[25 April 2025], Citra digital merupakan representasi visual dari suatu adegan atau objek dalam format diskrit, terdiri dari elemen-elemen terkecil yang disebut piksel (picture element). Setiap piksel memiliki nilai intensitas yang merepresentasikan atribut visual seperti kecerahan dan warna. Pengolahan citra digital (digital image processing) adalah disiplin ilmu yang berfokus pada pengembangan dan implementasi algoritma komputasi untuk memanipulasi dan menganalisis citra digital dengan tujuan tertentu. Disiplin ini melibatkan berbagai teknik untuk meningkatkan kualitas citra, merestorasi citra yang terdegradasi, melakukan segmentasi objek, mengekstraksi fitur-fitur deskriptif, dan mengklasifikasikan pola visual.

Definisi Pengolahan Citra Digital

Secara fundamental, pengolahan citra digital dapat didefinisikan sebagai aplikasi sistem komputer untuk memproses citra digital melalui algoritma. Proses ini bertujuan untuk:

• Peningkatan Citra (Image Enhancement): Memperbaiki kualitas visual citra agar lebih sesuai untuk interpretasi manusia atau analisis mesin. Contohnya meliputi penyesuaian kontras, perbaikan ketajaman, dan penghilangan derau (noise).

• Restorasi Citra (Image Restoration): Memulihkan citra yang mengalami degradasi akibat proses akuisisi atau transmisi yang tidak sempurna. Teknik ini berupaya untuk memodelkan proses degradasi dan menerapkan inversinya.

• Segmentasi Citra (Image Segmentation): Mempartisi citra menjadi beberapa wilayah atau segmen yang memiliki atribut serupa. Tujuan segmentasi adalah untuk mengisolasi objek atau wilayah yang menarik untuk analisis lebih lanjut.

• Ekstraksi Fitur (Feature Extraction): Mengidentifikasi dan mengukur karakteristik atau atribut penting dari objek dalam citra. Fitur-fitur ini kemudian dapat digunakan untuk tugas-tugas seperti pengenalan objek dan klasifikasi pola.

• Klasifikasi dan Pengenalan Pola (Classification and Pattern Recognition): Menggunakan fitur-fitur yang diekstrak untuk mengklasifikasikan objek atau pola yang terdapat dalam citra ke dalam kategori yang telah ditentukan.

Macam-Macam Pengolahan Citra Digital

Metode pengolahan citra digital dapat diklasifikasikan berdasarkan berbagai kriteria, di antaranya:

• Berdasarkan Tingkat Operasi:

  • Operasi Tingkat Piksel (Pixel-level Operations): Operasi di mana output nilai piksel hanya bergantung pada nilai piksel input pada posisi yang sama. Contohnya adalah penyesuaian kecerahan dan kontras.

  • Operasi Tingkat Lokal (Local Operations): Operasi di mana output nilai piksel bergantung pada nilai piksel input dalam suatu neighborhood (area tetangga) di sekitar piksel tersebut. Contohnya adalah filtering spasial untuk penghilangan derau dan penajaman tepi.

  • Operasi Tingkat Global (Global Operations): Operasi di mana output nilai piksel bergantung pada nilai semua piksel dalam citra input. Contohnya adalah transformasi Fourier dan histogram equalization.

• Berdasarkan Tujuan Operasi:

  • Peningkatan Kualitas Citra (Image Enhancement): Bertujuan untuk meningkatkan interpretabilitas citra oleh pengamat manusia.

  • Analisis Citra (Image Analysis): Bertujuan untuk mengekstrak informasi kuantitatif dari citra untuk analisis mesin.

  • Pemahaman Citra (Image Understanding): Tingkat yang lebih tinggi dari analisis, bertujuan untuk menginterpretasikan makna dari citra dan membangun representasi simbolik.

• Berdasarkan Domain Operasi:

  • Domain Spasial (Spatial Domain): Operasi dilakukan langsung pada piksel-piksel citra.

  • Domain Frekuensi (Frequency Domain): Citra ditransformasikan ke domain frekuensi (misalnya menggunakan Transformasi Fourier), operasi dilakukan pada koefisien frekuensi, dan kemudian citra ditransformasikan kembali ke domain spasial.

Cara-Cara Pengolahan Citra Digital

Implementasi pengolahan citra digital melibatkan serangkaian langkah yang umumnya meliputi:

1. Akuisisi Citra (Image Acquisition): Proses pengambilan atau perolehan citra digital menggunakan sensor yang sesuai (misalnya kamera digital, pemindai, sensor satelit).

2. Preprocessing: Tahap awal yang bertujuan untuk memperbaiki kualitas citra dan mempersiapkannya untuk tahap selanjutnya. Langkah-langkah umum dalam preprocessing meliputi penghilangan derau (noise reduction) menggunakan filtering (misalnya Gaussian filter, median filter), koreksi geometris, dan normalisasi intensitas.

3. Segmentasi Citra (Image Segmentation): Membagi citra menjadi wilayah-wilayah yang bermakna. Metode segmentasi dapat berbasis thresholding, deteksi tepi (edge detection), pertumbuhan wilayah (region growing), atau clustering (misalnya k-means).

4. Ekstraksi Fitur (Feature Extraction): Mengidentifikasi dan mengukur fitur-fitur relevan dari objek atau wilayah yang telah disegmentasi. Fitur dapat berupa statistik deskriptif (misalnya mean, variansi), tekstur (misalnya menggunakan matriks ko-okurensi tingkat keabuan), bentuk (misalnya area, perimeter, momen), atau fitur berbasis transformasi (misalnya Histogram of Oriented Gradients - HOG, Scale-Invariant Feature Transform - SIFT).

5. Klasifikasi dan Pengenalan (Classification and Recognition): Menggunakan fitur-fitur yang diekstrak untuk mengklasifikasikan objek atau pola ke dalam kategori yang telah ditentukan. Metode klasifikasi dapat berupa algoritma berbasis aturan (rule-based algorithms), metode statistik (misalnya Naive Bayes, Support Vector Machines - SVM), atau jaringan saraf tiruan (artificial neural networks - ANN), termasuk Convolutional Neural Networks (CNNs) untuk tugas-tugas pengenalan citra yang kompleks.

6. Interpretasi dan Representasi Hasil (Interpretation and Results Representation): Tahap akhir di mana hasil pengolahan citra diinterpretasikan dan direpresentasikan dalam format yang mudah dipahami (misalnya peta tematik, laporan statistik, visualisasi). 

Sumber :

• Raza, A., & Khushnood, R. A. (2022). Digital image processing for precise evaluation of concrete crack repair using bio-inspired strategies. Construction and Building Materials, 350, 128863.

• Richards, J. A., & Richards, J. A. (2022). Remote sensing digital image analysis (Vol. 5, pp. 256-258). Berlin/Heidelberg, Germany: springer.

• Xiao, F., Wang, H., Li, Y., Cao, Y., Lv, X., & Xu, G. (2023). Object Detection and Recognition Techniques Based on Digital Image Processing and Traditional Machine Learning for Fruit and Vegetable Harvesting Robots: An Overview and Review. Agronomy, 13(3), 639.