Computer Vision

Perkembangan Artificial Intelligence (AI) saat ini sangat cepat baik dalam metode dasar maupun penerapan di lapangan. Banyak instansi yang membutuhkan AI, dari kedokteran, pertanian, hingga pertahanan dan keamanan. Salah satu penerapannya adalah dalam Computer Vision.

Image Processing

Terkadang banyak yang bingung apa perbedaan image processing dengan computer vision. Keduanya sama-sama mengelola gambar/citra, hanya saja computer vision lebih dalam lagi, dimana sebuah model dibuat untuk mampu mengenali sebuah gambar. Sementara itu, image processing memiliki tugas pokok hanya mengolah gambar. Biasanya bekerja sebagai pre-processing sebelum masuk ke modul computer vision, misalnya merubah citra berwarna menjadi hitam putih, merubah ukuran/dimensi gambar, merotasi dan hal-hal yang mengkonversi gambar agar bermanfaat.

Walaupun terlihat sederhana tetapi penerapannya sangat penting, misalnya konvolusi yang merubah gambar besar menjadi gambar yang berukuran lebih kecil tetapi tidak merubah “ciri” dari gambar aslinya. Metode ini digunakan dalam Convolution Neural Network (CNN) bersama dengan Pooling (memperkecil ukuran/dimensi gambar) yang ternyata meningkatkan performa Neural Networks.

Pengenalan Gambar

Sebenarnya untuk mengenali gambar merupakan kemampuan yang sudah dimiliki oleh manusia. Namun jika yang harus dikenali sangat banyak, atau harus selalu “on” 24 jam, tentu saja manusia tidak sanggup. Oleh karena itu riset yang mengembangkan model seperti manusia yang mampu mengenali gambar sangat bermanfaat. Akurasinya pun saat ini kian mendekati 100%.

Selain aspek kuantitatif dalam mengenali gambar, terkadang model pengenalan gambar harus mampu mengenali gambar jauh melebihi mata manusia, misalnya dalam mendeteksi foto rontgen, sel-sel mikroskopis, dan mineral di dalam bumi. Bahkan dalam mengenali tutupan lahan, model melebihi kemampuan mata manusia mengenali foto satelit, mengingat sensor satelit, misalnya Operational Land Imager (OLI) memiliki 9 band frekuensi, dimana mata manusia hanya mampu melihat beberapa band frekuensi saja.

Surveillance System

Selain gambar statis, computer vision juga berkembang untuk mendeteksi video. Biasanya diterapkan pada CCTV keamanan. Jika ada objek mencurigakan, sistem akan memberikan warning sehingga dapat bekerja 24 jam dan selalu waspada, hal yang tidak mungkin dilakukan oleh seorang staf keamanan. Sekian semoga tertarik riset di bidang ini.

Belajar Membuat Game dengan Python

Ternyata Python tidak hanya digunakan untuk Machine Learning, melainkan juga untuk membuat game. Banyak sumber-sumber belajar di internet, baik di Github maupun penjelasannya di Youtube. Nah, bagi Anda yang pemula ada baiknya membaca postingan ini bagaimana menggunakan dua metode dalam menjalankan Python yaitu konsol dan Jupyter Notebook.

Konsol

Di sini kita ambil contoh dua game terkenal yang dibuat dengan Python yaitu Flappy Bird dan Space Invaders. Install Python di laptop Anda terlebih dahulu, disarankan menggunakan cara yang paling gampang walau agak berat, yaitu paket Anaconda.

Menggunakan konsol sangat dianjurkan bagi Anda yang mahir dan cepat dalam mengetik. Di sini harus dipahami terlebih dahulu cara menangani virtual environment
di Python. Selain itu library-library pendukung harus diinstall juga, terutama pygame karena di sini kita coba menggunakan library tersebut.

Untuk mengedit bisa menggunakan IDLE, Sublime Text, Notepad, atau text editor lainnya. Langkah pertama dalam belajar adalah mencoba menjalankan (running) program tersebut, dilanjutkan dengan mengedit fungsi-fungsi tertentu, misal mengganti gambar/image tokoh, background, atau memindah fungsi tombol naik/turun/kiri/kanan dengan tombol baru.

Jupyter Notebook

Jika Anda pengguna Google Colab, ada baiknya menggunakan Jupyter Notebook karena memang IDE-nya yang tidak jauh berbeda. Ekstensi filenya pun sama (*.ipynb) yang berbeda dengan Python konsol (*.py). SIlahkan membuka Jupyter Notebook lewat Anaconda atau konsol. Untuk lebih cepat sepertinya konsol lebih cepat dan ringan. Arahkan folder kerja ke lokasi game dan ketik “jupyter notebook”. Pastikan fasilitas jupyter notebook tersedia di environment kita (di sini contohnya ‘base’) yang jika belum ada gunakan > pip install jupyter.

