Langsung ke konten utama

Part 1 : Introduction Pengolahan Citra

Assalamu'alaikum Warohmatullahi Wabarokatu

Lama sekali gak buat tulisan sampek lupa caranya ngeblog.Lagi sibuk sibuknya kerja dan kuliah sampek lupa ngeblog,lupa kalo punya lapak disini,hehe..

Lama gak ngeblog sekarang saya datang lagi mau sedikit cerita tentang yang lagi saya pelajari di hari hari sekarang yaitu Pengolahan Citra.

Pengolahan Citra ?? Apa itu ?? Buat apa citra di olah ?? bisa jadi makanan kah ??

sebelum jelasin pertanyaan itu,sedikit saya jelasin apa itu citra.

Citra (Bahasa Inggris: image) adalah kombinasi antara titik, garis, bidang, dan warna untuk menciptakan suatu imitasi dari suatu obyek–biasanya obyek fisik atau manusia. Citra bisa berwujud gambar (picture) dua dimensi, seperti lukisan, foto, dan berwujud tiga dimensi, seperti patung.

begitu kira kira definisi citra menurut Om Wikipedia.

Pada dasarnya citra merupakan bentuk nyata dari matrik yang mempuyai baris dan kolom.Apa itu matrik  ??pasti pada ingat-ingat males gitu kalo denger yang begituan,sama kayak aku juga,hehehe.Dari kecil sampek sekarang yang juga masih kecil saya gak pernah suka sama yang namanya Matematika.Tapi mau gak mau sekarang harus suka.Kembali lagi ke topik bahasan,

Citra atau image adalah representasi nyata dari sebuah matrik.Nilai dari matrik adalah nilai piksel dari sebuah citra.
Matrik

dan jika dijadikan Image kira kira seperti ini :
Image Biner

angka pada matrik adalah nilai untuk setiap piksel dengan 0 mewakili hitam dan 1 sebagai putih.Jadi sekarang mulai deh buka lagi catatan atau buku Matematika yang hampir ke tukang loak,dan buka lagi tentang matrik dan operasinya.Karena kita main main dengan matrik untuk main dengan citra.

Sementara segitu dulu ya perkenalan kita,sekedar pengobat rindu saya dengan aktivitas menulis ini.Kita sambung lagi artikel ini sampai kita bisa buat software kaya Shotoshop,hehehe....

Oke,sampai jumpa.

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...