Monthly Archives: September 2018

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

-read more->

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');

-read more->

%d bloggers like this: