MODUL 9 Ekstraksi Fitur Warna

Slides:



Advertisements
Presentasi serupa
PENGENALAN POLA Dr. Kusrini, M.Kom.
Advertisements

Konversi citra Satriyo.
Daniel Richard Andriessen S1 Sistem Komputer
Color Image Processing
COLOR SPACE Achmad Basuki Politeknik Elektronika Negeri Surabaya.
Image color feature Achmad Basuki
CS3204 Pengolahan Citra - UAS
Oleh: Idaliana Kusumaningsih G
“Image Retrieval” Shinta P.
Sistem Sensor …. ? ….. Kelompok ? Nama dan Nim Anggota Kelompok.
Pengolahan Citra 2-Akuisisi Citra Dari berbagai sumber
Aplikasi Pengolahan Citra DETEKSI WARNA
Ciri Bentuk Pada Citra.
CITRA DIGITAL DALAM TINJAUAN ILMU FISIKA*
Create By: Ismuhar dwi putra
VISION.
W A R N A 4/14/2017.
IMAGE ENHANCEMENT (PERBAIKAN CITRA)
1. Pendahuluan Image Processing 1. Content: 1.Aplikasi Citra 2.Pengertian Citra Digital 3.Pengertian Piksel 4.Sampling 5.Kuantisasi 6.Jenis Citra 7.RGB.
WARNA.
MODUL KULIAH 10 Ekstraksi Fitur Bentuk
Modul 1 PENGANTAR PENGOLAHAN CITRA
MODUL 12 Aplikasi Pengenalan Kematangan Tomat (Fitur Warna)
MODUL 3 PERBAIKAN KUALITAS CITRA
Rizki Pebuardi G Pembimbing : 1. Ir. Agus Buono, M.Si., M.Kom.
Politeknik Elektronika Negeri Surabaya
Anggota : Nama Nim Wahyu Septi Anjar Patria Adhyaksa Dian Restiani
Modul 1 PENGANTAR PENGOLAHAN CITRA
Pertemuan 9 : Temu Balik Informasi Multimedia
pengolahan citra References:
MODUL KULIAH 2 FORMASI CITRA
TEMU BALIK INFORMASI Multimedia Dalam Temu Balik Informasi.
MODUL14 Segmentasi Citra
Metode Cluster Self-Organizing Map untuk Temu Kembali Citra
Sistem Temu Balik Informasi Multimedia
Image Processing 1. Pendahuluan.
CS3204 Pengolahan Citra - UAS
MODUL 4 PERBAIKAN KUALITAS CITRA (2)
MODUL 6 Noise dan Reduksi Noise
TEMU KEMBALI INFORMASI
MODUL16 Aplikasi Fitur Bentuk
Model Data Spasial.
Color Image Processing
TEMU BALIK INFORMASI TI 14 A.
3.1 Operasi Dasar Citra : Global
Pengantar PENGOLAHAN CITRA DIGITAL
Sistem temu balik multimedia
Teori Warna Grafik Komputer 2.
PERTEMUAN 11 Morfologi Citra
Computer Vision Materi 7
PERTEMUAN 14 EKSTRAKSI FEATURE LOCAL TERNARY PATTERN
Analisis Tekstur.
Nana Ramadijanti, Ahmad Basuki, Hero Yudo Martono
Digital Image Processing
Digital Image Processing
Pengolahan Citra Digital
Pengolahan Citra Digital Peningkatan Mutu/Kualitas Citra
Konsep Dasar Pengolahan Citra
Pengolahan Citra Digital Digital Image Processing RTI127006
Operasi Pixel dan Histogram
PENGOLAHAN CITRA DIGITAL. URAIAN MATERI PCD Pemberian Evek Pada Gambar Vektor dan Bitmap Penggabungan Teks & Citra Bitmap Penggabungan Teks & Citra Vektor.
IMAGE ENHANCEMENT.
KONSEP DASAR CITRA DIGITAL (2) dan SISTEM PEREKAMAN CITRA
KONSEP DASAR PENGOLAHAN CITRA
Pertemuan 6 Mata Kuliah Pengolahan Citra
Pertemuan 10 Mata Kuliah Pengolahan Citra
KONSEP DASAR CITRA DIGITAL
Segmentasi Citra Materi 6
REKOGNISI CITRA Konsep Dasar Rekognisi
Multimedia Information Retrieval
Transcript presentasi:

MODUL 9 Ekstraksi Fitur Warna Nana Ramadijanti, Ahmad Basuki, Hero Yudo Martono

MATERI KULIAH Image Color Feature Application Using Image Color Feature RGB-Cube Histogram RGB Gabungan Layer Color Indeks Histogram HSV Hue Indeks HS Indeks HSV Indeks

IMAGE COLOR FEATURE Ada tiga ciri dasar dalam citra yaitu: warna, bentuk dan tekstur. Warna bisa membedakan obyek-obyek pada citra. Warna pada obyek mempunyai impresi tergantung pada budaya masyarakat.

