image morphology (erosi dan dilasi)

1. Operasi Morphologi

Morphologi adalah teknik pengolahan citra digital dengan menggunakan bentuk  (shape) sebagai pedoman dalam pengolahan. Nilai dari setiap pixel dalam citra digital hasil diperoleh melalui proses perbandingan antara pixel yang bersesuaian pada citra digital masukan dengan pixel tetangganya. Operasi morphologi bergantung pada urutan kemunculan dari  pixel, tidak memperhatikan nilai  numeric dari  pixel sehingga teknik morphologi sesuai apabila digunakan untuk melakukan pengolahan binary image dan grayscale image. Dengan mengatur atau memilih ukuran dan bentuk dari matrik kernel (structuring element) yang digunakan maka kita dapat mengatur sensitivitas operasi morphologi terhadap bentuk tertentu (spesifik) pada citra digital masukan. Operasi morphologi standar yang dilakukan adalah proses erosi dan dilatasi. Dilatasi adalah proses penambahan pixel pada batas dari suatu objek pada citra digital masukan, sedangkan erosi adalah proses pemindahan/pengurangan pixel pada batas dari suatu objek. Jumlah  pixel yang ditambahkan atau yang dihilangkan dari batas objek pada citra digital masukan tergantung pada ukuran dan bentuk dari structuring element yang digunakan.

1.1 Operasi Dilatasi

Dilatasi adalah operasi morphologi yang akan menambahkan  pixel pada batas antar objek dalam suatu citra digital. Operasi ini menggunakan aturan sebagai berikut: 

“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai maksimal yang diperoleh dari himpunan pixel tetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 1 maka  output pixel akan diset menjadi 1”.

Gambar 1. Proses Dilatasi pada Binary Image

Gambar 2. Proses Dilatasi pada Grayscale Image

1.2 Operasi Erosi

Erosi adalah operasi morphologi yang akan mengurangi pixel pada batas antar objek dalam suatu citra digital. Operasi ini menggunakan aturan sebagai berikut:

“Untuk gambar grayscale maka nilai hasil operasi (output pixel) adalah nilai minimal yang diperoleh dari himpunan pixeltetangganya. Dalam binary image, jika ada pixel tetangga yang bernilai 0 maka  output pixel akan diset menjadi 0”.

Gambar 3. Proses Erosi pada Grayscale Image

Read more »

Konvolusi & Kolerasi Pada Pengolahan Citra

pada posting kali ini mengenai tugas ke-2 dari mata kuliah pengolahan citra dengan bahasan Konvolusi & Kolerasi

Konvolusi

Secara umum konvolusi didefinisikan sebagai cara untuk mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang ketiga. Didalam dunia seismik deret-deret angka tersebut adalah wavelet sumber gelombang, reflektivitas bumi dan rekaman seismik.

Secara matematis, konvolusi adalah integral yang mencerminkan jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b sehingga menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk.

Sehingga, a*b = c berarti fungsi a dikonvolusikan dengan fungsi b menghasilkan fungsi c.

Setelah mengetahui definisi dari konvolusi, kita akan mencoba mempraktekkannya pada MATLAB

Berikut adalah langkah-langkah yang diperlukan :

1. Buka Editor (pada tab menu pilih Dekstop >> Editor)
2. Lalu pilih file>>new script
3. Kemudian masukkan perintah dibawah ini
    
4. Setelah memasukkan script diatas, kemudian save file anda (directory bebas)
5. Setelah melakukan proses save diatas, kemudian copykan file gambar yang hendak d konvolusikan pada directory script(file yang sudah disave diatas) yang sama.
6. Lalu tekan F5

Citra awal

Citra hasil konvolusi

Proses olah citranya sebagai berikut:

Sample yang digunakan adalah matriks 5x5

Citra hasil konvolusi

Proses penghitungan sample matriks 5x5 secara manual :

Rumus yang digunakan f(x)*g(x)

Nilai mask yang dipakai:

Kolerasi

Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel.

Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square menggunakan data nominal. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat ketergantungan antara dua variabel tersebut.

Jika koefesien korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) positif.

Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif.

Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.

Pada kolerasi rumus yang digunakan adalah :

Hasil proses perhitungan pada MATLAB :

Script yang digunakan pada perhitungan MATLAB adalah :

Read more »

Image Processing Sederhana dengan VB.net

Program aplikasi ini dapat di download pada blog www.danangjunaedi.wordpress.com, namun hanya penggalan program saja yang dapat digunakan, tidak semua tab menu dapat dijalankan. Penggunaan aplikasi ini terbilang sangat mudah, yaitu kita hanya diminta memasukkan sebuah file image/gambar. Kemudian kita dapat memanipulasi image/gambar tersebut.

Langkah-langkah penggunaannya adalah sebagai berikut :

Jalankan aplikasi ini pada Visual Studio.

Setelah aplikasi sederhana tersebut dijalankan, kita masukkan sebuah image/gambar yang akan dimanipulasi.

Lalu setelah itu kita bebas hendak memanipulasi file image/gambar tersebut sesuka hati dengan memanfaatkan opsi-opsi yang telah disediakan pada aplikasi. contoh : file dimanipulasi menggunakan weight smoothing. 

Aplikasi sederhana ini dapat di download disini

nb: aplikasi sederhana ini tidak semua option dapat dijalankan, jadi yang dapat dijalankan hanya sebagian opsi yang sudah kita modifikasi.

Read more »

Konvolusi & Kolerasi

pada posting kali ini mengenai tugas ke-2 mata kuliah pengolahan citra dengan bahasan mengenai Konvolusi & Kolerasi

Konvolusi

Secara umum konvolusi diartikan sebagai cara untuk mengkombinasikan dua buah deret angka yang menghasilkan deret angka yang ketiga. Didalam dunia seismik deret-deret angka tersebut adalah wavelet sumber gelombang, reflektivitas bumi dan rekaman seismik.

