Menambahkan Gangguan (Noise) pada Citra

Slides:



Advertisements
Presentasi serupa
DISTRIBUSI DISKRIT DAN KONTINYU
Advertisements

Sistem Bilangan.
DATABASE & TABLE.
UJIAN TUGAS AKHIR WAHYU NUGROHO SANTOSO L2F
Pengolahan Citra (TIF05)
Operasi Tetangga Nurfarida Ilmianah.
Kriptografi Visual: (Visual Cryptography)
Segmentasi Citra.
Pertemuan : 8 Basis Data Terapan
CONTOH SOAL.
Kriptografi Visual: (Visual Cryptography)
PEMBANGKITAN CITRA GRAFIK Dosen :Dewi Octaviani, S.T, M.C.s
Pengolahan Citra (TIF05)
Kekontinuan Fungsi.
PERBAIKAN KUALITAS CITRA 1
JOINED TABLE Untuk menampilkan data dari dua atau lebih tabel, maka tabel – tabel tersebut harus dihubungkan terlebih dahulu  JOIN.
Komting: Supandi ‘10 ( ), Fajar ( ) Sumber: Materi Kuliah Prof. Handayani Tjandrasa Komting: Supandi ‘10 ( ), Fajar ( )
Eliminasi Gaus/Gaus Jordan
Image Restoration.
Edge Detection (Pendeteksian Tepi)
Fungsi JOIN.
Anna Hendrawati STMIK CILEGON
ROOT LOCUS ROOT = akar-akar LOCUS = tempat kedudukan ROOT LOCUS
Edge Detection Dr. Aniati Murni (R 1202) Dina Chahyati, SKom (R 1226)
CS3204 Pengolahan Citra - UAS
PENDETEKSIAN TEPI 4/14/2017.
Segmentasi Citra. Tujuan Memberikan pemahaman kepada mahasiswa tentang:  karakteristik dasar dari berbagai algoritma segmentasi  proses filtering untuk.
KONVOLUSI Oleh : Edy Mulyanto.
Materi 02(b) Pengolahan Citra Digital
Modul 1 PENGANTAR PENGOLAHAN CITRA
Operasi dalam sistem bilangan
Tips Pembuatan ROOT LOCUS
Pendeteksian Tepi Objek
Materi 07 Pengolahan Citra Digital
Perbaikan Kualitas Citra (Image Enhancement)
Pemodelan Trafik Self-Similar dengan Distribusi Pareto
STATISTIKA INFERENSI : UJI HIPOTESIS (SAMPEL TUNGGAL)
MODUL 6 Noise dan Reduksi Noise
Pengolahan dalam Domain Spasial dan Restorasi Citra
Fungsi Distribusi normal
DETEKSI TEPI.
TEKNIK PENURUNAN.
Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu
Kriptografi Visual: (Visual Cryptography)
STATISTIKA INFERENSI : UJI HIPOTESIS (SAMPEL TUNGGAL)
Pengolahan Citra Digital 2010/2011
Pengolahan Citra Pertemuan 11
PENGOLAHAN CITRA DIGITAL : PENGENALAN POLA TEMPLATE MATCHING
Probabilitas dan Statistika BAB 5 Distribusi Peluang Kontinu
Peningkatan Mutu Citra
KONVOLUSI ROSNY GONYDJAJA.
Nana Ramadijanti, Ahmad Basuki, Hero Yudo Martono
ALJABAR LINEAR DAN MATRIKS
DISTRIBUSI NORMAL.
Deteksi Tepi.
KONVOLUSI DAN TRANSFORMASI FOURIER
PENINGKATAN KUALITAS CITRA (Image Enhancement)
PENGOLAHAN CITRA DAN POLA
PENGOLAHAN CITRA DAN POLA
OPERASI ALJABAR PADA MATRIKS
Analisa Data Statistik Chap 6: Distribusi Probabilitas Kontinu
TES HIPOTESIS.
Lihat gambar di bawah ini :
PEMOTONGAN (CROPPING)
EDGE DETECTION.
Format citra Oleh : Kustanto 11/10/2018.
Pengubahan Histogram Ada dua cara Perataan Histogram
Pertemuan 10 Mata Kuliah Pengolahan Citra
Edge Detection Dr. Aniati Murni (R 1202) Dina Chahyati, SKom (R 1226)
DISTRIBUSI NORMAL.
Transcript presentasi:

Menambahkan Gangguan (Noise) pada Citra

Untuk bisa menambahkan gangguan (noise) pada citra digital kita bisa menggu-nakan fungsi : J = imnoise(I,type) J = imnoise(I,type,parameters) "I" merupakan matriks penyusun citra, "type" merupakan jenis metode penamba-han gangguan yang kita gunakan, sedangkan "parameters" merupakan parameter -parameter yang dipakai. Untuk "type" yang bisa dipakai adalah : gaussian’: Gangguan Gaussian putih dengan mean dan variance yang tetap. ’localvar’: Gangguan Zero-mean Gaussian putih dengan variance intensity-dependent. ’poisson’: Gangguan poison ’salt & pepper’: Gangguan pixel on dan off. ’speckle’: Gangguan Multiplicative

Berikut ini adalah contoh penggunaannya pada citra digital clc; clear; RGB=imread(’logo-bitung.jpg’); N1=imnoise(RGB,’gaussian’); N2=imnoise(RGB,’salt & pepper’); N3=imnoise(RGB,’speckle’); subplot(2,2,1) imshow(RGB) subplot(2,2,2) imshow(N1) subplot(2,2,3) imshow(N2) subplot(2,2,4) imshow(N3)

Hasil Program Hasil running programnya adalah seperti terlihat pada gambar di bawah ini dimanagambar yang di sebelah kiri atas adalah gambar asli, di sebelah kanan atas adalahgambar dengan noise ’gaussian’ , di sebelah kiri bawah adalah gambar dengannoise ’salt & pepper’ , sedangkan yang kanan bawah adalah gambar dengan noise ’speckle’

Contoh clc; clear; RGB=imread('D:/Gambar/motor1.jpg'); N1=imnoise(RGB,'gaussian'); N2=imnoise(RGB,'salt & pepper'); N3=imnoise(RGB,'speckle'); subplot(2,2,1) imshow(RGB) subplot(2,2,2) imshow(N1) subplot(2,2,3) imshow(N2) subplot(2,2,4) imshow(N3)

Hasil