Langsung ke konten utama

Part 2 : Implementasi Grayscale dengan Java

Assalamu'alaikum Warohmatullahi Wabarokatu...

Jumpa lagi dengan saya,karena lagi kangen kangennya nih nulis makanya sehari aja udah buat 2 tulisan.Nganjutin tulisan saya sebelumnya tentang Pengolahan citra,kali ini saya akan membahas tentang grayscale.

Apa itu citra grayscale ??

Grayscale adalah citra dengan warna piksel dengan rentang gradasi antara hitam dan putih dan kalau dalam angka antara 0-255.Contoh :
Contoh Citra Grayscale

Citra grayscale mempunyai nilai Red,Green dan Blue yang sama antara 0-255.Algoritma Grayscale :
  1. Load gambar
  2.  x = panjang gambar,y = lebar gambar
  3. ambil RGB dari setiap piksel(y,x) 
  4. ambil rata rata Grey = (Red + Green+Blue)/3
  5. set nilai RGB untuk piksel(y,x) dengan nilai Grey setRGB(grey,grey,grey)
  6. ulangi langkah 3-5 sampai semua piksel terbaca
untuk inplementasi dengan java kira kira seperti ini :


   1. import library yang di butuhkan

  
    2.Buat Class dan Variable yang di butuhkan
        
        public class PengolahanCitra {
              BufferedImage image;
              String namegray="grayscale.jpg";
               int width,height;
             public PengolahanCitra(String file){

              }
       public static void main(String[]args){
            PengolahanCitra obj=new PengolahanCitra("sampel4.jpg");
           }
        }

    3. load gambar dan set nilai variable di construktor


   4. Buat prosedure grayscale
   5. Panggil prosedure object dan prosedure dengan input url image yang akan di olah

Naah seperti itulah kira kira implementasinya menurut versi saya.Untuk implementasi dari algoritma ada di prosedure grayscale.Koding sengaja saya jadikan gambar agar agan agan mau mencoba ngoding langsung ( Sebenernya juga karena saya males ngoding ulang disini,hehehe.....).

Sekian dulu deh postingan saya kali ini.Semoga bermanfaat dan gak bosan bosan lihat postingan saya yang yaahh...mungkin agak gak penting.Sampai jumpa...Salam Super ( kayak Mario Teguh,hehehe).





Komentar

  1. paham materi tentang pascal gak bang? kalo paham share-share lah :)

    BalasHapus
  2. waah...kalo pascal belum pernah nyoba gan....next time pasti dicicipin,hehehehe

    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 ...

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-...

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...