Image Enhancement Domain Spasial Histogram Operation
Konten:
- Pengertian Histogram
- Adaptive Thresholding
- Histogram Equalization
- Adaptive Histogram Equalization
- Latihan
- Referensi
Pengertian Histogram
Dalam dunia statistik, histogram berarti frekuensi kemunculan suatu data. Dalam PCD, histogram juga memiliki arti sama. Hanya saja, histogram di sini lebih spesifik ke frekuensi intensitas citra. Contohnya seperti ini. Anggap ada citra 8-bit, frekuensi kemunculan berkisar antar 0 - 255. Kisaran ini disebar dalam bentuk grafik dimulai dari 0 hingga 255. Kemudian, dihitung, berapa jumlah piksel dengan intensitas 0, 1, 2, dan seterusnya hingga 255. Kita lihat contoh histogram dari sebuah citra pada Gambar 4.1
Gambar 4.1 (a) Citra asli, (b) histogram dari (a)
Histogram juga berfungsi sebagai dasar teknik pemrosesan spasial [1]. Manipulasi histogram sangat efektif untuk peningkatan dan perbaikan citra. Pada pertemuan ini, dibahas beberapa teknik pemanfaatan histogram.
Adaptive Thresholding
Pada pertemuan 3, sudah dibahas tentang konsep threshold pada citra biner. Namun, dalam penentuan nilai ambang batasnya masih manual. Pembahasan kali ini akan memanfaatkan teknik adaptif untuk thresholding. Apa itu adaptif? Adaptif artinya memiliki sifat adaptasi terhadap sesuatu. Sifat adaptif ini bisa dipakai untuk penentuan nilai ambang batas / threshold-nya. Tentunya, setiap citra memiliki kasus dan keunikan sendiri. Sehingga, adaptive thresholding sangat diperlukan untuk mengatasi kasus-kasus ini.
Local Adaptive
Pemrosesan adaptif ini ada dua jenis, yaitu: local dan global. Local Adaptive ini memanfaatkan pemrosesan dengan sub-citra. Sub-citra ini diperoleh dengan membuat citra kecil dengan ukuran tertentu. Istilah lainnya dari sub-citra adalah kernel, masking, atau patch. Contoh teknik yang menerapkan konsep ini, yaitu: local mean adaptive dan gaussian adaptive. Local adaptive ini menghitung intensitas piksel-piksel yang berdekatan / neighbouring pixels. Secara khusus, nilai ambang batas adaptif \(t\) ini berdasarkan pada nilai statistik [2]. Nilai bisa berasal dari \(t=mean + C\), \(t=median + C\), atau \(t = floor((\max - \min) / 2 ) + C\) dengan ukuran patch N x N piksel. Gambar 4.2 adalah contoh penerapan local thresholding dengan ukuran patch 15 dan \(C = 7\).
Gambar 4.2 (a) Citra asli, (b) local adaptive mean threshold, (c) local adaptive gaussian threshold
Global Adaptive
Pada kasus global thresholding, biasanya nilai ambang batas \(t\) ditentukan secara acak. Namun, ada metode, yang bernama Otsu, menentukan nilai \(t\) secara otomatis. Kok bisa?
Metode Otsu membagi citra menjadi dua bagian, background dan foreground. Metode Otsu mengiterasi semua nilai \(t\) yang memungkinkan dan mengukur penyebaran intensitas per piksel pada citra background dan foreground. Tujuannya adalah untuk menemukan nilai ambang batas di mana jumlah penyebaran background dan foreground adalah minimal. Well, tahap awal penentuan \(t\) ini juga manual tentunya. Selanjutnya, yuk kita lihat bagaimana perbandingan antara global thresholding manual dengan Otsu pada Gambar 4.3.
Gambar 4.3 (a) Citra asli, (b) global threshold, (c) Otsu threshold
Histogram Equalization
Anggap ada citra dengan kontras yang rendah, entah citra dengan kecerahan rendah atau low brightness (LB) atau kecerahan tinggi atau high brightness (HB), kemudian kita amati histogramnya. Pada citra LB, histogram akan cenderung berada pada intensitas rendah. Dan sebaliknya untuk citra HB, maka akan berada pada intensitas tinggi.
Histogram Equalization (HE) berguna untuk meningkatkan kontras citra. Jika pada citra gelap, distribusi intensitas cenderung berada pada sekitar 0 hingga 80. Namun, dengan HE ini memekarkan (stretch) distribusi intensitas citra gelap menjadi merata dari 0 hingga 255. Contoh dari HE ada pada Gambar 4.4
Gambar 4.4 (1)(a) Citra gelap, (1)(b) Citra terang, (1)(c) Citra hasil HE, (2)(a-c) adalah histogram dari masing-masing citra (1)(a-c)
Adaptive Histogram Equalization
HE menerapkan perhitungan peluang distribusi secara global yang artinya semua area pada citra diolah dengan cara sama. Padahal, tidak semua area citra memiliki intensitas yang homogen. Ada area yang terlalu gelap atau terlalu terang. Oleh karena itu, diperlukan adanya pemrosesan secara khusus pada area tertentu. Inilah yang dinamakan dengan Adaptive Histogram Equalization (AHE). AHE memiliki fungsi yang sama dengan HE. Perbedaannya terletak dari sisi adaptivitasnya. Jika HE menghitung intensitas citra secara global, maka AHE ini menghitung dengan parameter tertentu. Istilah adaptif pada AHE bermakna bahwa tiap region pada citra diproses cara yang berbeda-beda [2]
Kita amati perbandingan antara HE dengan AHE pada Gambar 4.5
Gambar 4.5 (1)(a) Citra Asli, (1)(b) Citra hasil HE, (1)(c) Citra hasil AHE, (2)(a-c) adalah histogram dari masing-masing citra (1)(a-c)
Latihan
Referensi
[1] Gonzalez, R., & Woods, R. (2002). Digital image processing. Prentice Hall.
[2] Solomon, C., & Breckon, T. (2011). Fundamentals of Digital Image Processing. Wiley-Blackwell.