Ekualisasi Histogram pada Citra Digital

Jul 5

Posted by


Histogram Citra merupakan diagram yang menunjukkan distribusi nilai intensitas cahaya pada suatu citra. Pada histogram, sumbu-x menyatakan nilai intensitas piksel sedangkan sumbu-y menyatakan frekuensi kemunculan piksel. Dalam bidang pengolahan citra digital, terkadang perlu dilakukan pre-processing yang merupakan proses perbaikan kualitas citra dengan tujuan untuk memudahkan manusia atau komputer untuk merepresentasikan citra. Salah satu metode perbaikan kualitas citra adalah perataan histogram atau yang sering disebut sebagai histogram equalization.

Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan ekualisasi histogram citra secara manual.

Langkah-langkahnya adalah:

1. Membaca citra grayscale

clc;clear;close all;

I = imread('pout.tif');
figure, imshow(I);
title('Original Image')

2. Membuat dan menampilkan histogram citra

[rows,cols] = size(I);

%% Histogram array
myhist = zeros(256,1);
for k = 0:255
    myhist(k+1) = numel(find(I==k)); % number of elements where I has gray level equal to 'k'
end
figure, stem(myhist,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Image')
grid on
% End of Histogram array

3. Membuat dan menampilkan CDF (Cumulative Distributive Function)

%% Calculate cdf
cdf = zeros(256,1);
cdf(1) = myhist(1);
for k = 2:256
    cdf(k) = cdf(k-1)+myhist(k);
end
figure, stem(cdf,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Cumulative Distribution')
title('CDF of Image')
grid on
% End of Calculate cdf

4. Melakukan ekualisasi gray level pada citra

%% Find Equalized histogram array
J = I;
cumprob = cdf/(rows.*cols);
equalizedhist = floor((cumprob).*255);

for i = 1:rows
    for j = 1:cols
        for m = 0:255
            if (I(i,j)==m)
                J(i,j) = equalizedhist(m+1);
            end
        end
    end
end

figure, imshow(J);
title('Equalized Image')
 

5. Menampilkan histogram citra setelah diekualisasi

%% Equalized Histogram array
myeqhist = zeros(256,1);
for k = 0:255
    myeqhist(k+1) = numel(find(J==k));
end
figure, stem(myeqhist,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Equalized Image')
grid on
% End of Equalized Histogram array

Ekualisasi histogram dapat pula dilakukan pada citra RGB. Langkah-langkahnya yaitu:
1. Membaca citra RGB dan menampilkan histogramnya

2. Melakukan ekualisasi histogram pada masing-masing kanal warna R, G, dan B

3. Menggabungkan kembali kanal warna R, G, dan B setelah diekualisasi dan menampilkan histogramnya

Tampilan source code untuk melakukan ekualisasi histogram citra RGB adalah:

clc;clear;close all;

I = imread('peppers.png');
figure, imshow(I);
title('Original Image');

R = I(:,:,1);
G = I(:,:,2);
B = I(:,:,3);

figure,
histogram(R(:),256,'FaceColor','r','EdgeColor','r')
hold on
histogram(G(:),256,'FaceColor','g','EdgeColor','g')
histogram(B(:),256,'FaceColor','b','EdgeColor','b')
set(gca,'XLim',[0 255])
set(gca,'YLim',[0 12000])
title('Histogram')
grid on
hold off

%% Red Channel
Red = cat(3,R,G*0,B*0);
figure,
subplot(2,2,1)
imshow(Red);
title('Original Image');

[rows,cols] = size(R);

% Histogram array
myhist = zeros(256,1);
for k = 0:255
    myhist(k+1) = numel(find(R==k)); % number of elements where I has gray level equal to 'k'
end

subplot(2,2,2)
stem(myhist,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Image')
grid on
% End of Histogram array

% Calculate cdf
cdf = zeros(256,1);
cdf(1) = myhist(1);
for k = 2:256
    cdf(k) = cdf(k-1)+myhist(k);
end

subplot(2,2,3)
stem(cdf,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Cumulative Distribution')
title('CDF of Image')
grid on
% End of Calculate cdf

% Find Equalized histogram array
R_histeq = R;
cumprob = cdf/(rows.*cols);
equalizedhist = floor((cumprob).*255);

for i = 1:rows
    for j = 1:cols
        for m = 0:255
            if (R(i,j)==m)
                R_histeq(i,j) = equalizedhist(m+1);
            end
        end
    end
end

% Equalized Histogram array
myeqhist = zeros(256,1);
for k = 0:255
    myeqhist(k+1) = numel(find(R_histeq==k));
end

subplot(2,2,4)
stem(myeqhist,'r');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Equalized Image')
grid on
% End of Equalized Histogram array

%% Green Channel

Green = cat(3,R*0,G,B*0);
figure,
subplot(2,2,1)
imshow(Green);
title('Original Image');

[rows,cols] = size(G);

% Histogram array
myhist = zeros(256,1);
for k = 0:255
    myhist(k+1) = numel(find(G==k)); % number of elements where I has gray level equal to 'k'
end

subplot(2,2,2)
stem(myhist,'g');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Image')
grid on
% End of Histogram array

