Category Archives: Pengolahan Citra

Pengolahan Citra Digital menggunakan GUI MATLAB

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:

-read more->

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:

-read more->

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)

-read more->

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');

-read more->

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

-read more->

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')

-read more->

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

-read more->

Contrast Stretching dan Histogram Equalization


Perbaikan kualitas citra (Image Enhancement) merupakan tahapan pre-processing yang umumnya dilakukan sebelum tahapan segmentasi. Dalam materi ini dibahas dua jenis perbaikan kualitas citra yaitu contrast stretching dan histogram equalization. Contrast stretching merupakan metode perbaikan kualitas citra yang bertujuan untuk meningkatkan atau menurunkan kontras suatu citra dengan cara memperlebar atau mempersempit range nilai intensitas piksel citra. Materi mengenai perbedaan kontras tinggi dan rendah dapat dilihat pada halaman berikut ini: Perbedaan citra gelap, terang, kontras rendah, dan kontras tinggi. Sedangkan histogram equalization merupakan metode perbaikan kualitas citra yang bertujuan untuk meratakan persebaran nilai intensitas piksel suatu citra. Materi mengenai histogram equalization lebih lanjut dapat dilihat pada halaman berikut ini: Ekualisasi Histogram pada Citra Digital

Pada materi ini, nilai PSNR dan MSE digunakan sebagai indikator perbandingan citra hasil perbaikan kualitas citra dengan citra asli.

Langkah-langkah pemrograman GUI matlab untuk melakukan contrast stretching dan histogram equalization pada citra digital adalah sebagai berikut:

1. Membuka tampilan GUI awal

-read more->

Pengenalan Warna Objek


Komponen Hue dari citra HSV (Hue, Saturation, Value) merupakan suatu komponen yang merepresentasikan warna dari panjang gelombang cahaya tampak (merah, jingga, kuning, hijau, biru, ungu). Oleh karena itu, komponen ini dapat digunakan sebagai acuan untuk melakukan pengenalan warna suatu objek pada citra digital.

Berikut ini merupakan pengolahan citra digital untuk melakukan pengenalan warna suatu objek berdasarkan komponen Hue.

Langkah-langkah pengolahan citra dan pemrograman MATLAB yang dilakukan adalah sebagai berikut:

1. Membaca citra RGB asli

clc; clear; close all;
 
I = imread('stabilo.jpg');
figure, imshow(I);

-read more->

Mendeteksi Objek yang Berbentuk Lingkaran


Bentuk merupakan salah satu ciri yang dapat diekstrak dari suatu objek. Ciri ini dapat digunakan untuk membedakan antara objek yang satu dengan lainnya. Berikut ini merupakan contoh pengolahan citra untuk mendeteksi objek yang berbentuk lingkaran. Salah satu parameter yang dapat digunakan untuk mendefinisikan bentuk lingkaran adalah metric. Metric merupakan nilai perbandingan antara luas dan keliling suatu objek. Nilai metric berkisar antara 0 s.d 1. Objek yang berbentuk lingkaran, nilai metric nya mendekati angka satu. Materi lebih lanjut mengenai nilai metric dapat dilihat pada halaman berikut ini: Ekstraksi Ciri

Langkah-langkah pengolahan citra dan pemrograman MATLAB yang dilakukan untuk mendeteksi objek yang berbentuk lingkaran adalah:

1. Membaca citra RGB asli

clc; clear; close all;
I = imread('shape object.jpg');
figure, imshow(I);

-read more->

%d bloggers like this: