Q200-2040 Image Analytics
Basic Image Processing #1
Program Studi S-2 Inovasi Regional
Sekolah Pasca Sarjana Universitas Padjadjaran
Semester Ganjil 2023-2024
Basic Image Processing #1
1. Introduction
2. Pixel Representation
3. Point Processing
Q200-2040 Image Analytics
1. Introduction
Basic Image Processing #1
Apakah Citra Dijital
• An image is an array, or a matrix, of square pixels (picture
elements) arranged in columns and rows.
• A digital image is a representation of a two-dimensional image
as a finite set of digital values, called picture elements or pixels
• A digital image can be considered as a large array of discrete
dots, each of which has a brightness associated with it. These
dots are called picture elements, or more simply pixels.
• We can think of an image as a function, f, from R2 to R: f( x, y )
gives the intensity at position ( x, y )
Q200-2040 Image Analytics
Apakah Pengolahan Citra Dijital
• Pengolahan citra adalah bagian dari pengolahan sinyal
yang difokuskan kepada pengolahan yang berkaitan
dengan gambar-gambar
• Image processing is the science of manipulating a picture
• Tugas utama:
1. Improvement of pictorial information for human interpretation
2. Processing of image data for storage, transmission and
representation for autonomous machine perception
Pengolahan
Citra Orisinal Citra Hasil
Citra
Q200-2040 Image Analytics
Apakah Pengolahan Citra Dijital
• Pengolahan citra adalah bagian dari pengolahan sinyal
yang difokuskan kepada pengolahan yang berkaitan
dengan gambar-gambar
• Image processing is the science of manipulating a picture
• Tugas utama:
1. Improvement of pictorial information for human interpretation
2. Processing of image data for storage, transmission and
representation for autonomous machine perception
Pengolahan
Citra Orisinal Citra Hasil
Citra
Q200-2040 Image Analytics
Bidang yang Berkaitan
Input/output Citra Deskripsi
Citra Pengolahan citra Visi komputer
Deskripsi
Grafika komputer AI
• Grafika komputer : proses penciptaan citra
• Pengolahan citra : proses perbaikan maupun
pemanipulasian lainnya terhadap citra – hasilnya
berupa citra lagi
• Visi komputer : analisis kandungan informasi yang
terdapat pada citra
Q200-2040 Image Analytics
Leveling Pengolahan Citra
Low Level Process Mid Level Process High Level Process
Input: Image Input: Image Input: Attributes
Output: Image Output: Attributes Output: Understanding
Examples: Noise Examples: Simple Examples: Advance
removal, image Object recognition, object recognition,
sharpening measurement, Scene understanding,
segmentation autonomous navigation
Kuliah Image Analytics
Q200-2040 Image Analytics
Jenis-jenis citra dijital
Citra warna
Citra greylevel
Citra biner
Q200-2040 Image Analytics
Jenis Citra Lainnya
Q200-2040 Image Analytics
Jenis Citra Lainnya: Hyperspectral
Q200-2040 Image Analytics
2. Pixel Representation
Basic Image Processing #1
Piksel dan representasinya
Q200-2040 Image Analytics
Warna
• Jumlah Warna = 256 x 256 x
256 = 17.777.216
• Warna Inti (R, G, B)
Q200-2040 Image Analytics
Image Model Secara Umum
n
I1,1 I1,2 I1,n
I I 2,n
m 2,1 I 2,2
I m,1 am,2 I m,n
r (i, j ) , 0 r (i, j ) 255
I i ,i = b(i, j ) , 0 g (i, j ) 255
g (i, j ), 0 b(i, j ) 255
Q200-2040 Image Analytics
Contoh Penerapan Image Model
6
I1,1 I1,2 I1,6
I I 2,6
6 2,1 I 2,2
I 6,1 a6,2 I 6,6
r (5, 4)
I 5,4 = b(5, 4)
g (5, 4)
Q200-2040 Image Analytics
Image Model Setiap Jenis Citra
r (i, j ) , 0 r (i, j ) 255
Citra Warna
I i ,i = b(i, j ) , 0 g (i, j ) 255
g (i, j ), 0 b(i, j ) 255
r (i, j ) , 0 r (i, j ) 255
I i ,i = b(i, j ) , 0 g (i, j ) 255
g (i, j ), 0 b(i, j ) 255 Citra Greylevel
r (i, j ) = g (i, j ) = b(i, j )
r (i, j )
I i ,i = b(i, j )
g (i, j ) Citra Biner
r (i, j ) = g (i, j ) = b(i, j )
r (i, j ) bernilai 0 atau 255, demikian pula g (i, j ) dan b(i, j )
Q200-2040 Image Analytics
Ukuran, Kuantisasi, dan Sampling
• Ukuran Citra
S = m n q
• Kuantisasi
banyaknya bit yang mewakili sebuah piksel
• Sampling
ukuran resolusi spasial yang digunakan untuk
merepresentasikan citra dijital
Q200-2040 Image Analytics
Ukuran Citra
Citra Warna (RGB)
Level Kuantisasi (Bit)
m n
1 2 3 4 5 6 7 8
32 32 3,072 6,144 9,216 12,288 15,360 18,432 21,504 24,576
64 64 12,288 24,576 36,864 49,152 61,440 73,728 86,016 98,304
128 128 49,152 98,304 147,456 196,608 245,760 294,912 344,064 393,216
256 256 196,608 393,216 589,824 786,432 983,040 1,179,648 1,376,256 1,572,864
512 512 786,432 1,572,864 2,359,296 3,145,728 3,932,160 4,718,592 5,505,024 6,291,456
1024 1024 3,145,728 6,291,456 9,437,184 12,582,912 15,728,640 18,874,368 22,020,096 25,165,824
Citra Graylevel
Level Kuantisasi (Bit)
m n
1 2 3 4 5 6 7 8
32 32 1,024 2,048 3,072 4,096 5,120 6,144 7,168 8,192
64 64 4,096 8,192 12,288 16,384 20,480 24,576 28,672 32,768
128 128 16,384 32,768 49,152 65,536 81,920 98,304 114,688 131,072
256 256 65,536 131,072 196,608 262,144 327,680 393,216 458,752 524,288
512 512 262,144 524,288 786,432 1,048,576 1,310,720 1,572,864 1,835,008 2,097,152
1024 1024 1,048,576 2,097,152 3,145,728 4,194,304 5,242,880 6,291,456 7,340,032 8,388,608
Citra Biner ?
Q200-2040 Image Analytics
Kuantisasi
●●●
8 bit 3 bit 2 bit 1 bit
Q200-2040 Image Analytics
Sampling
●●●
256x256 32x32 16x16 8x8
• Jenis Sampling
– Resampling
– Subsampling
Q200-2040 Image Analytics
Proses Sampling 8x8 menjadi 4x4
Resampling
Subsampling
Q200-2040 Image Analytics
Resampling
Q200-2040 Image Analytics
Subsampling
Q200-2040 Image Analytics
Format Umum Citra Dijital
JPEG
PNG
EPS
GIF
TIFF
PS
PSD
Pada umumnya format citra dijital memanfaatkan
kompresi data sehingga ukuran penyimpanan/ transmisi
citra bisa lebih kecil.
Q200-2040 Image Analytics
Pixel Neighborhood
Q200-2040 Image Analytics
Metode Pemrosesan Piksel
• Point Processing
• Area Processing
• Geometry Processing
• Frame Processing
Q200-2040 Image Analytics
3. Point Processing
Basic Image Processing #1
Point Processing
• Operasi berbasis titik (piksel)
• Bersifat operasi tunggal (titik ke titik)
• Umumnya digunakan untuk image
enhancement
POINT
PROCESSING
Q200-2040 Image Analytics
Metode dalam Point Processing
1. Image Information
2. Brightness
3. Histogram Representation
4. Histogram Equalization
5. Contrast
6. Inverse
7. Graylevel
8. Look-Up Table (LUT)
9. Gamma Correction
10. Thresholding
Q200-2040 Image Analytics
Image Information
• Image Information
Q200-2040 Image Analytics
Brightness
• Contoh
brighter darker
