Catatan Kuliah ku

function [ output_args ] = tepideteksi( input_args )
clear all;
gmbr = imread('Elephant_256x256.jpg');
abu2=rgb2gray(gmbr);
%abu2=gmbr;
rbt = edge(abu2,'robert');
pwt = edge(abu2,'prewitt');
sbl = edge(abu2,'sobel');
cny = edge(abu2,'canny');
lap =fspecial('log',5);
lap_log=uint8(round(filter2(lap,abu2)));

clf(subplot(2,3,1),imshow(gmbr));
title('Gambar Asli');
hold on;
%subplot(2,3,2), imshow(hp)
%title('Gambar Hitam Putih');

subplot(2,3,2), imshow(rbt)
title('Gambar Metode Robert');
subplot(2,3,3), imshow(pwt)
title('Gambar Metode Prewitt');
subplot(2,3,4), imshow(sbl)
title('Gambar Metode Sobel');
subplot(2,3,5), imshow(cny);
title('Gambar Metode Canny');
subplot(2,3,6), imshow(lap_log);
title('Gambar Metode Laplacian');

end

Dari hasil tersebut didapatkan bahwa canny merupakan hasil yang terbaik karena Canny mendeteksi tepi dengan mengidentifikasi maksima local dari gradien pada citra. Metode ini menggunakan dua nilai ambang/nilai batas (threshold) untuk mendeteksi tepi yang lemah dan yang kuat. Tepi yang lemah akan dihasilkan pada keluaran hanya jika ia terhubung denga tepi yang kuat. Oleh karena itu metode ini kemudian menjadi lebih diandalkan dari metode yang lain dari segi kehandalannya dalam membedakan ‘noise’ pada citra sekaligus mempunyai kemungkinan yang lebih besar dalam mendeteksi tepi-tepi yang lemah.

function rgbtohsi(x)
F=imread('baboon24.bmp');
F=im2double(F);
%F=double(x);
r=F(:,:,1);
g=F(:,:,2);
b=F(:,:,3);
th=acos((0.5*((r-g)+(r-b)))./((sqrt((r-g).^2+(r-b).*(g-b)))+eps));
H=th;
H(b>g)=2*pi-H(b>g);
H=H/(2*pi);
S=1-3.*(min(min(r,g),b))./(r+g+b+eps);
I=(r+g+b)/3;
hsi=cat(3,H,S,I);
HE=H*2*pi;
HE=histeq(HE);
HE=HE/(2*pi);
SE=histeq(S);
IE=histeq(I);
choice=input('1:RGB to HSI\n2:Display Hue, Saturation and Intensity Images\n3:HSI to RGB\n4:Hue-Equalization\n5:Saturation-Equalization\n6:Intensity-Equalization\n7:HSI-Equalization\n Enter your choice :');
switch choice
case 1
figure,imshow(F),title('RGB Image');
figure, imshow(hsi),title('HSI Image');
case 2
figure,imshow(F),title('RGB Image');
figure, imshow(H),title('Hue Image');
figure, imshow(S),title('Saturation Image');
figure, imshow(I),title('Intensity Image');
case 3
C=hsitorgb(hsi);
figure,imshow(hsi),title('HSI Image');
figure, imshow(C),title('RGB Image');
case 4
RV=cat(3,HE,S,I);
C=hsitorgb(RV);
figure,imshow(hsi),title('HSI Image');
figure,imshow(F),title('RGB Image');
figure, imshow(C),title('RGB Image-Hue Equalized');
case 5
RV=cat(3,H,SE,I);
C=hsitorgb(RV);
figure,imshow(hsi),title('HSI Image');
figure,imshow(F),title('RGB Image');
figure, imshow(C),title('RGB Image-Saturation Equalized');
case 6
RV=cat(3,H,S,IE);
C=hsitorgb(RV);
figure,imshow(hsi),title('HSI Image');
figure,imshow(F),title('RGB Image');
figure, imshow(C),title('RGB Image-Intensity Equalized');
case 7
RV=cat(3,HE,SE,IE);
C=hsitorgb(RV);
figure,imshow(hsi),title('HSI Image');
figure,imshow(F),title('RGB Image');
figure, imshow(C),title('RGB Image-HSI Equalized');
otherwise
display('Wrong choice');
end
end
function C=hsitorgb(hsi)
HV=hsi(:,:,1)*2*pi;
SV=hsi(:,:,2);
IV=hsi(:,:,3);
R=zeros(size(HV));
G=zeros(size(HV));
B=zeros(size(HV));
%RG Sector
id=find((0<=HV)& (HV<2*pi/3)); B(id)=IV(id).*(1-SV(id)); R(id)=IV(id).*(1+SV(id).*cos(HV(id))./cos(pi/3-HV(id))); G(id)=3*IV(id)-(R(id)+B(id)); %BG Sector id=find((2*pi/3<=HV)& (HV<4*pi/3)); R(id)=IV(id).*(1-SV(id)); G(id)=IV(id).*(1+SV(id).*cos(HV(id)-2*pi/3)./cos(pi-HV(id))); B(id)=3*IV(id)-(R(id)+G(id)); %BR Sector id=find((4*pi/3<=HV)& (HV<2*pi)); G(id)=IV(id).*(1-SV(id)); B(id)=IV(id).*(1+SV(id).*cos(HV(id)-4*pi/3)./cos(5*pi/3-HV(id))); R(id)=3*IV(id)-(G(id)+B(id)); C=cat(3,R,G,B); C=max(min(C,1),0); end

function rgbtoyiq(x)

