1

PENGOLAHAN CITRA
Pengampu : Idhawati Hestiningsih PENDAHULUAN / DEFINISI • Citra = gambar = image Citra, menurut kamus Webster, adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda misal : - foto Anda mewakili entitas diri Anda sendiri di depan kamera - foto sinar-X thorax mewakili keadaan bagian dalam tubuh seseorang - data dalam suatu file BMP mewakili apa yang digambarkannya • Citra, dari sudut pandang matematis, merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang 2 dimensi. • Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya ditangkap oleh alat-alat optik, misal mata manusia, kamera, scanner, sensor satelit, dsb, kemudian direkam. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat : 1. optik berupa foto 2. analog berupa sinyal video seperti gambar pada monitor televisi 3. digital yang dapat langsung disimpan pada media penyimpan magnetik Citra juga dapat dikelompokkan menjadi 2 yaitu : Citra Citra tampak (foto, gambar, lukisan, apa yang nampak di layar monitor/televisi , hologram , dll) Citra tidak tampak (data foto/gambar dalam file, citra yang direpresentasikan dalam fungsi matematis) Citra digital = citra yang disimpan dalam format digital (dalam bentuk file). Hanya citra digital yang dapat diolah menggunakan komputer. Jenis citra lain jika akan diolah dengan komputer harus diubah dulu menjadi citra digital. • Pencitraan (imaging) = kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah : scanner, kamera digital, kamera sinar-x/sinar infra merah, dll Pengolahan Citra = kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia/mesin(komputer). Inputannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan misal citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintikbintik putih), dll sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang. Analisis Citra = kegiatan menganalisis citra sehingga menghasilkan informasi untuk menetapkan keputusan (biasanya didampingi bidang ilmu kecerdasan buatan/AI yaitu pengenalan pola (pattern recognition) menggunakan jaringan syaraf tiruan, logika fuzzy, dll). Pencitraan Citra digital Pengolahan citra Citra digital (baru) Analisis citra Informasi / keputusan

Citra nondigital •

Dalam ilmu komputer sebenarnya ada 3 bidang studi yang berkaitan dengan citra, tapi tujuan ketiganya berbeda, yaitu : 1. Grafika Komputer 2. Pengolahan Citra 3. Pengenalan Pola

2 Grafika Komputer • Adalah proses untuk menciptakan suatu gambar berdasarkan deskripsi obyek maupun latar belakang yang terkandung pada gambar tersebut. • Merupakan teknik untuk membuat gambar obyek sesuai dengan obyek tersebut di alam nyata (realism). • Bertujuan menghasilkan gambar/citra (lebih tepat disebut grafik/picture) dengan primitifprimitif geometri seperti garis, lingkaran, dsb. • Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Data deskriptif : koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna, dsb. • Grafika komputer berperan dalam visualisasi dan virtual reality. Data deskriptif Grafika Komputer Citra

Pengolahan Citra Operasi-operasi pada pengolahan citra diterapkan pada citra bila : 1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement) contoh : perbaikan kontras gelap/terang, perbaikan tepian objek, penajaman, pemberian warna semu, dll 2. Adanya cacat pada citra sehingga perlu dihilangkan/diminimumkan (image restoration) contoh : penghilangan kesamaran (debluring) citra tampak kabur karena pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise 3. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation) Operasi ini berkaitan erat dengan pengenalan pola. 4. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis). Proses segementasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian tepi objek 5. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction) contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh 6. Citra perlu dimampatkan (image compression) contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB 7. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi & watermarking) Citra Pengolahan Citra Citra

Pengenalan Pola • Adalah mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (komputer). • Tujuan pengelompokkan adalah untuk mengenali suatu objek di dalam citra. • Manusia bisa mengenali objek yang dilihatnya karena otak manusia telah belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem visual manusia yang dicoba ditiru oleh mesin. • Komputer menerima masukan berupa citra objek yang akan diidentifikasi, memproses citra tersebut dan memberikan keluaran berupa informasi/deskripsi objek di dalam citra. Citra Pengenalan Pola Informasi / deskripsi objek

COMPUTER VISION • Terminologi lain yang berkaitan erat dengan pengolahan citra adalah Computer Vision. • Computer vision = merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat keputusan.

3 • • Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Manusia melihat dengan objek dengan indera penglihatan (mata), lalu citra objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam pandangan mata. Hasil interpretasi ini digunakan untuk pengambilan keputusan (misal menghindar kalau melihat ada mobil di depan). Proses-proses dalam computer vision : - memperoleh atau mengakuisisi citra digital - operasi pengolahan citra - menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk tujuan tertentu, misal memandu robot, mengontrol peralatan, dll. Pengolahan citra merupakan proses awal pada computer vision, pengenalan pola merupakan proses untuk menginterpretasi citra.

CONTOH GRAFIKA KOMPUTER

CONTOH PENGOLAHAN CITRA

Pendeteksian tepi objek (edge detection)

Microprocessor diperbesar (zoom in) 60 x

Citra ada noise diperbaiki dengan teknik noise filtering

4

Image segmentation untuk memisahkan objek minyak dengan laut deteksi minyak yang tumpah dari kapal tenggelam di laut dari foto satelit

Menyisipkan informasi (watermark) ke dalam data multimedia (misal berupa citra). Watermark dianggap sebagai sidik digital (digital signature) dari pemilik yang sah atas produk multimedia = watermark yang disisipkan menjadi label hak cipta dari pemiliknya. CONTOH PENGENALAN POLA

Deteksi penggunaan lahan dari foto satelit salah satu teknik yang digunakan adalah image segmentation

5 Deteksi / pengenalan wajah manusia secara otomatis dari suatu citra Pengenalan pola sidik jari seseorang Pengenalan/deteksi tanda tangan asli/palsu (tanda tangan yang dibuat oleh orang yang sama/berbeda) .

6 Pengenalan angka Pengenalan huruf Deteksi / pengenalan objek pada citra Garasi Semak Rumput Rumah Awan Pohon1 Pohon2 Atap Dinding Atap Dinding1 Dinding2 .

sensor gelombang pendek pada sistem radar.bandingkan hasil foto manusia dengan kamera / sensor optik dan dengan sensor sinar X (kondisi variabel sistem berbeda) .0) 1 2 3 1 2 (2.7 BAGAIMANA CITRA DIGITAL DIREKAM Sistem Perekaman Citra • Citra yang diperoleh tergantung : . sinar X. sinar lampu. energi yang dikirim bisa berupa gelombang pendek.bandingkan hasil foto pemandangan di tepi laut dan di daerah pegunungan (karakteristik obyek berbeda) Sensor Pasif • Sistem sensor yang merekam data obyek tanpa mengirimkan energi.2) Koordinat Piksel = koordinat tampilan di layar monitor (0.karakteristik dari obyek yang direkam . sensor optik pada sistem inderaja.0) 1 2 3 4 5 X (5. dsb • Contoh: sensor Rontgen untuk foto thorax.kondisi variabel dari sistem perekaman • Citra merupakan gambaran tentang karakteristik suatu obyek menurut kondisi variabel tertentu Contoh: .3) (5. Sensor Aktif • Sistem sensor yang merekam data obyek mengirimkan dan menerima pantulan dari energi yang dikirim ke arah obyek. sumber energi bisa dalam bentuk sinar matahari. sensor ultrasound pada sistem USG. dsb • Contoh: sensor optik dari kamera foto.3) 3 2 1 (0. MACAM KOORDINAT SISTEM Koordinat Cartesian Y (2.2) 3 4 5 X Y .

: f ( N − 1.8 Koordinat Matriks (y=baris. . y ) ≈ ⎢ ⎢ : ⎢ ⎣ f ( N − 1..0) derajat keabuan 0 0 0 0 0 contoh : f(2.. x=kolom) (0. M − 1) ⎤ f (1.3) = 1 f(3.1) f (1. f (0.0) 1 2 3 4 5 Y (5.1) .2) = 1 1 1 1 1 1 1 0 1 0 0 1 1 1 0 0 0 0 0 1 1 y baris/tinggi=5 piksel berdasarkan koordinat matriks.y).. isi/data citra digital sebenarnya berdasarkan koordinat piksel di layar . M − 1) ⎦ x 0 0 1 2 3 4 1 2 3 4 kolom/lebar = 5 (0. dimana harga x dan y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik (x.0) ⎢ f (1..y) ≤ L – 1 (derajat keabuan / gray level) ⎡ f (0.0) f (0.y) merupakan tingkat kecemerlangan citra pada titik tersebut • Citra digital adalah citra f(x.3) 1 2 3 4 5 X FORMAT CITRA DIGITAL Citra Digital • Citra digital merupakan fungsi intensitas cahaya f(x.y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat kecemerlangannya/keabuan (kwantisasi) • Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut • Citra digital dinyatakan dengan matriks berukuran N x M (baris/tinggi = N.. M − 1) ⎥ ⎥ ⎥ : ⎥ f ( N − 1..1) : .2) (2.0) f ( x. kolom/lebar = M) N = jumlah baris 0 ≤ y ≤ N–1 M = jumlah kolom 0 ≤ x ≤ M–1 L = maksimal warna intensitas 0 ≤ f(x.

