Langsung ke konten utama

OpenCV di Netbeans


Selamat Siang Pemirsa...

jumpa lagi dengan saya di awal tahun 2015 ini.Gimana awal tahunnya ?? menyenangkan atau malah parah ??yang pasti awal tahun adalah hari hari yang sibuk karena lagi musim UAS.Hehehe

DI awal tahun ini saya lagi mau nulis tentang OpenCV.

Apa itu OpenCV ??

Kalo belum ngerti tentang OpenCV tanya dulu deh sama Google.Kelamaan ntar kalo saya harus jelasin dari awal.
OpenCV adalah library yang digunakan untuk pengolahan citra (Computer Vision ) yang dapat digunakan untuk berbagai platform dan bahasa (C++,Phyton,Java,Android,Dll).OpenCV bisa di Download Gratis di website resminya di sini.Bisa agan pilih sesuai OS yang agan gunakan.

Setelah selesai di download,jalankan/ekstrak file ke folder yang agan suka.contoh kalo saya di direktori C:\
dan seperti inilah directori OpenCV yang selesai di ekstrak


di sana  ada 2 direktori,
  • build,adalah direktori tempat library siap pakai yang bisa agan gunakan untuk project opencv agan agan sesuai dengan bahasa yang agan gunakan.Juga ada folder doc yang  berisi dokumentasi yang disediakan OpenCV untuk penggunaan OpenCV di Bahasa C++
  • Source,adalah direktori penyimpanan source code mentah opencv 
untuk penggunaan di java agan bisa buka di direktori build -> java disana ada file jar yang digunakan dalam project yang akan agan buat dan folder x64 dan x86 adalah berisi library yang digunakan di dalam program nanti

Untuk penjelasan awal tentang OpenCV saya rasa cukup sekian dulu.Kita lanjut di tulisan saya selanjutnya tentang OpenCV.See You

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