Deteksi Warna. Resty Wulanningrum,S.Kom Universitas Nusantara PGRI Kediri

dokumen-dokumen yang mirip
Aplikasi Pengolahan Citra DETEKSI WARNA. Achmad Basuki PENS-ITS, 26 Des 2006

Color Detection. Praktikum

COLOR SPACE. Achmad Basuki Politeknik Elektronika Negeri Surabaya

Histogram Warna Pada Image

Selama ini dalam pemanenan dan penjualan hasil panen, petani jeruk nipis masih belum melakukan pemilahan mutu yang baik sehingga harga jual sangat

IMAGE COLOR FEATURE. Achmad Basuki Politeknik Elektronika Negeri Surabaya

Aplikasi Teori Kombinatorial Dalam Penomeran Warna

Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)

BAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya

BAB II TEORI PENUNJANG

Bekerja dengan Warna

Pengolahan citra. Materi 3

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

APLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT

Praktikum. Jobsheet III. untuk Processing. B. Dasar Teori Ada dua mode dan HSB. (a) (b) HSB. Gambar 3.1. memperoleh. A. Tujuan

Sesi 2: Image Formation. Achmad Basuki PENS-ITS 2006

PENENTUAN KUALITAS DAUN TEMBAKAU DENGAN PERANGKAT MOBILE BERDASARKAN EKSTRASI FITUR RATA-RATA RGB MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

1.1 Intensitas. 1.2 Luminansi. 1.3 Lightness. 1.4 Hue. 1.5 Saturasi

SAMPLING DAN KUANTISASI

Deteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV

APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS

BAB II TINJAUAN PUSTAKA

PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA

DETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING

Grafik Komputer dan Pengolahan Citra. Pengolahan Citra : Representasi Citra. Universitas Gunadarma Pengolahan Citra : Representasi Citra 1/16

Sistem Deteksi Bola Berdasarkan Warna Bola Dan Background Warna Lapangan Pada Robot Barelang FC

DIMENSI WARNA. DEDDY AWARD WIDYA LAKSANA, M.Pd

BAB III ANALISIS METODA

Standar Kompetensi : 1. Menggunakan peerangkat lunak pembuat grafik. Kompetensi Dasar

BAB III METODE PENELITIAN. tracking obyek. Pada penelitian tugas akhir ini, terdapat obyek berupa bola. Gambar 3.1. Blok Diagram Penelitian

Grafika Komputer Pertemuan Ke-14. Pada materi ini akan dibahas tentang pencahayaan By: I Gusti Ngurah Suryantara, S.Kom., M.Kom

Klasifikasi Warna Menggunakan Pengolahan Model Warna HSV

DETEKSI CITRA PORNOGRAFI MENGGUNAKAN TSL COLOR SPACE DAN NUDITY DETECTION ALGORITHM

Indarto 1, Murinto 2, I. PENDAHULUAN. Kampus III UAD Jl.Dr.Soepomo, Janturan, Yogyakarta

Implementasi Algoritma Kompresi Shannon Fano pada Citra Digital

Dasar-dasar Photoshop

PENERAPAN HAND MOTION TRACKING PENGENDALI POINTER PADA VIRTUAL MOUSE DENGAN METODE OPTICAL FLOW

DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI

IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION

Studi Digital Watermarking Citra Bitmap dalam Mode Warna Hue Saturation Lightness

APLIKASI PENGOLAHAN CITRA MENDETEKSI KUALITAS CABAI BERDASARKAN TINGKAT KEMATANGAN MENGGUNAKAN TRANSFORMASI WARNA YCbCr

Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.

BAB V PENGATURAN TAMPILAN DAN WARNA

Dielektrika, ISSN Vol. 3, No. 1 : 53-59, Pebruari 2016

APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK

Pertemuan 2 Representasi Citra

Studi dan Eksperimen terhadap Kombinasi Warna untuk Kriptografi Visual Warna Kromatik. Ibnu Alam

Drawing, Viewport, dan Transformasi. Pertemuan - 02

Gambar 3.1 : Macam-macam Resistor

INTERAKSI MANUSIA DAN KOMPUTER

BAB II LANDASAN TEORI. untuk melakukan pekerjaan antara lain, yaitu: terutama gambar logo dua dimensi.

