Upload
voanh
View
215
Download
1
Embed Size (px)
Citation preview
46
BAB 3
PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA
3.1 Pemrosesan Citra Konvensional.
Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh
merupakan solusi yang sangat baik. Informasi keruangan dalam bentuk gambar
raster dari teknik penginderaan jarak jauh menyimpan banyak sekali informasi.
Namun seringkali informasi yang dibutuhkan hanyalah bagian dari keseluruhan
informasi yang ada pada citra tersebut. Oleh karena itu diperlukan pemrosesan citra
(image processing). Image Processing adalah pemrosesan citra dengan
menggunakan komputer, menjadikan hasil citra yang berkualitas lebih baik. Pada
umumnya operasi – operasi pengolahan citra dilakukan apabila :
• Perbaikan atau modifikasi citra perlu dilakukan guna meningkatkan kualitas
penampakan atau untuk menonjolkan beberapa aspek informasi yang
terkandung dalam citra.
• Elemen dalam citra perlu di cocokkan, dikelompokkan atau diukur.
• Sebagian citra perlu digabung dengan bagian citra yang lain.
Terdapat banyak macam teknik image processing, diantaranya adalah edge
detection, image enhancement, image quality, image segmentation. Berikut ini akan
dijelaskan mengenai dua teknik pertama seperti tersebut diatas, yaitu edge detection
dan image enhancement.
47
3.1.1 Pendeteksi Tepi (Edge Detection)
Salah satu teknik untuk mengekstrak informasi dari citra adalah pendeteksian
tepi atau edge detection yang sebelumnya telah dilakukan peningkatan kualitas citra.
Pendeteksian tepi merupakan salah satu metode analisis citra, dimana analisis ini
bertujuan untuk mengidentifikasi parameter-parameter yang diasosiasikan dengan
ciri atau feature dari objek dalam citra, yang pada gilirannya parameter tersebut akan
digunakan untuk menginterpretasi citra. Analisis citra pada dasarnya terdiri dari tiga
tahapan yaitu, tahap feature extraction, segmentation, dan calsification. Secara
umum ada lima metode yang digunakan untuk mendeteksi tepi: Sobel, Prewitt, Zero
Crossing, Canny, Robert.
Berikut adalah contoh dari hasil edge detection dengan menggunakan beberapa
metode diatas:
Gambar 3.1 Citra asli
48
Gambar 3.2 Edge detection menggunakan metode Sobel
Gambar 3.3 Edge detection menggunakan metode Prewitt
49
Gambar 3.4 Edge detection menggunakan metode Zero Crossing
Gambar 3.5 Edge detection menggunakan metode Canny
50
Melihat perbedaan yang cukup berarti pada hasil diatas, maka dapat diambil
hipotesa bahwa setiap kasus memiliki solusi yang berbeda-beda dalam hal
pendeteksian tepi. Yang dimaksud disini adalah pemilihan metode pendeteksian tepi
sangat kausatik, sehingga perlu diadakan penelitian lebih lanjut mengenai filter yang
cocok untuk keperluan pemetaan. Pendeteksian dapat dilakukan dengan cukup baik
jika objek yang diamati memiliki resolusi piksel yang tinggi. Pada contoh diatas,
terlihat jelas bahwa proses pendeteksian tepi tidak efektif, karena kecilnya ukuran
piksel tiap objek menjadikannya “seperti” noise. Berbeda halnya dengan citra yang
ukuran objek yang cukup besar, hasil yang didapatkan dengan ketiga metode diatas
cukup baik di deteksi tepiannya.
3.1.2 Image Enhancement
Tujuan dari image enhancement adalah memajukan interpretabilitas atau persepsi
informasi dalam citra untuk penglihatan manusia, atau untuk menawarkan input yang
lebih baik pada teknik pemrosesan citra yang lain. Teknik image enhancement bisa
dibagi dalam dua kategori yang luas, yaitu:
1. Spatial domain methods, dimana dioperasikan pada piksel secara
langsung.
2. frequency domain methods, dimana dioperasikan pada Fourier transform
dari sebuah citra.