Mengingat jenis filenya yang berbeda maka terlebih dahulu kita membuat new file dilanjutkan dengan mengkopi isi file *.py ke dalam file Jupyter Notebook yang baru tersebut. Jalankan file sample, pastikan game berjalan dengan baik.

Coba mengganti beberapa fungsi game tersebut, misalnya tombol bergeraknya pesawat, atau mengganti background dan bentuk pesawatnya. Berikut video penjelasannya, semoga bermanfaat.

Belajar Pengolahan Citra dari Sumber-Sumber di Internet

Mempelajari hal-hal baru, tidak hanya pengolahan citra, dapat dilakukan dengan memanfaatkan internet. Terlebih ketika kondisi pandemik seperti saat ini dimana perkuliahan dilaksanakan secara daring. Praktikum yang biasanya dilaksanakan secara offline di laboratorium, terpaksa memanfaatkan fasilitas pribadi milik mahasiswa, yakni laptop yang dilaksanakan secara online. Untungnya, salah satu bahasa pemrograman, yakni Python, diadposi oleh Google dengan meluncurkan aplikasi onlinenya untuk pemrograman, yakni Google Colab (silahkan lihat infonya di sini).

Semenjak kemunculannya, banyak peneliti, kampus, dan pemerhati artificial intelligent membagi kodingannya via Google Colab. Dengan menggunakan kata kunci: “Google Colab” <topik>, kita dapat menemukan sumber informasi yang diinginkan. Kalau pun tidak berupa link Google Colab, biasanya dalam situsnya disertakan juga link Google Colabnya. Nah, di situlah kita bisa belajar hal-hal yang terkait dengan teknologi yang kita inginkan.

Ada juga kontroversi terkait dengan belajar instan lewat internet, salah satunya adalah masalah ilmu dasar yang kurang diperhatikan mengingat biasanya hanya untuk aplikasi-aplikasi siap pakai saja. Menurut saya wajar, karena memang kaum milenial memiliki karakter “instant” yang harus dipenuhi oleh pengajar. Sebenarnya cukup membalik dari teori dan aplikasi menjadi aplikasi dan teori sudah mampu menarik minat mereka. Kalaupun ingin menerapkan teori dulu baru aplikasi, sebaiknya jangan terlalu panjang jedanya, syukur-syukur di pertemuan yang sama.

Beberapa dosen tidak menganjurkan menggunakan bahasa pemrograman dalam bentuk paket atau library-library seperti misalnya OpenCV untuk pengolahan citra. Alasannya tidak mendidik mahasiswa memahami dasar-dasar ilmu pengolahan citra. Mereka cenderung menggunakan Bahasa C++ dalam perkuliahan. Menurut saya baik, tetapi untuk mengejar ketertinggalan teknologi dengan negara-negara lain ada baiknya mengikuti trend teknologi terkini, apalagi jika mahasiswa ingin bekerja pada vendor/perusahaan yang memang cenderung menerapkan teknologi terkini baik dari bahasa, library, dan tools lainnya. Pembuat library pun menyediakan dasar-dasar ilmunya yang dapat diakses di situs resminya, misalnya OpenCV di link https://opencv.org/ atau pada dokumentasinya di sini, seperti contoh filter 2d dibahas pula dasar-dasar teorinya.

Tentu saja kita harus membaca buku teks standar pengolahan citra atau dasar-dasar matematika seperti kernel, matriks, dan lain-lain. Jika di era 90-an kita belajar ilmu dasar tanpa melihat langsung penerapannya, saat ini siswa lebih mudah melihat langsung penerapan ilmu dasar yang diajarkannya. Silahkan lihat video berikut untuk mengakses topik tertentu di Google Colab.

Menentukan Kompenen RGB Citra dengan OpenCV

Citra berwarna dapat diketahui komponen Red-Green-Blue penyusunnya. Dalam OpenCV sedikit berbeda, yaitu Blue-Green-Red (BGR). Sistem yang menentukan kematangan buah misalnya, membutuhkan nilai RGB suatu buah yang matang atau belum. Nah, di sini kita coba menggunakan OpenCV yang berjalan di Google Colab untuk menentukan kadar RGB-nya yang kemudian dihitung rata-rata untuk menentukan warna dominan-nya. Dalam prakteknya tidak hanya menggunakan rata-rata melainkan dengan sistem berbasis Jaringan Syaraf Tiruan atau Deep Learning.

