Langsung ke konten utama

Part 4 : Implementasi Citra Negatif

Selamat malam pemirsa....
mumpung ada kesempatan buat nulis,saya mau lanjutkan tulisan saya yang kemarin tentang pengolahan citra dan kali ini saya mau membahas tentang citra negatif.

Apa itu citra negatif  ??

Citra negatif adalah citra hasil dari pembalikan nilai intensitas.Maksudnya ...??
anggap aja citra yang warnanya dibalik....contoh,jika warna aslinya putih jadi hitam,jika warna aslinya hitam jadi putih.kira kira seperti itulah sedikit gambaran dari saya.

Terus buat apa citra pake' dibalik segala ??

itu tergantung keperluan.Jadi ada yang mudah membaca hitam di atas putih,ada juga yang lebih mudah membaca putih di atas hitam.Rumus dasarnya sebagai berikut

j = 255 - f ;
j = citra keluaran
f = citra input

Simpel kan ??
nah...langkah langkahnya kurang lebih seperti ini
  1. pertama kita load gambar yang akan di olah
  2. ambil rgb piksel ke(x,y)
  3. ambil nilai rata rata dari nilai rgb ( grey = r+g+b / 3)
  4. hitung nilai keluaran  ( j = 255 - grey )
  5. set nilai rgb piksel ke (x,y) dengan nilai j
  6. lakukan untuk semua piksel dari gambar
  7. tampilkan atau simpan hasil menjadi gambar

nah untuk implementasinya kira kira seperti ini.

  1.  Import class yang dibutuhkan 
  2.   Load Gambar yang akan diproses
  3. dan berikut prosedur untuk melakukan perhitungan   
dan seperti inilah hasilnya

    1. Citra asli

 

    2. Citra Hasil

 

Demikian pemirsa implementasinya.Disini saya menggunakan java dalam implementasinya.
source code saya tampilkan dalam bentuk gambar sengaja agar agan juga mau ngoding sendiri dan mencoba langsung. (sebetulnya karena saya juga males ngetik ulang,hehehe...).

Sekian dulu ya gan...kita sambung dilain kesempatan dan JANGAN MALAS MENCOBA NGODING...
Sampai jumpa...
Label:

Komentar

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