• Resolusi kecemerlangan (intensitas / brightness) = halus / kasarnya pembagian tingkat kecemerlangan. Sebuah citra direpresentasikan dalam sebuah matriks yang berisi angka-angka .9 Format Citra • Citra digital biasanya berbentuk persegi panjang. berarti kita memiliki palet sbb: • • • • Setelah itu kita dapat menggambar menggunakan warna-warna dalam palet tersebut di atas sebuah kanvas Sebuah kanvas dapat kita anggap sebagai sebuah matriks dimana setiap elemen dari matriks tersebut bisa kita isikan dengan salah satu warna dari palet Informasi tentang palet (korespondensi antara warna dengan angka) disimpan dalam komputer (program pembuka citra seperti Paint. • Makin besar resolusi makin banyak titik yang terkandung dalam citra. Transformasi citra kontinue ke citra digital disebut digitalisasi (sampling). berpengaruh pada besarnya informasi citra yang hilang. sama halnya seperti kita hendak melukis dengan cat warna. Resolusi Citra • = resolusi spasial dan resolusi kecemerlangan. resolusi kecemerlangan citra adalah 256 Bila intensitas piksel berkisar antara 0 dan 255 Bagaimana sebuah citra direpresentasikan dalam file ? Pertama-tama seperti halnya jika kita ingin melukis sebuah gambar. Photoshop. kita memiliki palet yang bisa kita isikan berbagai warna cat air • Setiap warna yang berbeda dalam palet tersebut kita beri nomor (berupa angka) • Contoh untuk citra monokrom (warnanya hanya putih-abu abu-hitam). secara visualisasi dimensi ukurannya dinyatakan sebagai lebar x tinggi • Ukurannya dinyatakan dalam titik atau piksel (pixel=picture element) • Ukurannya dapat pula dinyatakan dalam satuan panjang (mm atau inci = inch) • Resolusi = banyaknya titik untuk setiap satuan panjang (dot per inch). dll) sehingga sebuah file citra dalam komputer hanya perlu menyimpan angka-angka yang merepresentasikan sebuah warna. resolusi spasial Misal hasil digitalisasi dengan jumlah baris 256 dan jumlah kolom 256 256 x 256. • Resolusi spasial = halus / kasarnya pembagian kisi-kisi baris dan kolom. Transformasi data analog yang bersifat kontinue ke daerah intensitas diskrit disebut kuantisasi. kita harus memiliki palet dan kanvas • Palet = kumpulan warna yang dapat membentuk citra. sehingga menjadi lebih halus dalam visualisasinya.

ukuran citra 100x100 byte monokrom. maka yang disimpan dalam file tersebut adalah angka-angka yang diperoleh dari matriks kanvas. tif. gif. karena semua informasi angka dalam baris disimpan semua. Format BMP merupakan format yang kurang efisien. disusun perbaris • Baris pertama langsung diikuti baris kedua. Photoshop. dll • Header langsung diikuti dengan angka-angka dalam matriks. dst • Bagaimana mengetahui awal suatu baris? (misal untuk membedakan citra berukuran 100x200 dengan 200x100) lihat informasi jumlah baris dan jumlah kolom di header Header Baris 1 …. seperti bmp.bmp : Header Angkaangka dari matriks Input Program pembuka citra (Paint.10 201 199 207 231 227 217 208 198 195 186 167 142 145 188 200 221 219 223 211 195 187 184 175 156 139 134 181 201 222 200 181 166 179 181 170 171 142 131 128 185 188 136 90 74 85 131 141 134 169 144 120 125 180 147 139 132 90 111 65 84 72 89 47 75 54 68 53 54 52 38 100 34 112 48 108 67 117 70 140 147 125 84 92 82 66 55 42 34 32 30 38 149 150 145 107 86 83 72 59 45 27 46 76 91 155 143 140 95 77 75 46 37 35 44 84 102 101 138 123 138 92 63 42 21 21 43 85 133 123 105 144 112 122 92 50 42 15 37 98 139 166 153 125 144 102 104 99 55 39 24 66 152 170 172 171 146 145 117 97 89 65 40 19 90 172 184 186 178 157 = • Jika kita menyimpan gambar kucing tadi ke dalam sebuah file (kucing. File kucing. informasi palet. maka ukuran file bmp tersebut adalah : H + data citra = H + 10000 Byte .bmp) • Header berisi informasi jumlah baris dan kolom dalam citra. ACDSee. dan sebagainya. dll) Ditampilkan di layar Informasi palet dan format file citra Untuk Windows Bitmap Files (.. Misalkan ukuran header adalah H byte. jpg. Baris terakhir • • Ada bermacam format representasi citra dalam file.bmp).

5 KB MACAM / TYPE CITRA BERDASARKAN FORMAT PENYIMPANAN NILAI WARNANYA A. Catatan : Model citra cahaya = ada cahaya (=1) maka warna putih Model citra cahaya = tidak ada cahaya (=0) maka warna hitam Model citra tinta / cat = ada cat (=1) maka warna hitam Model citra tinta / cat = tidak ada cat (=0) maka warna putih Setiap titik membutuhkan media penyimpanan 1 bit Contoh = Citra Biner (hitam = 0. putih = 1) = 11011011 = 11011011 = 11000011 = 11011011 = 11011011 B. CITRA BINER • Setiap titik (pixel) dalam citra bernilai 0 atau 1. Topik ini lebih lanjut akan dibahas tersendiri. Contoh : skala keabuan 4 bit 4 jumlah kemungkinan 2 = 16 warna kemungkinan warna 0 (min) sampai 15 (max) skala keabuan 8 bit 8 jumlah kemungkinan 2 = 256 warna kemungkinan warna 0 (min) sampai 255 (max) Skala keabuan 4 bit (hitam = 0. putih = 1. Contoh : Suatu citra format BMP 8 bit berukuran 200 x 100 maka memori yang dibutuhkan untuk menyimpan data citra tersebut (tanpa header) sebesar : Memori = 200 x 100 x 8 bit = 160000 bit = 20000 byte = 19.11 • • Bagian data citra (10000 byte) sebenarnya bisa dikompresi agar ukuran file tidak terlalu besar. putih = 15) = 15 0 6 0 13 15 = 15 12 15 15 15 15 = 15 5 0 12 0 15 = 15 8 15 15 15 15 = 15 10 0 13 0 15 . Salah satu cara kompresi adalah dengan terlebih dahulu mentransformasikan citra ke ruang yang berbeda (contoh: format file JPEG). Warna hitam = 0. CITRA SKALA KEABUAN • • Citra skala keabuan mempunyai kemungkinan warna antara hitam (minimal) dan putih (maksimal) Jumlah maksimum warna sesuai dengan bit penyimpanan yang digunakan.

warna maksimal biru • Misal warna kuning = kombinasi warna merah dan hijau sehingga nilai RGB-nya = 255 255 0 Warna ungu muda = kombinasi warna merah dan biru sehingga nilai RGB-nya = 150 0 150 Contoh : bisa dilihat di Photoshop • • Jadi setiap titik pada citra warna membutuhkan data 3 byte 24 Jumlah kemungkinan kombinasi warna 2 = lebih dari 16 juta warna color karena dianggap mencakup semua warna yang ada. yang merupakan citra warna berindeks dengan ukuran palet masing-masing 4 bit. Citra warna = 255 255 = 0 255 = 150 150 = 255 204 24 bit disebut true 255 0 255 0 150 51 153 255 0 0 0 0 51 51 204 153 128 128 128 204 255 255 255 255 255 128 0 0 128 128 0 0 0 255 95 95 95 255 0 255 Catatan : Ada perbedaan warna dasar untuk cahaya (misal display di monitor komputer) & untuk cat/tinta (misal cetakan di atas kertas). high color. true color. 256 colors. Citra cahaya menggunakan warna dasar RGB = Red Green Blue Citra cat menggunakan warna dasar CMY = Cyan Magenta Yellow Dalam matakuliah ini kita menggunakan standar warna dasar cahaya (RGB) D.12 C. CITRA WARNA (TRUE COLOR) • Setiap titik (pixel) pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar yaitu merah hijau biru citra RGB (Red Green Blue) • Setiap warna dasar mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit) Red = warna minimal putih. warna maksimal merah Green = warna minimal putih. 4 …. penyimpanan lebih kecil. 8 bit. Indeks 0 1 …. 10 R 0 51 G 0 52 B 0 60 = 4 = 4 0 4 12 4 255 250 255 10 255 240 • Setting warna display pada MS Window biasanya format 16 colors. Keuntungan yang lain. 16 bit dan 24 bit . warna maksimal hijau Blue = warna minimal putih. CITRA WARNA BERINDEKS • Setiap titik (pixel) pada citra warna berindeks mewakili indeks dari suatu tabel warna yang tersedia (biasanya disebut palet warna) • Keuntungan pemakaian palet warna adalah kita dapat dengan cepat memanipulasi warna tanpa harus mengubah informasi pada setiap titik dalam citra.

Pemilihan batas ambang (threshold) Biasa digunakan untuk mengukur penonjolan objek dalam citra terhadap latar belakangnya termasuk dalam teknik pengambangan (thresholding) 3. Penentuan parameter digitasi Dalam proses pencitraan perlu melihat apakah tingkat warna telah dipakai sesuai yang dibutuhkan.13 HISTOGRAM TINGKAT KEABUAN (GRAY-LEVEL HISTOGRAM) • Informasi suatu citra dapat diwakili oleh histogram • Histogram = suatu fungsi yang menunjukkan jumlah titik yang ada dalam suatu citra untuk setiap tingkat keabuan • Sumbu X (absis) menunjukkan tingkat warna Sumbu Y (ordinat) menunjukkan frekuensi kemunculan titik • Kegunaan : 1. Contoh : tingkat keabuan dengan 8 bit apakah sudah memakai dari tingkat 0 sampai 256 warna tingkat keabuan. 2. Pengenalan / pencocokan citra Citra yang telah diubah/diupdate akan mempunyai histogram yang berbeda Gambar – gambar histogram .

bernilai negatif untuk mengurangi kecemerlangan citra. dapat ditarik formula linier : Ko = Ki + C atau f(x. Pengambangan (thresholding) 1. terkait operasi titik : 1. Modifikasi kecemerlangan (brightness modification) 2. operasi bertetangga OPERASI TITIK • Titik pada citra memiliki 2 karakteristik yaitu : . Negasi (negation) 4.nilai yg menunjukan tingkat keabuan/warna dari titik tersebut • Operasi titik dilakukan dengan memodifikasi nilai skala keabuan dari titik (piksel) yang ditinjau berdasarkan fungsi tertentu. operasi global. operasi berbasis bingkai (frame).y) + C Dimana C adalah suatu konstanta yang bernilai positif untuk meningkatkan kecemerlangan citra.14 OPERASI DASAR PENGOLAHAN CITRA • • Citra digital direpresentasikan dengan matriks sehingga operasi pada citra digital pada dasarnya memanipulasi elemen-elemen matriks. operasi geometri. Operasi dasar pengolahan citra antara lain : operasi titik. • Dengan pertolongan GST fungsi. Untuk citra true color : Ro = Ri + CR Go = Gi + CG Bo = Bi + CB . • Fungsi yang digunakan adalah fungsi transformasi skala keabuan (gray scale transformation/GST) • GST function = fungsi yang memetakan tingkat keabuan input (Ki) ke citra keabuan citra output (Ko) Ko = f (Ki) Untuk citra true color fungsi ini diterapkan pada ketiga elemen warna : Ro = fR (Ri) Go = fG (Gi) Bo = fB (Bi) • Beberapa operasi pengolahan citra.y)’ = f(x.koordinat yang menunjukkan lokasi dari titik tersebut dalam citra . MODIFIKASI KECEMERLANGAN (BRIGHTNESS MODIFICATION) • Pada dasarnya merubah nilai keabuan/warna dari gelap menuju terang atau sebaliknya merubah citra yang terlalu cemerlang/pucat menjadi gelap. Peningkatan Kontras (contrast enhancement) 3.

PENINGKATAN KONTRAS (CONTRAST ENHANCEMENT) • Jika sebuah citra yang mempunyai nilai keabuan yang tidak terlalu berbeda untuk semua titik. • Dilakukan dengan cara mengurangi nilai intensitas piksel dari nilai keabuan maksimum. yaitu titik yang berwarna putih pada citra mempunyai warna hitam pada film negatifnya.15 2. demikian juga sebaliknya. • Peningkatan kontras dapat dilakukan dengan bermacam rumus. salah satunya adalah : Ko = G (Ki – P) + P G = Koefisien penguatan kontras P = Nilai skala keabuan yang dipakai sebagai pusat pengontrasan 3.y)’ =255 – f(x. Ko = Kmax – Ki Misal pada citra dengan 256 derajat keabuan (8 bit) Kmax = 255 maka Ko = 255 – Ki atau f(x. NEGASI • Operasi untuk mendapatkan citra negatif (negative image) • Meniru film negatif pada fotografi.y) . dimana titik tergelap dalam citra tidak mencapai hitam pekat dan titik paling terang dalam citra tidak berwarna putih cemerlang • Dengan peningkatan kontras maka titik yang cenderung gelap menjadi lebih gelap dan yang cenderung terang menjadi lebih cemerlang.

Ko = wr Ri + wg Gi + wb Bi Berdasarkan NTSC (National Television System Committee). yang mempunyai kemungkinan nilai lebih dari 2 ke citra biner yang memiliki 2 buah nilai (yaitu 0 dan 1). • Pengambangan Tunggal Memiliki sebuah nilai batas ambang Fungsi GST-nya 0. jika Ki ≥ ambang Ko = 1. jika Ki ≥ ambang (1 = putih) atau 0. jika Ki < ambang (0 = hitam) Ko = 1. PENGAMBANGAN (THRESHOLDING) • Operasi pengambangan digunakan untuk mengubah citra dengan format skala keabuan.299 wg = 0. terakhir biru.16 4.144 5. KONVERSI CITRA TRUE COLOR MENJADI CITRA KEABUAN (GRAYSCALE) • Operasi konversi citra true color ke keabuan dengan rumus : • Ri + Gi + Bi Ko = -------------------3 Bisa juga dengan memberi bobot (w) pada RGB karena mata manusia lebih sensitif pada warna hijau. kemudian merah. dimana : wr = 0. jika Ki < ambang Contoh dengan formula/rumus 1 : misal nilai ambang = 140 .587 wb = 0.

lainnya. lainnya. Dilakukan untuk menampilkan titik-titik yang mempunyai rentang nilai skala keabuan tertentu 0. jika ambang bawah ≤ Ki ≤ ambang atas Ko = 1.17 • Pengambangan Ganda Memiliki ambang bawah dan ambang atas. jika ambang bawah ≤ Ki ≤ ambang atas Ko = 0. atau 1. Contoh dengan formula/rumus 1 : ambang bawah = 100 ambang atas = 140 .

antara lain : Pencerminan (flipping) Rotasi/pemutaran (Rotating) Pemotongan (Cropping) Penskalaan (Scaling/Zooming) 1. • Operasi Geometri berhubungan dengan perubahan bentuk geometri citra. tinggal mengganti rumus. Padahal koordinat piksel citra tidak ada (tidak boleh) negatif. Maka rumus dimodifikasi menjadi : x’ – xc = –(x – xc) x’ – xc = – x + xc x’ = 2xc – x . menjadi : y’ = –y y’ = h – 1 – y Untuk pencerminan kombinasi.18 OPERASI GEOMETRI • Operasi Geometri pada pengolahan citra ditujukan untuk memodifikasi koordinat piksel dalam suatu citra dengan pendekatan tertentu. Kesimpulan : Pencerminan Horisontal Pencerminan Vertical : : x’ = w – 1 – x y’ = y (nilai koordinat y tetap) y’ = h – 1 – y x’ = x (nilai koordinat x tetap) x’ = w – 1 – x y’ = h – 1 – y Pencerminan Kombinasi : citra asli pencerminan horizontal pencerminan vertical pencerminan kombinasi . dengan xc nilai koordinat garis tengah citra. PENCERMINAN (FLIPPING) • Operasi pencerminan merupakan salah satu operasi geometri yang paling sederhana. x’ = –x karena koordinat asal (x) bernilai nol atau positif. Citra w = lebar citra w–1 xc = = (w–1)/2 2 Garis tengah citra (xc) Karena xc = (w–1)/2 Maka : x’ = 2 ((w–1)/2) – x x’ = w – 1 – x • • Untuk pencerminan vertikal. tetapi dalam perkembangannya dimungkinkan juga memodifikasi nilai skala keabuan. rumus keduanya digabungkan. • Efek pencerminan horisontal : pencerminan pada sumbu Y vertikal : pencerminan pada sumbu X kombinasi : pencerminan pada sumbu Y dan X • Formula/rumus yang digunakan untuk pencerminan horisontal. maka koordinat hasil (x’) yang diperoleh dari rumus akan selalu bernilai nol atau negatif.

PEMOTONGAN (CROPPING) Adalah pengolahan citra dengan kegiatan memotong satu bagian dari citra. Rumus yang digunakan : x’ = x – xL y’ = y – yT untuk x = xL sampai xR untuk y = yT sampai yB 0 0 xL xR (xL.yT) dan (xR.19 2. ROTASI (ROTATING) • Operasi rotasi dengan memutar koordinat yang akan dibahas adalah rotasi ¼ putaran (900) dan ½ putaran (1800).yB) adalah koordinat titik pojok kiri atas yT dan pojok kanan bawah citra yang akan di-crop Ukuran citra menjadi : w’ = xR – xL h’ = yB – YT h’ yB w’ citra hasil cropping citra di-crop citra asli . • Rotasi ¼ putaran (900) searah jarum jam (CW/clock wise) w’ = h dan h’ = w x’ = w’ – 1 – y y’ = x • pertukaran ukuran lebar & tinggi citra Rotasi ½ putaran (1800) searah jarum jam (CW/clock wise) x’ = w’ – 1 – x y’ = h’ – 1 – y • Rotasi Bebas Dengan asumsi berlawanan arah jarum jam (CCW/counter clock wise) x’ = x cos(θ) + y sin(θ) y’ = -x sin(θ) + y cos(θ) w’ = |w cos(θ)| + |h sin(θ)| h’ = |w sin(θ)| + |h cos(θ)| citra asli rotasi bebas (250 CCW) ½ putaran (1800 CW) ¼ putaran (900 CW) 3.

