Perbandingan Metode Brovey dan PCA dalam Fusi Citra

1
PENDAHULUAN
Latar Belakang
Pada sistem sensor satelit penginderaan
jauh (inderaja), resolusi spasial dan resolusi
spektral citra merupakan hal yang saling
bertolak belakang. Beberapa satelit penginderaan mampu memberikan citra dengan
informasi
multispektral
yang
dapat
membedakan fitur secara spektral tetapi tidak
secara spasial, begitu pula sebaliknya (Wang
et al. 2005). Bahkan sebuah sensor satelit
penginderaan yang mampu memberikan
rekaman citra pankromatik (hitam putih)
dengan resolusi spasial tertinggi, hanya
mampu merekam citra multispektral dengan
resolusi spasial seperempat kali lebih rendah.
Pada dasarnya sebuah citra pankromatik
(hitam putih) mempunyai rentang spektrum
gelombang yang lebih besar daripada kanal
(band) multispektral (berwarna). Dengan
demikian untuk menerima sejumlah energi
yang sama, ukuran sensor pankromatik dapat
lebih kecil dibandingkan sensor multispektral.
Oleh karena itu dalam sekali perekaman,
sensor pankromatik dengan ukuran yang sama
dapat memberikan lebih banyak informasi
spasial. Selain itu volume data sepasang citra
pankromatik resolusi tinggi dan citra
multispektral resolusi rendah akan jauh lebih
kecil bila dibandingkan dengan volume
sebuah citra multispektral resolusi tinggi
(Zhang 2004).
Keterbatasan pada penyediaan citra
multispektral
beresolusi
tinggi
ini
menyebabkan diperlukannya solusi untuk
menghasilkan citra multispektral yang kaya
akan informasi spasial maupun informasi
warna. Image fusion (fusi citra) atau pansharpening
adalah
teknik
untuk
menggabungkan detail geometri (spasial) dan
detail warna (spektral) pada pasangan citra
awal sehingga didapatkan citra multispektral
baru dengan informasi spasial dan spektral
setajam mungkin. Proses fusi citra pada
bidang
penginderaan
jauh
bertujuan
mempermudah langkah analisis citra satelit,
terutama pada analisis yang memerlukan
ekstraksi objek citra secara detail, antara lain
pada analisis penggunaan lahan (land use),
analisis tata ruang kota, analisis tren
perkembangan wilayah ataupun aplikasi
prediksi bencana alam. Pada dasarnya
penelitian yang dilakukan ini mengacu pada
jurnal penelitian Dehghani 2003, Tsai 2004,
dan Wang et al. 2005.
Tujuan Penelitian
Penelitian yang dilakukan bertujuan
mengaplikasikan teknik fusi citra (image
fusion) pada suatu citra satelit. Tujuan lain
yang ingin dicapai adalah mengevaluasi dan
membandingkan sejauh mana metode
transformasi
Brovey
dan
Principal
Component
Analysis
(PCA)
mampu
memberikan kedetailan informasi warna dan
informasi spasial. Ukuran perbandingan yang
ingin diamati adalah nilai penambahan
informasi spasial dan nilai kesalahan
informasi warna antara citra hasil fusi dan
pasangan citra awal.
Ruang Lingkup
Metode fusi citra yang diaplikasikan dan
dibandingkan adalah metode transformasi
Brovey dan Principal Component Analysis.
Dalam pengujian aplikasi digunakan citra
subset yang lebih kecil dari pasangan citra
awal. Adapun citra multipektral hasil fusi
merupakan citra GEOTIFF/TIFF yang hanya
dapat menampung sebatas informasi dari 4
kanal spektral.
Manfaat Penelitian
Dari penelitian ini diharapkan dapat
memberikan suatu gambaran akan manfaat
teknik fusi citra satelit. Gambaran ini berupa
peningkatan informasi spasial dan informasi
warna pada citra hasil fusi.
