P. 1
Kelompok 5 - Computer Vision

Kelompok 5 - Computer Vision

1.0

|Views: 1,458|Likes:
Published by Aila Moleknian Ayu

More info:

Published by: Aila Moleknian Ayu on Apr 06, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

05/01/2013

pdf

text

original

KATA PENGANTAR

Rasa syukur yang dalam kami sampaikan ke hadiran Tuhan Yang Maha Pemurah, karena berkat kemurahanNya makalah ini dapat kami selesaikan sesuai yang diharapkan.Dalam makalah ini kami membahas “Computer Vision” yang merupakan salah satu bagian dari kecerdasan buatan. Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, pengenalan dan membuat keputusan. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Untuk itu, computer vision diharapkan memiliki kemmpuan tingkat tinggi sebagaiman human visual. Serta kesempatan dari dosen pembimbing mata kuliah Kecerdasan Buatan.Makalah ini dibuat dalam rangka tugas kelompok yang diberikan.

Demikian makalah ini saya buat semoga bermanfaat,

Padang, 20 Mei 2011

penulis

sehingga dihasilkan suatu solusi. Inti dari sistem ahli ini adalah pengetahuan yang berasal dari pengalaman manusia. dan nantinya computer juga akan balik menjawab perintah tersebut Kemampuan ini juga dapat dihubungkan dengan computer vision. dengan menggunakan mesin inferensi. kamera dan computer merupakan alat yang memiliki fungsi yang sama seperti fungsi mata dan otak manusia. Bagian dari artificial intelligent ini adalah computer vision yang dapat menganalisis dan mengolah pencitraan visual dengan . yang merupakan penasihat dasar dari sebuah computer. sebagai contoh sebuah sistem pengenal karakter optikal (OCR). Ini tercapai dengan mempelajari bagaimana manusia mengingat dan berpikir ketika sedang mengambil keputusan dan memecahkan masalah. sekarang ini kita sudah tidak perlu lagi untuk mempelajarinya. Dalam hal ini. Kemampuan komputer memproses bahasa dasar adalah salah satu contoh dari kecerdasan buatan. Kecerdasan buatan lain yang memudahkan interaksi kita dengan computer adalah kemampuan untuk mengenali cara berbicara atau kata-kata yang digunakan oleh manusia. Kecerdasan buatan yang lainnya adalah gambar computer.BAB I PENDAHULUAN Kecerdasan buatan adalah kemampuan komputer untuk berpikir dengan intelegensia. Gambar computer diartikan sebagai sebuah gambar yang diambil dengan menggunakan kamera yang kemudian diolah di computer (image analysis). Komputer juga sekarang telah dilengkapi dengan sistem ahli. mesin inferensi. Kita hanya perlu untuk mengucapkan perintah secara lisan kepada computer untuk melakukan suatu program. Sumber penambahan informasi dapat mencakup buku dan dokumen lain. yang susunan dari OCR dapat mengenali kalimat dari dokumen yang telah dicetak. sehingga computer dapat membantu dalam bidang medis. sehingga kita dapat lebih mudah untuk berkomunikasi dengan komputer. antarmuka pemakai. Kecerdasan buatan yang dibangun mempunyai beberapa komponen yang saling berhubungan untuk membangun sistem yaitu basis pengetahuan. pabrik. Persoalan yang dipecahkan dalam sistem ini adalah bagaimana cara menyusun aturan yang terdiri atas beberapa premis dan konklusi dari fakta-fakta yang tersedia. dan bidang-bidang lain. Hal ini dikarenakan komputer sekarang sudah dilengkapi dengan kemampuan untuk memahami bahasa kita. daripada dengan cara biasa yaitu dengan mengetiknya. Apabila dulu kita harus mempelajari perintah-perintah tertentu untuk berkomunikasi dengan komputer.

