NABILA MEUTIA ZAHRA

Berpacu menjadi yang terbaik

Review Kuliah 1 Pemrosesan Citra Biomedis

diposting oleh nabila-m-z-fst10 pada 21 November 2016
di Umum - 0 komentar

Review Kuliah 1 Pemrosesan Citra Biomedis

 

  1. Teori Konvolusi

 Secara umum konvolusi di definisikan sebagai cara untuk mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang ketiga.

Konvolusi berguna pada proses pengolahan citra seperti :

  • Perbaikan kualitas citra (image enhancment)
  • penghilang derau (noise)
  • mengorangi erotan (mencong/serong)
  • penghalusan / pembulatan citra
  • dll

 

Contoh Konvolusi dengan kernel

 

 

 

 

  1. Histogram

Histogram Citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra.

Misalkan citra digital memiliki L derajat keabuan, yaitu dari 0 sampai L-1. Secara matematis histogram citra dihitung dengan rumus :

 

dimana :

      ni = jumlah pixel yang memiliki derajat keabuan I

      n= jumlah seluruh pixel di dalam citra

 

Informasi yang terkandung dalam histogram

  1. Nilai hi menyatakan peluang (probability) pixel, P(i), dengan derajat keabuan i.
  1. Puncak histogram menunjukkan intensitas pixel yang menonjol. Lebar dari puncak menunjukkan rentang kontras dari gambar.
  2. Citra yang mempunyai kontras terlalu terang atau terlalu gelap memiliki histogram yang sempit.
  3. Citra yang baik memiliki histogram yang mengisi daerah derajat keabuan  secara penuh dengan distribusi yang merata pada setiap nilai intensitas pixel.

 

Macam-macam histogram

       
   
     
 

 

 

 

 

 

 

 

 

            Citra Normal                                                               Histogram

 

       
       

 

 

 

 

 

 

 

 

Citra yang terlalu gelap                                                            Histogram

 

       
     
   
 

 

 

 

 

 

 

 

 

Citra yang terlalu terang                                             Histogram

 

 

  1. Perbaikan Citra

Tujuan perbaikan kualitas citra (image enhancement) adalah untuk menonjolkan suatu ciri tertentu dalam citra tersebut, ataupun untuk memperbaiki aspek tampilan.

1. Operasi Titik

Operasi titik dalam image enhancement dilakukan dengan memodifikasi histogram citra masukan agar sesuai dengan karakteristik yang diharapkan. Teknik image enhancement melalui operasi titik antara lain adalah intensity adjustment dan histogram equalization.

Intensity Adjustment

Intensity adjustment bekerja dengan cara melakukan pemetaan linear terhadap nilai intensitas pada histogram awal menjadi nilai intensitas pada histogram yang baru.

Contoh1 (increase the contrast of an image):

Citra memiliki nilai kekontrasan yang rendah. Berdasarkan histogramnya, dapat diketahui bahwa citra ini tidak memiliki piksel dengan intensitas di bawah 40 dan di atas 204. Untuk memperbaikinya, kita dapat memetakan histogram secara linear sehingga diperoleh sebuah citra baru yang memiliki rentang histogram antara 0 hingga 255.

 

Contoh2 (decrease the contrast of an image):
Citra cameraman.tif memiliki nilai kekontrasan yang tinggi. Dengan menurunkan kontras dari citra tersebut, jas yang dikenakan oleh cameraman akan tampak lebih detail. 

 

Histogram Equalization
Histogram equalization bertujuan untuk menghasilkan citra keluaran yang memiliki nilai histogram yang relatif sama.

Contoh

 

  1. Operasi Spasial

 

Operasi spasial dalam pengolahan citra digital dilakukan melalui penggunaan suatu kernel konvolusi 2-dimensi. Metode image enhancement dalam operasi spasial antara lain low-pass filtering dan high-pass filtering.

Low-pass Filtering

Low-pass filtering adalah proses filter yang melewatkan komponen citra dengan nilai intensitas yang rendah dan meredam komponen citra dengan nilai intensitas yang tinggi. 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:

 

 Hasil yang diperoleh

 

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.

 

High-pass Filtering
Berkebalikan dengan low-pass filtering, high-pass filtering adalah proses filter yang melewatkan komponen citra dengan nilai intensitas yang tinggi dan meredam komponen citra dengan nilai intensitas yang 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:

 

 

 

 

 

Hasil high-pass filtering

 

 

  1. Operasi transformasi

Operasi Transformasi

Proses image enhancement berbasis transformasi citra dilakukan dengan:

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

b. melakukan proses enhancement pada domain baru tersebut

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

 

Salah satu metode transformasi yang 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.

 

 

 

 

Hasil high-pass filtering dan low-pass filtering

 

 

  1. Segmentasi

 

Segmentasi merupakan proses partisi gambar digital ke beberapa daerah dengan tujuan untuk menyederhanakan ataupun merubah representasi gambar menjadi sesuatu yang lebih bermakna dan mudah dianalisa[1,2]. Ada beberapa metoda yang sering digunakan dalam segmentasi citra antara lain: metode thresholding, metode shapebased, metode region growing, dan metode statistik atau juga disebut metode clustering[2,4]. Masing-masing metoda memiliki kelebihan dan kelemahan tergantung pada karakteristik dari citra yang akan diproses. Berikut beberapa metode yang umum digunakan dalam segmentasi citra.

 

A. Thresholding

Metode thresholding didasarkan pada pemisahan pixel ke dalam kelas yang berbeda tergantung pada tingkat keabuan masing-masing pixel[3]. Intensitas citra medis seperti tumor dan jaringan pada otak biasanya sangat rumit dan memiliki tingkat keabuan yang sangat dekat sehingga menyebabkan kesulitan penentuan ambang batas (threshold). Metode thresholding tidak bisa diterapkan untuk citra dengan tingkat keabuan yang berdekatan sehingga biasanya dikombinasikan dengan metode lain.

B. Region growing

Metode region growing seperti menggabungan thresholding dengan kondisi konektivitas atau kriteria daerah homogenitas[4]. Keberhasilan dari metode tersebut bergantung pada kepresisian informasi anatomi untuk meletakkan baik satu mapun beberapa pixel untuk masing-masing daerah homogen[2,3]. Kelemahan lain dari metode region growing adalah metode tersebut hanya dapat bekerja dengan baik pada daerah yang homogen dan membutuhkan operator untuk menentukan daerah yang akan disegmentasi.

C. Shapebased

Metode shapebased juga memberikan pendekatan yang cukup sederhana dalam segmentasi citra namun sangat sulit dalam penentuan kontur awal sehingga ketidaktepatan dalam penentuan kontur awal dapat menyebabkan hasil segmentasi yang kurang memuaskan.

D. Clustering

Metode statistik atau clustering didasarkan pada distribusi parameter tertentu. Hal terpenting dalam metode ini adalah melakukan estimasi definisi awal dari parameter sehingga bagus tidaknya segmentasi tergantung pada seberapa baik distribusi yang diasumsikan mendekati distribusi dari data. Pada kenyataanya, secara umum citra medis mengandung noise dan ketidakpastian distribusi yang tidak dapat diketahui sebelumnya.

 

Contoh Segmentasi :

contoh segmentasi dapat dilihat dalam gambar berikut :  Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung (computed property), seperti : warna (color), intensitas (intensity),dan tekstur (texture).

 

 

 

Segmentasi wilayah merupakan pendekatan lanjutan dari deteksi tepi. Dalam deteksi tepi segmentasi citra dilakukan melalui identifikasi batas-batas objek (boundaries of object). Batas merupakan lokasi dimana terjadi perubahan intensitas. Dalam pendekatan didasarkan pada wilayah, maka identifikasi dilakukan melalui wilayah yang terdapat dalam objek tersebut.

 

  1. Morfologi Citra

 

Morfologi adalah proses mengidentifikasi bentuk dengan basis region (citra bertipe biner dan grayscale). Tujuan morfologi adalah untuk memperbaiki hasil segmentasi. Operasi-operasi morfologi yang sering digunakan: Dilasi, Erosi, Opening, Closing.

 

Dilasi merupakan proses penggabungan titik latar (0) menjadi bagian dari titik objek (1) berdasarkan structuring element yang digunakan.

 

Erosi merupakan proses penggabungan titik objek (1) menjadi bagian dari titik latar  (0) berdasarkan structuring element yang digunakan.

 

Opening adalah proses erosi  yang diikuti dengan dilasi, efek yang dihasilkan adalah menghilangnya objek-objek kecil dan kurus, memecah objek pada titik-titik yang kurus, dan secara umum men-smooth-kan batas dari  objek besar tanpa mengubah area objek secara signifikan. Opening berguna untuk menghaluskan citra, menghilangkan tonjolan yang tipis.