BAB IV IMPLEMENTASI DAN PENGUJIAN

Kreasi Foto Hitam. Teknik Editing I

3. BAB III METODE PENELITIAN

By: Ahmad SYAUQI Ahsan

Junior High School. Carbon Neutrality

BAB IV PENGUJIAN DAN ANALISIS

WARNA PERSIAPAN GRAFIKA GRAPHIC DESIGN

BAB II TINJAUAN PUSTAKA

ANALISIS SENSITIVITAS VISION SENSOR UNTUK MENDETEKSI WARNA

STUDI PENENTUAN NILAI RESISTOR MENGGUNAKAN SELEKSI WARNA MODEL HSI PADA CITRA 2D

IV. HASIL DAN PEMBAHASAN

Pengolahan Citra Warna 1 Semester Genap 2010/2011. Dr. Fitri Arnia Multimedia Signal Processing Research Group (MuSig) Jurusan Teknik Elektro-UNSYIAH

IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH

Tutorial GIMP 2: Penerapan Fitur pada Menu Colors (Pewarnaan)

Apa itu warna? Colour signal. Observ er. Obje ct. Light source

BAB 2 LANDASAN TEORI

BAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan

BAB 2 KONSEP DASAR PENGENAL OBJEK

PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK

Senior High School. Renewable & Clean Energy

BAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.

Intensity and Color. Pertemuan 12

IDENTIFIKASI PADA SERAGAM PERSONEL MILITER MENGGUNAKAN IMAGE PROCESSING IDENTIFICATION ON MILITARY PERSONNEL UNIFORM USING IMAGE PROCESSING

DAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi

Elementary School. Reduce Food Waste

Gambar 3.1 Contoh Citra yang digunakan

KONVERSI FORMAT CITRA RGB KE FORMAT GRAYSCALE MENGGUNAKAN VISUAL BASIC

BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM

BAB 2 LANDASAN TEORI

Mengenal Lebih Jauh Apa Itu Point Process

SATIN Sains dan Teknologi Informasi

ANALISIS DETEKSI WARNA MARKING PADA CAMSHAFT SEBAGAI IDENTIFIKASI TYPE BENDA KERJA

Pengolahan Citra Berwarna

Alat Koresi Warna & Tonal

PENDETEKSIAN OBJEK BOLA DENGAN METODE COLOR FILTERING HSV PADA ROBOT SOCCER HUMANOID

KLASIFIKASI TINGKAT KEMATANGAN BUAH PEPAYA (CARICA PAPAYA L) CALIFORNIA (CALLINA-IPB 9) DALAM RUANG WARNA HSV DAN ALGORITMA K-NEAREST NEIGHBORS

IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION

panjang atau bujur sangkar yang secara beraturan membentuk baris-baris dan

Teori Warna. S1 Tekinik Informatika. Disusun Oleh Dr. Lily Wulandari

IMPLEMENTASI ALGORITMA CONNECTED-LABELLING UNTUK MENDETEKSI OBJEK BINTANG PADA CITRA DIGITAL

PENGEMBANGAN APLIKASI PEMILIHAN BUAH TOMAT UNTUK BIBIT UNGGUL BERDASARKAN WARNA DAN UKURAN MENGGUNAKAN HSV DAN THRESHOLDING

PRAKTIKUM 2. MATRIK DAN JENIS CITRA

COLOR TEHORY. Ir Wahyu Catur Wibowo, M.Sc, Ph.D

BAB V PEMBAHASAN UMUM

BAB 3 IMPLEMENTASI SISTEM

BAB 4 HASIL DAN ANALISA

Transkripsi:

Thresholding Resty Wulanningrum,S.Kom Universitas Nusantara PGRI Kediri Deteksi Warna Mendeteksi adanya warna-warna tertentu Menentukan posisi pixel dengan warna yang ditentukan Aplikasi: Deteksi rambu-rambu lalu lintas, deteksi bola dengan warna tertentu, deteksi obyek berdasarkan warna, deteksi kulit (skin detection) 1

Threshold RGB Untuk warna-warna dasar, nilai RGB cukup efektif dalam melakukan deteksi meskipun cara ini bukan cara terbaik. Nilai threshold dapat dipelajari berdasarkan pola warna atau ditentukan secara intuitif, tetapi threshold RGB ini sangat rentan terhadap kestabilan cahaya Aplikasi untuk menentukan nilai threshold terbaik dalam suatu permasalahan dapat dilakukan menggunakan teknik-teknik machine learning. Contoh Threshold RGB Nilai threshold : R>163; 43<G<222, 32<B<250 2

Nilai Threshold RGB Nilai threshold : 112<R<168; 70<G<149, 44<B<118 Threshold HSV (Hue, Saturation, Value) Untuk warna-warna natural, nilai HSV cukup efektif dalam melakukan deteksi. Nilai threshold dapat dipelajari berdasarkan pola warna atau ditentukan secara intuitif. Dibandingkan dengan RGB, threshold HSV ini cenderung lebih stabil terhadap perubahan cahaya. Aplikasinya seperti pada threshold untuk warna buah, warna pada pemandangan atau warnawarna pada obyek yang bukan buatan manusia. 3

