Kuantisasi (pengolahan citra)

Dalam pengolahan citra digital, kuantisasi adalah teknik kompresi lesap yang dilakukan dengan memampatkan rentang nilai menjadi nilai tunggal. Ketika jumlah simbol yang berbeda dikurangi, data tersebut semakin mudah dikompresi. Misalnya, pengurangan jumlah warna yang dibutuhkan untuk menggambarkan citra digital dapat mengurangi ukuran berkas. Contohnya adalah DCT dalam JPEG dan DWT dalam JPEG 2000.

Kuantisasi warna

Artikel utama: Kuantisasi warna

Kuantisasi warna mengurangi jumlah warna yang dipakai oleh sebuah citra. Hal ini diperlukan untuk menampilkan citra pada perangkat yang memiliki kemampuan tampilan yang terbatas dan untuk mengompresi citra-citra tertentu secara efektif. Kebanyakan perangkat lunak penyunting gambar dan sistem operasi memiliki dukungan untuk kuantisasi warna. Algoritme kuantisasi warna modern yang populer antara lain algoritme warna terdekat (untuk palet tetap), algoritme potong median, dan algoritme dengan pohon oktal.

Pembauran galat biasa digabung dengan kuantisasi warna untuk memberikan kesan jumlah warna yang lebih banyak dan menghilangkan artefak pemitaan warna.

Kuantisasi frekuensi untuk kompresi citra

Penglihatan manusia cukup baik dalam melihat perbedaan kecil dalam kecerahan di daerah luas, tetapi kurang baik dalam melihat perubahan kecil di daerah sempit (frekuensi tinggi). Dari itulah, sebuah citra dapat dikompresi dengan mengabaikan komponen frekuensi tinggi. Cara ini dilakukan dengan membagi tiap nilai dalam domain frekuensi dengan nilai tetap tertentu, lalu dibulatkan. Perhitungan itu menjadi poin utama dalam operasi lesap. Hasilnya adalah frekuensi tinggi dibulatkan menjadi nol dan sisanya menjadi bilangan bulat kecil.

Karena penglihatan manusia lebih peka terhadap kependaran daripada kewarnaan, kompresi dapat dilakukan dengan ruang warna yang memisahkan keduanya, seperti YCbCr, dan menguantisasi sendiri-sendiri.

Matriks kuantisasi

Berikut adalah contoh matriks koefisien DCT.

${\begin{bmatrix}-415&-33&-58&35&58&-51&-15&-12\\5&-34&49&18&27&1&-5&3\\-46&14&80&-35&-50&19&7&-18\\-53&21&34&-20&2&34&36&12\\9&-2&9&-5&-32&-15&45&37\\-8&15&-16&7&-8&11&4&7\\19&-28&-2&-26&-2&7&-44&-21\\18&25&-12&-44&35&48&-37&-3\end{bmatrix}}$

Matriks kuantisasi yang umum dipakai adalah sebagai berikut.

${\begin{bmatrix}16&11&10&16&24&40&51&61\\12&12&14&19&26&58&60&55\\14&13&16&24&40&57&69&56\\14&17&22&29&51&87&80&62\\18&22&37&56&68&109&103&77\\24&35&55&64&81&104&113&92\\49&64&78&87&103&121&120&101\\72&92&95&98&112&100&103&99\end{bmatrix}}$

Pembagian per elemen matriks koefisien DCT oleh matriks kuantisasi yang diikuti pembulatan menghasilkan matriks berikut.

${\begin{bmatrix}-26&-3&-6&2&2&-1&0&0\\0&-3&4&1&1&0&0&0\\-3&1&5&-1&-1&0&0&0\\-4&1&2&-1&0&0&0&0\\1&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\\0&0&0&0&0&0&0&0\end{bmatrix}}$

Misalnya, nilai koefisien DCT -415 diubah sebagai berikut.

$\operatorname {bulatkan} \left({\frac {-415}{16}}\right)=\operatorname {bulatkan} (-25,\!9375)=-26$

Biasanya, proses ini akan menghasilkan matriks yang isinya kebanyakan di kiri atas (frekuensi rendah). Dengan pengurutan zig-zag untuk mengelompokkan nilai bukan nol dan pengodean panjang bergerak, matriks terkuantisasi dapat disimpan lebih efisien daripada versi yang belum dikuantisasi.

Lihat pula

• Segmentasi citra
• Penjalaan berbasis citra
• Segmentasi jarak