Your Ad Here

Integral projection

Integral projection adalah suatu metode yang digunakan untuk mencari daerah atau lokasi dari objek. Metode ini dapat diguanakan untuk mendeteksi batas dari daerah gambar yang berbeda, sehingga bisa dicari daerah lokasi wajah dan feature-featurenya. Metode ini juga bisa disebut dengan integral baris dan kolom dari pixel, karena integral ini menjumlahkan pixel per baris dan pixel per kolom. Dari metode ini akan dengan mudah untuk menemukan daerah lokasi object yang diperlukan.

Dari metode ini akan didapatkan hasil penjumlahan baris dan kolom yang nantinya akan diolah atau proses lebih lanjut. Metode ini akan memudahkan saat akan menari lokasi wajah, sebelum menggunakan metode ini, dicari dahulu nilai clusternya kemudian setelah didapatkan, jumlahkan tiap pixelnya. Tiap pixel citra atau gambar yang diproses memiliki nilai cluster, jadi dalam satu gambar semua pixel memiliki nilai cluster dengan intensitas cluster yang berbeda, jika suatu daerah memiliki kemiripan warna dengan nilai cluster, berarti pixelnya memilki nilai yang tinggi dan jika dijumlahkan maka daerah ini akan memiliki jumlah yang lebih besar dari pada daerah lain yang hanya memilkii nilai yang kecil (intensitas kecil). Jumlahkan pixel kearah sumbu y selebar x dan jumlahkan pixel x sepanjang atau setinggi y, jadi akan diketahui tinggi dan lebar dari image yang memilki nilai tinggi, dari sini sudah didapatkan lokasi dari object yang dicari. Untuk mendapatkan lokasi yang lebih tepat maka akan diproses lebih lanjut. Jadi untuk menjumlahkan pixel baris dan kolom tergantung pada kita, parameter apa yang digunakan. Jika digunakan parameter kulit maka diasumsikan semua pixel gambar memilki nilai cluster, tapi nilainya tergantung pada intensitas tertentu. Jika suatu daerah pixel memilki warna yang sesuai dengan parameter yang digunakan (misal: kulit), maka daerah tersebut memiliki intensitas yang tinggi, jika dijumlahkan maka pada daerah ini nilainya akan tinggi baik dijumlahkan ke arah x atau y. seperti gambaran berikut:


Edge Detection

Edge detection atau deteksi tepi adalah proses yang sering digunakan saat pengolahan image. Edge detection dapat diartikan sebagai pelacakan atau pendeteksian sudut-sudut suatu object dalam sebuah image dimana sudut-sudut tersebut dibedakan berdsarkan perbedaan nilai R, G dan B masing-masing pixel. Tujuan dari deteksi ini adalah untuk mengurangi kompleksitas gambar dengan menampilkan bagian gambar yang memiliki frekuensi tinggi.

Proses Deteksi Tepi

Disini digunakan konvolusi jadi tergantung dengan kernel yang digunakan. Image diproses dengan mengalikan convolv kernel maka daerah tepi tiap objek pada gambar akan terlihat jelas, karena pada intinya proses edge detection ini akan mendeteksi tiap daerah yang memilki intensitas perbedaan warna atau pencahayaan. Maka daerah objek atau gambar dari background dengan tulisan memilki perbedaan intensitas makanya dapat dideteksi dengan jelas, jadi kelihatan tiap terjadi perbedaan. Dalam proyek akhir ini dilakukan pengurangan warna, yaitu hanya warna grayscale saja sehingga sebelum dilakukan proses, gambar di grayscale dulu.

Bila digambarkan maka proses filter di atas mempunyai masukan dan keluaran sebagai berikut:

Input dan output edge detection

Thresholding

Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 16, maka tinggal membagi nilai derajat keabuan dengan 16. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat digunakan rumus:

dimana :
w = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding

Berikut ini contoh thresholding mulai di 256, 16, 4 dan 2.

Noise dan GrayScale

Noise
Noise dapat ditemukan saat telah memprose suatu citra atau gambar. Noise pada citra ini mubcul karena oerbedaan intensitas atau dikarenakan ada objek lain yang digambarkan sebagai titik –titik warna lain. Untuk memuhadahkan proses selanjutnya, maka noise ini harus direduksi. Pereduksian noise dapat dilakukan dengan berbagai cara, misal filtering atau smoothing dengan gasussian filter.

GrayScale
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan model citra. Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik gray-scale dan hasilnya adalah citra gray-scale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra gray scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:




Source : Pengolahan Citra Digital menggunakan Visual Basic, Achmad Basuki, Josua F. Palandi, Fatchurrochman.

Mahalanobis Distance

Mahalanobis Distance digunakan dalam Digital Image Processing untuk mengidentifikasi nilai variant selama pengklasifikasian gambar.

Mahalanobis distance adalah suatu metode statistika yang digunakan untuk mendapatkan suatu data dengan jarak tertentu terhadap mean data tersebut sehingga diperoleh suatu penyebaran data yang memiliki pola terhadap nilai mean. Berikut adalah rumus dari mahalanobis distance:

Metode ini memiliki karakteristik yaitu dilihat dari rumusnya metode ini memiliki nilai penguat yang fleksibel sehingga mudah disesuaikan dengan perubahan kondisi, hal ini yang menyebabkan metode ini lebih akurat dibanding metode lain yang juga digunakan untuk mencari nilai penyebaran data, misal metode Euclidean distance. Penguat dari mahalanibis distance ini ada pada nilai covariannya, nilai penguat ini yang membuat mahalanobis distance memiliki bidang atau luasan yang berbentuk ellips.

Bentuk penyebaran dari mahalanobis distance ini adalah berupa bidang ellips, makin besar nilai matrik covarian (<1)




Your Ad Here

Recent Post

Recent Comments