Sayangnya, tidak ada teori yang sifatnya umum untuk mengukur kualitas dari
image enhancement yang berasal dari persespsi manusia. Jika terlihat bagus, maka
diasumsikan citranya bagus. Tetapi ,ketika teknik image enhancement digunakan
51
sebagai pre-processing tools untuk teknik pemrosesan citra yang lain, maka ukuran
kuantitatif bisa mendeterminasikan teknik mana yang paling cocok.
Masalah lain adalah timbulnya noise pada citra. Untuk mengatasi masalah ini
dengan menggunakan pendekatan yang lembut dengan melalui dekonvolusi citra
melalui persyaratan yang biasanya fungsi penalti untuk frekuensi yang tinggi
didalam citra yang tersimpan. Sayangnya, ini sangat mahal dalam hal komputasi,
dibutuhkannya heuristics dan tidak adanya algoritma yang bisa diskalakan atau
algoritma yang efisien untuk mencari heuristics yang bisa diterima atau melakukan
dekonvolusi sendiri.
Metode Image Enhancement dan edge detection seperti uraian diatas merupakan
pemrosesan citra yang konvensional. Dalam metode-metode tersebut masalah yang
sering muncul adalah terdapatnya noise pada citra yang mengakibatkan hasil yang
kurang akurat. Selain masalah tersebut sebenarnya ada lagi masalah dalam metode
konvensional yaitu masalah ambiguitas dan kesamaran (yang akan dijelaskan pada
bagian selanjutnya). Untuk itulah dibangun metode baru untuk mengatasi masalah
dalam pemrosesan citra tersebut yaitu pemrosesan citra dengan menggunakan teknik
fuzzy (fuzzy image processing).
52
3.2 Metode Fuzzy
Gambar 3.6 Tahap-tahap pemrosesan citra menggunakan logika samar.(Adapted from: T i zhoosh , Fuz zy Image Proces s ing , © CopyRight Spr i nge r ,1997)
53
Fuzzy image processing mempunyai tiga tahap utama: fuzzification, modification
of membership values, dan defuzzification ( Gambar 3.6). Tahap fuzzifikasi
(fuzzification), citra dibuat ke dalam bentuk gray-level dan kemudian setiap piksel
dari citra tersebut di cek dan ditentukan ke dalam fungsi keanggotaan (membership
function) yang tersedia dengan menggunakan algoritma fuzzy. Setelah selesai citra
dikembalikan lagi ke dalam bentuk semula atau ke dalam citra aslinya
(defuzzification).
Langkah fuzzifikasi dan defuzzifikasi disebabkan bahwa kita tidak mempunyai
perangkat keras (hardware) fuzzy. Oleh karena itu , coding dari data
citra(fuzzifikasi) dan decoding dari hasil (defuzzifikasi) merupakan langkah yang
memungkinkan untuk memproses citra dengan teknik fuzzy. Kekuatan utama dari
fuzzy image processing terletak pada langkah kedua (modification of membership
values, lihat Gambar 3.5). Setelah data dari citra ditranformasikan dari bentuk gray-
level menjadi bentuk membership (fuzzifikasi), teknik fuzzy memodifikasikan nilai
keanggotaan. Ini bisa dalam bentuk fuzzy clustering, fuzzy rule-based approach,
fuzzy integration approach dan seterusnya.
54
3.2.1 Pemrosesan Citra Berbasis Pendekatan Fuzzy
Banyak orang yang bertanya kenapa digunakan teknik fuzzy dalam pemrosesan
citra (image processing). Sebenarnya ada banyak alasan kenapa digunakannya teknik
ini, tetapi alasan yang paling utama adalah sebagai berikut:
a. Teknik fuzzy merupakan alat (tools) yang sangat kuat dalam melakukan
representasi dan pemrosesan pengetahuan (knowledge).
b. Teknik fuzzy bisa mengatur ambiguitas dan kesamaran secara baik dan
efisien.
Dalam banyak aplikasi-aplikasi pemrosesan citra, diharuskan menggunakan
expert knowledge untuk mengatasi kesulitan (contoh: rekoknisi objek, scene
analysis). Teori set fuzzy dan logika fuzzy menawarkan alat yang kuat untuk
merepresentasikan dan memroses pengetahuan manusia dalam bentuk aturan if-then
fuzzy. Dalam sisi lain, terdapat banyak kesulitan-kesulitan dalam pemrosesan citra
dikarenakan data/tugas/hasilnya tidak jelas. Ketidak jelasan ini tidak selalu
dikarenakan keacakan (random) tetapi dikarenakan ambiguitas dan kesamaran.