PENSKALAAN (SCALING) • Operasi penskalaan (scaling) dimaksudkan untuk memperbesar (zoom-in) atau memperkecil (zoom-out) citra. jadi citra 2 x 2 piksel menjadi 4 x 4 piksel Sh = 1 Sv = 2 . memperbesar citra asli Nilai skala < 1 .20 4. memperkecil citra asli Rumus yg dipakai : x’ = Sh x y’ = Sv y Keterangan : Sh = faktor skala horisontal Sv = faktor skala vertikal citra asli • Ukuran citra juga berubah menjadi : w’ = Sh w h’ = Sv h Operasi zoom in dengan faktor 2 (Sh=Sv=2) menyalin setiap piksel sebanyak 4 kali. > 1 .

Deteksi gerakan (motion detection) 3.y)……… • Dalam operasi yang melibatkan dua buah citra atau lebih.y) = A(x.y) operator A2(x.y) C(x.y) = wa * A(x.y) = A(x.y) = A1(x.y) = A(x.y) + wb * B(x.y) + B(x. maka : C(x.y) • Dengan mengevaluasi nilai selisih tersebut. Penggabungan citra (image blending) 2.y) / B(x.y) – B(x.y) C(x. biasanya akan diterapkan operasi aritmatika. sebagai contoh : Penjumlahan Pengurangan Perkalian Pembagian • C(x. Operasi Logika (logic Operation) 1.y) operator A3(x.bagian yang tidak bergerak akan menghasilkan nilai = 0 .y) operator B(x.6 2.21 OPERASI BERBASIS BINGKAI (FRAME) = OPERASI MULTI IMAGE • Operasi multi image adalah operasi pengolahan terhadap lebih dari satu obyek citra dan menghasilkan sebuah citra keluaran yang merupakan hasil operasi matematis • Operasi ini dilakukan titik per titik dengan lokasi yang bersesuaian pada citra-citra masukan • Secara umum misal akan dioperasikan citra A dan citra B sehingga menghasilkan citra C.y) Jika melibatkan lebih dari 2 citra.y) wa dan wb adalah bobot untuk citra A dan B.y) * B(x.y) C(x. PENGGABUNGAN CITRA (IMAGE BLENDING) • Penggabungan citra dilakukan dengan cara menimpakan sebuah citra pada citra yang lain • Dengan kata lain dilakukan operasi penjumlahan terhadap citra yang ada dengan pemberian bobot pada masing-masing citra C(x.y) = A(x.y) = A(x.y) Beberapa pengolahan citra yang berkaitan dengan operasi ini adalah : 1.y) = A(x. dapat diketahui apakah pada citra terdapat objek yang bergerak • Bisa juga digunakan rumus pada operasi blending dengan memberi bobot wa = 1 dan wb = – 1 . maka dapat diformulasikan sbb : C(x.4 wb=0.y) – B(x. dan nilai jumlah total dari bobot adalah 1 wa + wb = 1 citra B citra A citra hasil penggabungan dengan wa=0. DETEKSI GERAKAN • Deteksi gerakan secara sederhana dapat dilakukan dengan mencari beda antara 2 citra yang berurutan pada hasil pencitraan menggunakan kamera video digital • Operator yang digunakan adalah pengurangan • Dengan operasi pengurangan ini : .bagian yang bergerak menghasilkan nilai ≠ 0 C(x.

y) XOR C(x.y) = A(x.y) = A(x.y) B(x.y) = A(x.y) SUB C(x.y) AND C(x. OPERASI LOGIKA • Beberapa operasi logika dapat diterapkan pada 2 atau lebih citra.y) • B(x.y) = NOT A(x.y) B(x.y) OR C(x.y) = A(x.y) B(x.y) AND OR 0 0 1 1 0 1 0 1 0 0 0 1 0 1 1 1 XOR 0 1 1 0 Operasi SUB mirip dengan operasi pengurangan.22 citra A citra B citra hasil mendeteksi gerakan : objek paku hitam menunjukkan posisi objek mengalami perpindahan objek paku putih menunjukkan posisi akhir dari objek tersebut 3. tetapi jika hasilnya negatif maka hasilnya diganti dengan 0 A – B jika A ≥ B A SUB B = 0 jika A < B citra A citra B A AND B citra A citra B A OR B citra A citra B A XOR B citra A citra A citra B A SUB B NOT A . yaitu : C(x.

Rumus yang digunakan untuk citra dengan skala keabuan k bit.h ⎝ ⎠ Ci round Ko w h = = = = = cacah/distribusi kumulatif nilai skala keabuan ke – i dari citra asli fungsi pembulatan ke bilangan terdekat. • Salah satu operasi global adalah Ekualisasi Histogram (Histogram Equalization) EKUALISASI HISTOGRAM (Histogram Equalization) • = adalah suatu proses perataan histogram. dimana distribusi nilai derajat keabuan pada suatu citra dibuat rata. misal 8 bit : ⎛ C . jadi distribusi titik dalam citra asli harus disebarkan secara lebih merata ke seluruh nilai keabuan.4 menjadi 35 nilai keabuan hasil histogram equalization lebar citra tinggi citra Contoh : Misal diketahui beberapa nilai piksel/nilai skala keabuan sebagai berikut : 2 4 3 1 3 6 4 3 1 0 3 2 Maka histogram dari data diatas adalah : 4 3 2 1 0 0 1 2 3 4 5 6 Proses perhitungan cacah / distribusi kumulatif : Nilai skala keabuan Frekuensi Distribusi kumulatif 0 1 1 1 2 1+2=3 2 2 3+2 = 5 3 4 5+4 = 9 4 2 9 + 2 = 11 5 0 11 + 0 = 11 6 1 11 + 1 = 12 . histogram citra hasil yang ideal memiliki jumlah titik yang sama untuk setiap tingkat keabuan. ( 2 k − 1) ⎞ ⎟ K o = round ⎜ i ⎜ ⎟ w. • Proses ekualisasi histogram secara ideal : Ekualisasi 0 255 Histogram citra asli Histogram citra hasil yang ideal • • Pada gambar diatas. misal : 35.23 OPERASI GLOBAL • Proses yang dilakukan bergantung pada karakteristik global dari citra yang hendak dimodifikasi • Karakteristik tersebut biasanya berupa sifat statistik dari citra itu sendiri yang direpresentasikan dengan histogram tingkat keabuan = mempertimbangkan keseluruhan titik pada citra tersebut.

24 Hasil Histogram Ekualization Nilai skala keabuan 0 1 2 3 4 5 6 Distribusi kumulatif 1 3 5 9 11 11 2 Nilai keabuan setelah perhitungan rumus. misal : 0 1 2 4 5 5 6 Data nilai piksel/nilai skala keabuan diatas setelah ekualisasi histogram menjadi : 254146541042 Hisogramnya : 4 3 2 1 0 0 1 2 3 4 5 6 Contoh : .

sehingga yang diterima oleh sensor atau detector tidak lagi berupa suatu titik. namun berupa luasan. Mempunyai hubungan satu-satu (one to one). Ini dikarenakan : sinyal yang dikirim oleh obyek citra mengalami penyebaran (divergensi).25 OPERASI BERTETANGGA / PERSEKITARAN (Neighborhood Operation) • • Sebuah citra yang ideal. Atau sebaliknya satu titik pada sensor atau detector dapat menerima banyak sinyal dari beberapa bagian. Operasi persekitaran/bertetangga pada dasarnya adalah hubungan antara citra dengan sebuah filter (mask / kernel) Nilai dari filter/mask merupakan bobot kontribusi titik persekitaran terhadap operasi persekitaran. satu titik pada obyek dipetakan tepat satu pixel di citra digital. Korespodensi one to one antara obyek dan citra digital • • Tetapi pada kenyataannya. . apabila mampu mencerminkan kondisi sesungguhnya dari suatu obyek. hubungan yang ada antara titik dalam obyek dengan titik pada citra digital adalah hubungan satu ke banyak (one to many) dan banyak ke satu (many to one). Hubungan sesungguhnya antara obyek citra dan citra digital • • • Operasi citra digital yang berhubungan dengan kondisi diatas disebut operasi persekitaran/bertetangga (neighborhood operation).

