Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training corrupt image (dalam second)
|
|
- Sugiarto Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LC-1 Hasil penelitian nilai PSNR training 30 image dengan K-SVD (dalam db) Gambar Tingkat Lena Barbara Boat Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ = Hasil penelitian nilai PSNR training 30 image dengan EK-SVD (dalam db) Gambar Tingkat Lena Barbara Boat Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ = Hasil penelitian nilai PSNR training corrupt image dengan K-SVD (dalam db) Gambar Tingkat Lena Barbara Boat Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ =
2 LA-2 σ = σ = σ = σ = σ = Hasil penelitian nilai PSNR training corrupt image dengan EK-SVD (dalam db) Gambar Tingkat Lena Barbara Boat Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ = Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training 30 image (dalam second) Gambar Tingkat Lena Barbara Boat Noise KSVD EK-SVD KSVD EK-SVD KSVD EK-SVD σ = σ = σ = σ = σ = σ = σ =
3 LA-3 Hasil penelitian waktu learning antara K-SVD dengan EK-SVD untuk training corrupt image (dalam second) Tingkat Noise Gambar Lena Barbara Boat KSVD EK-SVD KSVD EK-SVD KSVD EK-SVD σ = σ = σ = σ = σ = σ = σ = Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training 30 image K-SVD (dalam db) Tingkat Noise Jenis Noise Gausian Salt & Pepper Speckle Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ =
4 LA-4 Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training 30 image EK-SVD (dalam db) Jenis Noise Tingkat Gausian Salt & Pepper Speckle Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ = Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training corrupt image K-SVD (dalam db) Jenis Noise Tingkat Gausian Salt & Pepper Speckle Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ =
5 LA-5 Hasil penelitian nilai PSNR gambar Boat dari 3 variasi jenis noise yang berbeda dengan training corrupt image EK-SVD (dalam db) Jenis Noise Tingkat Gausian Salt & Pepper Speckle Noise Sebelum Sesudah Sebelum Sesudah Sebelum Sesudah σ = σ = σ = σ = σ = σ = σ =
6 LB-6 Hasil image denoising KSVD untuk noise Gaussian dengan Training 30 Image: Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50
7 LB-7 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20
8 LB-8 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10
9 LB-9 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75
10 LB-10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising EK-SVD untuk noise Gaussian dengan Training 30 Image: Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25
11 LB-11 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15
12 LB-12 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100
13 LB-13 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50
14 LB-14 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising KSVD untuk noise Gaussian dengan Training Corrupt Image: Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20
15 LB-15 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 10
16 LB-16 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75
17 LB-17 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25
18 LB-18 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising EK-SVD untuk noise Gaussian dengan Training Corrupt Image: Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 15
19 LB-19 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Lena sebelum dan sesudah denoising dengan tingkat noise 100
20 LB-20 Gambar sebelum dan sesudah denoising Barbara dengan tingkat noise 10 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 50
21 LB-21 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Barbara sebelum dan sesudah denoising dengan tingkat noise 100 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20
22 LB-22 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising KSVD untuk noise Salt & Pepper dan Speckle dengan Training 30 Image Salt & Pepper Speckle Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10
23 LB-23 Salt & Pepper Speckle Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75
24 LB-24 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising KSVD untuk noise Salt & Pepper dan Speckle dengan Training Corrupt Image Salt & Pepper Speckle Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25
25 LB-25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100 Hasil image denoising EK-SVD untuk noise Salt & Pepper dan Speckle dengan Training 30 Image Salt & Pepper Speckle Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15
26 LB-26 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100
27 LB-27 Hasil image denoising EK-SVD untuk noise Salt & Pepper dan Speckle dengan Training Corrupt Image: Salt & Pepper Speckle Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 10 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 15 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 20 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 25 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 50
