peningkatan kualitas citra dan deteksi tepi · pengolahan dasar citra biomedical, peningkatan...

0

20

40

60

80

100

1st Qtr 2nd Qtr 3rd Qtr 4th Qtr

East

West

North

MODUL PEMBELAJARAN

PENINGKATAN KUALITAS CITRA DAN

DETEKSI TEPI

Dr.Dwiza Riana, S.Si.,MM.,M.Kom

i

PRAKATA

Berkah limpahan rakhmat dan karunia Allah SWT penulis akhirnya dapat

menyelesaikan penulisan buku ini. Judul dari buku ini adalah:

PENINGKATAN KUALITAS CITRA DAN DETEKSI TEPI

Pemilihan topik pengolahan citra biomedik pada buku ini dengan harapan dapat

memberikan gambaran tentang pengolahan citra biomedik terutama berkaitan dengan

pengolahan dasar citra biomedical, peningkatan kualitas citra, deteksi tepi, pengolahan

citra biomedika image reconstruction “phantom” dengan menggunakan matlab,

kompresi citra, analisa tekstur dan ekstraksi ciri, pengenalan pola, dan pengolahan citra

kompleks. Sebagai bahan penulisan diambil berdasarkan hasil-hasil penelitian dan

ekperimen yang dilakukan penulis serta studi literatur tentang penelitian-penelitian citra

biomedik dari jurnal-jurnal bereputasi.

Penulis menyadari bahwa tanpa kesempatan, bimbingan dan dorongan dari

semua pihak, maka penulisan buku ini tidak akan terlaksana dengan baik. Untuk itu

pada kesempatan ini, izinkanlah penulis menyampaikan ucapan terima kasih kepada

semua pihak yang telah secara sukarela turut megambil bagian hingga dapat

diselesaikannya tulisan ini.

Akhirnya penulis menyadari bahwa penulisan buku ini masih terdapat

kekurangan, untuk itu penulis mohon maaf. Semoga apa yang disajikan dalam buku ini

dapat bermanfaat.

Jakarta, 5 Juni 2017

Penulis

ii

DAFTAR ISI

DAFTAR ISI ......................................................................................... ii

DAFTAR GAMBAR ............................................................................. iii

PENINGKATAN KUALITAS CITRA ................................................ 1

1. Operasi Titik ........................................................................................ 2

2. Intensity Adjustment ............................................................................ 3

2.1 Histogram Equalization................................................................ 4

2.2 Thresholding .................................................................................

3. Operasi Spasial .................................................................................... 9

3.1 Neighborhood Averaging ............................................................. 9

3.2 Median Filtering ........................................................................... 11

3.3 High-Pass Filtering .................................................................... .. 13

4. Operasi Transformasi .......................................................................... 15

5. Pseudocoloring Dan False Coloring .................................................. 17

5.1 Intensity Slicing (Density Slicing) Dan Color Coding ................. 18

5.2 Gray-Level To Color Transformation .......................................... 19

DETEKSI TEPI ..................................................................................... 24

2.1 Sejarah Awal Pengolahan Citra Biomedical Cervical Cancer ..... 24

2.2 Area Penggunaan Citra................................................................ 25

2.3 Cara Pengambilan Citra ............................................................... 25

2.4 Deteksi Tepi (Edge Detection) ..................................................... 27

2.5 Operator Sobel ............................................................................ 30

2.6 Operator Isotropic ........................................................................ 31

2.7 Operator Compass ........................................................................ 33

2.8 Operator Gradien ......................................................................... 35

2.9 Operator Prewitt ........................................................................... 37

2.10 Operator Roberts .......................................................................... 41

2.11 Hasil Perbandingan Dari 6 Tepi Operator Deteksi Tepi .............. 41

DAFTAR PUSTAKA ............................................................................ 58

iii

DAFTAR GAMBAR

Gambar 1.1 Citra Hasil Histogram .......................................................................................2

Gambar 1.2. Citra Intensity Adjustment ...............................................................................3

Gambar 1.3. Intensity Adjustment Pada Citra Bakteri Tbc Dan Sel Kanker

Serviks 4

Gambar 1.4. Perataan Histogram Pada Citra Grayscale .................................................7

Gambar 1.5. Thresholding Pada Citra Bakteri Tbc Dan Sel Kanker Serviks ...........8

Gambar 1.6. Low-Pass Filtering Pada Citra Grayscale ..................................................9

Gambar 1.7. Neighborhood Pada Citra Yang Terkontaminasi Noise .........................11

Gambar 1.8. Median Filtering Pada Citra Terkontaminaasi Noise Salt & Pepper …. 12

Gambar 1.9. High-Pass Filtering Pada Citra Grayscale .................................................15

Gambar 1.10. Ideal, Butterworth Dan Gaussian Filter .......................................................15

Gambar 1.11. Fast Fourier Transform Pada Citra Grayscale ..........................................17

Gambar 1.12. Hasil Operasi Titik .............................................................................................20

Gambar 1.13. Hasil Operasi Spasial ........................................................................................21

Gambar 1.14. Hasil Operasi Transformasi .............................................................................23

Gambar 2.1. Pengambilan Citra Dengan Ultrasonografi ................................................26

Gambar 2.2. Hasil Mri Algoritma Segmentasi ...................................................................26

Gambar 2.3. Proses Deteksi Tepi Citra Digital ..................................................................28

Gambar 2.4. Hasil Deteksi Tepi Citra Ferrules Serat Optic ...........................................28

Gambar 2.5. Hasil Deteksi Tepi Dengan Operator Canny .............................................28

Gambar 2.6. Citra Asli Cameraman.Tif ...............................................................................29

Gambar 2.7. Citra Asli Biomedical Servical Cancer Normal Columnar ...................29

Gambar 2.8. Percobaan Operator Sobel Citra Cameraman ............................................31

Gambar 2.9. Percobaan Operator Sobel Citra Cervical Cancer ...................................31

Gambar 2.10. Percobaan Operator Isotropic Citra Cameraman ......................................33

Gambar 2.11. Percobaan Operator Isotropic Citra Cervical Cancer ..............................33

Gambar 2.12. Percobaan Operator Compass Citra Cameraman ......................................35

Gambar 2.13. Percobaan Operator Compass Citra Cervical Cancer .............................35

Gambar 2.14. Percobaan Operator Gradien Citra Cameraman ........................................36

Gambar 2.15. Percobaan Operator Gradien Citra Cervical Cancer ...............................37


Gambar 2.17. Percobaan Operator Prewitt Citra Cervical Cancer .................................38


Gambar 2.19. Percobaan Operator Roberts Citra Cervical Cancer ................................40

iv

Gambar 2.20. Hasil Deteksi Tepi Operator Sobel ................................................................41

Gambar 2.21. Hasil Deteksi Tepi Operator Sobel ................................................................42

Gambar 2.22. Hasil Pengolahan Citra Dengan Kernel Sobel ...........................................53

Gambar 2.23 Hasil Pengolahan Citra Dengan Kernel Isotropic ....................................53

Gambar 2.24. Hasil Pengolahan Citra Dengan Kernel Compass ....................................54

Gambar 2.25. Hasil Edge Detector Dengan Kernel Sobel .................................................54

Gambar 2.26. Hasil Edge Detector Dengan Kernel Isotropic ...........................................55

Gambar 2.27. Hasil Edge Detector Dengan Kernel Compass ..........................................55

Gambar 2.28. Listing Program Sensitivitas Edge Detector ...............................................56

Gambar 2.29. Hasil Sensitivitas Edge Detector Terhadap Noise ....................................56

Gambar 2.30. Listing Program Sensitivitas Edge Detector Terhadap Noise ...............57


Gambar 2.32. Listing Program Sensitivitas Edge Detector Terhadap Noise ...............57


1

PENINGKATAN KUALITAS CITRA

Analisis gambar merupakan istilah luas yang mencakup berbagai teknik yang

melibatkan pengolahan citra menjadi komponen fundamental untuk mengekstrak data

statistik. Analisis gambar dapat mencakup tugas seperti menemukan bentuk, mendeteksi

tepi, menghilangkan suara, menghitung benda, dan mengukur luas dan sifat gambar

suatu objek. Salah satu teknik pengolahan gambar untuk analisis citra yaitu image

enhancement. Image enhancement adalah proses penyesuaian gambar digital sehingga

hasilnya lebih sesuai untuk tampilan atau analisis citra lebih lanjut.

Tujuan utama dari image enhancement adalah untuk memodifikasi atribut pada

gambar untuk membuat menjadi lebih sesuai untuk tugas tertentu dan pengamatan

tertentu.

Teknik image enhancement digunakan untuk meningkatkan kualitas suatu citra

digital, baik dalam tujuan untuk menonjolkan suatu ciri tertentu dalam citra tersebut,

maupun untuk memperbaiki aspek tampilan. Proses ini biasanya didasarkan pada

prosedur yang bersifat eksperimental, subjektif, dan amat bergantung pada tujuan yang

hendak dicapai.

Berdasarkan proses yang dilakukan, operasi image enhancement dapat digolongkan

dalam empat kelompok besar, yaitu:

Operasi titik

Beberapa teknik yang merupakan anggota kelompok ini adalah contrast

stretching, brightening, darkening, dan thresholding.

