PENGOLAHAN CITRA (AKUISISI DATA)

Akuisisi data atau proses mendapatkan data (sederhana-nya), merupakan proses yang penting dalam sistem pemantauan dan pengendalian sistem. Fenomena fisik seperti suhu, tegangan, posisi, laju atau kecepatan, gaya, tekanan, radioaktivitas, intenstitas cahaya, resistansi, kelembaban, konsentrasi gas, medan magnet, frekuensi, level suara dan lain sebagainya ditangkap oleh sebuah transduser.

Apakah transduser itu?



Tranduser merupakan peralatan yang mampu mengkonversi suatu bentuk energi (fisik) menjadi bentuk energi lainnya (biasanya energi listrik). Di dalam transduser terdapat sensor dan pre-amp…

A transducer is a device which converts a physical stimulus to another form of energy (usually electrical)



Apakah sensor itu?

A sensor is a device which responds to a physical stimulus

Sensor adalah alat yang merespon rangsangan (stimulus) fisik tertentu. Jelas kalo sensor suhu hanya bisa merespon perubahan suhu, bukan perubahan tekanan atau gaya. Pre-amp digunakan sebagai penguat awal sinyal-sinyal listrik yang luarannya diumpan ke penguat dan pengkondisi sinyal.

Untuk apa penguat dan pengkondisi sinyal?

Penguat dan pengkondisi sinyal melakukan tugas penguatan sinyal sekaligus melakukan pengkondisian sinyal, termasuk proses tapis sinyal, yang bisa digunakan untuk memisahkan sinyal dengan deraunya, atau memilih dan memilah sinyal dengan frekuensi-frekuensi tertentu. Intinya agar sinyal yang diterima PC (komputer) sudah merupakan sinyal yang benar-benar diinginkan.

Komputer dipakai untuk apa?

Kemudian hasil dari penguat dan pengkondisi sinyal diberikan ke komputer untuk pemrosesan lebih lanjut, hasilnya bisa diumpankan kembali ke suatu aktuator yang akhirnya terdeteksi sebagai besaran-besar fisis. Atau luaran dari komputer diberikan ke aktuator sebagai tanggapan fisik dari sinyal listrik. Aktuator ini bisa berupa speaker yang menghasilkan suara, pembacaan meteran, indikator LED, tampilan digital, perekam grafik, keluaran VDU dan lain sebagainya.

Untuk antarmuka menggunakan komputer, Anda bisa menggunakan fasilitas port paralel (yang biasa digunakan untuk printer), port serial maupun USB. Jika Anda menggunakan laptop atau notebook, tentunya port serial (menggunakan alat khusus USB2Serial) serta USB menjadi pilihan yang masuk akal. Mengapa? Karena sudah tidak ada port paralel-nya lagi.

Secara umum komputer bisa diganti dengan mikrokontroler, agar sistem menjadi lebih protable, atau bisa sistem embedded yang dapat diakses melalui komputer dimana saja, melalui jaringan TCP/IP baik wired maupun wireless.

Deteksi Tepi dengan MATLAB (Pengolahan Citra)





Deteksi Tepi


Seleksi objek biasanya selanjutnya dilakukan langkah deteksi tepi dalam proses pengolahan citra, di MATLAB proses pendeteksian tepi dilakukan dengan perintah/fungsi edge. Ada beberapa metode yang dapat dilakukan pada deteksi tepi menggunakana MATLAB yaitu metode sobel, prewitt,
roberts, laplacian of gaussian, metode zero cross, dan Canny.
Yang penting diperhatikan pada deteksi tepi bahwa hanya dapat dilakukan menggunakan citra grayscale atau citra 2-D.

Contoh penggunaan metode deteksi tepi:

I = imread('love.jpg');
gray=rgb2gray(I);
BW1 = edge(gray,'prewitt'); BW2 = edge(gray,'canny');
BW3 = edge(gray,'sobel');
BW4 = edge(gray,'roberts'); imshow(BW1);
figure, imshow(BW2)
figure, imshow(BW3)
figure, imshow(BW4)

Klikdisini untuk mendownload program

Read more »

Pengertian Sistem Akuisisi, Perkembangan ,Contoh, dan Dasar pengolahan Citra Digital

Pengertian

Sistem akuisisi data dapat didefinisikan sebagai suatu sistem yang berfungsi untuk mengambil, mengumpulkan dan menyiapkan data, hingga memprosesnya untuk menghasilkan data yang dikehendaki. Jenis serta metode yang dipilih pada umumnya bertujuan untuk menyederhanakan setiap langkah yang dilaksanakan pada keseluruhan proses. Suatu sistem akuisisi data pada umumnya dibentuk sedemikian rupa sehingga sistem tersebut berfungsi untuk mengambil , mengumpulkan dan menyimpan data dalam bentuk siap yang siap untuk diproses lebih lanjut. Gambar 1 menunjukan diagram blok sistem akuisisi data.