28 LB-28 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 75 Gambar Boat sebelum dan sesudah denoising dengan tingkat noise 100
29 LC-1 Training 30 Image: %Untuk training 30 image buka file image read.m, getimg.m, patch_train.m, dimen.m, getpatch.m seperti koding dibawah (ditaruh dalam 1 folder). Pada matlab cukup jalankan program image_read.m dan patch_train.m image read.m clc close all A = imread('1.jpg'); %reads file into a matrix B = imfinfo('1.jpg'); %reads file info X1 = getimg(a,b); save 'X1.mat' X1 A = imread('2.jpg'); B = imfinfo('2.jpg'); X2 = getimg(a,b); save 'X2.mat' X2 A = imread('3.jpg'); B = imfinfo('3.jpg'); X3 = getimg(a,b); save 'X3.mat' X3 A = imread('4.jpg'); B = imfinfo('4.jpg'); X4 = getimg(a,b); save 'X4.mat' X4 A = imread('5.jpg'); B = imfinfo('5.jpg'); X5 = getimg(a,b); save 'X5.mat' X5 A = imread('6.jpg'); B = imfinfo('6.jpg'); X6 = getimg(a,b);
30 LC-2 save 'X6.mat' X6 A = imread('7.jpg'); B = imfinfo('7.jpg'); X7 = getimg(a,b); save 'X7.mat' X7 A = imread('8.jpg'); B = imfinfo('8.jpg'); X8 = getimg(a,b); save 'X8.mat' X8 A = imread('9.jpg'); B = imfinfo('9.jpg'); X9 = getimg(a,b); save 'X9.mat' X9 A = imread('10.jpg'); B = imfinfo('10.jpg'); X10 = getimg(a,b); save 'X10.mat' X10 A = imread('11.jpg'); B = imfinfo('11.jpg'); X11 = getimg(a,b); save 'X11.mat' X11 A = imread('12.jpg'); B = imfinfo('12.jpg'); X12 = getimg(a,b); save 'X12.mat' X12 A = imread('13.jpg'); B = imfinfo('13.jpg'); X13 = getimg(a,b); save 'X13.mat' X13
31 LC-3 A = imread('14.jpg'); B = imfinfo('14.jpg'); X14 = getimg(a,b); save 'X14.mat' X14 A = imread('15.jpg'); B = imfinfo('15.jpg'); X15 = getimg(a,b); save 'X15.mat' X15 A = imread('16.jpg'); B = imfinfo('16.jpg'); X16 = getimg(a,b); save 'X16.mat' X16 A = imread('17.jpg'); B = imfinfo('17.jpg'); X17 = getimg(a,b); save 'X17.mat' X17 A = imread('18.jpg'); B = imfinfo('18.jpg'); X18 = getimg(a,b); save 'X18.mat' X18 A = imread('19.jpg'); B = imfinfo('19.jpg'); X19 = getimg(a,b); save 'X19.mat' X19 A = imread('20.jpg'); B = imfinfo('20.jpg'); X20 = getimg(a,b); save 'X20.mat' X20 A = imread('21.jpg'); B = imfinfo('21.jpg'); X21 = getimg(a,b);
32 LC-4 save 'X21.mat' X21 A = imread('22.jpg'); B = imfinfo('22.jpg'); X22 = getimg(a,b); save 'X22.mat' X22 A = imread('23.jpg'); B = imfinfo('23.jpg'); X23 = getimg(a,b); save 'X23.mat' X23 A = imread('24.jpg'); B = imfinfo('24.jpg'); X24 = getimg(a,b); save 'X24.mat' X24 A = imread('25.jpg'); B = imfinfo('25.jpg'); X25 = getimg(a,b); save 'X25.mat' X25 A = imread('26.jpg'); B = imfinfo('26.jpg'); X26 = getimg(a,b); save 'X26.mat' X26 A = imread('27.jpg'); B = imfinfo('27.jpg'); X27 = getimg(a,b); save 'X27.mat' X27 A = imread('28.jpg'); B = imfinfo('28.jpg'); X28 = getimg(a,b); save 'X28.mat' X28 A = imread('29.jpg'); B = imfinfo('29.jpg'); X29 = getimg(a,b); save 'X29.mat' X29
33 LC-5 A = imread('30.jpg'); B = imfinfo('30.jpg'); X30 = getimg(a,b); save 'X30.mat' X30 getimg.m function X = getimg(a,b) b = 8; width=b.width; height=b.height; A = rgb2gray(a); A = im2double(a); W=ceil(width/b); H=ceil(height/b I=zeros(H*b,W*b); I(1:height,1:width)=A(1:height,1:width); for J=1:H for K=1:W for j=1:b for k=1:b X(J,K,j,k)=I((J-1)*b+j,(K-1)*b+k); figure imshow(a) patch_train.m close all clc close all X = []; load X1 [a b H W] = dimen(x1);
34 LC-6 patch = getpatch(a,b,h,w,x1); load X2 [a b H W] = dimen(x2); patch = getpatch(a,b,h,w,x2); load X3 [a b H W] = dimen(x3); patch = getpatch(a,b,h,w,x3); load X4 [a b H W] = dimen(x4); patch = getpatch(a,b,h,w,x4); load X5 [a b H W] = dimen(x5); patch = getpatch(a,b,h,w,x5); load X6 [a b H W] = dimen(x6); patch = getpatch(a,b,h,w,x6); load X7 [a b H W] = dimen(x7); patch = getpatch(a,b,h,w,x7); load X8 [a b H W] = dimen(x8); patch = getpatch(a,b,h,w,x8); load X9 [a b H W] = dimen(x9); patch = getpatch(a,b,h,w,x9); load X10 [a b H W] = dimen(x10); patch = getpatch(a,b,h,w,x10);
35 LC-7 load X11 [a b H W] = dimen(x11); patch = getpatch(a,b,h,w,x11); load X12 [a b H W] = dimen(x12); patch = getpatch(a,b,h,w,x12); load X13 [a b H W] = dimen(x13); patch = getpatch(a,b,h,w,x13); load X14 [a b H W] = dimen(x14); patch = getpatch(a,b,h,w,x14); load X15 [a b H W] = dimen(x15); patch = getpatch(a,b,h,w,x15); load X16 [a b H W] = dimen(x16); patch = getpatch(a,b,h,w,x16); load X17 [a b H W] = dimen(x17); patch = getpatch(a,b,h,w,x17); load X18 [a b H W] = dimen(x18); patch = getpatch(a,b,h,w,x18); load X19 [a b H W] = dimen(x19); patch = getpatch(a,b,h,w,x19);