Operasi spasial

Operasi spasial (spatial operation) meliputi beberapa teknik seperti neighborhood

averaging, median filtering, serta berbagai macam filter spasial lainnya baik yang

bersifat low-pass filter, band-pass filter, maupun high-pass filter.

Operasi transformasi

Dengan mekanisme operasi transformasi (transform operation), proses

enhancement dikerjakan pada citra yang telah terlebih dahulu mengalami

transformasi.

Pseudocoloring dan False coloring

2

Pseudocoloring dan false coloring merupakan upaya memperbaiki aspek artistik

citra sehingga lebih mudah diinterpretasi. Hal ini dilakukan dengan cara

menambahkan warna (palsu) pada citra sehingga daerah-daerah tertentu dapat

dilihat dengan lebih jelas.

Pembahasan modul ini meliputi operasi titik, operasi spasial, dan operasi transformasi.

Masing-masing teknik akan dijelaskan secara ringkas, dengan dilengkapi oleh contoh

prosedur yang dapat dicoba.

1. Operasi Titik

Operasi titik dalam image enhancement dilakukan dengan memodifikasi

histogram citra masukan agar sesuai dengan karakteristik yang diharapkan.

Histogram dari suatu citra adalah grafik yang menunjukkan distribusi

frekuensi dari nilai intensitas piksel dalam citra tersebut.

Contoh perintah untuk menampilkan histogram adalah:

I=imread('rice.tif');

img=rgb2gray(I);cccc

figure,imshow(img);

figure,imhist(img);

(b) Histogram citra bakteri TBC

(a) Citra Bakteri TBC

(c) Citra Sel Kanker serviks

(d) Histogram citra sel kanker serviks

Gambar 1.1 Citra Hasil Histogram

3

Gambar (b) menunjukkan hasil histogram dari citra bakteri TBC. Sehingga dapat

disimpulkan bahwa histogram adalah tampilan grafis dari tabulasi frekuensi yang

digambarkan dengan grafis batangan sebagai manifestasi data binning.

Beberapa teknik image enhancement melalui operasi titik antara lain adalah

intensity adjustment (termasuk brightening dan darkening), histogram equalization,

dan thresholding.

2. Intensity Adjustment

Intensity adjustment bekerja dengan cara melakukan pemetaan linear terhadap

nilai intensitas pada histogram awal menjadi nilai intensitas pada histogram yang baru.

Perintah umum untuk melakukan pemetaan linear tersebut adalah:

J = imadjust(I,[low_in,high_in),[low_out,high_out])

dimana :

low_in merupakan nilai intensitas yang akan dipetakan sebagai low_out

high_in merupakan nilai intensitas yang akan dipetakan sebagai high_out

Contoh:

Citra rice.tif di bawah ini memiliki nilai kekontrasan yang rendah. Berdasarkan

histogramnya, dapat diketahui bahwa citra ini tidak memiliki piksel dengan

intensitas di bawah 40 dan di atas 225. Untuk memperbaikinya, kita dapat

memetakan histogram secara linear sehingga diperoleh sebuah citra baru yang

memiliki rentang histogram antara 0 hingga 255.

Gambar 1.2. Citra intensity adjustment

Perintah untuk melakukan intensity adjustment: I=imread('cell_ 1.jpg');

img=rgb2gray(I);

J=imadjust(img,[0.15 0.9],[0 1]);

figure,imshow(img);

figure,imhist(img);

figure,imshow(J);

figure,imhist(J);

Hasil yang diperoleh ditunjukkan pada Gambar 2.3 :

4

(a) Citra Bakteri TBC (b) Histogram citra Bakteri TBC

(d) Histogram hasil inetnsity (c) Citra hasil intensity adjustment

adjustment

(e) Citra Sel Kanker Serviks (f) Histogram Sel Kanker Serviks

(g) Citra hasil intensity adjustment

(h) Histogram hasil intensity adjustment

Gambar 1.3. Intensity Adjustment pada Citra Bakteri TBC dan Sel Kanker

Serviks Setelah dilakukan itensity adjustment pada citra bakteri TBC, dapat diketahui

bahwa kontras citra semakin meningkat atau semakin tajam. Peningkatan atau

penurunan kontras tergantung pada nilai intensitas yang digunakan.

2.1. Histogram Equalization

Histogram citra menunjukkan pada histogram dari nilai intensitas pixel.

Histogram menampilkan banyaknya piksel dalam suatu citra yang dikelompokkan

berdasarkan level nilai intensitas piksel yang berbeda. Pada citra grayscale 8 bit,

5

terdapat 256 level nilai intensitas yang berbeda maka pada histogram akan ditampilkan

secara grafik distribusi dari masing-masing 256 level nilai piksel tersebut.

Histogram didefinisikan sebagai probabilitas statistik distribusi setiap tingkat abu-

abu dalam gambar digital. Persamaan histogram (HE) adalah teknik yang sangat populer

untuk peningkatan kontras gambar. Konsep dasar dari histogram equalization adalah

dengan men-strecth histogram, sehingga perbedaan piksel menjadi lebih besar atau

dengan kata lain informasi menjadi lebih kuat sehingga mata dapat menangkap

informasi yang disampaikan.

Citra kontras ditentukan oleh rentang dinamis, yang didefinisikan sebagai

perbandingan antara bagian paling terang dan paling gelap intensitas piksel. Histogram

memberikan informasi untuk kontras dan intensitas keseluruhan distribusi dari suatu

gambar. Misalkan gambar input f (x, y) terdiri dari tingkat abu-abu diskrit dalam kisaran

dinamis [0, L-1] maka fungsi transformasi C (rk).

Persamaan histogram atau lebih dikenal dengan “Histogram equalization”

digunakan untuk memperlebar range tingkat keabuan, sehingga akan meningkatkan

kekontrasan citra.

Memiliki persamaan transformasi seperti berikut:

untuk k=0,1,2,…,L-1

Metode pemrosesan histogram yang sudah dibahas, yaitu “histogram equalization”

bersifat global, karena piksel-piksel dimodifikasi menggunakan fungsi transformasi

berbasis pada intensitas seluruh piksel pada citra. Seringkali diperlukan perbaikan pada

suatu daerah yang kecil pada di dalam citra.

Teknik “histogram equalization” bisa diterapkan untuk perbaikan lokal. Caranya,

definisikan daerah ketetanggaan (neighborhood), dan pindahkan pusat neighborhood

piksel demi piksel pada keseluruhan citra. Pada setiap lokasi piksel, histogram dari

piksel-piksel dalam neighborhood dihitung. Selanjutnya dispesifikasikan fungsi

transformasi “histogram equalization” dan fungsi ini digunakan untuk memetakan

6

intensitas piksel pada pusat neighborhood. Ulangi langkah tersebut pada seluruh piksel

dalam citra.

Teknik histogram equalization bertujuan untuk menghasilkan suatu citra keluaran

yang memiliki nilai histogram yang relatif sama. Contoh perintah untuk melakukan

histogram equalization:

I=imread('cell_1.jpg');

img=rgb2gray(I);

J=histeq(img); figure,imshow(img);

figure,imhist(img); figure,imshow(J);

figure,imhist(J);


(a) Citra Bakteri TBC (b) Histogram Citra Bakteri TBC

(c) Citra hasil perataan (d) Histogram hasil perataan


7

(g) Citra hasil perataan (h) Histogram hasil perataan

Gambar 1.4. Perataan histogram pada citra grayscale

Gambar di atas menunjukkan bahwa citra hasil histogram equalization memiliki

warna lebih kontras dan tingkat keabuannya hampir sama. Hal tersebut dapat dilihat

dari gambar (d) dan (h) yang menunjukkan bahwa nilai intensitas citra besarnya

hampir sama, tidak ada yang terlalu rendah dan tidak ada yang terlalu tinggi.

2.2. Thresholding

Thresholding merupakan proses pemisahan piksel-piksel berdasarkan derajat

keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai

batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat

keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1 . Aturan umum

untuk tingkat pixel abu-abu adalah sebagai berikut:

Dimana T adalah nilai ambang batas, f(x,y) adalah nilai piksel asli, dan g(x,y) adalah

nilai piksel yang dihasilkan setelah dilakukan thresholding. Contoh perintah untuk

melakukan thresholding:


img=rgb2gray(I);

J=im2bw(I,0.3);

K=im2bw(I,0.6);

figure,imshow(img);

figure,imhist(img);

figure,imshow(J);

figure,imshow(K);


8

(a) Citra asli (b) Histogram citra asli

(c) Citra hasil thresholding 0.3 (d) Citra hasil thresholding 0.6


(g) Citra hasil thresholding 0.4 (h) Citra hasil thresholding 0.7

Gambar 1.5. Thresholding pada Citra Bakteri TBC dan Sel Kanker Serviks

Citra hasil thresholding menunjukkan derajat keabuan suatu citra. Apabila diberikan

nilai 0.3 maka nilai tersebut kurang dari nilai batas, sehingga akan diberikan nilai 0 dan

warna lebih ke putih. Sedangkan apabila diberikan nilai 0.6, citra akan terlihat berwarna

hitam karena nilainya melebihi nilai batas.

