Thresholding Citra
Citra digital merupakan representasi dari fungsi intensitas cahaya dalam bidang dua dimensi. Berdasarkan jenis warnanya, citra dapat dikelompokkan menjadi tiga jenis yaitu citra RGB, citra grayscale, dan citra biner.
|
Citra RGB |
Citra Grayscale |
Citra Biner |
 |
 |
 |
Citra RGB merupakan citra yang tersusun oleh tiga kanal warna yaitu kanal merah, kanal hijau, dan kanal biru. Pada citra RGB 24-bit, masing-masing kanal warna memiliki nilai intensitas piksel dengan kedalaman bit sebesar 8-bit yang artinya memiliki variasi warna sebanyak 2^8 = 256 derajat warna (0 s.d 255). Setiap piksel pada citra RGB memiliki nilai intensitas yang merupakan kombinasi dari nilai R, G, dan B. Variasi warna pada setiap piksel pada citra RGB adalah sebanyak 256 x 256 x 256 = 16.777.216.
Analisis Tekstur Menggunakan Metode GLCM, LBP, dan FLBP
Tekstur merupakan salah satu ciri yang bisa diekstrak dari suatu citra digital. Tekstur dapat digunakan sebagai ciri yang membedakan antara citra yang satu dengan citra lainnya. Analisis tekstur dapat diimplementasikan ke dalam bidang pengolahan citra antara lain untuk pengenalan motif kain batik, identifikasi kualitas daging, identifikasi tumor/kanker, dll.
Berikut ini merupakan contoh pemrograman matlab mengenai analisis tekstur menggunakan tiga buah metode yang berbeda yaitu Gray-Level Co-Occurrence Matrix (GLCM), Local Binary Pattern (LBP), dan Fuzzy Local Binary Pattern (FLBP). Pada pemrograman ini analisis tekstur dilakukan terhadap citra yang diberi perlakuan rotasi. Hal ini dilakukan untuk melihat pengaruh rotasi dalam analisis tekstur pada masing-masing metode.
Tampilan citra asli dan setelah diberi perlakuan rotasi ditunjukkan pada gambar di bawah ini.
bricks.jpg
bricksRotated.jpg
Pengolahan Citra Digital Menggunakan Transformasi Wavelet
Pada bidang pengolahan sinyal digital, kita dapat menggunakan transformasi Fourier untuk memperoleh informasi berapa besar frekuensi dari sebuah sinyal, tetapi kita tidak dapat mengetahui informasi kapan frekuensi itu terjadi. Transformasi Fourier hanya cocok untuk sinyal stasioner (sinyal yang frekuensinya tidak berubah terhadap waktu). Untuk mengatasi hal tersebut maka kita dapat menggunakan transformasi Wavelet yang mampu merepresentasikan informasi waktu dan frekuensi suatu sinyal dengan baik.
Penerapan transformasi wavelet pada bidang pengolahan citra digital antara lain adalah untuk kompresi, filtering, dan analisis tekstur. Berikut ini merupakan contoh pemrograman matlab untuk melakukan transformasi wavelet. Pemrograman meliputi proses transformasi terhadap citra grayscale ke dalam empat buah koefisien yaitu koefisien aproksimasi, koefisien detail vertikal, koefisien detail horizontal, dan koefisien detail diagonal.
