Definisi Citra pada Pengolahan Citra (Image Processing)
1.1
Pengertian Citra
Suatu
citra adalah fungsi intensitas 2 dimensi f(x,
y), dimana x dan y adalah koordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan (brightness) suatu citra pada suatu titik. Suatu citra diperoleh
dari penangkapan kekuatan sinar yang dipantulkan oleh objek. Gambar 1.1 adalah
gambar penangkapan / penerimaan citra oleh mata manusia.
Citra
sebagai output alat perekaman, seperti kamera, dapat bersifat analog ataupun
digital. Citra Analog adalah citra yang masih dalam bentuk sinyal analog,
seperti hasil pengambilan gambar oleh kamera atau citra tampilan di layar TV ataupun
monitor (sinyal video).
Gambar 2.9: Gambar atas adalah gambar yang sangat gelap adegan hutan. Gambar tengah adalah hasil dari penerapan pemerataan histogram untuk masing-masing komponen merah, hijau dan biru dari gambar asli. Gambar bawah adalah hasil dari mengkonversi gambar ke format YIQ, dan menerapkan pemerataan histogram untuk komponen luminance saja.
Menurut
presisi yang digunakan untuk menyatakan titik-titik koordinat pada domain
spasial (bidang) dan untuk menyatakan nilai keabuan (warna suatu citra), maka
secara teoritis cotra dapat dikelompokkan menjadi empat kelas citra, yaitu:
kontinu-kontinu, kontinu-diskrit, diskrit-kontinu, diskritdiskrit. Parameter(label)
pertama menyatakan presisi titik koordinat pada bidang, sedangkan label kedua
menyatakan presisi nilai keabuan/warna. Label kontinu berarti nilai yang
digunakan adalah tak terbatas dan tak tehingga, sedangkan diskrit menyatakan
terbatas dan berhingga. Suatu citra dijital merupakan representasi 2-D array sample
diskrit suatu citra kontinu f(x,y). Amplitudo setiap sample di kuantisasi untuk
menyatakan bilangan hingga bit. Setiap elemen array 2-D sample disebut suatu
pixel atau pel (dari istilah”picture element”) Pengolahan citra dijital adalah
proses pengolahan citra dijital dengan alat bantu komputer.
Tingkat
ketajaman/resolusi warna pada citra digital tergantung pada jumlah ”bit” yang
digunakan oleh komputer untuk merepresentasikan setiap pixel tersebut. Tipe
yang sering digunakan untuk merepresentasikan citra ada;ah ”8-bit citra” (256
colors (0 untuk hitam - 255 untuk putih)), tetapi dengan kemajuan teknologi
perangkat keras grafik, kemampuan tampilan citra di komputer hingga 32 bit (232
warna). Ranah nilai intensitas dalam suatu citra juga ditentukan oleh alat
digitasi yang digunakan untuk menangkap dan konversi citra analog ke citra
digital (A/D).
Perolehan
citra digital ini dapat dilakukan secara langsung oleh kamera digital ataupun
melakukan proses konversi suatu citra analog ke citra digital. Untuk mengubah
citra kontinu menjadi digital diperlukan proses pembuatan kisi-kisi arah
horizontal dan vertikal, sehingga diperoleh gambar dalam bentuk array dua
dimensi. Proses tersebut dikenal sebagai proses digitalisasi/sampling.
Citra
monochrome atau citra hitam-putih merupakan citra satu kanal, dimana citra f(x,
y) merupakan fungsi tingkat keabuan dari hitam ke putih; x menyatakan variabel
baris (garis jelajah) dan y menyatakan variabel kolom atau posisi di garis
jelajah. Sebaliknya citra bewarna dikenal juga dengan citra multi-spectral, di
mana warna citra biasanya
1.2 Perspective Projection
Perspective
projection adalah proses transformasi dari koordinat 3Dworld ke 2D image, yang
dilakukan berdasarkan:
• Continuous Perspective Projection
• optics
Gambar 1.1: Intensitas
Pada
Gambar 1.2 proyeksi suatu koordinat 3 dimensi(X, Y,Z) ke koordinat 2 Dimensi
(x, y) pada model perspective kontinu.
