BAB 6
PENAJAMAN CITRA
DAN PEMFILTERAN SPASIAL
Penajaman citra (image
enhancement) meliputi semua operasi yang menghasilkan citra ‘baru’ dengan
kenampakan visual dan karakteristik spektral yang berbeda. Di samping penajaman
citra, ada lagi jenis operasi yang disebut pemfilteran (filtering). Pada beberapa pustaka (misalnya Niblack, 1986; and
Mulder dan Kostwinder, 1987) kedua teknik ini tidak dikelompokan dalam satu
kelompok operasi yang disebut penajaman citra. Pada umumnya para penulis yang
mempunyai latar belakang bukan ilmu kebumian cenderung mengelompokan
pemfilteran sebagai teknik terpisah dari teknik-teknik penajaman karena efek
yang dihasilkan dan filosofinya pun berbeda dari teknik-teknik penajaman yang
lain. Namun ada pula beberapa penulis yang menyatukan teknik penajaman dan
pemfilteran sebagai satu kelompok operasi penajaman.
6.1 PENAJAMAN
KONTRAS
Penajaman kontras (contrast
enhancement) diterapkan untuk memperoleh kesan kontras citra yang lebih
tinggi. Hal ini dapat dilakukan dengan mentransformasi seluruh nilai kecerahan
dan memberikan hasil berupa citra dengan nilai maksimum baru yang lebih tinggi
dari nilai maksimum awal, dan nilai minimum baru yang (pada umumnya) lebih
rendah dari nilai minimum awal. Secara visual, hasil ini berupa citra baru yang
variasi hitam-putihnya lebih menonjol sehingga tampak lebih tajam dan
memudahkan proses interpretasi. Algortitma penajaman kontras ini dapat di
kelompokan menjadi dua, yaitu perentangan kontras (contrast stretching) dan
ekualisasi histogram (histogram equalization).
Masing-masing algoritma dijelaskan sebagai berikut ini.
6.1.1
PERENTANGAN KONTRAS
Kontras citra dapat dimanipulasi dengan merentang nilai
kecerahan pikselnya. Perentangan yang efektif dapat dilakukan dengan
memperhatikan bentuk histogramnya. Citra asli, yang biasanya mempunyai julat
nilai lebih sempit 0-255, perlu direntang sehingga kualitas citranya menjadi
lebih baik. Hasil perentangan ini adalah citra baru, yang bila digambarkan
histogramnya berupa kurva yang lebih lebar (lihat Gambar 6.1)
Terdapat beberapa cara untuk merentang kontras citra.
Cara paling sederhana ialah dengan mengalikan citra tersebut, misalnya dengan
faktor pengali p. Citra X dengan
julat nilai kecerahan 0-21, bila dikalikan dengan faktor p = 3 menghasilkan citra X’ dengan julat 0-63. Pada pengaturan
warna hitam-putih, citra baru ini akan tampak lebih kontras karena julatnya
semakin lebar. Nilai maksimum lama, yaitu 21, yang tampak gelap ditransformasi
manjadi nilai maksmimum baru, 63, yang tampak jauh lebih cerah; sedangkan nilai
minimum dijaga tetap (Gambar 6.2.a)
Cara lain adalah suatu pengondisian. Perentangan
dilakukan pada julat diantara nilai maksimum dan nilai minimum. Misalnya citra
X {0..21} akan direntang menjadi citra X” {0..255}, tetapi dengan mengambil
nilai 3 sebagai nilai masukan minimum dan 19 sebagai nilai masukan maksimum.
Dalam hal ini, nilai asli pada citra X {0..21} yang <= akan menjadi 0 pada
citra baru, dan nilai asli yang >= 9 akan menjadi 255 (gambar
6.2.b).Transformasinya adalah sebagai berikut :
BV output = (BV
input – BV min) / (BV maks – BV min) *
255 ................................. (6.1)
BV output adalah nilai kecerahan baru hasil
transformasi, BV input adalah sembarang nilai kecerahan piksel pada
citra yang menjadi masukan, BV maks adalah nilai kecerahan maksimum
piksel pada citra asli. Nilai koefisien 0-255 (kecerahan maksimum). Apabila
menghendaki nilai maksimum piksel hasil transformasi sebesar 200 maka nilai 255
tersebut dapat diganti dengan 200. Pada persamaan ini, jika BV output ternyata
negatif maka nilai baru akan diatur menjadi sama dengan 0. Begitu pula apabila BV output > 255 maka
nilai baru akan diatur menjadi 255.
Operasi perentangan kontras ini dapat dibalik sehingga
menghasilkan citra baru yang lebih sempit julatnya dan disebut sebagai
pemampatan kontras (contrast compression). Baik perentangan maupun pemampatan
kontras mengubah nilai kecerahan piksel satu demi satu, tanpa melibatkan nilai
piksel yang berdekatan (piksel tetangga). Oleh karena itu, operasi ini disebut
sebagai operasi global, yang secara konseptual berbeda dengan operasi lokal
atau operasi fokal (ketetanggaan) melalui teknik pemfilteran. Pada kebanyakan
perangkat lunak pengolah citra untuk keperluan publishing, biasanya citra
ditampilkan sudah dalam keadaan terentang dengan menggunakan nilai default 1%
atau 2%. Nilai default ini pun biasanya dapat diubah sesuai dengan kebutuhan
analis.
Gambar 6.3 Atas : Citra
asli Landsat Thematic Mapper wilayah Semarang saluran 3 (merah); bawah : citra
dipertajam melalui teknik perentangan kontras secara linier dengan cut-off dan saturation 1%.
6.1.2
Ekualisasi Histogram
Teknik penajaman kontras yang telah diuraikan diatas
adalah suatu teknik penajaman kontras linier. Selain linear stretching ini, ada lagi teknik penajaman dengan cara
ekualisasi histogram ini dapat dibagi menjadi tiga tahap. Pertama, dilakukan
penghitung
an untuk menurunkan histogram citra yang akan dipertajam. Kedua, si
operator kemudian menentukan jumlah kelas kecerahan yang baru (misalnya 32).