• Formula g (i, j ) = f (i, j ) c
• c is brightnes level, value positive or negative
• if g(i,j) > 255 then g(i,j) = 255 Clamping
• if g(i,j) < 0 then g(i,j) = 0
Q200-2040 Image Analytics
Implementasi Metode
186 191 39 82 10 247 227 286 291 139 182 110 347 327 255 255 139 182 110 255 255
87 239 120 109 0 169 157 187 339 220 209 100 269 257 187 255 220 209 100 255 255
233 122 225 88 8 80 70 333 222 325 188 108 180 170 255 222 255 188 108 180 170
95 217 184 188 2 176 228 100 195 317 284 288 102 276 328 CLAMP 195 255 255 255 102 255 255
209 109 190 188 170 254 53 309 209 290 288 270 354 153 255 209 255 255 255 255 153
125 91 70 152 97 38 120 225 191 170 252 197 138 220 225 191 170 252 197 138 220
239 213 24 171 193 254 210 339 313 124 271 293 354 310 255 255 124 255 255 255 255
186 191 39 82 10 247 227 86 91 -61 -18 -90 147 127 86 91 0 0 0 147 127
87 239 120 109 0 169 157 -13 139 20 9 -100 69 57 0 139 20 9 0 69 57
233 122 225 88 8 80 70 133 22 125 -12 -92 -20 -30 133 22 125 0 0 0 0
95 217 184 188 2 176 228 -100 -5 117 84 88 -98 76 128 CLAMP 0 117 84 88 0 76 128
209 109 190 188 170 254 53 109 9 90 88 70 154 -47 109 9 90 88 70 154 0
125 91 70 152 97 38 120 25 -9 -30 52 -3 -62 20 25 0 0 52 0 0 20
239 213 24 171 193 254 210 139 113 -76 71 93 154 110 139 113 0 71 93 154 110
Q200-2040 Image Analytics
Histogram
• Melihat karakteristik citra
• Contoh
Q200-2040 Image Analytics
Histogram Representation
Image
4 4 3 3
4 4 3 3 6
4 1 2 3 5
0 1 2 3 4
frequency
3
2
1
0
1 2 3 4 5 6 7
Intensity
Q200-2040 Image Analytics
Histogram Processing
• Histogram Equalization
– Hasil proses bergantung kepada kondisi
data/piksel
– Histogram menjadi uniform
– Proses dilakukan secara otomatis
• Histogram Specification
– Histogram yang diinginkan dispesifikasikan
Q200-2040 Image Analytics
Histogram Equalization
sum normalized sum
0 1 0.43
1 3 1.31
2 5 2.18
3 11 4.81
4 16 7.00
5 16 7.00
6 16 7.00
7 16 7.00
Hasil
7 7 5 5
7 7 5 5 6
7 1 2 5 5
0 1 2 5 4
frequency
3
2
1
0
1 2 3 4 5 6 7
Intensity
Q200-2040 Image Analytics
Contoh Nyata Histogram Equalization
Q200-2040 Image Analytics
Contrast
• Distribusi jumlah ‘piksel terang’ dan ‘piksel gelap’.
• jenis kontras
– Low contrast image
– High contrast image
– Good Contrast
• Adjustment value : -100 to 100
• Formula :
https://ie.nitk.ac.in/blog/2020/01/19/algorithms-
for-adjusting-brightness-and-contrast-of-an-image/
Q200-2040 Image Analytics
Contoh Kontras
Q200-2040 Image Analytics
Inverse
• Operasi kebalikan (invert) dari nilai citra
• Formulasi g (i, j ) = 255 − f (i, j )
• Contoh :
Invert
Q200-2040 Image Analytics
Konversi Citra Color ke Greylevel
• Citra warna menjadi citra keabuan
• Metode Paling Sederhana : Averaging
f r (i, j ) + f g (i, j ) + f b (i, j )
g (i, j ) =
3
• Metode Lain
1. Pembobotan
2. Desaturation
3. Decomposition
4. Single Color Channel
5. …
Q200-2040 Image Analytics
Metode Lain
2. Pembobotan g (i, j ) = pr f r (i, j ) + pg f g (i, j ) + pb f b (i, j )
pr pg pb Sebutan
0.3 0.59 0.11 Human Eye Correction
0.2126 0.7152 0.0722 Luma, ITU-R , BT.709
0.299 0.587 0.114 BT.601
Max( R, G, B) + Min( R, G, B)
3. Desaturation Gray =
2
4. Decomposition Gray = Max( R, G, B)
Gray = Min( R, G, B)
5. Single color Channel Gray = R