1. Dekomposisi citra menggunakan wavelet haar level 1 (ukuran citra menjadi 1/2 kali ukuran semula)
clc; clear; close all;
% membaca citra grayscale
Img = imread('lena_gray_512.tif');
% dekomposisi wavelet haar level 1
[c,s] = wavedec2(Img,2,'haar');
[H1,V1,D1] = detcoef2('all',c,s,1);
A1 = appcoef2(c,s,'haar',1);
V1img = wcodemat(V1,255,'mat',1);
H1img = wcodemat(H1,255,'mat',1);
D1img = wcodemat(D1,255,'mat',1);
A1img = wcodemat(A1,255,'mat',1);
figure;
subplot(2,2,1);
imagesc(A1img);
colormap gray;
title('Approximation Coef. of Level 1');
subplot(2,2,2);
imagesc(H1img);
title('Horizontal detail Coef. of Level 1');
subplot(2,2,3);
imagesc(V1img);
title('Vertical detail Coef. of Level 1');
subplot(2,2,4);
imagesc(D1img);
title('Diagonal detail Coef. of Level 1');
Pengenalan Pola Bentuk Menggunakan Chain Code Dan Multi SVM
Sama halnya seperti moment invariants, chain code atau kode rantai merupakan salah satu algoritma ekstraksi ciri bentuk yang nilainya tidak berubah terhadap perlakuan rotasi, translasi, pencerminan, dan penskalaan. Pada metode ini dihasilkan delapan nilai yang menunjukkan arah piksel penyusun objek. Arah piksel dari chain code 8-connected ditunjukkan pada gambar di bawah ini.
Berikut ini merupakan contoh pemrograman matlab mengenai pengenalan pola bentuk menggunakan algoritma chain code pada ekstraksi ciri dan algoritma multi SVM (Support Vector Machine) pada identifikasi. Citra yang digunakan terdiri dari tiga jenis bentuk objek yaitu botol (bottle), garpu (fork), dan palu (hammer). Pada data latih digunakan 15 citra pada masing-masing bentuk objek sehingga jumlah total data latih adalah 45 citra. Sedangkan pada data uji digunakan 5 citra pada masing-masing bentuk objek sehingga jumlah total data uji adalah 15 citra (sumber dataset citra: http://www.dabi.temple.edu/~shape/MPEG7/dataset.html)
Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:
Pengenalan Pola Bentuk Menggunakan Moment Invariants Dan Jaringan Syaraf Tiruan LVQ
Moment Invariants merupakan salah satu metode ekstraksi ciri bentuk yang nilainya tidak berubah terhadap perlakuan rotasi, translasi, pencerminan, dan penskalaan. Pada metode ini dihasilkan tujuh nilai moment yang dapat menggambarkan suatu objek berdasarkan posisi, orientasi dan parameter-parameter lainnya.
Berikut ini merupakan contoh pemrograman MATLAB untuk melakukan pengenalan pola bentuk menggunakan moment invariants dan jaringan syaraf tiruan Learning Vector Quantization (LVQ).
Citra yang digunakan terdiri dari tiga jenis bentuk yaitu bentuk hewan burung (bird), kadal (lizard), dan gurita (octopus). Pada data latih digunakan 15 citra pada masing-masing hewan sehingga jumlah total data latih adalah 45 citra. Sedangkan pada data uji digunakan 5 citra pada masing-masing hewan sehingga jumlah total data uji adalah 15 citra (sumber dataset citra: http://www.dabi.temple.edu/~shape/MPEG7/dataset.html)
Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:
Pengenalan Wajah Menggunakan Algoritma PCA
Salah satu algoritma yang dapat diimplementasikan dalam sistem pengenalan wajah (face recognition) adalah Principal Component Analysis (PCA). Berikut ini merupakan contoh pemrograman MATLAB mengenai pengenalan wajah menggunakan algoritma PCA. Source code yang digunakan merupakan modifikasi dari source code yang sebelumnya dikembangkan oleh Kalyan Sourav Dash. Modifikasi dilakukan untuk menghitung akurasi pelatihan dan pengujian serta memvisualisasikan citra wajah hasil pengenalan.
Pada pemrograman pengenalan wajah ini digunakan citra latih yang terdiri dari 10 individu (5 pria dan 5 wanita), pada masing-masing individu terdiri dari 15 citra wajah sehingga jumlah total data latih adalah sebanyak 150 citra wajah. Sedangkan pada citra uji, masing-masing individu terdiri dari 5 citra wajah sehingga jumlah total data uji adalah sebanyak 50 citra wajah. Berikut ini merupakan tampilan beberapa citra latih yang digunakan: (sumber dataset citra wajah: https://cswww.essex.ac.uk/mv/allfaces/faces94.html)
Deteksi Titik Sudut Citra Untuk Identifikasi Bentuk
Proses identifikasi bentuk pada citra digital salah satunya dapat dilakukan dengan cara melakukan deteksi terhadap jumlah garis dan titik sudut penyusun objek dalam citra. Berikut ini merupakan contoh pemrograman matlab mengenai deteksi garis dan titik sudut menggunakan transformasi Hough.