36 LC-8 load X20 [a b H W] = dimen(x20); patch = getpatch(a,b,h,w,x20); load X21 [a b H W] = dimen(x21); patch = getpatch(a,b,h,w,x21); load X22 [a b H W] = dimen(x22); patch = getpatch(a,b,h,w,x22); load X23 [a b H W] = dimen(x23); patch = getpatch(a,b,h,w,x23); load X24 [a b H W] = dimen(x24); patch = getpatch(a,b,h,w,x24); load X25 [a b H W] = dimen(x25); patch = getpatch(a,b,h,w,x25); load X26 [a b H W] = dimen(x26); patch = getpatch(a,b,h,w,x26); load X27 [a b H W] = dimen(x27); patch = getpatch(a,b,h,w,x27); load X28 [a b H W] = dimen(x28); patch = getpatch(a,b,h,w,x28);
37 LC-9 load X29 [a b H W] = dimen(x29); patch = getpatch(a,b,h,w,x29); load X30 [a b H W] = dimen(x30); patch = getpatch(a,b,h,w,x30); save 'Patch train.mat' dimen.m function [a b H W] = dimen(c) S = size(c); a = randperm(s(1)-1); b = randperm(s(2)-1); if S(1) < S(2) H = 10; W = 20; else H = 20; W = 10; getpatch.m function patch = getpatch(a,b,h,w,p) patch = [ ]; for i = 1:H J = a(i); for j = 1:W K = b(j); f=zeros(8,8); f(:,:) = P(J,K,:,:); f = f(:); patch = [patch f];
38 LC-10 Training Corrupt Image: %Untuk menjalankan data training corrupt image, cukup menjalankan program dibawah ini. Pada simbol σ dikoding langsung diisi nilai. Di lampiran ditampilkan σ karena nilainya berubah ubah sesuai dengan tingkatan noise yang diuji. Jika pada saat noise yang diuji 100 maka σ diisi nilai 100. clc close all A = imread('lenaa.ras'); B = imfinfo('lenaa.ras'); Im = im2double(a); Y = imnoise(im,'gaussian',0,(25/255)^2); subplot(2,1,1) imshow(im) subplot(2,1,2) imshow(y) C = 1.15; sd = σ/255; err = (C*sd)^2; lambda = 30/σ; C =B.Width; R =B.Height; N = C*R ; p = 8; n = p^2; X = [ ]; Y = Y(:); for J = 1 : C - p + 1 ; for I = 1 : R - p + 1 ; patch = [ ];
39 LC-11 for j = 1:p for i = 1:p k = ((I-1) + i) + (((J-1)+ (j-1))*r); patch = [patch' Y(k)]' ; save 'Patch train.mat' X
40 LC-12 Dictionary Learning %Baik untuk K-SVD dan EK-SVD Pada simbol σ dikoding langsung diisi nilai. Di lampiran ditampilkan σ karena nilainya berubah ubah sesuai dengan tingkatan noise yang diuji. Jika pada saat noise yang diuji 100 maka σ diisi nilai 100. Adapun nilai T diubah sesuai dengan parameter yang diuji. T merupakan sparsiti / nilai non-zero. OMP.m dan overdct.m dibuka terlebih dahulu. Learning Dictionary dengan K-SVD : clc close all load 'Patch train.mat' R = input('iterasi='); [N L] = size(x); K = 4*N; psi = overdctdict(n,k); C = 1.15; sd = σ/255; err = (C*sd)^2; T = 4; tic for r = 1:R for jj = 1:L y = X(:,jj); [teta, residual, M] = OMP(psi, y, T, err); Teta(:,jj) = teta;
41 LC-13 for i = 1:K i if norm(teta(i,:)) == 0 disp('not updated') else w = find(teta(i,:)~=0); S = 0; for l = 1:K if i == l temp = 0; else temp = psi(:,l)*teta(l,w); S = S + temp ; E = X(:,w) - S; [U S V] = svd(e); psi(:,i) = U(:,1); Teta(i,w) = (V(:,1)*S(1,1))'; disp('iterasi ke') r save 'KSVD Dictionary.mat' psi
42 LC-14 toc Learning Dictionary EK-SVD: clc close all load 'Patch train.mat' R = input('iterasi='); [N L] = size(x); K = 4*N; psi = overdctdict(n,k); C = 1.15; sd = σ/255; err = (C*sd)^2; T = 6; tic C = [ ]; r = X; i = 1; s = [ ]; Teta = zeros(k,l); while (i <= T) && (norm(r,'fro') > err) A = psi'*r; % K x L; [v j] = max(abs(a)); [vv jj] = max(abs(v)); t = j(jj) ;
43 LC-15 s =[s t]; d = psi(:,t); C = [C d]; temp = ((C'*C)^-1)*C'*X ; r = X - C*temp; Teta(s,:) = temp; i = i + 1; for i = 1:K i if norm(teta(i,:)) == 0 disp('not updated') else w = find(teta(i,:)~=0); S = 0; for l = 1:K if i == l temp = 0; else temp = psi(:,l)*teta(l,w); S = S + temp ; E = X(:,w) - S; [U S V] = svd(e);
44 LC-16 psi(:,i) = U(:,1); Teta(i,w) = (V(:,1)*S(1,1))'; disp('iterasi ke') r save 'KSVD Dictionary.mat' psi toc OMP.m function [s, residual, L] = OMP(A,y,T,err) s = zeros(size(a,2),1); i = 2; while (i-1 <= T) && (norm(r(:,))>err) l = A'*r(:,i-1); [B, IX] = sort(abs(l),'desc'); L = [L' IX(1)]'; Psi = A(:,L); x = Psi\y; yapprox = Psi*x; i = i + 1; s(l) = x; residual = r(:,); overdctdict.m r(:,i) = y - yapprox; function D = overdctdict(n,l) D = zeros(n,l); D(:,1) = 1/sqrt(n);%sqrt=mencari akarnya for k = 2:L v = cos((0:n-1)*pi*(k-1)/l)'; v = v-mean(v); D(:,k) = v/norm(v); %akan dijalankan saat k=2:l terpenuhi
45 LC-17 Denoising : clc close all err = 1e-5 T = 12 ; C = 1.15; sd = σ/255; %pada koding langsung diisi nilai. Di lampiran ditulis dalam bentuk simbol agar diketahui bahwa nilainya diubah sesuai parameter err = (C*sd)^2; lambda = (30/255)/sd; A = imread('barbara.jpg'); B = imfinfo('barbara.jpg'); Im = im2double(a); C =B.Width; R =B.Height; N = C*R ; p = 8; n = p^2; load 'KSVD Dictionary' E = 0; F = 0; Y = imnoise(im,'gaussian',0,sd^2); Y = Y(:); tic for J = 1 : C - p + 1 ; for I = 1 : R - p + 1 ; patch = [ ]; for j = 1:p for i = 1:p
46 LC-18 k = ((I-1) + i) + (((J-1)+ (j-1))*r); patch = [patch' Y(k)]' ; [teta, residual, M] = OMP(psi, patch, T, err); f = psi*teta; temp = zeros(n,1); temp1 = zeros(n,1); for j = 1:p for i = 1:p k = ((I-1) + i) + (((J-1)+ (j-1))*r); temp(k) = 1; ind = i + (j-1)*p; temp1(k) = f(ind); E = E + temp; F = F + temp1; I = ones(n,1); sk = (lambda*i + E); sk = 1./sk; Z = sk.*(lambda*y + F); err = Z - Im(:); P_signal = norm(z)^2; P_err = norm(err(:))^2; MSE = P_err/N;