YCrCb Y = 0.299R+0.587G+0.114B Cr = R Y Cb = B Y Threshold YCrCb YCrCb adalah format warna Yellow, Crominan Red dan Crominan Blue. Range nilai masing-masing komponen : o 0 Y 255 o -255 Cr 255 o -255 Cb 255 4

Threshold YCrCb Nilai threshold : 41<R<145; 10<G<52, -16<B<-4 Color Thresholding Static Thresholding: nilai threshold dicari secara intuisi. Berarti kita harus mempelajari warna pada gambar dulu sebelum menentukan nilai threshold. Distance Threshold: nilai threshold adalah nilai batas jarak dari sebuah warna dengan warna referensi. Dynamic Threshold: nilai threshold dicari menggunakan algoritma searching atau klasifikasi. 5

Static Color thresholding 1, untuk r Ir, g Ig, b Ib P 0, untuk yang lain Dimana : Ir, Ig, Ib adalah interval untuk warna r, g dan b yang ditentukan secara spesifik Misalkan untuk mengambil warna merah dilakukan dengan: IF r>200 and g<64 and b<64 THEN warna=merah Nilai threshold Format RGB Pada format warna RGB 24 bit, maka nilai R, G dan B masingmasing 0-255 Warna R G B Hitam 0 0 0 Merah 255 0 0 Hijau 0 255 0 Biru 0 0 255 Kuning 255 255 0 Magenta 255 0 255 Cyan 0 255 255 Putih 255 255 255 Abu-Abu 127 127 127 Orange 255 110 0 Ungu 128 0 255 Coklat 128 25 0 Pink 255 190 220 Navy 0 0 120 6

Distance Color thresholding Bila diketahu warna acuan mempunyai nilai elemen warna c1, c2 dan c3. Maka setiap warna w1, w2 dan w3 dapat dihitung jaraknya dengan warna referensi dengan cara: d d i w i ci i w c i i 2 (Jarak Manhattan) (Jarak Euclidian) Nilai threshold ditentukan dengan besarnya jarak warna maksimum dari sebuah warna dan warna referensi. Dynamic Color Threshold Threshold dapat dipilih apakah threshold global atau threshold local Threshold menggunakan distance threshold dari warna-warna di sekitar obyek yang dimaksud 7

Color Thresholding Dinamik Dengan Rata-Rata Acuan Sebelumnya diambil gambar-gambar contoh sebagai acuan untuk menentukan threholding dari warna yang diinginkan. Dari data warna-warna tersebut diambil rata-rata dari setiap elemen warna: r g adalah rata - rata adalah rata - rata red green b adalah rata - rata blue Thresholding dilakukan dengan jarak d dari setiap rata-rata elemen warna Color Thresholding Dinamik Dengan Rata-Rata Acuan 8

Perbandingan Thresholding Static dan Dinamik Thresholding Dinamik Thresholding Static Aplikasi Color Detection SKIN DETECTION Menggunakan deteksi warna kulit (skin detection) dapat dilakukan menggunakan format RGB atau YCrCb Mendeteksi warna kulit banyak digunakan untuk aplikasi pengenalan wajah, deteksi badan atau anggota badan. Sangat sulit mendapatkan sistem deteksi warna kulit yang bersifat general, karena ada perbedaan warna kulit pada masing-masing ras (melayu, cina, eropa, latin atau afrika ) 9

Aplikasi Color Detection DETEKSI DAN PENGENALAN BUAH Setiap buah mempunyai warna yang spesifik Color thresholding dapat digunakan untuk mendeteksi dimana letak buah Color histogram dapat digunakan un tuk mengenali buah. Aplikasi Color Detection DETEKSI KEMATANGAN TOMAT Kematangan tomat dapat dibedakan menjadi tiga fase yaitu hijau, campurwarna dan merah Dengan deteksi warna RGB atau HSV atay YCrCb dapat dideteksi kematangan tomat 10

Aplikasi Color Detection DETEKSI RAMBU-RAMBU LALU LINTAS Deteksi rambu-rambu lalu lintas dapat dilakukan menggunakan color thresholding baik RGB atau HSV, karena rambu-rambu lalu lintas mempunyai warna dan bentuk yang spesifik. Deteksi rambu-rambu lalu lintas dapat digunakan untuk dipasang pada kendaraan sebagai co-pilot atau smart navigation 11