Data BV seluruh cutra nantinya akan didistribusikan kembali ke masing-masing
kelas tersebut. Ketiga, program akan menghitung dan menandai piksel demi
piksel, untuk kemudian mengelompokan mereka masing-masing dalam jumlah yang
kurang lebih sama ke tiap kelas kecerahan yang tersedia. Setelah itu, dengan
sendirinya citra baru (atau tampilan pada layar) segera dihasilkan.
Ekualisasi histogram menghasilkan citra dengan kontras maksimum bila
pengambilan julat nilai kecerahannya tepat seperti halnya pada perentangan
kontras linier. Pengambilan ini dikatakan tepat bila julat nilai tersebut
mewakili populasi terbanyak dalam histogram (misalnya pada ‘bukit’ kurva
utamanya).
Tabel 6.1 Statistik
untuk citra hipotetik 64 kolom x 64 baris (4096 piksel) dengan julat BV 0-7 (8
bit).
Nilai Kecerahan
|
Frekuensi
|
0
|
790
|
1
|
1023
|
2
|
850
|
3
|
656
|
4
|
329
|
5
|
245
|
6
|
122
|
7
|
81
|
Berikut ini uraian singkat yang diambil dari Jensen
(2005, yang juga merupakan modifikasi atas contoh yang dibuat oleh Gonzalez dan
Wintz, 1977). Misalkan terdapat suatu citra hipotetik yang terdiri atas 64
kolom x 64 baris (total = 4096 piksel) dengan julat nilai 0-7 (BV,=8).
Histogram dan distribusi frekuensinya dapat dilihat pada gambar 6.4a dan tabel
6.1. disana terlihat bahwa piksel dengan nilai 0 berjumlah 790 (fBV0
= 790), kemudian fBV1 = 1023, dan seterusnya. Probabilitas
kemunculan tiap nilai kecerahan pBvi pun dapat dihitung dengan cara
membagi tiap frekuensi BVi dengan jumlah piksel total (n=4096).
Rinciannya dapat dilihat pada Tabel 6.1.
Setelah itu, dibuat histogram yang menyatakan distribusi
frekuensi nisbah nilai kecerahan BVi terhadap BV maksimum (dari
0,1/7, 2/7, 3/7, .., 1) pada gambar 6.4b. histogram ini kemudian ditransformasi
menjadi histogram kumulatif pada gambar 6.4c. berdasarkan histogram kumulatif
ini, fungsi transformasi probabilitas si dibuat, yang menyatakan
nilai kumulatif probabilitas tiap nisbah (rasio) kecerahan (lihat gambar 6.4d).
formulasinya adalah si = pi, i = 0, 1,2,3,..
Tahap terakhir adalah pengelompokan kembali nilai
kecerahan berdasarkan nilai tertransformasi
si . contoh ini dimulai dari nilai s0 = 0.19 ,
yang lebih dekat ke nilai penisbahan 0.14 (hasil transformasi BV1)
sehingga seluruh piksel bernilai 0 ditransformasi bernilai 1. Beralih ke nilai
si = p0+pi = 0.19+0.25 =0.44. Nilai ini lebih dekat ke nilai penisbahan 3/7
(=0.43), yang dimiliki oleh BV3 sehingga seluruh piksel bernilai 1
ditransformasi menjadi bernilai 3. Begitu seterusnya hingga diperoleh nilai
baru 5 untuk piksel asli bernilai 2, dan nilai baru 6 untuk nilai asli 3 dan 4,
serta nilai baru 7 untuk nilai asli 5,6 dan 7. Nyata bahwa nilai kecerahan asli
0,2, dan 4 tak dipresentasikan lagi. Hasilnya adalah citra baru kekontrasannya
lebih optimal.
Penajaman kontras merupakan teknik manipulasi dasar dalam
studi pengindraan jauh. Hampir semua operasi ekstraksi informasi membutuhkan
bantuan teknik ini, sejauh hasil proses tersebut digunakan sebagai materi utama
pemilihan sampel (misalnya dalam penyusunan komposit yang baik untuk
klasifikasi multispektral), delineasi satuan-satuan pemetaan pada hasil cetak (hard copy), dan sebagainya. Penajaman kontras
atas citra saluran-saluran asli tidak pernah direkomendasikan, apabila
saluran-saluran tersebut akan digunakan sebagai masukan dalam proses
klasifikasi.
Multispektral, penisbahan saluran (band
rationing), transformasi indeks vegetasi, ataupun transformasi lain seperti
halnya principal component analisis (PCA) ataupun transformasi tasseled-cap
dari kauth dan thomas.
Dalam penajaman citra yang membutuhkan
informasi mengenai variasi penutup/penggunaan lahan pada suatu citra, teknik
perentangan kontras lebih disukai karena mampu menghasilkan kenampakan gradual
nilai-nilai pixel yang berdekatan. Apabila teknik ini diterapkan pada
saluran-saluran tampak, maka akan jelas terlihat variasi jenis penutup lahan
termasuk didalamnya perbedaan kerapatan vegetasi pada lahan-lahan pertanian.
Begitu pula halnya dengan kenampakan tubuh air dengan gradiasi kekeruhannya,
yang mengindikasikan besarnya muatan tersuspensi.
Apabila kenampakan blok antar objek
lebih dibutuhkan, misalnya pengenalan zona-zona permukiman dengan pemisah
berupa jaringan jalan yang ingin dipertegas, maka teknik ekualisasi histogram
pada umumnya lebih eksprisif. Penggunaan teknik ini untuk mempertegas perbedaan
antara tubuh air dan vegetasi pada saluran inframerah dekat (XS3 SPOT DAN TM4
Landsat) lebih di anjurkan. Lebih dari itu, kadang-kadang diperlikan juga suatu
kombinasi teknik penajaman kontras dengan teknik pemfilteran, karena citra
hasil pemfilteran pada umumnya kurang mampu menyajikan kekontrasan secara
tepat.