TINJAUAN PUSTAKA
Fusi Citra (Image Fusion)
Pada bidang penginderaan jauh dikenal
definisi dari fusi data (data fusion), yaitu
sebuah format kerja formal tentang cara dan
alat bantu untuk menggabungkan data yang
didapatkan dari sumber yang berbeda. Data
fusion bertujuan mendapatkan informasi
dengan kualitas yang lebih baik. Definisi
’kualitas yang lebih baik’ akan bergantung
kepada aplikasinya (Wald 1999).
Data citra yang sering dipakai dalam
analisis penginderaan jauh antara lain adalah
citra pankromatik (pan) dengan informasi
keabu-abuan, yang umumnya memiliki
informasi spasial tinggi sehingga dapat
membantu melokasikan suatu objek di muka
bumi. Selain itu terdapat pula citra
multispektral berwarna dengan saluran
multispektrum (infra merah, cahaya tampak,
2
maupun ultra ungu) yang lebih memberikan
informasi warna berdasarkan pantulan dan
penyerapan sinar elektromagnetik oleh objek
yang ditangkap oleh sensor. Pada umumnya
citra multispektral yang ada beresolusi rendah,
dalam arti memiliki informasi spasial yang
rendah meskipun mampu memberi informasi
warna yang tinggi.
dekat terbebas dari distorsi tersebut.
Penyesuaian
histogram
(histogram
adjustment) dengan mengurangi nilai kanal
terdistorsi ke arah kiri, sehingga nilai
minimum kanal menjadi nol, akan dapat
memperbaiki
citra
secara
radiometris
(Lillesand & Kiefer 1990).
Kedua citra pankromatik dan multispektral
ini, terlebih lagi penggabungannya, memiliki
andil yang besar dalam aplikasi inderaja.
Proses penggabungan citra pankromatik dan
citra multispektral ini umum dikenal sebagai
image fusion atau pan-sharpening. Fusi citra
(image fusion) secara umum diartikan sebagai
teknik untuk mengintegrasikan detail geometri
atau spasial dari suatu citra pankromatik
(hitam putih) beresolusi tinggi dengan citra
multispektral beresolusi rendah. Tujuan yang
hendak dicapai dalam tahapan ini adalah
didapatkannya tepian objek (edge) yang
semakin jelas serta didapatkannya informasi
warna yang paling tajam dan representatif
dengan mengacu pada citra multispektral
awal.
Metode Interpolasi
Pemulihan Citra
Pada umumnya citra mengalami distorsi
yang menyebabkan ketidaksesuaian dengan
keadaan aslinya. Pemulihan distorsi citra
dilaksanakan baik dengan koreksi geometrik
maupun koreksi radiometrik. Distorsi
geometrik terjadi karena adanya pergeseran
piksel dari letak yang sebenarnya. Hal ini
disebabkan oleh ketidakstabilan sensor
ataupun kurang sempurnanya sistem kerja
pemindai. Distorsi secara geometrik pada data
asli dapat diperbaiki dengan cara melakukan
registrasi koordinat dengan bantuan titik
kontrol tanah (ground control point atau GCP)
yang lokasinya diketahui dengan tepat (georectification). Selain itu distorsi geometrik
dapat pula diperbaiki dengan teknik
resampling.
Perbaikan dengan teknik
resampling umumnya digunakan dengan
menggunakan teknik nearest neighbor,
bilinear, dan cubic interpolation.
Distorsi
radiometrik
antara
lain
diakibatkan oleh adanya pengaruh atmosfer
berupa penghamburan dan penyerapan, noise
pada waktu transmisi data, perubahan cahaya,
radiasi dan buramnya bagian optik pada
sistem pencitraan. Pada umumnya distorsi
radiometrik mempengaruhi kanal spektrum
visible (panjang gelombang 0.4-0.7 µm),
sedangkan sebagian besar kanal infra merah
Interpolasi digunakan untuk memperkirakan nilai antar piksel yang tidak diketahui,
