Langsung ke konten utama

Tugas Mata Kuliah Pengelolaan Citra

 

OPERASI PENGELOLAAN CITRA

A. Menampilakan Citra

Untuk menampilkan citra:

LISTING

img         = inisial untuk file yang akan di tampilkan

imread    = ('path gambar anda') untuk membaca gambar

subplot    = untuk memasukan gambar ke dalam figure ;

#menampilkan gambar

gambar = imread ('G:/Aldi Martha Dinata/Doraemon.jpeg')

imshow (gambar);


#menambahkan gambar cerah dan gambar asli

cerah =(gambar+100);

gambar (2) : imshow (cerah);

subplot (2,2,1);imshow(gambar);title('gambar 1');

subplot (2,2,2);imshow(gambar);title('gambar 2');

ket : Gambar 1 Asli

Gambar 2 Cerah

#menambahkan gambar histogram

imhist (gambar) ;

subplot (2,2,1);imshow(gambar);title('gambar asli');

subplot (2,2,2);imhist(gambar);title('gambar asli');

subplot (2,2,3);imshow(cerah);title('gambar cerah');

subplot (2,2,4);imhist(cerah);title('gambar cerah');


#menambahkan gambar Cerah, kontras dan negatif.

cerah =(gambar+100);

kontras =(2.5 * gambar);

negatif= (225-gambar);

gambar (2) : imshow (cerah);


#menambahkan gambar dan histogram.

subplot (2,2,1);imshow(gambar);title('gambar asli');

subplot (2,2,2);imshow(gambar);title('gambar cerah');

subplot (2,2,3) ; imshow(kontras); title('gambar kontras');

subplot(2,2,4); imshow(negatif);title('gambar negatif');


#menambahkan gambar Cerah, kontras dan negatif beserta histogramnya

listing program

#menambahkan histogram

subplot (2,4,1);imshow(gambar);title('gambar asli');

subplot (2,4,2);imhist(gambar);title('histogram asli');

subplot (2,4,3);imshow(cerah);title('gambar cerah');

subplot (2,4,4);imhist(cerah);title('histogram cerah');

subplot (2,4,5);imshow(kontras);title('gambar kontras');

subplot (2,4,6);imhist(kontras);title('histogram kontras');

subplot (2,4,7);imshow(negatif);title('gambar negatif');

subplot (2,4,8);imhist(negatif);title('histogram negatif');


#menambahkan gambar Grayscle dan histogram

#menambahkan gambar cerah dan gambar asli

gambar = imread ('G:/Aldi Martha Dinata/Doraemon.jpg')

#imshow (gambar) ;

imhist (gambar) ;

grayscle = rgb2gray(gambar);

#menambahka gambar grayscle

subplot (2,1,1);imshow(grayscle);title('gambar grayscle');

subplot (2,1,2);imhist(grayscle);title('histogram grayscle');








Komentar

Posting Komentar

Postingan populer dari blog ini

Tugas Mata Kuliah Machine Learning

   Supervised Learning (Linear Regression) Regresi linear adalah metode pendekatan sebagai kajian terhadap ketergantungan satu variabel, yaitu antara variable terikat Y dan satu atau lebih variable bebas yang disebut X - Gujarati (2009) Di dalam suatu persamaan regresi terdapat 2 macam variabel yaitu : • Variabel Terikat ( Variabel dependen) variabel yang nilainya tergantung dan variabel lain, biasanya dinyatakan dengan Y  • Variabel Bebas (variabel independen) variabel yang nilainya tidak tergantung dari variabel lain, biasanya dinyatakan dengan X Berdasarkan penggunaan variable bebas,dibedakan menjadi : Simple Linear Regresstion variable bebas yang terlibat hanya satu saja. oleh karena hanya memiliki satu variable bebas,maka hanya akan terdapat variabel input X dan ouput Y.  PERSAMAAN  y = mx + b +e y =dependent variable  m =slope dari garis (persamaan diatas merupakan sebuah garis) x =independent variable b =intercept e =error
1 komentar
Read more »

Tugas Mata Kuliah Pengelolaan Citra

   DIGITAL IMAGE PROCESSING  MENGGUNAKAN GNU OKTAVE 1. Pengantar Pengelolahan Citra Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin dengan menyertakan visualisasi berupa gambar atau video yang dapat diputar. Beberapa waktu lalu istilah SMS (Short Message Service) begitu populer bagi pengguna telepon genggam (handphone atau HP). Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video, yang dikenal dengan layanan MMS (Multimedia Message Service).      Citra (image) 1 –istilah lain untuk gambar– sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citr...
Posting Komentar
Read more »

Tugas Mata Kuliah Machine Learning

  MULTIPLE REGRESI Multipe Linear Regression           variable bebas yang terlibat tidak hanya satu saja melainkan beberapa variable bebas. Hal         ini dikarenakan input yang digunakan lebih dari satu dimensi. PERSAMAAN Y=b+e+m1x1 +242 + ... + mn*xn Y = dependent variable  mn = koefisien dari persamaan  Xn = independent variablE b = intercept  e - error Contoh Kasus Multiple Linear Regresi  CONTOH STUDY KASUS Udin hendak membeli rumah di daerah King Country US, dengan kriteri sebagai berikut : : Jumlah Bedrooms = 3  Jumlah Bathrooms - 2  Luas rumahnya = 1800 sqft   Dengan grade 7  Tahun Pembuatan 1990 Bantu udin untuk mempresiksi rumah idamannya  Data harga rumah dapat diambil dari kaggle: https://www.kaggle.com/vikrishnan/boston-house-prices?select=housing.csv Langkah penyelesaian Penyelesaian Masalah jika dilihat dari apa yang diinginkan Udin, maka kita dapat me...
1 komentar
Read more »