Berdasarkan analisis dan intepretasi yang dilakukan oleh sistem ini. Walau pun menyadari bahwa kecerdasan buatan bisa jadi adalah suatu ancaman untuk manusia. ada begitu banyak implementasi dari computer vision ini seperti image recognition. para pakar AI menganggap pengembangan disiplin ilmu ini penting karena bisa diterapkan di Internet nantinya. tapi manusia masih saja mengembangkan apa yang disebut dengan kecerdasan buatan. Contoh penggunaanya adalah pada dunia astronomi. Walaupun terasa sangat futuristik dan terlihat berbahaya. Jadi bisa jadi kecerdasan buatan itu merupakan suatu ancaman. Dan gambar tersebut dapat dilihat melalui komputer untuk dianalisa. karena mesin nantinya akan memiliki kecerdasan dan emosi.menggunakan computer. Manusia masih saja mencoba mengembangkan/mendapatkan sesuatu (teknologi) yang baru. apakah akan menabrak bumi atau tidak. yang dapat berpikir seperti manusia. eye recognition maupun face recognition. Selain OCR dan image analysis. sistem Computer Vision memudahkan manusia untuk melihat visualisasi atau gambar atas suatu hal yang sulit dijangkau. Seperti halnya mengamati meteor yang beredar di sekitar bumi. Misalnya untuk melihat permukaan di planet Mars. Hal ini terjadi karena adanya ketidakpuasan dalam diri manusia. Pada intinya. gambaranya dapat dilihat melalui sistem ini. Karena kecerdasan buatan itu sesuatu yang diciptakan oleh manusia. manusia ingin mendapatkan sesuatu dengan cara yang lebih mudah. Implementasi dari computer vision ini memberikan banyak manfaat bagi manusia di berbagai bidang. untuk menggantikan manusia yang tentunya bermanfaat bagi manusia. . komputer dapat mengidentifikasi dan menghindari bahaya secara otomatis.

? Recognation → Menempatkan label pada objek. computer vision diharapkan memiliki kemmpuan tingkat tinggi sebagaiman human visual.BAB II ISI MAKALAH A. Interpreting motion → Menafsirkan gerakan. Pengertian Komputer Vision Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual.. Proses dalam Computer Vision Untuk menunjang tugas computer vision. Untuk itu. antara lain : • Proses penangkapan citra/gambar (image acquisition) . dimana batasanbatasannya. Kemampuan itu diantaranya adalah: • Object detection → Apakah sebuah objek ada pada scene? Jika begiru. sedangkan pengenalan pola merupakan proses menginterpretasikan citra. 3D Inference → Menafsirkan adegan 3D dari 2D yang dilihat. Description → Menugaskan properti kepada objek. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. pengolahan citra. B. pengenalan dan membuat keputusan. Cabang ilmu ini bersama intelijensia semu (Artificial Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence System). Computer Vision sering didefinisikan sebagai salah satu cabang ilmu pengetahuan yang • • • • mempelajari bagaimana komputer dapat mengenali obyek yang diamati/ diobservasi. maka terdapat beberapa fungsi pendukung ke dalam sistem ini. seperti akuisisi citra. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola yang hubungan antara ketiganya dapat dilihat pada gambar 1. Pengolahan citra merupakan proses awal dari computer vision.

Image processing membantu peningkatan dan perbaikan kualitas image. Image processing akan meningkatkan perbandingan sinyal terhadap noise (signal‐ to‐noise ratio = s/n). Tiap‐tiap garis membuat sebuah sinyal analog yang amplitudonya menjelaskan perubahan brightness sepanjang garis sinyal tersebut. Bilangan biner ini kemudian disimpan di dalam memori dan akan menjadi data raw yang akan diproses. • • • . Image Processing • Tahapan berikutnya computer vision akan melibatkan sejumlah manipulasi utama (initial manipulation) dari data binary tersebut. dimana frekuensi dan amplitudonya (frekuensi berhubungan dengan jumlah sinyal dalam satu detik.• • • Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) Proses-proses dalam Computer Vision : 1. • • • • • 2. maka sebuah analog‐to‐digital converter (ADC). memindainya dan membaginya menjadi ratusan garis horizontal yang sama. dibutuhkan untuk memproses semua sinyal tersebut oleh komputer. sedangkan amplitude berkaitan dengan tingginya sinyal listrik yang dihasilkan) merepresentasikan detail ketajaman (brightness) pada scene. Sinyal‐sinyal tersebut adalah informasi yang akan merepresentasikan objek yang ada dalam image. • Kamera mengamati sebuah kejadian pada satu jalur dalam satu waktu. ADC ini akan mengubah sinyal analog yang direpresentasikan dalam bentuk informasi sinyal tunggal ke dalam sebuah aliran (stream) sejumlah bilangan biner. Karena komputer tidak bekerja dengan sinyal analog. sehingga dapat dianalisa dan di olah lebih jauh secara lebih efisien. Image Acqusition • Keluaran dari kamera adalah berupa sinyal analog.