9

3. Operasi Spasial

Operasi spasial dalam pengolahan citra digital dilakukan melalui penggunaan

suatu kernel konvolusi 2-dimensi. Beberapa metode image enhancement yang termasuk

dalam keluarga ini adalah neighborhood averaging, median filtering, dan high-pass

filtering.

3.1. Neighborhood Averaging

Pada prinsipnya, filter yang digunakan dalam neighborhood averaging merupakan

salah satu jenis low-pass filter, yang bekerja dengan cara mengganti nilai suatu piksel

pada citra asal dengan nilai rata-rata dari piksel tersebut dan lingkungan tetangganya.

Low pass filter akan menyebabkan citra menjadi lebih halus dan lebih blur. Aturan

kernel untuk low-pass filter adalah:

1. Semua koefisien kernel harus positif

2. Jumlah semua koefisien kernel harus sama dengan 1

Contoh kernel yang dapat digunakan pada low-pass filtering adalah:

Contoh perintah untuk melakukan low-pass filtering adalah:

I=imread('cell_1.jpg'); img=rgb2gray(I); lpf1=[1/16 1/8 1/16;1/8 1/4 1/8;1/16 1/8 1/16]; lpf2=[1/10 1/10 1/10;1/10 1/5 1/10;1/10 1/10

1/10]; lpf3=[1 1 1;1 1 1;1 1 1]/9;

J1=uint8(conv2(double(img),lpf1,'same')); J2=uint8(conv2(double(img),lpf2,'same'));

J3=uint8(conv2(double(img),lpf3,'same')); figure,imshow(img);

figure,imshow(J1);

figure,imshow(J2);

figure,imshow(J3);

Hasil yang diperoleh ditunjukkan pada Gambar 1.6.

(a) Citra asli (b) Citra hasil filtering kernel 1

10

(c) Citra hasil filtering kernel 2 (d) Citra hasil filtering kernel 3

(e) Citra asli (f) Citra hasil filtering kernel 1

(g) Citra hasil filtering kernel 2 (h) Citra hasil filtering kernel 3

Gambar 2.6. Low-pass filtering pada citra grayscale

Gambar hasil filtering lebih terlihat lebih halus dan lebih blur. Halus dan blurnya suatu

citra hasil filtering tergantung pada nilai yang diberikan pada kernel.

Salah satu persoalan pada penggunaan neighborhood averaging adalah apabila citra

masukan telah terkontaminasi noise, sebagaimana diperlihatkan oleh contoh berikut:


img=rgb2gray(I);

IN=imnoise(img,'salt & pepper',0.02);

kernel=[1 1 1;1 1 1;1 1 1]/9;

J=uint8(conv2(img,kernel,'same'));

JN=uint8(conv2(IN,kernel,'same'));

figure,imshow(img);

figure,imshow(J);

figure,imshow(IN);

figure,imshow(JN);

11


(a) Citra Asli (b) Citra hasil filtering

(c) Citra noise (d) Citra noise hasil filtering

(e) Citra Asli (f) Citra hasil filtering

(g) Citra noise (h) Citra noise hasil filtering

Gambar 1.7. Neighborhood Pada Citra yang Terkontaminasi Noise

Citra yang terkontaminasi noise apabila dilakukan filtering maka hasil yang diperoleh

kualitasnya kurang baik, karena citra terlihat blur dan terdapat noda sehingga tidak

halus.

12

3.2. Median Filtering

Median filter merupakan salah satu jenis low-pass filter, yang bekerja dengan

mengganti nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan

lingkungan tetangganya. Dibandingkan dengan neighborhood averaging, filter ini lebih

tidak sensitif terhadap perbedaan intensitas yang ekstrim.

Contoh perintah untuk melakukan median filtering terhadap citra yang terkontaminasi

noise adalah:

I=imread('cell_1.jpg'); img=rgb2gray(I);

IN=imnoise(img,'salt & pepper',0.02);

J1=medfilt2(IN,[2 2]);

J2=medfilt2(IN,[6 6]);

figure,imshow(img);

figure,imshow(IN);

figure,imshow(J1);

figure,imshow(J2);


(a) Citra asli (b) Citra terkontaminasi noise

(c) Citra hasil filter

median kernel 2x2

(d) Citra hasil filter

median kernel 6x6

13

(e) Citra asli (f) Citra terkontaminasi noise

(g) Citra hasil filter

median kernel 2x2

(h) Citra hasil filter

median kernel 6x6

Gambar 1.8. Median filtering pada citra terkontaminaasi noise salt & pepper

Gambar (c), (d), (g) dan (h) menunjukkan citra hasil filter median yang

terkontaminasi noise. Semakin besar kernel yang digunakan maka semakin hilang

pula noise pada citra dan citra semakin blur.

3.3. High-pass Filtering

Sebagaimana pada proses pengolahan sinyal satu dimensi, high-pass filter dua

dimensi akan melewatkan komponen citra frekuensi tinggi dan meredam komponen

citra frekuensi rendah.

High pass filter akan menyebabkan tepi objek tampak lebih tajam dibandingkan

sekitarnya.

Aturan kernel untuk high-pass filter adalah:

1. Koefisien kernel boleh positif, negative, atau nol

2. Jumlah semua koefisien kernel adalah 0 atau 1

Contoh kernel yang dapat digunakan pada high-pass filtering adalah

14

Berikut adalah contoh perintah untuk melakukan high-pass filtering:


img=rgb2gray(I);

hpf1=[-1 -1 -1;-1 8 -1;-1 -1 -1]; hpf2=[ 0 -1 0;-1 5 -1; 0 -1 0];

hpf3=[ 1 -2 1;-2 5 -2; 1 -2 1];

J1=uint8(conv2(double(img),hpf1,'same'));



figure,imshow(img);

figure,imshow(J1);

figure,imshow(J2);

figure,imshow(J3);


(a) Citra asli (b) Citra hasil filtering kernel (i)

(c) Citra hasil filtering kernel (ii) (d) Citra hasil filtering kernel (iii)

(e) Citra asli (f) Citra hasil filtering kernel (i)

15

(g) Citra hasil filtering kernel (ii) (h) Citra hasil filtering kernel (iii)

Gambar 1.9. High-pass filtering pada citra grayscale

High-pass filtering dipengaruhi oleh besarnya nilai koefisien kernel dan besarnya

jumlah kernel. Apabila jumlah kernel bernilai 1 maka tepi objek sangat tajam seperti

gambar (b) dibandingkan dengan jumlah kernel yang bernilai kurang dari 1, seperti

gambar (c) dan (d).

Terdapat tiga tipe filter yang dapat disimulasikan yaitu i.) Ideal ii.) Butterworth

dan iii.) Gaussian filter. High pass filter digunakan untuk menajamkan citra dengan

menahan komponen frekuensi rendah. Butterworth high pass filter menyediakan transisi

dari penajaman Ideal High Pass filter ke Gaussian high pass filter seperti terlihat pada

gambar dibawah ini.

(a). Citra Asli (b). Ideal High Pass Filter

(c). Butterworth High Pass Filter (d). Gaussian High Pass Filter

Gambar 2.10. Ideal, Butterworth dan Gaussian filter

4. Operasi Transformasi

16

Berbeda dengan beberapa metode yang telah dibahas sebelumnya, proses image

enhancement berbasis transformasi citra dilakukan dengan:

a. mentransformasi citra asal ke dalam domain yang sesuai bagi proses enhancement

b. melakukan proses enhancement pada domain tersebut

c. mengembalikan citra ke dalam domain spasial untuk ditampilkan/diproses lebih

lanjut

Salah satu metode transformasi yang paling populer dalam aplikasi pengolahan citra

digital adalah Fast Fourier Transform (FFT). Transformasi ini memindahkan informasi

citra dari domain spasial ke dalam domain frekuensi, yaitu dengan merepresentasikan

citra spasial sebagai suatu penjumlahan eksponensial kompleks dari beragam frekuensi,

magnituda, dan fasa. Setelah dilakukan proses enhancement dalam domain frekuensi,

informasi citra dikembalikan ke domain spasial.

Contoh perintah untuk melakukan low-pass filtering dan high-pass filtering melalui FFT

adalah:

I=imread('cameraman.tif');

IF=fft2(double(I)); mask_high=double(imread('maskpojok.bmp'));

mask_low=1-mask_high;

IFH=(IF.*mask_high);

IFL=(IF.*mask_low ); hasil_high=abs(ifft2(IFH));

hasil_low=abs(ifft2(IFL)); figure,imagesc(I),colormap gray,colorbar,axis image;

figure,imagesc(log(abs(IF +1)),[0 17]),colormap hot,colorbar,axis image;

figure,imagesc(hasil_high),colormap gray,colorbar,axis image;

figure,imagesc(log(abs(IFH+1)),[0 17]),colormap hot,colorbar,axis image;

figure,imagesc(hasil_low ),colormap gray,colorbar,axis image;

figure,imagesc(log(abs(IFL+1)),[0 17]),colormap hot,colorbar,axis

image;


17

Gambar 2.11. Fast Fourier Transform pada citra grayscale

Pada contoh program tersebut, proses filtering dilakukan melalui masking terhadap

komponen frekuensi yang ditentukan. Agar tercipta karakteristik high-pass filter,

maka komponen frekuensi rendah (koefisien frekuensi yang berada pada bagian

pojok dari citra hasil FFT) di-masking menggunakan nilai 0. Demikian pula

sebaliknya untuk memunculkan sifat low-pass filter, komponen frekuensi tinggi

(koefisien frekuensi yang berada pada bagian tengah dari citra hasil FFT) dibuat

menjadi 0 melalui perkalian dengan mask low-pass.

mask high-pass mask low-pass

5. Pseudocoloring dan False coloring

18

Pseudocolor image processing atau bisa juga disebut false color merupakan suatu

proses pemberian / penentuan warna pada suatu image (image monokrom) berdasarkan

nilai level keabuan. Pseudocolor ini digunakan untuk membedakan proses penentuan

warna image monokrom dari proses yang berhubungan dengan image warna.

