Langsung ke konten utama

Part 3 : Citra Biner dengan Java

Assalamu'alaikum warohmatullahi wabarokatu
 Jumpa lagi...kali ini saya mau ngelanjutin artikel sebelumnya tentang pengolahan citra dengan java dan kali ini saya mau bahas tentang citra biner.

Apa itu citra biner ??

Citra biner adalah citra yang mempunyai nilai keabuan 0 dan 1 atau kalo divisualisasikan menjadi citra dengan dua warna yaitu hitam dan putih.kayak gini nih contohnya.
 

loh kok bisa jadi gitu...???

awalnya kita buat citra jadi citra grayscale dengan menyamakan nilai RGB untuk masing masing piksel.Kalo belum ngerti citra grayscale bisa direview di artikel sebelumnya di sini. 

setelah menjadi citra grayscale yang mempunyai rentang nilai 0 sampai 255,kita tentukan treshold atau ambang batas untuk menjadikan citra biner dengan rumus sebagai berikut.
 

T adalah Treshold atau ambang batas
1if adalah nilai keabuan dari piksel

contoh : saumpama treshold = 120,dan nilai kea uan dari piksel(2,2)=150,karena 150 lebih besar dari treshold maka piksel(2,2) menjadi 1 atau putih.dan begitu seterusnya.

Lankah langkahnya sebagai berikut
1.   Tentuka nilai T,Import dan load gambar yang akan diproses
      


 
2.   Jadikan citra grayscale dengan menyamakan nilai RGB ((R+G+B)/3) untuk masing masing piksel
3.   Bandingkan nilai gray dengan nilai T,jika lebih besar dari T maka nilai piksel(y,x)=1,jika lebih kecil dari     T   maka nilai piksel(x,y)=0
 
4.   Lakukan langkah ke 2 dan 3 sampai semua piksel selesai di load.
5.   jadikan  file gambar  dan simpan di komputer

citra asli
 

dan setelah di proses menjadi seperti ini



 

Naah...seperti itulah kira kira implementasinya menurut versi saya...kalo mungkin ada yang kurang tepat,mohon dikoreksi.

sekian dulu ya gan...kita lanjutin dilain waktu.Sampai jumpa









Label:

Komentar

  1. Unknown7 Agustus 2018 pukul 10.13

    Gan....gimana caranya biar bagian wajahnya aja yang muncul pas di buat ke biner itu.???

    BalasHapus

Posting Komentar

Postingan populer dari blog ini

Contoh Perhitungan Algoritma Perceptron

      Melanjutkan tulisan saya sebelumnya tentang algoritma perceptron,kali ini saya akan menulis tentang conto perhitungan manual algoritma perceptron. Untuk contoh kasusnya saya menggunakan data logika AND. Cekidot.... Algoritma      Data yang kita gunakan sebagai contoh adalah data logika AND sebagai berikut: x1 x2 target 0 0 0 0 1 0 1 0 0 1 1 1       tentukan bobot awal secara acak, saya pakai contoh w1 = 0,w2 =0, learning rate = 1, bias = 0,maksimal epoh = 10. Disini saya memakai fungsi aktivasi undak biner. Epoh ke 1 Data ke satu x = {0,0}, bobot w = {0,0},b=0,target = 0 y_in = (x1*w1)+(x2*w2)+b = (0*0)+(0*0)+0 = 0 y = sign(0) = 1 karena y != target maka hitung error dan update bobot  error = target - y = 0 - 1 = -1 w1_baru = w1_lama +(learning_rate*error*x1)                = 0 ...
12 komentar
Baca selengkapnya

Contoh Perhitungan Algoritma Learning Vector Quantization

Melanjutkan tulisan saya tentang algoritma Learning Vector Quantization yang lalu, kali ini saya akan melanjutkan dengan contoh perhitungan manual. Berikut ini contoh data yang akan kita hitung. No X1 X2 X3 X4 target 1 0 1 1 0 0 2 0 0 1 1 1 3 1 1 1 1 0 4 1 0 0 1 1 pada contoh di atas, saya menggunakan 4 data sebagai data training beserta target yang bertujuan untuk mendapatkan bobot yang akan digunakan pada proses klasifikasi. Bobot awal adalah { 1, 1, 1, 0} dan { 1, 0, 1, 1} dengan learning rate 0,05 dengan fungsi pembelajaran = 0,1. Pelatihan Iterasi ke 1 1. Data ke 1 { 0, 1, 1, 0} dengan target 0, bobot = {{ 1, 1, 1, 0},{ 1, 0, 1, 1}}      - menghitung bobot untuk masing masing output :          kelas 0 = sqrt(((0-1)^2)+((1-1)^2)+((1-1)^2)+((0-...
39 komentar
Baca selengkapnya

Part 7 : Normalisasi Histogram

Menyambung tulisan saya yang sebelumnya tentang pengolahan citra khususnya histogram,kali ini saya lanjutkan tentang Normalisasi histogram.Sebelumnya saya harap agan sudah mengerti tentang histogram.Jika belum bisa di baca dulu di tulisan saya sebelumnya di sini . Normalisasi Histogram adalah menskalakan nilai piksel secara linear untuk menggunakan secara penuh jangkauan yang tersedia. Rumus :  Keterangan : n k= nilai grayscale dari piksel ke k(k = 0,1,2,3....) min = nilai grayscale terkecil yang diperoleh dari histogram max = nilai grayscale terbesar L = range nilai grayscale citra Contoh perhitungan : dari tabel di atas,nilai min adalah 2 yaitu nilai grayscale terkecil dari citra dan max adalah 5 s = 0 - 2 /5 - 2 =0 (untuk n = 0)  hasil = 0 x 7(nilai maksimal grayscale) = 0 sk = 3 - 2 /5 - 2 = 0.333  (untuk n = 3) hasil = 0.333 x 7 = 2 keterangan : 7 adalah range grayscale dari citra,dan untuk banyak kasus biasanya memakai 255. Tujuan Normalisasi...
1 komentar
Baca selengkapnya