3. kekurang pengaburan. Optical Character Recognition – text reading 5. Image Understanding • Ini adalah langkah terakhir dalam proses computer vision. Robotic – navigation and control 2. Sebuah program komputer akan mulai melihat melalui bilangan biner yang merepresentasikan informasi visual untuk mengidentifikasi fitur‐fitur spesifik dan karekteristiknya. Psychology. Image Analysis • Image analysis akan mengeksplorasi scene ke dalam bentuk karateristik utama dari objek melalui suatu proses investigasi. Tepi ini akan terdeteksi sebagai akibat dari perbedaan level brightness pada sisi yang berbeda dengan salah satu batasnya. fault checking. Pada bagian ini akan melibatkan kajian tentang teknik-teknik artificial intelligent. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. Industrial Inspection – measurement.• Sedangkan noise adalah segala bentuk interferensi. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques). Remote Sensing – land use and environmental monitoring 6. yang terjadi pada sebuah objek. • • Lebih khusus lagi program image analysis digunakan untuk mencari tepi dan batas‐ batasan objek dalam image. Medical Image Analysis – measurement and interpretation of many types of images 3. yang mana sprsifik objek dan hubungannya di identifikasi. • • 4. AI – exploring representation and computation in natural vision . process control 4. Sebuah tepian (edge) terbentuk antara objek dan latar belakangnya atau antara dua objek yang spesifik. Beberapa aplikasi yang dihasilkan dari Computer Vision antara lain : • • • 1.

dan Pengenalan Pola Pengolahan Citra (Image Processing) merupakan bidang yang berhubungan dengan proses transformasi citra/gambar (image). Hubungan Antara Computer Vision. Pengolahan Citra. Sedangkan Pengenalan Pola (Pattern Recognition) berhubungan dengan proses identifikasi obyek pada citra atau interpretasi citra. akan ada beberapa fungsi pendukung yang ditambahkan ke dalam sistem ini. yaitu: • • • • Proses penangkapan citra/gambar (image acquisition) Proses pengolahan citra (image processing) Analisa data citra (image analysis) Proses pemahaman data citra (image understanding) C. Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik. Hirarki Pada Computer Vision .Gambar1. Untuk mendukung tugas dari computer vision. Proses ini bertujuan untuk mengekstrak informasi/pesan yang disampaikan oleh gambar/citra.

dan peningkatan gambar (enchament image). yaitu: • Pengolahan Tingkat Rendah (Image to image) → Menghilangkan noise.Gambar2. • • Sebelum membuat aplikasi computer vision. ♦ Illumination model: posisi dan karakteristik sumber cahaya serta sifat-sifat reflektansi permukaan obyek . Pengolah Tingkat Tinggi (Simbolic to simbolic) → Representasi simbolik batas. . b. Proses Pada Computer Vision Hirarki pada computer vision ada 3 tahap. yaitu: a.batas obyek menghasilkan nama obyek tersebut. Pengolahan Tingkat Menengah (Image to dimbolic) → Kumpulan garis / vektor yang merepresentasikan batas sebuah obyek pada citra. Pertimbangan dan perancangan tersebut dapat dilakukan dalam 3 tahap. misalnya adalah: ♦ Scene model: jenis features. textures. maka perlu dibuat pertimbangan dan perancangannya. Untuk menentukan hubungan antara intensitas piksel dan sifat-sifat citra diperlukan suatu model. Informasi apa yang ingin diperoleh dan bagaimana informasi tersebut dimanifestasikan ke dalam citra. Pengetahuan apa yang diperlukan untuk memperoleh informasi. smoothness.

pengolahan citra. Di dalam bidang komputer. Pengenalan Pola (pattern recognition/image interpretation).2 (a) tampak agak gelap. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra. . atau diukur. namun tujuan ketiganya berbeda. 3. c. yaitu: 1. D. operasi-operasi pada pengolahan citra diterapkan pada citra bila [JAI89]: 1. citra burung nuri pada Gambar 1. Pengolahan Citra (image processing). Sebagai contoh. noise dan distorsi pada proses dijitasi . menjadi citra yang kualitasnya lebih baik. 3. Computer Vision dan Hubungannya dengan Pengolahan Citra Pengolahan citra adalah pemrosesan citra. Kecepatan pemrosesan dan representasi pengetahuan. Umumnya. sebenarnya ada tiga bidang studi yang berkaitan dengan data citra. 2. Hubungan antara ketiga bidang (grafika komputer. sebagian citra perlu digabung dengan bagian citra yang lain. khususnya dengan menggunakan komputer. pengenalan pola) ditunjukkan pada Gambar 1. Grafika Komputer (computer graphics).3.♦ Sensor model: posisi dan kinerja optik dari kamera yang digunakan. lalu dengan operasi pengolahan citra kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b). 2. elemen di dalam citra perlu dikelompokkan. dicocokkan.

1. (b) Mengidentifikasi jenis pesawat musuh. Computer vision menggunakan representasi kurva dan permukaan dan beberapa teknik lain dari grafika komputer. Teknik-teknik di dalam pengenalan pola memainkan peranan penting dalam computer vision untuk mengenali objek. tetapi beberapa tahun belakangan kedua bidang tersebut berkembang semakin dekat. Di bawah ini disebutkan beberapa aplikasi dalam beberapa bidang [MEN89]. maka computer vision merupakan kebalikannya.Pengolahan citra merupakan proses awal (preprocessing) pada computer vision. Pada masa awal kedua bidang ini. Bidang militer (a) Mengenali sasaran peluru kendali mela lui sensor visual. (b) Mengenali huruf/angka pada suatu formulir secara otomatis. Bidang perdagangan (a) Pembacaan kode barang (bar code) yang tertera pada barang (umum digunakan di pasar swalayan/supermarket). sedangkan pengenalan pola merupakan proses untuk menginterpretasi citra. sedangkan computer vision mengoraknya (analisis). tidak ada hubungan antara keduanya. sedangkan grafika komputer menggunakan teknik -teknik di dalam computer vision untuk memuat citra realistik (virtual reality) [JAI95]. Grafika komputer membentuk (sintesis) citra. Pengolahan citra mempunyai aplikasi yang sangat luas dalam berbagai bidang kehidupan. 3. 2. Bidang kedokteran . Jika dihubungkan dengan grafika komputer.

(a) Pengolahan citra sinar X untuk mammografi (deteksi kanker payudara) (b) NMR (Nuclear Magnetic Resonance) (c) Mendeteksi kelainan tubuh dari foto sinar X. yaitu: . Hukum (a) Pengenalan sidik jari (b) Pengenalan foto narapidana. 6. Aplikasi pada visi komputer mencakup berbagai macam sistem. Aplikasi Computer Vision Sebagai teknologi disiplin. (d) Rekonstruksi foto janin hasil USG 4. Hiburan Pemaanfaatan video (MPEG) 7. Geologi Mengenali jenis batu-batuan melalui foto udara/LANDSAT 10. Pemetaan Klasifikasi penggunaan tanah melalui foto udara/LANDSAT 9. visi komputer berusaha untuk menerapkan teori dan model untuk pembangunan sistem visi komputer. Robotika Visualy-guided autonomous navigation 8. 4. Bidang biologi Pengenalan jenis kromosom melalui gambar mikroskopik 5. Komunikasi data Pemanfaatan citra yang ditransmisi.

sebagai input ke perangkat untuk interaksi manusia komputer). mathematical toolkits. 6. contours 3. 10. pelacakan video. pengenalan obyek. Modeling benda atau lingkungan (misalnya. pattern recognition. 9. analisis gambar medis / topografis). texture. Pengendalian proses (misalnya. features 5. 3. stereo. sebuah robot industri atau kendaraan otonom). ocr . gerak estimasi. 7. acara deteksi. synthetic data generators. Gambar3. untuk pengindeksan database foto dan gambar urutan). 8. 3D. Hasil Proses Computer Vision Pada Shape Recovery Dan Cell Segementation Kategori software pendukung : 1. 4.1. Mengorganisir informasi (misalnya. dan gambar restorasi. 5. display tools 4. 2. untuk pengawasan visual atau orang menghitung). pengindeksan. belajar. Sub-domain visi komputer meliputi adegan rekonstruksi. industri inspeksi. 2. 6. Interaksi (misalnya. Mendeteksi peristiwa (misalnya.

Biometriks dapat dikatakan sebagai suatu sistem . Bagaimanapun. tracking. Password yang sederhana mungkin mudah ditebak oleh para pengguna yang tidak berwenang. misc. password (suatu keamanan berbasis knowledge) dan kartu ID (suatu keamanan berbasis token) biasanya digunakan untuk membatasi akses terhadap suatu sistem. sementara password yang rumit akan mengalami kesulitan bagi individu yang sah di dalam mengingat kode–kode yang dibuat oleh dirinya sendiri. metode tersebut diistilahkan metode biometriks. 5.11. toolkits.1 Biometriks Secara tradisional.Contoh Penerapan Computer Vision 5. 12. Untuk mengatasi gangguan–gangguan verfikasi sistem secara tradisional. 13. sehingga sistem hanya dapat digunakan oleh individu tertentu yang sah. maka para ilmuwan pada saat ini menawarkan suatu metode yang lebih terjamin di dalam memberikan keamanan di dalam mengakses suatu sistem. keamanan sistem dapat secara mudah diterobos ketika password dari sistem tersebut telah diketahui oleh pihak – pihak yang tidak berwenang atau kartu ID dapat diakses juga jika kartu tersebut dicuri oleh pengguna–pengguna yang tidak sah.