akibat proses perubahan geometris citra,
seperti proses resize, ataupun proses
transformasi.
Tiga metode umum yang
digunakan adalah nearest-neighbor, bilinear,
dan bicubic. Nearest-neighbor memberikan
nilai piksel keluaran sesuai dengan nilai pada
titik acuan, sehingga memberikan kecepatan
proses yang tinggi. Bilinear memberikan nilai
keluaran yang mempertimbangkan nilai 2x2
piksel tetangga terdekat dari titik acuan,
umumnya digunakan karena ketepatan dan
kecepatannya. Adapun bicubic mempertimbangkan nilai keluaran dari informasi 4x4
tetangga terdekat (Matlab 2004).
Metode Interleave
Interleave menspesifikasikan bagaimana
sebuah data disimpan. Pada umumnya kanal
(band) citra multispektral didefinisikan
sebagai dimensi ketiga dalam array 3D,
sebagaimana dijelaskan Gambar 1 berikut ini.
Metode interleave ini terbagi menjadi tiga
format yaitu BSQ, BIL, dan BIP.
Gambar 1 Representasi citra multispektral.
Pada format BSQ (Band Sequential), tiap
keseluruhan kanal diikuti oleh keseluruhan
kanal berikutnya. Pada format BIL (Band
Interleaved by Line) baris pertama dari kanal
pertama kemudian diikuti dengan baris
pertama kanal kedua dan selanjutnya untuk
setiap kanal. Lalu pada format BIP (Band
Interleaved by Pixel), piksel pertama dari tiap
kanal diikuti oleh piksel kedua dari setiap
kanal dan seterusnya (ENVI 2003).
3
Transformasi Brovey
Transformasi Brovey merupakan metode
mudah untuk mengkombinasikan data dari
sensor berbeda, hanya saja terbatas untuk
komposisi tiga kanal spektral. Metode Brovey
bertujuan untuk menormalisasikan 3 kanal
spektral yang digunakan untuk display RGB
(Red Green Blue). Kemudian hasil
normalisasi dikalikan dengan informasi data
yang diinginkan, dalam hal ini citra
pankromatik
(Pan),
untuk
menambah
komponen intensitas dan kecerahan citra.
Formula yang digunakan dijelaskan pada
persamaan (1) berikut (Dehghani 2003):
Red=Band3/(Band1+Band2+Band3)×Pan
Green=Band2/(Band1+Band2+Band3)×Pan
Blue=Band1/(Band1+Band2+Band3)×Pan, (1)
dengan Pan adalah citra Pankromatik, Band1
adalah kanal merah, Band2 adalah kanal hijau,
dan Band3 adalah kanal biru.
Transformasi ini dapat meningkatkan
tingkat kekontrasan citra hasil. Dengan
demikian akan dihasilkan citra yang lebih
terang dari segi spektral warna. Akan tetapi
transformasi ini tidak cocok jika ingin tetap
mempertahankan nilai radiometri (spektral)
dari citra multispektral awal.
Principal Component Analysis (PCA)
Transformasi PCA bertujuan mereduksi
informasi dari komponen yang saling
berkorelasi menjadi komponen tereduksi baru
yang saling tidak berkorelasi. Dalam teknik
fusi
citra,
PCA
digunakan
untuk
menransformasi citra multispektral beresolusi
rendah untuk mendapatkan komponen penting
(principal component) representatif baru yang
saling tidak berkorelasi. Komponen penting
berisi informasi umum dari keseluruhan kanal
spektral, yang direpresentasikan dalam vektorvektor nilai eigen.
Proses untuk mendapatkan komponen
penting ini disebut sebagai transformasi
forward. Secara matematis dijelaskan pada
adalah digital
persamaan (2) dengan DN l
MS
number (DN) dari citra input multispektral
resolusi spasial rendah, PC 1 adalah principal
component pertama, dan matriks transformasi
ν terdiri dari vektor-vektor eigen yang
diurutkan berdasarkan nilai eigennya.
 PC 1   v11
 PC 2   v12
=

