Transformasi Citra Biner Menggunakan Metode Thresholding Dan Otsu Thresholding

Main Article Content

Syamsul Bhahri Rachmat -

Abstract

Thersholding merupakan salah satu metode sederhana dalam transformasi citra dari citra grayscale untuk membentuk citra biner, sebuah citra digital yang hanya memiliki dua kemungkinan warna pixelnya hitam dan putih, ” jika nilainya berada antara dua nilai threshold dan threshold outside dimana adalah kebalikan dari threshold inside. Biasanya pixel object diberi nilai 1 sementara pixel background diber inilai 0. Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi citra gray­scale, hal ini digunakan  untuk  menyederhanakan  model citra. Citra berwarna terdiri dari 3  layer  matrik  yaitu  R­layer, G­layer dan B­layer. Sehingga untuk  melakukan proses­proses selanjutnya tetap  diperhatikan tiga layer di atas. Sehingga konsep  itu  diubah dengan mengubah 3  layer di atas menjadi 1 layer matrik gray­scale dan hasilnya adalah citra gray­scale Sebuah metode sederhana akan memilih nilai rata-rata atau nilai tengah, dengan pemikiran jika pixel object lebih terang dari pada background, pixel tersebut juga lebih terang dari rata-rata background tersebut. Sebuah pendekatan mutakhir adalah dengan membentuk histogram dari intensitas pixel dan menggunakan titik lembah sebagai nilai ambang. Dalam penelitian ini akan dibahas mengolahan citra digital yang akan ditransformasi dari penelitian ini dengan menggunakan Metode Thresholding didapatkan accuracy 39,22 % dan dilakukan gray thresholding didapatkan nilai accuracy 54,51%.

Downloads

Download data is not yet available.

Article Details

Section
Articles

References

[1] B. Madduma and S. Ramanna, “Image retrieval based on high level concept detection and semantic labelling,” Intell. Decis. Technol., vol. 6, no. 3, pp. 187–196, 2012.
[2] G. Mahalingam and C. Kambhamettu, “Face verification with aging using AdaBoost and local binary patterns,” Proc. Seventh Indian Conf. Comput. Vision, Graph. Image Process. - ICVGIP ’10, pp. 101–108, 2010.
[3] S. Gao, L. T. Chia, and X. Cheng, “Web image concept annotation with better understanding of tags and visual features,” J. Vis. Commun. Image Represent., vol. 21, no. 8, pp. 806–814, 2010.
[4] “BASIC image 2.”
[5] C. Procedure, “Image Classification II Supervised Classification,” Erdas, pp. 1–11, 2001.
[6] M. K. Sharma and T. J. Siddiqui, “An Ontology Based Framework for Retrieval of Museum Artifacts,” Procedia Comput. Sci., vol. 84, pp. 169–176, 2016.
[7] R. Kalam, C. Thomas, and M. Rahiman, “GAUSSIAN KERNEL BASED FUZZY CMeans CLUSTERING ALGORITHM FOR IMAGE SEGMENTATION,” Comput. Sci. Inf. Technol., pp. 47–56, 2016.
[8] D. Lu and Q. Weng, “A survey of image classification methods and techniques for improving classification performance,” Int. J. Remote Sens., vol. 28, no. 5, pp. 823–870, 2007.