DETEKSI TEPI (Edge Detection) • • • Operasi ini digunakan untuk menentukan lokasi titik-titik yang merupakan tepi obyek citra.y + v) y = −N x. Penghalusan Citra (Smoothing) 3.n : batas titik tetangga yang masih memberikan pengaruh ke titik yang sedang ditinjau untuk arah horisontal dan vertikal.v : posisi titik di dalam citra m. Ada beberapa mask yang telah dirancang untuk deteksi tepi yaitu operator gradien yang terdiri dari : Robert Operator Robert diagonal 1 1 0 0 –1 Operator Robert diagonal 2 0 –1 1 0 Prewitt Operator Prewitt horisontal –1 –1 –1 0 0 0 1 1 1 Operator Prewitt vertikal –1 0 1 –1 0 1 –1 0 1 .y.y) = 1*200 + 0*180 – 1*150 + 2*160 + 1*160 – 2*200 + 1*140 + 0*120 – 1*120 = 150 • Beberapa pengolahan citra yang berkaitan dengan operasi ini adalah : 1. Reduksi Noise 5. Misal dari ilustrasi diatas. tepi suatu obyek dalam citra dinyatakan sebagai titik yang nilai warnanya berbeda cukup besar dengan titik yang ada disebelahnya.v) . g(x+ u. Secara umum. Deteksi Tepi (Edge Detection) 2.u. nilai pixel semula 160 menjadi : h(x. Penajaman Citra (Sharping) 4.26 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 180 150 200 120 100 1 2 1 0 1 0 -1 -2 -1 Bobot/mask/ kernel/filter Formula yang dipakai SUM OF PRODUCTS : h(x. Efek Emboss 1.y) = x = −M ∑ ∑ M N f(u.

| K2(x. K0(x.y) | ) K0(x.27 Sobel Operator Sobel horisontal –1 0 1 –2 0 2 –1 0 1 Operator Sobel vertikal –1 –2 –1 0 0 0 1 2 1 Isotropik Operator Isotropik horisontal –1 0 1 – √2 0 √2 –1 0 1 Operator Isotropik vertikal –1 – √2 –1 0 0 0 1 √2 1 Kombinasi antar kedua hasil operasi dengan mask tersebut bisa dilakukan dengan mengambil hasil penjumlahan.y) | .y) | ) / 2 K0(x.y) + K2(x. Operator ini dapat digunakan untuk horisontal dan vertikal.y) = ( | K1(x. formula (1) dan (2) biasanya lebih disukai dan lebih mudah dikerjakan karena mengandung jumlah operasi aritmetika yang lebih sedikit.y) | ) K0(x.y) * K2(x. Dalam praktek.y) = max ( | K1(x. rerata atau rerata geometri.y)* K1(x.y) | + | K2(x. Operator Laplacian Operator lain yang dapat digunakan untuk mendeteksi tepi adalah operator Laplacian.y) | + | K2(x.y) Dengan K1(x. nilai maksimum.y) adalah hasil operasi dengan mask 1 dan mask 2. 0 –1 0 –1 4 –1 0 –1 0 Laplacian 5 titik –1 –1 –1 –1 8 –1 –1 –1 –1 Laplacian 9 titik I –2 1 –2 1 4 1 –2 1 –2 Laplacian 9 titik II .y) dan K2(x.y) = ( | K1(x.y) = (1) (2) (3) (4) √ K1(x.

y) + K2(x.y) = √ (90*90)+(210*210) = 228.y) | ) / 2 = (80 + 150)/2 = 115 K0(x.4 ≈ 228 Isotropik Horisontal = K1(x.y) = |(–1*200) + (–√2*160) + (–1*140) + (1*150) + (√2*150) + (1*120)| = | – 84 | = 84 Vertikal = K2(x.y) = √ (80*80)+(150*150) = 170 Sobel Horisontal = K1(x.y) = √ (84*84)+(177*177) = 195.y) | ) / 2 = (84 + 177)/2 = 130.y) = ( | K1(x.y) | .y) = max ( | K1(x.y) | + | K2(x.28 Contoh : 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 200 150 150 120 80 180 150 120 100 60 f(2.5 ≈ 131 K0(x.y) | + | K2(x.y) = ( | K1(x.y) = | (–1*200) + (–1*180) + (–1*150) + (1*140) + (1*120) + (1*120) | = | – 150 | = 150 Maka h(2. | K2(x.y) = | (–1*200) + (–1*160) + (–1*140) + (1*150) + (1*150) + (1*120) | = | – 80 | = 80 Vertikal = K2(x.y) | + | K2(x.y)* K1(x.2) bila menggunakan : K0(x.y) | + | K2(x.y) = ( | K1(x.y) = √ K1(x.y) | + | K2(x.y) + K2(x. | K2(x.y) = √ (40*40)+(30*30) = 50 Prewitt Horisontal = K1(x.y) | ) = 40 + 30 = 70 K0(x.y) + K2(x.2) = 160 Roberts Diagonal1 = K1(x.y) | ) = 80 + 150 = 230 K0(x.y) = |(–1*200) + (–√2*180) + (–1*150) + (1*140) + (√2*120) + (1*120)| = | – 177 | = 177 Maka h(2.y) | ) = 150 K0(x.y) | .y) + K2(x.y) = | (1*160) + (0*150) + (0*120) + (–1*120) | = 40 atau pakai cara praktis |160 – 120 | = 40 Diagonal2 = K2(x.y) | .y) | + | K2(x.y) = | (–1*200) + (–2*180) + (–1*150) + (1*140) + (2*120) + (1*120) | = | – 210 | = 210 Maka h(2.y) = √ K1(x.y) = max ( | K1(x.y) | .y) * K2(x.y)* K1(x.y) = ( | K1(x.y) | ) = 210 K0(x. | K2(x.y) = | (0*160) + (1*150) + (–1*120) + (0*120) | = 30 atau pakai cara praktis |150 – 120 | = 30 Maka h(2.y) * K2(x.y) = √ K1(x.2) bila menggunakan : K0(x.y) | ) / 2 = (40 + 30)/2 = 35 K0(x.y) * K2(x.y) = max ( | K1(x.y) | ) / 2 = (90 + 210)/2 = 150 K0(x.y) = ( | K1(x.9 ≈ 196 .y) | + | K2(x.2) bila menggunakan : K0(x.y) = ( | K1(x.y) = | (–1*200) + (–2*160) + (–1*140) + (1*150) + (2*150) + (1*120) | = | – 90 | = 90 Vertikal = K2(x.y) = ( | K1(x.y)* K1(x.y) | ) = 84 + 177 = 261 ≈ 255 K0(x.y) = max ( | K1(x.y) | ) = 40 K0(x.2) bila menggunakan : K0(x.y) | ) = 177 K0(x.y) * K2(x. | K2(x.y) = √ K1(x.y)* K1(x.y) | + | K2(x.y) | ) = 90 + 210 = 300 ≈ 255 K0(x.y) = ( | K1(x.

y) = | (–1*200) + (–1*180) + (–1*150) + (–1*160) + (8*160) + (–1*150) + (–1*140) + (–1*120) + (–1*120) | = 60 Maka h(2.2) = (1/9 * 200) + (1/9 * 180) + (1/9 * 150) + (1/9 * 160) + (1/9 * 160) + (1/9 * 150) + (1/9 * 140) + (1/9 * 120) + (1/9 * 120) = 153.29 Laplacian 9 titik I K1(x.2) = 60 citra asli Roberts dengan nilai maksimum Prewitt dengan nilai maksimum Sobel dengan nilai maksimum Isotropik dengan nilai maksimum Laplacian dengan 9 titik I 2.2) = 160 Bila menggunakan mask 5 titik bertetangga maka h(2.2) = (1/5 * 180) + (1/5 * 160) + (1/5 * 160) + (1/5 * 150) + (1/5 * 120) = 154 Bila menggunakan mask 3 x 3 maka h(2. PENGHALUSAN CITRA (Smoothing) • Penghalusan citra dilakukan dengan memberikan nilai yang sama kepada semua bobot pada mask yang digunakan.3 ≈ 153 . • Mask yang dapat dipakai : 1/5 1/5 1/5 1/5 1/5 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 1/25 5 titik bertetangga 9 titik bertetangga (3 x 3) 25 titik bertetangga (5 x 5) Contoh : 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 200 150 150 120 80 180 150 120 100 60 f(2.

2) = (–1 * 200) + (–1 * 180) + (–1 * 150) + (–1 * 160) + ((1+8(1)) * 160) + (–1 * 150) + (–1 * 140) + (–1 * 120) + (–1 * 120) = 220 citra asli citra hasil dengan mask 5 titik α=1 citra hasil dengan mask 9 titik α=1 . sehingga bagian tepi objek terlihat lebih berbeda dengan latarnya dan citra terkesan lebih tajam • Mask yang dapat dipakai : 0 –α 0 –α 1 + 4α –α 0 –α 0 –α –α –α –α 1 + 8α –α –α –α –α 5 titik • 9 titik Banyaknya penambahan komponen citra tepi diatur dengan suatu nilai derajat penajaman (α).2) = 160 . α = 1 Bila menggunakan mask 5 titik maka h(2.30 citra asli citra hasil dengan mask 3 x 3 3.2) = (0 * 200) + (–1 * 180) + (0 * 150) + (–1 * 160) + ((1+4(1)) * 160) + (–1 * 150) + (0 * 140) + (–1 * 120) + (0 * 120) = 190 Bila menggunakan mask 9 titik maka h(2. sehingga dengan mengatur nilai α maka tingkat ketajaman citra dapat disesuaikan dengan keinginan kita 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 200 150 150 120 80 180 150 120 100 60 f(2. PENAJAMAN CITRA (Sharping) • Operasi penajaman citra pada dasarnya penjumlahan atas citra tepi (hasil dari deteksi tepi) dengan citra aslinya.