% Calculate cdf
cdf = zeros(256,1);
cdf(1) = myhist(1);
for k = 2:256
    cdf(k) = cdf(k-1)+myhist(k);
end

subplot(2,2,3)
stem(cdf,'g');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Cumulative Distribution')
title('CDF of Image')
grid on
% End of Calculate cdf

% Find Equalized histogram array
G_histeq = G;
cumprob = cdf/(rows.*cols);
equalizedhist = floor((cumprob).*255);

for i = 1:rows
    for j = 1:cols
        for m = 0:255
            if (G(i,j)==m)
                G_histeq(i,j) = equalizedhist(m+1);
            end
        end
    end
end

% Equalized Histogram array
myeqhist = zeros(256,1);
for k = 0:255
    myeqhist(k+1) = numel(find(G_histeq==k));
end

subplot(2,2,4)
stem(myeqhist,'g');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Equalized Image')
grid on
% End of Equalized Histogram array

%% Blue Channel

Blue = cat(3,R*0,G*0,B);
figure,
subplot(2,2,1)
imshow(Blue);
title('Original Image');

[rows,cols] = size(B);

% Histogram array
myhist = zeros(256,1);
for k = 0:255
    myhist(k+1) = numel(find(B==k)); % number of elements where I has gray level equal to 'k'
end

subplot(2,2,2)
stem(myhist,'b');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Image')
grid on
% End of Histogram array

% Calculate cdf
cdf = zeros(256,1);
cdf(1) = myhist(1);
for k = 2:256
    cdf(k) = cdf(k-1)+myhist(k);
end

subplot(2,2,3)
stem(cdf,'b');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Cumulative Distribution')
title('CDF of Image')
grid on
% End of Calculate cdf

% Find Equalized histogram array
B_histeq = B;
cumprob = cdf/(rows.*cols);
equalizedhist = floor((cumprob).*255);

for i = 1:rows
    for j = 1:cols
        for m = 0:255
            if (B(i,j)==m)
                B_histeq(i,j) = equalizedhist(m+1);
            end
        end
    end
end

% Equalized Histogram array
myeqhist = zeros(256,1);
for k = 0:255
    myeqhist(k+1) = numel(find(B_histeq==k));
end

subplot(2,2,4)
stem(myeqhist,'b');
set(gca,'XLim',[0 255])
xlabel('Gray Level')
ylabel('Number of Elements')
title('Histogram of Equalized Image')
grid on
% End of Equalized Histogram array

%% Equalized Image
RGB = cat(3,R_histeq,G_histeq,B_histeq);
figure, imshow(RGB);
title('Equalized Image');

figure,
histogram(R_histeq(:),256,'FaceColor','r','EdgeColor','r')
hold on
histogram(G_histeq(:),256,'FaceColor','g','EdgeColor','g')
histogram(B_histeq(:),256,'FaceColor','b','EdgeColor','b')
set(gca,'XLim',[0 255])
set(gca,'YLim',[0 12000])
title('Histogram of Equalized Image')
grid on
hold off

File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh pada halaman berikut ini: Source Code

Save

Save

Save

Save

Save

Tutorial pembuatan App Designer MATLAB untuk melakukan contrast stretching dan histogram equalization dapat dilihat pada video berikut ini:

Posted on July 5, 2016, in Pengolahan Citra and tagged , , , , , , , , , , , , , , , , , , , , , , , . Bookmark the permalink. 12 Comments.

  1. Muhammad Afif's avatar Muhammad Afif | November 28, 2016 at 2:47 pm

    mas mau nanya
    cara men save data histogram gimana ya? apa di save ny berupa gambar atau bisa berupa angka nya saja?

    dan cara membandingkan 2 histogram bagiamana ya mas? jadi kaya sistem rekognisi gitu mas, yang paling kecil perbandinganny maka ditentukan jenis tersebut.

    terima kasih sebelumny :))

    Reply
    • adi pamungkas's avatar adi pamungkas | November 29, 2016 at 3:08 pm

      misalnya variabel histogram adalah hist, perintah utk menyimpan variabel tsb adalah save hist.mat hist
      untuk membandingkan dua buah histogram citra, bisa menggunakan parameter MSE (Mean Square Error), semakin kecil nilai MSE maka semakin mirip histogram kedua buah citra
      perintah yang digunakan utk menghitung nilai MSE adalah
      nilai_mse = mse(hist1,hist2)

  2. Muhammad Afif's avatar Muhammad Afif | December 9, 2016 at 5:03 pm

    oke mas, terima kasih pencerahannya 😀

    Reply
  3. dejan habiburrahman's avatar dejan habiburrahman | January 3, 2017 at 11:36 pm

    mas mau nanya dong kalo aplikasi mendekteksi ke busukan insang ikan sebaiknya pakai metode apa ya ?

    Reply
  4. dejan habiburrahman's avatar dejan habiburrahman | January 5, 2017 at 8:45 pm

    kalo membandingkan insang 1 dengan 2 menggunakan grafik red histogram itu sudah termasuk dallam mendekteksi bukan bang ? #maaf banyak nanya

    Reply
  5. Angga's avatar Angga | September 10, 2022 at 12:20 am

    Mas mau nanya dong gimana caranya menampilkan histogram beserta rata2 dan standard deviasi suatu citra itu gimana ya

    Reply

Leave a comment