PCD2011 -3- Citra biner, berwarna, thresholding, transformasi

Report
Citra Abu-abu, Biner, Berwarna,
Thresholding, Transformasi Citra
Pengolahan Citra Digital
Materi 3
Eko Prasetyo
Teknik Informatika
Universitas Muhamamdiyah Gresik
2011
Representasi bit citra
Bit
1
8
12
16
32
8+8+8
Range
0-1
0 - 255
0 - 4096
0 - 65535
(0.0 - 1.0)
3 x 1-255
Keterangan
Citra Biner
Citra abu-abu (grayscale)
High quality grayscale
Very high quality grayscale
Floating point format
"24 bit True Color" (monitor)
Citra abu-abu
Citra biner
2
Citra Negatif

Seperti halnya film negatif.
◦ Hasil pengambilan gambar dengan kamera konvensional yang membalik
citra asli.
◦ Jika terdapat citra dengan jumlah gray level L dengan range [0,L-1] maka
citra negatif didapat dari transformasi negatif seperti pada gambar (garis
diagonal) dengan persamaan: s = L – 1 – r
Untuk L = 256, maka citra negatif didapatkan:
>> j = f - 256 - 1;
3
Transformasi Log

Sangat berguna dalam penggambaran grafik ketika pada
deretan nilai, di samping ada selisih nilai yang sangat kecil, juga
ada selisih nilai yang sangat besar,
◦





Sehingga ketika digambar dalam grafik maka selisih yang kecil akan
sulit untuk dilihat.
Kurva log yang terdapat pada gambar.
Nilai input gray level yang tinggi akan menyesuaikan dengan
output gray levelnya sesuai grafik.
Meningkatkan nilai citra yang gelap dan mengkompres nilai
citra yang sangat tinggi.
Transformasi Inverse log merupakan kebalikan dari
transformasi log
Persamaan dari transformasi log adalah: s = c log(1 + r)
◦
c merupakan konstanta, nilai r ≥ 0
>> g=100*log10(1+f);
4
Transformasi
Power-Law

Bentuk dasar: s = cr
◦ c dan  merupakan konstanta positif.
Memetakan range sempit dari input
gray level menjadi range yang lebar
pada output gray level-nya.
 Mirip dengan transformasi log, hanya
saja dengan  transformasi power-law
dapat mempunyai variasi kurva yang
lebih banyak daripada tranformasi log.

>> g = im2double(f);
>> g2= 1 * g.^0.4;
gamma = 1
gamma = 0.4
gamma = 0.1
5
Gamma
Correction



Penting dalam upaya menampilkan citra secara akurat pada layar monitor.
Citra sering menghasilkan tampilan yang tidak sesuai, gambar terlalu gelap.
Fungsi untuk melakukan gamma correction adalah
◦
◦
◦
◦
g = imadjust (f, [low_in high_in], [low_out high_out], gamma)
Memetakan nilai intensitas citra ke nilai yang baru di citra g, untuk nilai di antara low_in dan
high_in akan dipetakan di antara low_out dan high_out.
Untuk nilai intensitas di bawah low_in dan di atas high_in akan dipotong, sehingga nilai di
bawah low_in akan dipetakan ke low_out dan nilai di atas high_in akan dipetakan ke high_out.
Nilai parameter in dan out antara 0 dan 1
gamma = 1
gamma = 0.1
gamma = 2
6
Contrast Streching
Berguna untuk meningkatkan dynamic
range dari citra yang telah diproses.
 Tidak seperti transformasi sebelumnya
yang memproses semua input gray level,
pada contrast stretching yang diproses
bisa sebagian dari input gray level sesuai
dengan grafik yang digunakan