47 LC-19 SNR_denoise = 10*log10((P_signal)/P_err) PSNR_denoise = 10*log10((1^2)/MSE) err = Y - Im(:); P_signal = norm(y)^2; P_err = norm(err(:))^2; MSE = P_err/N; SNR_noise = 10*log10((P_signal)/P_err) PSNR_noise = 10*log10((1^2)/MSE) Y = reshape(y,r,c); Z = reshape(z,r,c); subplot(3,1,1) imshow(im) subplot(3,1,2) imshow(y) subplot(3,1,3) imshow(z) toc
BAB 1 PENDAHULUAN. salah satunya adalah untuk proses image denoising. Representasi adalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sinyal adalah besaran besaran fisik yang berubah ubah terhadap satu atau beberapa variabel bebas. Representasi sinyal sangat penting untuk sinyal proses, salah satunya
Lebih terperinciENHANCED K-SVD ALGORITHM for IMAGE DENOISING
ENHANCED K-SVD ALGORITHM for IMAGE DENOISING Edwin Junius, Reza Alfiansyah, Endra,Universitas Bina Nusantara, mono_unk@yahoo.com, devil.reza12@yahoo.com, ABSTRAK Penelitian ini bertujuan untuk membuat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Noise Pada saat melakukan pengambilan gambar, setiap gangguan pada gambar dinamakan dengan noise. Noise dipakai untuk proses training corrupt image, gambarnya diberi noise dan
Lebih terperinciTUGAS 2 COMPUTER VISION PERBAIKAN KUALITAS
Nama : Ariya Kusuma NIM : 12043124 (sore) TUGAS 2 COMPUTER VISION PERBAIKAN KUALITAS Gambar 1, building_gaussian Sebelum dilakukan teknik Perbaikan Kualitas, Perbaikan dengan teknik Perbaikan Kualitas
Lebih terperinciPengurangan Noise pada Citra Menggunakan Optimal Wavelet Selection dengan Kriteria Linear Minimum Mean Square Error (LMMSE)
Pengurangan Noise pada Citra Menggunakan Optimal Wavelet Selection dengan Kriteria Linear Minimum Mean Square Error (LMMSE) Disusun Oleh : Nama : Abner Natanael R Nrp : 0522034 Jurusan Teknik Elektro,
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra atau gambar merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Didukung dengan perkembangan zaman
Lebih terperinciBAB V IMPLEME TASI. Lingkungan aplikasi pada implementasi program HVF ini adalah: Perangkat Keras : Intel Core 2 Duo, 2 GHz
BAB V IMPLEME TASI Pada bab ini akan dipaparkan mengenai proses implementasi mulai dari lingkungan implementasi sampai list kode MATLAB yang digunakan dalam pembuatan aplikasi HVF. 5.1 Lingkungan Implementasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada saat ini penggunaan sebuah citra sangat meningkat untuk digunakan pada berbagai kebutuhan. Hal ini dikarenakan banyak sekali kelebihan yang ada pada citra digital
Lebih terperinciWATERMARKING DENGAN METODE DEKOMPOSISI NILAI SINGULAR PADA CITRA DIGITAL
SEMIN HASIL TUGAS AKHIR 1 WATERMKING DENGAN METODE DEKOMPOSISI NILAI SINGUL PADA CITRA DIGITAL Oleh : Latifatul Machbubah NRP. 1209 100 027 JURUSAN MATEMATI FAKULTAS MATEMATI DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB IV PERCOBAAN DAN ANALISIS. Percobaan metode kompresi citra fraktal menggunakan algoritma
BAB IV PERCOBAAN DAN ANALISIS Percobaan metode kompresi citra fraktal menggunakan algoritma genetika dilakukan menggunakan bahasa pemrograman Matlab 7.6.0.324 (R2008a). Percobaan dilakukan pada komputer
Lebih terperinciBab 1 Pendahuluan 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Proses pengolahan citra digital dapat dibagi menjadi beberapa bidang seperti object detection, image analyze, computer vision, dan medical imaging. Medical imaging
Lebih terperinciBAB III Algoritma Pelabelan Total Sisi-Ajaib Super
BAB III Algoritma Pelabelan Total Sisi-Ajaib Super 3.1 Algoritma dan penjelasannya Proses pengkonstruksian suatu pelabelan total sisi-ajaib super pada S m n untuk n 3 dan m 0 pada tugas akhir ini, dilakukan
Lebih terperinciLAMPIRAN PROGRAM MATLAB
PROGRAM MATLAB PERCOBAAN 1 FACE CLUSTERING MENGGUNAKAN ALGORITMA LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING Program Utama 'Pengelompokan Citra Wajah dengan Menerapkan Algoritma LSA - SC (LOCAL SUBSPACE
Lebih terperinciTeknik Watermarking Citra Digital Dalam Domain DCT (Discrete Cosine Transform) Dengan Algoritma Double Embedding
Teknik Watermarking Citra Digital Dalam Domain DCT (Discrete Cosine Transform) Dengan Algoritma Double Embedding Gideon Aprilius (0522116) Email: dionjuntak@gmail.com Jurusan Teknik Elektro, Fakultas Teknik
Lebih terperinciRESTORASI CITRA. Budi s
RESTORASI CITRA Budi s Sumber Noise Setiap gangguan pada citra dinamakan dengan noise Noise bisa terjadi : Pada saat proses capture (pengambilan gambar), ada beberapa gangguan yang mungkin terjadi, seperti
Lebih terperinciPerbandingan Metoda Baru Penapisan Citra Modus- Median Terhadap Metode Mean dan Median