Gambar 1.2: Proyeksi
Weak
perspective (scaled orthographic projection) Merupakan efek perspektif, tetapi
tidak berdasarkan skala objek secara individu, yaitu mengumpulkan titik-titik
ke suatu kelompok pada sekitar kedalaman yang sama dan kemudian membagi setiap
titik dengan kedalaman kelompok titik-titik itu. Gambar 1.3 menunjukkan bentuk
proyeksi weak perspective.
Bentuk
persamaan untuk weak perspective adalah:
(x, y, z) à s(x,
y)
Dimana s bernilai konstan untuk semua titik, garis parallel
tidak konvergen tetapi terus parallel.
Gambar 1.3: Weak
Perspective
1.3 Sistem Visual Manusia
Kita
perlu memperhatikan konsep system visual manusia dalam pengolahan citra, sebab
proses tersebut sangat identik dengan proses pengolahan citra. Ketika manusia
menangkap citra di mata, maka prinsip tersebut juga diterapkan oleh pengolahan
citra untuk mengambil citra dari suatu alat sensor citra. Dari informasi citra
yang ditangkap oleh mata, kemudian diproses untuk mengidentifikasikan citra
tersebut. Beberapa pertanyaan sederhana yang muncul berkaitan dengan system vision
manusia:
• Intensitas cahaya apa yang dapat kita bedakan?
• Apa resolusi spasial mata manusia ?
• Berapa akurat estimasi kita ketika membandingkan jarak dan
luas area?
• Bagaimana sense manusia terhadap warna?
Gambar 1.4: Sistem
Visual Manusia
Pembentukan Citra oleh Sensor Mata
Gambar
1.4 menunjukkan system penangkapan citra pada mata manusia. Intensitas cahaya
ditangkap oleh diagram iris dan diteruskan ke bagian retina mata. Kemudian
bayangan obyek pada retina mata dibentuk dengan mengikuti konsep sistem optik
dimana fokus lensa terletak antara retina dan lensa mata. Mata dan syaraf otak
dapat menginterpretasi bayangan yang merupakan obyek pada posisi terbalik.
Pada
system mata manusia terdapat bagian: Fovea di bagian retina terdiri dari dua
jenis receptor: Sejumlah (6-7 juta) cone receptor, sensitif terhadap warna,
vision cone disebut photocopic vision atau bright light vision Sejumlah rod
receptor (75-150 juta) terletak pada permukaan retina, memberikan gambar
keseluruhan pandangan dan sensitif terhadap iluminasi tingkat rendah, vision
rod disebut scotopic vision atau dim-light vision.
Blind
Spot adalah bagian retina yang tidak mengandung receptor sehingga tidak dapat
menerima dan menginterpretasi informasi Adaptasi terhadap kecerahan dan
diskriminasi Ranah total tingkat intensitas yang dapat mendiskriminasikan
secara simultan adalah lebih kecil dibandingkan ranah total adaptasi. Pada gam
bar 1.5, Ba adalah tingkat adaptasi kecerahan, Kurva Irisan yang pendek menyatakan
ranah subjektif kecerahan yang dapat diterima oleh mata ketika mengadaptasikan
tingkat kecerahan tersebut.
Gambar 1.5: Ranah
adapatasi warna pada sistem visual manusia
Gambar 1.6: Weber
Ratio
Kemampuan
mata untuk diskriminasi hitam/putih kecerahan pada level adaptasi tertentu.
Pada gambar 1.6, I adalah nilai Iluminasi uniform pada area datar dengan luasan
yang cukup untuk keseluruhan field of view. ΔIc adalah perubahan kecerahan
objek yang diperlukan untuk membedakan objek dari warna latar belakanya.
Diskriminasi yang buruk apabila Weber Ratio (ΔIc/I) bernilai besar untuk
tingkat iluminasi rendah dan akan meningkat signifikan (ketika ratio rendah)
yaitu iluminasi background meningkat. Sangat sulit untuk membedakan iluminasi
apabila background terang sebaliknya akan sangat mudah pada background yang
lebih gelap. Brightness (kecerahan) bukan merupakan suatu model fungsi
intensitas yang sederhana, karena system visual sangat dipengaruhi oleh daerah
batasintensitas yang berbeda. Intensitas dari masing-masing daerah pada gambar 1.7
adalah konstan tetapi pada kenyataan penglihatannya pattern brightness sangat
kuat sehingga membentuk seperti garis lipatan di dekat batas masingmasing daerah
tersebut.
Gambar 1.7: Garis
seperti lipatan pada daerah batas tingkat intensitas
Pada
tahun 1865, Ernst Mach menemukan fenomena mach band pattern. Pada gambar 1.8 di
atas, brightness pattern yang diterima berupa suatu stripe yang lebih gelap di
daerah D dan lebih terang di daerah B padahal kenyataanya daerah D dan B
memiliki intensitas yang sama.
Contrast
Simultan
Gambar
1.9. menyatakan suatu model contrast simultan, dimana kemunculan kotak kecil
ditengah berkesan memiliki intensitas yang semakin lebih gelap apabila warna
background menjadi lebih terang, padahal kenyataannya intensitas kotak kecil
tersebut sama. Hal ini menyatakan bahwa daerah brightness yang diterima tidak
bergantung sederhana pada intensitasnya.
Gambar 1.8: Mach Band
Efek
Gambar 1.9: Tampilan
kotak di tengan berkesan lebih gelap apabila background lebih terang
1.4
Pemanfaatan Pengolahan Citra
Manfaat
pengolahan citra adalah menunjang kebutuhan kehidupan sehari-hari khususnya
untuk :
•
Memfasilitasi penyimpanan dan transmisi citra seperti menentukan metode
penyimpanan citra yang efisien dalam suatu kamera digital sehingga mempercepat
proses pengirim citra dari jarak jauh misalkan dari planet Mars ke Bumi.
•
Menyiapkan untuk ditampilkan di monitor atau di cetak. Proses yang dilakukan
adalah melakukan merubah ukuran citra yang dharus disesuaikan dengan ukuran
media tampilan serta proses halftoning untuk proses pencetakan.
•
Meningkatkan dan memperbaiki citra dengan menghilangkan goresan-goresan pada
ataupun meningkatkan visibilitas citra
•
Ekstrasi informasi citra misalkan character recognizing, pengukuran plusi air
dari citra aerial
1.5
Implementasi Pengolahan Citra
Aplikasi
pengolahan citra dijital sudah diimplementasikan secara luas, khususnya di
bidang keilmuan maupun industri seperti kedokteran, keamanan, pertanahan, geologi,
biology, system kontrol fabrikasi, dll. Bentuk dari model implementasi citra:
•
Pengembangan Sistem Aplikasi Biomedik
•
Pengembangan Sistem Optical Character Recognition (OCR)
•
Pengembangan Sistem Aplikasi Inderaja
•
Pengembangan Sistem Multitemporal Multisensor Image Classification and Fusion
1.6
Proses Pengolahan Citra
Gambar 1.10 di atas
adalah langkah dalam pengolahan citra secara umum yang teridiri dari:
•
Pembentukan Citra (Data Acquisition): Menentukan data yang diperlukan dan
memilih metode perekaman citra dijital.
•
Pengolahan Citra Tingkat Awal (Image Preprocessing): Meningkatkan kontras,
menghilangkan gangguan geometrik / radiometrik, menentukan
bagian
citra yang akan diobservasi. Segmentasi Citra (Image Segmentation) dan Deteksi
Sisi (Edge Detection): Melakukan partisi citra menjadi wilayah-wilayah obyek
(internal properties) atau menentukan garis batas wilayah obyek (external shape
characteristics).