x


y   ( x  a)  ya
  ( x  b)  y
b

0 xa
a xb
b x L
>> g=f;
>> g(g<50)=g(g<50)*0.2;
>> g(g>=50 & g<150)=(g(g>=50 & g<150)50)*2+30;
>> g(g>=150)=(g(g>=150)-150)*1+200;
a  50 , b  150 ,   0 . 2 ,   2 ,   1, y a  30 , y b  200
7
Histogram
Histogram adalah dasar dari sejumlah teknik pemrosesan
citra pada domain spasial, seperti perbaikan, kompresi dan
segmentasi citra.
 Histogram dari suatu citra digital dengan range tingkat [0…L1] adalah sebuah fungsi diskrit h(rk)=nk, dengan rk adalah
tingkat keabuan ke-k dan nk adalah jumlah piksel dalam citra
yang memiliki tingkat keabuan rk.
 Normalisasi histrogram dilakukan dengan membagi setiap
nilai nk dengan total jumlah piksel dalam citra, yang
dinyatakan dengan n. Histogram yang sudah dinormalisasi
dinyatakan dengan p(rk)= nk/n, untuk k=0,1,…,L-1.
 p(rk) menyatakan estimasi probabilitas kemunculan tingkat
keabuan rk. Jumlah dari semua komponen “normalized
histogram” sama dengan 1.


8
Histogram
Sumbu horisontal dari histogram menyatakan nilai tingkat keabuan rk.
 Sumbu vertikal menyatakan nilai dari h(rk)=nk atau p(rk) = nk/n (jika
nilainya dinormalisasi).
 >> figure, imshow(f);
 >> figure, imhist(f);

7
6
5
Jumlah
piksel
4
3
2
1
0
1
2
3
4
5
6
Lever keabuan
7
8
9
15000
Citra gelap
10000
5000
0
0
50
100
150
200
250
15000
15000
10000
Citra terang
10000
5000
5000
0
0
50
100
150
200
250
0
0
50
100
150
200
250
Citra kontras tinggi
15000
Citra kontras
rendah
10000
5000
0
0
50
100
150
200
250
10
Histogram Normalization


Menskalakan nilai piksel secara linear untuk
menggunakan secara penuh jangkauan yang
gray-scale yang tersedia.
Transformasi yang digunakan:
sk 
n j  min( n )
max( n )  min( n )
x ( L  1)
untuk k=0,1,2,…,L-1
disebut “histogram normalization”.
11
Contoh Histogram Normalization
(1)
No. of pixels
6
2
3
3
2
5
4
2
4
3
4
3
2
3
5
3
2
2
4
2
4
Input: 4x4 image
Gray scale = [0,7]
1
Gray level
0 1 2 3 4 5 6 7
histogram
12
Contoh Histogram Normalization
(2)
s 
Gray
Level(j)
0
1
2
3
4
5
6
7
nj
0
0
6
5
4
1
0
0
-
-
0
0.3333
0.6667
1
-
-
-
-
0
2.3333
2
4.6667
5
7
7
7
0
5
2
0
2
5
2
0
n j  min( n )
max( n )  min( n )
sx7
2
4
3
2
3
2
2
4
3
4
3
2
2
3
5
4
2
2
0
5
0
3
7
5
13
Contoh Histogram Normalization
(3)
No. of pixels
6
0
5
2
0
2
2
0
5
2
5
2
0
0
3
7
5
5
4
3
2
1
Output: 4x4 image
Gray scale = [0,7]
Gray level
0 1 2 3 4 5 6 7
histogram
14
Histogram Equalization
Histogram equalization digunakan untuk memetakan kembali nilai piksel
untuk membuat perkiraan linear akumulasi histogram.
 Transformasi yang digunakan:

s k  T  rk
k

j0
s k  T ( rk ) 
 
 pr r j
k
n j
j0
n

untuk k=0,1,2,…,L-1
disebut “histogram equalization” atau “histogram linearization”.
 Fungsi yang digunakan :
 h = histeq(f, b)
◦ h merupakan citra hasil equalisasi,
◦ f merupakan variabel citra dan b adalah jumlah bins yang digunakan dalam membentuk
histogram. nilai default, b=64 pada citra 6 bit.
15
Contoh Histogram Equalization (1)
No. of pixels
6
2
3
3
2
5
4
2
4
3
4
3
2
3
5
3
2
2
4
2
4
Input: 4x4 image
Gray scale = [0,7]
1
Gray level
0 1 2 3 4 5 6 7
histogram
16
Contoh Histogram Equalization (2)
Gray
Level(j)
0
1
2
3
4
5
6
7
nj
0
0
6
5
4
1
0
0
0
0
6
11
15
16
16
16
0
0
6 / 16
11/16
15/16
16/16
16/16
16/16
0
0
2.625
3
4.8125
5
6.5625
7
7
7
7
k
n
j
j0
k
s