Mengimpor Library

Beberapa Library diperlukan antara lain CV2, NumPy, dan Google Colab File (untuk input output interface). Gunakan kode berikut di awal untuk sel baru.

import cv2
import numpy as np
import pandas as pd
from google.colab.patches import cv2_imshow
from google.colab import files
import io

Jalankan sel tersebut pastikan tidak ada kesalahan karena akan menentukan instruksi berikutnya.

Mengambil File Citra

Berikutnya adalah mengupload citra. Sebenarnya upload bisa lewat mekanisme upload di Google Colab. Tapi bisa juga dengan memanfaatkan I/O Google Colab, kita tinggal memilih file citra yang akan diuplad.

upload_files=files.upload()
for filename in upload_files.keys():
upload_files.keys
print(‘nama file: ‘,filename)
citra=cv2.imread(filename)

Di sini variabel upload_files berisi filename yang akan digunakan untuk imread pada OpenCV untuk mengambil matriks RGB citra tersebut. Gunakan citra RGB untuk latihan ini.

Mengolah Matriks Citra

Citra berwarna memiliki tiga komponen matriks yaitu biru, hijau, dan merah yang masing-masing berturut-turut diberi indeks 0, 1, dan 2.

blue=citra[:,:,0]
green=citra[:,:,1]
red=citra[:,:,2]
b=np.average(blue)
g=np.average(green)
r=np.average(red)
print(b)
print(g)
print(r)

Variabel b, g, dan r berturut-turut rata-rata dari total matriks blue, green, dan red. Fungsi print hanya digunakan untuk mengetahui skor rata-rata untuk mengecek akurasi if-else tahap berikutnya.

Deteksi Warna Dominan

Langkah terakhir adalah instruksi if-else untuk mendeteksi mana nilai yang terbesar apakah blue, green, ataukah red.

if b>g:
if b>=r:
result=print(‘warna dominan: blue’)
print(b)
else:
if g>=r:
result=print(‘warna dominan: green’)
print(g)
else:
result=print(‘warna dominan: red’)
print(r)

Jalankan dan pastikan warna dominan sesuai dengan kenyataannya.

Mengelola Environment Anaconda

Anaconda merupakan pakat Integrated Development Environment (IDE) berbasis Python (https://www.anaconda.com/). Paket lengkap ini sangat membantu siswa yang baru pertama kali belajar bahasa pemrograman Python. Sebelumnya pengguna Python menggunakan konsol untuk memrogram, termasuk mengelola environment-nya (lihat post yang lalu). Namun, Anaconda memperkenalkan teknik yang lebih sederhana dan mudah dicerna lewat Anaconda Navigator.

Mengunduh Anaconda

Untuk menginstal Anaconda, silahkan unduh di sini. Sesuaikan dengan sistem operasi yang kita gunakan, dan pilih versi yang terkini. Jika sudah, jalankan hingga muncul tampilan sebagai berikut:

Mengatur Environment

Pada Anaconda Navigator terdapat menu Environments untuk mengelola environment yang ada. Environment merupakan folder kerja yang berisi fasilitas-fasilitas tertentu, misalnya untuk deep learning, machine learning, dan lain-lain. Maksudnya adalah agar satu aplikasi tidak bercampur dengan aplikasi lainnya sehingga lebih rapi dan terstruktur.

Secara default, environment yang ada adalah base (root), yang di dalamnya sudah terdapat beberapa fasilitas dasar, salah satunya Jupyter Notebook. Untuk membuat satu environment baru, gunakan tombol +Create di bagian bawah. Untuk beralih ke environment lainnya tinggal menekan nama environment tersebut. Tuggu sesaat hingga library yang ada muncul di sebelah kanan. Untuk membuka terminal ataupun Jupyter Notebook, silahkan tekan simbol segitiga di sebelah kanan environment yang dipilih.

Ada baiknya kita menggunakan Open Terminal untuk membuka Jupyter Notebook agar folder sesuai dengan yang kita inginkan.

Perhatikan saya menggunakan environment “Nusaputra” dengan folder kerja di d:\pengajaran\Pengolahan Citra. Instruksi jupyter notebook bermaksud membuka jupyter notebook di browser kita.

Mencoba Jupyter Notebook

Berbeda dengan Google Colab yang selalu terpasang Library, pada Jupyter Notebook library tertentu, misal OpenCV, harus dipasang terlebih dahulu. Gunakan PIP atau dengan Anaconda Navigator, lihat caranya di materi kuliah saya berikut ini. Perhatikan bagaimana mengelola sel, tracing error, dan lain-lain.