ISBN 978-979-3541-25-9 Perbandingan Metoda Baru Penapisan Citra Modus- Median Terhadap Metode Mean dan Median Nurjannah Syakrani 4), Tati L. R. Mengko 1), A.B.Suksmono 2), Edy T. Baskoro 3) 1) Biomedical
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan suatu kemiripan, atau imitasi dari suatu objek atau benda. Citra memiliki beberapa karakteristik yang mengandung suatu infomasi. Citra yang bagus dapat
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciPERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN DWT-SVD DAN RDWT-SVD. Abstract
PERBANDINGAN TEKNIK WATERMARKING CITRA DIGITAL MENGGUNAKAN DWT- DAN Qurrota Ayun Majid, T. Sutojo, S.Si, M.Kom Teknik Informatika - S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang 111201207118@mhs.dinus.ac.id
Lebih terperinciLAMPIRAN A DATA LENGKAP HASIL PERCOBAAN 1 DAN 2
LAMPIRAN A DATA LENGKAP HASIL PERCOBAAN 1 DAN 2 Tabel A.1 Hasil pengenalan percobaan 1 No. Citra Uji Dengan Clustering Hasil Pengenalan Tanpa Clustering Jumlah Iterasi Pencarian Dengan Tanpa Cluster Cluster
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. citra digital yang telah dibuat. Hasilnya dari program kemudian akan dievaluasi untuk
BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab 4 ini, akan dijelaskan proses implementasi program aplikasi restorasi citra digital yang telah dibuat. Hasilnya dari program kemudian akan dievaluasi untuk menentukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Citra merupakan hasil representasi atau duplikasi dari sebuah objek ataupun imitasi dari sebuah objek atau benda. Citra memiliki beberapa karateristik yang menjadikan
Lebih terperinciLAMPIRAN A KODE PROGRAM
LAMPIRAN A KODE PROGRAM function recog % Program utama %=================================% % LAPLACIANFACE % %=================================% clear close all clc fprintf('\n1. Pilih Folder Train Database
Lebih terperinciBAB 4 ANALISA HASIL PENGUJIAN Pengukuran BSNR pada tiap citra asli dan yang dihasilkan
35 BAB 4 ANALISA HASIL PENGUJIAN 4.1. Pengujian Obyektif 4.1.1. Pengukuran BSNR pada tiap citra asli dan yang dihasilkan Pengujian dilakukan terhadap 5 buah gambar yang diambil dengan menggunakan kamera
Lebih terperinciBy Emy 1 MEREDUKSI NOISE By Emy By Emy
1 MEREDUKSI NOISE 2 1 Kompetensi Mampu menjelaskan macammacam jenis noise Mampu menganalisis jenis noise yang menyebabkan gangguan pada citra Mampu membangkitkan macammacam noise kemudian mengimplementasikannya
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil pengindraan atau pengukuran Pengambilan data dari hasil pengindraan atau pengukuran dapat dilihat pada lampiran A, berupa citra asli yang dengan format data.png kemudian
Lebih terperinciPERANCANGAN DAN ANALISIS STEGANOGRAFI VIDEO DENGAN MENYISIPKAN TEKS MENGGUNAKAN METODE DCT
PERANCANGAN DAN ANALISIS STEGANOGRAFI VIDEO DENGAN MENYISIPKAN TEKS MENGGUNAKAN METODE DCT PLANNING AND ANALYSIS VIDEO STEGANOGRAPHY BY EMBEDDING TEXT WITH DISCRETE COSINE TRANSFORM METHOD 1 Ryan Anggara,
Lebih terperinciGrafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra digital.
PSNR Histogram Nilai perbandingan antara intensitas maksimum dari intensitas citra terhadap error citra. Grafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB IV PEMBAHASAN 4.1. Perhitungan Manual Teknik Penapisan Penapisan dengan Nilai Tapis Ditentukan Sendiri
BAB IV PEMBAHASAN 4.1. Perhitungan Manual Teknik Penapisan 4.1.1. Penapisan dengan Nilai Tapis Ditentukan Sendiri Berikut merupakan contoh perhitungan manual penapisan matrik X dengan ukuran 4x4 menggunakan
Lebih terperinciEvaluasi Kinerja Sistem Watermarking
Evaluasi Kinerja Sistem Watermarking Kriteria kinerja Kapasitas (jumlah bit yang bisa diangkut) Kualitas gambar (setelah dimasuki watermark) Ketahanan (terhadap serangan) Kualitas Gambar Dinilai secara
Lebih terperincierror(['list Sinyal Suara Tidak Ditemukan "' file_list, '"']);
LAMPIRAN A clear; close all; clc; % Membaca file dari database % jum_kelas=1; daya_tot_log=zeros(2,4); jum_rasio_silent=zeros(2,4); while jum_kelas
Lebih terperinciKata Kunci : non-blind watermarking, complex wavelet transform, singular value decomposition.
NON-BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN COMPLEX WAVELET TRANSFORM (CWT) DAN SINGULAR VALUE DECOMPOSITION (SVD) Disusun Oleh : Froni Andrian Sitompul (0822102) Jurusan Teknik Elektro, Fakultas
Lebih terperinciIMPLEMENTASI CLUSTERING K-MEANS DALAM DOMAIN WAVELET MENGGUNAKAN ADAPTIF SOFT-THRESHOLDING UNTUK DENOISING CITRA
TUGAS AKHIR K141502 IMPLEMENTASI CLUSTERING K-MEANS DALAM DOMAIN WAVELET MENGGUNAKAN ADAPTIF SOFT-THRESHOLDING UNTUK DENOISING CITRA BIANDINA MEIDYANI NRP 5112100218 Dosen Pembimbing I Arya Yudhi Wijaya,
Lebih terperinciPenerapan Metode Kirsch Dalam Mendeteksi Tepi Objek Citra Digital
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Metode Kirsch Dalam Mendeteksi Tepi Objek Citra Digital Edy Victor Haryanto Universitas Potensi Utama Jl. K.L.