j0
nj
n
sx7
2
4
3
2
3
2
2
4
3
4
3
2
2
3
5
4
3
7
5
3
5
3
3
7
5
7
5
3
3
5
7
7
17
Contoh Histogram Equalization (3)
No. of pixels
6
3
7
5
3
5
3
3
7
5
7
5
3
3
5
7
7
Output: 4x4 image
Gray scale = [0,7]
5
4
3
2
1
Gray level
0 1 2 3 4 5 6 7
histogram
18
Contoh Histogram Equalization (4)

>> g = histeq(f, 256);
sebelum
sesudah
19
Histogram Equalisasi Lokal
Metode pemrosesan histogram yang sudah dibahas, yaitu
“histogram equalization” bersifat global, karena piksel-piksel
dimodifikasi menggunakan fungsi transformasi berbasis pada
intensitas seluruh piksel pada citra.
 Seringkali diperlukan perbaikan pada suatu daerah yang kecil
di dalam citra.



1
2
3
4
5
6
7
8
9
8 tetangga
Teknik “histogram equalization” dapat diterapkan untuk perbaikan
lokal.
Caranya:
1. Definisikan daerah ketetanggaan (neighborhood)
2. Pada setiap lokasi piksel, histogram dari piksel-piksel dalam
neighborhood dihitung.
3. Tentukan fungsi transformasi “histogram equalization” dan fungsi ini
digunakan untuk memetakan intensitas piksel pada pusat
neighborhood.
4. Ulangi langkah 2–3 untuk seluruh piksel dalam citra.
20
Contoh Histogram Equalisasi Lokal
(1)
Citra awal
Global Histogram
Equalization
Local Histogram
Equalization
21
Contoh Histogram Equalisasi Lokal
(2)
2
3
3
2
2
3
4
2
4
3
4
2
Gray
Level(j)
2
3
4
nj
2
1
1
2
3
4
2
3
3
2/4
3/4
4/4
4
2
4
3.5
4
5.25
6
7
k
3
2
2
4
3
5
2
f(1,1)  n
j0
4
=
=
=
=
=
=
=
=
(2/4)*7
(4/6)*7
(5/6)*7
(1/4)*7
(6/6)*7
(3/9)*7
(8/9)*7
(4/6)*7
=
=
=
=
=
=
=
=
3.5=4
4.67=5
5.83=6
1.75=2
7=7
2.33=2
6.22=6
4.67=5
k
s

nj
j0
8 tetangga
f(1,1)
f(1,2)
f(1,3)
f(1,4)
f(2,1)
f(2,2)
f(2,3)
f(2,4)
j
n
sx7
2
3
4
nj
2
2
2
2
4
6
2/6
4/6
6/6
3.5
4
4.6667
5
7
k
f(3,1)
f(3,2)
f(3,3)
f(3,4)
f(4,1)
f(4,2)
f(4,3)
f(4,4)
=
=
=
=
=
=
=
=
(4/6)*7
(4/9)*7
(5/9)*7
(6/6)*7
(2/4)*7
(6/6)*7
(2/6)*7
(3/4)*7
=
=
=
=
=
=
=
=
4.67=5
3.11=3
3.89=4
7
3.5=4
7
2.22=2
5.25=5
n
j0
f(1,2)
Gray
Level(j)
j
k
s

j0
sx7
nj
n
22
Contoh Histogram Equalization
Lokal (3)
3
7
5
3
5
3
3
7
5
7
5
3
3
5
7
7
4 5 6 2
7 2 6 5
5 3 4 7
4 7 2 5
Output: 4x4 image
Gray scale = [0,7]
No. of pixels
6
5
4
3
2
1
Gray level
0 1 2 3 4 5 6 7
histogram
23
Penggunaan Nilai Statistik dari
Histogram untuk Perbaikan Citra
Selain menggunakan histogram secara langsung untuk perbaikan citra, dapat
pula digunakan parameter-parameter statistik yang didapat dari histogram.
 Parameter statistik yang bisa digunakan adalah:

◦ Mean, yaitu rata-rata tingkat keabuan dalam citra
◦ Variance, yaitu rata-rata kekontrasan citra.
◦ Deviasi standard didefinisikan sebagai akar dari variance.

Misalkan r adalah variabel random diskrit yang menyatakan tingkat
keabuan diskrit dalam range [0, L-1], dan p(ri) adalah komponen
“normalized histogram” pada nilai ke-i dari ri. Bisa diasumsikan
bahwa p(ri) adalah estimasi probabilitas kemunculan tingkat keabuan
ri.
L 1
Mean dari r bisa dihitung dengan:
m 
 r p r 
i
i
i0
Variance dari r bisa dihitung dengan:
L 1

2
2
r    ri  m  p ri 
i0
24
Penggunaan Nilai Statistik dari
Histogram untuk Perbaikan Citra (2)



Mean dan variance global diukur terhadap seluruh citra dan
digunakan untuk menilai intensitas dan kekontrasan citra secara
keseluruhan.
Mean dan variance lokal digunakan sebagai dasar untuk membuat
perubahan di dalam citra, dimana perubahan tersebut tergantung
pada karakteristik di suatu sub daerah di dalam citra.
Misalkan (x,y) adalah koordinat piksel, dan Sxy menyatakan
neighborhood (subimage) dengan ukuran tertentu serta berpusat di
(x,y). Mean msxy dari piksel-piksel dalam Sxy dapat dihitung sebagai
berikut:
m s xy 
r
s ,t
p rs , t 
 s , t  S xy
rs,t adalah tingkat keabuan pada koordinat (s,t) dalam
neighborhood,
dan p(rs,t) adalah komponen “normalized histogram” pada
neighborhood untuk tingkat keabuan rs,t.
25
Penggunaan Nilai Statistik dari
Histogram untuk Perbaikan Citra (3)

Variance dari piksel-piksel pada daerah Sxy dapat dihitung dengan:

r  m  p r 

Mean lokal adalah ukuran tingkat keabuan rata-rata dalam

2
S xy
2

 s , t  S xy
s ,t
S xy
s ,t
neighborhood Sxy dan variance adalah ukuran kekontrasan dalam
neighborhood.
Permasalahan adalah
bagaimana mempertajam
daerah gelap dengan tetap
mempertahankan daerah
terang.
26
Penggunaan Nilai Statistik dari
Histogram untuk Perbaikan Citra (4)

Misalkan f(x,y) menyatakan intensitas piksel pada koordinat (x,y), dan g(x,y)
menyatakan piksel yang sudah diperbaiki pada koordinat yang sama. Maka:
jika
m S  k 0 M G dan k1 D G   S  k 2 D G
 E . f x, y 
xy
xy
g x, y   
f  x , y  lainnya
E,k0, k1, k2 adalah parameter-parameter yang harus ditentukan. MG adalah
mean global dan DG adalah deviasi standard global.
Citra yang sudah
diperbaiki dengan
pemilihan parameter
E=4.0, k0=0.4, k1=0.02,
k2=0.4 dan daerah lokal
berukuran (3x3)
27
Citra Biner
Citra yang hanya mempunyai nilai level intensitas keabuan
hitam dan putih (0 dan 1).
 Menjadi dasar dalam pengolahan selain citra: morfologi,
segmentasi, representasi, pengenalan pola, dsb.
 Formula:

1
g ( x, y )  
0
jika f(x, y)  T
jika f(x, y)  T
◦ Piksel yang diberi nilai 1 berkaitan dengan obyek sedangkan
piksel yang diberi nilai 0 berkaitan dengan background.
◦ Ketika T adalah konstanta, pendekatan ini disebut global
thresholding.
28
Thresholding
Salah satu cara memilih thresholding adalah dengan
pemeriksaan visual histogram citra.
 Histogram dalam gambar secara jelas mempunyai dua mode
yang berbeda.