Deteksi Tepi dengan Open CV

Beberapa aplikasi baik di laptop maupun di handphone menerapkan deteksi tepi untuk memisahkan antara citra dengan latar/background-nya. Salah satu metode deteksi tepi yang terkenal adalan metode Canny yang menerapkan filter Gauss:

Beberapa aplikasi telah menerapkan metode Canny ini, misalnya Matlab dan OpenCV. Postingan ini mencoba menggunakan OpenCV yang bekerja di Google Colab dengan bahasa Python. Seperti biasa, buka Google Colab.

import cv2
import numpy as np
from matplotlib import pyplot as plt
# read image
img = cv2.imread(“dimas.jpg”, 0)
# Find edge with Canny edge detection
edges = cv2.Canny(img, 100, 200)
# display results
plt.subplot(121), plt.imshow(img, cmap=‘gray’)
plt.title(‘Original Image’), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(edges, cmap=‘gray’)
plt.title(‘Edge Image’), plt.xticks([]), plt.yticks([])
plt.show()

Open CV diimpor terlebih dahulu, termasuk numpy dan pyplot untuk pengolahan matriks dan pembuatan grafik. Variabel “img” mengambil nama file citra yang terlebih dahulu diupload ke Google Colab. Ketika sel di-run pastikan tampil hasilnya.

Atau bisa menggunakan cv2_imshow agar lebih besar gambar yang ditambilkan.

from google.colab.patches import cv2_imshow
cv2_imshow(edges)

Silahkan lihat video tutorial di akhir postingan ini. Sekian, semoga bermanfaat.

Mencoba OpenCV di Google Colab

Python memiliki beragam library. Salah satu library terkenal untuk pengolahan citra (image processing) adalah OpenCV (https://opencv.org/). Untuk mencoba library ini silahkan buka Google Colab (http://colab.research.google.com) di browser kita.

Instalasi OpenCV

Untuk menginstal OpenCV, gunakan PIP dengan disertai simbol “!” di depan cell Google Colab sebagai berikut. Setelah itu tekan simbol run di sebelah kiri sel tersebut.

! pip install opencv-python

Tunggu beberapa saat menunggu Google Colab selesai menginstall OpenCV.

Import Library OpenCV

Tidak serta merta ketika diinstal OpenCV dapat langsung digunakan. Import terlebih dahulu. Gunakan satu sel baru agar lebih mudah men-debug nya.

import os
import numpy as np
import matplotlib.pyplot as plt
import cv2

Tekan run dan pastikan tidak ada kesalahan. Di sini numpy dan matplotlib merupakan library untuk pengolahan matriks dan plotting. Nah, cv2 di sini merupakan OpenCV.

Membaca, Menampilkan, dan Konversi Citra

Berikutnya kita berlatih menggunakan fungsi OpenCV antara lain, membaca, menampilkan, dan mengkonversi ke hitam putih sebuah citra. Pada google colab upload image sembarang (berformat jpg/png). Tekan terlebih dulu simbol folder di sebelah kiri Google Colab kita.

from google.colab.patches import cv2_imshow
img = cv2.imread(‘Rahmadya.jpg’, cv2.IMREAD_UNCHANGED)
cv2_imshow(img)
grayImg = cv2.cvtColor(np.array(img),cv2.COLOR_BGR2GRAY);
cv2_imshow(grayImg)

Kode di baris atas menambahkan satu patches karena cv.imshow tidak berjalan di Google Colab maupun Jupyter Notebook. Variabel img merupakan citra asli, sementara grayImg yang sudah dikonversi ke hitam putih (gray). Perhatikan di OpenCV formatnya Blue-Green-Red (BGR), bukan RGB.

Plotting

Selain dengan OpenCV, ada baiknya kita belajar menampilkan dalam bentuk Plot karena lebih rapih. Gunakan kode berikut di sel yang baru.

plt.subplot(121), plt.imshow(img), plt.title(“Original”)
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(grayImg), plt.title(“Edited”)
plt.xticks([]), plt.yticks([])
plt.show()

Pastikan program berjalan dengan baik.

Silahkan kunjungi video tutorial ini untuk lebih jelasnya.

Membuat Mask (Bingkai) Pada Citra & Manfaatnya

Postingan ini bermaksud menginformasikan problem ketika pencocokan pola citra kurang berhasil akibat pola yang tidak memiliki bingkai. Ketika dengan Autoassociative Memory diminta memprediksi angka satu berikut (lihat yang berwarna putih).

Prediksi di sebelah kanan memang tepat angka satu, tetapi terpotong di bagian atas dan bawahnya. Kita coba untuk menambahkan bingkai pada citra yang akan dilatih dan diterka.

Menambahkan Nol di Sekitar Matriks

Misal angka nol di bawah akan dibuatkan bingkainya. Langkah pertama adalah mengetahui ukuran matriks angka nol tersebut.