5 x 3. dll 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 200 150 150 120 80 180 150 120 100 60 f(2.180.150.2) = 160 .150. EFEK EMBOSS • Efek emboss = kesan timbul pada objek dalam citra • Mask yang dapat digunakan : –β –β –β 0 1 0 β β β 0 β β –β 1 β –β –β 0 dari arah kiri • dari arah kanan atas Parameter β (derajat emboss) digunakan untuk mengatur seberapa banyak efek timbul akan diberikan f(2. kemudian ditentukan mediannya • Nilai median adalah nilai yang berada paling tengah dari urutan.200) = 150 citra asli ada noise citra hasil dengan reduksi noise operasi median 3 x 3 5.140. 7 x 7 .2) = median (120. misal 3 x 3 . atau 1 x 5.160. β = 2 Bila menggunakan mask dari arah kiri maka h(2.2) = 160 Bila menggunakan operasi median 3 x 3 maka h(2. salah satunya dengan operasi median • Nilai keabuan dari titik-titik di dalam jendela diurutkan dari nilai terkecil sampai dengan terbesar. REDUKSI NOISE • Banyak cara untuk reduksi noise. 5 x 5 .31 4.2) = (0 * 200) + (–2 * 180) + (–2 * 150) + (2 * 160) + (1 * 160) + (–2 * 150) + (2 * 140) + (2 * 120) + (0 * 120) = 40 250 240 180 180 160 240 200 160 140 130 200 180 160 120 100 200 150 150 120 80 180 150 120 100 60 . • Operasi median dapat menggunakan mask tanpa bobot dengan ukuran sesuai yang dikehendaki.120.160.2) = (–2 * 200) + (0 * 180) + (2 * 150) + (–2 * 160) + (1 * 160) + (2 * 150) + (–2 * 140) + (0 * 120) + (2 * 120) = 0 Bila menggunakan mask dari arah kanan atas maka h(2.

32 citra asli citra hasil dengan mask dari arah kiri β=2 citra hasil dengan mask dari arah kanan atas β=2 .

sehingga bagian yang sama ini tidak perlu dikodekan berulangkali karena mubazir atau redundan Contoh : citra langit biru dengan beberapa awan putih banyak intensitas piksel dan region yang sama Pemampatan citra / kompresi citra bertujuan meminimalkan kebutuhan memori untuk merepresentasikan citra digital dengan mengurangi duplikasi data di dalam citra sehingga memori yang dibutuhkan menjadi lebih sedikit daripada representasi citra semula. Namun kebanyakan citra mengandung duplikasi data. handphone. proses transfer dan penyimpanannya mudah . Citra terkompresi disimpan dalam file dengan format tertentu. pengiriman dari satelit.suatu piksel memiliki intensitas yang sama dengan dengan piksel tetangganya. Semakin besar PSNR. Ukuran memori hasil kompresi juga bergantung pada citra itu sendiri. Diperlukan bila citra tersebut ditampilkan ke layar / disimpan dalam format tidak mampat (bentuk bitmap(BMP)) Memori yang dibutuhkan seminimal mungkin Ada metode yang berhasil kompresi dengan persentase besar. semakin besar memori yang dibutuhkan. dsb .citra banyak mengandung bagian (region) yang sama. yaitu : . ada yang kecil. sehingga penyimpanan setiap piksel memboroskan tempat . semakin bagus kualitas kompresi. yaitu citra yang mengandung banyak elemen duplikasi biasanya berhasil dikompresi dengan memori yang lebih sedikit. demikian sebaliknya. videoconferencing. Manfaat kompresi citra : . download dari internet.Proses kompresi dan dekompresinya cepat Proses kompresi : citra dalam representasi tidak mampat dikodekan dengan representasi yang meminimumkan kebutuhan memori.Waktu pengiriman data pada saluran komunikasi data lebih singkat Contoh : pengiriman gambar dari fax. misal JPEG (Joint Photographic Experts Group) proses dekompresi : citra yang sudah dimampatkan dikembalikan lagi (decoding) menjadi representasi yang tidak mampat.Membutuhkan ruang memori dalam storage lebih sedikit dibandingkan dengan citra yang tidak dimampatkan Metode kompresi yang diharapkan : . Contoh : citra langit biru tanpa awan dibandingkan dengan citra pemandangan alam (mengandung banyak objek) Kualitas citra hasil kompresi harus bagus (fidelity) Informasi yang hilang akibat kompresi seharusnya seminimal mungkin sehingga kualitas hasil kompresi bagus. Tetapi biasanya kualitas kompresi bagus bila proses kompresi menghasilkan pengurangan memori yang tidak begitu besar.33 PEMAMPATAN CITRA (IMAGE COMPRESSION) • • Semakin besar ukuran citra. b = 255) akar pangkat dua dari selisih antara citra semula dengan citra hasil kompresi nilai piksel citra semula nilai piksel citra kompresi PSNR memiliki satuan decibel (dB). Mengukur kualitas hasil kompresi dengan PSNR (peak signal – to – noise ratio) ⎛ b ⎞ PSNR = 20 x log10 ⎜ ⎟ ⎝ rms ⎠ rms = N M 1 ∑∑ ( f ij − f 'ij ) 2 tinggixlebar i =1 j =1 • • - b rms f f’ = = = = sinyal terbesar (pada citra hitam putih. pengiriman data medis.

06 0. ada 2 kelompok besar metode kompresi : 1. Ratio = 100% − ( ukuran citra hasil kompresi x100%) ukuran citra asli • 2. label sisi kiri = 0. Mata tidak dapat membedakan perubahan kecil pada gambar. Metode ini cocok untuk kompresi citra yang mengandung informasi penting yang tidak boleh rusak akibat kompresi. 1. • Contoh : citra ukuran 64 x 64 dengan 8 derajat keabuan (k) jumlah seluruh piksel (n) = 64 x 64 = 4096 K 0 1 2 3 4 5 6 7 nk 790 1023 850 656 329 245 122 81 P(k) = nk/n 0.06 4 : 0.19 0.03 5 : 0. label sisi kanan = 1. STATISTICAL COMPRESSION (Metode Huffman) • Termasuk metode lossless compression • Pengkodean citra berdasarkan pada derajat keabuan (gray level) dari piksel-piksel dalam keseluruhan image • Nilai atau derajat keabuan yang sering muncul di dalam citra akan dikodekan dengan jumlah bit yang lebih sedikit sedangkan nilai keabuan yang frekuensi kemunculannya sedikit dikodekan dengan jumlah bit yang lebih panjang.02 Langkah 1 : 7 : 0. Barisan label-label sisi dari akar ke daun menyatakan kode Huffman untuk derajat keabuan yang bersesuaian. 5. Gabung 2 buah pohon yang mempunyai frekuensi kemunculan paling kecil pada sebuah akar.03 0.21 0. Metode ini menghasilkan ratio kompresi yang lebih tinggi daripada metode lossless. Ulangi langkah 1 dan 2 sampai tersisa 1 pohon biner. Pendekatan transformasi wavelet (wavelet compression) : tidak dibahas Berdasarkan hasilnya. • Algoritma metode Huffman : 1. 2. Pendekatan kuantisasi (quantizing compression) 4.08 0. Telusuri pohon biner dari akar ke daun.25 0.16 0.08 3 : 0.34 • Pendekatan yang digunakan untuk kompresi : 1. Sayangnya ratio kompresi citra metode ini sangat rendah. Beri label setiap sisi pada pohon biner. Pendekatan statistik (statistical compression) 2.19 2 : 0. Urutkan secara menaik nilai keabuan berdasarkan frekuensi kemunculannya atau peluang kumunculan yaitu frekuensi kemunculan dibagi dengan jumlah piksel dalam citra (pk = nk/n). misal kompresi citra hasil diagnosa medis.02 6 : 0. Setiap nilai keabuan dinyatakan sebagai pohon bersimpul tunggal dan setiap simpul diassign dengan frekuensi kemunculan nilai keabuan tersebut. 4.25 . Lossless Compression Kompresi citra dimana hasil dekompresi dari citra yang terkompresi sama dengan citra aslinya. Akar mempunyai frekuensi yang merupakan jumlah dari frekuensi 2 pohon penyusunnya. Lossy Compression Kompresi citra dimana hasil dekompresi dari citra yang terkompresi tidak sama dengan citra aslinya karena ada informasi yang hilang. Perhatikan : frekuensi dengan nilai lebih kecil diletakkan di sisi kiri 3.21 1 : 0. tidak ada informasi yang hilang. Pendekatan ruang (spatial compression) 3. tetapi masih bisa ditolerir oleh persepsi mata. Pendekatan fraktal (fractal compression) : tidak dibahas 5.16 0 : 0.

