[PDC-Review] Highpass Filtering & Klasifikasi Citra

A.     Highpass Filter

High pass filter adalah proses filter yang mengambil citra dengan gradiasi intensitas  yang tinggi dan perbedaan intensitas yang rendah akan dikurangi atau dibuang. Highfilter akan memperkuat komponen yang berfrekuensi tinggi dan menurunkan komponen berfrekuensi rendah. Penajaman citra lebih berpengaruh (edge) suatu objek, maka image sharpening sering disebut sebagai penajaman tepi(edge sharpening). Highpass filtering koefisien-koefisien filternya bisa bernilai positip, nol, atau negatif. Sedangkan jumlah koefisiennya adalah 0 atau 1. Apabila jumlah koefisien =  0, maka komponen berfrekuensi rendah akan turun nilainya, sedangkan apabila jumlah koefisien sama dengan 1, maka komponen berfrekuensi rendah akan tetap sama dengan nilai semula. Komponen citra yang berfrekuensi tinggi akan diloloskan dan komponen yang mempunyai frekuensi rendah akan ditahan.

B.     Klasifikasi Citra

Klasifikasi citra merupakan suatu proses pengelompokan seluruh pixel pada suatu citra kedalam dalam kelompok sehingga dapat diinterpretasikan sebagai suatu property yang spesifik (Chein-I Chang dan H.Ren, 2000). Ada dua metode umum dalam mengidentifikasi dan mengklasifikasikan citraan satelit yaitu klasifikasi takterbimbing dan klasifikasi terbimbing yang berkaitan dengan paendekatan dalam pengenalan pola.

Pada intinya, prinsip klasifikasi yang dilakukan dalam computer pengolahan citra adalah pengelompokan individu atau set pixel untuk mewakili beberapa fitur, kelas atau materi yang plotkan berdasarkan ciri oleh serangkaian (umumnya kecil) dari DNS untuk setiap band yang dimonitor oleh sensor .dan kemudian dianalisis secara statistic untuk menentukan derajat keunikan pixel pixel tersebut terhadap tanggapan spectral objek dan dikelompokkan dalam klaster.

a.       Klasifikasi Citra Terbimbing (Supervised Classification)

Proses pengklasifikasian klasifikasi terbimbing dilakukan dengan prosedur pengenalan pola spektral dengan memilih kelompok atau kelas-kelas informasi yang diinginkan dan selanjutnya memilih contoh-contoh kelas (training area) yang mewakili setiap kelompok, kemudian dilakukan perhitungan statistik terhadap contoh-contoh kelas yang digunakan sebagai dasar klasifikasi.

b.      Klasifikasi Citra Tidak Terbimbing (Unsupervised Classification)

Dalam klasifikasi tidak terbimbing setiap pixel diperbandingkan dengan kluster diskret untuk melihat untuk pixel-pixel mana yang memiliki kemiripan yang tinggi dan dikelompokkan dalam klaster klaster. Kemudian didiperbandingkan dengan kenampakan objek yang sebenarnya bila hasil klaster masih kurang memuaskan, maka perlakuan-perlakuan itu diulangi lagi untuk mencari kombinasi klaster yang lebih sesuai.