Gunakan fungsi size di Matlab. Setelah itu dengan fungsi “zeros” buat matriks berukuran dua digit lebih banyak dari ukuran sebelumnya. Misalnya matriks di atas memiliki ukuran baris x kolom sebesar 5 x 3 maka buatlah matriks nol dengan ukuran 7 x 5.

imshow(nol,’InitialMagnification’,’fit’)
nolmask=zeros(7,5);
nolmask(2:6,2:4)=nol;
imshow(nolmask,’InitialMagnification’,’fit’)

Perhatikan angka nol (yang berwarna putih) telah memiliki bingkai (warna hitam di sekelilingnya). Berikutnya kita coba melatih jaringan syaraf tiruan (JST) yang sebelumnya tanpa bingkai. Diuji dengan angka satu udah ok: hasil: “satu” (sebelah kiri) dan yang sebelah kanan nol dengan sedikit error berhasil mendeteksi (hasil deteksi: “nol”).

Mengkonversi Polygon Peta Pada ArcGIS ke Matriks di Matlab

Terkadang untuk melakukan manipulasi dengan Matlab membutuhkan konversi dari data berupa peta menjadi matriks. Jika sudah dalam bentuk matriks maka beragam metode dapat diterapkan untuk memanipulasi matriks peta tersebut seperti pengklusteran, klasifikasi, dan lain-lain. Postingan ini bermaksud mengkonversi citra polygon menjadi matriks di Matlab.

Mempersiapkan Poligon

Terlebih dahulu persiapkan peta poligon, misalnya lokasi sekolah di bekasi selatan. Karena fungsi polygon to raster di ArcGIS tidak berlaku untuk titik maka diperlukan proses “buffering” agar dihasilkan region sebuah titik. Cari fungsi “buffering” tersebut di kolom “search” pada ArcGIS anda.

Di sini dibuat lingkaran dengan jarak 50 meter dari pusat titik di tiap-tiap lokasi. Secara default tipenya adalah lingkaran. Jika sudah tekan “OK” di bagian bawah. Pastikan peta baru yang berisi lingkaran dengan jari-jari 50 meter yang berada di sekitar titik lokasi.

Konversi ke Raster

Untuk menjadikan poligon menjadi matriks diperlukan proses konversi dari poligon ke raster dengan fungsi “Polygon to Raster”.

Tekan “OK” dan tunggu sesaat hingga ArcGIS membuat rasternya seperti gambar berikut ini. Perhatikan yang tadinya lingkaran (round) sedikit berubah menjadi kotak-kotak.

Membentuk Matriks di Matlab

Terakhir kita menarik data yang telah dibuat oleh ArcGIS ke Matlab. Pertama-tama data perlu di- “Export” terlebih dahulu. Bentuknya terdiri dari beberapa layer dengan komponen utamanya berekstensi TIF yang mirip dengan JPG atau PNG.

Pastikan di folder target terdapat salah satu citra yang akan dibaca matriksnya lewat Matlab. Arahkan “Current Directory” pada lokasi yang sesuai agar bisa dibaca Matlab. Jalankan perintah ini untuk melihat “image”nya.

imshow(‘sekolah_PolygonToRaster11.tif’)

Jika kita lihat ukurannya masih sangat besar.

I=imread(‘sekolah_PolygonToRaster11.tif’);
size(I)
ans =
474 248

Ada baiknya resolusi sedikit diturunkan agar diperoleh matriks yang mudah dimanipulasi. Gunakan fungsi “imresize” dengan sebelumnya mengkonversi gray menjadi biner.

I2=imresize(I,0.25);
size(I2)
ans =
119 62

Tampak resolusinya berkurang seperempatnya. Konversi menjadi biner agar dihasilkan image yang tidak pecah-pecah seperti di atas. Untuk membahas masalah tersebut perlu postingan lain tentang pengolahan citra. Semoga bisa menginspirasi.

Red, Green, dan Blue (RGB) Pada Matlab

Representasi warna yang dikenal antara lain: i) Red, Green, Blue (RGB), ii) Cyan, Magenta, Yellow, Black (CMYK), iii) Hue, Saturation, Brightness (HSB), dan iv) CIE-XYZ. Di sini yang paling mudah dan terkenal adalah RGB. Postingan ini bermaksud menjelaskan secara mudah model warna RGB ini.

Sejarah

Kita mengenal TV berwarna yang mengkombinasikan tiap piksel dengan gabungan komposisi warna Red, Green, dan Blue. Jika seluruh warna R, G, dan B nol atau padam, maka dihasilkan warna hitam. Sebaliknya jika seluruhnya menyala maksimal, diperoleh warna putih.