Gambar.1.1. Diagram blok sistem akuisisi data

Perkembangannya

Pada mulanya proses pengolahan data lebih banyak dilakukan secara manual olehmanusia. Sehingga pada saat itu perubahan besaran fisis dibuat kebesaran yang langsungbisa diamati panca indra manusia. Selanjutnya dengan kemampuan teknologi pada bidangelektrikal besaran fisis yang diukur sebagai data dikonversikan kebentuk sinyal listrik, data kemudian ditampilkan kedalam bentuk simpangan jarum, pendaran cahaya pada layarrekorder xy dan lain-lain. monitor, Sistem akuisisi data berkembang pesat sejalan dengan kemajuan dibidang teknologi digital dan komputer.Kini, akuisisi data menkonversikan besaran fisis data source ke bentuk sinyal digital dan diolah oleh suatu komputer.Pengolahan dan pengontrolan proses oleh komputer memunkinkan penerapan akuisisi data dengan software. Software memberikan harapan proses akuisisi data bisa divariasi dengan mudah sesuai kebutuhan. Gambar.1.2 menunjukan proses akuisisi data menggunakan komputer.


Gambar. 1.2. Komputer digital untuk kebutuhan akuisisi data


Contohnya

Citra Digital

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan pada gambar dibawah ini . Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB).



Dasar Warna
RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).




Citra Gray
Graysacale adalah warna-warna piksel yang berada dalam rentang gradasi warna hitam dan putih.




Pada Color Dialog seperti yang terlihat pada gambar diatas, jika memilih warna solid hitam, putih, atau abu-abu, maka akan berada dalam pita warna Grayscale. Apabila tanda panah digeser ( ke atas menuju putih atau ke bawah menuju ke hitam ) maka red, green dan blue akan memberikan nilai yang sama. Untuk pengubahan warna image menjadi grayscale, cara yang umumnya dilakukan adalah dengan memberikan bobot untuk masing-masing warna dasar red, green, dan blue. Tetapi cara yang cukup mudah adalah dengan membuat nilai rata-rata dari ketiga warna dasar tersebut dan kemudian mengisikannya untuk warna dasar tersebut dengan nilai yang sama ( seperti pada contoh color dialog di atas )


Gbr. Warna image yang belum di ubah.


Gbr. Pengubahan warna image menjadi grayscale.


Dasar Pengolahan Citra Digital
Pengolahan citra (image processing) merupakan proses mengolah piksel-piksel dalam citra digital untuk suatu tujuan tertentu. Beberapa alas an dilakukannya pengolahan citra pada citra digital antara lain :

1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena pengaruh derau. Proses pengolahan bertujuan mendapatkan citra yang diperkirakan mendekati citra sesungguhnya.

2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan untuk tahap lebih lanjut dalam pemrosesan analisis citra. Dalam proses akuisisi, citra yang akan diolah ditransformasikan dalam suatu representasi numerik. Pada proses selanjutnya representasi tersebutlah yang akan diolah secara digital oleh komputer. Pengolahan citra pada umumnya dapat dikelompokkan dalam dua jenis kegiatan, yaitu :

1. Memperbaiki citra sesuai kebutuhan
2. Mengolah informasi yang terdapat pada citra

Kegiatan yang kedua ini sangat erat kaitannya dengan computer aided analysis yang umumnya bertujuan untuk mengolah suatu objek citra dengan cara mengekstraksi informasi penting yang terdapat di dalamnya. Dari informasi tersebut dapat dilakukan proses analisis dan klasifikasi secara cepat memanfaatkan algoritma perhitungan komputer. Dari pengolahan citra diharapkan terbentuk suatu sistem yang dapat memproses citra masukan hingga citra tersebut dapat dikenali cirinya. Pengenalan ciri inilah yang sering diaplikasikan dalam kehidupan sehari-hari. Aplikasi yang dibahas pada laporan ini adalah dasar dari aplikasi yang dapat dipergunakan dalam berbagai bidang, misalnya bidang agro, bidang perdagangan, dll.

Operasi Pengolahan Citra
Operasi-operasi yang dilakukan dalam pengolahan citra banyak ragamnya, namun secara umum operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut:

1. Perbaikkan Kualitas Citra (image enhancement)
Jenis operasi ini bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, cirri-ciri khusus yang khusus yang terdapat didalam citra lebih ditonjolkan.
Contoh-contoh operasi perbaikkan citra:
a. Perbaikkan kontras gelap/terang
b. Perbaikkan tepian objek (edge enhancement)
c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring)
e. Penapisan derau (noise filtering)

2. Pemugaran Citra (image restoration)
Operasi ini bertujuan menghilangkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikkan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui.
Contoh-contoh operasi pemugaran citra :
a. Penghilangan kesamaran (deblurring)
b. Penghilangan derau (noise)

3. Pemampatan Citra (image compression)
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan citra adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.

