Pengolahan Citra Digital
Pengolahan Citra Digital (Digital Image Processing) merupakan bidang ilmu yang mempelajari tentang bagaimana suatu citra itu dibentuk, diolah, dan dianalisis sehingga menghasilkan informasi yang dapat dipahami oleh manusia.
Sebelum mempelajari lebih lanjut mengenai pengolahan citra digital, kita perlu mengetahui definisi dari citra itu terlebih dahulu.
Citra merupakan fungsi dari intensitas cahaya yang direpresentasikan dalam bidang dua dimensi.
Berdasarkan bentuk sinyal penyusunnya, citra dapat digolongkan menjadi dua jenis yaitu citra analog dan citra digital. Citra analog adalah citra yang dibentuk dari sinyal analog yang bersifat kontinyu, sedangkan citra digital adalah citra yang dibentuk dari sinyal digital yang bersifat diskrit.
Citra analog dihasilkan dari alat akuisisi citra analog, contohnya adalah mata manusia dan kamera analog. Gambaran yang tertangkap oleh mata manusia dan foto atau film yang tertangkap oleh kamera analog merupakan contoh dari citra analog. Citra tersebut memiliki kualitas dengan tingkat kerincian (resolusi) yang sangat baik tetapi memiliki kelemahan di antaranya adalah tidak dapat disimpan, diolah, dan diduplikasi di dalam komputer.
Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bentuk diskrit pada bidang dua dimensi. Citra tersusun oleh sekumpulan piksel (picture element) yang memiliki koordinat (x,y) dan amplitudo f(x,y). Koordinat (x,y) menunjukkan letak/posisi piksel dalam suatu citra, sedangkan amplitudo f(x,y) menunjukkan nilai intensitas warna citra. Representasi citra digital beserta piksel penyusunnya ditunjukkan pada Gambar 1 berikut ini.
Gambar 1. Citra dan piksel penyusunnya
Pada umumnya, berdasarkan kombinasi warna pada piksel, citra dibagi menjadi tiga jenis yaitu citra RGB, citra grayscale, dan citra biner. Citra pada Gambar 1 termasuk dalam jenis citra RGB truecolor 24-bit. Citra tersebut tersusun oleh tiga kanal warna yaitu kanal merah, kanal hijau, dan kanal biru.
Masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8 derajat warna (0 s.d 255).
Pada kanal merah, warna merah sempurna direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0. Pada kanal hijau, warna hijau sempurna direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0. Begitu juga pada kanal biru, warna biru sempurna direpresentasikan dengan nilai 255 dan hitam sempurna dengan nilai 0.
Perintah MATLAB untuk menampilkan citra digital dan masing-masing kanal penyusunnya adalah sebagai berikut:
clc; clear; close all; warning off all;
I = imread('lena_color_256.tif');
Red = I(:,:,1);
Green = I(:,:,2);
Blue = I(:,:,3);
I_Red = cat(3,Red,Green*0,Blue*0);
I_Green = cat(3,Red*0,Green,Blue*0);
I_Blue = cat(3,Red*0,Green*0,Blue);
figure, imshow(I);
figure, imshow(I_Red);
figure, imshow(I_Green);
figure, imshow(I_Blue);
Representasi citra RGB dan masing-masing kanal warna penyusunnya ditunjukkan pada Gambar 2.
Gambar 2. Representasi citra RGB dan kanal warna penyusunnya
Setiap piksel pada citra RGB, memiliki intensitas warna yang merupakan kombinasi dari tiga nilai intensitas pada kanal R, G, dan B. Sebagai contoh, suatu piksel yang memiliki nilai intensitas warna sebesar 255 pada kanal merah, 255 pada kanal hijau, dan 0 pada kanal biru akan menghasilkan warna kuning. Pada contoh lain, suatu piksel yang memiliki nilai intensitas warna sebesar 255 pada kanal merah, 102 pada kanal hijau, dan 0 pada kanal biru akan menghasilkan warna orange. Banyaknya kombinasi warna piksel yang mungkin pada citra RGB truecolor 24-bit adalah sebanyak 256 x 256 x 256 = 16.777.216. Representasi nilai intensitas piksel dengan kombinasi warna R, G, dan B ditunjukkan pada Gambar 3.
