Prada-na: PENGOLAHAN CITRA DIGITAL DENGAN MATLAB

1. OPERASI TITIK

a. Mengubah image dalam format 8 bit grayscale

>> a=imread('retro.jpg');

>> b=rgb2gray(a);

>> c=uint8(b);

>> subplot(1,2,1),imshow(a)

>> title('image original')

>> subplot(1,2,2),imshow(c)

>> title('image gray')

b. Penjumlahan

>> penjumlahan=imadd(c,150);

>> subplot(1,2,1),imshow(c)

>> title('image gray')

>> subplot(1,2,2),imshow(penjumlahan)

>> title('image penjumlahan 150')

c. Pengurangan

>> pengurangan=imsubtract(c,150);

>> subplot(1,2,1),imshow(c)

>> title('image gray')

>> subplot(1,2,2),imshow(pengurangan)

>> title('image pengurangan 150')

d. Perkalian

>> perkalian=immultiply(c,3);

>> subplot(1,2,1),imshow(c)

>> title('image gray')

>> subplot(1,2,2),imshow(perkalian)

>> title('image perkalian 3')

e. Pembagian

>> pembagian=imdivide(c,3);

>> subplot(1,2,1),imshow(c)

>> title('image gray')

>> subplot(1,2,2),imshow(pembagian)

>> title('image pembagian 3')

f. Komplemen

>> komplemen=imcomplement(c);

>> subplot(1,2,1),imshow(c)

>> title('image gray')

>> subplot(1,2,2),imshow(komplemen)

>> title('image komplemen')

2. OPERASI HISTOGRAM

a. Operasi histogram Streching menggunakan persamaan sendiri

2. Operasi histogram streching

b. Operasi Histogram Streching

>> A=imread('retro.jpg');

>> B=imadjust(A,[0.20 0.5],[0.3 0.9],1);

>> C=imadjust(A,[0.20 0.5],[0.3 0.9],0.5);

>> D=imadjust(A,[0.20 0.5],[0.3 0.9],2);

>> subplot(4,2,1),imshow(A)

>> title('image original')

>> subplot(4,2,2),imhist(A)

>> title('histogram original')

>> subplot(4,2,3),imshow(B)

>> title('gama 1')

>> subplot(4,2,4),imhist(B)

>> title('histogram gama 1')

>> subplot(4,2,5),imshow(C)

>> title('gama 0.5')

>> subplot(4,2,6),imhist(C)

>> title('histogram gama 0.5')

>> subplot(4,2,7),imshow(D)

>> title('gama 2')

>> subplot(4,2,8),imhist(D)

>> title('histogram gama 2')

c. Operasi Histogram Equalisasi

>> A=imread('retro.jpg');

>> B=histeq(A);

>> subplot(2,2,1),imshow(A)

>> title('image original')

>> subplot(2,2,2),imhist(A)

>> title('histogram original')

>> subplot(2,2,3),imshow(B)

>> title('image histeq')

>> subplot(2,2,4),imhist(B)

>> title('histogram histeq')

3. NEIGHBORHOOD PROCESSING

a. Filter fspecial

>> X1=fspecial('average',[8,8])

X1 =

Columns 1 through 6

0.0156 0.0156 0.0156 0.0156 0.0156 0.0156

Columns 7 through 8

0.0156 0.0156

>> X2=fspecial('disk')