Gambar 1.10: Proses
Pengolahan Citra dan Implementasinya
•
Seleksi dan Ekstraksi Ciri (Feature Extraction and Selection): Seleksi ciri
memilih informasi kwantitatif dari ciri yang ada, yang dapat membedakan
kelas-kelas obyek secara baik. Ekstraksi ciri mengukur besaran kwantitatif ciri
setiap piksel
1.7
Representasi Citra
Bagaimana
sebuah citra direpresentasikan dalam file? Pertama-tama seperti halnya jika
kita ingin melukis sebuah gambar, kita harus memiliki palet dan kanvas Pallete:
•
kumpulan warna yang dapat membentuk citra, sama halnya seperti ketika hendak
melukis dengan cat warna, kita memiliki palet yang bisa kita isikan berbagai
warna cat air
•
Setiap warna yang berbeda dalam palet tersebut diberi nomor (berupa angka)
• Contoh
untuk citra monokrom (warnanya hanya putih-abuabu-hitam), berarti kita memiliki
palet seperti pada gambar 1.11
Gambar 1.11: pallete
Warna
2.1
Warna pada Pengolahan Citra
Sistem
visual manusia dapat membedakan ratusan ribu shade warna dan intersitas, tetapi
hanya 100 shade keabun. Oleh sebab itu, dalam suatu citra, masih banyak
informasi lainnya yang ada pada warna, dan informais tersebut juga dapat
digunakan untuk menyederhanakan analisis citra, misalkan identifikasi objek dan
ekstraksi warna. Tiga kuatisasi yang dapat digunakan untuk menggambarkan warna:
•
hue ditentukan oleh dominan panjang gelombang. Warna yang dapat dilihat oleh
mata memiliki panjang gelombang antara 400 nm (violet) - 700 nm (red) pada
spektrum electromagnetic seperti pada gambar 2.1
•
(Saturation) ditentukan oleh tingkat kemurnian, dan tergantung pada jumlah
sinar putih yang tercampur dengan hue. Suatu warna hue murni adalah secara
penuh tersaturasi, yaitu tidak ada sinar putih yang tercampur. Hue dan
saturation digabungkan menentukan chromaticity suatu warna. Intensitas
ditentukan oleh jumlah sinar yang diserap. Semakin banyak sinar yang diserap
semakin banyak tinggi intensitas warnanya.
•
Sinar Achromatic tidak memiliki warna, tetapi hanya ditentukan oleh atribut intensitas.
Tingkat keabuan (Greylevel) adalah ukuran intensitas yand ditentukan oleh
energi, sehingga merupakan suatu kuantitas fisik. Dalam hal lain, brightness
atau luminance ditentukan oleh persepsi warna (sehingga dapat merupakan efek
psychology). Apabila diberikan sinar biru dan hijau dengan intensitas yang
sama, sinar biru diterima (perceived) lebih gelap dibandingkan sinar hijau.
Sehingga dapat dikatakan bahwa persepsi intensitas manusia adalah non-linear, misalkan
perubahan intensitas yang dinormalisasi dari 0.1 ke 0.11 dan 0.5 ke 0.55 akan
diterima dengan perubahan tinkat kecerahan (brightness) yang sama.
Gambar 2.1: Visible
Spectrum
Warna
secara utuh bergantung pada sifat pantulan (reflectance) suatu objek. Warna
yang dilihat merupakan yang dipantulkan, sedangkan yang lainnya diserap.
Sehingga sumber sinar perlu diperhitungkan begitu pula sifat alami system
visual manusia ketika menangkap suatu warna. Sebagai contoh, suatu objek yang
memantulkan sinar merah dan hijau akan tampak berwarna hijau apabila benda
tersebut disinari oleh sinar hijau (tanpa adanya sinar merah). Demikian juga
sebaliknya, objek akan tampak berwarna merah apabila tidak terdapat sinar
hijau. Apabila benda tersebut disinari oleh sinar putih, maka objek tersebut
berwarna kuning (merupakan gabungan warna hijau + merah).
