| Judul Buku | : | PENGOLAHAN CITRA DIGITAL KONSEP DAN TEORI | |
| Pengarang | : | Fajar AStuti Hermawati | |
| Penerbit | : | Andi | |
| Cetakan | : | Ke-1 | |
| Tahun Terbit | : | 2013 | |
| Bahasa | : | Indonesia | |
| Jumlah Halaman | : | 290 hlm | |
| Kertas Isi | : | HVS | |
| Cover | : | Soft | |
| Ukuran | : | 16 x 23 cm | |
| Berat | : | 400 gram | |
| Kondisi | : | Baru | |
| Harga | : | Rp 64,000 | diskon |
| Bayar | : | Rp 51.100 | |
DAFTAR
ISI
BAB I PENDAHULUAN -- 1
1.1.
Tujuan Pengolahan Citra Digital -- 1
1.2. Contoh Aplikasi Pengolahan Citra Digital –
1 1.3. Definisi Citra Digital -- 3
1.4.
Sistem Perekaman Citra -- 4
1.5. Elemen Fungsi Dasar Sistem Pengolahan Citra –
5 1.6. Elemen-elemen Sistem Analisis Citra -- 6
1.7.
Metodologi Pengolahan Citra -- 6
BAB II DASAR CITRA DIGITAL -- 11
2.1.
Struktur Mata Manusia -- 11
2.2.
Image Sampling & Quantization -- 14
2.3.
Representasi Citra Digital -- 15
2.4. Resolusi Spasial & Grey Level (Brightness) – 17
2.5. Zooming & Shrinking Digital Images -- 19
2.6. Beberapa Dasar Hubungan Antar-piksel -- 21
2.6.1. Tetangga Sebuah Pixel -- 21
2.6.2. Adjacency -- 21
2.6.3. Ukuran Jarak (Distance Measures) -- 23
BAB III PENINGKATAN MUTU CITRA PADS DOMAIN
SPASIAL -- 27
3.1. Tujuan Peningkatan Mutu Citra (Image Enhancement) 27
3.2.
Teknik Peningkatan Mutu -- 27
3.3.
Peningkatan Mutu Citra pads Domain Spasial -- 28
3.4.
Point Processing -- 28
3.4.1
Image Negative -- 29
3.4.2 Log Transformation -- 31
3.4.3 Power Law Transformation -- 32
3.4.4 Contrast Stretching -- 34
3.4.5 Pengolahan Histogram -- 36
3.4.5.1.
Histogram Equalization -- 38
3.4.5.2.
Histogram Processing specific grey-level (hist. specification) -- 41
3.4.5.3.
Histogram Equalization Specific Area (Local Enhancement) -- 47
3.4.5.4.
Penggunaan Histogram Statistic Untuk Image Enhancement -- 48
3.4.6.
Peningkatan Mutu Citra Dengan Operasi Aritmatik & Logik -- 53
3.4.6.1. Operasi logik AND dan OR -- 53
3.4.6.2. Operasi Pengurangan Pada Citra (Image
Substraction ) -- 55
3.4.6.3.
Operasi Penjumlahan Pada Citra -- 57
3.4.6.4. Image Averaging -- 58
3.5.
Mask Processing -- 59
3.5.1. Smoothing filters -- 59
3.5.2. Sharpening Spatial Filter -- 65
3.5.2.1.
Teori Dasar -- 65
3.5.2.2.
Penggunaan Turunan Kedua (Laplacian Filter) 67
3.5.2.3.
High-boost filter -- 70
3.5.2.4. Penggunaan Turunan Pertama (Gradien /
Derivative Filter) -- 71
BAB IV PENINGKATAN MUTU CITRA PADS DOMAIN
FREKUENSI -- 83
4.1.
Transformasi Ruang -- 83
4.2. Transformasi Fourier -- 83
4.2.1.
Transformasi Fourier 1 Dimensi 85
4.2.2.
Transformasi Fourier 2 dimensi 88
4.3.
