:
8/17/2019 01 Pengenalan Citra Digital
34/39
ADACENCY CONNECTIVITY *=.
Contoh:< @ G*,2H
a% 3ad'a$en$y
% +3ad'a$en$y
$% m3ad'a$en$y
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 34
8/17/2019 01 Pengenalan Citra Digital
35/39
ADACENCY CONNECTIVITY *.
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 35
8/17/2019 01 Pengenalan Citra Digital
36/39
DISTANCE *ARAK ANTAR PIEL.
• S(#' !$%( :#"# #/#)# ?
D(p,") ≥ 0 ,D(p,")@0 ''k p@"
D(p,") @ D(",p)
D(p,#) ≤ D(p,") I D(",#)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 36
8/17/2019 01 Pengenalan Citra Digital
37/39
PENGUKURAN ARAK
• M'-/ $!!"#$ :#"# #$'#"# *,. & 5*%,'.? Jarak Ku$lidian
De(p,") @ L(&3s)2I(y3t)2M*/2
Jarak D, ('arak $ity3lo$k)
D,(p,") @ N&3sNINy3tN Jarak D+ ('arak papan $atur / $hey$hev)
D+(p,") @ ma&( N&3sN , Ny3tN ) Jarak 7inkoski
Dm(p,") @ L(&3s)pI(y3t)pM*/p
Jika p@* ($ity3lo$k), p@2 (eu$lidian)
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 37
8/17/2019 01 Pengenalan Citra Digital
38/39
LATIHAN
1( Tentu#an #"ne#t')'ta* $+,#"ne#t')'ta*- .,#"ne#t')'ta* dan !,#"ne#t')'ta*& dar' c'tra ber'#ut'n' b'%a 012(
0 0 0 1 0 0 0 1 1 0
1 0 0 1 1 1 1 0 0 11 0 0 1 0 1 1 0 0 0
0 0 1 1 1 1 0 0 0 0
0 0 1 1 1 0 0 1 1 1
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA, 2013 38
8/17/2019 01 Pengenalan Citra Digital
39/39
LATIHAN
3( 4'tun 5ara# antara "b5e#,"b5e# da%a! c'tra ber'#ut'n'- denan !enuna#an Euc%'d'an dan C'ty,6%"c#(
PENGOLAHAN CITRA DIGITAL DAN COMPUTER VISION © SEKOLAHTINGGI TEKNIK SURABAYA 2013 39
1 2 3 4 5 6 7 8 9 1
0
1
1
1
2
1
2 x3 x x x x x x
4 x x x x x x x
5
6 x
7 x x x
8 x x x
9 x x x x
1
0
x x