Pada dasarnya ini sangat berguna untuk visualisasi dan interpretasi gray-scale

pada sebuah image atau urutan suatu image. Ada 2 metode, yaitu Intensity Slicing

(Density Slicing) dan Color Coding dan Gray-level to Color Transformation

5.1. Intensity Slicing (Density Slicing) dan Color Coding

Density slicing merupakan contoh yang paling sederhana dari pseudocolor. Secara

garis besar, sebuah image nantinya akan di slice atau diiris/ disegmentasikan, kemudian

setiap irisan diberi warna yang berbeda – beda atau diatur brightnessnya yang lebih

spesifik. Agar lebih mudah gambarannya seperti berikut :

Dari gambar di atas nampak bahwa image 3D dilakukan proses slicing (slicing plane)

menjadi 2 irisan, irisan yang berada di atas slicing plane diberi satu warna tertentu dan

irisan yang bawahnya diberi warna lainnya. Metode ini sangat berguna di berbagai

bidang, contohnya :

Meteorologi, mengetahui rata - rata curah hujan di suatu wilayah dengan periode

tertentu. Perbedaan curah hujan di setiap wilayah ditandai dengan warna yang

berbeda – beda, meskipun terkadang hanya tipis perbedaan warnanya.

Kesehatan, picker thyroid phantom (radiation test pattern) akan nampak lebih

jelas regionnya (setelah dilakukan density slicing) dibanding saat masih berupa

image monokrom

Untuk mengetahui beberapa keretakan dan keporosoan suatu besi yang disambung

dengan cara dilas akan jauh lebih mudah jika dilakukan color coding

19

Metode ini memang sederhana tetapi bermanfaat karena membuat visualisasi yang

sangat kuat, khususnya jika banyak image yang terlibat didalamnya.

5.2. Gray-level to Color Transformation

Pada intinya dalam metode ini dilakukan 3 transformasi independen pada gray

level dari input pixel apa saja dan mengkombinasikan ketiga hasil tersebut. Contohnya,

untuk monitor televisi warna membutuhkan input berupa 3 hasil transformasi secara

terpisah (merah, hijau dan biru). Metode ini merupakan generalisasi dari intensity

slicing. Beberapa image grayscale dapat divisualisasikan sebagai image satu warna.

Selain itu, metode ini sangat berguna untuk visualisasi analisa data multiresolusi. Jika

terdapat beberapa image monokrom maka dapat dilakukan pendekatan pseudocolor dan

ada beberapa proses tambahan yang dapat dilakukan, contohnya color balancing atau

image data selection berdasarkan informasi sensor tambahan.

20

TUGAS

1. Operasi Titik

Perintah:

I=imread('rice.tif');

J=imadjust(I,[0.15 0.9],[1 0]);

figure,imshow(I); figure,imhist(I);

figure,imshow(J); figure,imhist(J);

Hasil:

(a) Citra asli

(b) Histogram citra

asli

(c) Citra Intensity

Adjustment

(d) Histogram citra

intensity

adjustment

Gambar 1.12. Hasil operasi titik

Setelah program tersebut dijalankan maka, akan menampilkan gambar dan histogram

seperti gambar 12. Dari gambar di atas dapat disimpulkan bahwa gambar (c) merupakan

citra hasil intensity adjustmen dengan low_in 40 piksel dengan high-in 225 piksel dan

memiliki rentang histogram 0 hingga 255. Karena low_out bernilai 1, maka warna yang

nilainya di bawah batas keabuan maka akan semakin tajam dan sebaliknya. Perubahan

tersebut dapat dilihat dari histogram masing-masing citra.

2. Operasi Spasial

21

Perintah:

I=double(imread('saturn.tif'));

kernel=[1 1 1;1 1 1;1 1 1]/9;

J=conv2(I,kernel,'same');

K=I-J;

figure,imagesc(I),colormap('gray'),colorbar('vert');

figure,imagesc(J),colormap('gray'),colorbar('vert');

figure,imagesc(K),colormap('gray'),colorbar('vert');

Hasil:

(a) Citra I (b) Citra J

(c) Citra K

Gambar 1.13. Hasil Operasi Spasial

Perintah di atas menghasilkan citra (a), (b) dan (c). Citra (a) merupakan citra asli, citra

(b) merupakan citra hasil filtering sehingga warnanya lebih halus dan agak pudar.

Sedangkan citra (c) merupakan citra hasil pengurangan piksel dari citra (a) dan (b)

sehingga didapatkan citra dengan warna gray dan hanya terlihat garis tepinya saja. Hal

tersebut dapat dilihat dari colormap masing-masing citra.

3. Operasi Transformasi

Perintah:

I =imread('segitiga.bmp');

F =fft2(I); IF=fliplr(I);

22

FF=fft2(IF);

IR=rot90 (I);

FR=fft2(IR);


figure,imagesc(log(abs(F ))), colormap('hot'),colorbar('vert');

figure,imagesc(IF),colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(FF))),colormap('hot') ,colorbar('vert');

figure,imagesc(IR),colormap('gray'),colorbar('vert');

figure,imagesc(log(abs(FR))),colormap('hot') ,colorbar('vert');

Hasil:

(a) Citra asli dalam (b) Citra asli dalam

domain spasial domain frekuensi

(c) Citra fliplr dalam (d) Citra fliplr dalam

domain spasial domain frekuansi

(e) Citra Rot90 dalam (f) Citra Rot90 dalam

domain spasial domain frekuensi

23

Gambar 1.14. Hasil Operasi Transformasi

Perintah operasi transformasi di atas menghasilkan citra (a), (c) dan (e) yang merupakan

citra dalam domain spasial. Sedangkan citra (b), (d), dan (f) merupakan citra dalam

domain frekuensi. Citra (a) merupakan citra asli dan menghasilkan citra frekuensi

berupa citra (b). Citra (c) adalah citra asli yang telah dilakukan flip (refleksi) secara

horizontal (pembalikan citra dari kiri ke kanan). Hasil citra dalam domain frekuensi dari

citra (c) hampir sama dengan hasil dari citra asli karena segitia yang digunakan

merupakan segitiga sama kaki. Citra (e) merupakan citra asli yang telah dirotasi 90

derajat. Citra yang dirotasi menghasilkan citra frekuensi yang berbeda dari citra asli

seperti yang terlihat pada citra (f).

4. Studi Kasus

Prosedur Image Emhancement

(a) Citra noise (b) Citra asli

Prosedur atau perintah untuk memperbaiki citra di atas adalah sebagai berikut:

gambar = imread('taz_noise.bmp');

gray = rgb2gray(gambar);

awal = medfilt2(gray);

k = medfilt2(noise); figure, imshow(gray), title('Pelembutan Citra Awal');

figure, imshow(awal), title('Pelembutan Citra Awal');

Citra yang terkontaminasi noise dilakukan pelembutan terlebih dahulu dengan dibuat

grayscale. Kemudian citra yang telah berupa grayscale di lakukan median filtering,

maka citra akan bersih dari noise.

24

BAB 2

DETEKSI TEPI

2.1 Sejarah Awal Pengolahan Citra Biomedical Cervical Cancer

Ilmu kedokteran saat ini berkembang pesat, salah satu bidang ilmu dari

kedokteran adalah biomedik. Ilmu Biomedik adalah cabang ilmu kedokteran yang

menggunakan asas-asas dan pengetahuan dasar ilmu pengetahuan alam (Biologi, Kimia

dan Fisika) untuk menjelaskan fenomena hidup pada tingkat molekul, sel, organ dan

organisme utuh, hubunganya dengan penyakit dan mencarikan serta mengembangkan

bahan yang tepat untuk mencegah, mengobati dan memulihkan kerusakan akibat

penyakit.

Bidang-bidang pengolahan citra pada Biomedik yang banyak digunakan adalah

pencitraan Medik (Tomography): Tomography dapat diartikan sebagai rekonstruksi citra

secara irisan melintang tanpa menggangu obyek yang sedang diukur. Contohnya adalah

Single Photon Emission Computerised Tomography (SPECT), Positron Emission

Tomography (PET), Magnetic Resonance Imaging (MRI) dan Electrical Impedance

Tomography (EIT), Computerised Axial Tomography (CAT).

Pengolahan citra digital mengalami kemajuan penting dalam bidang kedokteran

ketika ditemukannya tomografi terkomputerisasi (Computerized Tomography/ CT) pada

tahun 1970-an dan kini teknologi tomografi tersebut sudah maju sangat pesat.

Pengolahan citra digital dapat digunakan untuk deteksi tumor dan kanker rahim,

identifikasi penyakit paru-paru, identifikasi penyakit hati, identifikasi penyakit tulang,

segmentasi tulang dari otot yang lainnya, klasifikasi gigi dan analisis citra mikroskopis.

Beberapa dari kemajuan pada bidang kedokteran tersebut karena kemampuan

pengolahan citra digital mampu menginterpretasikan sinar x (Putra, 2010:3).

Kanker atau dalam bahasa medis disebut karsinoma merupakan penyakit yang

ditandai oleh pertumbuhan dan perkembangan sel-sel yang tidak terkontrol (Price S. dan

Wilson L, 2005:2).

Kanker serviks merupakan kanker yang banyak menyerang perempuan. Melihat

perkembangan jumlah penderita dan kematian akibat kanker serviks. diperkirakan

bahwa terdapat 493.243 jiwa pertahun penderita kanker serviks baru di dunia dengan

angka kematian sebanyak 273.505 jiwa pertahun (Nur, 2016:1).

25

Diseluruh dunia, penyakit ini merupakan jenis kanker ke dua terbanyak yang

diderita perempuan setelah kanker payudara namun menjadi penyebab pertama

kematian perempuan akibat kanker (Fitria, 2015:2). Sedangkan menurut Binqing

(2016:1) Kanker serviks adalah penyebab utama keempat kematian akibat kanker pada

wanita Dwide menurut World Cancer Report 2014 dari Organisasi Kesehatan Dunia

(WHO).

Jumlah penderita kanker serviks di Indonesia semakin tinggi. Berdasarkan data

World Healt h Organization, sekitar 15.000 kasus kanker serviks ditemukan di

Indonesia setiap tahunnya. Indonesia menjadi negara dengan jumlah tertinggi wanita

dengan kanker serviks di dunia (Yulia, 2016:1).

2.2 Area Penggunaan Citra

Pengolahan citra digital dapat dilakukan berbagai cara diantaranya adalah

representasi dan permodelan citra, peningkatan kualitas citra, restorasi citra, analisis

citra, rekonstruksi citra dan kompresi citra. Pada modul ini, pengolahan citra digital

difokuskan pada teknik peningkatan mutu pada domain spatial khususnya penggunaan

untuk teknik deteksi tepian (Edge Detection).

Teknik peningkatan mutu citra dapat dibagi menjadi dua yaitu Peningkatan mutu

citra pada domain spasial dan Peningkatan mutu citra pada domain frekuensi.

Peningkatan mutu citra pada domain spasial sendiri masih dibagi menjadi dua macam

yaitu point processing dan mask processing. Pada mask processing kita melakukan

operasi terhadap suatu jendela ketetanggaan pada citra. Salah satu contoh dari

peningkatan mutu pada domain spatial menggunakan mask processing adalah edge

detection. Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang

menghasilkan tepi-tepi dari obyek-obyek citra. Deteksi tepi sendiri dimanfaatkan untuk

berbagai keperluan diantanya yang sedang hangat di bahas saat ini adalah penggunaan

deteksi tepi dalam penggunaannya untuk aplikasi pengenalan nomor mobil. Tujuan dari

teknik peningkatan mutu citra adalah untuk melakukan pemrosesan terhadap citra agar

hasilnya mempunyai kwalitas relatif lebih baik dari citra awal untuk aplikasi tertentu.

2.3 Cara Pengambilan Citra

Pengolahan citra digital berarti pengolahan komputer digital menggunakan

algoritma komputer untuk melakukan pemrosesan gambar pada gambar digital

(Khairudin, 2016:1).

26

Gambar 2.1. Pengambilan citra dengan Ultrasonografi

Sumber: M. Khairudin(2016)

Gambar diatas merupakan citra janin usia 20 minggu dengan menggunakan

ultrasonografi (USG). Pengembangan metode diagnosis non-invasif baru menjadi

semakin penting. Diantaranya, teknik pencitraan (ultrasonografi, tomografi komputer,

resonansi magnetik). Ultrasonografi (AS) adalah metode yang paling sering digunakan,

karena aksesibilitas, biaya rendah dan kurangnya efek samping (Han, 2014:2363).

Selain ultrasonografi, pengambilan citra dapat dilakukan dengan Magnetic

Resonance Imaging (MRI) atau magnetic resonance imaging (NMRI) atau magnetic

resonance tomography (MRT) adalah teknik pencitraan medis yang digunakan dalam

radiologi untuk memvisualisasikan struktur internal tubuh secara rinci (Romesh,

2014:2).

Gambar 2.2. Hasil MRI algoritma segmentasi

Sumber: Moslem Taghizadch (2011)

27

2.4 Deteksi Tepi (Edge Detection)

Deteksi tepi adalah alat fundamental yang digunakan pada sebagian besar aplikasi

pengolahan citra untuk mendapatkan informasi dari gambar sebagai langkah awal untuk

menampilkan ekstraksi dan segmentasi objek. Proses ini mendeteksi batas antara objek

dan latar belakang pada gambar dimana kecerahan gambar berubah tajam atau lebih

secara formal memiliki diskontinuitas. Gambar yang mengandung batas-batas ini

dikenal sebagai edge map (Moslem Taghizadch, 2011:1).

Hidayat (2016:66) menyatakan bahwa deteksi tepi adalah operasi yang dijalankan

untuk mendeteksi garis tepi yang membatasi dua wilayah citra homogen yang memiliki

tingkat kecerahan yang berbeda. Tepi atau sisi dari sebuah obyek adalah daerah dimana

terdapat perubahan intensitas warna yang cukup tinggi (Lusiana, 2013:183). Putra

(2010:201) dalam bukunya yang berjudul Pengolahan Citra Digital menjelaskan bahwa

deteksi tepi umumnya adalah langkah awal melakukan segmentasi citra.

Segmentasi citra sebagai bagian dari proses pengolahan citra, adalah kegiatan

untuk membagi citra menjadi beberapa bagian atau region yang bertujuan untuk

mengisolasi atau menemukan suatu obyek di dalam citra. Secara umum segmentasi citra

didasarkan pada satu dari dua property nilai intensitas yaitu mendeteksi diskontinuitas

atau mendeteksi similaritas. (Lusiana, 2013:182).

Hasil dari pendeteksian tepi pada sebuah citra digital sangatlah berpengaruh

terhadap proses pengolahan citra lebih lanjut seperti segmentasi dan analisis citra.

Semakin jelas hasil dari pendeteksian tepi objek-objek (sub-citra) maka semakin baik

pula hasil segementasi dan analisis citra yang akan dilakukan. Pada gambar 1 berikut

dapat dilihat proses yang dilakukan untuk memperoleh tepi gambar dari suatu citra yang

ada (Yunus, 2012:147).

Pada proses pengolahan citra digital seperti segmentasi dan analisis citra digital,

peranan metode-metode pendeteksian tepi citra sangat berperan penting terhadap

keakuratan hasil segmentasi dan analisis citra digital. Terdapat beberapa metode berupa

operator pendeteksian tepi objek yang dikenal, seperti Sobel, Isotropic, Compass,

Canny, Gradien, Laplacian of Gaussian, Prewitt, Roberts dan Selisih Terpusat. Operator

tersebut memiliki kelebihan dan kekurangan dalam melakukan deteksi tepi (Yunus,

2012:146-147).

28

Gambar 2.3. Proses Deteksi Tepi Citra Digital

Gambar 2.4. Hasil Deteksi Tepi citra ferrules serat optic keramik menggunakan

operator sobel Pada gambr diatas, deteksi tepi yang digunakan adalah pengolahan citra ferrules serat

optik keramik. Tidak ada bentuk tepi yang rumit pada gambar ini, hanya mendeteksi

tepi melingkar dari lubang dalam.

Gambar 2.5. Hasil Deteksi Tepi dengan operator Canny

29

Sumber: Hasanuddin(2014)

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak

melibatkan persepsi visual salah satunya dalam bentuk tekstur, demikian pula dalam

bidang kedokteran sering mengandalkan proses visualisasi yang lebih dikenal dengan

pencitraan medis (medical imaging). Pengolahan citra sering juga digunakan untuk

mendeteksi kanker serviks. Kanker serviks atau kanker leher rahim adalah kanker pada

sistem reproduksi wanita. Pendeteksian kanker serviks dapat dilakukan dengan berbagai

cara, salah satunya adalah deteksi tepi.

Berdasarkan penjelasan diatas, untuk sample citra yang akan digunakan dalam

Edge Detection (Deteksi Tepi) yaitu sample citra biomedical cervical cancer. Berikut

adalah citra cameraman.tif dan biomedical cervical cancer yang dijadikan sample dan

perbandingan pada pembahasan advanced image processing edge detection:

Gambar 2.6. Citra Asli cameraman.tif

30

Gambar 2.7. Citra Asli Biomedical Servical Cancer Normal Columnar

(153956040-153956058-002.bmp)

2.5 Operator Sobel

Sukatmi (2017:1) menyatakan bahwa metode Sobel merupakan pengembangan

metode Robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga.

Metode ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai

fungsi untuk membangkitkan HPF.