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Dalam bab ini akan dijelaskan dan ditampilkan bagaimana hasil dari rancangan program. Dimana didalam program ini terdapat tampilan login, tampilan menu utama, tampilan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
Lebih terperinciImplementasi Algoritma Blind Watermarking Menggunakan Metode Fractional Fourier Transform dan Visual Cryptography
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Algoritma Blind Watermarking Menggunakan Metode Fractional Fourier Transform dan Visual Cryptography Mir atul
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciBAB 1 PENDAHULUAN. kemampuan hardware untuk pengambilan / pencuplikan citra serta
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan jaman penggunaan citra dalam suatu sistem komputer memiliki peran yang semakin penting. Hal ini dikarenakan kemajuan teknik dan kemampuan hardware
Lebih terperinciANALISIS PERBANDINGAN GEOMETRIC MEAN FILTER DENGAN OPERATOR SOBEL, OPERATOR PREWITT DAN OPERATOR ROBERT PADA CITRA BITMAP SKRIPSI
ANALISIS PERBANDINGAN GEOMETRIC MEAN FILTER DENGAN OPERATOR SOBEL, OPERATOR PREWITT DAN OPERATOR ROBERT PADA CITRA BITMAP SKRIPSI MAGDALENA SIREGAR 111401109 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU
Lebih terperinciPERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT)
PERBAIKAN KUALITAS CITRA BERWARNA DENGAN METODE DISCRETE WAVELET TRANSFORM (DWT) ABSTRAK Silvester Tena Jurusan Teknik Elektro Fakultas Sains dan Teknik, Universitas Nusa Cendana Jl. Adisucipto- Penfui
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat ini penggunaan citra digital semakin meningkat karena kelebihan-kelebihan yang dimiliki oleh citra digital tersebut, di antaranya adalah kemudahan dalam mendapatkan
Lebih terperinciAnalisa Perbandingan Adaptif Median Filter Dan Median Filter Dalam Reduksi Noise Salt & Pepper
Cogito Smart Journal/VOL. 2/NO. 2/DESEMBER 2016 157 Analisa Perbandingan Adaptif Median Filter Dan Median Filter Dalam Reduksi Noise Salt & Pepper Ivan Maulana 1, Pulung Nurtantio Andono 2 1,2 Program
Lebih terperinciSISTEM PENGOLAHAN ISYARAT
TKE 243 SISTEM PENGOLAHAN ISYARAT Kuliah 1 Filter Digital Indah Susilawati, S.T., M.Eng. Program Studi Teknik Elektro Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta 29 1 KULIAH 1
Lebih terperinciADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION
ADAPTIVE WATERMARKING CITRA DIGITAL DENGAN TEKNIK DISCRETE WAVELET TRANSFORM-DISCRETE COSINE TRANSFORM DAN NOISE VISIBILITY FUNCTION Disusun oleh : Nama : Dian Eriani Surbakti Nrp : 0822104 Jurusan Teknik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini informasi tidak hanya didapatkan dari pesan teks saja namun sebuah gambar atau citra dapat juga mewakilkan sebuah informasi, bahkan sebuah citra memiliki arti
Lebih terperinciAlfian Ghifari. Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom.
ANALISIS DAN IMPLEMENTASI IMAGE WATERMARKING MENGGUNAKAN HISTOGRAM-BASED REVERSIBLE DATA HIDING DENGAN BORDER POINT DAN LOCALIZATION Analysis And Implementation of Image Watermarking Using Histogram-Based
Lebih terperinciPembelajaran Berbasis Problem Solving Nama Problem Puzlle Match. Estimasi Waktu 2 minggu
Pembelajaran Berbasis Problem Solving Nama Problem Puzlle Match Level Easy Estimasi Waktu 2 minggu 1. Terdapat sebuah gambar yang telah dipecah menjadi 16 bagian yang berbeda. Gambar berukuran 512 x 512
Lebih terperinciLAMPIRAN A LISTING PROGRAM
LAMPIRAN A LISTING PROGRAM ########################### % Tampil sinyal suara [y fs]=wavread(' '); wavplay(y,fs); % Menggambar sinyal suara figure(1); panjang_y=length(y); t_y=1/fs:1/fs:panjang_y/fs; %
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai kebutuhan-kebutuhan yang digunakan dalam membuat program ini. Setelah semua kebutuhan selesai di analisa, maka penulis akan
Lebih terperinciAchmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS 2005
Image Filtering Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS 25 Materi Prinsip Filtering Di Dalam Image Processing Konvolusi Low-Pass Filter High-Pass Filter Prinsip Filter Dalam Image
Lebih terperinciABSTRAK. Kata kunci : Watermarking, SVD, DCT, LPSNR. Universitas Kristen Maranatha
Penerapan Watermarking pada Citra Menggunakan Teknik Singular Value Decomposition Discrete Cosine Transform Berdasarkan Local Peak Signal to Noise Ratio Frederick Michael ( 0522072 ) Jurusan Teknik Elektro,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dua proses, yaitu proses akusisi data dan algoritma exemplar-based
BAB IV HASIL DAN PEMBAHASAN 4.1 Perancangan Aplikasi Secara umum aplikasi pemugaran citra digital terbagi menjadi dua proses, yaitu proses akusisi data dan algoritma exemplar-based image inpainting. Alur
Lebih terperinciPerbandingan Efektivitas Algoritma Blind-Deconvolution, Lucy-Richardson dan Wiener-Filter Pada Restorasi Citra. Charles Aditya /
Perbandingan Efektivitas Algoritma Blind-Deconvolution, Lucy-Richardson dan Wiener-Filter Pada Restorasi Citra Charles Aditya / 0322026 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri
Lebih terperinciAPLIKASI TAPIS LOLOS RENDAH CITRA OPTIK MENGGUNAKAN MATLAB
APLIKASI TAPIS LOLOS RENDAH CITRA OPTIK MENGGUNAKAN MATLAB PUJI LESTARI 41512010061 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA 2016 APLIKASI TAPIS LOLOS RENDAH
Lebih terperinciPendahuluan. Praktikum Pengantar Pengolahan Citra Digital Departemen Ilmu Komputer Copyright 2008 All Rights Reserved
1 Pengenalan Matlab Pendahuluan Matlab adalah perangkat lunak yang dapat digunakan untuk analisis dan visualisasi data. Matlab didesain untuk mengolah data dengan menggunakan operasi matriks. Matlab juga
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra merupakan hasil representasi atau duplikasi dari sebuah objek ataupun merupakan imitasi dari sebuah objek atau benda. Citra memiliki beberapa karakteristik yang
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. pengkodean dan implementasi, memberikan petunjuk pemakaian program, dan
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini menjelaskan tentang spesifikasi sistem yang digunakan dalam melakukan pengkodean dan implementasi, memberikan petunjuk pemakaian program, dan mengevaluasi program
Lebih terperinciCURVE FITTING. Risanuri Hidayat, Jurusan Teknik Elektro dan Teknologi Informasi FT UGM,
CURVE FITTING Risanuri Hidayat, Jurusan Teknik Elektro dan Teknologi Informasi FT UGM, 1.1 INTERPOLASI LINEAR Fungsi linear dinyatakan persamaan sebagai berikut, ff(xx) = AAAA + BB (1) Ketika data-data
Lebih terperinciSalt and Pepper Noise Removal dengan Spatial Median Filter dan Adaptive Noise Reduction
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Salt and Pepper Noise Removal dengan Spatial Median Filter dan Adaptive Noise Reduction Syanti irviantina *1, Irpan Pardosi 2 STMIK Mikroskil, Jl.