Perlu ditegaskan disini bahwa penajaman
kontras tetap tidak mampu menekan pengarug/gangguan atmoefer,, khususnya
apabila gangguan tersebut terjadi secara tiadak merata. Liputan citra yang
sacear parsial tergantung oleh kabut tipis akan lebih efektif dikoreksi degan
model transfer atau meleui kalibrasi garis impiris, seperti yang telah
diuraikan pada bab5. Penajaman kontras terhadap citra semacam ini justru akan
mempertajam kenampakan gangguan atmosfernya.
6.3 PENAJAMAN
SPASIAL MELAUI FUSI CITRA MULTIRESOLUSI
Dalam seperempat abad terakhir banyak
sistem pencitraan telah menghasilkan citra multispektral dan citra pankronatik.
Secara umum dapat dikatakan bahwa suatu sistem sensor yang mampu menghasilkan
citra multispektral denngan resolusi spasial tertentu akan memberikan citra
Pankromatik dengan resolusi spasial
yang lebih tinggi. Hal ini wajar, mengingat dengan menggunakan lebar spektrum
yang lebih besar, sensor dan detektor dapat mengumpulkan energi dengan nisbah
sinyal terhadap derau yang lebih besar untuk luasan area yang lebih sempit.
Oleh karena itu, apabila suatu sensor dengan saluran spektral berjulat spektrum
relatif sempit memerlukan area seluas 20x20 m kuadrat, maka dengan saluran
spektral pankromatik (0,51-073 um) hanya memerlukan area area yang lebih sempit,
misalnya seluas 10x10 m kuadrat atau kurang untuk mengumpulkan energi yang
kemudian dikonversi ke nilai kecerahan pixel.
SPOT 1-3 merupakan salah satu sistem
satelit pertama yang mampu menghasilkan citra multispektral (resolusi spasial
20 m) dan pankromatik (15 m). SPOT 5, ikonos, quickbird, orbview, geoeye
merupak contoh satelit yang menghasilkan citra multispektral dan pankromatik
yang jauh lebih tinggi, yaitu 2,5 hingga 0,5 m.
Ide pengubahan citra multispektral dan
pankromatik kemudian muncul yang kemudian disebut resolusi pan-sharpened colour
composite, alasannya miskipun mempunyai resolusi spasial lebih tinggi, citra
pankromatik pada umumnya kurang menarik untuk dimamfaatkan secara mandiri
karena tidak ada unsur warna dalam visualisasinya. Oleh karena itu, suatu
metode yang dapat mengombinasikan keunggulan multispektral dalam aspek warna,
dengan keunggulan citra pankromatik dalam aspek kerincian spasialnya karena
resolusi spasial yang lebih tinggi dikembangkan. Panggambungan ini menghasilkan
citra multispektral yang tetap berwarna-warni dan dipertajam secara spasial
oleh citra pankromatik.
Ada beberapa macam metode penggambungan
citra multispektral dan pankromatik, namun semuanya sebenarnya bertumpu pada
metode berbasis aljabar citra, yang menyaratkan ko-registrasi spasial pada
semua citra masukan. Pada awalnya metode penggabungan ini hanya diterepkan pada
citra multispektral yang terdiri dari 3 saluran, untuk dipadukan dengan 1 citra
pankromatik (short, 1982).
6.3.1 METODE
PERKALIAN (Multiplikatif)
Metode perkalian (multiplikatif) merupakan metode paling sederhana. Melalu metode
ini, setiap citra saluran multispektral dikalikan dengan citra saluran pankromatik. Perkalian ini melibatkan
proses aljabar peta yang mensyaratkan ko-registrasi, dimana citra multispektral
secara otomatis di resample sehingga menghasilkan citra baru yang merupakan
kombinasi citra masing-masing saluran multispektral dengan pankromatik. Yang
julat nilai pixelnya diskalakan menjadi ke 0-225. Penyusunan citra komposit
dilakukan dengan menggunakan masukan setiap saluran spektral baru, yang telah
terkombinasi dengan citra pankromatik.
Kelemahan utama metode multiplikatif
adalah ketidakmampuan untuk mempertahankan untuk mempertahankan aspek
radiaometri multispektral. Miskipun demikian, banyak kasus dalam menggunakan
metode ini masih mampu menonjolkan kenampakan yang terkait dengan fenomena
kekotaan. Karena adanya peningkatan intensitas sebagai hasil dari operasi lain.
6.3.2 METODE
TRANSFORMASI BROVEY
Merupakan metode yang paling populer untuk
memedukan dua macam citra yang berbeda resolusi spasial. Transformasi brovey
mengubah nilai spektral asli pada setiap saluran multi spektral, katakanlah
berkode saluran merah (M), hijau (H), biru (B). menjadi saluran-saluran baru
(MP, BP,HP) yang masing-masing telah diperinci secara spasial oleh citra
pankromatik dan di normalisasikan nilai kecerahannya dengan mempertimbangkannya
nilai-nilai pada saluran lainnya. Rumusnya adalah sebagai berikut (short 1982,
vrabel 1996).
Melalui metode ini secara otomatis
ketiga saluran spektral M,H dan B akan di resample ke ukuran pixel saluran P,
baik menggunakan nearest neighbour, bi-linear, ataupun cubic convolution.
6.3.3 METODE
GRAN-SCHIDT
Metode ini digunakan oleh perangkat
lunak ENVI, tetapi juga digunakan oleh perangkat lunak IDRISI dengan nama lain,
yaitu transformasi regresi lokal. Liu dan mason (2009) menamakannyamodulisasi
intensitas berbasis filter penghalusan, serta menjadi dasar bagi penjelasan
berikut ini. Dengan demikian, istilah gram-schmidt, tranformasi regresi lokal
dan SFIM sebenarnya mengacu ke metode yang sama, yang bertumpu pada hasil
penelitian price (1999).
Metode SFIM dikembangkan berdasarkan
alasn bahwa fusi citra multi resolusi, misalnya transformasi HIS dan brovey,
dapat menyebabkan distorsi warna apabila julat spektral dari citra pengganti
intensitas yang biasanya diwakili oleh citra penkromatik beresolusi tinggi,
berbeda dari ketiga saluran multispektral yang akan diperbaiki tampilan
spasialnya. Masalah semacam ini akan semakin menonjol ketika kedua macam tidak
diperoleh pada tanggal yang sama. Tampilan yang sangat mengganggu ini biasanya
muncul pada wilayah bervegetasi karena adanya perbedaan masa tanam di wilayah
pertanian.