Membuat Warna

Perhatikan warna Turqoise di bawah ini. Warna ini merupakan kombinasi warna Red, Green, dan Blue berturut-turut 64, 224, dan 208. Bagaimana merepresentasikannya dalam Matlab?

Baik, kita mulai saja dengan membuka Matlab versi 2008 ke atas (mungkin sebelumnya bisa, asalkan ada fungsi “imshow” dan “cat” pada matriks).

Format RGB pada Matlab

Matlab menggunakan format matriks tiga dimensi, berbeda dengan gray atau biner yang menggunakan satu matriks saja. Oke, misalnya kita buat piksel yang membentuk huruf ‘c’.

c=[1 1 1;1 0 0;1 1 1];
imshow(c,’InitialMagnification’,’fit’)

Disini “InitialMagnification” artinya memperbesar huruf c tersebut agar bisa dilihat jelas. Coba saja tanpa fungsi itu, pasti hanya berupa titik kecil saja.

Nah, di sini kita diminta merubah huruf c format biner tersebut menjadi warna turquoise pada gambar di atas sebelumnya. Caranya adalah dengan merubah satu matriks ‘c’ tersebut menjadi komposisi tiga matriks R, G, dan B berupa perbandingan dari 0 hingga 255.

Warna Red, Green, Blue

Di sini warna merah adalah 64 dari 255. Tuliskan di command window instruksi berikut.

r=c*64/255
r =
0.2510 0.2510 0.2510
0.2510 0 0
0.2510 0.2510 0.2510

Dengan cara yang sama buat juga Green dan Blue.

g=c*224/255;
b=c*224/208;

Jika komposisi R, G, dan B sudah dibuat, berikutnya adalah meng-concatenate tiga matriks tersebut (r, g, dan b) menjadi satu.

image=cat(3,r,g,b);
imshow(image,’InitialMagnification’,’fit’)

Pastikan diperoleh huruf ‘c’ dengan warna turquoise seperti di bawah. Jika Anda bisa memanipulasi satu piksel maka Anda pasti bisa memanipulasi beragam citra menjadi warna-warna tertentu. Sekian, semoga bermanfaat.

Imresize Citra dengan Matlab

Imresize merupakan fungsi dalam Matlab untuk memperkecil ukuran citra. Misal sebuah citra berukuran 100 x 100 dapat diperkecil menjadi 10 x 10. Gunanya adalah menurunkan resolusi agar dapat lebih cepat diproses. Perhatikan citra berikut (nama file “Huruf A.png”):

Citra bertipe JPG atau PNG harus dibaca di konsol Matlab. Gunakan fungsi imread untuk mengkonversi JPG menjadi matriks gambar.

x=imread(‘Huruf A.png’);
x2=rgb2gray(x);

Fungsi rgb2gray bermaksud merubah citra berwarna (red, green, dan blue) menjadi hitam putih. Berikutnya kita coba mereduksi matriksnya dengan fungsi imresize berikut ini:

x3=imresize(x2,.05)

Perhatikan x3 merudiksi x2 sebesar 5 persen. Jika dilihat gambarnya dengan fungsi imshow akan muncul citra yang sudah tereduksi ukurannya.

Imshow(x3,’InitialMagnification’,’fit’)

Citra hasil imresize dari sulit dimanipulasi. Misal dibagi dgn 255 tiap elemennya menjadi 1.

Tampak citra yang masih berbentuk gray. Untuk diolah dengan jaringan syaraf tiruan perlu dikonversi menjadi biner 1 dan 0 atau +1 dan -1. Untuk gambar yg normal bisa dengan im2bw, tetapi hasilnya akan 1 semua. Cari paling sederhana adalah membuat kode untuk merubah 255 menjadi -1 dan yang bukan 255 menjadi 1.

[row kol]=size(x3)
for i=1:row
for j=1:row
if x3(i,j)==max(max(x))
x3(i,j)=-1;
else
x3(i,j)=1;
end
end
end

Hasilnya matrix nol dan 1 yang harus dikalikan dengan 255 terlebih dahulu sebelum dimanipulasi dengan fungsi im2bw.

x4=x3*255;
x5=im2bw(x4);
x6=x5*2-1;
imshow(x6,’InitialMagnification’,’fit’)

Hasilnya adalah tampak pada gambar di bawah, berupa matriks hasil reduksi dari yang sebelah kanan. Dari ukuran matriks 190×193 menjadi matriks 10×10 yang lebih mudah dimanipulasi.

Merubah Foto Menjadi Citra Negatif dan Sebaliknya

Untuk yang pernah hidup di era 80-an, pasti mengenal foto yang dicetak dari negatif foto atau dikenal dengan nama klise. Nah, jika foto sudah jamuran atau rusak, bisa mereproduksi foto tersebut jika masih memiliki klise-nya. Gunakan scanner untuk memindai klise tersebut.

