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 adalah citra yang telah
dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh
metode pemampatan citra adalah metode JPEG. Perhatikan Gambar sebelah kiri adalah citra wanita yang berukuran 64 KB. Hasil
pemampatan citra dengan metode JPEG dapat mereduksi ukuran citra semula
sehingga menjadi 19 KB saja.


Perhatikan 2 gambar dibawah ini :

Gambar sebelah kiri sebelum di compress, dan gambar sebelah kanan setalah di compress.

keduanya namapk serupa namun, jika ditelusuri, gambar yang sebelah kanan jika di zoom, lebih lebih keliahatan pecah-pecah pada zoom 4x atau 6x.

Edge Detection

Dalam pemrosesan citra, frekuensi citra acapkali dijadikan suatu acuan. Mengapa? Karena semakin tinggi frekuensi citra, semakin tinggi informasi yang ada. Jadi dengan kata lain, informasi citra disimpan dalam bentuk frekuensi.
Bagaimana cara menghitung frekuensi disuatu daerah di dalam citra? Apakah dari nilai grey level (RGB) di suatu pixel? Kurang tepat! Marilah kita lihat pada ilustrasi dibawah ini.

Andaikan ada sebuah citra dengan ukuran (resolusi) 3x5 pixels. Perhatikan dua kemungkinan nilai pixels pada dua citra di atas. Apakah mereka mempunyai informasi yang tinggi? Jawabannya tidak. Karena kedua citra di atas hanyalah citra berwarna hitam (sebelah kiri), dan citra berwarna putih semua (sebelah kanan).

Perhatikanlah ketiga citra dibawah ini.

Yak, ketiga citra di atas mempunyai nilai informasi yang lebih tinggi, ketimbang kedua citra sebelumnya. Kalau diperhatikan citra pertama adalah sebuah citra yang berisi dua garis vertikal. Citra yang kedua, berisi 1 garis horisontal, dan citra yang ketiga memiliki 3 garis diagonal.
Jadi kita bisa katakan kalau frekuensi didapatkan dengan melihat selisih nilai grey level dua pixel. Semakin tinggi selisihnya (frekuensinya), semakin tinggi nilai informasinya pada daerah tersebut.
Kalau dilihat dari contoh di atas, kita bisa melihat ada sedikitnya 3 macam frekuensi. Frekuensi horizontal, frekuensi vertikal, dan frekuensi diagonal. Jadi dalam suatu citra, bisa saja memiliki frekuensi tinggi horizontal pada banyak daerah, namun hanya memiliki frekuensi rendah vertikal (contoh pada citra pertama).
Sebenarnya, nilai frekuensi ini lazim disebut sebagai edge (sisi). Jadi jika kita mendengar istilah edge detection, artinya metode tersebut akan mendeteksi frekuensi tinggi citra (edges yang ada dicitra) dari citra yang diolah. Dan, ada beberapa edge detection yang hanya dapat mendeteksi edge horizontal (frekuensi tinggi vertikal).

Untuk penutup, marilah kita lihat salah satu hasil Edge Detection dari citra di bawah ini.

Kita lihat pada citra edge (sebelah kanan). Kita lihat bahwa ada beberapa edge yang sangat terang, dan ada yang tidak begitu terang/jelas. Daerah yang memiliki edges terang memiliki frekuensi lebih tinggi ketimbang daerah yang memiliki edges kurang terang, atau tidak memiliki edge sama sekali.
Baik, sampai disini, kita telah membahas mengenai apa itu frekuensi. Frekuensi menjadi salah satu komponen terpenting dalam pengolahan citra, karena frekuensi menjadi salah satu penyimpan informasi citra. Kita tau bahwa dengan menggunakan frekuensi, kita bisa mendapatkan sisi-sisi (edges) dari citra.

Histogram Menggunakan Mathlab

Histogram citra menyatakan frekuensi kemunculan berbagai derajat keabuan dalam citra. Teknik pemodelan histogram mengubah citra hingga memiliki histogram sesuai keinginan. Teknik pemodelan yang sering dipakai adalah ekualisasi histogram. Ekualisasi histogram bertujuan untuk mendapatkan histogram citra dengan distribusi seragam.Langkah-langkah melakukan ekualisasi histogram:Baca image dan dapatkan nilai tingkat keabuan dari setiap pixel penyusunnya, dan simpan dalam array. Gunakan fungsi imread().Cari nilai maksimum tingkat keabuan citra tersebut. Nilai ini nantinya akan dipakai untuk menentukan histogram ekualisasinya. Gunakan fungsi max()Buat histogram citra asal. Simpan frekuensi kemunculan derajat keabuan tersebut dalam array(vector). Mula-mula kita siapkan array(vector) kosong yang ukurannya mengacu kepada nilai maksimum derajat keabuan citra dibulatkan ke 2n. Untuk selajutnya hitung frekuensi kemunculan derajat keabuan pada masing-masing posisi vector.Buat histogram ekualisasinya. Histogram ekualisasi dicari dengan menghitung prosentase kemunculan derajat keabuan yang ada dikalikan dengan derajat keabuan maksimum dari citra asal.Cari nilai tingkat keabuan dari citra bari hasil ekualisasi dengan menggunakan histogram ekualisasinya.Untuk memetakan histogram ekualisasi menjadi citra baru, kita siapkan array (matrik) kosong yang ukurannya sama dengan citra asal. Selanjutnya masing-masing nilai matrik baru dihitung dari nilai histogram ekualisasi bedasarkan nilai matrik gambar lama.Lalu dipetakan ke citra baru.

Algoritma dalam matlabnya :

Dan ini adalah perbandingan gambar setelah di-Equalize :