Secara garis besar, penajaman spektral
SFIM melibatkan empat langkah berikut. Pertama,, melakukan simulasi saluran
pankromatik resolusi tinggi berdasarkan saluran multispektral dengan resolusi
spasial lebih rendah, transformasi gram-schmidt diterapkan pada saluran
pankromatik hasil simulasi dan saluran multispektral, dimana saluran
pankromatik hasil simulasi siperlakukan sebagai saluran pertama. Ketiga,
saluran pankromatik resolusi tinggi yang asli kemudian digantikan oleh saluran
gram-schmidt hasil simulasi. Ke empat, transformasi gram schmidt dabalik untuk
diterapkan, membentuk saluran-saluran multispektral yang dipertajam dengan
saluran pankromatik.
Model SFIM atau gram schmidt dilandasi
oleh model radiasi matahari. Mengacu ke penjelasan liu dan mason (2009), nilai
pixel suatu citra optik yang diambil di siang hari ditentukan oleh dua faktor,
yaitu radiasi sinar matahari yang mengenai permukaan bumi, yaitu irradiansi,
dan pantulan dari permukaan bumi.
Apabila BV mewakili nilai pixel citra
rendah berolusi lebih rendah dan mewakili nilai pixel citra berolusi lebih
tinggi. Maka ko-regrestrasi citra resolusi rendah mengacu ke citra resolusi
tinggi akan menyebabkan setiap pixel pada citra resolusi rendah harus
diperbesar sekian kali, sesuai dengan rasio antar kedua macam resolusi.
Misalnya, resolusi rendah adalah 20 m dan resolusi tinggi adalah 10 m maka
rasio kedua adalah 20:10=2 (artinya setiap satu pixel resolusi rendah memuat
2x2=4 pixel resolusi tinggi).
Dalam model SFIM diperlukan simulasi
citra resolusi tinggi dengan niali pixel BV yang digunakan nilai rerata pada ke
empat nilai pixel asli BV. Satu nilai baru yang menggantikan ke empat nilai
pixel resolusi rendah ini diperlu didefinisikan dengan menggunakan prisip
rerata lokal yang memperhatikan ke empat pixel resolusi tinggi yang menyusun
satu pixel resolusi rendah.
Nilai pixel pada citra SFIM didefinisikan sebagai;
Dari perspektif model radiasi
mataharii, irradiansi yang mengenai permukaan bumi dikontrol oleh topografi.
Apabila dua macam citra dikuantifikasikan pada satu resolusi spasial, karena
keduanya bervariasi sebagai efek dari kontrlo topografi yang serupa.
Selanjutnya p rendah= p tinggi apabila tiadak ada variasi spektral signifikan
pada pixel-pixel pengyusun BV. Dengan demikian dalam persamaan
E rendah dan E rendah akan saling meniadakan, sementara p
rendah dan p tinggi juga saling meniadakan. E tinggi dapat digantikan oleh E
tinggi akhir, rumus diatas bisa digantikan oleh rumus yang lebih sederhana
sebagai berikut;
Dimana citra resolusi rendah adalah
saluran tertentu beresolusi lebih rendah yang di registrasikan keseluruh dengan
resolusi spasial lebih tinggi. Citra rerata lokal adalah saluran baru yang
diperoleh degan cara menerapkan pemfilteran rerata=nilai rasio antara resolusi
tinggi terhadap resolusi rendah, misalnya 20 m terhadap 10 m memberikan rasio
2, dan ukuran filter menjadi 2x2. Cara menerapkan pemfilteran bisa dibaca di
sub bab 6.4.
Dimana tiga saluran rendah adalah
saluran tertentu beresolusi yang akan diberi merah, hijau dan biru melalui fusi
dengan saluran pankromatik, maka rumus di atas menjadi;
Miskipun liu dan mason (2009)
menegaskan bahwa model SFIM inimampu mempertahankan aspek spektral dalam fusi
citra multiresolusi, ada juga kelemahannya yang sangat dipengaruhi oleh akurasi
geometri. Kelemahan ini muncul ketika citra multispektral resolusi rendah tidak
teregistrasi atau terkoreksi geometri dengan baik, mengacu ke citra berresolusi
lebih tinggi, maka pergeseran posisi ini akan muncul dalam bentuk gangguan
warna.
6.3.4 METODE
PRINCIPAL COMPONENT
Metode penajaman spasial melaui fusi
citra multispektral dengan citra pankromatik juga dapat dilakukan dengan metode
principical component analisis (PCA). PCA merupakan suatu analisis data
multispektral dengan jumlah saluran relatif banyak, untuk menghasilkan citra baru
dengan jumlah saluran yang lebih sedikit, kandungan informasi yang dimilikinya
mewakili sebagian besar infoermasi dari citra saluran-saluran asli. Saluran
baru berupa citra PCI hasil transformasi PCA citra lansat ETM+ misalnya, bisa
memuat hingga 83% dari total informasi ke enam saluran. PC2 bisa mencapai
hingga 14 %, dan presentase ini akan semakin sedikit pada PC-PC berikutnya.
Pembahasan lebih lanjut untuk PCA bisa dibaca pada bab 7 dan sub bab 7.5.
