Dokumen tersebut membahas tentang konsep-konsep dasar dalam analisis citra digital seperti histogram, derajat keabuan, kontras, dinamik, dan teknik equalisasi untuk memperbaiki citra dengan kontras rendah dengan cara mendistribusikan piksel secara merata ke seluruh rentang nilai.
Dokumen tersebut membahas tentang histogram citra, yaitu grafik yang menunjukkan frekuensi kemunculan nilai intensitas piksel pada citra. Histogram berguna untuk menganalisis kecerahan dan kontras citra, serta pemilihan ambang batas pada segmentasi citra. Contoh histogram diberikan untuk citra grayscale 10x10 pixel dengan 3 bit kedalaman, beserta penjelasan cara membuat dan menormalisasikannya. Mahasiswa diminta membuat histogram citra contoh tersebut dengan du
Dokumen tersebut membahas tentang transformasi citra digital. Ada beberapa jenis transformasi citra seperti cosine diskret, Fourier, dan wavelet. Transformasi citra digunakan untuk mengubah representasi citra menjadi bentuk yang lebih sesuai untuk proses selanjutnya seperti kompresi data. Beberapa contoh transformasi citra linier yang disebutkan adalah konformal, affine, proyeksi, polinomial, dan piewise linear.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Dari histogram dapat diketahui frekuensi relatif intensitas pixel dan karakteristik kecerahan serta kontras citra. Histogram dihitung dengan rumus ni/n dimana ni adalah jumlah pixel dengan intensitas i dan n adalah jumlah total pixel. Bentuk dan lebar puncak histogram menunjukkan kontras citra.
Dokumen tersebut membahas tentang pembentukan citra digital, meliputi proses penerokan dan kuantisasi citra kontinyu menjadi citra diskrit, serta unsur-unsur yang membentuk citra digital seperti derajat keabuan, kontur, warna, bentuk dan tekstur.
Dokumen tersebut membahas tentang konsep-konsep dasar dalam analisis citra digital seperti histogram, derajat keabuan, kontras, dinamik, dan teknik equalisasi untuk memperbaiki citra dengan kontras rendah dengan cara mendistribusikan piksel secara merata ke seluruh rentang nilai.
Dokumen tersebut membahas tentang histogram citra, yaitu grafik yang menunjukkan frekuensi kemunculan nilai intensitas piksel pada citra. Histogram berguna untuk menganalisis kecerahan dan kontras citra, serta pemilihan ambang batas pada segmentasi citra. Contoh histogram diberikan untuk citra grayscale 10x10 pixel dengan 3 bit kedalaman, beserta penjelasan cara membuat dan menormalisasikannya. Mahasiswa diminta membuat histogram citra contoh tersebut dengan du
Dokumen tersebut membahas tentang transformasi citra digital. Ada beberapa jenis transformasi citra seperti cosine diskret, Fourier, dan wavelet. Transformasi citra digunakan untuk mengubah representasi citra menjadi bentuk yang lebih sesuai untuk proses selanjutnya seperti kompresi data. Beberapa contoh transformasi citra linier yang disebutkan adalah konformal, affine, proyeksi, polinomial, dan piewise linear.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Dari histogram dapat diketahui frekuensi relatif intensitas pixel dan karakteristik kecerahan serta kontras citra. Histogram dihitung dengan rumus ni/n dimana ni adalah jumlah pixel dengan intensitas i dan n adalah jumlah total pixel. Bentuk dan lebar puncak histogram menunjukkan kontras citra.
Dokumen tersebut membahas tentang pembentukan citra digital, meliputi proses penerokan dan kuantisasi citra kontinyu menjadi citra diskrit, serta unsur-unsur yang membentuk citra digital seperti derajat keabuan, kontur, warna, bentuk dan tekstur.
Teks tersebut membahas tentang perbaikan kualitas citra melalui beberapa teknik seperti pengubahan kecerahan gambar, peregangan kontras, dan perataan histogram. Teknik-teknik tersebut bertujuan untuk memperbaiki kualitas citra agar ciri-ciri tertentu dalam citra lebih jelas terlihat.