Closing adalah proses dilasi yang diikuti dengan erosi, efek yang dihasilkan adalah mengisi lubang kecil pada objek,  menggabungkan objek-objek yang berdekatan, dan secara umum men-smooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan. Closing berguna untuk menghaluskan citra dan menghilangkan lubang yang kecil.

 

 Citra awal                                                 Hasil Dilasi

 

 

Hasil Erosi                                               Hasil Opening

 

 

Hasil Closing

 

  1. Ekstraksi Citra

 

Ekstraksi ciri citra merupakan tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dikenali/dibedakan dengan objek lainnya.

Ciri yang telah diekstrak kemudian digunakan sebagai parameter/nilai masukan untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi/ klasifikasi.

 

Ciri yang umumnya diekstrak antara lain:

 

1. Bentuk

Untuk membedakan bentuk objek satu dengan objek lainnya, dapat menggunakan parameter yang disebut dengan ‘eccentricity’. Eccentricity merupakan nilai perbandingan antara jarak foci ellips minor dengan foci ellips mayor suatu objek. Eccentricity memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk memanjang/mendekati bentuk garis lurus, nilai eccentricitynya mendekati angka 1, sedangkan objek yang berbentuk bulat/lingkaran, nilai eccentricitynya mendekati angka 0.

 

2. Ukuran

Untuk membedakan ukuran objek satu dengan objek lainnya dapat menggunakan parameter luas dan keliling. Luas merupakan banyaknya piksel yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel yang mengelilingi suatu objek.

 

3. Geometri

Ciri geometri merupakan ciri yang didasarkan pada hubungan antara dua buah titik, garis, atau bidang dalam citra digital. Ciri geometri di antaranya adalah jarak dan sudut. Jarak antara dua buah titik (dengan satuan piksel) dapat ditentukan menggunakan persamaan euclidean, minkowski, manhattan, dll. Jarak dengan satuan piksel tersebut dapat dikonversi menjadi satuan panjang seperti milimeter, centimeter, meter, dll dengan cara membaginya dengan resolusi spasial.

 

4. Tekstur

Untuk membedakan tekstur objek satu dengan objek lainnya dapat menggunakan ciri statistik orde pertama atau ciri statistik orde dua. Ciri orde pertama didasarkan pada karakteristik histogram citra. Ciri orde pertama umumnya digunakan untuk membedakan tekstur makrostruktur (perulangan pola lokal secara periodik). Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy. Sedangkan ciri orde dua didasarkan pada probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Ciri orde dua umumnya digunakan untuk membedakan tekstur mikrostruktur (pola lokal dan perulangan tidak begitu jelas). Ciri orde dua antara lain: Angular Second Moment, Contrast, Correlation, Variance, Inverse Different Moment, dan Entropy.

 

5. Warna

Untuk membedakan suatu objek dengan warna tertentu dapat menggunakan nilai hue yang merupakan representasi dari cahaya tampak (merah, jingga, kuning, hijau, biru, ungu). Nilai hue dapat dikombinasikan dengan nilai saturation dan value yang merupakan tingkat kecerahan suatu warna. Untuk mendapatkan ketiga nilai tersebut, perlu dilakukan konversi ruang warna citra yang semula RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value)

 

  1. Deteksi Tepi

Konsep Deteksi Tepi

Tepi adalah perubahan nilai intensitas derajat keabuan yang mendadak (besar) dalam jarak yang singkat. Perbedaan intensitas inilah yang memperlihatkan rincian pada gambar. Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda, tergantung pada perubahan intensitas. Ada tiga macam tepi yang terdapat di dalam citra digital. Ketiganya adalah tepi curam, tepi landai, dan tepi yang mengandung derau.

Teknik Deteksi Tepi

Terdapat beberapa teknik yang digunakan untuk mendeteksi tepi, antara lain:

1. Operator gradien pertama, contoh beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator Prewitt, operator Roberts, operator Canny.

 

2. Operator turunan kedua, disebut juga operator Laplace. Operator Laplace mendeteksi lokasi tepi khususnya pada citra tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai persilangan nol, yaitu titik di mana terdapat pergantian tanda nilai turunan kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol. Contohnya adalah operator Laplacian Gaussian, operator Gaussian.