Penggunaan teknik PCA untuk fusi dua
macam citra berbeda resolusi spasial dan spektral, mengikuti langkah-langkah
berikut. Pertama, citra multi spektral ditransformasi dengan PCA sehingga
menghasilkan citra baru dengan nama PC1,PC2,PC3 dan seterusnya. Berangkat dari
asumsi bahwa citra PG1 mewakili sebagian
besar informasi pada saluran multispektral asli dan bahwa PC1 tersebut hanya
mengandung iluminasi scene total, sementara variasi antar saluran di kandung
oleh PC-PC yang lain (welch dan ehlers, 1987; bretschneirder dan kao, 2000).
 | |||
| Gambar 66. Contoh tampilan di perangkat lunak ERDAS Imagine yang menyediakan menu penajaman spasial melalui fusi data multiresolusi |
6.3.5. METODE
NORMALISASI WARNA ( CN )
Penajaman spektral dengan metode
normalisasi warna (Colour Sharpening atau
Colour Normalization,CN ) sebenarnya merupakan perluasan dari metode
Brovey. Perluasan ini terletak pada kemampuannya melibatkan lebih dari tiga
saluran. Jadi dengan kata lain, CN mampu mentransformasi &mempertajam saluran multispektral dengan jumlah berapa
pun untuk di padukan dengan citra pangkromatik dengan resolusi spasial yang
lebih tingggi. Algoritma yang ada pada CN mampu mempertahankan tipe data pada
citra masukan beserta julat spektralnya. CN juga dapat diterapkan pada citra
hiperspektral untuk di pertajam dengan citra multispektral beresolusi spasial
lebih tinggi.
Penajaman spektral dengan metode CN
juga di sebut energy subdivision
transform karena menggunakan penajaman spasial citra multispektral
berdasarkan citra dengan resolusi spasial tinggi namun sekaligus memiliki resolusi spektral rendah .
julat spektral citra resolusi spektral
rendah ( lebar) yang di gunakan harus mencakup seluruh julat spektral saluran –
saluran citra spasial rendah yang akan di pertajam secara spasial. Apabila
terdapat saluran – saluran spektral di luar julat minimum – maksimum citra
resolusi spasial tinggi maka saluran akan tetap tak berubah ( tak di pertajam
). Julat spektral citra yang digunakan untuk mempertajam di definisikan dengan
pusat panjang gelombang dan nilai
minimum setengah lebar spektral penuh. Data semacam ini di asumsikan sudah ada
di header citranya & masing – masing citra masukan sudah di
definisikan lebar spektral maupun pusat nilai panjang gelombangnya.
Dalam proses
spasial melalui CN ini , semua saluran
masukan di kelompokan ke dalam segmen – segmen spektral yang didefinisikan oleh
julat spektral beresolusi tinggi dan hasilnya di normalisasi yaitu di bagi
dengan jumlah total citra masukan yang termasuk dalam segmen.
Rumus CN adalah sebagai berikut ( Liu and Mason , 2009 )
:
6.4.
PEMFILTERAN SPASIAL
Pemfilteran ( spatial filtering ) sebenarnya merupakan
kelompok operasi tersendiri dan bukan hanya penajaman, Swain & Davis
(1978) memberikan batasan filter sebagai
mekanisme yang dapat mengubah sinyal – sinyal optis,elektronis ataupun digital,
sesuai dengan kriteria tertentu lebih lanjut, keduanya menyatakan bahwa
pemfilteran adalah suatu cara untuk ekstrasi bagian data tertentu dari suatu
himpunan data , dengan menghilangkan bagian – bagian data yang tidak di
inginkan .
Perlu ditegaskan bahwa pengertian
filter dalam pengolahancitra berbeda dengan pengertian filter dalam fotografi.
Persaman mendasar keduanya hanya terletak pada
kemampuan untuk ‘menyaring’ atau menapis informasi sehingga menghasilkan
informasi selektif yang tak dapat di lihat pada kondisi biasa. Filter
fotografi yang lebih dikenal sebagai
filter optis mampu menapis beberapa spektrum panjang gelombang dan juga
melanjutkan spektrum tertentu. Filter dalam pengolahan citra ( secara khusus di
sebut filter digital) dirancang untuk
‘menyaring’ infor-masi spektral sehingga menghasilkan citra baru yang mempunyai
variasi nilai spektral yang berbeda dari citra asli.
6.4. 1 FILTER
KONVOLUSI DENGAN JENDELA BERGERAK
Berbeda halnya
dengan teknik penajaman kontras , operasi pemfilteran diterapkan dengan
mempertimbangkan nilai piksel yang bertetangga. Oleh karena itu , teknik
pemfilteran lebih sering di sebut sebagai operasi lokal (local operation), sedangkan teknik penajaman yang lain di sebut
operasi titik (point operation)
(Galtier, 1989). Operasi lokal ini dapat dilakukan dengan menerapkan alogaritma
moving window ,Jendela yang dimaksud
disini adalah matriks, biasanya 3 x 3
atau 5 x 5 , 7 x 7 dan seterusnya, yang dioperasikan terhadap matriks total ( i
baris x j kolom citra ), melaui algoritma tertentu sehingga menghasilkan nilai
baru pada posisi nilai piksel pusat. Nilai baru ini
menggantikan nilai lama . setelah itu , jendela di geser lagi ke posisi
berikutnya ( ke kanan ) sampai satu baris selesai , dan di lanjutkan lagi ke
baris selanjutnya sampai seluruh citra selesai di hitung. Tiap jendela matriks mempunyai nilai atau bobot sendiri ,
begitu pula algoritmanya, khususnya untuk jendela yang berbentuk 3 x 1 ataupun
2 x 2. Dalam paket program pengolahan citra, penyusunya jendela matriks ini
dapat sangat interaktif sehingga pengguna dapat mengisikan nilai sesuai dengan
keinginan ke dalam tiap sel matriks tersebut.
Terdapat bermacam macam filter
digital , tetapi dalam konteks penajaman citra terdapat dua macam filter utama
, yaitu filter high–pass dan fiter low-pass, Keduanya menghasilkan efek
yang berlawanan. Fiter high-pass
menghasilkan citra dengan variasi nilai kecerahan yang besar dari piksel ke
piksel , sedangkan fiter low-pass justru berfungsi sebaliknya. Di samping itu, masih lagi kategori filter lain , yang
tidak akan di uraikan disini secara panjang lebar.
Untuk membahas filter, terlebih dahulu kita ketahui
pengertian frekuensi nilai keceraha. Bila kita membuat penampang melintang
diatas sebuah citra digital, kita akan memperoleh informasi nilai kecerahan
(BV) dari suatu piksel ke piksel berikutnya . semvkin besar variasi nilai dari
suatun piksel ke piksel selanjutnya , di katakan semakin tinggi frekuensinya (
lihat gambar 6.8 dan 6.9).
