Tugas 4 Jurnal Baru "Inovasi dan Teknologi Baru"
Kompresi Citra Dengan Menggabungkan Metode Discrete Cosine
Transform dan Metode Huffman
Fitri Daruwati, Kharismawati
Jurusan Sistem Informasi Informasi, Universitas Gunadarma
Abstrak
Penggunaan
komputer yang semakin luas sehingga kebutuhan untuk penyimpanan data dan
transmisi dalam skala besar, kompresi data menjadi cara yang efisien untuk
menyimpan data. Dengan pertumbuhan teknologi dan masuknya Era Digital, dunia
telah menemukan dirinya di tengah sejumlah besar informasi. Kompresi
gambaradalah meminimal kanukuran dalam byte dari filegrafis tanpa
menurunkankualitas gambar ke tingkat yang dapat diterima. Pengurangan ukuran
file gambar yang lebih memungkinkan untuk disimpan dalam jumlah tertentu dalam
ruangdisk ataumemori. Hal ini jugamengurangiwaktu yang dibutuhkanuntuk
pengiriman gambar melalui internet atau download dari Webpages.JPEG dan
JPEG2000 adalah dua teknik penting yang digunakan untuk kompresi gambar.
Kompresigambar JPEG standar
menggunakanDCT (Discrete Cosine Transform). Discrete cosine transform adalah
transformasi cepat.Metode luas yang digunakan dan kuat untuk kompresi gambar.
Teknik ini memiliki tingkat kepadatan yang sangat baik untuk data.DCT sangat
berkorelasi memiliki gambar dasar tetap.DCT memberikan kompromi yang baik
antara kemampuan informasi pengepakan dan kompleksitas komputasi.
Pendahuluan
Sejak
ditemukannya alat untuk menangkap suatu gambar pada bidang dua dimensi (citra)
berupa kamera, dengan semakin berkembangnya teknologi pada saat ini sehingga
hal tersebut tidak hanya berfokus pada alat-alat yang digunakan untuk menangkap
citra tersebut [6]. Dengan menggunakan kamera digital, semua persyaratan untuk
penyimpanan, manipulasi dan transfer gambar digital dapat dilakukan, sehingga
teknologi yang dapat mengelola suatu citra yang telah ditangkap juga merupakan
hal yang sangat penting, karena citra yang telah ditangkap oleh kamera tersebut
tidak dapat dipastikan akan menghasilkan citra yang baik dan sesuai dengan
kebutuhan manusia [3]. Sebagian besar data citra terdiri dari data multimedia
dan mereka menempati sebagian besar dari bandwidth komunikasi untuk
mengembangkan komunikasi multimedia [3].
Masalah pada citra adalah besarnya ruang
penyimpanan yang diperlukan karena file-file gambar yang didapat sangatlah
besar dan dapat menempati banyak ruang dalam media penyimpanan. Selain itu,
data citra berukuran besar jika dikirim melalui jaringan akan membuat
pengiriman citra dari satu tempat ke tempat lain menjadi lambat [4]. Oleh
karena itu dibutuhkan teknik yang efisien untuk dapat melakukan kompresi citra
[3]. Kompresi citra digital merupakan upaya untuk melakukan transformasi
terhadap data atau simbol penyusunan citra digital menjadi data atau simbol
lain, tanpa menimbulkan perubahan yang terlihat signifikan atas citra digital
tersebut bagi mata manusia yang mengamatinya. Tujuannya adalah untuk mengurangi
redudansi dari data-data yang terdapat dalam citra sehingga dapat di simpulkan
atau ditransmisikan secara efisien. Pada teknik kompresi sendiri dibedakan
menjadi dua, yaitu lossless compression dan lossy compression [1].
―Lossless compression yaitu teknik yang memproses data asli menjadi bentuk
yang lebih ringkas tanpa hilangnya informasi, biasanya digunakan pada aplikasi
biomedis. Lossy compression yaitu teknik mendapatkan data yang lebih ringkas
dengan melalui suatu proses penghampiran (approksimasi) dari data asli dengan
tingkat error yang dapat diterima [1].