Operator Sobel memiliki ukuran kernel sebesar 3x3, yang direpresentasikan

sebagai:

Contoh perintah menggunakan operator Sobel:

% Mendefinisikan gambar %

I = imread('cameraman.tif');

% Matriks sobel horizontal dan vertical %

sobelhor=[-1 0 1; -2 0 2; -1 0 1];

sobelver=[-1 -2 -1; 0 0 0; 1 2 1];

% Konvolusi dengan operator Sobel %

Ix=conv2(I, sobelhor, 'same');

Iy=conv2(I, sobelver, 'same');

J=sqrt((Ix.^2)+(Iy.^2));

% Figur1, Gambar asli diubah ke warna abu secara vertikal%

figure, imagesc(I ), colormap('gray'), colorbar('vert');

% Figur2, Gambar yang sudah dikonvolusi (Ix) diubah ke warna abu secara vertical %

figure, imagesc(Ix), colormap('gray'), colorbar('vert');

% Figur3, Gambar yang sudah dikonvolusi (Iy) diubah ke warna abu secara vertical %

figure, imagesc(Iy), colormap('gray'), colorbar('vert');

% Figur4, Gambar yang sudah dikonvolusi diubah ke warna abu secara vertical %

figure, imagesc(J ), colormap('gray'), colorbar('vert');

%--------------writed by: kelompok3--------------%

Berikut adalah hasil dan analisa dari percobaan operator sobel:

31

Gambar 2.8. Percobaan Operator Sobel Citra cameraman.tif sebelum & sesudah proses deteksi

tepi

Gambar 2.9.

Percobaan Operator Sobel Citra Cervical Cancer Normal Columnar (153956040-

153956058-002.bmp) sebelum & sesudah proses deteksi tepi

Hasil Perbandingan Sample Citra Gambar 3.8 & Gambar 3.9:

Dari kedua gambar diatas ditemukan garis keabu-abuan atau putih yang disebut dengan

garis tepi atau garis batas (Boundary). Garis tepi yang ditemukan berada pada titik

dimana terdapat perbedaan warna yang mencolok pada obyek sehingga obyek terlihat

jelas. Kualitas citra berpengaruh terhadap hasil deteksi tepi yang dihasilkan, semakin

jelas sample citra maka akan semakin jelas pula garis tepi atau boundary citra tersebut.

Pada perbandingan sample citra diatas, kualitas cameraman.tif memberikan hasil deteksi

tepi yang lebih jelas.

2.6 Operator Isotropic

32

Iryanto (2016:84) menyatakan bahwa Model Isotropic banyak digunakan sebagai

model matematis dalam pengolahan citra. Secara umum persamaan ini dapat dituliskan

ke dalam ∂tI (x, y, t) = ∇ · (Ψ(I, x, y, t)∇I (x, y, t))

dengan ∂ merupakan notasi turunan parsial, ∇ = (∂x, ∂y) menyatakan operator divergensi berdimensi-2 dan Ψ menyatakan fungsi difusivitas. Fungsi Ψ dapat berupa konstanta atau fungsi skalar, koordinat, atau tensor yang bergantung pada model yang digunakan. Fungsi I menyatakan citra yang diolah, variabel x, y ∈ R dan t menyatakan ruang pada arah x dan y, dan waktu secara berurutan.

Operator Isotropic memiliki ukuran kernel yang direpresentasikan sebagai:

Contoh perintah menggunakan operator Isotropic:


I= imread('cameraman.tif');

% Matriks isotropik horizontal dan vertical %

isohor = [ -1 0 1; -sqrt(2) 0 sqrt(2); -1 0 1];

isover = [ -1 -sqrt(2) -1; 0 0 0; 1 sqrt(2) 1];

% Konvolusi dengan operator isotropik %

Ix = conv2(I,isohor,'same');

Iy = conv2(I,isover,'same');

J = sqrt((Ix.^2)+(Iy.^2));



% Figur2, Gambar yang sudah dikonvolusi (Ix) diubah ke warna abu secara vertikal%


% Figur3, Gambar yang sudah dikonvolusi (Iy) diubah ke warna abu secara vertikal%


% Figur4, Gambar yang sudah dikonvolusi diubah ke warna abu secara vertikal%



Berikut adalah hasil dan analisa dari percobaan operator Isotropic:

33

Gambar 2.10. Percobaan Operator Isotropic Citra cameraman.tif sebelum & sesudah proses

deteksi tepi

Gambar 2.11.

Percobaan Operator Isotropic Citra Cervical Cancer Normal Columnar

(153956040-153956058-002.bmp) sebelum & sesudah proses deteksi tepi


Untuk hasil analisa perbandingan, hasil yang diberikan operator isotropic hamper sama

seperti halnya hasil pada operator sobel,dimana garis tepi yang ditemukan berada pada

titik dimana terdapat perbedaan warna yang mencolok pada obyek sehingga obyek

terlihat jelas. Kualitas citra berpengaruh terhadap hasil deteksi tepi yang dihasilkan,

semakin jelas sample citra maka akan semakin jelas pula garis tepi atau boundary citra

tersebut. Akan tetapi hasil dari operator isotropic memiliki frekuensi tingkat kecerahan

yang lebih rendah dibandingkan operator sobel.

2.7 Operator Compass

Lusiana (2013:183) menyatakan bahwa Deteksi tepi dengan operator kompas

digunakan untuk mendeteksi semua tepi obyek yang ada di dalam citra dari

34

berbagai arah. Operator compass yang dipakai untuk mendeteksi tepi akan menampilkan

tepi dari 8 macam arah mata angin yaitu: timur (east), tenggara (south east), selatan

(south), barat daya (south west), barat (west), barat laut (north west), utara (north), dan

timur laut (north east). Contoh perintah menggunakan operator Compass:



% Bentuk Matriks operator compass %

cu = [ 1 1 1; 1 -2 1; -1 -1 -1];

cs = [ -1 -1 -1; 1 -2 1; 1 1 1];

ct = [ -1 1 1; -1 -2 1; -1 1 1];

cb = [ 1 1 -1; 1 -2 -1; 1 1 -1];

% Konvolusi dengan menggunakan matriks compass dengan empat arah mata angin %

% utara %

Iu = conv2(I,cu,'same');

% selatan %

Is = conv2(I,cs,'same');

% timur %

It = conv2(I,ct,'same');

% barat %

Ib = conv2(I,cb,'same');

J = sqrt((Iu.^2)+(Is.^2)+(It.^2)+(Ib.^2));

% Figure1, hasil konvolusi arah mata angina utara %

figure,imagesc(Iu),colormap('gray'),colorbar('vert');

% Figure2, hasil konvolusi arah mata angina selatan %

figure,imagesc(Is),colormap('gray'),colorbar('vert');

% Figure3, hasil konvolusi arah mata angina timur %

figure,imagesc(It),colormap('gray'),colorbar('vert');

% Figure4, hasil konvolusi arah mata angina barat %

figure,imagesc(Ib),colormap('gray'),colorbar('vert');

%--------------writed by: kelompok3--------------

Berikut adalah hasil dan analisa dari percobaan operator Compass:

35

Gambar 2.12. Percobaan Operator Compass Citra cameraman.tif sebelum & sesudah proses

deteksi tepi

Gambar 2.13. Percobaan Operator Compass Citra Cervical Cancer Normal Columnar



Dari kedua gambar diatas dihasilkan gambar berwarna abu-abu dengan garis tepi

berwarna hitam sehingga obyek terlihat timbul. pada citra cameraman.tif garis tepi

berwarna hitam ini sangat terlihat jelas beda dengan hasil dari citra cervical cancer

Normal Columnar yang justru terlihat sedikit pudar.

3.8 Operator Gradien

Dalam kasus penghitungan gradien dengan persamaan local intensity variation,

maka kernel Gx dan Gy dapat dirumuskan seperti berikut:

36

Contoh perintah menggunakan operator Gradien:



% Bentuk Matriks operator gradient %

gx = [ -1 1];

gy = [ -1;1];

% Konvolusi citra asli ke dalam matriks operator gradient %

Ix = conv2(I,gx,'same');

Iy = conv2(I,gy,'same');

J = sqrt((Ix.^2)+(Iy.^2));

% Figur1, Gambar asli diubah ke warna abu secara vertical %









Berikut adalah hasil dan analisa dari percobaan operator Gradien:

Gambar 2.14.

Percobaan Operator Gradien Citra cameraman.tif sebelum & sesudah proses

deteksi tepi

37

Gambar 2.15. Percobaan Operator Gradien Citra Cervical Cancer Normal Columnar



Dari kedua gambar diatas dihasilkan garis tepi putus-putus berwarna putih dengan dasar

warna hitam yang membuat obyek terlihat dengan jelas. Pada citra cameraman.tif garis

tepi berwarna putih ini sangat terlihat jelas beda dengan hasil dari citra cervical cancer


2.9 Operator Prewitt

Operator Prewitt memiliki ukuran kernel sebesar 3x3, yang direpresentasikan

sebagai:

Contoh perintah menggunakan operator prewitt:



% Matriks operator Prewitt horizontal dan vertical %

prewitthor = [ -1 0 1; -1 0 1; -1 0 1]; prewittver = [ -

1 -1 -1; 0 0 0; 1 1 1];

% Konvolusi dengan operator Prewitt %

Ix = conv2(I,prewitthor,'same');

Iy = conv2(I,prewittver,'same');

J = sqrt((Ix.^2)+(Iy.^2));


38









Berikut adalah hasil dan analisa dari percobaan operator Prewitt:

Gambar 2.16.