Penggunaan filter high-pass
ialah untuk menaikan frekuensi ini sehingga batas satu bentuk dengan bentuk
lain menjadi semakin tajam. Penggunaan filter low-pass adalah untuk menghasilkan efek kebalikannya : batas suatu
bentuk ke bentuk lain menjadi kabur sehingga terkesan gradasi yang halus.
Gradasi yang halus inilah yang di sebut dengan frekuensi rendah.
1.
Penggunan Gain dan Offset
Pada setiap matriks filter terdapat
koefisien Ci yang dapat di ubah –
ubah oleh operator. Bagaimana kita bisa membedakan suatu filter bersifat high-pass dan yang lain bersifat low-pass ? ada beberapa cara untuk
melakukan hal tersebut, namun berikut ini hanya di jelaskan salah satu cara
yang paling sederana , yaitu pengunaan gain
dan offset. Berikut ini di berikan
Contoh salah satu matriks
filterberukuran 3 x 3 dengan koefisien matriks Ci untuk i = 1,2,3....9,
Besarnya gain didefinisikan
sebagai :
dan untuk mengindari nilai tak terhingga karena penyebut bernilai 0 maka
program biasanya mengatur apabila jumlah total seluruh koefisien dalam matriks
bernilai 0,nilai gain diatur menjadi
1.
Matriks ini di gunakan untuk mengubah nilai piksel pada citra, tepat yang
berimpit dengan Cs melalui perkalian
nilai gain dengan jumlah dari hasil
kali setiap nilai koefisien filter Ci dengan
nilai piksel BV pada posisi yang sama pada citra :
Dimana BVpusat_baru adalah BV5 ( pada
posisi kelima dalam kernel 3 x 3 ) atau
BV13
(pada posisi
ketiga belas dalvm kernel 5 x 5). Besarnya Offset
bervariasi antara 0-255, yang gunanya ialah untuk ’ menggeser’ nilai kecerahan
citra menjadi lebih tinggi. Offset akan
sangat bermanfaat apabila hasil kali gain dengan jumlah perkalian setiap
koefisien dengan nilai piksel pada citra bernilai negatif atau sangat rendah
sehingga tampak gelap pada layar monitor.
Berdasarkan
formulasi ini , pemberian nilai
koefisien yang berbeda- beda akan memberikan efek spasial yang berbeda
pula. Misalnya, apabila semua keofisien bernilai + 1 maka akan dihasilkan efek
spasial yanb berbeda jika c5 diberi nilai 9 dan koefisien sisanya di beri -1.
2.
Filter Low-pass
Filter ini paling sering di gunakan untuk memperhalus
kenampakan citra.
Biasanya berbentuk jendela matriks 3 x 3 ataupun 5 x 5 yang
tiap selnya berisi nilai integer dengan perbedaan nilai yang tidak terlalu
besar.
Moving average filter atau mean fiter menghasilkan
kenampakan halus, dimana nilai piksel yang barumerupakan rerata dari hasil kvli
tiap elemen matriks dengan nilai piksel yang dimaksud.
Bila mean filter ini dioperasikan terhadap
citra asli-hipotetik seperti diatas maka filter ini akan mulai dari susunan
piksel pojok kiri atas ( lihat gambar ). Apabila nilai offset diberi 0 maka nilai 13 sebagai nilai asli akan
tertransformasi kembali menjadi :
Nilai 28 ini
adalah nilai rerata dari sembilan piksel yang bertetangga, setelah ‘menyelesaikan’
jendela ini, matriks bergeser ke jendela berikutnya, yaitu.
13 12 20 .
. . .
13 10 9 .
. . .
50 50 51.
. . .
Bila diperhatikan terdapat dua gejala yang penting hasil
pemfilteran dengan filter low pass ini. Gejala pertama ialah terjadinya
penghalusan (smoothing) gradasi nilai dari satu piksel ke piksel yang lain
sehingga perubahan nilai yang mencolok dapat ditekan dengan memberikan nilai
baru yang merupakan rerata dari niali-nilai piksel tetangga. Gejala kedua yaitu
pada hasil pemfilteran terjadi penyusutan ukuran asli citra, dari m kolom x n baris
menjadi m-2 kolom x n-2 baris untuk filter berukuran 3x3; m-4 kolom x n-4 baris
, untuk 5x5; dan seterusnya. Untuk menghindari penyusutan ukuran citra yang
terfilter; biasanya pada program pemfilteran ditambahkan suatu algoritma
penyalinan baris-baris kedua dari atas dan kedua dari bawah untuk mengganti
baris –baris yang hilang, yaitu baris teratas dan terbawah. Hal yang sama
diterapkan pada kolom-kolom yang hilang sehingga ukuran citra terfilter menjadi
sama dengan ukuran citra asli.
Karena efeknya yang menghaluskan citra, algoritma
pemfilteran ini disebut juga sebagai algoritma smoothing(penghalusan).
Algoritma smoothing yang lain ialah menggunakan filter semacam ini:
3. FILTER
HIGH-PASS
Filter high-pass biasa digunakan untuk menonjolkan perbedaan antara objek
ataupun perbedaan nilai, kondisi ataupun sifat antar objek yang diwakili oleh
nilai piksel. Perbedaan ini dapat ditonjolkan melalui teknik penajaman
tepi(edge enhancement) dan juga penonjolan kenampakan linear. Penajaman tepi
sangat baik untuk menyajikan kenampakan objek yang sangat bervariasi pada citra
sehingga satu sama lain dapat dibedakan degan mudah. Filter-highpass juga
diterapkan dalam penyajian efek bayangan (shadow effect) sehingga mempermudah
analisis fisiografik. Filter high pass meliputi berbagai operasi lokal yang
mempertajam kesan. Namun dapat dikelompokan menjadi tiga. Perhatikan pembahasan
berikut.