Sistem biometriks telah membentuk suatu identitas personal dengan menggunakan sidik jari. hand.3 menampilkan suatu modul enrollment dan verifikasi dari suatu sistem biometriks khusus. BIOMETRIKS 3 Gambar 1. signature.1). . gaya berjalan (gait). memiliki empat modul utama : 1. voiceprint. dan lain – lain (lihat gambar 1. iris. hand vein. ModulSensor yang bertugas menangkap (capture) data .geometry. atau “what you remember” seperti pada sistem yang menggunakan password. Suatu sistem biometriks yang sederhana. retina. face.pengidentifikasian (verifikasi) individual secara otomatis dengan memanfaatkan keadaan atau keunikan fisiologi manusia atau perilaku individual tertentu yang memiliki keunikan tertentu. Dengan memanfaatkan biometriks kita dapat membangun suatu keamanan dari suatu identitas yang berbasiskan “who you are” bukan “what you posses” seperti keamanan sistem tradisional yang sering melekat pada sistem keamanan ID card. palmprint. facial thermograms.

nilai–nilai fitur selanjutnya dibandingkan dengan nilai–nilai fitur template. ModulDecision-Making. data–data yang diperoleh selanjutnya diproses untuk mengekstraksi nilai–nilai fitur. ModulMatching. (b) INSPASS (INS Passenger Accelerated Service System pada pelabuhan udara internasional JFK (New York). 2. (a) sistem border-passage menggunakan iris recognation pada pelabuhan udara Heathrow London.biometriks dari user secara individual. 3. 4. 4.2 Sistem biometrik untuk aplikasi umum. sudah ditentukan oleh sistem biometriks. pada tahap ini klaim kepemilikan yang sah atau tidak. (c) Express Card entry-kiosks menggunakan sistem hand-geometry pada . KOMPUTER VISI & PENGOLAHAN CITRA LANJUT Gambar 1. Modul Ekstraksi Fitur.

bentuk. yellow). biasa digunakan untuk warna monitor dan kamera. warna merupakan salah satu image contents yang sering digunakan pada kebanyakan sistem CBIR. . teksture. Model warna (color model) adalah sebuah cara untuk merepresentasikan warna yang diindera manusia dalam komputasi. lokasi. Misalnya model warna RGB (red. magenta. (d) sistem FacePass yang digunakan sebagai aplikasi verifikasi point-of-sale seperti layaknya mesin ATM tetapi meniadakan sistem keamanan menggunakan kode – kode PIN atau password. nama individu. untuk keamanan dan imigrasi. green. Model warna hardware-oriented banyak digunakan untuk warna alat-alat. adalah suatu aplikasi computer vision yang digunakan untuk melakukan pencarian gambar-gambar digital pada suatu database. (f) sistem TouchClock sidik jari Identix. 5. Istilah content pada konteks ini merujuk pada warna. Parameter feature gambar yang dapat digunakan untuk retrieval pada system ini dapat berupa histogram. susunan warna. Yang dimaksud dengan "Content-based" di sini adalah: bahwa yang dianalisa dalam proses pencarian itu adalah actual contents (kandungan aktual) sebuah gambar.2 Content-based retrieval image (CBIR) Content-based image retrieval (CBIR). Model warna yang digunakan saat ini dapat digolongkan ke dalam dua kategori: hardware-oriented dan user-oriented. dan shape. Proses umum dari CBIR adalah pada gambar yang menjadi query dilakukan proses ekstraksi feature (image contents). Sedangkan model warna yang user-oriented termasuk HLS. tipe event tertentu.pelabuhan udara Ben Gurion. (e) pelayanan “Pay by Touch” Indivos untuk mempercepat transaksi di pusat perbelanjaan. Tel Aviv. tipe spesifik dari obyek. blue). emosi. digunakan untuk warna printer. Israel. tekstur. Model warna CMY (cyan. Fitur Warna Selain bentuk dan textur. dan warna YIQ digunakan untuk penyiaran tv warna. begitu halnya dengan gambar yang ada pada sekumpulan gambar juga dilakukan proses seperti pada gambar query. atau informasi lain yang didapatkan dari gambar tersebut.

