Operasi Pemampatan Citra

Pengolahan citra merupakan pemrosesan citra khususnya dengan menggunakan komputer menjadi citra yang kualitasnya lebih baik.

Operasi pengolahan citra meliputi :

1. Perbaikan Kualitas citra (image enhancement)
2. Pemugaran Citra (image restoration)
3. Pemampatan Citra(image compression)
4. Segmentasi citra (image segmentation)
5. Analisis citra (image analysis)
6. Rekonstruksi citra (image reconstruction)

Berikut ini adalah penjelasan dari operasi pemampatan citra

Pemampatan Citra

Pemampatan citra atau image compression merupakan operasi pengolahan citra yang bertujuan untuk memampatkan citra sehingga memori yang dibutuhkan untuk menyimpan citra lebih kecil, tetapi hasil citra yang telah dimampatkan tetap memiliki kualitas gambar yang bagus (misal dari .BMP menjadi .JPG).

Kebanyakan citra mengandung duplikasi data yg dapat berarti:

1. Besar kemungkinan suatu pixel dengan pixel tetangganya memiliki intensitas yang sama, sehingga penyimpanan setiap pixel memboroskan tempat.
2. Citra banyak mengandung bagian yang sama, sehingga tidak perlu dikodekan berulang

Ada 2 proses utama dalam pemampatan citra:

1. Pemampatan citra (image compression)
   contoh citra belum dimampatkan dalam format bitmap dan yang sudah dimampatkan disimpan dalam format  JPG dan GIF
2. Penirmampatan citra (image decompression)
   Mengembalikan citra yang termampatkan  menjadi data bitmap

Aplikasi Pemampatan Citra

1. Data transmission, waktu pengiriman data lebih cepat.
   contoh:  pengiriman gambar lewat fax, videoconferencing, download gambar dr internet
2. Data storing, butuh memori lebih kecil
   Contoh: aplikasi basis data gambar, video storage sprti VCD dll. 

Kriteria  pemampatan citra:

1. Waktu compression dan decompression sebaiknya cepat
2. Kebutuhan memori
   Memori yang dibutuhkan untuk merepresentasikan citra seharusnya berkurang secara berarti. Pada beberapa metode ukuran  memori hasil pemampatan bergtung pd citra itu sendiri. Citra dengan elemen duplikasi yang banyak, misal langit cerah tanpa awan, lantai keramik, umumnya dapat dimampatkan dengan memori lebih sedikit dibanding citra yang mengandung objek, misal pemandangan alam.
3. Kualitas
   Informasi yang hilang akibat pemampatan seminimal mungkin agar kualitas tetap dipertahankan. kualitas citra bersifat subyektif dan relatif, tergantung penilaian seseorang.
   Ukuran kualitas hasil pemampatan citra menjadi ukuran kuantitatif menggunakan  PSNR, mengukur perbedaan citra semula dengan hasil pemampatan    
   
   
   
   b: nilai sinyal terbesar (u htam putih, b=255)
   rms: akar pangkat dua dr selisih antara citra semula dengan citra hasil pemampatan
   
   
   
   
   
   f :nilai fixel semula
   f´: nilai fixel stlh pemampatan
   
   
   
   seberapa besar PSNR  yang bagus?
   tidak bisa dinyatakan secara eksplisit, tergantung citra yang dimampatkan, namun bisa diketahui jika dilakukan pengujian dengan mencoba berbgi kombinasi parameter pemampatan yang digunakan. jika nilai PSNR semakin besar, berarti parameter pemampatan yang digunakan sudah menuju nilai baik. Parameter pemampatan citra tergantung metode yang digunakan.
4. Format keluaran
   Format citra hasil pemampatan sebaiknya cocok u pengiriman dan penyimpanan data. Pembacaan citra bergantung pd bagaimana citra tsb direpresentasikan atau disimpan 

Jenis Pemampatan Citra:
Ada 4 pendekatan:

1. Pendekatan statistik, yang didasarkan pd frek kemunculan derajat keabuan pixel pada seluruh bagian gambar, contoh metode Huffman Coding
2. Pendekatan ruang, didasarkan pd hub spasial antara pixel-pixel dalam suatu kelompok yang memiliki derajat keabuan yang sama di dalam suatu daerah di dalam gambar, contoh  metode Run-Length Encoding
3. Pendekatan kuantisasi, pemampatan citra dilakukan dengan mengurangi jumlah derajat keabuan yang tersedia, contoh metode pemampatan kuantisasi
4. Pendekatan fraktal, didasarkan pada kenyataan bahwa kemiripan bagian-bagian dalam citra  dapat dieksploitasi dengan suatu matriks transformasi, contoh metode Fractal Image Compression

Metode Pemampatan Huffman
Menggunakan prinsip nilai atau derajat keabuan yang sering muncul dikodekan dengan jml bit Lebih sedikit dan yang frek kemunculannya sedikit dikodekan dengan jlh bit yang lebih panjang.

Algoritma metode Huffman:

1. Urutkan secara ascending nilai-nilai keabuan berdasarkan frek kemunculan atau peluang kemunculan, Pk yaitu frek kemunculan nk dibagi dengan jlh pixel dalam citra (n). Setiap nilai keabuan dinyatakan sebagai pohon bersimpul tunggal. Setiap simpul ditandai dengan frek kemunculan nilai keabuan tsb.
2. Gabung 2 buah pohon yang mempyai frek kemunculan paling kecil pd sebuah akar. Akar mempyai frek  yang merupakan jlh dr frek 2 buah pohon penyusunnya
3. Ulangi langkah 2 sampai tersisa hy satu pohon biner.
4. Beri label setiap sisi pohon biner. Sisi kiri dilabeli dengan 0 dan sisi kanan dilabeli 1.
5. Telusuri pohon biner dr akar ke daun. Barisan label2 sisi dr akar ke daun menyatakan kode Huffman u derajat  keabuan yang bersesuain

Read More →