4. Segmentasi Citra (image segmentation)
Jenis operasi ini bertujuan untuk memecah suatu citra kedalam beberapa segmen dengan suatu criteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.

5. Pengorakan Citra (Image Analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan diskripsinya. Tehnik pengolahan citra mengekstraksi cirri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadang kala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.
Contoh-contoh operasi pengorakan citra :
a. Pendeteksian tepian objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi Daerah (region)

6. Rekonstruksi Citra (Image Reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis.

Read more »

Ekstraksi Ciri Semantik Citra

Semantik citra adalah kandungan makna/tema yang dimiliki oleh citra. Interpretasi semantik citra tidak saja diperoleh
dari informasi warna, bentuk dan tekstur citra, namun dipengaruhi juga oleh pengetahuan objek-objek lainnya (prior
semantik and contextual knowledge). Pada Gambar 1, berdasarkan tingkat pengetahuan, interpretasi semantik citra dibagi
menjadi tiga yaitu (Fisher, 1987):
1. berdasarkan informasi warna atau bentuk atau tekstur citra (image level): ekstraksi citra dalam bentuk data numerik
2. berdasarkan bentuk citra secara visual (visual level) yang diperoleh dari data numerik citra
3. berdasarkan konsep semantik (semantic level)

Algoritma Ekstraksi Semantik Fragmen Citra
Ekstraksi semantik fragmen citra adalah tahapan pemilihan ciri (feature selection) pada klasifikasi objek untuk
mendapatkan bagian citra (fragment) yang memiliki kemiripan semantik. Algoritma yang digunakan adalah Mutual
Information (MI) (Epshtein dan Ullman, 2005). MI akan memaksimumkan informasi mengenai klas citra pada setiap
fragmen citra. Algoritma MI akan secara otomatis melakukan ektraksi semantik fragmen citra pada sebuah klas citra.
Input algoritma adalah sejumlah citra yang berada pada klas yang sama dan sebuah root fragment (F) sebagai citra
referensi untuk mengukur kesamaan semantik. Algoritma akan mendeteksi fragmen pada lokasi citra yang berbeda
dengan berbagai ukuran pxq dan mendeteksi fragment yang memiliki informasi maksimal terhadap F. Kumpulan
fragmen yang berhasil dideteksi disebut dengan kandidat fragment. Selanjutnya setiap kandidat fragmen tersebut
dilakukan perhitungan MI untuk mendapatkan fragmen yang memiliki informasi maksimal mengenai klas. Mutual
Information didefinisikan sebagai berikut:
I (C,F) = H(C) − H(C | F)
dengan I(C,F) adalah mutual information (MI) antara root fragment atau fragmen referensi (F) dengan klas citra (C) dan
H adalah entropy citra. Variable C dan F merupakan variable biner: F = 1 jika fragmen referensi terdapat pada citra dan
F=0 jika fragmen tidak terdapat pada citra. Sedangkan C=1 jika citra merupakan anggota dari klas yang diamati. Nilai
MI ditentukan dari frekuensi kemunculan fragmen referensi (F) pada sejumlah citra pada klas yang sama. Entropy
merupakan variable acak yang didefinisikan dengan:
− ΣP(x) log(P(x))
Dengan demikian persamaan untuk menghitung mutual information I(C,F) adalah sebagai berikut:
( )(( ( | ) ( ( | ) ( | ) ( ( | )))
( , ) ( ) ( ( )) ( ) ( ( )) ( )(( ( | ) ( ( | )) ( | ) ( | )))
_ _ _ _ _ _ _
_ _ _ _
P F P C F Log P C F P C F Log P C F
I C F P C Log P C P C Log P C P F P C F Log P C F P C F LogP C F
+ +
= − − + +
Untuk memilih fragmen yang memiliki informasi maksimal diperlukan nilai ambang (threshold) yang berbeda untuk setiap citra.




MENGENAL SEMANTIK CITRA – BAGIAN I

Ketika kita mengamati sebuah lukisan yang didalamnya terdapat gunung, air yang mengalir, pepohonan, dan burung yang sedang terbang, kita mengenal lukisan ini adalah lukisan pemandangan. Kemampuan manusia untuk mengenali gambar tidak terlepas dari pengalamannya melihat berbagai jenis gambar sehingga mampu membedakannya satu sama lain. Setelah menghubungkan satu objek dengan objek lainnya, maka kita baru bisa menjelaskan tema gambar atau melakukan penafsiran (interpretation) gambar. Interpretasi tema/konsep citra disebut dengan semantik citra.

Gambar atau citra memiliki karakteristik visual yang terdiri dari warna, bentuk dan tekstur. Pengenalan pada tahap karakteristik visual disebut dengan persepsi. Persepsi adalah tanggapan (penerimaan) langsung terhadap sebuah objek berupa karakteristik visual tanpa melakukan interpretasi.

Jika saja sistem computer memiliki kemampuan seperti manusia dalam menejelaskan semantic citra, maka dapat dipastikan kita dapat mencari gambar digital yang disimpan dalam computer dengan mudah. Namun, kemampuan manusia menjelaskan semantik citra dengan cepat, bukan hal yang sederhana untuk dilakukan oleh komputer. Sudah banyak penelitian dalam bidang image retrieval dikembangkan untuk membuat komputer mampu menjelaskan semantic citra. Dalam banyak penelitian, karakteristik citra seperti warna, bentuk dan tekstur digunakan untuk pencarian citra. Pencarian citra melalui karakteristik citra disebut dengan content-based image retrieval (CBIR).

Pengenalan citra dimulai dengan melakukan ekstraksi ciri (feature extraction), yaitu mengenali citra berdasarkan karakteristik citra. Berdasarkan hasil survey [], perkembangan penelitian CBIR dalam hal ekstraksi ciri dapat dikelompokkan menjadi 3 (tiga) yaitu berbasis global (global-based), berbasis regional (region-based) dan berbasis lokal (local-based).

Global-based

Pengenalan citra berbasis global menggunakan informasi seluruh bagian citra. Salah satu metode berbasis global-based yang banyak paling banyak digunakan adalah histogram warna []. Namun metode ini memiliki kelemahan yaitu hanya menghitung frekuensi piksel citra sehingga sangat sensitive terhadap perubahan cahaya dan geometris. Akibatnya dua buah citra yang memiliki warna dan posisi geometris yang berbeda akan dikenali sebagai dua buah citra yang berbeda, walaupun secara semantic kedua citra tersebut sama. Perhatikan Gambar dibawah ini:


Dengan pendekatan berbasis global, maka kedua citra tersebut akan dikenali sebagai citra yang berbeda.

Region-based

Pada dasarnya manusia mengenali citra berdasarkan objek yang dikandung pada citra tersebut. Oleh karena itu kemudian berkembang pendekatan regional dimana citra disegmentasi menjadi beberapa regional yang merepresentasikan objek.


Namun metode ini juga memiliki kelemahan, yaitu pada saat segmentasi citra. Sampai saat ini belum ada teknik segmentasi citra yang dapat melakukan segmentasi dengan baik. Hasil segmentasi seringkali tidak sesuai dengan objek yang diinginkan. Perhatikan gambar di bawah ini:


Local-based

Oleh karena itu untuk mengatasi masalah segmentasi pada pendekatan regional, kemudian berkembang pendekatan lokal. Pada pendekatan ini citra dibagi menjadi beberapa blok citra yang berukuran sama. Dengan demikian pada pendekatan lokal tidak membutuhkan segmentasi.



Namun pada pendekatan lokal, setiap blok citra tidak memiliki makna. Akibatnya pendekatan lokal tidak mampu menjelaskan hubungan konseptual antar blok citra.

Adanya permasalahan tersebut, maka pendekatan lokal berkembang menjadi pendekatan bagian (part-based). Pada pendekatan bagian akan, akan dideteksi bagian-bagian penting dari citra yang mampu menjelaskan semantik citra. Pendekatan ini disebut juga dengan pendekatan generative. Berikut contoh dari pendekatan bagian.


Untuk mendapatkan bagian penting citra, pendekatan generative menggunakan teori Bayes. Dengan teori bayes, tanpa melakukan segmentasi citra, pendekatan bagian dapat mendeteksi bagian penting citra.

Sumber :

1. Datta, R., Joshi, D., Li, J dan Wang, J. (2007). Image Retrieval: Ideas, Influences, and Trend of the New Age. ACM Transaction on Computing Survey.

2. Bimbo, A. (1999). Visual Information Retrieval. Morgan Kauffman

3. Rui, Y., Huang, T. S., dan Chang, S. F. (1999). Image Retrieval: Current Techniques, Promising Direction, and Open Issues. Journal of Visual Communication and Image Representation, 10(1), 39-62.

4. Smeulders, A. W. M. , et al. (2000). Content-based Image Retrieval at The End of The Early Years. IEEE PAMI, 22(12), 1349-1380

5. Zhang, Y. J. (2003). Content-based Visual Information Retrieval. Beijing, China: Science Publisher.

Read more »