2.2
Teori Tristimulus Persepsi Warna
Seperti
yang dijelaskan pada Bab 1, retina manusia memiliki 3 jenis cones. Respon
setiap jenis cone sebagai suatu fungsi panjang gelombang (gambar 2.2). Pada
Gambar 2.2, puncak setiap kurva warna adalah [ada 440 nm (biru), 545 nm (hijau)
dan 580 nm (merah).
Gambar 2.2: Spectral
response curves for each cone type. The peaks for each curve are at 440nm
(blue), 545nm (green) and 580nm (red).
CIE
primaries
Teori
tritimulus persepsi warna dapat dilihat bahwa suatu warna dapat diperoleh dari
suatu campuran tiga warna utama: merah, hijau dan biru (Red Green Blue).
Meskipun hampir setiap warna yang tampak dapat ditentukan sesuai dengan tiga
komponen diatas, tetapi masih terdapat beberapa warna yang tidak dapat
diuraikan sebagai kombinasi dari ketiga warna dasar tersebut. Bagaimanapun juga
apabila salah satu dari ketiga komponen warna dasar tersebut ditambahkan ke
warna yang tidak dapat dicocokkan tadi, maka warna yang tidak dapat dicocokkan
tersebut dapat dicocokkan dengan campuran dari dua warna dasar lain. Hal ini
menunjukkan bahwa warna dapat memiliki nilai bobot negatif dari ketiga komponen
warna dasar tersebut. Pada tahun 1931, Commission Internationale de
l’´Eclairage (CIE) mendefinisikan tiga standar komponen warna utama : X, Y dan
Z. Yang dapat ditambahkan untuk membentuk semua kemungkinan warna. Warna utama
Y dipilih sedemikian rupa sehingga fungsi kecocokan warnanya secara tepat
mencocokkan fungsi luminous efisiensi mata manusia berdasarkan penjumlahan
ketiga warna seperti pada gambar 2.3.
Gambar
2.3: Diagram
CIE Chromaticity menunjukkan semua visible colours. x dan y adalah
jumlah normalisasi kemunculan X and Y primaries, z = 1 - x - y
menentukan jumlah Z
primary yang dibutuhkan.
Diagram
Chromaticity (Gambar 2.3) menunjukkan semua visible colours. Sumbu x dan y
merupakan nilai normalisasi warna utama X dan Y untuk suatu warna, dan z =
1−x−y menyatakan jumlah Z utama yang diperlukan. Chromaticity bergantung pada
panjang gelombang dan saturation dominan, dan tidak bergantung pada energi
luminan. Warna dengan nilai chromaticity yang sama tetapi dengan luminan
berbeda akan terpetakan pada titik yang sama di regian tersebut.
Warna
spectrum utama murni berada pada bagian kurva batas daerah, dan suatu sinar
putih standar memiliki warna yang didefinisikan berada dekat (tetapi tidak di)
titik dengan persamaan energi x = y = z = 1/3. Warna komplementer, yaitu warna
yang ditambahkan ke warna putih, berada di titik akhir suatu garis yang
melewati titik tersebut. Sebagai ilustrasi pada gambar 2.4, semua warna yang
berada di dalam segitiga dapat dibentuk dari campuran warna yang berada pada
verteks (garis) segitiga. Dari ilustrasi grafik tersebut, semua warna visible
tidak dapat diperoleh dari campuran warna utama R, G dan B (atau dari tiga
visible warna lainnya), karena bentuk diagramnya bukan segitiga.
Gambar 2.4: Warna
Campuran pada Diagram Chromaticity
2.3
Model Warna
Model
warna merupakan cara standar untuk menspesifikasikan suatu warna tertentu,
dengan mendefinisikan suatu sistem koordinat 3D, dan suatu ruang bagian yang
mengandung semua warna yang dapat dibentuk ke dalam suatu model tertentu. Suatu
warna yang dapat dispesifikasikan menggunakan suatu model akan berhubungan ke
suatu titik tunggal dalam sautu ruang bagian yang didefinisikannya.
Masing-masing warna diarahkan ke salah satu standard hardware tertentu (RGB,
CMY,YIQ), atau aplikasi pengolahan citra (HSI).
2.3.1
Model RGB
Suatu
citra dalam model RGB terdiri dari tiga bidang citra yang saling lepas, masing-masing
terdiri dari warna utama: merah, hijau dan biru. (Standar panjang gelombang
untuk tiga warna utama ditunjukkan pada gambar 2.2). Suatu warna
dispesifikasikan sebagai campuran sejumlah komponen warna utama. Gambar 2.5
menunjukkan bentuk geometri dari model warna RGB untuk menspesifikasikan warna
menggunakan sistem koordinat Cartesian. Spektrum greyscale (tingkat keabuan)
yaitu warna yang dibentuk dari gabungan tiga warna utama dengan jumlah yang
sama, berada pada garis yang menghubungkan titik hitam dan putih.
Gambar 2.5: Koordinat
warna RGB
Warna
dipresentasikan dalam suatu sinar tambahan untuk membentuk warna baru, dan
berhubungan untuk membentuk sinar campuran. Citra pada gambar 2.6 sebelah kiri
menunjukkan campuran dengan menambahkan warna utama merah, hijau, dan biru
untuk membentuk warna sekunder kuning (merah+hijau), cyan (biru+hijau), magenta
(merah+biru) dan putih (merah+hijau+biru). Model warna RGB banyak digunakan
untuk monitor komputer dan video kamera.
Gambar 2.6: Penambahan
Campuran Warna Merah Hijau dan Biru
2.3.2
Model CMY
Model
CMY (Cyan, Magenta dan Yellow) adalah suatu model substractive yang berhubungan
dengan penyerapan warna, sebagai contoh pigment warna cat (seperti pada Gambar
2.6 sebelah kanan). Suatu permukaan yang dicat warna cyan kemudian diiluminasi
sinar putih, maka tidak ada sinar merah yang dipantulkan, dan similar untuk
warna magenta dengan hijau, dan kuning dengan biru. Relasi model CMY adalah
sebagai berikut:
2.3.3 Model HSI
Model
HSI, menunjukkan padat HSI di sebelah kiri, dan segitiga HSI di kanan, yang
dibentuk dengan mengambil sepotong horisontal melalui padat HSI pada intensitas
tertentu. Hue diukur dari merah, dan saturasi diberikan oleh jarak dari sumbu.
Warna pada permukaan padat sepenuhnya jenuh, yaitu warna murni, dan spektrum
Skala abu-abu adalah pada sumbu yang solid. Untuk warna, warna tidak
terdefinisi.
Sebagaimana
Yang sudah dijelaskan, Warna juga dapat dispesifikasikan Dibuat Tiga kuantisasi
warna, saturasi, intensitas (disebut Model HSI) eperti PADA Gambar 2.7. PADA
Gambar sebelah Kiri merupakan bentuk yang solid HSI Dan sebelah Kanan adalah
Model Segitiga HSI Yang merupakan Kepemilikan Modal Datar bahasa Dari
pemotongan model solid HSI secara horisontal PADA tingkat Intensitas tertentu.
Hue ditentukan bahasa Dari Warna merah, saturasi ditentukan berdasarkan jarak
sumbu bahasa Dari. Warna PADA permukaan model solid dibentuk bahasa Dari
saturasi Penuh, yaitu Warna Murni, Dan Spektrum tingkat keabuan,
Gambar 2.7: Model
Warna HSI
Konversi
Diskonto antar Model RGB Dan HSI adalah sebagai berikut:
XXXXXX
dimana
kuantitas R, G, dan b adalah jumlah Komponen Warna merah, Hijau, biru Dan
dinormilisasi Ke [0,1]. Intensitas adalah Diskonto rata-rata Komponen merah,
Hijau Dan biru. Diskonto saturasi ditentukan sebagai:
XXXXXXXXX
2,4
Model YIQ
Para
YIQ (luminance-inphase-quadrature) model merupakan recoding dari RGB untuk
televisi berwarna, dan merupakan model yang sangat penting untuk pengolahan
citra warna. Pentingnya pencahayaan dibahas dalam 1.