Lebih terperinciNOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
NOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Denny Susanto (1022029) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH no.65,
Lebih terperinciImage Restoration. Aditya Wikan Mahastama
Image Restoration Aditya Wikan Mahastama Image Restoration Image restoration: usaha-usaha untuk memulihkan citra yang mengalami degradasi. Contoh degradasi diantaranya: blur (gambar( tidak jelas) karena
Lebih terperinciNoise Cancellation Using Non-LocalMeans SVD
Noise Cancellation Using Non-LocalMeans SVD Muhammad Eka Suryana Universitas Negeri Jakarta eka-suryana@unj.ac.id Abstrak image denoising merupakan upaya untuk menghilangkan noise dari citra digital. Sejumlah
Lebih terperinciBAB 3 PERUMUSAN PENELITIAN. Signal. Sparse Coding. Reconstruction. Reconstructed. Assessment
BAB PERUMUSAN PENELITIAN.1 Blok Diagram Signal Sparse Coding Dictionary Reconstruction Reconstructed Signal Assessment Gambar.1 Blok Diagram secara Umum Secara umum tujuan penelitian ini akan mencari dictionary
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Citra hasil rekaman kamera digital sering sekali terdapat beberapa gangguan yang mungkin terjadi, seperti lensa tidak fokus, muncul bintik-bintik yang disebabkan oleh
Lebih terperinciKINERJA SKEMA PEMBERIAN TANDA AIR PADA CITRA DIGITAL BERBASIS KOMPUTASI NUMERIK
KINERJA SKEMA PEMBERIAN TANDA AIR PADA CITRA DIGITAL BERBASIS KOMPUTASI NUMERIK Endina Putri Purwandari 1, Diyah Puspitaningrum 2, Muhamad Yose Sastra 3 1,2,3 Program Studi Teknik Infomatika, Fakultas
Lebih terperinciLAMPIRAN A TABEL DATA PENGAMATAN
LAMPIRAN A TABEL DATA PENGAMATAN LAMPIRAN B LIST PROGRAM Main Program Untuk Mendapatkan Hasil Pada Tabel IV.1 IV.3 %Program Kompresi Suara 1D untuk 1 sinyal suara %Memasukkan nilai - nilai parameter
Lebih terperinciRaden Abi Hanindito¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) ANALISIS & IMPLEMENTASI IMAGE DENOISING DENGAN MENGGUNAKAN METODE NORMALSHRINK SEBAGAI WAVELET THRESHOLDING ANALYSIS & IMPLEMENTATION IMAGE DENOISING USING NORMALSHRINK
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Closed Circuit Television (CCTV) adalah sistem pengawasan elektronik yang menggunakan kamera video, yang terhubung dengan sirkuit tertutup untuk menangkap, mengumpulkan,
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 9 Removal of Periodic Noise. Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 9 Removal of Periodic Noise Indah Susilawati, S.T., M.Eng. Program Studi Teknik Elektro Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Mercu
Lebih terperinciRESTORASI CITRA DENGAN METODE ITERATIF BERDASARKAN BAYESIAN GAUSS-MARKOV LINEAR MODEL DENGAN ALGORITMA GLOBAL GMRES
PRESENTASI TUGAS AKHIR KI091391 RESTORASI CITRA DENGAN METODE ITERATIF BERDASARKAN BAYESIAN GAUSS-MARKOV LINEAR MODEL DENGAN ALGORITMA GLOBAL GMRES Penyusun Tugas Akhir : Alfa Masjita Rahmat (NRP. 5106100103)
Lebih terperinciUniversitas Sumatera Utara
ii PERSETUJUAN Judul : PENINGKATAN KUALITAS VIDEO HASIL REKAMAN CLOSED CIRCUIT TELEVISION (CCTV) MENGGUNAKAN MEDIAN FILTER. Kategori : SKRIPSI Nama : ANGGI ADLIN Nomor Induk Mahasiswa : 101402074 Program
Lebih terperinciPRESENTASI TUGAS AKHIR KI
PRESENTASI TUGAS AKHIR KI 091031 PENERAPAN METODE PRIMAL DUAL ACTIVE SET UNTUK NON NEGATIVE CONSTRAINED TOTAL VARIATION PADA MASALAH DEBLURRING (Kata kunci: Total Variation,Non-Negative Constrained, Primal
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Suatu data atau informasi disajikan tidak hanya berupa data teks tetapi juga dapat berupa audio, video, dan gambar. Pada zaman sekarang informasi sangatlah penting
Lebih terperinciLAMPIRAN A CITRA HASIL PERCOBAAN
LAMPIRAN A CITRA HASIL PERCOBAAN A-1 1. Hasil Watermarking Nama Asli yang Watermark Asli dan Watermark Hasil Ekstraksi α = 1 Telah Disisipkan Watermark Lena Baboon A-2 Barbara Lena Baboon A-3 Barbara Nama
Lebih terperinciLAMPIRAN A LISTING PROGRAM
LAMPIRAN A LISTING PROGRAM % ---------------------------------------------- % Program Tugas Akhir % Peningkatan Kualitas Sinyal Suara % Menggunakan Metode Estimasi Magnituda Spektral % ----------------------------------------------
Lebih terperinciANALISIS REDUKSI DATA CITRA MENGGUNAKAN METODE DEKOMPOSISI NILAI SINGULAR
ANALISIS REDUKSI DATA CITRA MENGGUNAKAN METODE DEKOMPOSISI NILAI SINGULAR Susan Sulaiman, Suhartati Agoes Jurusan Teknik Elektro Universitas Trisakti Jl. Kyai Tapa no 1, Grogol, Jakarta 11440 susan_sulaiman_2006@yahoo.co.id
Lebih terperinciImplementasi Reduksi Noise Citra Berwarna dengan Metode Filter Median dan Filter Rata-rata
Implementasi Reduksi Noise Citra Berwarna dengan Metode Filter Median dan Filter Rata-rata Arif Senja Fitrani 1, Hindarto 2, Endang Setyati 3 1,2, Jurusan Teknik Informatika Universitas Muhammadiyah Sidoarjo,
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 OPTIMASI NILAI AMBANG WAVELET BERBASIS LOGIKA FUZZY PADA DENOISING CITRA BERWARNA (Kata kunci: denoising, transformasi wavelet, logika fuzzy, thresholding, median absolute