Fungsi untuk merubah citra menjadi negatif dan sebaliknya pada Matlab adalah imcomplement atau dengan persamaan 255-1-i, dengan “i” adalah imread dari citra berformat jpg, jpeg, atau png. Misal gambar berikut ini (silahkan unduh di sini).

Gunakan kode sederhana pada command window. Misal citra yang diunduh diberi nama “sample.jpg”.

a=imread(‘sample.jpg’);
b=255-1-a;
imshow(b)

Tampak hasil foto real dari negatif fotonya. Jika ingin menyimpan citra menjadi file gambar gunakan fungsi imwrite.

Imwrite(b,’hasil.jpg’)

Maka muncul satu file bernama “hasil.jpg” yang merupakan hasil pemrosesan citra file “sample.jpg” yang lalu.

Silahkan buat GUI supaya lebih mudah digunakan.

Cukup dengan kode berikut di tombol “Ambil File”, gambar yang siap cetak diberinama “konversi.jpg”:

x=uigetfile(‘*.jpg’);
a=imread(x);
b=imcomplement(a);
axes(handles.axes1);
imshow(a)
axes(handles.axes2);
imshow(b)
imwrite(b,’konversi.jpg’);

Menyamakan Ukuran Citra

[peng.citra|t.komputer|lab.hardware|pert.10]

Untuk membandingkan dua citra baik dengan JST atau metode yang lain, hal mutlak yang harus dilakukan adalah menyamakan ukuran dari citra. Menyamakan ukuran berarti menyamakan dimensi matriks antara satu gambar dengan gambar yang akan diuji kemiripannya. Gambar GUI di bawah ini adalah contoh ilustrasi proses pembandingan.

Perhatikan gambar di atas dimana gambar 1 yang merupakan master akan diuji dengan gambar 2 yang memiliki ukuran berbeda (kolom atau tinggi segiempatnya) dimana angka tiga 371, sementara angka 2 742. Proses callback “Resize Gbr 2” berisi kode berikut:

image=handles.image;
b=handles.b;
c=handles.c;
% ukuran gbr2
[b2,c2]=size(image)
save testing
image=imresize(image,[b c])
axes(handles.axes2)
imshow(image)
set(handles.edit5,’String’,b)
set(handles.edit6,’String’,c)

Perhatikan gambar di atas. Ukuran baru gambar dua sudah sama dengan tiga (kolom = 371). Dengan samanya ukuran gambar 1 dan gambar 2 maka proses selanjutnya (Uji Kecocokan) dapat dilakukan. Ada hal-hal tertentu yang didapat pada praktik hari ini:

Tidak boleh memberi nama GUI dengan nama yang dimiliki suatu fungsi pada Matlab, misalnya dengan nama “imresize”, karana ketika ada instruksi “imshow” akan menampilkan GUI tersebut bukannya gambar/citra.
Ketika GUI dengan Matlab 2013 dijalankan di 2008 ada pesan error dan tidak dapat dijalankan. Tetapi jika GUI dengan Matlab 2008 dapat dijalankan dengan 2013 ke atas. Semoga bermanfaat.

Menyiapkan Data Citra Untuk Pelatihan JST

[peng.citra|t.komputer|lab.hardware|pert.9]

Berikut ini contoh menyiapkan data training dan target sebagai masukan proses pelatihan pada Jaringan Syaraf Tiruan (JST). Kasusnya mirip dengan postingan yang lalu, hanya saja di sini kita coba dengan gambar/citra sesungguhnya. Bagaimana membuat data training dengan GUI agar lebih mudah menyiapkan datanya? Selain itu tentu saja terhindar dari kesalahan manusiawi (human error) ketika meramu data-nya.

Membuat GUI Pemrosesan Citra

Secara sederhana dan praktis data dibuat dengan paint bawaan Windows. Misalnya sistem yang dibuat mampu menebak angka 0, 1, hingga 5 saja. Tiap angka digambar sebanyak lima kali, beri nama misalnya 1a, 1b, .. dan seterusnya.

JST memisahkan data dengan target. Jadi data latih dari 0 hingga 5 dengan masing-masing angka lima gambar harus disediakan. Totalnya adalah 6×5 atau 30 data latih, begitu juga targetnya. Misal kita buat GUI sebagai berikut.

Algoritma

Prinsip kerja sederhana dari data yang akan dilatih adalah dengan membuat hubungan satu-satu antara data latih dengan targetnya. Jadi satu record citra yang sudah diolah dikonversi menjadi vektor baris (satu baris terdiri dari beberapa kolom) dibuatkan targetnya dengan indeks baris yang sama.

