Langsung ke konten utama

Part 8 : Implementasi Normalisasi Histogram Di Java

Menyambung tulisan saya yang sebelumnya,kali ini saya akan melanjutkan tentang implementasi normalisasi histogram di Java.Apabila belum mengerti tentang konsep normalisasi histogram,bisa di baca ulang di Part 7.

Langkah langkah implementasinya sebagai berikut
  1. Load gambar yang akan di proses
  2. Ambil nilai histogram gambar,untuk lebih detailnya bisa di lihat di Part 6
  3. ambil nilai min dan max dari histogram,
  4. nilai min,x = 0 to histogram.length ,if histogram[x]!= 0 then min = x break;x++
  5. nilai max,x = histogram.length - 1 to 0,if histogram[x] !=0 then max = x break,x--
  6. x = 0 
  7. jika x < panjang gambar maka lanjut langkah 8,jika tidak tampilkan gambar hasil
  8. y = 0 
  9. jika y < lebar gambar maka lanjut ke langkah 10,jika tidak kembali ke langkah 7 dengan x +1
  10. ambil rgb dari piksel (y,x) dan jadikan grayscale grey = red+green+blue / 3
  11. hasil =( (grey - min)/(max - min)) x 255
  12. set piksel keluaran ke (y,x) dengan nilai hasil perhitungan dan kembali ke langkah 9 dengan y + 1
  13. selesai
Untuk implementasinya sebagai berikut

    Load library yang di butuhkan
   
 
     Load gambar
   
  
    Fungsi Normalisasi
   


    Fungsi main

dan hasil dari program tersebut adalah sebagai berikut

gambar asli
dengan histogram

setelah di proses di dapat hasil sebagai berikut
  dengan histogram

 Sekian dulu tulisan saya kali ini,sekali lagi kode saya jadikan gambar agar agan mau mencoba menganalisa dan mencoba koding langsung.Sampai mencoba dan Sampai jumpa di tulisan saya selanjutnya.
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