19 4 : 0.08 3 : 0.05 7 : 0.11 5 : 0.19 2 : 0. kemudian gabungkan dan urutkan secara menaik.05 7 : 0.25 34765 : 0.02 6 : 0.06 4 : 0.16 0 : 0.21 1 : 0.11 3 : 0.19 2 : 0.25 4 : 0.21 1 : 0.06 76 : 0.02 6 : 0.03 Dengan formasi seperti diatas. .25 76 : 0.19 0 : 0. frekuensi yang lebih kecil diletakkan di sisi kiri 4 : 0.03 3 : 0.03 0 : 0.25 7 : 0.35 3 : 0.08 765 : 0.19 2 : 0.21 1 : 0.05 5 : 0.06 76 : 0.08 765 : 0.08 765 : 0.02 6 : 0.11 5 : 0.06 7 : 0.16 4765 : 0.21 1 : 0.19 2 : 0. pilih 2 frekuensi terkecil.16 0 : 0.05 5 : 0.35 Langkah 2 : 76 : 0.02 6 : 0.16 4765 : 0.03 Langkah 3 : Ulangi langkah 1 & 2 sampai tersisa 1 pohon biner Ingat.

19 2 : 0.06 76 : 0.08 765 : 0.06 76 : 0.08 765 : 0.11 5 : 0.19 4 : 0.11 5 : 0.40 0 : 0.02 02134765 : 1 134765 : 0. lakukan langkah 4.35 02 : 0.21 1 : 0.08 765 : 0.40 0 : 0.05 7 : 0.11 5 : 0.36 1 : 0.40 0 : 0.16 4765 : 0.21 3 : 0. 6 : 0.05 7 : 0.35 3 : 0.03 02 : 0.02 6 : 0.19 4 : 0.05 7 : 0.60 6 : 0.03 02 : 0.25 34765 : 0.19 4 : 0.19 2 : 0.35 3 : 0.03 .19 2 : 0.21 1 : 0.02 Karena sudah tersisa 1 pohon.25 134765 : 0.16 4765 : 0.06 76 : 0.25 34765 : 0.16 4765 : 0.60 34765 : 0.

21 1 : 0.11 1 76 : 0.25 0 34765 : 0. Derajat keabuan 0 1 2 3 4 5 6 7 Kode Huffman 00 10 01 110 1110 11111 111101 111100 Ukuran 2 bit 2 bit 2 bit 3 bit 4 bit 5 bit 6 bit 6 bit Banyaknya piksel 790 1023 850 656 329 245 122 81 Ukuran citra setelah kompresi = (790 x 2 bit) + (1023 x 2 bit) + (850 x 2 bit) + (656 x 3 bit) + (329 x 4 bit) + (245 x 5 bit) + (122 x 6 bit) + (81 x 6 bit) = 11053 bit Ukuran citra sebelum kompresi = 4096 piksel x 3 bit = 12288 bit Tiap piksel berukuran 3 bit.08 0 765 : 0.05 0 1 5 : 0.02 6 : 0.19 1 4 : 0.40 0 1 0 134765 : 0.06 7 : 0.03 Langkah 5 : Telusuri pohon biner dari akar ke daun untuk menentukan kode Huffman yang sesuai dengan derajat keabuan. artinya citra semula telah dimampatka sebanyak10% n . diperoleh dari 2 3 = 8 derajat keabuan (nilai intensitas piksel 0 s/d 7) Misal 256 derajat keabuan berarti nilai intensitas piksel 0 s/d 255.19 2 : 0.37 Langkah 4 : Beri label 0 untuk sisi kiri. tiap piksel berukuran 8 bit (1 byte ) diperoleh dari 2 8 = 256 Ratio kompresi = 100% − ( ukuran citra hasil kompresi x100%) ukuran citra asli 11053 = 100% − ( x100%) 12288 = 10%.16 0 4765 : 0.35 1 3 : 0.60 1 0 : 0. sisi kanan label 1 02134765 : 1 0 1 02 : 0.

2) Hasil pengkodean 1 1 2 1 15 3 1 4 4 1 2 3 3 5 1 1 4 3 2 ada 20 nilai. Setiap piksel di dalam kelompok dikodekan kembali dengan nilai derajat keabuan yang baru.4) (3. buat histogram citra semula (citra yang akan dikompresi) 2. misal dari 256 menjadi 16.1) (1. 16 derajat keabuan (4 bit) 2 3 3 3 2 9 8 8 9 0 6 5 4 4 4 4 4 7 7 3 8 7 4 2 8 2 6 9 7 9 6 3 2 6 5 3 8 3 2 4 8 2 8 1 7 5 8 2 6 1 9 4 7 5 2 3 7 4 3 8 7 3 9 0 3 Langkah 1 : Banyaknya piksel citra = 65 Buat histogramnya : Derajat keabuan 0 1 2 3 4 5 6 7 8 9 Jumlah piksel 2 2 9 11 9 4 5 8 9 6 . • Algoritma kuantisasi : 1.38 2. jadi berkurang 4 nilai • Metode RLE dapat dikombinasikan dengan metode Huffman untuk meningkatkan ratio kompresi. SPATIAL COMPRESSION (Metode Run Length Encoding / RLE) • Cocok digunakan untuk memampatkan citra yang memiliki kelompok-kelompok piksel berderajat keabuan yang sama • Metode ini dilakukan dengan menyatakan seluruh baris citra menjadi sebuah baris run.2) (3.5) (3. Identifikasi n kelompok di dalam histogram sehingga setiap kelompok mempunyai kira-kira P/n buah piksel 3. Misal P adalah jumlah piksel dalam citra semula. Nyatakan setiap kelompok dengan derajat keabuan 0 sampai n-1.1) (4. Mula-mula lakukan kompresi RLE lalu hasilnya dimampatkan lagi dengan Huffman.3) (5.1) (1. QUANTIZING COMPRESSION • Termasuk metode lossy compression karena mereduksi jumlah derajat keabuan yang ada pada citra sehingga banyak informasi yang hilang. 3.1) (2. • Contoh : citra 5 x 13. lalu menghitung run – length untuk setiap derajat keabuan yang berurutan • Contoh sebuah citra sebagai berikut : 1 1 1 1 - 2 3 1 1 1 4 3 1 1 4 3 1 1 4 3 3 1 4 5 3 ada 24 nilai Dinyatakan dalam barisan nilai derajat keabuan : 1 2 1 1 1 1 1 3 4 4 4 4 1 1 3 3 3 5 1 1 1 1 3 3 Hitung run-length untuk setiap derajat keabuan yang berurutan yaitu hitung jumlah kemunculan datanya (1.4) (1.

artinya citra semula telah dimampatka sebanyak50% n citra asli citra setelah kompresi dengan metode lossy. lebih jelas citra asli .25 piksel (bisa lebih bisa kurang) Kelompok 1 2 3 4 Nilai keabuan 0 1 2 3 4 5 6 7 8 9 Jumlah piksel 2 2 9 11 9 4 5 8 9 6 Jumlah piksel dalam kelompok 13 20 17 15 Langkah 3 : Setiap piksel didalam kelompok dikodekan dengan nilai keabuan yang baru yaitu 0 s/d 3 Kelompok 1 2 3 4 Nilai keabuan lama 0 1 2 3 4 5 6 7 8 9 Nilai keabuan baru 0 1 2 3 Citra setelah kompresi : 0 1 1 1 0 3 3 3 3 0 2 2 1 1 1 1 1 2 2 1 3 2 1 0 3 0 2 3 2 3 2 1 0 2 2 1 3 1 0 1 3 0 3 0 2 2 3 0 2 0 3 1 2 2 0 1 2 1 1 3 2 1 3 0 0 Ratio kompresi = 100% − ( ukuran citra hasil kompresi x100%) ukuran citra asli 130 = 100% − ( x100%) 260 = 50%. maka dibuat n buah kelompok yaitu 4. ada sedikit perubahan.39 Langkah 2 : Misal akan dikompresi dari 16 menjadi 4 derajat keabuan (2 bit) yaitu nilai keabuan 0 s/d 3. Tiap kelompok rata-rata ada 65/4 = 16.