◦ Mudah untuk memilih threshold T yang membaginya.

Metode yang lain dalam pemilihan T adalah dengan trial and
error, mengambil beberapa threshold berbeda sampai satu
nilai T yang memberikan hasil yang baik sebagai keputusan
yang ditemukan observer .
29
Thresholding (2)

Untuk pemilihan threshold secara otomatis, prosedur interaktifnya
dijelaskan sebagai berikut:
1.
2.
3.
4.
5.
Memilih perkiraan awal T. Disarankan perkiraan awal adalah titik
tengah antara nilai intensitas minimum dan maksimum dalam citra.
Mensegmentasi citra menggunakan T. Ini akan menghasilkan dua
kelompok piksel: G1, yang berisi semua piksel dengan nilai intensitas ≥
T, dan G2, yang berisi semua piksel dengan nilai intensitas < T.
Menghitung rata-rata nilai intensitas 1 dan 2 untuk piksel-piksel
dalam region G1 dan G2.
Menghitung nilai threshold yang baru:
1
   
Mengulangi langkah 2 sampai 4 sampai perbedaan2T dalam iterasi yang
berturut-turut lebih kecil daripada parameter To sebelumnya.
T 
1
2
30
Formulasi Otsu


Normalisasi histogram sebagai fungsi probability discrete density, sebagai:
nq
p r ( rq ) 
q  0, 1, 2, .., L - 1
n
◦


di mana n adalah total jumlah piksel dalam citra, nq adalah jumlah piksel yang dipunyai level intensitas
rq, dan L adalah total jumlah level intensitas yang tersedia dalam citra.
Andaikan bahwa threshold k dipilih maka C0 adalah sekumpulan piksel dengan level [0, 1,
…, k – 1] dan C1 adalah sekumpulan piksel dengan level [k, k + 1, …, L – 1].
Metode Otsu memilih nilai k yang memaksimalkan between-class variance 2B, yang
didefinisikan sebagai:
 B   0  0   T   1 1   T 
2
2
2
 0   p q rq 
 0   qp q rq  /  0
 1   p q rq 
 1   qp q rq  /  1
k 1
q0
L 1
qk
k 1
q0
L 1
qk
 T   qp q rq 
L 1
q0
>> T = graythresh(f)
>> T = 0.5*(double(min(i(:)))
+ double(max(i(:))));
>> done = false;
>> while ~done
g = i >= T;
Tnext = 0.5*(mean(i(g)) +
mean(i(~g)));
done = abs(T - Tnext) < 0.5;
T = Tnext;
end
31
Citra abu-abu ke biner












>> f = imread('anak.png');
>> T = graythresh(f)
T=
0.5529
>> g = im2bw(f,T);
>> imwrite(g,'anak_biner.tif');
>> f = imread('rice.tif');
>> T = graythresh(f)
T=
0.5255
>> g = im2bw(f,T);
>> imwrite(g,'rice_biner.tif');
Citra abu-abu
Citra biner
32
Operasi Aritmetika pada Citra
Operasi aritmetik/logik dilakukan dengan basis operasi piksel dengan piksel
dari dua buah citra atau lebih (kecuali untuk operasi NOT, yang hanya
melibatkan satu buah citra).
 Operator logika NOT memberikan hasil yang sama seperti transformasi
negatif.
 Operasi AND dan OR digunakan untuk masking: yaitu memilih subcitra
yang ada dalam sebuah citra.