4. FILTER
DENGAN METODE SUBTRAKSI
Prosedur penurunan citra baru melalui filter high pass
pengurangan (subtraksi) ini dapat dibagi menjadi dua langkah. Pertama
penghitungan nilai baru dengan menggunakan algoritma moving average berdasarkan
definisi matriks filternya. Kedua citra high pass diperoleh dari pengurangan
citra asli dengan citra moving average nya (shresta,1991).
5.FILTER GRADIEN
Pada tipe filter gradien ,perbedaan intensitas atau nilai kecerahan dapat
dihitung pada arah sumbu x dan y . perbedaan ke arah x dapat di hitung sebagai
berikut:
Pemfilteran ini dapat pula diterapkan untuk pembuatan model tiga dimensi
dengan DTM . berbeda dengan filter-filter yang telah diuraikan terdahulu,
filter arah (directional filter) ini di terapkan pada data digital hasil
interpolasi kuntur. Citra kontur hasil intelpolasi garis-garis isoline
dipandang sebagai citra intensitas dan difilter sehingga menghasilkan dua citra
turunan (derivat) yaitu citra arah x dan citra arah y.
Namun disamping
kearah sumbu x dan y , penajaman pun dapat diagonal melalui filter berikut:
6. FILTER LAPALCE
Filter lapalce merupakan filter yang di dasari oleh
derivatif kedua drivatif pertama memberikan gradien , sedangkan memberikan
gradien , sedangkan derivatif kedua
menghasilkan laju perubahan gradien.
Hasil berupa nilai positif menujukan penambahan laju perubahan dan
hasil nilai negatif menunjukan pengurangan laju perubahan. Nilai 0 menunjukan
sifat konstan. Bila diterapkan pada citra. Filter lapalce ini secara langsung
akan menunjukan efek yang cenderung diperhalus (smoothed). Sedangkan bila hasil
tersebut dijadikan pengurangan , efek yang dihasilkan adalah penajaman tepi
(shresta 1991).
6.4.2 FILTER MAYORITAS
Filter mayoritas pada dasarnya bukan suatu algoritma
penajaman dan tidak memberikan efek peningkatan ketajaman seperti halnya high
pass filter ini digunakan untuk memperbaiki hasil klasifikasi multispektral
melalui teknik pemfiltran mayoritas. Piksel-piksel terasing dapat di hilangkan
filter mayoritas dirancang berdasarkan suatu asumsi bahwa fenomena geografis
bersifat keruangan.
6.4.3 FILTER
TEKSTUR
Penggunaan metode jendela bergerak juga dapat diterapkan
untuk mengubah informasi pada suatu citra sehingga menonjolkan kenampakan
teksturnya . tekstur adalah frekuensi perubahan rona dalam ruang pada tingkat
resolusi terkecil yang dapat di amati secara visual. Pada suatu area tertentu ,
suatu kenampakan dapat dikatakan bertekstur halus kalau laju perubahan rrona
yang ada relatif kecil. Sebaliknya tekstur dikatakan kasar apabila laju
perubahan rona dalam ruang observasi juga besar serta bersifat tidak gradual.
Apabila cara berpikir
diterpakan pada citra pengindraan jauh maka bisa dikatakan bahwa semakin
homogen nilai pikselnya, atau semakin halus pula teksturnya. Begitu pula
sebaliknya. Penilaina kuantitatif tekstur dengan demikian dapat dilakukan
dengan memperhatikan piksel-piksel yang bertetangga pada suatu ukuran area
observasi tertentu.
Mekanisme jendela bergerak pada filter tekstur pada
dasarnya sama dengan filter-filter lain. Perbedaanya terletak pada cara
komputasi piksel-piksel yang berdampingan dalam jendela tersebut. Mengingat
bahwa kenampakan tekstural berkaitan dengan frekuensi perubahan rona-rona
piksel-piksel tersebut dan frekuensi perubahan rona juga pada dasarnya terkait
dengan beberapa parameter statistik seperti misalnya simpangan baku,variansi dan
julat minimum –maksimum maka setiap kelompok piksel pada ukuran jendela
tertentu dapat dihitung parameternya statistiknya dan nilai hasil hasil
komputasi ini ditempatkan pada piksel pusat jendela.
Beberapa perangkat lunak seperti ENVI dan ERDAS imagine
menggunakan simpangan baku,rerata, variasi, julat minimum-mkasimum dan juga
entropi untuk menyatakan ukuran teksturnya, pada umumnya semakin kecil nilai
hasil komputasinya, semakin halus pula teksturnya. Melalui proses pemfilteran
sepaerti ini, kenampakan wilayah urban akan cenderung menunjukan nilai
tekstural yang lebih tinggi dibandingkan dengan wilayah rural. Khususnya
apabila citra beresolusi spasial sekitar 20-50 meter digunakan untuk analisis.
6.4.4 AGREGASI
TEKSTURAL
Cara komputasi statistik untuk menonjolkan aspek
tekstural tertentu dapat diadopsi melalui proses agregasi, yang memberikan efek
penurunan resolusi spasial. Danoedoro (2005) menerapkan agregasi tekstural
citra pankromatik quickbird dan landsat ETM+, yang masing-masing bresolusi
spasial 0,6m dan 15m menjadi citra baru beresolusi 2,4m dan 3m yang pada
dasarnya setara dengan citra multispektral untuk sensor yang sama. Prinsip
agregasi ini adalah mengelompokan piksel-piksel resolusi spasial tinggi kedalam
satu piksel beresolusi spasial.
 |
Gambar 6.14 Metode
agregasi tekstural yang memberikan efek penurunan resolusi spasial (Danoedoro,
2006)
|
Dengan cara ini, setiap 4x4 piksel resolusi 0,6m
dijadikan satu piksel baru beresolusi 2,4m, di mana nilai barunya bias
diperoleh dari perhitungan rerata, simpangan baku, ataupun variasi dari
kelompok piksel penyusunannya. Begitu pula halnya dengan setiap 2x2 piksel
citra pankromatik langsat ETM+ yang diturunkan resolusinya menjadi 30m, dengan
nilai piksel baru yang merepresentasikan parameter statistic tertentu.