Percobaan Operator Compass Citra cameraman.tif sebelum & sesudah proses

deteksi tepi

Gambar 2.17.

Percobaan Operator Prewitt Citra Cervical Cancer Normal Columnar (153956040-

153956058-002.bmp) sebelum & sesudah proses deteksi tepi


39

Dari kedua gambar diatas dihasilkan garis tepi berwarna putih yang lebih tebal

dibandingkan dengan operator lain yang membuat obyek terlihat dengan jelas. Pada

citra cameraman.tif garis tepi berwarna putih ini sangat terlihat jelas beda dengan hasil

dari citra cervical cancer Normal Columnar yang justru terlihat sedikit pudar.

3.0 Operator Roberts

Metode Roberts adalah nama lain dari teknik differensial pada arah horisontal dan

differensial pada arah vertikal, dengan ditambahkan proses konversi biner setelah

dilakukan differensial. Maksud konversi biner adalah meratakan distribusi warna hitam

dan putih (Wibowo, 2016:151).

Operator Roberts memiliki ukuran kernel sebesar 2x2, yang direpresentasikan

sebagai:

Contoh perintah menggunakan operator Roberts:



% Matriks operator Roberts horizontal dan vertical %

robertshor = [0 1; -1 0];

robertsver = [1 0; 0 -1];

% Konvolusi citra asli ke matriks

Ix = conv2(I,robertshor,'same');

Iy = conv2(I,robertsver,'same'); J

= sqrt((Ix.^2)+(Iy.^2));









40

Berikut adalah hasil dan analisa dari percobaan operator Roberts:

Gambar 2.18.

Percobaan Operator Compass Citra cameraman.tif sebelum & sesudah proses

deteksi tepi

Gambar 2.19. Percobaan Operator Roberts Citra Cervical Cancer Normal Columnar



Dari kedua gambar diatas dihasilkan garis tepi putus-putus tebal berwarna putih yang

membuat obyek terlihat dengan jelas. Pada citra cameraman.tif garis tepi putus-putus

berwarna putih ini sangat terlihat jelas beda dengan hasil dari citra cervical cancer


41

2.10 Hasil Perbandingan Dari 6 Operator Deteksi Tepi

(a) (b)

(c) (d)

(e) (f)

Gambar 2.20. hasil deteksi tepi operator sobel (a) isotropic (b) compass (c)

gradient (d) prewitt (e) Robert (f)

42

Dari hasil ke 6 operator pendeteksian tepi, dapat disimpulkan bahwa operator yang

menghasilkan deteksi tepi terbaik/jelas adalah operator Sobel, karena menghasilkan

garis tepi atau boundary yang lebih jelas dibandingkan operator-operator lain.

(a) (b)

(c) (d)

(e) (f)

Gambar 2.21 hasil deteksi tepi operator sobel (a) isotropic (b) compass (c) gradient

(d) prewitt (e) Robert (f)

Dari hasil ke 6 operator pendeteksian tepi, dapat disimpulkan bahwa operator yang

menghasilkan deteksi tepi terbaik/jelas adalah operator Sobel, karena menghasilkan

garis tepi atau boundary yang lebih jelas dibandingkan operator-operator lain.

43

Latihan Modul Edge Detection

1. Operator Gradien

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan gradien orde satu:



% Bentuk Matriks operator gradient %

gx = [ -1 1];

gy = [ -1;1];

% Konvolusi citra asli ke dalam matriks operator gradient %

Ix = conv2(I,gx,'same');

Iy = conv2(I,gy,'same');

J = sqrt((Ix.^2)+(Iy.^2));










Tabel 3.1. Hasil Deteksi Tepi (Operator Gradien)

HASIL DETEKSI TEPI (OPERATOR GRADIEN)

(a) (b)

44

(c) (d) Hasil Analisa: Gambar asli (a) diubah menjadi warna

abu secara vertikal sehingga menghasilkan gambar

(b), kemudian diperhalus lagi sehingga menghasilkan

gambar (c), dan terakhir menghasilkan gambar seperti

asli namun memiliki deteksi tepi/garis tepi dari obyek

berupa garis berwarna putih (d).

2. Operator Selisih Terpusat

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan operator selisih

terpusat:



% Matriks operator Selisih terpusat horizontal dan vertical %

d1x = [ -1 0 1];

d1y = [ -1;0;1];

% Konvolusi dengan operator selisih terpusat %

Ix = conv2(I,d1x,'same');

Iy = conv2(I,d1y,'same');

J = sqrt((Ix.^2)+(Iy.^2));









Tabel 3.2. Hasil Deteksi Tepi (Selisih Terpusat)

HASIL DETEKSI TEPI (SELISIH TERPUSAT)

45

(a) (b)

(c) (d)

Hasil Analisa: Gambar asli (a) diubah menjadi warna





berupa garis berwarna putih tebal (d).

3. Operator Roberts

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan operator roberts:

% Mendefinisikan gambar I

= imread('cameraman.tif');

% Matriks operator Roberts horizontal dan vertikal

robertshor = [0 1; -1 0];

robertsver = [1 0; 0 -1];

% Konvolusi citra asli ke matriks

Ix = conv2(I,robertshor,'same');

Iy = conv2(I,robertsver,'same');

J = sqrt((Ix.^2)+(Iy.^2));








84

46



Tabel 3.3. Hasil Deteksi Tepi (Roberts)

HASIL DETEKSI TEPI (ROBERTS)

(a) (b)


abu secara vertikal sehingga menghasilkan gambar (b),

kemudian diperhalus lagi sehingga menghasilkan gambar

(c), dan terakhir menghasilkan gambar seperti asli namun

memiliki deteksi tepi/garis tepi dari obyek berupa garis

putus-putus berwarna putih (d).

4. Operator Prewitt

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan operator prewitt:

%Mendefinisikan gambar


%Matriks operator Prewitt horizontal dan vertikal

prewitthor = [ -1 0 1; -1 0 1; -1 0 1];

prewittver = [ -1 -1 -1; 0 0 0; 1 1 1];

%Konvolusi dengan operator Prewitt

Ix = conv2(I,prewitthor,'same');

Iy = conv2(I,prewittver,'same');

J = sqrt((Ix.^2)+(Iy.^2));

47

%Figur1, Gambar asli diubah ke warna abu secara vertikal%


%Figur2, Gambar yang sudah dikonvolusi (Ix) diubah ke warna abu secara vertikal%


%Figur3, Gambar yang sudah dikonvolusi (Iy) diubah ke warna abu secara vertikal%


%Figur4, Gambar yang sudah dikonvolusi diubah ke warna abu secara vertikal%



Tabel 3.4. Hasil Deteksi Tepi (Prewitt)

HASIL DETEKSI TEPI (PREWITT)

(a) (b)






berupa garis tebal berwarna putih (d).

5. Operator Sobel

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan operator sobel:


I = imread('cameraman.tif'); %Matriks

sobel horizontal dan vertikal

sobelhor=[-1 0 1; -2 0 2; -1 0 1];

48

sobelver=[-1 -2 -1; 0 0 0; 1 2 1];

%Konvolusi dengan operator Sobel

Ix=conv2(I, sobelhor, 'same');

Iy=conv2(I, sobelver, 'same');

J=sqrt((Ix.^2)+(Iy.^2));










Tabel 3.5. Hasil Deteksi Tepi (Sobel)

HASIL DETEKSI TEPI (SOBEL)

(a) (b)

49

(c) (d) Hasil Analisa: Gambar asli (a) diubah menjadi warna abu

secara vertikal sehingga menghasilkan gambar (b),




berwarna putih (d).

6. Operator Isotropic

Berikut adalah contoh fungsi Matlab untuk operasi penghitungan operator isotropic:



%Matriks isotropik horizontal dan vertikal

isohor = [ -1 0 1; -sqrt(2) 0 sqrt(2); -1 0 1];

isover = [ -1 -sqrt(2) -1; 0 0 0; 1 sqrt(2) 1];

%Konvolusi dengan operator isotropik

Ix = conv2(I,isohor,'same');

Iy = conv2(I,isover,'same');

J = sqrt((Ix.^2)+(Iy.^2));









50

Tabel 3.6. Hasil Deteksi Tepi (Isotropic

HASIL DETEKSI TEPI (ISOTROPIC)

(a) (b)


abu secara vertikal sehingga menghasilkan gambar (b),




berwarna putih (d).

7. Operator Laplacian

Contoh perintah untuk mendeteksi tepian dengan menggunakan operator Laplacian of

Gaussian (Matlab toolbox) adalah:



% deteksi tepi dengan operator laplacian %

J = edge(I,'log');

% Figure1, citra asli di ubah menjadi abu %


% Figure2, citra asli dengan operator roberts %


Tabel 3.7. Hasil Deteksi Tepi (Laplacian)

HASIL DETEKSI TEPI (LAPLACIAN)

51

(a) (b) Hasil Analisa: Gambar asli (a) diubah menjadi gambar berwarna gelap/hitam dan menghasilkan garis-

garis putih tipis dan samar yang merupakan tepi dari obyek (b).