Dari permasalahan yang telah diuraikan tersebut diatas,
untuk menindaklanjuti permasalahan tersebut maka pada penelitian ini penulis
mengangkat judul ― Kompresi Citra Dengan Menggabungkan Metode Discrete
CosineTransform (DCT) Dan Algoritma Huffman dimana DCT adalah sebuah
skema lossy compression dimana NxN blok ditransformasikan dari domain
spasial ke domain DCT [2] begitu pula dengan Algoritma Huffman yang
sama-sama digunakan untuk membuat kompresi jenis lossy compression
Metode Penelitian
a. Kompresi citra menggunakan Discrete Cosine
Transform
JPEG
adalah metode kompressi lossy yang utama.JPEG dirancang khusus untuk membuang
informasi bahwa mata manusia tidak dapat dengan mudah melihat. Sedikit
perubahan dalam warna tidak dianggap baik oleh mata manusia, daripada
perubahan-perubahan kecil dalam intensitas (terang dan gelap). Oleh karena itu
encoding lossy JPEG cenderung menjadi lebih hemat dengan bagian skala abu-abu
gambar dan menjadi lebih dangkal dengan warna. DCT memisahkan gambar menjadi
bagian-bagian frekuensi yang berbeda dimana frekuensi kurang penting dibuang
melalui kuantisasi dan frekuensi penting digunakan untuk mengambil gambar
selama dekompresi. Dibandingkan dengan transform dependent yang lain, DCT
memiliki banyak keuntungan: (1) Telah diimplementasikan dalam sirkuit terpadu,
(2) Memiliki kemampuan untuk mempaket semua informasi dalam koefisien yang
paling sedikit, (3) Meminimalkan penampilan blok seperti yang disebut memblokir
artefak yang terjadi ketika batas antara sub-gambar menjadi terlihat.
Proses JPEG
1. Gambar
asli dibagi menjadi blok-blok 8 x 8.
2.
Nilai-nilai pixel dari berbagai gambar hitam dan putih adalah antara 0-255 tapi
DCT dirancang untuk bekerja pada nilai-nilai piksel mulai dari -128 sampai 127.
Oleh karena itu setiap blok dimodifikasi untuk bekerja dalam kisaran.
3. Persamaan
(1) digunakan untuk menghitung DCT matriks.
4. DCT
diterapkan untuk setiap blok dengan mengalikan blok dimodifikasi dengan DCT
matriks di sebelah kiri dan transpos dari matriks DCT di sebelah kanannya.
5. Setiap
blok kemudian dikompresi melalui kuantisasi. Matriks terkuantisasi kemudian
dikodekan entropi.
6.
Gambar yang terkompresi direkonstruksi melalui proses terbalik. Invers DCT
digunakan untuk dekompresi.
Kuantitasi
Kuantisasi
dicapai dengan memadatkan rentang nilai ke nilai kuantum tunggal. Ketika jumlah
simbol diskrit dalam urutan tertentu berkurang, urutan menjadi lebih padat.
Sebuah matriks kuantisasi digunakan dalam kombinasi dengan sebuah DCT koefisien
matriks untuk melaksanakan transformasi. Kuantisasi adalah langkah di mana
sebagian besar kompresi mengambil tempat.DCT tidak benar-benar mengkompresi
gambar karena hal ini hampir lossless. Kuantisasi memanfaatkan fakta bahwa
komponen frekuensi yang lebih tinggi kurang penting daripada komponen frekuensi
rendah. Hal ini memungkinkan berbagai tingkat kualitas kompresi gambar dan
seleksi dari matriks-matriks kuantisasi tertentu.Dengan demikian tingkat
kualitas dari 1 sampai100 dapat dipilih, di mana memberikan kualitas gambar
terenda dan kompresi tertinggi, sementara 100 memberikan kualitas terbaik dan
kompresi terendah. Sebagai hasil rasio kualitas kompresi bisa dipilih untuk
memenuhi kebutuhan yang berbeda. Komite JPEG menetapkan bahwa matriks dengan
tingkat kualitas 50 sebagai matriks standar. Untuk mendapatkan matriks
kuantisasi dengan tingkat kualitas yang lain, perkalian skalar matriks
kuantisasi standar digunakan. Kuantisasi dicapai dengan membagi matriks citra
ditransformasi oleh matriks kuantisasi yang digunakan. Nilai dari matriks yang
dihasilkan adalah kemudian dibulatkan. Dalam matriks,koefisien resultan
terletak di dekat sudut kiri atas memiliki frekuens iyang lebih rendah, mata
manusia lebih sensitif terhadap frekuensi yang lebih rendah.. Frekuensi yang
lebih tinggidibuang. Frekuensi yang lebih rendah digunakan untuk merekonstruksi
gambar.