Informasi tekstural semacam ini dapat dimanfaatkan untuk mengintegrasikan data
pankromatik berusolusi spasial tinggi dengan data multispectral sensor yang
sama dalam suatu klasifikasi multispectral sensor yang sama dalam suatu
klasifikasi multispectral.
6.5 APLIKASI
TEKNIK PEMFILTERAN DALAM STUDI PENGINDRAAN JAUH
Apabila utama teknik
pemfilteran dalam pengindraan jauh ialah untuk pengenalan pola(pattern recognition), khususnya pola
spasial objek. Banyak penelitian menggunakan teknik – teknik pemfilteran untuk
menonjolkan jenis –jenis batuan atau litologi tertentu. Melalui teknik
pemfilteran, variasi relief yang kurang jelas pada citra asli dapat ditonjolkan
sehingga topografi suatu bentuklahan tertentu dapat dibedakan dari yang lain
secara lebih baik. Penggunaan teknik shadow
filter dapat menonjolkan perbedaan topografi perbukitan karst dari
perbukitan batu pasir terkikis sedang karena efek simulasi bayangan yang
ditimbulkan mampu menonjolkan perbedaan bentuk kubah dan igir yang cenderung
membulat.
Penggunaan filter Laplace mampu menonjolkan kenampakan
kekar (joint) pada batuan dan juga
kelurusan (lineament) sehingga sangat
membantu dalam proses identifikasi batuan untuk pemetaan geologi atau
heomorfologi. Filter serupa juga dapat diterapkan untuk studi kekotaan dengan
menggunakan citra resolusi tinngi, misalnya SPO-5 pankromatik ataupun Quickbird
(0,6m – 2,4m), sehingga jaringan jalan dapat diperjelas; begitu pula blok –
blok bangunan yang bentuk, ukuran, pola, dan situasinya dapat membantu dalam
pengenalan kelas – kelas pemukiman kota.
Perpanduan teknik
pemfilteran,penajaman kontras dan penyusunan komposit yang tepat akan sangat
membantu dalam memperbaiki kualitas citra
yang akan diinterprestasi secara visual. Bila citra komposit hasil
perpaduan saluran – saluran asli yang telah difilter hendak digunakan sebagai
media pengambilan sampel, meksipun saluran – saluran asli tetap dipakai sebagai
masukan, diperlukan kehati – hatian dalam menilai variabilitas spectral objek
yang hendak diambil sebagai sampel. hal ini mudah dimengerti ,mengingat
kenampakan objek pada citra komposit tadi merupakan hasil perpaduan saluran
asli yang telah diubah variabilitas spektralnya.
 |
| Gambar 6.15 Perbandingan hasil pemfilteran. Atas: citra asli Langsat TM 5, bawah: dengan penghalusan (smoothing). |
Gambar 6.16 Perbandingan hasil pemfilteran untuk daerah
muara kali wulan, demak. Kiri atas, citra asli; kanan atas : hasil pemfilteran
dengan penajaman tepi (edge enhancement),
di mana pada kernel 3x3 bagian pusat bernilai 14 dan bagian tepi semua bernilai
-1. Kiri bawah, hasil pemfilteran median dengan ukuran kernel 5x5; kanan bawah
hasil pemfilteran dengan derivatif kedua (laplace),
dimana bagian pusat kernel 3x3 bernilai -4 dan seluruh tepinya bernilai +1.
Gambar 6.17 Citra elevasi
yang terbentuk melalui pembuatan model elevasi digital wilayah Gunung kidul,
Daerah Istimewa Yogyakarta. Citra ini merupakan hasil interpolasi kontur,
dimana setiap nilai piksel menunjukkan elevasi dalam meter dan tersaji pada
resolusi spasial 30 meter.
Penggunaan citra yang
telah terfilter, khususnya filter – filter high-pass
atau penajaman tepi-sebagian dasar pengambilan titik-titik control untuk
koreksi geometri juga perlu dipertimbangkan secara teliti. Filter – filter
tersebut di atas cenderung memanipulasi nilai piksel untuk menonjolkan kesan
visual yang lebih baik. Ada kalanya terjadi pergeseran posisi batas objek
sebagai konsekuensi perubahan nilai; misalnya pada penerapan filter Laplace.
Pergeseran sejauh satu hingga dua piksel ini, bagaimana pun juga, berpengaruh
terhadap akurasi posisi titik – titik control, yang sebenarnya berupa piksel –
piksel dengan koordinat tertentu.
Gambar 6.19 Hasil
pemfilteran shadow atau shaded relief
atas citra DEM pada Gambar 6.17. perhatikan bedanya pada kesan relief dan arah
bayangan, jika dibadingkan dengan pemfilteran arah x dan y pada Gambar 6.18
Banyak penelitian mencoba
menggabungkan saluran – saluran spectral yang telah difilter tekstur sebagai
tambahan terhadap data saluran asli, untuk meningkatkan akurasi hasil
klasifikasi multispectral. Penelitian Danoedoro (2003), Chen ea al (2004) dan puissant et al (2005), misalnya, menunjukkan
bahwa filter tekstur pada ukuran jendela 7x7 mampu meningkatkan akurasi hasil
klasifikasi, khusunya ketika pembedaan kategori
penutupan dan penggunaan lahan tidak terlalu diperhatikan dan atau
proses klasifikasi mencoba menggunakan metode penanaman sampel – sampel
spectral sebagai objek penggunaan lahan secara langsung.
Penelitian Danoedoro dan
Phinn (2005) selanjutnya menunjukkan bahwa penggunaan filter tekstur untuk
saluran – saluran asli justu dapat menurunkan tingkat akurasi hasil
klasifikasi, ketika acuan yang digunakan berupa skema klasifikasi penutup lahan
yang lebih berorientasi pada kelas – kelas spectral (bukan kategori – kategori
spasial. Penelitian ini menunjukkan bahwa skema klasifikasi berperan sangat
penting dalam metode dan proses penurunan informasi.
DAFTAR PUSTAKA
Danoedoro.P. 2012 Pengantar Penginderaan Jauh Digital. Yogyakarta: Andi