green. saturation (kejenuhan). saturation.HCV. Literatur menunjukkan bahwa performa HSV ternyata lebih baik dalam membedakan warna jika dibandingkan dengan RGB Berikut ini rumus mengkonversi nilai-nilai RGB menjadi HSV: Rumus untuk menentukan h: . warna direpresentasikan menjadi tiga warna primer. c) Format warna CIE Format warna ini adalah varians dari RGB dengan normalisasi spektrum. Pada model ini. dan CIE-LUV. G dan B. HSV. FOrmat ini merupakan standard dalam QBIC d) Format warna YCrCb Format warna ini disebut juga dengan warna chrominant. b) Format warna HSV atau HSI atau HSL Format ini merupakan format warna alamiah dengan mempertimbangkan bahwa spektrum warna adalah sebuah koordinat polar seperti warna pantulan yang jatuh di mata manusia. yaitu hue (keragaman warna). Format ini banyak digunakan dalam skin-detection. dan blue . dan brightness (kecerahan). Format ini sangat baik untuk membedakan warna-warna yang 'terlihat'. Format warna ini yang digunakan oleh mesin cetak. sehingga sifat orthogonalitas dari masing-masing komponen warna lebih dijamin. Berikut penjenjelasan ringkas tentang berbagai macam model atau format warna: a) Format warna RGB Format ini digunakan untuk menghasilkan warna di monitor dan televisi tabung yang menggunankan gelombang elektromagnetik. Sebuah titik ditembak dengan spektrum R. didasarkan pada tiga persepsi manusia tentang warna. yaitu: red. value) merupakan model warna yang diturunkan dari RGB. Sedangkan HSV (hue. HSV dan RGB Model warna RGB merupakan yang paling banyak digunakan pada systemCBIR. Nilai masing-masing warna primer itu berkisar antara 0 255. MTM. e) Format warna CMYK Format warna ini adalah penghasil warna pada cat atau tinta.

1.1)=0 H(1.0.1.3)=0 H(0.0)=0 H(0.3.3.1)=1 H(1.3)=0 H(3.1.3.1.1.0) (1.1.3. secara tipikal dalam dua dimensi atau tiga dimensi.3)=0 H(2.3)=0 H(3.2.2)=0 H(0.1)=1 H(2.3.0)=0 H(1.0.2)=0 H(1.2)=0 H(2.0) (1.2)=0 H(3.1.3.b) dimulai dari H(0.0)=0 H(0.2)=0 H(0.2.1.0) (2.2.3.3)=0 H(1.g.0.1.2.0.1.2)=0 H(3. maka histogram gambar tersebut adalah sebagai berikut : H(0.2.3.1.2.0)=0 H(0.2.2.1.3)=0 H(1.0.2.1)=0 H(1.0.2)=0 H(1.1)=0 H(0.2)=0 H(2.0.0)=0 H(0.2.3.2.0.3.0.0)=1 H(1.1.1.2)=0 H(2.0) (2.0.3)=0 H(0.1)=0 H(1.0.3.3)=0 H(2.1)=0 H(3.1.1.1.1) (3.0.1)=0 H(3.2)=0 H(0.2)=0 H(2.0.0)=0 H(3.0)=1 H(1.3.2.1)=0 H(0. Misalnya ada sebuah gambar berukuran 3x3 pixel dengan nilai RGB sebagai berikut: (1.1) (1.1)=0 H(2.3)=0 H(2.0)=0 H(2.0)=0 H(2.2.0) Bila yang digunakan adalah format H(r.1) (2.3)=0 .1)=1 H(2.0) s/d H(3.2.2)=0 H(1.0.3)=0 H(0.0.2)=0 H(0.0.2.1)=0 H(2.1)=0 H(0.3)=0 H(1.0.2)=0 H(1.1.3)=0 H(2.0)=2 H(2.1) (2.1.3.3)=0 H(1.1.0)=0 H(2.0)=0 H(1.Rumus untuk menentukan s: Rumus untuk menentukan v: v = max Color Histogram Color histogram adalah representasi distribusi warna dalam sebuah gambar yang didapatkan dengan menghitung jumlah pixel dari setiap bagian range warna.0)=0 H(3.3) .1)=0 H(0.2.3.

0)=0 H(3. 1.1)=0 H(3.2. 0. 0. 0. 0. 0.3. 0. 0. 0. 200. . 0. 0. 0. 0. Masalah tersebut dapat diatasi dengan color quantization (kuantisasi warna).3)=0 H(3.3.3. 0. 0. 0. 1. 0. 0. 0.3. tentu saja ini proses yang menghabiskan banyak waktu (time consuming).2)=0 H(3. 0.2)=0 H(3. 0. 0. 0. 0. 0. 0. Seperti dijelaskan dalam literatur [7]. 150 * 4/255) atau (3.3.2. 0. 0. 0.2. 0. yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. 1. 0. 0. 1. 0. 1. 0. 0. 0.2.H(3. 0. 0} Color Quantization Dalam pembuatan histogram. 150). sehingga proses yang dibutuhkan akan semakin mudah. 0. nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216 (didapat dari: 255 x 255 x 255). 0. misalnya nilai sebuah pixel RGB adalah (260. Dengan cara ini. 0. 0.2 ).0)=0 H(3. 0. 2. 0. 0.3)=0 Jika ditulis. 1. range G: 0-3. 0. 0. nilai itu menjadi (260 * 4/255. histogram dari data-data diatas adalah: H = {0. 0. 0. misalnya. dan range B: 0-3. 0. range R: 0-3. 0. 200 * 4/255. Maka setelah melalui kuantisasi menjadi 64 warna. 0. 0. jumlah warna yang besar tadi bisa dikurangi. 0. Pada proses komputasi.1)=1 H(3. 0. 0. 0.