 L  L
 

 PCn   v1n
l

L vn1   DN MS
1


l
.
L vn 2  DN
MS 2 


L L 
M


L vnn   DN l


MSn 
v 21
v 22
L
v 2n
(2)
Vektor eigen yang memiliki nilai eigen
tertinggi merupakan komponen penting
pertama ( PC 1 ). PC 1 ini yang akan
digantikan oleh data citra pankromatik
beresolusi spasial tinggi, yang sebelumnya
direntangkan agar memiliki rataan (mean)
yang menyamai PC 1 . Secara matematis
transformasi backward dari metode fusi citra
menggunakan
PCA
dijelaskan
pada
h
persamaan (3), dengan DN
adalah citra
MS
multispektral hasil yang memiliki resolusi
spasial lebih tinggi dan DN h ' adalah citra
PAN
pankromatik yang telah direntangkan agar
menyamai rataan dari PC 1 .
h 
 DNMS
 v11 v12
1

h  v 21 v 22
 DNMS 2  = 
 M  L L

h   vn1 vn2
 DN MSn
 
Jika digabungkan
persamaan (4) berikut:
h' 
L v1n   DN PAN


L v2n  PC 2  .

L L  M 


L vnn  PCn 
(3)
maka akan didapat
h
l

  DNMS
 DNMS
1
1
 h   l 
DNMS2  = DNMS2  + DNh' − DNl
PAN
PAN
 M   M 
 h   l 
 DNMSn  DNMSn
(
)
v11
v21
 
 M 
 
vn1
(4)
dengan DN
l
PAN
h'
adalah
= PC 1 dan DN PAN
h
, yang telah direntangkan agar
DN PAN
memiliki
nilai
rataan
dan
menyerupai PC 1 (Wang et al. 2005).
ragam
Analisis Kinerja Kuantitatif Hasil Fusi
Analisis kinerja kuantitatif citra hasil fusi
terdiri dari dua kriteria, yaitu kriteria spasial
dan kriteria fidelitas.
¾ Kriteria Spasial (Spatial Criterion)
Kriteria ini bertujuan memaksimalkan
detail spasial dengan cara memaksimalkan
koefisien korelasi antara komponen spasial/
frekuensi tinggi dari citra hasil fusi dengan
citra
pankromatik
awal,
sebagaimana
dijelaskan pada persamaan (5) berikut.
4
corΧ, Υ =
MN∑ XY − (∑ X )(∑Y )
[MN∑ X
2
][
− (∑ X )2 MN∑Y 2 − (∑Y )2
(5)
dengan X adalah citra multispektral hasil fusi,
Y adalah citra pankromatik, dan M×N adalah
ukuran citra (Tsai 2004).
¾ Kriteria Fidelitas (Fidelity Criterion)
RMSE (k ) =
C itra
M ultis pek tral
T eregis tras i
R egis tras i, C rop , R es am pling
M etode F us i
B rov ey
M etode F us i
B rov ey
P e rh itu n g a n S ta tistik (m e a n,P D F)
R es haping dan Im age W rite
C itra H as il F us i
M −1 N −1
∑∑ (g (x, y, k ) − f (x, y, k ))
2
x=0 y =0
(6)
dengan f (x, y,k) adalah
awal dari kanal k yang
sebesar ukuran citra
g ( x, y , k ) adalah citra
ukuran M×N (Tsai 2004).
C itra
P ank rom atik
Teregis tras i
P e rh itu n g a n S ta tistik (m e a n,P D F)
Kriteria ini bertujuan meminimalkan
hilangnya informasi dari citra hasil fusi
dengan berpedoman pada citra multispektral
awal. Kriteria fidelitas dapat didefinisikan
dengan meminimalkan nilai root mean square
error (RMSE) pada persamaan (6) berikut.
1
MN
]
citra multispektral
telah di-resampling
pankromatik, dan
hasil fusi dengan
P enghitungan K riteria K uantitatif
dan P erbandingan
D is play C itra H as il dan N ilai P erbandingan
Gambar 2 Diagram alir penelitian.
Penjabaran dari metode fusi dengan
menggunakan transformasi PCA digambarkan
oleh Gambar 3 berikut ini.
METODE PENELITIAN
Metode penelitian yang dilakukan
menggunakan
data
pasangan
citra
pankromatik
dan
multispektral
satelit
QuickBird pencitraan area Taman Nasional
Kerinci Semblat serta citra pankromatik dan 6
citra spektral satelit Landsat pencitraan area
Singkawang. Secara garis besar metode
penelitian yang dilakukan adalah sebagai
berikut:
1 Dilakukan persiapan data citra dengan
bantuan perangkat lunak pemrosesan citra
satelit, ENVI, guna mendapatkan citra
dengan ukuran lebih kecil dari citra awal
untuk memudahkan komputasi dengan
Matlab.
2 Dilakukan pengimplementasian teknik fusi
citra menggunakan bahasa pemrograman
Matlab dengan alur seperti yang
ditunjukkan pada Gambar 2.
Multispektral
Teregistrasi
Concatenating dan Vectorizing
PCA Forward Transform
Perentangan Histogram
Metode Penelitian
Citra
Pankromatik
Teregistrasi
Perhitungan PDF Citra Pan (Input)
dan PC1 (Citra Referensi)
Perhitungan Fungsi Citra Pan
(Input) dan PC1 (Citra Referensi)
Perhitungan Fungsi Inversi
Citra Pan resolusi rendah
dgn mean seperti PC1
Penggantian PC1 dgn
Pan resolusi rendah
PCA Backward Transform
Gambar 3 Diagram alir metode fusi PCA.