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 + (1*(-1)*0) = 0 w2_baru = w2_lama +(learning_rate*error*x2)                = 0+(1*(-1)*0) = 0
12 komentar
Baca selengkapnya

Pemrograman Berorientasi Object - Overloading dan Overriding

       Function atau method overloading dan override adalah fitur yang sangat mendasar dan berguna dari bahasa OOP manapun. Dalam tutorial ini kita akan membahas implementasi metode overloading dan override di php. Di sini pertama kita akan membahas dasar-dasar overloading dan override. Setelah eksplorasi dasar kita akan menerapkan overloading dan override di php. Sebelum melangkah lebih jauh, saya mengasumsikan bahwa Anda memiliki pengetahuan dasar tentang class dan pewarisan di php. Anda juga memiliki pemahaman tentang magic method di php. Magic method karena overloading di php bisa di implmentasikan dengan menggunakan magic method. Overriding        Arti dasar dari overriding di OOP sama dengan arti kata sebenarnya. Dalam arti kata sebenarnya dari overriding adalah menggantikan perilaku orang tua yang sama pada anak. Ini sama dengan override method di OOP. Dalam arti OOP, override adalah mengganti method class induk di class anak. Atau dengan method kata kunci sederhana yang me
1 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)+((0-0)^2)) = 1         kelas 1 = sqrt(((0-1)^2)+((1-0)^2)+((1-
38 komentar
Baca selengkapnya