Selain keacakan, kita bisa membedakan antara tiga macam lainnya dari kesulitan
dalam pemrosesan citra, yaitu :
a. Grayness ambiguity.
b. Geometrical fuzziness.
c. Vague (complex/ill-defiend) knowledge.
Masalah-masalah ini adalah masalah alami fuzzy. Pertanyaan-pertanyaan seperti
apakah sebuah piksel seharusnya menjadi lebih gelap atau lebih terang? dimanakah
55
letak batas antara dua segmen citra? dan apakah itu tree dalam masalah scene
analysis, adalah contoh bahwa pendekatan fuzzy bisa menjadi cara yang paling
cocok untuk mengatur kesulitan-kesulitan tersebut. Berikut adalah bagan
ketidakjelasan (Uncertainty/Imperfect knowledge) dalam pemrosesan citra.
3.2.2 Fuzzy Image Enhancement
Fuzzy image enhancement didasari pada gray-level mapping kedalam
bentuk fuzzy, menggunakan fungsi transformasi keanggotaan. Tujuannya adalah
untuk menggenerasikan sebuah citra dengan tingkat kekontrasan yang lebih tinggi
dari pada citra aslinya dengan cara memberikan bobot yang lebih besar pada gray-
level yang mendekati nilai rata-rata gray-level pada citra dari pada gray-level yang
Gambar 3.7 Ketidakjelasan (Un c e r t a i n t y / Im p e r f e c t knowledge ) d a l a m p e mr o s e s a n c i t r a . A d a p t e d f r o m : T i zhoosh , Fuz zy Image Pr o c e s s i n g , © C o p y R i g h t Spr inger ,1997 .
56
jauh dari nilai rata-rata gray-level citra. Dalam beberapa tahun terakhir, banyak
peneliti yang sudah mengaplikasikan teori set fuzzy untuk membangun teknik-teknik
yang baru untuk peningkatan kontras. Sebuah citra I dengan ukuran M x N dan gray-
level L bisa dianggap sebagai array dari singleton fuzzy, masing-masing mempunyai
nilai keanggotaan yang menunjukan derajat dari kecerahannya relatif untuk beberapa
level kecerahan. Untuk sebuah citra I bisa dituliskan dalam bentuk set fuzzy:
(1)
Dimana adalah intensitas dari piksel ke dan adalah nilai
keanggotaannya. Contrast enhancement berguna ketika sebuah area dari citra hanya
mempunyai perubahan yang kecil dalam intensitas piksel. Dalam hal ini, bisa sangat
sulit untuk mata manusia untuk membaca strukturnya dengan jelas, apalagi jika
citranya ditampilkan dalam resolusi yang rendah. Untuk itu terdapat lima algoritma
untuk meningkatkan kualitas citra menggunakan teknik fuzzy. Kelima algoritma
tersebut adalah:
- Possibilty distribution algoritm.
- Contrast Improvement with intensification operator.
- Contrast Improvement with fuzzy histogram hyperbolization.
- Contrast Improvement based on fuzzy if-then rules.
- Locally adaptive Contrast Improvement.
57
3.2.2.1 Algoritma Possibilty Distibution
Possibilty distribution pada gray-level dalam citra aslinya bisa dideklarasikan
menggunakan lima parameter: (α,β1,γ,β2,max) seperti yang ditunjukan pada
Gambar 3.8.
Dimana nilai intensitas γ merepresentasikan nilai rata-rata dari distribusi, α
adalah nilai minimumnya, dan max adalah nilai maximum. Tujuannya adalah untuk
mengurangi gray-level yang berada di bawah nilai β1, dan diatas nilai β2. Level
intensitas antara β1 dan γ, dan β2 dan γ direnggangkan pada arah yang berlawanan
kearah nilai rata-rata γ. Fungsi transformasi fuzzy untuk menghitung nilai dalam
bentuk fuzzy P didefinisikan sebagai berikut:
Gambar 3.8 Fungsi Possibilty distribution untuk menghitung nilai keanggotaan.
58
Aturan-aturan berikut digunakan untuk contrast enhancement berdasarkan pada
Gambar 3.8.
Algoritma Possibilty distribution :
59
3.2.2.2 Contrast Improvement with Intensification Operator
Metode ini menggunakan operator intensifikasi (intensification operator) untuk
mengurangi tingkat ke-fuzzy-an dari citra yang kemudian akan menghasilkan
peningkatan pada kontras citra. Berikut adalah algoritmanya:
- Menset parameter dari fungsi keanggotaan. Nilai Fe diset default yang
bernilai dua.
(6)
- Mendefinisikan fungsi keanggotaan
(7)
- Memodifikasi nilai keanggotaan
(8)
- Megenerasikan gray-level yang baru
60
(9)
3.2.2.3 Contrast Improvement with Fuzzy Histogram Hyperbolization
Dikarenakan persepsi kecerahan manusia yang tidak linear , algoritma ini
memodifikasi nilai keanggotaan dari gray-level dengan sebuah fungsi logaritma.
Algoritmanya bisa diformulasikan sebagai berikut:
- Menset bentuk dari fungsi keanggotaan.
- Menset nilai dari fuzzifier β dengan nilai default dua.
- Kalkulasi dari nilai keanggotaan μmn.
- Memodifikasi dari nilai keanggotaan dengan β.
61
- Megenerasikan gray-level yang baru.
Untuk megenerasikan gray-level yang baru digunakan rumus dibawah ini:
(10)
Algoritmanya bisa dijabarkan sebagai berikut:
62
3.2.2.4 Contrast Improvement Based on Fuzzy If-Then Rules
Pendekatan fuzzy rule-based adalah metode yang universal dan kuat untuk
mengerjakan banyak tugas dalam pemrosesan citra. Fungsi fuzzifikasinya terlihat
pada Gambar 3.9.
Algoritmanya dimulai dengan menginilisasikan parameter citra ; gray-level
minimum dan juga gray-level maximum. Kemudian dengan fuzzifikasi dari gray-
level (contoh: nilai keanggotaan dark, gray dan bright) menset gray-level. Prosedur
inferensinya mengikuti aturan berikut:
• If dark then black
• If gray then gray
• If bright then white
Gambar 3.9 Fungsi keanggotaan.
63
Terakhir, defuzzifikasi dari output menggunakan minimum (gmin), maximum
(gmax) dan medium (gmid) dari gray-level yang pada akhirnya gray-level yang baru
dikalkulasikan menggunakan rumus berikut:
(11)
Berikut adalah algoritmanya:
65
3.2.2.5 Locally Adaptive Contrast Improvement
Berdasarkan pada mengaplikasikan locally adaptive contrast improvement,
dengan mendefinisikan n x m piksel tetangga dan menggerakan piksel tengah dari
area ini dari piksel ke piksel, pada setiap piksel yang dilalui dihitung setiap
parameter algoritma. Untuk algoritma possibility distribution, dibutuhkan nilai
minimum, maximum dan rata-rata pada setiap blok n x m , α, γ, max , untuk
menghitung nilai keanggotaan. Untuk menghitung nilai keanggotaan pada algoritma
Contrast Improvement with Intensification Operator , Contrast Improvement with
fuzzy histogram hyperbolization, dan Contrast Improvement based on fuzzy if-then
rules hanya dibutuhkan nilai minimum dan maximum gray-level. Dalam banyak
kasus, teknik fuzzy yang global telah gagal dalam memberikan hasil yang
memuaskan. Maka dari itu, implementasi locally adaptive dibutuhkan untuk
mencapai hasil yang lebih baik. Kekurangannya dari menggunakan teknik yang
adaptif adalah diperlukanya kalkulasi pada nilai minimum dan maximum gray-level,
yang bisa berakibat pada bertambahnya noise yang mempengaruhi nilai keanggotaan
secara tidak benar. Hal ini bisa dihindari dengan memilih sub citra yang bagus atau
dengan menghilangkan data yang banyak noisenya dalam histogram dari setiap sub
citra.