namun melibatkan lebih banyak lagi (ratusan atau lebih).3 Optical Character Recognition (OCR) OCR (Optical Character Recognition) adalah sebuah sistem komputer yang dapat membaca huruf. sistem pengenal pola mencoba mengenali apakah citra masukan yang diterima cocok dengan salah satu citra yang telah ditentukan. Algoritma Genetika. aturan produksi (rule-based). Ada banyak pendekatan yang dapat dipakai untuk mengembangkan pembuatan pengenal pola otomatis antara lain memakai pendekatan numerik. koleksi sastra kuno digital. tandatangan. Sistem ini misalnya dipakai untuk mendeteksi sidik jari. Secara umum metode- .Pencarian dengan CBIR ternyata tidak hanya melibatkan satu atau dua gambar saja. untuk lebih mempercepat proses pencarian. Dengan adanya sistem OCR maka user dapat lebih leluasa memasukkan data karena user tidak harus memakai papan ketik tetapi bisa menggunakan pena elektronik untuk menulis sebagaimana user menulis di kertas. Adanya OCR juga akan memudahkan penanganan pekerjaan yang memakai input tulisan seperti penyortiran surat di kantor pos. Selanjutnya. gambar-gambar tadi dikelompokkan terlebih dahulu menjadi bebarapa cluster berdasarkan kesamaan histogramnya (clustering). misalnya dalam pembuatan koleksi pustaka digital. bahkan wajah seseorang. pencarian dapat dilakukan dengan membandingkan histogram sample gambar dengan nilai-nilai pusat cluster (centroid) tersebut. pemasukan data buku di perpustakaan. 5. dll. baik yang berasal dari sebuah pencetak (printer atau mesin ketik) maupun yang berasal dari tulisan tangan. Adanya sistem pengenal huruf yang cerdas akan sangat membantu usaha besar-besaran yang saat ini dilakukan banyak pihak yakni usaha digitalisasi informasi dan pengetahuan. neural dan. Adanya sistem pengenal huruf ini akan meningkatkan fleksibilitas ataupun kemampuan dan kecerdasan sistem komputer. Oleh karena itu. FGKA [2] dan sebagainya . OCR dapat dipandang sebagai bagian dari pengenal otomatis yang lebih luas yakni pengenal pola otomatis (automatic pattern recognition). sintaktik. Teknik clustering ini bisa menggunakan algoritma K-Means. Dalam pengenal pola otomatis. statistik. dll.

1. 7. 5. Feature Extraction Feature Extraction adalah proses untuk mengambil ciri-ciri tertentu dari karakter yang diamati. 6. Normalization Normalization adalah proses merubah dimensi region tiap karakter dan ketebalan karakter. Postprocessing .metode tersebut dapat digolongkan menjadi dua kelompok metode yakni metode berbasis statistik dan metode berbasis struktur. Algoritma yang digunakan pada proses ini adalah algoritma scaling dan thinning. Sedang dalam metode yang berbasis struktur. 4. Preprocessing Preprocessing merupakan suatu proses untuk menghilangkan bagianbagian yang tidak diperlukan pada gambar input untuk proses selanjutnya. Karakteristik ini seringkali lebih bersifat statistik misalnya distribusi pixel ataupun jarak pixel. Pengenalan selanjutnya dilakukan dengan mencocokkan komposisi struktur elementer dengan struktur yang sudah disimpan memakai aturan tertentu misalnya memakai pendekatan teori bahasa formal dan automata. 3. Beberapa contoh preprocessing adalah noise filtering. Data Capture Data capture merupakan proses konversi suatu dokumen (hardcopy) menjadi suatu file gambar (BMP). Dalam metode yang berbasis statistik. setiap pola ditransformasi ke dalam vektor yang memakai ukuran dan karakteristik tertentu. Segmentation Segmentasi adalah proses memisahkan area pengamatan (region) pada tiap karakter yang akan dideteksi. 2. setiap pola yang diproses dinyatakan sebagai gabungan beberapa struktur elementer. Recognition Recognition merupakan proses untuk mengenali karakter yang diamati dengan cara membandingkan ciri-ciri karakter yang diperoleh dengan ciri-ciri karakter yang ada pada database.

bcWebCam 2. Computer vision mencoba meniru cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat kompleks. Operasi pengolahan citra. Proses yang terjadi pada computer vision. software pendukung 1. sedangkan pengenalan pola merupakan proses menginterpretasikan citra.Pada umumnya proses yang dilakukan pada tahap ini adalah proses koreksi ejaan sesuai dengan bahasa yang digunakan. 1. Kesimpulan Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual. Memperoleh atau mengakuisisi citra digital. seperti akuisisi citra. E. Untuk itu. pengolahan citra. Computer Vision adalah kombinasi antara Pengolahan Citra dan Pengenalan Pola yang hubungan antara ketiganya dapat dilihat pada gambar 1. LuxandBlinkSetup BAB III PENUTUP A. computer vision diharapkan memiliki kemampuan tingkat tinggi sebagaiman human visual. DTKBarcode 4. OmniPage 3. . b. pengenalan dan membuat keputusan. Pengolahan citra merupakan proses awal dari computer vision. a.