33
Spektrum Warna


Tahun 1966, Sir Isaac Newton mendiskusikan bahwa ketika
cahaya dilewatkan ke kaca prisma, kemunculan cahaya tidak putih
melainkan terdiri dari spektrum kontinu dari warna dengan range
dari violet pada satu sisi sampai merah pada sisi yang lain.
Benda yang memantulkan, dibatasi range spektrum visible yang
ditunjukkan beberapa bentuk warna.
◦ Misalnya, obyek green memantulkan cahaya dengan panjang
gelombang utamanya dalam range 500 sampai 570 nm.
34
Kuantitas dasar warna




Cahaya kromatis merentangkan spektrum elektromagnetik mulai dari kira-kira 400 sampai 700nm.
Tiga kuantitas dasar: radiance, luminance, dan brightness.
Radiance adalah jumlah perkiraan energi yang mengalir dari sumber cahaya, dan biasanya diukur
dalam watts (W).
Luminance diukur dalam lumens (lm), memberikan ukuran perkiraan energi yang dilihat observer
dari sumber cahaya.
◦



Misalnya, cahaya diemisikan dari operasi sumber dalam jarak region infrared dari spektrum yang dapat
mempunyai energi yang signifikan (radiance), tetapi observer akan kesulitan melihatnya; luminasinya hampir
menjadi nol.
Brightness adalah deskriptor subyektif yang secara praktek tidak mungkin diukur.
cones adalah sensor dalam mata yang dapat merespons warna.
Ada 6 sampai 7 juta cones dalam mata manusia dapat dibagi ke dalam tiga kategori utama, yaitu red,
green, dan blue.
◦
◦
◦
◦
65% dari semua cones sensitif terhadap cahaya merah (red),
33% sensitif terhadap cahaya hijau (green), dan
hanya kira-kira 2% sensitif terhadap cahaya biru (blue)
(tapi cones biru yang paling sensitif)
35
Warna Primer dan Sekunder

Warna primer dapat ditambahkan untuk menghasilkan warna sekunder
(secondary color) dari cahaya,
◦ magenta (red ditambah biru),
◦ cyan (green ditambah biru), dan
◦ yellow (red ditambah green).
Pencampuran tiga warna primer, atau sekunder dengan kebalikan warna
primer dalam intensitas menghasilkan cahaya putih.
 Warna primer pigmen adalah magenta, cyan dan yellow, dan warna
sekunder adalah red, green, dan blue.

Pencampuran warna cahaya
Pencampuran warna pigmen
36
trichromatic coefficients
x
y
z
X
X Y  Z
Y
X Y  Z
Z
X Y  Z
Persamaan
tersebut dapat
dinyatakan:
x+y+z=1

37
Model Warna RGB
Terdiri dari tiga komponen:R,G,B.
 Ketika ditampilkan di monitor RGB, tiga kombinasi citra ini berada di
layar fosfor untuk menghasilkan warna citra komposit.
 Jumlah bit yang digunakan untuk merepresentasikan setiap piksel dalam
space RGB disebut pixel depth.
 Citra RGB di mana setiap citra red, green, dan blue adalah citra 8-bit.

◦ Dalam kondisi setiap warna piksel RGB [maka, triplet dari nilai (R,G,B)] mempunyai
kedalaman 24-bit (3 lapis citra dengan jumlah bit per lapis).

Citra full-color sering digunakan untuk menyatakan citra berwarna RGB
24-bit. Total jumlah warna dalam citra 24-bit adalah (28)3 = 16,777,216
38
Citra RGB
>> i =
imread('city_bridge.jpg');
>> fR = i(:,:,1);
>> fG = i(:,:,2);
>> fB = i(:,:,3);
Citra RGB
Komponen Red
Komponen Green
Komponen Blue
>> rgb_image = cat(3, fR, fG, fB)
39
Model Warna CMY dan CMYK
(Cyan, Magenta,Yellow, Black)


Perangkat yang menyimpan pigmen berwarna pada kertas, seperti printer dan mesin
fotokopi berwarna, membutuhkan data input CMY (konversi RGB ke CMY secara
internal).
Konversi (persamaan dibawah):
◦