 

3. Operator kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut. Deteksi tepi dilakukan dengan mengkonvolusikan citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude) yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.

 

Selain operator gradien yang sudah disebutkan, masih ada beberapa operator gradien yang lain yang dapat digunakan untuk mendeteksi tepi di dalam citra, yaitu selisih terpusat, sobel, prewitt, Roberts, dan Canny.

 

Beberapa contoh kernel matriks pada deteksi tepi di antaranya adalah roberts, prewitt, sobel, dan canny:

 

Citra Asli                                                   Hasil Deteksi Tepi Robert

 

 

Hasil Deteksi Tepi Prewitt                      Hasil Deteksi Tepi Sobel

 

 

Hasil Deteksi Tepi Canny

  1. Transformasi Citra

Transformasi citra, sesuai namanya, merupakan proses perubahan bentuk citra untuk mendapatkan suatu informasi tertentu

Transformasi bisa dibagi menjadi 2 : Transformasi piksel/transformasi geometris dan Transformasi ruang/domain/space.

Transformasi Piksel masih bermain di ruang/domain yang sama (domain spasial), hanya posisi piksel yang kadang diubah. Contoh: rotasi, translasi, scaling, invers, shear, dll. Transformasi jenis ini relatif mudah diimplementasikan dan banyak aplikasi yang dapat melakukannya (Paint, ACDSee, dll)

            Transformasi ruang merupakan proses perubahan citra dari suatu ruang/domain  ke  ruang/domain lainnya, contoh: dari ruang spasial ke ruang frekuensi. Contoh : Ruang vektor. Salah satu basis yang merentang ruang vektor 2 dimensi adalah [1 0] dan [0 1]. Artinya, semua vektor yang mungkin ada di ruang vektor 2 dimensi selalu dapat direpresentasikan sebagai kombinasi linier dari basis tersebut. Ada beberapa transformasi ruang:

  • Transformasi Fourier (basis: cos-sin)
  • Transformasi Hadamard/Walsh (basis: kolom dan baris yang ortogonal)
  • Transformasi DCT (basis: cos)
  • Transformasi Wavelet (basis: scaling function dan mother wavelet)’

Transformasi Fourier

Pada tahun 1822, Joseph Fourier, ahli matematika dari Prancis menemukan bahwa: setiap fungsi periodik (sinyal) dapat dibentuk dari penjumlahan gelombang-gelombang sinus/cosinus. Contoh : Sinyal kotal merupakan penjumlahan dari fungsi-fungsi sinus.

Contoh:

 

Sinyal                                           Transformasi Fourier

 

Hasil MRI                                                Transformasi Fourier pada MRI

 

Transformasi Hadamard

               Basis dari transformasi Hadamard adalah kolom dan baris yang orthogonal.

100

100

50

50

100

100

50

50

50

50

100

100

50

50

100

100

 

Jika digambarkan secara visual, untuk N=4, nilai (-1)(…) dapat dilihat sbb:

 

Transformasi Kosinus Diskret

Rumus Discrete Cosine Transform (DCT) untuk 2 dimensi :

 

 

DCT – contoh basis untuk N=4

 

 

Trasnformasi Wavelet

Wavelet adalah fungsi matematika yang memotongmotong data menjadi kumpulan-kumpulan frekuensi yang berbeda, sehingga masing masing komponen tersebut dapat dipelajari dengan menggunakan skala resolusi yang berbeda. Transformasi wavelet menggunakan dua  komponen penting dalam melakukan transformasi yakni fungsi skala (scaling function) dan fungsi wavelet (wavelet function).

Fungsi skala (scaling function) disebut juga sebagai Lowpass Filter, sedangkan fungsi wavelet (wavelet function) disebut juga sebagai Highpass Filter.

Kedua fungsi ini digunakan pada saat transformasi wavelet dan inverse transformasi wavelet.

Hasil Transformasi Wavelet 1 level

 

Link: https://www.facebook.com/photo.php?fbid=10210102171223203&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102171503210&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102171703215&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102172703240&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102173263254&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102173703265&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102174783292&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102175623313&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102175903320&set=a.10210102170623188.1073741831.1605324634&type=3&theater

https://www.facebook.com/photo.php?fbid=10210102176383332&set=a.10210102170623188.1073741831.1605324634&type=3&theater

Tinggalkan Komentar

Nama :
E-mail :
Web : tanpa http://
Komentar :
Verification Code :