Interaksi . 9. b. Sub-domain visi komputer meliputi adegan rekonstruksi. Mengorganisir informasi. 12. misal memandu robot. 2.c. Pengolahan Tingkat Menengah (Image to dimbolic) → Kumpulan garis / vektor yang merepresentasikan batas sebuah obyek pada citra. gerak estimasi. 11. Pengendalian proses. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk tujuan tertentu. acara deteksi. dll. Mendeteksi peristiwa. 8. mengontrol peralatan. dan gambar restorasi. dan peningkatan gambar (enchament image). pengenalan obyek. belajar. Pengolah Tingkat Tinggi (Simbolic to simbolic) → Representasi simbolik batas. pengindeksan. 10. pelacakan video.batas obyek menghasilkan nama obyek tersebut. Modeling benda atau lingkungan. Fitur warna: a) Format warna RGB b) Format warna HSV atau HSI atau HSL c) Format warna CIE d) Format warna YCrCb . Aplikasi yang digunakan pada computer vision 7. 3 hirarki pada komputer vision a. Pengolahan Tingkat Rendah (Image to image) → Menghilangkan noise. c.

`1 Gejala ini sudah lama ada. Banyak orang merasa kondisi-kondisi tersebut merupakan gejala minus atau plus pada mata. dengan membebaskan mata untuk melihat sesuatu yang jauh. tak ada kaitannya dengan radiasi. dan tulang punggung yang disebabkan oleh efek penyinaran pada aktivitas komputer. saat berinteraksi dengan komputer. B. Seperti gejala Computer Vision Syndrome (CVS). mengakibatkan pengguna terkena Computer Vision Syndrome (CVS). Padahal. orang menganggap itu karena radiasi yang ditimbulkan oleh komputer. Bisa juga melihat benda yang berwarna hijau (tanaman). Padahal. televise. Berbagai dampak penyakit dapat diterima pengguna yang memanfaatkan computer vision dalam kehidupan sehari – hari. Kebanyakan.e) Format warna CMYK Kekurangan Computer Vision Computer vision memberikan dampak negative bagi manusia yang telah mencitakan dan juga memanfaatkannya. Saran Pemanfaatan computer vision juga harus mempertimbangkan dampak yang akan ditimbulkan jika pemanfaatannya melebihi batas wajar. CVS adalah keluhan-keluhan atau gejala pada mata. tapi karena resolusi tingkat ketajaman gambar. Pekerjaan yang berhubungan dengan computer vision yang mengharuskan untuk selalu berinteraksi dengan komputer setiap harinya. Misalnya." . Syndrome ini dapat dicegah dengan melakukan terapi ringan. "Sebaiknya istirahatkan mata dengan memejamkan mata sambil rileks kurang lebih 5 menit setiap 1 jam sekali. tetapi banyak masyarakat yang tidak menyadari kalau itu merupakan gejala CVS. hal itu merupakan kelelahan pada mata yang diakibatkan menurunnya daya akomodasi pada mata. kepala.

DAFTAR PUSTAKA Pedram Azad. dan menjaga agar mata tidak kering. Minumlah banyak air putih selama di kantor. Ini membantu tubuh tidak kekurangan cairan. sehingga ada cukup persediaan air yang memudahkan tubuh menghasilkan air mata. Sesuaikan tingkat terang/gelap layar. Penggunaan Color Histogram Dalam Image Retrieval . Sudut pandangan ke komputer juga harus pas.Langkah lain yang bisa dilakukan adalah dengan mengalihkan pandangan dari layar komputer.com . dan pastikan tidak ada pantulan yang menyilaukan dari sumber cahaya lain. Computer Vision Principles and Practice Blogger . Rüdiger Dillmann . Tilo Gockel. bagian atas layar komputer harus sejajar dengan mata. Pengantar Pengolahan Citra IlmuKomputer.

blogspot.com/doc/14598876/-Komputer-Visi-Biometriks-Fadlisyah http://juliocaesarz.html .http://www.scribd.com/2010/11/computer-vision.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->