semuanya digolongkan dalam 2 jenis berdasarkan cara kerjanya. Citra asli Citra hasil segmentasi • Ada bermacam-macam teknik segmentasi. komputer harus melakukan proses segmentasi terlebih dahulu.40 SEGMENTASI • • Dalam melakukan pengenalan sebuah objek di antara banyak objek dalam citra. Kemudian pada citra dilakukan penelusuran untuk seluruh titik. setiap titik akan digrupkan ke cluster terdekat sehingga hasil akhir dari proses ini adalah jumlah warna pada gambar menjadi N. kemudian mengganti warna seluruh titik dalam cluster-cluster tersebut dengan rata-rata dari cluster masing-masing. Cari intensitas maksimum dan minimum yang digunakan dalam citra 2. SEGMENTASI BERDASARKAN INTENSITAS WARNA • Berasumsi bahwa objek-objek yang akan dipisahkan cenderung memiliki intensitas warna yang berbeda-beda dan masing-masing objek memiliki warna yang hampir seragam • Salah satu teknik segmentasi berdasarkan intensitas warna adalah mean clustering • Pada mean clustering dilakukan pembagian citra dengan membagi histogram citra • Berikut langkah-langkahnya : 1. . N ini menentukan jumlah objek yang diharapkan ada pada gambar. Dari intensitas minimum ke maksimum dilakukan pembagian sejumlah N. Segmentasi berdasarkan intensitas warna (derajat keabuan) 2.membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu antara derajat keabuan suatu piksel dengan derajat keabuan piksel-piksel tetangganya.memisahkan citra menjadi bagian-bagian yang diharapkan merupakan objek-objek tersendiri. histogram akan terbagi menjadi bagian-bagian yang disebut cluster (kelompok). 3. Setelah dilakukan pembagian. Segmentasi = . yaitu : 1. Pembagian histogram citra menjadi 3 cluster (N = 3) Max Cluster 1 Cluster 2 Cluster 3 Hasil akhir dari proses clustering. Cari hasil rata-rata / mean dari seluruh titik pada setiap cluster. seluruh titik pada tiap cluster diganti dengan ratarata dari cluster sehingga menghasilkan citra dengan 3 (N) warna Max Cluster 1 Cluster 2 Cluster 3 Min Min . 4. Segmentasi berdasarkan karakteristik 1.

teori probabililitas. 2. Dari 4 bagian tersebut dilakukan perhitungan karakteristik masing-masing. Citra asli Saat proses split & merge Citra hasil . nilai rata-rata dari bagian citra tersebut. sedangkan yang tidak. • Untuk menghitung/menentukan karakteristik digunakan perhitungan statistik seperti varian. SEGMENTASI BERDASARKAN KARAKTERISTIK • Cara lain yang biasa digunakan adalah berdasarkan karakteristik objek pada citra • Yaitu mengelompokkan bagian-bagian citra yang memiliki karakteristik yang sama berupa perubahan warna antara titik yang berdekatan.41 • Kelemahannya : . Demikian seterusnya sehingga diperoleh hasil dari proses segmentasi • Proses tersebut adalah proses rekursif karena pada setiap saat dilakukan proses yang sama tetapi dengan data yang selalu berubah Daerah yang terdeteksi memiliki karakteristik yang sama adalah daerah yang diarsir. 3. standard deviasi. fourier transform. Bagian dari citra yang memiliki karakteristik yang sama akan digabungkan dan dianggap satu bagian. Bagi citra menjadi 4 bagian 2. dll • Salah satu teknik segmentasi berdasarkan karakteristik adalah split and merge (membagi kemudian menggabungkan) • Berikut langkah-langkahnya : 1.Harus tahu dengan tepat berapa jumlah objek yang ada pada citra . akan dibagi lagi menjadi 4 bagian dan dilakukan perhitungan karakteristik dan dilakukan lagi proses penggabungan bagian yang sama.Citra hasil kurang bagus jika pada citra terdapat beberapa objek dengan warna pada masingmasing objeknya bervariasi atau pada setiap objek memiliki warna yang sama.

Akhir abad 13.Bangsa Romawi menggunakan tinta tak tampak untuk menuliskan pesan. Jadi perubahan 1 bit LSB tidak mengubah warna tersebut secara berarti. Kriteria penyembunyian data (steganografi) yang bagus : . pesan rahasia ditulis pada kepalanya.Banyak metode penyembunyian data diantaranya yang paling sederhana adalah metode modifikasi LSB (Least Significant Bit Modification) .Robustness Data yang disembunyikan harus tahan (robust) terhadap berbagai operasi manipulasi yang dilakukan pada citra penampung. suara.Pengembangan watermark pada data digital tahun 1990 di Jepang dan Swiss tahun 1993. kompresi. Tulisan diatas kertas dapat dibaca dengan cara memanaskan kertas tersebut. susu. Teknik penyembunyian data . maka setiap bit dari watermark menggantikan posisi LSB dari segmen data citra menjadi : MSB • • .Misal pada byte 11010010 LSB Penggantian dilakukan pada bit LSB. mata manusia tidak dapat membedakan perubahan yang kecil.Dilakukan dengan mengganti bit-bit data di dalam segmen citra dengan bit-bit data rahasia .42 STEGANOGRAFI DAN WATERMAKING • • • • • Steganografi (steganography) = teknik menyembunyikan data rahasia di dalam media digital sehingga keberadaan data rahasia tersebut tidak diketahui oleh orang / sulit dideteksi Media digital sebagai wadah penampung bisa berupa citra. dsb. suara.Recovery Data yang disembunyikan harus dapat diambil kembali untuk digunakan lebih lanjut. . seperti pengubahan kontras. Kepala budak/prajurit dibotaki. masih terlihat dengan baik. dan cuka. Perbedaan steganografi & watermaking Steganografi : informasi rahasia disembunyikan dalam media digital dimana media penampung tidak berarti apa-apa Watermaking : yang dilindungi adalah media penampungnya (media digital). . teks. Pengamat tidak mengetahui kalau di dalam citra tersebut terdapat data rahasia. cropping. Data yang disembunyikan seharusnya tidak rusak dan tetap valid jika diekstraksi kembali. pabrik kertas di Italia membuat kertas yang diberi watermark (tanda air) dengan cara menekan bentuk cetakan gambar / tulisan pada kertas yang baru setengah jadi. Jika tinta digunakan untuk menulis maka tulisannya tidak tampak. teks.Pada susunan bit dalam 1 byte (8 bit) ada bit yang paling berarti (Most Significant Bit / MSB) dan bit yang paling kurang berarti (Least Significant Bit / LSB) . orang tersebut diutus untuk membawa pesan rahasia di kepalanya. Ketika rambut sudah tumbuh. mutu citra penampung tidak jauh berubah. video Data rahasia yang disembunyikan bisa berupa citra. . Ketika kertas dikeringkan akan terbentuk suatu kertas yang berwatermark. zoom.Fidelity Setelah penambahan data rahasia. penajaman. dilindungi kepemilikannya dengan pemberian label hak cipta (watermark) Sejarah steganografi & watermaking . Kertas yang sudah dibubuhi tanda air tersebut dijadikan identifikasi bahwa karya seni diatasnya adalah milik mereka. Misal segmen piksel-piksel citra sebelum penambahan bit-bit watermark : 00110011 10100010 11100010 01101111 Misal data rahasia 0111. . .Penguasa Yunani mengirimkan pesan rahasia menggunakan kepala budak/prajurit sebagai media. Biasanya digunakan oleh seniman/sastrawan untuk menulis karya mereka. terbuat dari campuran sari buah. video Watermaking pada citra adalah aplikasi dari steganografi dimana citra digital diberi suatu penanda yang menunjukkan label kepemilikan citra tersebut. karena hanya mengubah nilai byte tersebut satu lebih tinggi atau satu lebih rendah dari nilai sebelumnya.

PRNG dibuat menggunakan algoritma kriptografi DES (Data Encryption Standard). Teknik pengungkapan data .Digunakan kunci yang sama untuk membangkitkan bilangan acak . kriptografi CFB (Chiper – Feedback Mode).Posisi byte yang menyimpan bit data rahasia diketahui dari bilangan acak yang dibangkitkan oleh PRNG . dipilih susunan byte secara acak.Bilangan acak yang dihasilkan sama dengan bilangan acak yang dipakai pada waktu penyembunyian data. Misal terdapat 50 byte dan 6 bit data yang akan disembunyikan. Data yang disembunyikan dalam bentuk citra Citra asli Citra terwatermark. 21. maka byte yang diganti bit LSBnya dipilih secara acak. 49. Tujuan dari enkripsi adalah menghasilkan sekumpulan bilangan acak yang sama untuk setiap kunci enkripsi yang sama. Bilangan acak dibangkitkan dengan pseudo-random-number-generator (PRNG) PRNG menggunakan kunci rahasia untuk membangkitkan posisi piksel yang akan digunakan untuk menyembunyikan bit-bit. 10.43 00110010 10100011 11100011 01101111 • Untuk memperkuat penyembunyian data. terlihat tidak ada perubahan yang berarti . dsb. algoritma hash MD5. 18. misal byte nomor ke 36. sehingga bit-bit data rahasia yang bertaburan pada citra dapat dikumpulkan kembali. 5.

Woods. 2002 2. Rinaldi Munir. Informatika Bandung. Jozua F. Gonzalez and Richard E. “Catatan Kuliah Pengolahan Citra”. Teknik Informatika Udinus. Prentice-Hall International. Addison-Wesley Publishing. “Pengolahan Citra Digital dengan Pendekatan Algoritmik”. 1993 3. 2004 4. Edy Mulyanto. Agustinus Nalwan. Palandi. Graha Ilmu. “Pengolahan Citra Digital Menggunakan Visual Basic”.44 REFERENSI 1. Ioannis Pitas. 2005 7. “Digital Image Processing Algorithms”. Ardi Publishing. 2007 . Kartika Firdausy. Elex Media Komputindo. 1997 6. Achmad Basuki. Fatchurrochman. “Pengolahan Gambar Secara Digital”. Rafael C. “Teknik Pengolahan Citra Digital Menggunakan Delphi”. Balza Achmad. “Digital Image Processing”. 2005 5.