Gray = G
Gray = B
Q200-2040 Image Analytics
Contoh
Q200-2040 Image Analytics
LOOK-UP TABLE
Input LUT Output
7 7 5 4 2 0 0 5 5 3 2 1
7 6 4 3 0 1 0
7 6 4 3 1 2 1
6 6 4 2 0 3 1
5 5 3 1 0 4 2
5 3
6 4
7 5
Q200-2040 Image Analytics
Koreksi Gamma
• F adalah citra asli
• G adalah citra hasil proses
• 1/Gamma adalah faktor koreksi antara 0 sd 1
Q200-2040 Image Analytics
Thresholding
• Umumnya proses dilakukan setelah citra
warna dikonversikan ke citra greylevel
• Hasilnya berupa citra biner
• Metode
– Simple Thresholding
– Multilevel/Adaptive Thresholding
– OTSU Thresholding
• Contoh
Q200-2040 Image Analytics
Konsep Thresholding
• One-level
• Multi-level
Q200-2040 Image Analytics
Simple Thresholding
255 if f (i, j ) T
g (i, j ) =
0 otherwise
T=128
Q200-2040 Image Analytics
Representasi Citra Biner
•Pengolahan Citra Dijital
Q200-2040 Image Analytics
Multilevel / Adaptive Thresholding
• Berikut merupakan langkah-langkah untuk
mendapatkan nilai ambang (Gonzales, 2002):
Ulangi hingga nilai-nilai 𝜇1 dan 𝜇2 tidak berubah lagi
Q200-2040 Image Analytics
OTSU Thresholding
• Nobuyuki Otsu, A Threshold Selection Method from Gray-Level
Histograms, IEEE Transactions on System, Man, and Cybernetics.
SMC-9(1), 1979, Electro-Technical Laboratory, Tokyo
University(2007), Tokyo, Japan
• Algoritma
1. Hitung histogram dan probabilitas untuk setiap tingkat intensitas
2. Tentukan nilai bobot awal (ωi(0)) dan rata-rata (μi(0))
3. Untuk setiap t=1 sampai intensitas maksimum lakukan
1. Perbaharui nilai ωi dan μi
2. Hitung variansi untuk setiap t (σ2b )
4. Nilai optimal threshold adalah nilai minimum dari variansi pada t
5. Kita dapat melakukan perhitungan dual maxima dengan formulasi
(σ2b1 +σ2b2 )/2
Q200-2040 Image Analytics
Latihan
• Diketahui Gambar 1 adalah sebuah citra dijital dengan resolusi
256x256 dengan komposisi 24bpp (bit per pixel), dan Gambar 2
adalah sebuah area (subwindow) dari Gambar 1 pada posisi
{(172,32), (177,37)} yang komposisi elemen RGBnya dapat dilihat
pada pada tabel Elemen Red, Elemen Green dan Elemen Blue.
Q200-2040 Image Analytics
Soal 1
a. Tentukan ukuran (size) citra pada
Gambar 1 dalam satuan kilobyte
b. Tentukan karakteristik citra digital
pada Gambar 2
c. Tentukan kompoisis nilai piksel jika
dilakukan operasi brigthness dengan
nilai c = 100
d. Tentukan komposisi piksel jika Gambar
2 akan dikonversikan ke citra gray level
dengan metode Perataan
e. Tentukan komposisi nilai piksel hasil
point d jika dikonversikan menjadi
citra biner dengan metode Simple
Thresholding dan nilai T=128
Q200-2040 Image Analytics
Soal 2
a. Tentukan ukuran (size) citra pada Gambar
1 dalam satuan kilobyte
b. Tentukan komposisi piksel jika Gambar 2
akan dikonversikan ke citra gray level
dengan metode BT.709.
c. Tentukan Nilai Threshold apabila dilakukan
proses konversi dari graylevel (hasil b) ke
biner menggunakan metode Adaptive
Thresholding.
d. Tentukan nilai elemen RGB Hasil b, tingkat
kuantisasinya diturunkan dari 24bpp
menjadi 3bpp.
e. Tentukan nilai elemen RGB jika Hasil d
ditransformasikan dengan sebuah LUT
dengan komposisi sekuensial sbb: {{0, 1, 1,
3, 4, 5, 5, 7}}
f. Lakukan operasi histogram equalization
terhadap citra Hasil d
Q200-2040 Image Analytics
