Langsung ke konten utama

Part 5 : Histogram

Selamat pagi pemirsa...
jumpa lagi dengan saya di lapak saya yang baru ini.Menyambung pembicaraan kita sebelumnya,kali ini saya mau ngomongin tentang histogram.sudah pada ngerti definisi Histogram belum ?? kalo belum coba searching lagi pengertian histogram.

Histogam dalam pengolahan citra adalah grafik yang menunjukkan distribusi dari nilai intensitas citra.Histogram menampilkan intensitas kemunculan nilai derajat keabuan citra.
Contoh :

gambar di atas adalah contoh citra dengan ukuran piksel 5 * 5 dengan nilai intensitas terkecil adalah 0 dan terbesar adalah 7.
dari citra tersebut kita hitung,citra dengan nilai 0 ada berapa piksel,citra dengan nilai 1 ada berapa piksel seperti yang ditunjukkan tabel yang sebelah kanan,kemudian dari hasil tersebut ditampilkan dalam bentuk grafik seperti berikut.

sumbu vertikal adalah jumlah piksel,dan sumbu horisontal adalah nilai intensitas keabuan dari citra.

Terus untuk apa kita menampilkan grafik histogram dari citra ??

histogram digunakan untuk memetakan persebaran nilai intensitas citra.

Contoh :
Citra gelap cenderung terkonsentrasi pada nilai gray yang rendah atau sebelah kiri seperti gambar berikut ini

begitu pula untuk citra yang terang cenderung terkonsentrasi pada nilai intensitas tinggi atau di sebelah kanan seperti gambar berikut









Kalau begitu bagaimana citra yang baik ??
citra yang baik adalah yang mempunyai persebaran nilai yang merata,menggunakan seluruh range dari nilai intensitas sehingga gambar menjadi lebih terang dan lebih terlihat detailnya seperti gambar berikut


nah sudah pada tahu kan fungsi dari histogram  ??

pada pertemuan selanjutnya saya lanjutkan dengan perbaikan citra dengan menggunakan normalisasi histogram dan equalisasi histogram agar manfaat histogram bisa kita praktekkan.

Sekian dulu dari saya,semoga dapat menambah referensi agan agan semua dalam pengolahan citra.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...