66
3.2.3 Fuzzy Edge Detection
Digunakan dua metode untuk fuzzy edge detection ini, berikut adalah metode
tersebut:
- Fast fuzzy edge detection
- Rule based edge detection
3.2.3.1 Fast Fuzzy Edge Detection
Algoritma ini diadopsikan dari teknik fuzzy cepat yang sudah maju untuk
memproses sebuah citra dikarenakan ketidaknyamanan yang mana mempengaruhi
keefisienan tugas dalam teknik edge detection yang konvensional . berikut adalah
algoritmanya:
(1) Mengkalkulasikan nilai threshold XT yang optimal.
(2) Mendefinisikan fungsi keangotaan sebagai berikut:
(12)
(3) Meningkatkan (enhanced) citra dalam domain karakteristik fuzzy.
Operator enhancement-nya bisa didefinisikan sebagai berikut:
(13)
67
(4) Fungsi inverse dari fungsi keanggotaan bisa didefinisikan dibawah ini dan
dengan formula ini didapatkan citra yang sudah ditingkatkan (enhanced
image).
(14)
(5) Untuk mengekstrak sisi dari citra, diadopsikan operator ‘min’ atau ‘max’.
Matrik sisinya didefinisikan sebagai berikut:
(15)
Dimana bisa didefinisikan sebagai
window dengan ukuran 3 x 3 yang mana piksel tengahnya adalah (m,n).
3.2.3.2 Rule Based Edge Detection
Dalam metode ini, inputnya berupa selisih dari nilai intensitas antara
setiap piksel dengan kedelapan piksel tetangganya (neighborhood pixel). Dibuatlah
fuzzy inference system dengan delapan input masing-masing mempunyai tiga
variabel yaitu ‘low’,’medium’,’high’ dan satu output dengan dua variabel yaitu
‘edge’ dan ‘noedge’. Semua variabel menggunakan fungsi Gaussian. Jadi dibuatlah
algoritma agar bisa menyamakan dengan fuzzy inference system tersebut. Karena
68
citranya diubah dalam gray-level 0 dan 255, jarak interval dari input berada antara -
255 dan 255 dan jarak interval output diantara 0 dan 255.
Kemudian dibuatlah aturan-aturan (rules) yang total mencapai 45 aturan. Untuk
mengimplementasikan fungsi “AND” dan “OR” digantikan dengan fungsi minimum
dan maximum. Fungsi “AND” digantikan dengan funsi minimum dan fungsi ”OR”
digantikan oleh fungsi maximum. Untuk defuzzifikasinya digunakan metode
mamdani, yang artinya set fuzzy yang didapatkan dengan mengaplikasikan setiap
inference rule ke input data, digabungkan melalui fungsi add. Output dari sistem
kemudian dikomputasikan sebagai centroid dari hasil fungsi keanggotaan.
Gambar 3.10 Fungsi keanggotaan dari set fuzzy pada input(a) dan output(b).
69
3.3 Rancangan Layar
Terdapat lima layar dalam program ini yaitu image enhancement, edge detection,
image comparison dan about us. Layar image enhancement dibagi menjadi dua macam
yaitu RGB image dan Gray image. Pada toolbar file terdapat tiga menu: open image
untuk membuka citra, save untuk menyimpan citra dan exit untuk keluar.
3.3.1 Rancangan Layar Menu Utama
Pada saat pertama kali dibuka program akan menjalankan window about us,
rancangan layar menu utama memiliki elemen-elemen sebagai berikut:
- Toolbar navigasi untuk akses ke file, fuzzy image processing, image
processing comparison dan about us.
- Dalam toolbar fuzzy image processing dibagi kedalam dua macam yaitu edge
detection dan image enhancement .
70
3.3.2 Rancangan Layar Menu Edge Detection
Rancangan layar menu edge detection memiliki elemen-elemen sebagai berikut:
- Toolbar navigasi untuk akses ke file, fuzzy image processing, image
processing comparison dan about us.
- Button fast fuzzy edge detection untuk memroses citra menggunakan
algoritma fast fuzzy edge detection.
- Button rule based edge detection untuk memroses citra menggunakan
algoritma rule based edge detection.
- Button Original image untuk mengembalikan citra kedalam bentuk semula
(sebelum diproses).
- Axes untuk menampilkan citra.
File, fuzzy image processing, image processing comparison
FUZZY IMAGE PROCESSING
Gambar 3.11 Rancangan layar menu utama
71
3.3.3 Rancangan Layar Menu Image Enhancement
Rancangan layar Image Enhancement memiliki elemen-elemen sebagai berikut:
- Toolbar navigasi untuk akses ke file, fuzzy image processing, image
processing comparison dan about us.
- Button Possibility Distribution untuk memroses citra menggunakan algoritma
Possibility Distribution.
- Button intensification operator untuk memroses citra menggunakan
algoritma intensification operator.
- Button histogram hyperbolization untuk memroses citra menggunakan
algoritma histogram hyperbolization.
File, fuzzy image processing, image processing comparison about us
Citra yang akan ditampilkan Button fast fuzzy edge detection
Button rule based edge detection
Button original image
Gambar 3.12 Rancangan layar menu edge detection
72
- Button rule based untuk memroses citra menggunakan algoritma rule based
image enhancement.
- Button Original image untuk mengembalikan citra kedalam bentuk semula
(sebelum diproses).
- Axes untuk menampilkan citra.
File, fuzzy image processing, image processing comparison dan about us
Citra yang akan ditampilkan Button Possibility Distribution
Button intensification
Button histogram hyperbolization
Button rule based
Button original image
Gambar 3.13 Rancangan layar menu image enhancement
73
3.3.4 Rancangan Layar Menu Image Comparison
Rancangan layar menu image comparison memiliki elemen-elemen sebagai
berikut:
- Toolbar navigasi untuk akses ke file, fuzzy image processing, image
processing comparison dan about us.
- Textfield MSE1 yang menampilkan nilai MSE dari citra yang diproses
menggunakan teknik konvensional.
- Textfield PSNR1 yang menampilkan nilai PSNR dari citra yang diproses
menggunakan teknik konvensional.
- Button Image1 yang jika diklik akan menampilkan citra yang sudah diproses
menggunakan teknik konvensional.
- Button FFT1 yang jika diklik akan menampilkan grafik FFT dalam frekuensi
domain yang sudah diproses menggunakan teknik konvensional.
- Button start processing1 yang jika diklik akan memproses citra
menggunakan teknik konvensional dan kemudian ditampilkan kedalam axes.
- Combo Box image enhancement1 yang berisi beberapa metode image
enhancement yang konvensional.
- Combo Box edge detection1 yang berisi beberapa metode edge detection
yang konvensional.
- Axes untuk menampilkan citra yang dirposes secara konvensional.
- Textfield MSE2 yang menampilkan nilai MSE dari citra yang diproses
menggunakan teknik fuzzy.
- Textfield PSNR2 yang menampilkan nilai PSNR dari citra yang diproses
menggunakan teknik fuzzy.
74
- Button Image2 yang jika diklik akan menampilkan citra yang sudah diproses
menggunakan teknik fuzzy.
- Button FFT2 yang jika diklik akan menampilkan grafik FFT dalam frekuensi
domain yang sudah diproses menggunakan teknik fuzzy.
- Button start processing2 yang jika diklik akan memproses citra
menggunakan teknik fuzzy dan kemudian ditampilkan kedalam axes.
- Combo Box image enhancement2 yang berisi beberapa metode image
enhancement yang menggunakan algoritma fuzzy.
- Combo Box edge detection2 yang berisi beberapa metode edge detection
yang menggunakan algoritma fuzzy.
- Axes untuk menampilkan citra yang dirposes secara fuzzy.
- Button original image yang ketika di tekan akan menampilkan citra semula
kedalam kedua axes.
75
File, fuzzy image processing, image processing comparison dan about us
Button image1 Button FFT1 Button FFT2 Button image2
Citra yang ditampilkan menggunakan teknik konvensional
Citra yang ditampilkan menggunakan teknik fuzzy
Button Original image
Textfield MSE1 Combo box image enhancement1
Textfield PSNR1 Combo box edge detection1
Combo box image enhancement2
Combo box edge detection2
Textfield MSE2
Textfield PSNR2
Button start processing1
Button start processing2
Gambar 3.14 Rancangan layar menu image comparison