Statistik Dalam Image Enhancement Achmad Basuki Surabaya 2005.

Slides:



Advertisements
Presentasi serupa
Penggunaan Struktur Kontrol SELECT…CASE
Advertisements

Materi 02(a) Pengolahan Citra Digital
Pertemuan II SEBARAN PEUBAH ACAK
Praktikum Pengolahan Citra
Menempatkan Pointer Q 6.3 & 7.3 NESTED LOOP.
PERTEMUAN VI Penggunaan Array.
Penggunaan Kontrol Array
Color Image Processing
Uji Non Parametrik Dua Sampel Independen
Pemograman 1 Pertemuan 14.
Nana Ramadijanti Politeknik Elektronika Negeri Surabaya PENS-ITS 2009
Praktikum BuatlahstrukturtablebarangpadadatabasePenjualandengan menggunakan Visual Data Manager dengan format Microsoft Acces, yang terdiri dari.
7. APLIKASI INTEGRAL MA1114 KALKULUS I.
COLOR SPACE Achmad Basuki Politeknik Elektronika Negeri Surabaya.
Praktikum Pengolahan Citra
Dasar Tag HTML  Catatan: Jika Anda ingin menambahkan komentar pada dokumen HTML,maka tulislah Tag,misal: NEXT.
Pengolahan Citra 4 – Peningkatan Kualitas Citra Disusun oleh: Teady Matius – Dari berbagai sumber.
STRUKTUR PERULANGAN (LOOPING)
Image color feature Achmad Basuki
Graphical User Interface (GUI)
Luas Daerah ( Integral ).
Praktikum Pengolahan Citra
DISTRIBUSI PROBABLITAS
Pengertian Citra Dijital
PEMAMPATAN CITRA 4/9/2017.
Perbaikan Citra pada Domain Spasial
Aplikasi Pengolahan Citra DETEKSI WARNA
HIPOTESIS DAN UJI RATA-RATA
Transformasi Gray (cont), Statistik Dalam Image Enhancement
PERTEMUAN IX Penggunaan Array.
Konsep Dasar Pengolahan Citra
PERBAIKAN KUALITAS CITRA 1
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Operasi-operasi dasar Pengolahan Citra Digital~3
Membuat Data Menjadi informasi untuk pengambilan keputusan manajerial
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Anna Hendrawati STMIK CILEGON
Pemrograman Basisdata
IMAGE ENHANCEMENT (PERBAIKAN CITRA)
CS3204 Pengolahan Citra - UAS
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
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.
Modul 1 PENGANTAR PENGOLAHAN CITRA
MODUL 3 PERBAIKAN KUALITAS CITRA
Pertemuan 2 Pengolahan Citra Digital
Politeknik Elektronika Negeri Surabaya
Modul 1 PENGANTAR PENGOLAHAN CITRA
MODUL 3 PERBAIKAN KUALITAS CITRA
Peningkatan Kualitas Citra
Perbaikan Kualitas Citra (Image Enhancement)
Image Processing 1. Pendahuluan.
MODUL 9 Ekstraksi Fitur Warna
Color Image Processing
Stimik Cilegon, 25 Juni 2010 Anna Hendrawati
DETEKSI TEPI.
Bahasa Pemrograman 1 ACTIVE X DAN MDI Chapter 05 bimocahyo bimocahyo.
Pengantar PENGOLAHAN CITRA DIGITAL
EKUALISASI HISTOGRAM (Histogram Equalization)
Operasi Dasar Pengolahan Citra
Peningkatan Mutu Citra
PROBABILITAS DAN STATISTIK
Desita Ria Yusian TB,S.ST.,MT Universitas Ubudiyah Indonesia
Pengolahan Citra Digital: Peningkatan Mutu Citra Pada Domain Spasial
Digital Image Processing
PENINGKATAN KUALITAS CITRA (Image Enhancement)
IMAGE ENHANCEMENT.
Pengubahan Histogram Ada dua cara Perataan Histogram
Pertemuan 6 Mata Kuliah Pengolahan Citra
PENGANTAR PENGOLAHAN CITRA
Transcript presentasi:

Statistik Dalam Image Enhancement Achmad Basuki Surabaya 2005

Materi Gray-scale Histogram Distribusi Kumulatif Histogram Equalization

Gray-Scale Histogram Histogram di dalam gambar gray-scale menyatakan distribusi dari derajat keabuan (terang/gelap) pada suatu gambar. Dari histogram ini dapat dilihat apakah gambar tersebut lebih banyak warna gelap atau lebih banyak warna terang Teknik histogram ini dapat dikembangkan untuk memperbaiki kualitas gambar (image enhancement) dengan apa yang dinamakan dengan Histogram Equalization, suatu teknik untuk meratakan distribusi terang/gelap sehingga gambar kelihatan lebih jelas.