Entropi
Encoding
Setelah
kuantisasi, sebagian besar koefisien frekuensi tinggi adalah nol. Untuk
mengeksploitasi jumlah angka nol, scanzig-zag dari matriksyang digunakan untuk
menghasilkan string panjang nol. Setelah blok dikonversi menjadi spektrum dan
dikuantisasi, kemudian algoritma kompresi JPEG mengambil hasil dan mengubahnya
menjadi array satu dimensi linier, atau vektor dari 64 nilai, melakukan
scanzig-zagdengan memilih unsur-unsur dalam urutan numerik diindikasikan oleh
angka dalam grid di bawah ini:
b. Huffman
coding
Ide
dasar dalam Huffman coding adalah untuk menetapkan codeword singkat ke
blok-blok input dengan probabilitas tinggi dan code word panjang untuk
blok-blok yang dengan rendah probabilitasnya. Sebuah kode Huffman dirancang
dengan menggabungkan bersama-sama sedikitnya dua karakter kemungkinan, dan
mengulangi proses ini sampai ada hanya satu karakterter sisa. Dengan demikian
sebuah pohon kode dihasilkan dan kode Huffman diperoleh dari pelabelan pohon
kode.
Hasil
dan Pembahasan
Gambar 1 Image asli setelah DCT
8X8 Gambar 2 Image asli
setelah DCT 8X8
Gambar 3 dan 4 Image asli
setelah DCT 4X4
Gambar 5 Gambar
6 Gambar
7
Image asli
setelah DCT 8X8 dan DCT 4X4
Gambar 8 Gambar 9 Gambar
10
Gambar Lena asli kompresi 4 Gambar Kompresi
dengan 16 Gambar Kompresi dengan 25 koefisien koefisien Koefisien
Gambar 11 dan Gambar 10
Hasil yang diperoleh setelah melakukan DCT dari
berbagai perintah pada gambar asli yang ditunjukkan oleh gambar (1) Gambar asli
diperoleh setelah menerapkan 8x8 DCT seperti ditunjukkan pada Gambar (2)
sedangkan Gambar (3) dan (4) menunjukkan gambar yang diperoleh untuk gambar
asli yang sama setelah menerapkan 4 x4 DCT. Demikian pula gambar (6) dan Gambar
(7) diperoleh setelah menerapkan 8x8 DCT dan 4x4 DCT dari gambar yang
ditampilkan pada Gambar (5). Gambar (8) menampilkan image Lena asli pada gambar
(9) dan pada Gambar (12) menunjukkan gambar terkompresi untuk gambar Lena asli
setelah mengambil sejumlah berbagai koefisien untuk quantization. Selama jumlah
koefisien meningkatkan kualitas gambar berkurang sedangkan rasio kompresi terus
bertambah
Gambar 12
SNR vs Jumlah Koefisien
Kesimpulan:
DCT
digunakan untuk transformasi dalam format JPEG standard. DCT melakukan efisien
pada tingkat bit menengah. Kerugian dengan menggunakan metode DCTa dalah bahwa
korelasi hanya pada spasial dari pixel di dalam blok2-D dan korelasi dari pixel
dari blok tetangga. Blok tidak dapat dikorelasi pada batasnya dalam penggunaan
DCT.
Daftar
Pustaka
1.
R. C. Gonzalez and R. E. Woods, “Digital Image Processing”,Second
edition,pp. 411-514, 2004.
3.
Greg Ames,"Image Compression", Dec 07,
2002.
4. Ken Cabeen and Peter
Gent,"Image Compression and the Descrete Cosine Transform"Math
45,College of the Redwoods
Komentar
Posting Komentar