Pem-Vektor-an

Input: Citra

Output: Vector Citra

Ambil citra

Jadikan hitam putih

Jadikan biner

Perkecil, misal 20%

Jadikan vektor

Kode di bawah ini salah satu contoh menyimpan hasil pemvektoran data citra.

[img,file]=uigetfile(‘*.jpg’)

image=imread(img)

% pemrosesan citra

% jadi hitam putih

image=rgb2gray(image)

% jadi biner

image=im2bw(image)

% perkecil 20%

[baris,kolom]=size(image) %cari ukuran

image=imresize(image,[round(baris*0.2) round(kolom*0.2)]);

imshow(image)

% cek ukuran yg baru

[baris,kolom]=size(image)

% jadi vektor

image=reshape(image,1,(baris*kolom),[])

handles.image=image;

guidata(hObject,handles)

[baris,kolom]=size(image)

simpan=img(1:2)

save(simpan,’image’)

Simpan Vektor Hasil Pemrosesan

Salah satu hal sepele tetapi merepotkan adalah menyimpan vektor hasilnya. Di sini fungsi simpan=img(1:2) akan menyimpan vektor dengan nama yang sama dengan gambar yang diambil, tetapi hanya depannya saja (satu sampai dua karakter) karena ekstensinya beda (*.mat).

Setelah citra diambil dan diolah menjadi vektor, selain ditampilkan hasil prosesnya (biner dan diperkecil 20%) pastikan di folder tersimpan file matlab dengan nama yang sama dengan nama citra awalnya (hanya ekstensinya yang berbeda). Tinggal nanti seluruh file hasil pemvektoran digabung menjadi satu data latih beserta satu buah data label/targetnya. Sekian, semoga bermanfaat.

Deteksi Warna Komposit dengan Matlab

[peng.citra|t.kom|lab.hardware|pert.7]

Warna dasar RGB adalah Red, Green, dan Blue yang masing-masing menyatakan nilai maksimal komposisinya yaitu 255. Misalnya warna merah, maka matriks-nya sebesar [255 0 0], begitu juga untuk warna hijau dan biru, masing-masing [0 255 0] dan [0 0 255]. Bagaimana cara mendeteksi warna-warna komposit yang bukan merupakan warna dasar seperti kuning, jingga, dan lain-lain? Postingan kali ini sedikit menjelaskan cara mendeteksinya dengan menggunakan jarak Euclidean.

Standar Warna RGB

Standar warna RGB banyak diterapkan pada image processing. Standar ini menggunakan warna merah, hijau dan biru sebagai patokan warna-warna lainnya. Warna lainnya dapat dibuat dengan menggabungkan proporsi warna merah, hijau, dan biru tersebut. Berikut standar warna selain merah, hijau, dan biru.

Tabel di atas juga menyertakan paduan standar Cyan, Magenta, Yelow, dan Black (CMYK) dan HSV. Sebagai kelanjutan Pert 6 yang lalu, di sini kita menerapkan deteksi warna dengan jarak Euclidean.

Praktek dengan GUI

Tambahkan kode tambahan di tombol deteksi warna (Euclidean) karena bukan hanya R, G, dan B, melainkan beberapa warna lain misalnya kuning, oranye, dan hitam.

Tambahkan tiga jarak baru yaitu dY, dO, dan dK untuk jarak terhadap kuning, oranye dan hitam. Untuk memudahkan penentuan jarak terdekat gunakan fungsi min disertai dengan indeksnya. Indeks dapat diketahui dengan membuat sebuah vektor berisi warna-warna dari merah hingga hitam. Sehingga ketika nilai minimum diketahui, diketahui pula indeksnya. Warna dapat diketahui berdasarkan indeks-nya dari vektor warna.

…
dR=norm(warna-[255 0 0])
dH=norm(warna-[0 255 0])
dB=norm(warna-[0 0 255])
dY=norm(warna-[255 255 0])
dO=norm(warna-[255 127 0])
dK=norm(warna-[0 0 0])
hasil=[dR dH dB dY dO dK]
% mencari jarak terkecil
strwarna={‘merah’
‘hijau’
‘biru’
‘kuning’
‘jingga’
‘hitam’}
[minimum,indeks]=min(hasil)
outwarna=strwarna(indeks)
set(handles.edit4,‘String’,outwarna)

Coba uji dengan memasukan data sesuai warnanya, misalnya kuning, oranye dan hitam. Coba uji pula dengan warna yang tidak terlalu hitam (abu-abu), atau tidak terlalu kuning. Sistem akan mencoba mendekati dengan warna-warna standar yang ada (R,G,B, plus kuning, orange dan hitam). Semoga bermanfaat.