Gray-Scale Histogram Gambar ini didominasi warna terang, karena grafik di sebelah kanan terlihat lebih banyak. Gambar ini didominasi warna gelap, karena grafik di sebelah kiri terlihat lebih banyak.

Distribusi Kumulatif Distribusi kumulatif C(x) adalah nilai total histogram dari tingkat keabuan=0 sampai dengan tingkat keabuan=x, dan didefinisikan dengan: Distribusi kumulatif ini dapat digunakan untuk menunjukkan perkembangan dari setiap step derajat keabuan. Pada distribusi kumulatif, gambar dikatakan baik bila mempunyai distribusi kumulatif yang pergerakannya hampir sama pada semua derajat keabuan.

Distribusi Kumulatif Perubahan yang tajam

Distribusi Kumulatif Gambar-gambar hasil photo mempunyai perubahan yang tidak terlalu tajam dan biasanya tidak lebih dari satu. Hal ini menunjukkan tingkat gradiasi yang halus pada gambar hasil photo. Gambar-gambar kartun mempunya banyak perubahan yang tajam, hal ini menunjukkan tingkat gradiasi pada gambar kartun rendah (kasar).

Histogram Equalization Histogram Equalization adalah suatu proses untuk meratakan histogram agar derajat keabuan dari yang paling rendah (0) sampai dengan yang paling tinggi (255) mempunyai kemunculan yang rata. Dengan histogram equalization hasil gambar yang memiliki histogram yang tidak merata atau distribusi kumulatif yang banyak loncatan gradiasinya akan menjadi gambar yang lebih jelas karena derajat keabuannya tidak dominan gelap atau dominan terang. Proses histogram equalization ini menggunakan distribusi kumulatif, karena dalam proses ini dilkakukan perataan gradien dari distribusi kumulatifnya.

Formulasi Histogram Equalization Histogram Equalization dari suatu distribusi kumulatif C adalah: C w adalah nilai distribusi kumulatif pada derajat keabuan w t adalah nilai threshold derajat keabuan= 2 8 atau 256 n x dan n y adalah ukuran gambar.

Perhitungan Histogram Equalization Perhatikan histogram berikut: Distribusi Kumulatifnya

Perhitungan Histogram Equalization wCww-baru Distribusi Kumulatif:

Histogram Equalization Pada Gambar

Aplikasi Histogram Equalization Buka project baru Pada form atur property ScaleMode=Pixel Tambahkan 2 pictureBox. Pada setiap pictureBox, atur property Appereance=Flat, Autoredraw=True dan ScaleMode=Pixel. Buat ukuran kedua pictureBox ini sama. Pada picture1, tambahkan gambar pada property picture Tambahkan 1 commandButton, isikan property Caption=Histogram Equalization. Atur tampilan seperti gambar di bawah ni.

Aplikasi Histogram Equalization Click pada Command1, dan isikan program berikut: ‘Inisialisasi variabel Dim h(256), h2(256), c(256) As Single For i = 0 To 255 h(i) = 0 h2(i) = 0 Next i

‘Menghitung distribusi kumulatif For i = 0 To Picture1.ScaleWidth - 1 For j = 0 To Picture1.ScaleHeight - 1 w = Picture1.Point(i, j) r = w And RGB(255, 0, 0) g = Int((w And RGB(0, 255, 0)) / 256) b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256) xg = Int((r + g + b) / 3) xg = Int(0.6 * xg + 20) Picture1.PSet (i, j), RGB(xg, xg, xg) h(xg) = h(xg) + 1 Next j Next i c(0) = h(0) For i = 1 To 255 c(i) = c(i - 1) + h(i) Next i

'Histogram Equalization For i = 0 To Picture1.ScaleWidth - 1 For j = 0 To Picture1.ScaleHeight - 1 w = Picture1.Point(i, j) r = w And RGB(255, 0, 0) g = Int((w And RGB(0, 255, 0)) / 256) b = Int(Int((w And RGB(0, 0, 255)) / 256) / 256) xg = Int((r + g + b) / 3) yg = Int(256 * c(xg) / 128 / 128) h2(yg) = h2(yg) + 1 Picture2.PSet (i, j), RGB(yg, yg, yg) Next j Next I For i = 0 To 255 MSChart1.Row = i + 1 MSChart1.Data = h(i) MSChart1.RowLabel = Trim(Str(i)) MSChart2.Row = i + 1 MSChart2.Data = h2(i) MSChart2.RowLabel = Trim(Str(i)) Next i