F=imread('baboon24.bmp');
YIQ = rgb2ntsc(F);
Y=YIQ(:,:,1);
I=YIQ(:,:,2);
Q=YIQ(:,:,3);

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


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

end

function rgbcmy(x)
F=imread('baboon24.bmp');
F=im2double(F);
%F=double(x);
r=F(:,:,1);
g=F(:,:,2);
b=F(:,:,3);

C=(1-r);
M=(1-g);
Y=(1-b);
CMY=cat(3,C,M,Y);

HE=histeq(C);
SE=histeq(M);
IE=histeq(Y);

figure,imshow(F),title('RGB Image');
figure, imshow(CMY),title('CMY Image');
end

function [ output_args ] = tgspc( input_args )
gambar=imread('baboon24.bmp'); %——–membaca file gambar

red=gambar(:,:,1); %memanggil matriks gambar yang hanya berisi piksel warna merah

green=gambar(:,:,2);% memanggil matriks gambar yang hanya berisi piksel warna hijau

blue=gambar(:,:,3); %memanggil matriks gambar yang hanya berisi piksel warna biru

gray=0.3*red+0.5*green+0.2*blue ;
figure; imshow(gambar);
figure; subplot(4,1,1);
imhist(red);
title('Merah');

subplot (4,1,2);
imhist(green);
title('Hijau');

subplot (4,1,3);
imhist(blue);
title('Biru');

subplot(4,1,4);
imhist(gray);
title('Abu-abu');

end

Buat sebuah m-file pada matlab..
copykan koding berikut

function [ output_args ] = Histeq( input_args )
%membaca gambar yang akan diproses
A = imread('camera.bmp');
%mengubah gambar menjadi grayscale
B = 0.5*A(:,:,1);

%melakukan proses penyamaan histogram terhadap citra
C = histeq(B);
%menampilkan citra asli dan histogramnya
figure;subplot(2,1,1);
imshow(A);
title('image asli');
subplot(2,1,2);
imhist(A);
title('histogram gambar asli');
%menampilkan citra yang telah digrayscale beserta histogramnya
figure;subplot(2,1,1);
imshow(B);
title('image grayscale');
subplot(2,1,2);
imhist(B);
title('histogram gambar grayscale');
%menampilkan citra yang telah diequalisasi beserta histogramnya
figure;subplot(2,1,1);
imshow(C);
title('image equalisasi');
subplot(2,1,2);
imhist(C);
title('histrogram equalisasi');
end

note : untuk membuat histogram (melihat derjat keabuan) pada matlab cukup menggunakan fungsi imhist(gambarnya);

jika anda lihat histogram pada citra awal histogramnya, tingkat keabuan cendrung lebih banyak disebelah kiri dan tengah .
fungsi dari histogram equalisasi adalah meratakan derjat keabuan sehingga gambar/citra tidak terlalu gelap atau terlalu terang..
hasi dari histogram equalisasi

Jurusan Teknik Informatika (TIF) Uin Suska Riau

tujuan
Jurusan Teknik Informatika (TIF) Uin Suska Riau bertujuan Menghasilkan sumberdaya manusiayang memiliki kemampuan akademik dan profesional dibidang teknik informatika yang berwawasan keislaman dan keilmuan secara integratif yang terbaik di Asia Tenggara.


Jurusan Teknik Industri (TIN) Uin Suska Riau

tujuan
Jurusan Teknik Industri (TIN) Uin Suska Riau bertujuan melahirkan sarjana teknik yang berkualitas dan berkemampuan tinggi dalam hal perencanaan, penyusunan fisik, perbaikan, dan pengoperasian sistem-sistem terintegrasi dengan komitmen pada nilai-nilai moral, berwawasan keislaman, dan mempunyai kesadaran mengabdi kepada masyarakat dengan kemampuan bersaing secara global.

Jurusan Sistem Informasi (SIF) Uin Suska Riau

tujuan
Jurusan Sistem Informasi (SIF) Uin Suska Riau bertujuanmelahirkan sarjana teknik yang mampu mengupayakan pengembangan siste dan mempu merencanakan, mengorganisasikan dan mengelola teknologi informasi. yang akhirnya mampu mendayagunakan teknologi informasi untuk mendukung tercapainya tujuan organisasi.

Jurusan Matematika (MAT) Uin Suska Riau

tujuan
Jurusan Matematika (MAT) Uin Suska Riau bertujuan melahirkan sarjana yang berkualitas dan berkemampuan tinggi dalamhal engolahan serta analisis data dan statistik dengan komitmen pada nila-nilai moral, berwawasan keislaman, dan mempunyai kesadaran mengabdi kepada masyarakat dengan kemampuan bersaing secara global.

Jurusan Teknik Elektro Uin Suska Riau

tujuan
Jurusan Teknik Elektro Uin Suska Riau bertujuan menghasilkan sarjana yang memiliki pengetahuan dasar dan keahlian dalam bidnag elektronika/telekomunikasi yang siap dan mampu mengembangkan diri di lingkungan kerja masyarakat serta mampu mengikuti perkembangan ilmu pengetahuan dan teknologi.

sumber : http://web.uin-suska.ac.id, http://fst.uin-suska.ac.id