Metode pengambangan sederhana menukar tiap piksel dalam sebuah citra dengan warna hitam bila intensitasnya kurang dari nilai tetap , yaitu , atau warna putih bila intensitasnya lebih dari . Pada contoh citra di atas, pengambangan ini menyebabkan pohon gelapnya jadi warna hitam dan salju terang jadi warna putih.
Pengambangan banyak saluran
Citra berwarna juga dapat dikenai pengambangan. Salah satu pendekatannya adalah nilai ambang yang berbeda untuk tiap komponen RGB pada citra dan menggabungkannya dengan operasi AND. Cara tersebut sesuai dengan cara kerja kamera dan cara penyimpanan data, tetapi tidak sesuai dengan cara kerja pengenalan warna oleh manusia. Maka, model warna HSL dan HSV lebih sering dipakai. Perhatikan bahwa nilai rona (hue) adalah nilai melingkar, maka dibutuhkan pengambangan melingkar. Mungkin juga digunakan model warna CYMK.[2]
Pengambangan otomatis
Pengambangan otomatis adalah cara yang bagus untuk mengambil informasi yang berguna dari piksel-piksel, sekaligus mengurangi derau latar belakang. Cara ini dilakukan dengan perulangan umpan balik untuk mengoptimalkan nilai ambang sebelum mengubah citra derajat keabuan ke citra biner. Tujuannya adalah memisahkan citra menjadi dua bagian: latar belakang dan latar depan.[3]
Pilih nilai ambang awal, biasanya rata-rata nilai piksel dalam citra.
Bagi citra menjadi dua bagian: latar belakang (di bawah nilai ambang) dan latar depan (di atas nilai ambang).
Cari rata-rata kedua bagian citra.
Hitung nilai ambang baru dari rata-rata dari rata-rata kedua bagian citra.
Bila selisih nilai ambang baru dan lama sudah di bawah batas tertentu, nilai ambang sudah ditemukan. Jika belum, terapkan nilai ambang baru dan ulangi pembagian citra.
Batasan metode
Pengambangan otomatis akan bekerja dengan baik bila latar depan kontras dengan latar belakang. Artinya, citra harus diambil dalam keadaan cahaya yang baik tanpa bagian yang silau.
Lihat pula
Wikimedia Commons memiliki media mengenai Pengambangan.
^Scott E. Umbaugh (30 November 2017). Digital Image Processing and Analysis with MATLAB and CVIPtools, Third Edition (edisi ke-3). ISBN9781498766074. OCLC1016899766.
Bacaan lebih lanjut
Gonzalez, Rafael C.; Woods, Richard E. (2018). Digital Image Processing. hlm. 742–764. ISBN978-1-2922-2304-9.
Martin Luessi; Marco Eichmann; Guido M. Schuster; Aggelos K. Katsaggelos (2009). "Framework for efficient optimal multilevel image thresholding". Journal of Electronic Imaging. 18 (1): 013004+. doi:10.1117/1.3073891.
Yu-Kun Lai; Paul L. Rosin (2014). "Efficient Circular Thresholding". IEEE Transactions on Image Processing. 23 (3): 992–1001. doi:10.1109/TIP.2013.2297014.
Scott E. Umbaugh (2018). Digital Image Processing and Analysis. CRC Press. hlm. 93–96. ISBN978-1-4987-6602-9.