Digital Image Processing - Image Enhancement

Materi ke 2

1STIKOM Artha Buana

Image Enhancement

Image Enhancement

• Image enhancement adalah proses agar citra menjadi lebih baik ‘secara visual’ untuk aplikasi tertentu

• Proses sangat bergantung pada kebutuhan, dan pada keadaan citra input

• Image Enhancement dapat dilakukan dalam– Spatial Domain (dilakukan pada citra asli)

g(m,n) = T [ f(m,n) ] g adalah output

– Frequency Domain (dilakukan pada hasil DFT citra)G(u,v) = T [ F(u,v) ] dimana

G(u,v) = F [ g(m,n) ] dan F(u,v) = invers dari F [ f(m,n) ]

3STIKOM Artha Buana

Teknik Image Enhancement

Image Enhancement

Point Operation

Mask Operation

Transform Operation

Coloring Operation

• Image Negative

• Contrast Stretching

• Graylevel Slicing

• Image Substraction

• Image Averaging

• Histogram Operations

• Smoothing Operations

• Median Filtering

• Sharpening Operations


• Lowpass Filtering

• Highpass Filtering

• Bandpass Filtering


• False Coloring

• Full Color Processing

4STIKOM Artha Buana

Point Operations

• Output pixel g(m,n) hanya berdasar input sebuah pixel f(m,n). Pixel tetangga tidak berpengaruh.

• Biasanya dinotasikan sebagai: s = T( r )• Digambarkan seperti fungsi sbb:

Output

Hasil operasinya

5STIKOM Artha Buana

Image Negative

Nilainya selalu berlawanan, warna asal putih jadi hitam, warna hitam jadi putih

6STIKOM Artha Buana

Contrast Stretching

Yang terang, dimakin terangkanYang gelap, makin digelakan

region

Mula2 cari persamaan garisnyaSelanjutnya masukkan nilainya

7STIKOM Artha Buana

Thresholding / Binarization

Kasus khusus dari contrast stretching

0 s/d r1 bernilai 0, r1 s/d 1 bernilai 1

8STIKOM Artha Buana

Gamma Correction

s

9STIKOM Artha Buana

Graylevel Slicing

Menegaskan range tertentu graylevel

Citra asli Tanpa backgroumd Dengan backgroumd

r1 r2

10STIKOM Artha Buana

Bitplane SlicingMembelah image berdasar posisi bit


Image Substraction

• Input adalah dua citra berbeda dari objek yang sama (2

obyek yang sama tapi pada 2 jepretan)

• Selisih graylevel jadi outputnya

g(m,n) = f1(m,n) – f2(m,n)

f2(m,n) g(m,n)Contoh pada Mask Mode radiography. f2(m,n) adalah pembuluh setelah diinjeksi.

Harusnya ada gambar f1(m,n)


Image Averaging untuk Noise Reduction

• Noise adalah fenomenon random yang mengotori citra• Noise terjadi saat:

– Image acquisition

– Image transmission

– Image recording

• Noise biasa dimodelkan dengan:g(m,n) = f(m,n) + (m,n)

• Biasanya (m,n) antar citra tidak berkorelasi dan memiliki rata2 nol• Jadi semakin banyak citra, maka semakin besar kesempatan

untuk mendapatkan citra tanpa noise• Noise bisa dikurangi dengan melakukan rata2 terhadap graylevel

citra-citra input

Citra input

Citra noise

Citra-2 ditambahkan terus dibagi M


Contoh Image Averaging


Contoh Image Averaging

(2 image) (5 image)


Image Enhancement Metode Histogram

• Histogram citra graylevel adalah:


Beberapa Sifat Histogram

• Sifat histogram membantu kita untuk memperbaiki kontras

Terlalu gelap Terlalu terang Kurang kontras


Histogram Equalization

• Usaha untuk memperbaiki kontras• Kita usahakan agar histogram yang mengumpul pada suatu area

akan ‘menyebar’

• Caranya bagaimana?


Contoh Histogram Equalization

Banyaknya pixel

(64 x 64)4096 = n

Pada rk, pembagi adalah level(k-1)Sehingga = 7 bukan 8


level

…lanjutan


nk P(rk)

k rk

…lanjutan


0.19+0.25

0.19+0.25+0.21

0.19+0.25+0.21+0.16

0.19+0.25+0.21+0.16+0.08

0.19+0.25+0.21+0.16+0.08+0.06

0.19+0.25+0.21+0.16+0.08+0.06+0.03

0.19+0.25+0.21+0.16+0.08+0.06+0.03+0.02

Lebih dekat ke rk yg mana ?

…lanjutan

Eh, kok tinggal 5 warna?

Tinggal 5 level aja


4096nk

k

Terkadang…

• Terkadang histogram equalization menghasilkan false edge, false region, menambah graininess dan patchiness citra


Lalu apa lagi?

• Kita bisa menspesifikasikan histogram yang kita inginkan:‘histogram spesification’

Caranya gimana?


Education

Digital Image Processing - Image Enhancement