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Gangguan pada citra, terutama citra digital dapat disebabkan oleh noise sehingga mengakibatkan penurunan kualitas citra tersebut (Gunara, 2007). Derau atau noise merupakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada zaman dahulu penyampaian sebuah informasi hanya bisa dilakukan jika kita berada dalam satu wilayah atau bertemu langsung dengan penerima pesan. Tentu hal tersebut
Lebih terperinciJurnal Science Tech Vol. 4, No. 1, Februari
ANALISIS DETEKSI IRIS MATA MENGGUNAKAN METODE DETEKSI TEPI SOBEL Ayu Fitri Amalia 1, Handoyo Saputro 2 Fakultas Keguruan dan Ilmu Pidikan, Universitas Sarjanawiyata Tamansiswa email: 1 ayufitriamalia@ustjogja.ac.id,
Lebih terperinci1. PENGENALAN PEMROGRAMAN MATLAB Prepared by Robi Irsamukhti, 2012
I. Pengantar Matrix Laboratory atau yang biasa disingkat MATLAB adalah bahasa pemrograman teknik yang mengintegrasikan kemampuan komputasi, visualisasi, dan pemrograman ke dalam sebuah lingkungan tunggal
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 2 Point Processing. Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 2 Point Processing Indah Susilawati, S.T., M.Eng. Program Studi Teknik Elektro Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana
Lebih terperinciLAMPIRAN A: LIST PROGRAM
LAMPIRAN A: LIST PROGRAM Program Utama clear; close all; clc; Program ini adalah untuk membentuk 2D PC/PC (kombinasi TS dan WH) Inisialisasi p1=3; p1 : bilangan prima untuk melakukan proses time-spreading
Lebih terperinciDenoising Pada Citra Grayscale Menggunakan Bayes Tresholding dan Gaussian Noise
Denoising Pada Citra Grayscale Menggunakan Bayes Tresholding dan Gaussian Noise Mariska Marlia Dwi Purnamawati Magister Teknik Informatika, Universitas Atma Jaya Yogyakarta,Yogyakarta55281 E-mail : mariska.marlia@gmail.com
Lebih terperinciIMPLEMENTASI METODE MEDIAN FILTERING DAN KOMPRESI JPEG UNTUK CITRA BMP SKRIPSI ZULWITA HARIYATI
IMPLEMENTASI METODE MEDIAN FILTERING DAN KOMPRESI JPEG UNTUK CITRA BMP SKRIPSI ZULWITA HARIYATI 101401002 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciDari script diatas sehingga muncul gambar-gambar dibawah ini:
Tugas Analisi Data Digital Nama: Triswan Mardani Ade Surya NRP : 3712100003 Superposisi dari dua gelombang dapat dimodelkan menggunakan MATLAB dengan script berikut: clear all; clc; t = -1:0.00001:1; f
Lebih terperinciOPTIMASI WATERMARKING PADA CITRA BIOMETRIK MENGGUNAKAN ALGORITME GENETIKA
OPTIMASI WATERMARKING PADA CITRA BIOMETRIK MENGGUNAKAN ALGORITME GENETIKA Muhammad Rifqi Fadhilah *), Imam Santoso, and Ajub Ajulian Zahra Departemen Teknik Elektro, Universitas Diponegoro Jl. Prof. Sudharto,
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 9 Filtering in Frequency Domain. Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 9 Filtering in Frequency Domain Indah Susilawati, S.T., M.Eng. Program Studi Teknik Informatika Program Studi Sistem Informasi Fakultas Teknik dan Ilmu Komputer Universitas
Lebih terperinciReversible Watermarking Dengan Kemampuan Koreksi Error Yustina Retno Wahyu Utami 7)
ISSN : 1693 1173 Reversible Watermarking Dengan Kemampuan Koreksi Error Yustina Retno Wahyu Utami 7) ABSTRACT Reversible watermarking with histogram shift on difference image produce thin distortion of
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optik berupa foto,
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 8 Filtering in Frequency Domain. Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 8 Filtering in Frequency Domain Indah Susilawati, S.T., M.Eng. Program Studi Teknik Elektro Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas
Lebih terperinciROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM
ROBUST BLIND WATERMARKING PADA CITRA DIGITAL MENGGUNAKAN TEKNIK KUANTISASI KOEFISIEN DISCRETE WAVELET TRANSFORM Annissa Yanuvita Prabawaningtyas (1022053) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.
Lebih terperinciLAMPIRAN A. Code Program. A1. Source Code Program. A2. Fungsi Tuncnormrnd. Universitas Sumatera Utara
LAMPIRAN A Code Program A1. Source Code Program A2. Fungsi Tuncnormrnd Lampiran A / Code Program 1/10 A.1 Source Code Program tic; clear all; clc; close all; s = 1;% Jumlah simulasi N = 2000; % jlh titik
Lebih terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciL1-1 Universitas Kristen Maranatha
Langkah-langkah dalam Algoritma Genetika: 1. Buka Program Matlab. 2. Pada Command Window, ketik edit. 3. Pada Matlab Editor masukkan Inisialisasi Populasi dengan mengetikkan: %-----------------------------------------------------------------
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciTEKNIK PENGOLAHAN CITRA. Kuliah 6 Restorasi Citra (Image Restoration) Indah Susilawati, S.T., M.Eng.
TEKNIK PENGOLAHAN CITRA Kuliah 6 Restorasi Citra (Image Restoration) Indah Susilawati, S.T., M.Eng. Program Studi Teknik Elektro Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas
Lebih terperinci