X2 =

Columns 1 through 6

0 0 0 0.0012 0.0050 0.0063

0 0.0000 0.0062 0.0124 0.0127 0.0127

0 0.0062 0.0127 0.0127 0.0127 0.0127

0.0012 0.0124 0.0127 0.0127 0.0127 0.0127

0.0050 0.0127 0.0127 0.0127 0.0127 0.0127

0.0063 0.0127 0.0127 0.0127 0.0127 0.0127

0.0050 0.0127 0.0127 0.0127 0.0127 0.0127

0.0012 0.0124 0.0127 0.0127 0.0127 0.0127

0 0.0062 0.0127 0.0127 0.0127 0.0127

0 0.0000 0.0062 0.0124 0.0127 0.0127

0 0 0 0.0012 0.0050 0.0063

Columns 7 through 11

0.0050 0.0012 0 0 0

0.0127 0.0124 0.0062 0.0000 0

0.0127 0.0127 0.0127 0.0062 0

0.0127 0.0127 0.0127 0.0124 0.0012

0.0127 0.0127 0.0127 0.0127 0.0050

0.0127 0.0127 0.0127 0.0127 0.0063

0.0127 0.0127 0.0127 0.0127 0.0050

0.0127 0.0127 0.0127 0.0124 0.0012

0.0127 0.0127 0.0127 0.0062 0

0.0127 0.0124 0.0062 0.0000 0

0.0050 0.0012 0 0 0

>> X3=fspecial('gaussian')

X3 =

0.0113 0.0838 0.0113

0.0838 0.6193 0.0838

0.0113 0.0838 0.0113

>> X4=fspecial('laplacian')

X4 =

0.1667 0.6667 0.1667

0.6667 -3.3333 0.6667

0.1667 0.6667 0.1667

>> X5=fspecial('log')

X5 =

0.0448 0.0468 0.0564 0.0468 0.0448

0.0468 0.3167 0.7146 0.3167 0.0468

0.0564 0.7146 -4.9048 0.7146 0.0564

0.0468 0.3167 0.7146 0.3167 0.0468

0.0448 0.0468 0.0564 0.0468 0.0448

>> X6=fspecial('motion')

X6 =

Columns 1 through 6

0.1111 0.1111 0.1111 0.1111 0.1111 0.1111

Columns 7 through 9

0.1111 0.1111 0.1111

>> X7=fspecial('prewitt')

X7 =

1 1 1

0 0 0

-1 -1 -1

>> X8=fspecial('sobel')

X8 =

1 2 1

0 0 0

-1 -2 -1

>> X9=fspecial('unsharp')

X9 =

-0.1667 -0.6667 -0.1667

-0.6667 4.3333 -0.6667

-0.1667 -0.6667 -0.1667

b. Filter2 image

>> A=imread('retro.jpg');

>> B=rgb2gray(A);

>> C=filter2(X1,B);

>> C1=filter2(X2,B);

>> C2=filter2(X3,B);

>> C3=filter2(X4,B);

>> C4=filter2(X5,B);

>> C5=filter2(X6,B);

>> C6=filter2(X7,B);

>> C7=filter2(X8,B);

>> C8=filter2(X9,B);

>> subplot(4,3,2),imshow(A)

>> title('image original')

>> subplot(4,3,4),imshow(uint8(C))

>> title('AVERAGE')

>> subplot(4,3,5),imshow(uint8(C1))

>> title('DISK')

>> subplot(4,3,6),imshow(uint8(C2))

>> title('GAUSSIAN')

>> subplot(4,3,7),imshow(uint8(C3))

>> title('LAPLACIAN')

>> subplot(4,3,8),imshow(uint8(C4))

>> title('L0G')

>> subplot(4,3,9),imshow(uint8(C5))

>> title('MOTION')

>> subplot(4,3,10),imshow(uint8(C6))

>> title('PREWITT')

>> subplot(4,3,11),imshow(uint8(C7))

>> title('SOBEL')

>> subplot(4,3,12),imshow(uint8(C8))

>>title(‘UNSHARP’)

KONVOLUSI

Proses filtering image yang sering dilakukan pada proses pengolahan gambar. Pada matlab terdapat banyak sekali cara yang dapat dilakukan untuk melakukan proseskonvolusi. Proses konvolusi dilakukan dengan menggunakan matriks yang biasa disebut mask yaitu matriks yang berjalan sepanjang proses dan digunalan untuk menghitung nilai representasi lokal dari beberapa piksel pada image

>> A=imread('retro.jpg');

>> B=rgb2gray(A);

>> C=uint8(B);

>> mask=[-1 -1 -1;-1 8 -1;-1 -1 -1]

mask =

-1 -1 -1

-1 8 -1

-1 -1 -1

>> D=graythresh(B);

>> E=im2bw(B,D);

>> F=conv2(double(E),mask,'valid');

>> imshow(F)