Warna sebagai pembeda Beberapa obyek bisa dibedakan berdasarkan warnanya seperti bunga dan buah. Warna-warna pada citra pemandangan (landscape) juga mempunyai ciri-ciri yang spesifik.

Ciri Warna Pada Citra   1 5 7 16 18 24 15 Ciri warna pada citra ditunjukkan dengan distribusi warna dan warna dominan pada citra. Distribusi warna menyatakan frekwensi kemunculan warna atau histogram warna. Warna dominan bisa dihasilkan dengan cara segmentasi atau clustering warna.

Beberapa Aplikasi Menggunakan Fitur Warna Pengenalan buah Pengenalan bunga Segmentasi Foto Pemandangan CBIR (Content Based Image Retrieval) Mendeteksi lokasi bola berdasarkan warna Mendeteksi kematangan buah

Image Google Search Google mengenalkan sebuah konsep pencarian berdasarkan kemiripan gambar. Proses pencarian gambar ini yang disebut dengan QBIC (Query Base Image Content) Salah satu fitur dominan yang digunakan adalah warna.

Image Google Search Google Search mampu mencari gambar sesuai content Tidak hanya mampu menghasilkan gambar, namun juga informasi yang berkaitan dengan gambar.

APLIKASI DETEKSI KEMATANGAN BUAH TOMAT Aplikasi ini menggunakan warna dominan sebagai fitur dari foto tomat yang diletakkan di depan kamera. Kematangan buah tomat saat dipetik menentukan lama tidaknya waktu simpan buah tomat. Kematangan buah tomat dibagi menjadi tiga bagian: mentah, campur dan matang.

RGB CUBE RGB Cube menunjukkan bagaimana warna dihasilkan oleh komponen R, G dan B Sebuah warna W dinyatakan sebagai W(r,g,b) Nilai R, G dan B mempunyai range 0-255. RGB Cube digunakan untuk mendefinisikan sebuah warna pada sebuah citra dengan model yang mudah dijelaskan.

HISTOGRAM WARNA Histogram warna H(w) menyatakan jumlah titik/frekwensi munculnya yang mempunyai warna w. Warna w dinyatakan sebagai kombinasi elemen dasar. Histogram warna: Histogram RGB Histogram HSV Histogram CMYK

Macam Macam Histogram RGB Histogram Indeks Histogram Referensi

Histogram R-G-B Setiap pixel mempunyai nilai R, G, dan B yang masing2 bernilai 0-255. Dibuat histogram pada masing-masing layer R, G dan B Kemudian histogram tersebut dijadikan satu.

Histogram R-G-B Menggabungkan histogram R, G dan B Melakukan normalisasi.

Histogram R-G-B Histogram R-G-B semacam ini memang bisa menunjukkan perbedaan warna, tetapi hasilnya tidak signifikan.

Histogram INDEKS Setiap pixel mempunyai nilai R, G, dan B yang masing2 bernilai 0-255. Bila setiap warna dinyatakan dalam w(r,g,b) maka ada 2563 indeks warna. Jumlahnya menjadi terlalu besar. Setiap nilai r,g,b dikuantisasi menjadi k (4,8,16, dll) sehingga jumlah warnanya menjadi tidak terlalu banyak.

Histogram INDEKS Jumlah indeks warna harus mampu menunjukkan perbedaan warna

Histogram INDEKS Jumlah indeks warna harus mampu menunjukkan perbedaan warna

Histogram Referensi Menggunakan warna referensi (misalkan warna dari paint/36 warna) Setiap pixel dengan warna w(r,g,b) akan dicari warna referensi yang jaraknya paling dekat (paling mirip). Histogram dihitung berdasarkan warna referensi. Kemiripan warna menggunakan jarak kuadrat. 𝑑= 𝑟− 𝑟 𝑟𝑒𝑓 2 + 𝑔− 𝑔 𝑟𝑒𝑓 2 + 𝑏− 𝑏 𝑟𝑒𝑓 2

Histogram Referensi Histogram menunjukkan jumlah pixel yang muncul pada setiap warna referensi. Contoh ini menggunakan warna referensi 12 warna.

Histogram ini menunjukkan perbedaan yang signifikan. Histogram Referensi Histogram ini menunjukkan perbedaan yang signifikan.

Histogram HSV Histogram Hue Index Histogram HSV Index

Histogram Hue index Menggunakan index dari nilai hue Nilai hue berada dalam range 0 s/d 360. Untuk menghasilkan histogram hue index: Baca image Konversi nilai RGB menjadi Hue Hitung histogramnya

Contoh histogram hue index

Contoh histogram hue index Dengan jumlah INDEX 360

Contoh histogram hue index Dengan jumlah INDEX 100

Contoh histogram hue index Dengan jumlah INDEX 40

Contoh histogram hSV index Dengan jumlah INDEX 40

Soal-Soal Latihan Buatlah blok diagram proses rekognisi citra menggunakan fitur warna !

Terima Kasih