Langkah-langkahnya adalah sebagai berikut:
1. Membaca, meresize, dan menampilkan citra
clc; clear; close all; warning off all;
% baca & resize citra
I = imread('bintang.jpg');
I = imresize(I,0.2);
% menampilkan citra asli
figure,imshow(I);
title('Citra Asli');
Ekstraksi Ciri Wajah Menggunakan Algoritma Viola-Jones
Tahapan Face Recognition (Pengenalan Wajah) antara lain adalah face detection (deteksi wajah), feature extraction (ekstraksi ciri), dan recognition (pengenalan). Berikut ini merupakan contoh aplikasi deteksi wajah dan ekstraksi ciri wajah menggunakan bahasa pemrograman MATLAB. Objek yang dideteksi antara lain adalah wajah, mata (kanan dan kiri), hidung, dan mulut. Sedangkan ciri yang diekstrak adalah jarak antara masing-masing objek yang dideteksi.
1. Tampilan Halaman GUI awal
Pengolahan Citra CT Scan Paru-Paru dengan Metode Segmentasi Active Contour
Penelitian mengenai pengolahan citra medis telah banyak dilakukan dengan mengembangkan berbagai macam metode. Penelitian yang dilakukan di antaranya bertujuan untuk meningkatkan kualitas citra agar citra lebih mudah diinterpretasi dan untuk menganalisis citra secara objektif. Berikut ini merupakan contoh pemrograman MATLAB untuk melakukan pengolahan citra CT Scan Paru-Paru dengan metode segmentasi active contour. Citra diakuisisi dengan modalitas pesawat CT Scan berformat DICOM (Digital Imaging and Communications in Medicine). Pengolahan citra dilakukan untuk menghitung luas dan keliling daerah paru-paru.
Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca citra asli
clc; clear; close all; warning off all;
Img = dicomread('1');
figure,imshow(Img,[])
title('Citra Asli')
Identifikasi Jenis Buah Tomat Berdasarkan Analisis Bentuk Dan Tekstur
Analisis bentuk dan tekstur dapat digunakan untuk merancang sebuah sistem identifikasi objek. Berikut ini merupakan contoh pemrograman MATLAB untuk mengidentifikasi jenis buah tomat (hijau dan merah) berdasarkan analisis bentuk dan tekstur. Analisis bentuk dilakukan menggunakan parameter metric dan eccentricity, sedangkan analisis tekstur dilakukan menggunakan metode Gray Level Co-occurence Matrix (GLCM) dengan parameter contrast, correlation, energy, dan homogeneity.
Langkah-langkah pemrograman-nya adalah sebagai berikut:
1. Mempersiapkan citra buah tomat
Citra yang digunakan berjumlah 8 yang terdiri dari 4 citra buah tomat berwarna hijau dan 4 citra buah tomat berwarna merah
Akuisisi Sinyal Suara Menggunakan MATLAB
Sinyal suara (audio signal) merupakan sinyal yang dihasilkan oleh gelombang audiosonik (gelombang bunyi yang memiliki frekuensi antara 20 Hz sampai 20000 Hz).
Penerapan pengolahan sinyal suara antara lain adalah sistem pengenalan suara manusia, deteksi bunyi kerusakan mesin, deteksi kelainan detak jantung, dan lain-lain.
Berikut ini merupakan contoh pemrograman GUI MATLAB untuk melakukan akuisisi sinyal suara. Proses akuisisi dilakukan dengan cara merekam suara menggunakan mikrofon yang ada pada komputer atau laptop.
Langkah-langkah pemrogramannya yaitu:
1. Membuat interface GUI dengan desain tampilan seperti pada gambar di bawah ini