Dokumen tersebut membahas proses pembentukan dan digitalisasi citra, dimulai dari model matematis citra sebagai fungsi intensitas cahaya pada bidang dua dimensi, kemudian proses akuisisi citra menjadi citra digital melalui penerokan dan kuantisasi, serta representasi citra digital sebagai matriks nilai intensitas piksel. Dokumen juga menjelaskan beberapa teknik kuantisasi seperti uniform mapping dan logarithmic mapping.
Dokumen tersebut menjelaskan tentang perbaikan kualitas citra (image enhancement) yang merupakan salah satu proses preprocessing citra. Beberapa teknik perbaikan kualitas citra yang dijelaskan antara lain pengubahan kecerahan gambar, peregangan kontras, pengubahan histogram citra, dan spesifikasi histogram. Pengubahan histogram citra meliputi perataan histogram untuk memperoleh penyebaran histogram yang merata serta spesifikasi histogram untuk menghasilkan histogram sesuai yang diingink
Dokumen tersebut membahas pengolahan citra digital dengan menggunakan MATLAB. Terdapat penjelasan mengenai teori citra digital, format file citra, dan berbagai fungsi MATLAB untuk membaca, menampilkan, dan mengolah citra digital seperti konversi warna, filtering, dan transformasi Fourier diskrit."
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Histogram dapat menunjukkan tingkat kecerahan dan kontras citra. Histogram dihitung dengan menghitung frekuensi kemunculan setiap nilai intensitas dan membaginya dengan jumlah total pixel. Bentuk dan lebar histogram memberikan informasi tentang kontras dan distribusi intensitas pixel pada citra.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Histogram dapat menunjukkan tingkat kecerahan dan kontras citra. Histogram dihitung dengan menghitung frekuensi kemunculan setiap nilai intensitas dan membaginya dengan jumlah total pixel. Bentuk dan lebar histogram memberikan informasi tentang kontras dan distribusi intensitas pixel pada citra.
1. Dokumen tersebut membahas berbagai teknik dasar pengolahan citra digital seperti kuantisasi, brightness, contrast, inversi, histogram, histogram equalization, filtering, korelasi, dan konvolusi.
1. Dokumen tersebut membahas berbagai teknik dasar pengolahan citra digital seperti kuantisasi, brightness, contrast, inversi, histogram, histogram equalization, filtering, korelasi, dan konvolusi.
Dokumen tersebut membahas proses digitalisasi citra yang meliputi penerokan (sampling), kuantisasi, dan representasi citra digital. Proses ini diperlukan agar citra dapat diolah oleh komputer. Penerokan berupa diskritisasi spasial citra kontinu menjadi pixel, sedangkan kuantisasi mengkonversi intensitas cahaya menjadi nilai diskrit. Hasil akhirnya adalah citra digital berupa matriks yang merepresentasikan intensitas setiap pixel.
1. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 membahas pendeteksian obyek menggunakan pengolahan warna model normalisasi RGB.
2. Metode ini mudah, cepat, dan efektif untuk mendeteksi obyek seperti bola sepak berwarna oranye dengan menghitung persentase warna RGB.
3. Metode ini mampu mendeteksi obyek walaupun terdapat perubahan intensitas cahaya hingga nilai brightness 80.
Dokumen tersebut membahas tentang pengertian citra digital, komponen-komponen citra digital seperti piksel, warna, resolusi, dan kedalaman bit. Juga dibahas teknologi pengolahan citra seperti transformasi, sampling, dan segmentasi citra.
Dokumen tersebut membahas tentang citra digital, dimana citra digital dapat didefinisikan sebagai fungsi dua variabel dimana variabel tersebut merupakan koordinat spasial dan nilainya merupakan intensitas citra pada koordinat tersebut. Citra digital dihasilkan dari proses digitalisasi citra analog melalui sampling dan kuantisasi.
