Spatial Filtering
Spatial Filtering
Didasarkan pada konsep filtering di frequency domain (akan dijelaskan pada kesempatan mendatang) Terdapat dua jenis spatial filtering:
Linear Filtering
Lowpass, highpass, bandpass
Non-Linear Filtering
Median, maximum, minimum
Secara umum perhitungan dilakukan dengan menggunakan sliding window. Yaitu: filter yang berupa matrix mxn akan digeser posisinya sampai pusat filter mengenai semua pixel.
Pusat filter akan diposisikan pada pixel yang sedang diproses
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Perhitungannya
Bila h(m,n) adalah filter 3x3:
Maka:
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Yang Perlu Diingat
Gunakan citra baru untuk menampung hasil perhitungan Selalu gunakan nilai dari citra asli untuk input (bukan nilai pixel hasil perhitungan sebelumnya) Bila filter sampai pada pinggir citra, terdapat beberapa pilihan:
Biarkan pixel di pinggir tanpa diproses Perlebar citra, pixel di pinggir diisi perulangan nilai pixel pada pinggir tersebut Perlebar citra, pixel di pinggir diisi konstanta tertentu Perlebar citra dengan melakukan image wrapping
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Lowpass Spatial Filtering
Untuk menghaluskan citra Didasarkan pada perata-rataan nilai pixel dengan tetangga Bobot filter selalu positif yang totalnya bernilai 1 Contoh beberapa filternya adalah:
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Beberapa Contoh Hasil
Beberapa contoh hasil Lowpass Spatial Filtering
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Highpass Spatial Filtering
Disebut sebagai sharpening mask, karena mempercepat pergantian batas gelap-terang Filter memiliki nilai positif di tengah, negatif di pinggir, dan total bobot harus 0.
Hasil highpass filtering adalah selisih antara citra asli dengan citra yang telah mengalami lowpass filtering: g(m,n) = f(m,n) lowpass( f(m,n) )
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2073
Contoh Hasil
Contoh hasil Highpass Spatial Filtering
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Highboost Filtering
gmask(m,n) g(m,n) = f(m,n) - lowpass( f(m,n) ) = f(m,n) + A* gmask(m,n)
Bila A>=1 maka filter ini akan menjumlahkan hasil highpass ke citra asli Bila A=1 maka filter ini disebut unsharp masking Bila A>1 maka filter ini disebut highboost filtering Hasilnya adalah citra yang lebih tajam pinggirnya
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Median Filter
Digunakan untuk menghilangkan noise Menggunakan nilai tengah dari pixel-pixel yang tertutup filter
6 6 6 6 6 6 7 6 6 6 6 6 8 6 6 6 6 6 6 6 6 3 6 6 6
666666678
Median sebagai nilai pengganti
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
Conto hasil
Contoh hasil median filter 3x3
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
10
Conto hasil lagi
Contoh hasil median filter 6x6 dan 8x8
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
11
Prewitt Filter
Untuk edge detection
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
12
Sobel Filter
Untuk edge detection
Pengolahan Citra Digital Sekolah Tinggi Teknik Surabaya, 2007
13