mid_pcd.pdf
TRANSCRIPT
UJIAN MID-SEMESTER
PENGOLAHAN CITRA DIGITAL
(Teke Home Test)
SUSILO HARY YUNANTO
10/300719/TP/09864
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2013
1. Deskripsikan secara detail 3 contoh aplikasi pengolahan citra dalam bidang
Teknologi Pertanian?
a) Evaluasi parameter pemutuan buah stroberi (Fragaria chiloensis L.)
Mempelajari parameter mutu visual stroberi berdasarkan pemutuan
manual yang dilakukan oleh petani stroberi melalui citra digital,
mengevaluasi parameter pemutuan stroberi menggunakan pengolahan citra
dan membangun program komputer pengolahan citra untuk proses
pemutuan stroberi, membandingkan hasil pemutuan manual oleh petani
dengan hasil pemutuan pengolahan citra berdasarkan standar pengukuran
langsung. Pemutuan stroberi menggunakan teknik pengolahan citra
dilakukan berdasarkan nilai panjang, diameter, dan area.
b) Prediksi kandungan gizi pisang (Musa Paradisiaca L.) berdasarkan
degradasi warna kulit
Kita dapat memprediksi kandungan gizi (Vitamin C dan Kadar Pati)
dan total padatan terlarut (TPT) berdasarkan penurunan warna kematangan
pisang, serta mengetahui perubahan fisik dan mekanik (Density atau massa
jenis, Berat, Diameter, Kekerasan, dan Degradasi warna). Metode yang
digunakan adalah menghubungkan perubahan warna kulit pada saat terjadi
kematangan dengan perubahan kandungan Gizi di dalam pisang dan sifat
fisik. Hasil penelitian menunjukkan bahwa Kandungan gizi terbanyak
terdapat pada saat indek merah mengalami kenaikan dan indek hijau dan
hue mengalami penurunan. Semakin matang pisang maka sifat fisik (berat,
diameter, density, kekerasan) akan mengalami penurunan.
c) Penerapan pengolahan citra pada pertanian buah naga
Mutu buah naga ditentukan oleh berbagai parameter diantaranya
adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta
ukuran. Penelitian ini bertujuan untuk mengembangkan cara sortasi tanpa
merusak (non destructive test) untuk tingkat ketuaan dan kematangan buah
naga menggunakan pengolahan citra dan jaringan syaraf tiruan.
Pengolahan citra dikembangkan berdasarkan umur petik dan warna
buah. Sebuah CCD kamera dengan penangkap citra digunakan untuk
menangkap citra pada resolusi 256 x 192 pixel. Dari data pengolahan citra
kemudian diolah menggunakan jaringan syaraf tiruan (JST) dengan
konstanta momentum 0,8, dan fungsi aktivasi 1 serta dilatih sampai 10000
iterasi pada lapisan tersembunyi 3, 6, 9, 12 dan 15 simpul lapisan
tersembunyi. Hasil penelitian menunjukkan nilai JST yang paling ideal
untuk memprediksi ketuaan dan kematangan buah naga adalah
menggunakan parameter hasil pengolahan citra sebagai data masukan (area,
hue, saturasi, intensitas, kontras, homogenitas, entropi dan energi) dan dapat
menentukan ketuaan dan kematangan buah naga dengan tingkat keakuratan
yang tinggi (93,7%).
2. Gambarkan Tahapan yang secara umum dilakukan dalam Pengolahan Citra
Digital?
Secara umum tahapan pengolahan citra digital meliputi akusisi citra,
peningkatan kualitas citra, segmentasi citra, representasi dan deskripsi citra,
pengenalan dan interpretasi, sehingga dapat menjadi basis pengetahuan.
a) Akusisi citra
Akuisisi citra adalah tahap awal untuk mendapatkan citra digital.
Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan
memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang
akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan.
Pencitraan adalah kegiatan transformasi dari citra tampak (foto, gambar,
lukisan, patung,pemandangan dan lain-lain) menjadi citra digital.
