smoothing image explain

3
Smoothing Image Processing OpenCV Pada smoothing image processing ini akan dipelajari bagaimana cara menerapkan Linear Filter yang beragam untuk mengolah sebuah gambar. Smoothing Image Processing ini diolah menggunakan software OpenCV dengan fungsi yang terdapat didalamnya. Diantaran fungsinya tersebut adalah : 1. Blur 2. Gaussian Blur 3. Median Blur 4. Bilateral Filter Smoothing disebut juga Blurring. Blurring adalah pengolahan citra/visual sederhana dan sering digunakan. Ada banyak alassan untuk menghaluskan sebuah citra. Smoothing Image Processing kali ini akan berfokus pada pengurangan noise pada citra. Untuk melakukan operasi smoothing akan diterapkan filter/penyaringan pada citra/gambar yang akan kita gunakan. Jenis pemfilteran yang yang paling sering digunakan memiliki sifat linear yang mana nlai dari output pixel [g(i,j)] ditentukan dari jumlah semua nilai input pixel. g(i,j)=\sum_{k,l}f(i+k,j+l)h(k,l) h(k,l) adalah kernel yang merupakan konstanta pemfilteran. Kernel contanta ini membantu untuk memvisualisasikan filter sebagai jendela koefesien untuk memunculkan gambar. Ada beberapa Jenis pemfilteraan, yaitu: 1. Gaussian Filter Gaussian filter adalah jenis pemfilteran yang paling membantu/berguna Meskipun bukan termasuk jenis filter yang cepat. Gaussian Filtering dilakukan dengan menggunakan konvolusi untuk setiap titik dalam array input dengan kernel Gaussian Kemudian semua input tersebut dijumlahkan untuk menghasilkan output array

Upload: muhammadikhsanrestiadi

Post on 19-Dec-2015

12 views

Category:

Documents


4 download

DESCRIPTION

Open CV tutorial

TRANSCRIPT

Smoothing Image Processing OpenCV

Pada smoothing image processing ini akan dipelajari bagaimana cara menerapkan Linear Filter yang beragam untuk mengolah sebuah gambar. Smoothing Image Processing ini diolah menggunakan software OpenCV dengan fungsi yang terdapat didalamnya. Diantaran fungsinya tersebut adalah : 1. Blur 2. Gaussian Blur 3. Median Blur 4. Bilateral Filter

Smoothing disebut juga Blurring. Blurring adalah pengolahan citra/visual sederhana dan sering digunakan. Ada banyak alassan untuk menghaluskan sebuah citra. Smoothing Image Processing kali ini akan berfokus pada pengurangan noise pada citra. Untuk melakukan operasi smoothing akan diterapkan filter/penyaringan pada citra/gambar yang akan kita gunakan. Jenis pemfilteran yang yang paling sering digunakan memiliki sifat linear yang mana nlai dari output pixel [g(i,j)] ditentukan dari jumlah semua nilai input pixel.

g(i,j)=\sum_{k,l}f(i+k,j+l)h(k,l)

h(k,l) adalah kernel yang merupakan konstanta pemfilteran. Kernel contanta ini membantu untuk memvisualisasikan filter sebagai jendela koefesien untuk memunculkan gambar.

Ada beberapa Jenis pemfilteraan, yaitu:1. Gaussian Filter Gaussian filter adalah jenis pemfilteran yang paling membantu/berguna Meskipun bukan termasuk jenis filter yang cepat. Gaussian Filtering dilakukan dengan menggunakan konvolusi untuk setiap titik dalam array input dengan kernel Gaussian Kemudian semua input tersebut dijumlahkan untuk menghasilkan output array

Di asumsikan gambar yang adalah 1D, dapat dilihat bahwa pixel yang terletak ditengah akan memiliki bobot nilai paling besar sedangkan yang berada di sisi kiri dan kanan akan mengalami penurunan nilai bobot sebagai jarak spasial.

2. Median Filter Median filter dilakukan melalui pada setiap elemen sinyal (dalam hal ini gambar) dan mengganti setiap pixel dengan median pixel tetangganya yang terletak di lingkungan persegi di sekitar pixel dievaluasi.

3. Bilateral FilterDengan menggunakan filter yang sebelumnya telah dijelaskan, gambar akan menjadi lebih halus sesuai yang diinginkan atau menghilangkan noise yang ada pada gambar. Tetapi ada juga kasus dimana pemfilteran tersebut tidak hanya memfilter noise tetapi juga menghaluskan bagian tepi. Untuk menghindari hal tersebut digunakannlah Bilateral filtering.Dengan cara yang analog dengan Gaussian filter, bilateral filter juga mempertimbangkan pixel tetangga dengan bobot yang telah telah ditentukan. Bobot ini memiliki dua komponen, yang pertama adalah bobot yang sama digunakan pada Gaussian filter dan yang kedua adalah komponen yang memperhitungkan perbedaan dalam intensitas antara pixel tetangga dan pixel yang akan dievaluasi