Konversi
dari RGB ke YIQ diberikan oleh: luminance (Y) komponen berisi semua informasi
yang diperlukan untuk televisi hitam putih, dan menangkap persepsi kita tentang
kecerahan relatif dari warna tertentu. Bahwa kita merasakan hijau jauh lebih
ringan dari merah, merah dan lebih ringan daripada biru, ini ditunjukkan dengan
bobot masing-masing 0.587, 0.299 dan 0.114 pada baris pertama dari matriks
konversi atas. Bobot harus digunakan ketika mengkonversi gambar warna abu-abu
jika Anda ingin persepsi kecerahan tetap sama. Ini bukan kasus untuk komponen
intensitas citra HSI, seperti pada gambar 8. Komponen Y adalah sama dengan CIE
utama Y (lihat Bagian tidak 3.2).
Menerapkan 2,5 Skala abu-abu Transformasi ke Foto Warna
Menerapkan 2,5 Skala abu-abu Transformasi ke Foto Warna
Mengingat
semua representasi yang berbeda warna, dan gambar sehingga warna, muncul
pertanyaan untuk apa cara terbaik untuk menerapkan teknik pengolahan gambar
yang telah kita pelajari sejauh ini gambar? Salah satu kemungkinan adalah untuk
menerapkan transformasi untuk setiap pesawat warna dalam sebuah gambar RGB,
tapi apa sebenarnya artinya ini? Jika kita ingin meningkatkan kontras dalam
gambar gelap dengan pemerataan histogram, bisakah kita menyamakan warna
masing-masing secara independen? Hal ini akan mengakibatkan warna sangat
berbeda dalam gambar kita berubah. Secara umum lebih baik untuk menerapkan
transformasi untuk hanya komponen intensitas citra HSI, atau komponen luminansi
citra YIQ, sehingga meninggalkan Kromatisitas tidak berubah.
Contoh
ditunjukkan pada gambar 2.9. Ketika histogram ekualisasi diterapkan pada setiap
pesawat warna gambar RGB, gambar akhir lebih ringan, tetapi juga cukup berbeda
warna dengan aslinya. Ketika pemerataan histogram hanya diterapkan pada
komponen luminansi citra dalam format YIQ, hasilnya lebih seperti versi lebih
ringan dari gambar asli, seperti yang diperlukan.
Gambar 2.8: Gambar
(a) menunjukkan pola uji warna, yang terdiri dari garis-garis horizontal hitam
magenta, biru, hijau, cyan, merah, dan kuning, jalan warna dengan intensitas
konstan, saturasi maksimal, dan hue berubah secara linear dari merah melalui
hijau menjadi biru, dan abu-abu jalan dari hitam menjadi putih. Gambar (b)
menunjukkan intensitas untuk gambar (a). Perhatikan berapa banyak detail
hilang. Gambar (c) menunjukkan pencahayaan tersebut. Gambar ketiga akurat
mencerminkan variasi kecerahan preceived dalam gambar asli.
Gambar 2.9: Gambar atas adalah gambar yang sangat gelap adegan hutan. Gambar tengah adalah hasil dari penerapan pemerataan histogram untuk masing-masing komponen merah, hijau dan biru dari gambar asli. Gambar bawah adalah hasil dari mengkonversi gambar ke format YIQ, dan menerapkan pemerataan histogram untuk komponen luminance saja.
^ mohon maaf atas posting gak jelas di atas ini.
halaman yang sudah di-remake ada di page http://anda-and-panda.blogspot.com/2012/06/definisi-citra-pada-pengolahan-citra.html
halaman yang sudah di-remake ada di page http://anda-and-panda.blogspot.com/2012/06/definisi-citra-pada-pengolahan-citra.html
pengertian & definisi dari Elemen Visual Perceptionnya mana??
ReplyDelete