8. Operator Canny

Contoh perintah untuk mendeteksi tepian menggunakan metoda Canny (matlab

toolbox):



% deteksi tepi dengan operator canny %

J = edge(I,’canny’);

% Figure1, citra asli di ubah menjadi abu %


% Figure2, citra asli dengan operator roberts %



Tabel 3.8. Hasil Deteksi Tepi (Canny)

HASIL DETEKSI TEPI (CANNY)

(a) (b) Hasil Analisa: Gambar asli (a) diubah menjadi gambar

berwarna gelap/hitam dan menghasilkan garis-garis putih yang tegas dan jelas, yang merupakan tepi dari

obyek (b).

52

6. Tugas Modul 3

1. Pada percobaan dengan kernel Sobel, kernel Isotropic, dan kernel Compass,

jelaskan mengenai garis abu-abu yang ditemukan pada pinggiran citra hasil

konvolusi.

2. Untuk citra cameraman.tif, edge detector manakah yang memberikan hasil

terbaik? Berikan analisis mengenai pendapat anda tersebut.

3. Sensitivitas edge detector terhadap noise dapat diukur dengan menggunakan

parameter error rate sebagai berikut:

dimana:

nR : jumlah piksel yang dinyatakan sebagai edge pada citra referensi

nN : jumlah piksel yang dinyatakan sebagai edge pada citra noisy

Nilai P yang besar menyatakan sensitivitas edge detector yang tinggi terhadap

noise. Dalam kasus citra heart disease.jpg terkontaminasi oleh noise salt &

pepper dengan distribusi 0.02, edge detector manakah yang paling

terpengaruh performansinya? Simulasikan dengan Matlab.

%Contoh perhitungan error rate untuk edge detector Sobel

%(kerjakan pula untuk jenis edge detector lain pada Matlab toolbox)

Ia = imread('cameraman.tif');

Ja = edge(Ia,'sobel');

In = imnoise(Ia,'salt & pepper',0.02);

Jn = edge(In,'sobel');

nr = sum(sum(Ja));

nn = sum(sum(Jn));

P = abs(nn-nr)/nr

7. Jawaban Modul 3

1. Garis abu-abu yang ditemukan pada pinggiran citra hasil konvolusi

A. Hasil Pengolahan Citra

1) Kernel Sobel

53

(a) (b)

(c) (d) Gambar 2.22. Hasil Pengolahan Citra dengan Kernel

Sobel 2) Kernel Isotropic

(a) (b)

(c) (d)

Gambar 2.23 Hasil Pengolahan Citra dengan Kernel

Isotropic 3) Kernel Compass

54

(a) (b)

(c) (d) Gambar 2.24. Hasil Pengolahan Citra dengan Kernel Compass

Hasil Analisa: Pada masing-masing percobaan dengan kernel Sobel, kernel Isotropic,

dan kernel Compass, ditemukan garis keabu-abuan yang disebut dengan garis tepi atau

garis batas (boundary). Garis tepi yang ditemukan berada pada titik dimana terdapat

perbedaan warna yang mencolok pada objek sehingga objek terlihat secara jelas.

2. Untuk citra heart disease.jpg edge detector manakah yang memberikan hasil

terbaik?

A. Kernel Sobel

Gambar 2.25. Hasil Edge Detector dengan Kernel Sobel

Keterangan: Pada percobaan operator sobel, garis tepi ditemukan dengan warna terang,

dan tidak terputus-putus. Warna garis tepi dengan objek terlihat kontras dengan garis

tepi berwarna keabuan dan objek yang berwarna hitam.

55

B. Kernel Isotropic

Gambar 2.26. Hasil Edge Detector dengan Kernel Isotropic

Keterangan: Pada percobaan dengan menggunakan operator isotropic, hasilnya mirip

dengan menggunakan operator sobel. Warna pada garis tepi kontras dengan warna

objek sehingga objek menjadi lebih jelas.

C. Kernel Compass

Gambar 2.27. Hasil Edge Detector dengan Kernel Compass

Keterangan: Pada citra heart disease.jpg dengan deteksi tepi menggunakan operator

compass dapat telihat bahwa garis tepi yang ditampilkan tidak berwarna terang seperti

pada sobel dan isotropic. Garis tepi yang muncul pada percobaan compass membuat

objek terlihat menonjol, sehingga objek menjadi jelas. Hasil terbaik didapat oleh

operator sobel.

3. Sensitivitas edge detector terhadap noise dapat diukur dengan menggunakan

parameter error rate sebagai berikut:

56

A. Kernel Sobel

Gambar 2.28. Listing program sensitivitas edge detector terhadap noise menggunakan kernel

sobel

Gambar 3.29.

Hasil Sensitivitas edge detector terhadap noise 0.6417

B. Kernel Laplacian


Laplacian

57

Gambar 2.31.


C. Kernel Roberts

Gambar 2.32.

Listing program sensitivitas edge detector terhadap noise menggunakan kernel Roberts

Gambar 2.33.


D. Kernel Canny


Canny

Gambar 2.35.


Hasil performansi yang terpengaruh paling tinggi didapat oleh operator sobel yaitu

sebanyak 0.6417.

58

DAFTAR PUSTAKA

Delima. Nur, Hartati Bahar, Putu Eka Meiyana Erawan, 2016, Perilaku Pencegahan Kanker Serviks Pada Mahasiswi Fakultas Kewehatan Masyarakat Universitas Halu Oleo Tahun 2016.

Dwi. Firia, 2015, Faktor Yang Mempengaruhi Implementasi Program Deteksi Dini Kanker Serviks Melalui Pemeriksaan Iva (Infeksi Visual Asam Asetat) Di Puskesmas Wilayah Kota Surabaya.

Han, Aiguo., Et Al. 2014 “Early Detection Of Fatty Liver Disease In Mice Via Quantitative Ultrasound”. International Ultrasonics Symposium Proceedings 10.1109/Ultsym.2014.0589, 2363-2366.

Hasanuddin, Dwiza Riana, Dyah Ekashanti Octorina Dewi, Dwi H. Widyantoro, Tati Latifah , 2014, Detection Of Cytoplasm Area Of Pap Smear Image Using Image Segmentation. Proceedings Wise Health- Itb

Hidayat, Akik., Rahmi Nur Shofa. 2016. Self Organizing Maps (Som) Suatu Metode Untuk Pengenalan Aksara Jawa. Issn: 2477-3891. Jurnal Siliwangi Vol. 2. No. 1, Mei 2016 Seri Sains Dan Teknologi, 64-70.

Iryanto., Fristell, F Dan Gunawan, P.H. 2016. Pendekatan Numerik Pada Model Isotropic Dan Anisotropic Diffusion Untuk Mendeteksi Tepi Pada Pengolahan Citra. Issn: 2460-9056. Ind. Journal On Computing Vol. 1, Issue. 2, Sept 2016, 83-96.

Khairudin. M, Dessy Irmawati, 2016, Comparison Methods Of Edge Detection For Usg

Images, Proc. Of 2016 3rd

Int. Conf. On Information Tech., Computer And

Electrical Engoneering (Icitacee), Oct 19 -21st

, 2016 Semarang, Indonesia

Laishram. Romesh, Wahengbam Kanan Kumar, Anshuman Gupta, Khaimar Vinayak Prakash, 2014, A Novel Mri Brain Edge Detection Using Psofcm Segmentation And Canny Algorithm. 2014 International Conference On Electronic Systems, Signal Processing And Computing Technologies

Lusiana, Veronica. 2013. Deteksi Tepi Pada Citra Digital Menggunakan Metode Kirsch Dan Robinson. Issn: 0854-9524. Jurnal Teknologi Informasi Dinamik Vol. 18, No. 02, Juli 2013, 182-189.

Putra, Darma, 2010. “Pengolahan Citra Digital”, Yogyakarta:Cv. Andi Offset.

S. Price Dan Wilson L. Patofisiologi: Konsep Klinis Proses-Proses Penyakit. Edisi

Ke-6. Jakarta: Penerbit Egc. 2005.

Sukatmi. 2017. Perbandingan Deteksi Tepi Citra Digital Dengan Metode Prewitt, Sobel

Dan Canny. Issn: 2549-211x. Jurnal Ilmiah Manajemen Informatika Dan

Komputer Vol. 01, No. 01, Februari 2017, 1-4.

59

Taghizadech. Moslem,Mahboobch Hajipoor, 2011, A Hybrid Algorithm For Segmentation Of Mri Images Based On Edge Detection, 2011 International Conference Of Soft Computing And Patters Recognation.

Yunus, Mahmud. 2012. Perbandingan Metode-Metode Edge Detection Untuk Proses Segmentasi Citra Digital. Jurnal Teknologi Informasi Vol. 3 No. 2, 2012, 146-160.

Wibowo, Ari Purno Wahyu., Ardiles Sinaga. 2016. Implementasi Teknologi Ldws Pada Transportasi Sebagai Pendukung Sarana Dan Keamanan Bekendara. Issn: 2503-2844. Seminar Nasional Telekomunikasi Dan Informatika (Selisik 2016), 147-152.

peningkatan kualitas citra dan deteksi tepi · pengolahan dasar citra biomedical, peningkatan...

Documents