Pengambilan data dapat dilakukan dengan menggunakan berbagai
media seperti kamera analog, kamera digital, handycam, scanner, optical
reader dan sebagainya. Citra yang dihasilkan belum tentu data digital,
sehingga perlu didigitalisasi.
b) Peningkatan kualitas citra
Pada tahap ini dikenal dengan pre-processing dimana dalam
meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam
keberhasilan pada tahap pengolahan citra digital berikutnya.
Hal-hal penting yang dilakukan pada tingkatan ini diantaranya
adalah :
Peningkatan Kualitas (Kontras, brightness, dan lain-lain)
Menghilangkan noise
Perbaikan citra
Transformasi
Menentukan bagian Citra yang akan diobservasi
c) Segmentasi citra
Segmentasi bertujuan untuk memilih dan mengisolasikan
(memisahkan) suatu objek dari keseluruhan citra. Segmentasi terdiri dari
downsampling, penapisan dan deteksi tepian. Tahap downsampling
merupakan proses untuk menurunkan jumlah piksel dan menghilangkan
sebagian informasi dari citra. Dengan resolusi citra yang tetap,
downsampling menghasilkan ukuran citra yang lebih kecil. Tahap
segmentasi selanjutnya adalah penapisan dengan filter median, hal ini
dilakukan untuk menghilangkan derau yang biasanya muncul pada frekuensi
tinggi pada spektrum citra. Pada penapisan dengan filter median, gray level
citra pada setiap piksel digantikan dengan nilai median dari gray level pada
piksel yang terdapat pada window filter. Tahap yang terakhir pada proses
segmentasi yaitu deteksi tepian. Pendekatan algoritma Canny dilakukan
berdasarkan konvolusi fungsi citra dengan operator Gaussian dan turunan-
turunannya. Pendeteksi tepi ini dirancang untuk merepresentasikan sebuah
tepian yang ideal, dengan ketebalan yang diinginkan. Secara umum, proses
segmentasi sangat penting dan secara langsung akan menentukan
keakurasian sistem dalam proses identifikasi iris mata.
d) Representasi dan Deskripsi Citra
Dalam hal ini representasi merupakan suatu proses untuk
merepresentasikan suatu wilayah sebagai suatu daftar titik-titik koordinat
dalam kurva tertutup, dengan dekripsi luasan atau perimeternya. Setelah
suatu wilayah dapat direpresentasi, proses selanjutnya adalah melakukan
deskripsi citra dengan cara seleksi ciri dan ekstrasi ciri (feature extraction
and selection). Seleksi ciri bertujuan untuk memilih informasi kuantitatif
dari cirri yang ada, yang dapatmembedakan kelas-kelas objek secara baik,
sedangkan ekstrasi ciri bertujuanuntuk mengukur besaran kuantitatif ciri
setiap piksel, misalnya rata-rata,standar deviasi, koefisien variasi,
SignaltoNoise ratio (SNR), dan lain-lain.
e) Pengenalan dan Interpretasi
Pengenalan pola tidak hanya bertujuan untuk mendapatkan citra
dengan suatu kualitas tertentu, tetapi juga untuk mengklasifikasikan
bermacam-macam citra. Dari sejumlah citra diolah sehingga citra dengan
ciri yang sama akan dikelompokkan pada suatu kelompok tertentu.
Interpretasi meliputi penekanan dalam mengartikan objek yang dikenali.
f) Basis Pengetahuan
Basis pengetahuan sebagai basis data pengetahuan berguna untuk
memandu operasi dari masing-masing modul proses dan mengkontrol
interaksi antara modul-modul tersebut. Selain itu, basis pengetahuan juga
digunakan sebagai referensi pada proses template matching atau pada
pengenalan pola.
3. Jelaskan Apakah Kegunaan Metoda Pengenalan Pola Seperti Jaringan Saraf
Tiruan yang diterapkan dalam pengolahan Citra Digital
Metoda pengenalan pola seperti jaringan saraf tiruan berguna untuk
mengekstrak informasi / pesan yang disampaikan oleh gambar / citra dalam
pengolahan citra digital. Dengan metoda pengenalan pola seperti jaringan saraf
tiruan, data numerik dan simbolik (citra) dapat dikelompokkan secara otomatis
oleh mesin (komputer).
Pengenalan pola juga berhubungan dengan proses identifikasi obyek
pada citra atau interpretasi citra. Pengenalan pola tidak hanya bertujuan untuk
mendapatkan citra dengan suatu kualitas tertentu, tetapi juga untuk
mengklasifikasikan bermacam-macam citra. Dari sejumlah citra diolah
sehingga citra dengan ciri yang sama akan dikelompokkan pada suatu
kelompok tertentu. Bila pengenalan pola dihubungkan dengan pengolahan
citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra
masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut
pengenalan citra atau image recognition.
4. Copykan beberapa file citra onion.png, pears.png, peppers.png dan rice.png ke
directory data Matlab tempat kita bekerja
Onion.png Pears.png
Peppers.png Rice.png
dengan matlab Buatlah program pengolah citra dari sampel citra onion.png
dengan urutan pengolahan citra adalah citra dibaca, selanjutnya lakukan
analisis komponen RGB, Lakukan konversi citra ke Grayscale, buatkan
histogram grafiknya selanjutnya lakukan image untuk ditampilkan lebih terang
warnanya. Simpan file dengan nama programda.m Lakukan hal yang sama
pada file peppers.png. Simpan file dengan nama programdb.m
a) Programda.m (onion.jpg)
%Program Citra UTS Digital
%Pembacaan Data Citra
gambar = imread ('onion.png');
red = gambar (:,:,1);
green = gambar (:,:,2);
blue = gambar (:,:,3);
gray = 0.3*red+0.5*green+0.2*blue;
imshow (gray)
whos
figure, imhist(gray)
brightVal=135;
img=gambar+brightVal;
figure, imshow(img)
Hasil :
Konversi citra ke grayscale
Analisis komponen RGB
Name Size Byte Class Attributes
blue 135x198 26730 uint8 gambar 135x198x3 80190 uint8
gray 135x198 26730 uint8 green 135x198 26730 uint8 red 135x198 26730 uint8
Histogram grafik
Image ditampilkan lebih terang
b) Programdb.m (peppers.png)
%Program Citra UTS Digital
%Pembacaan Data Citra
gambar=imread('peppers.png');
red=gambar(:,:,1);
green=gambar(:,:,2);
blue=gambar(:,:,3);
gray=0.3*red+0.5*green+0.2*blue;
imshow(gray)
whos
figure, imhist(gray)
brightVal=135;
img=gambar+brightVal;
figure, imshow(img)
Hasil :
Konversi citra ke grayscale
Analisis komponen RGB
Name Size Byte Class Attributes
blue 384x512 196608 uint8 gambar 384x512x3 589824 uint8
gray 384x512 196608 uint8 green 384x512 196608 uint8 red 384x512 196608 uint8
Histogram grafik
Image ditampilkan lebih terang
5. Pada image file rice.png, kita diminta untuk menganalisis image atas image
histogram dan luasan area dan histogram luasan area dari banyaknya butir rice
yang ditampilkan dalam image. Lakukan prosesur analisa pengolahan citra
untuk menghitung luasan area rice dan histogramnya. Simpan file dengan nama
tugasd.m
Petunjuk
Lakukan prosedur dari citra diubah ke binary image dengan fungsi im2bw
Untuk pencarian luasan dan grafik gunakan fungsi regionprops dan hist
Tugasd.m
I = imread ('rice.png');
imshow (I)
background = imopen (I,strel('disk',15));
figure, surf (double(background(1:8:end,1:8:end))),zlim([0 255]);
set (gca,'ydir','reverse');
I2 = I-background;
figure, imshow(I2)
I3 = imadjust(I2);
figure, imshow(I3);
level = graythresh(I3);
bw = im2bw(I3,level);
bw = bwareaopen(bw,50);
figure, imshow(bw)
graindata = regionprops(bw, 'basic');
graindata(50).Area
grain_areas=[graindata.Area];
nbins = 20;
figure, hist(grain_areas, nbins)
title ('Histogram of Rice Grain Area');
Hasil :
Pembacaan citra
Surface plot
Pemisahan citra dengan latar belakang (threshold)
Peningkatan kontras gambar
Konversi citra ke citra biner (im2bw)
Pencarian luasan (regionprops)
Ans = 216
Grafik (hist)