Secara matematis, konvolusi adalah integral yang mencerminkan jumlah lingkupan dari sebuah fungsi a yang digeser atas fungsi b sehingga menghasilkan fungsi c. Konvolusi dilambangkan dengan asterisk. Sehingga, a*b = c berarti fungsi a dikonvolusikan dengan fungsi b menghasilkan fungsi c. Setelah mengetahui definisi dari konvolusi, kita akan mencoba mempraktekkannya pada MATLAB

Berikut adalah langkah-langkah yang diperlukan :

1. Buka Editor (pada tab menu pilih Dekstop -> Editor)

2. Lalu pilih file -> new script

3. Kemudian masukkan perintah dibawah ini

4. Setelah memasukkan script diatas, kemudian save file anda (directory bebas)

5. Setelah melakukan proses save diatas, kemudian copykan file gambar yang akan di konvolusikan pada directory script(file yang sudah disave diatas) yang sama.

6. Setelah itu tekan F5

Citra awal

Citra hasil konvolusi

Proses olah citranya sebagai berikut:

Sample yang digunakan adalah matriks 5x5

Citra hasil konvolusi

Proses penghitungan sample matriks 5x5 secara manual :

Rumus yang digunakan f(x)*g(x)

Nilai mask yang dipakai:

Kolerasi

Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan (measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel.

Korelasi bermanfaat untuk mengukur kekuatan hubungan antara dua variabel (kadang lebih dari dua variabel) dengan skala-skala tertentu, misalnya Pearson data harus berskala interval atau rasio; Spearman dan Kendal menggunakan skala ordinal; Chi Square menggunakan data nominal. Kuat lemah hubungan diukur diantara jarak (range) 0 sampai dengan 1. Korelasi mempunyai kemungkinan pengujian hipotesis dua arah (two tailed). Korelasi searah jika nilai koefesien korelasi diketemukan positif; sebaliknya jika nilai koefesien korelasi negatif, korelasi disebut tidak searah. Yang dimaksud dengan koefesien korelasi ialah suatu pengukuran statistik kovariasi atau asosiasi antara dua variabel. Jika koefesien korelasi diketemukan tidak sama dengan nol (0), maka terdapat ketergantungan antara dua variabel tersebut.

Jika koefesien korelasi diketemukan +1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) positif.

Jika koefesien korelasi diketemukan -1. maka hubungan tersebut disebut sebagai korelasi sempurna atau hubungan linear sempurna dengan kemiringan (slope) negatif.

Dalam korelasi sempurna tidak diperlukan lagi pengujian hipotesis, karena kedua variabel mempunyai hubungan linear yang sempurna. Artinya variabel X mempengaruhi variabel Y secara sempurna. Jika korelasi sama dengan nol (0), maka tidak terdapat hubungan antara kedua variabel tersebut.

Pada kolerasi rumus yang digunakan adalah :

Hasil proses perhitungan pada MATLAB :

Script yang digunakan pada perhitungan MATLAB adalah :

Read more »

Pengolahan Citra – RGB, Histogram dan Depth Resolution

Ekstraksi Nilai Pixel RGB

Pengolahan citra yang berbasis warna bisa dilakukan pemisahan warna yang ada pada citra khususnya citra RGB, MATLAB menyediakan fasilitas untuk memisahkan ketiga warna RGB, langkah-langkah yang dilakukan untuk melakukan pemisahan warna RGB sebagai berikut:

gambar=imread(‘messi.jpg’); %——–membaca file

red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi pixel warna merah
green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi pixel warna merah
blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi pixel warna merah
%———-menampilkan gambar———————
imshow(gambar)
imshow(red)
imshow(green)
imshow(blue)
note : pada line 1 terdapat cetak miring dan garis tebal pada “messi” itu menunjukan file yang ingin kita atur dengan memasukan gambarnya ke path MATLAB.

source di atas kita masukan/copy/pijit ctrl+c kedalam editor MATLAB. dengan cara :
jalankan aplikasi MATLAB
pilih file >> new >> M-File.
tekan CTRL+V. selanjutya tekan F5 untuk running hasil

RED

GREEN

BLUE

Membuat Histogram Image

Fungsi yang disediakan MATLAB untuk membuat histogram dari gambar yaitu dengan fungsi imhist(matrik_1_dimensi_image) Perlu diperhatikan bahwa imhist hanya dapat digunakan untuk matrik image 1 dimensi sehingga bila diimplementasikan pada matriks gambar maka hanya berupa matriks merah saja, hijua saja, biru saja atau grayscale.
Contoh penggunaan Histogram dari Image yaitu:

1. gambar=imread(‘messi.jpg’); %——–membaca file gambar
2. red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi pixel warna merah
3. green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi pixel warna merah
4. blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi pixel warna merah
5. merahgray2=0.3*red+0.5*green+0.2*blue ;
6. imhist(red)
7. imhist(green)
8. imhist(blue)
9. imhist(gray)

nah, ketika kita tekan F5 apa yag akan terjadi ? jeng jeng..berikut screenshoot dari hasil source diatas :

Depth Resolution

Cara menghitung Depth Resolution untuk menguji perhitungan besar kapasitas gambar namun sebelum masuk ke perhitungan kita buat dulu gambar jpg tadi menjadi bmp agar perhitungan kita sudah benar atau belum.

misalkan gambar adidas tadi resolutionnya adalah 600×450.

24 bit image :

600 x 450 = 270000

File Size :

270000 x 3 = 810000 bytes

konversi ke KB :

810000 / 1024 = 791,015 KB = 791 KB

Read more »