Gambar 3. Representasi piksel dengan kombinasi warna R, G, dan B
Jenis citra yang kedua adalah citra grayscale. Citra grayscale merupakan citra yang nilai intensitas pikselnya didasarkan pada derajat keabuan. Pada citra grayscale 8-bit, derajat warna hitam sampai dengan putih dibagi ke dalam 256 derajat keabuan di mana warna hitam sempurna direpresentasikan dengan nilai 0 dan putih sempurna dengan nilai 255. Citra RGB dapat dikonversi menjadi citra grayscale sehingga dihasilkan hanya satu kanal warna. Persamaan yang umumnya digunakan untuk mengkonversi citra RGB truecolor 24-bit menjadi citra grayscale 8-bit adalah
Grayscale = 0.2989*R + 0.5870*G + 0.1140*B
di mana
Grayscale adalah nilai intensitas citra grayscale,
R adalah nilai intensitas piksel pada kanal merah,
G adalah nilai intensitas piksel pada kanal hijau, dan
B adalah nilai intensitas piksel pada kanal biru.
Perintah MATLAB untuk mengkonversi citra RGB menjadi grayscale adalah:
I_Gray = rgb2gray(I); figure, imshow(I_Gray);
Citra hasil konversi RGB menjadi grayscale ditunjukkan pada Gambar 4.
Gambar 4. Citra hasil konversi RGB menjadi grayscale
Jenis citra yang ketiga adalah citra biner. Citra biner adalah citra yang pikselnya memiliki kedalaman bit sebesar 1 bit sehingga hanya memiliki dua nilai intensitas warna yaitu 0 (hitam) dan 1 (putih). Citra grayscale dapat dikonversi menjadi citra biner melalui proses thresholding. Dalam proses thresholding, dibutuhkan suatu nilai threshold sebagai nilai pembatas konversi. Nilai intensitas piksel yang lebih besar atau sama dengan nilai threshold akan dikonversi menjadi 1. Sedangkan nilai intensitas piksel yang kurang dari nilai threshold akan dikonversi menjadi 0. Misalnya nilai threshold yang digunakan adalah 128, maka piksel yang mempunyai intensitas kurang dari 128 akan diubah menjadi 0 (hitam) dan yang lebih dari atau sama dengan 128 akan diubah menjadi 1 (putih).
Perintah MATLAB untuk mengkonversi citra grayscale menjadi citra biner adalah:
I_bw = im2bw(I_Gray); figure, imshow(I_bw);
Citra hasil konversi grayscale menjadi biner ditunjukkan pada Gambar 5.
Gambar 5. Citra hasil konversi grayscale menjadi biner
Thresholding pada umumnya digunakan dalam proses segmentasi citra. Proses tersebut dilakukan untuk memisahkan antara foreground (objek yang dikehendaki) dengan background (objek lain yang tidak dikehendaki). Pada hasil segmentasi, foreground direpresentasikan oleh warna putih (1) dan background direpresentasikan oleh warna hitam (0). Pada kasus segmentasi pada satu citra saja, kita dapat menentukan nilai threshold dengan metode trial and error. Namun pada kasus segmentasi pada citra dengan jumlah yang banyak, dibutuhkan suatu metode untuk menentukan nilai threshold secara otomatis. Nilai threshold dapat diperoleh secara otomatis dengan menggunakan metode Otsu (1979).
Perintah MATLAB untuk melakukan thresholding dengan metode Otsu adalah:
thresh = graythresh(I_Gray); I_bw_otsu = im2bw(I_Gray,thresh); figure, imshow(I_bw_otsu);
Citra hasil thresholding menggunakan metode Otsu ditunjukkan pada Gambar 6.
Gambar 6. Citra hasil thresholding menggunakan metode Otsu
File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source Code MATLAB
Penjelasan detail mengenai representasi citra digital bisa dilihat pada video tutorial berikut ini:
Tutorial Lengkap Pemrograman MATLAB:
Posted on July 26, 2017, in Pengolahan Citra and tagged apa yang dimaksud dengan citra digital, aplikasi matlab, aplikasi pengolahan citra, cara menggunakan matlab, citra biner, Citra Digital, citra digital adalah, contoh pemrograman matlab, contoh program matlab, dasar-dasar pengolahan citra digital, definisi citra, definisi citra analog, definisi citra digital, definisi pengolahan citra digital, digital image processing, histogram citra, image processing, koding matlab, kumpulan contoh program matlab, pemrograman matlab, pengenalan matlab, pengertian citra biner, pengertian citra digital, pengertian citra grayscale, pengertian citra rgb, pengertian pengolahan citra, pengertian pengolahan citra digital, pengolahan citra, Pengolahan Citra Digital, segmentasi citra, thresholding citra digital, thresholding menggunakan metode otsu. Bookmark the permalink. 32 Comments.