Persamaan di atas menunjukan bahwa cahaya dipantulkan dari permukaan yang dilapisi
dengan cyan murni tidak berisi red (karena C = 1 – R dalam persamaannya).
Pengolahan citra dengan model warna ini digunakan dalam hubungan dengan pembuatan
output hardcopy.
Kombinasi tiga warna ini untuk pencetakan menghasilkan warna yang tidak sepenuhnya
hitam
◦
C

M

 Y
Asumsi bahwa semua nilai warna dinormalisasi dalam range [0,1].
Dengan tujuan untuk menghasilkan warna hitam yang benar (yang biasanya lebih dominan dalam
pencetakan), warna keempat, black ditambahkan, memberikan kemunculan model warna CMYK
 1  R 
    
 1  G
    
 1  B 
>> iCMY = imcomplement(iRGB);
Citra RGB
Citra CMY
40
Model Warna HSI


Sistem RGB cocok dengan kenyataan bahwa mata manusia dengan
kuat dapat mengetahui warna primer red, green, dan blue.
Sayangnya, RGB, CMY, dan model warna sejenis tidak secara baik
cocok untuk menggambarkan warna dalam prakteknya untuk
interpretasi manusia.
◦ Misalnya, tidak mereferensikan ke warna dari automobile dengan
pemberian persentase dari setiap warna primer yang mengisi warnanya.
◦ Jangan dianggap bahwa citra berwarna terdiri dari tiga citra primer yang
dikombinasikan untuk membentuk citra tunggal.


Model warna HSI (hue, saturation, intencity), memisahkan
komponen intensitas dari informasi warna yang dibawa (hue dan
saturasi) dalam warna citra.
Model HSI adalah tool yang ideal untuk mengembangkan algoritma
pengolahan citra berdasarkan pada deskripsi warna yang alami dan
intuitif terhadap manusia, pengembang dan usernya.
41
Model Warna HSI (2)
Hue adalah atribut
warna yang
menggambarkan
warna murni
(yellow, orange,
atau red murni).
 Saturation
memberikan
ukuran tingkat di
mana warna murni
yang dilemahkan
oleh cahaya putih.
 Intensity adalah
tingkat/intensitas
kedalaman warna
(diantara hitam dan
putih).

Warna primer dipisahkan oleh sudut 120o.
Warna sekunder adalah 60o dari primer, yang
berarti bahwa sudut di antara warna sekunder
adalah 120o
42
Model Warna HSI (3)
Citra RGB
Citra Hue
Citra HSI
Citra Saturation
Citra Intensity/Gray
43
Konversi warna RGB ke HSI
Hue

H 
 360
Jika B  G
Jika B  G
1


[( R  G )  ( R  B )]


1
2
  cos 
2
1/ 2 
[(
R

G
)

(
R

B
)(
G

B
))]




Intensity / Gray
I 
1
(R  G  B)
3
Saturation
S 1
3
(R  G  B)
[min( R , G , B )]
44
Konversi warna HSI ke RGB
Jika diberikan nilai HSI dalam
interval [0,1] maka dapat dicari
nilai RGB dalam range yang
sama.
 Persamaan yang aplikatif
tergantung pada nilai H.
 Ada tiga sektor yang menarik,
yang berhubungan dengan
interval 120o dalam pembagian
warna primer.

◦ Dimulai dengan perkalian H dengan
360o, yang mengembalikan hue ke
nilai aslinya dalam range [0o,360o]
Sektor RG (0o ≤ H < 120o)
B = I(1 – S)


S cos H
R  I 1 
o

cos( 60  H ) 

G = 3I – (R + B)
Sektor GB (120o ≤ H < 240o)
H = H – 120o
Kemudian komponen RGB dihitung:
R = I(1 – S)


S cos H
G  I 1 
o

cos( 60  H ) 

B = 3I – (R + G)
Sektor BR (240o ≤ H ≤ 360o)
H = H – 240o
Komponen RGB dihitung dengan:
G = I(1 – S)


S cos H
B  I 1 
o

cos( 60  H ) 

R = 3I – (G + B)
45
To Be Continued … Materi 4 – Pengolahan Citra dalam
Domain Spasial dan Restorasi Citra
ANY QUESTION ?
46

similar documents