Teks tersebut membahas tentang perbaikan kualitas citra melalui beberapa teknik seperti pengubahan kecerahan gambar, peregangan kontras, dan perataan histogram. Teknik-teknik tersebut bertujuan untuk memperbaiki kualitas citra agar ciri-ciri tertentu dalam citra lebih jelas terlihat.
Dokumen tersebut membahas proses pembentukan dan digitalisasi citra, dimulai dari model matematis citra sebagai fungsi intensitas cahaya pada bidang dua dimensi, kemudian proses akuisisi citra menjadi citra digital melalui penerokan dan kuantisasi, serta representasi citra digital sebagai matriks nilai intensitas piksel. Dokumen juga menjelaskan beberapa teknik kuantisasi seperti uniform mapping dan logarithmic mapping.
Dokumen tersebut menjelaskan tentang perbaikan kualitas citra (image enhancement) yang merupakan salah satu proses preprocessing citra. Beberapa teknik perbaikan kualitas citra yang dijelaskan antara lain pengubahan kecerahan gambar, peregangan kontras, pengubahan histogram citra, dan spesifikasi histogram. Pengubahan histogram citra meliputi perataan histogram untuk memperoleh penyebaran histogram yang merata serta spesifikasi histogram untuk menghasilkan histogram sesuai yang diingink
Dokumen tersebut membahas pengolahan citra digital dengan menggunakan MATLAB. Terdapat penjelasan mengenai teori citra digital, format file citra, dan berbagai fungsi MATLAB untuk membaca, menampilkan, dan mengolah citra digital seperti konversi warna, filtering, dan transformasi Fourier diskrit."
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Histogram dapat menunjukkan tingkat kecerahan dan kontras citra. Histogram dihitung dengan menghitung frekuensi kemunculan setiap nilai intensitas dan membaginya dengan jumlah total pixel. Bentuk dan lebar histogram memberikan informasi tentang kontras dan distribusi intensitas pixel pada citra.
Histogram citra adalah grafik yang menggambarkan penyebaran nilai intensitas pixel pada citra. Histogram dapat menunjukkan tingkat kecerahan dan kontras citra. Histogram dihitung dengan menghitung frekuensi kemunculan setiap nilai intensitas dan membaginya dengan jumlah total pixel. Bentuk dan lebar histogram memberikan informasi tentang kontras dan distribusi intensitas pixel pada citra.
1. Dokumen tersebut membahas berbagai teknik dasar pengolahan citra digital seperti kuantisasi, brightness, contrast, inversi, histogram, histogram equalization, filtering, korelasi, dan konvolusi.
1. Dokumen tersebut membahas berbagai teknik dasar pengolahan citra digital seperti kuantisasi, brightness, contrast, inversi, histogram, histogram equalization, filtering, korelasi, dan konvolusi.
Dokumen tersebut membahas proses digitalisasi citra yang meliputi penerokan (sampling), kuantisasi, dan representasi citra digital. Proses ini diperlukan agar citra dapat diolah oleh komputer. Penerokan berupa diskritisasi spasial citra kontinu menjadi pixel, sedangkan kuantisasi mengkonversi intensitas cahaya menjadi nilai diskrit. Hasil akhirnya adalah citra digital berupa matriks yang merepresentasikan intensitas setiap pixel.
1. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 membahas pendeteksian obyek menggunakan pengolahan warna model normalisasi RGB.
2. Metode ini mudah, cepat, dan efektif untuk mendeteksi obyek seperti bola sepak berwarna oranye dengan menghitung persentase warna RGB.
3. Metode ini mampu mendeteksi obyek walaupun terdapat perubahan intensitas cahaya hingga nilai brightness 80.
Dokumen tersebut membahas tentang pengertian citra digital, komponen-komponen citra digital seperti piksel, warna, resolusi, dan kedalaman bit. Juga dibahas teknologi pengolahan citra seperti transformasi, sampling, dan segmentasi citra.
Dokumen tersebut membahas tentang citra digital, dimana citra digital dapat didefinisikan sebagai fungsi dua variabel dimana variabel tersebut merupakan koordinat spasial dan nilainya merupakan intensitas citra pada koordinat tersebut. Citra digital dihasilkan dari proses digitalisasi citra analog melalui sampling dan kuantisasi.
Dokumen ini membahas konsep vektor dan matriks, termasuk definisi, jenis, dan operasi mereka. Vektor adalah himpunan besaran dengan indeks yang jelas sedangkan matriks adalah himpunan yang berdimensi lebih dari satu. Ada beberapa jenis vektor dan matriks seperti vektor baris, kolom, basis, serta matriks bujur sangkar, persegi panjang, nol, dan diagonal. Operasi yang dibahas meliputi penjumlahan
Penajaman citra dapat dilakukan dengan menggunakan penapis lolos-tinggi yang akan memperkuat komponen berfrekuensi tinggi seperti tepi objek, sehingga tepi objek terlihat lebih tajam dibandingkan area sekitarnya. Penapis yang umum digunakan untuk penajaman citra antara lain penapis gradient dan Laplacian.
Metode perbaikan kualitas citra dalam ranah spasial meliputi pencerahan citra, menegatifkan citra, peregangan kontras, koreksi gamma, graylevel slicing, dan pelembutan citra. Metode-metode tersebut memanipulasi nilai pixel secara langsung untuk meningkatkan kualitas citra dengan cara mengubah kecerahan, menonjolkan rentang keabuan tertentu, atau melembutkan tepi."
1. Computer vision involves processes like image acquisition, image processing, classification, recognition, and decision making to perform visual perception tasks automatically.
2. It uses techniques to estimate object features in images, measure geometry-related features of objects, and interpret geometric information.
3. Computer vision aims to emulate human vision, which involves the eye receiving an image, the brain interpreting it to understand the observed object and use that understanding for decisions.
This document provides an introduction to Python programming. It discusses that Python is an interpreted language and covers advantages like automatic memory management and disadvantages like slower speed compared to compiled languages. It also discusses Python versions and the popular Anaconda IDE. The document then covers key Python concepts like variables, data types, operators, strings, lists, dictionaries, conditionals and loops. It provides examples to demonstrate how to use these core Python elements.
BAB 2_TIPE DATA, VARIABEL, DAN OPERATOR (1) (1).pptxnyomans1
Dokumen tersebut membahas tentang tipe data, variabel, dan operator dalam pemrograman. Terdapat penjelasan mengenai jenis-jenis tipe data primitif dan non primitif, aturan penamaan variabel, dan jenis-jenis operator aritmatika, relasional, logika dan lainnya beserta contoh kode programnya dalam bahasa pemrograman Java.
Teks tersebut membahas tentang Support Vector Machine (SVM) yang merupakan metode klasifikasi dengan mencari hyperplane terbaik untuk memisahkan dua kelas data. SVM bekerja dengan memaksimalkan margin antara kelas data dan hanya menggunakan beberapa titik data terpilih untuk membentuk model klasifikasi. Contoh kasus juga mendemonstrasikan penerapan SVM linier dan non linier pada beberapa dataset.
This document discusses constraint satisfaction problems (CSPs) and algorithms for solving them. It begins with an example scheduling CSP involving class scheduling with various constraints. It then defines the components of a CSP - variables, domains, and constraints. Backtracking search is presented as a basic algorithm for solving CSPs by systematically trying value assignments. The document notes that the variable and value ordering used in backtracking can affect both the runtime and the solution found. It then introduces constraint propagation techniques like arc consistency (AC-3) that prune inconsistent values from domains to reduce the search space before backtracking search. The computational complexity of AC-3 is analyzed as O(DC^2) where D is the maximum domain size and C is the
This document discusses a deep learning course at Carnegie Mellon University for fall 2016 that covers topics like popularization of backpropagation for training neural networks, unsupervised pre-training of deep networks, and convolutional neural networks winning the ImageNet competition in 2012 leading to increased interest in deep learning research. It also shows the architecture of a convolutional neural network and how it is split across two GPUs during training.
"Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ay...Muhammad Nur Hadi
Jurnal "Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ayat 26 dan 32 dan Surah Al-Hujurat Ayat 13), Ditulis oleh Muhammmad Nur Hadi, Mahasiswa Program Studi Ilmu Hadist di UIN SUSKA RIAU.
1. 06 - Histogram Citra
IF4073 Interpretasi dan Pengolahan Citra
Oleh: Rinaldi Munir
Program Studi Teknik Informatika
Sekolah Teknik Elektro dan Informatika
Institut Teknologi Bandung
2021
2. Histogram Citra
• Histogram citra (image histogram) merupakan informasi yang penting mengenai
isi citra digital.
• Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai
intensitas pixel dari suatu citra atau bagian tertentu di dalam citra.
3. • Dari sebuah histogram dapat diketahui frekuensi kemunculan nisbi
(relative) dari intensitas pada citra tersebut.
• Histogram juga dapat menunjukkan banyak hal tentang kecerahan
(brightness) dan kontas (contrast) dari sebuah gambar.
• Karena itu, histogram adalah alat bantu yang berharga dalam
pekerjaan pengolahan citra baik secara kualitatif maupun kuantitatif
4. Menghitung histogram
• Misalkan sebuah citra mempunyai L level nilai keabuan, [0, L-1].
• Hitung frekuensi kemunculan setiap nilai keabuan j dengan cara
menghitung jumlah pixel yang mempunyai nilai keabuan tersebut.
• Perhitungan ini dilakukan untuk j = 0, 1, 2, ..., L – 1.
7. • Untuk citra berwarna dengan komponen R, G, dan B, histogram
dibuat untuk setiap kanal warna.
>> J = imread('gedung-sate.jpg');
>> imhist(J(:,:,1))
>> figure; imhist(J(:,:,2))
>> figure; imhist(J(:,:,3))
11. Normalisasi Histogram
• Seringkali dibutuhkan histogram yang dinormalisasi dengan jumlah
seluruh pixel.
• Dari sebuah histogram yang telah dinormalisasi dapat diketahui
frekuensi kemunculan nisbi (relative) dari nilai-nilai intensitas di
dalam citra tersebut.
• Misalkan citra digital memiliki L derajat keabuan, yaitu dari nilai 0
sampai L – 1.
• Normalisasi histogram dihitung dengan rumus:
n
n
h i
i
i = 0, 1, …, L – 1
ni = jumlah pixel yang memiliki derajat keabuan i
n = jumlah seluruh pixel di dalam citra
12. • Nilai ni telah dinormalkan dengan membaginya dengan n.
• Nilai hi berada di dalam selang 0 sampai 1.
• Contoh: Citra berukuran 8 8 pixel dengan 16 buah derajat keabuan.
12
13
14
11
10
0
1
2
7
8
9
9
10
11
13
15
2
2
0
1
0
0
5
4
14
10
13
5
4
3
2
0
1
11
10
8
8
11
12
12
12
9
10
8
9
5
6
14
15
15
8
1
0
0
0
2
10
14
12
10
8
7
7
3
13. void histogram(citra Image, int M, int N, float Hist[256])
/* Menghitung histogram untuk citra Image yang berukuran M N dengan 256
derajat keabuan (graylevel). Histogram disimpan di dalam tabel Hist yang
bertipe riil(float). */
{ int i, j, n;
/* inisialisasi Hist[0..255] dengan 0 */
for(i=0;i<=255;i++)
Hist[i]=0;
for(i=0;i<=M-1;i++)
for(j=0;j<=N-1;j++)
Hist[Image[i][j]]=Hist[Image[i][j]]+1;
/*normalisasi Hist[i] dengan jumlah seluruh pixel*/
n=M*N;
for(i=0;i<=255;i++)
Hist[i]=Hist[i]/(float)n;
}
14. Informasi penting dari histogram ternormalisasi
Histogram citra yang telah ternormalisasi memberikan banyak informasi
penting tentang citra. Informasi penting tersebu adalah sebagai berikut:
1. Nilai hi menyatakan peluang (probability) pixel dengan nilai keabuan i,
atau p(i).
2. Jumlah seluruh nilai hi sama dengan 1,
3. Peluang suatu pixel memiliki derajat keabuan lebih kecil atau sama
dengan derajat keabuan tertentu adalah jumlah hi untuk 0 i j,
1
1
0
L
i
i
h
j
i
i
h
j
i
P
0
)
( , 0 j L – 1
15. 4. Puncak histogram menunjukkan intensitas pixel yang menonjol.
Lebar dari puncak menunjukkan rentang kontras dari gambar.
Citra yang mempunyai kontras terlalu terang (overexposed) atau
terlalu gelap (underexposed) memiliki histogram yang sempit.
Histogramnya terlihat hanya menggunakan setengah dari daerah
derajat keabuan.
Citra yang baik memiliki histogram yang mengisi daerah derajat
keabuan secara penuh dengan distribusi yang merata pada setiap
nilai intensitas pixel
16. 1
0 255
i
h(i)
1
0 255
i
h(i)
1
0 255
i
h(i)
1
0 255
i
h(i)
(a) (b)
(c) (d)
Gambar (a) citra underexposed (b) citra overexposed, (c) citra normal (normal brightness),
(d) normal brightness dan high contrast
17. Empat tipe citra berdasarkan kekontrasannya:
1. Citra gelap (under exposed)
2. Citra terang (over exposed)
3. Citra kontras rendah (low contrast)
4. Citra kontras tinggi (high contrast)
Kontras menyatakan sebaran terang (lightness)
dan gelap (darkness) di dalam sebuah citra.
21. Citra kontras-tinggi
Histogramnya tersebar merata di seluruh nilai-nilai grayscale dan
distribusi pixel-pixel tidak terlalu jauh dari uniform, dan garis-garis
vertikal tidak banyak yang lebih tinggi dari garis yang lain
22. Citra Lena yang terlalu
terang
Citra Lena yang terlalu
gelap
Citra Lena normal
(kontras bagus)
25. 5. Nilai rata-rata (mean value) derajat keabuan
u = k kh(k)
1*0.3+2*0.1+3*0.2+4*0.1+5*0.2+6*0.1= 2.6
0.3
0.2
0.1
0.0
1 2 3 4 5 6
Sumber gambar: Dr. Rolf Lakaemper, CIS 601 Image ENHANCEMENT in the SPATIAL DOMAIN
Nilai rata-rata menunjukkan rata-rata nilai keabuan dari
seluruh pixel di dalam citra
26. 6. Variansi dan standard deviasi
• Variansi memberikan ukuran distribusi nilai histogram di sekitar nilai
rata-rata
v = k (k – u)2 h(k)
0.3
0.2
0.1
0.0
0.3
0.2
0.1
0.0
v1 v2
Sumber gambar: Dr. Rolf Lakaemper, CIS 601 Image ENHANCEMENT in the SPATIAL DOMAIN
27. • Standard deviasi adalah nilai pada sumbu nilai keabuan, yang
memperlihatkan jarak rata-rata semua pixel ke nilai rata-rata
d = sqrt(v)
0.3
0.2
0.1
0.0
0.3
0.2
0.1
0.0
d1 > d2
Sumber gambar: Dr. Rolf Lakaemper, CIS 601 Image ENHANCEMENT in the SPATIAL DOMAIN
28. • Variansi dan standard deviasi dari histogram citra memberikan
informasi tentang rata-rata kontras citra.
• Makin tinggi nilai variansi (=makin tinggi standard deviasi),
makin tinggi kontras citra.
29. Contoh: citra (normal) dan citra versi blur
u=0.73 d=0.32
u=0.71 d=0.27
Sumber gambar: Dr. Rolf Lakaemper, CIS 601 Image ENHANCEMENT in the SPATIAL DOMAIN