Pemrograman Matlab 
Kak, buat contoh kasus naive bayes dong..
gimna caranya ngolah data numerik sma kategori dari excel yg banyak kolom sama baris nya pake naivebayes..
sklian contoh kodingnya 😇
Untuk klasifikasi citra menggunakan algoritma Naive Bayes dapat dilihat pada materi berikut ini
Mas adi, pada ekstraksi ciri tekstur dengan orde pertama ataupun orde kedua,
Misalnya saya menggunakan ciri orde pertama,
Apakah semua ciri-ciri orde pertama yang di Ekstrak/digunakan, mas ?
Soalnya, salah satu Jenis yang akan di deteksi, jumlah Gambar nya,tidak sama dengan jumlah Gambar yang lain, mas.
Minta sarannya mas adi.
Untuk parameter ciri yang digunakan bisa semua ciri orde pertama atau kedua
bisa juga sebagian
penentuan apa saja ciri yang sebaiknya digunakan dapat dilakukan dalam tahapan feature selection atau bisa juga dengan metode trial & error
mas adi, mohon maaf mas kalau saya banyak bertanya,
Kalau meng-Ekstrak image, jumlah image di setiap jenis, harus sama ya mas ?
kalau misalnya jumlah image di setiap jenis tidak sama, ada pengaruhnya gk mas ?
boleh abed
dalam penelitian pengolahan citra terkadang memang tidak selalu jumlah citra pada setiap kelas harus sama
boleh berbeda-beda
terima kasih mas sebelumnya.
berarti jumlahnya, boleh tidak sama.
soalnya mas, saya liat kasus-kasus dengan metode JST pada wordpress mas, jumlah Jenis image nya, sama semua.
saya pikir akan berpengaruh jika Jumlah Jenisnya tidaklah sama.
sekali lagi terima kasih banyak ya mas adi.
Sama sama abed
Mas Adi saya mau bertanya,
bagaimana caranya jika saya ingin mengekstrak ciri dari objeknya saja ? jadi yang dihitung hanya objek(foreground) sedangkan backgroundnya tidak terhitung.
terimakasih
materi untuk mengekstraksi ciri suatu objek dalam citra bisa dilihat pada halaman berikut ini
bukan, maksud saya begini : misal saya ingin mengekstrak ciri dari gambar buah, nah saya hanya ingin menghitung nilai2 yg ada dalam buah tersebut, sedangkan background di belakang buah tidak dihiraukan/tidak dihitung
Sebaiknya agung baca dan pelajari kembali materi yg saya tuliskan tersebut
Nilai yg saya ekstrak hanya pada bagian foreground saja, bukan pada background
oh iya maaf saya kurang teliti.
terimakasih banyak mas Adi sangat membantu
sama sama agung
Mas mau tentang ekstraksi ciri intensity of character dan mark direction
ohiya aloy semoga saya bisa
mas tolong buat contoh quantization uniform pada rgb image dong 🙂
thankyou sebelumnya
semoga ke depan terdapat materi mengenai quantization uniform pada rgb image
mas, apa efek CMYK bisa diterapkan juga di Matlab ?
Apa saya bisa menerapkan untuk skripsi saya mas adi ? mohon sarannya
Bisa dicoba untuk diterapkan
Mas adi maaf mau tanya, misalnya kita foto orang kemudian kita ingin tau tinggi orang tersebut dari hasil fotonya menggunakan apa ya? Terima kasih
apakah ukuran suatu gambar mempengaruhi performa suatu program PCD (Pengolahan Citra Digital)?
Iya betul mempengaruhi performa
Mas Adi, ijin bertanya, kenapa ukuran gambar sangat mempengaruhi performa dari program PCD yang kita buat ya?
Semakin kecil ukuran citra maka detail objek semakin tidak jelas
Bang Adi, ijin Bertanya , arti dari Mean filter itu apa bang sama minta contohnya bang
makasih bang..
Mean filter artinya filter rata-rata
Contohnya ada banyak di artikel2 yg saya tulis, bisa dicari
Pingback: IMPLEMENTASI GRAFIK KOMPUTER & PENGOLAHAN CITRA | Just a pink lover
Pingback: TUGAS PERTEMUAN KELIMA – PENGANTAR TEKNOLOGI INFORMASI
Pingback: PENGOLAHAN CITRA | Fachri Fachrezisyah Putra
Pingback: PENGOLAHAN CITRA | Fachri Fachrezisyah Putra