Filtering pads Domain Frekuensi -- 91
4.3.1. Lowpass Filter pads Domain Frekuensi -- 95
4.3.1.1
Ideal Lowpass filter -- 96
4.3.1.2.
Butterworth Lowpass Filter -- 97
4.3.1.3. Gaussian Lowpass Filter -- 98
4.3.1.4. Contoh Aplikasi Lowpass Filter -- 99
4.3.2.
Highpass Filter -- 100
4.3.2.1. Ideal Highpass Filter -- 101
4.3.2.2
Butterworth Highpass Filter -- 102
4.3.2.3
Gaussian Highpass Filter -- 102
4.4.
Aplikasi Transformasi Fourier Untuk Deteksi Plat Nomor Kendaraan -- 103
BAB V RESTORASI CITRA -- 109
5.1.
Model dari Proses Degradasi / Restorasi Citra 109
5.2.
Model Noise -- 110
5.2.1. Noise Probability Density Functions -- 111
5.2.2.
Estimasi Parameter Noise -- 117
5.3
Restorasi Terhadap Noise -- 118
5.3.1 Mean Filter -- 118
5.3.1.1 Arithmetic Mean Filter -- 118
5.3.1.2 Geometric Mean Filter -- 120
5.3.1.3 Harmonic Mean Filter -- 122
5.3.1.4
Contraharmonic Mean Filter -- 124
5.3.2 Order Statistic Filter – 126
5.3.2.1
Median Filter -- 126
5.3.2.2
Max and Min Filter -- 127
5.3.2.3
Midpoint filter -- 130
5.3.2.4
Alpha-trimmed mean filter 131
5.3.3
Adaptive-Filters -- 133
5.3.3.1
Local noise reduction filter 133
5.3.3.2
Adaptive Median Filter -- 135
5.3.4 Periodic Noise Reduction dengan Filtering Domain Frekuensi -- 137
5.3.4.1 Band-reject Filter -- 137
5.3.4.2
Band-pass Filter -- 138
BAB VI KOMPRESI CITRA -- 143
6.1. Dasar Kompresi Citra -- 144
6.1.1. Coding Redundancy -- 145
6.1.2.
Interpixel Redundancy -- 146
6.1.3.
Psychovisual Redundancy -- 149
6.1.4.
Fidelity Criteria -- 150
BAB VII SEGMENTASI CITRA -- 163
7.1. Deteksi Discontinuity -- 163
7.1.1.
Deteksi Titik -- 164
7.1.2.
Deteksi Garis -- 165
7.1.3.
Deteksi Tepi -- 167
7.1.3.1.
Deteksi Tepi Dengan Operator Sobel -- 170
7.1.3.2.
Deteksi Tepi Dengan Marr-Hilderth Operator 173
7.1.3.3.
Deteksi Tepi Dengan Canny Operator -- 178
7.2. Edge Linking dan Boundary Detection -- 180
7.2.1. Local Processing -- 181
7.2.2 Global Processing dengan
Hough Transform -- 181
7.2.3 Pemrosesan Global Melalui Teori Graph -- 184
7.3. Threshold ing -- 187
7.3.1. Pengertian Dasar 187
7.3.2. Aturan Illuminasi 188
7.3.3. Basic Global Threshold
ing -- 190
7.3.4. Basic Adapter Threshold
ing -- 193
7.3.5. Optimal Thresholding -- 195
7.3.6. Basic Adapter Threshold ing -- 197
7.3.7. Optimal dan Adaptive Thresholding -- 198
7.4. Region Based Segmentation -- 199
7.4.1.
Region Growing -- 199
7.4.2. Region Splitting and Merging -- 200
LAMPIRAN A
Aijabar Linier dan Matriks -- 203
A.1.Persamaan Linier & Matriks -- 203
A.2. Penyelesaian Persamaan
Linear dengan Matriks 204
A.2.1. Bentuk Eselon-Baris -- 204
A.2.2. Operasi Eliminasi Gauss -- 205
A.2.3. Operasi Eliminasi Gauss-Jordan -- 207
A. 3 Operasi Dalam Matriks -- 209
A.3.1. Matriks Balikan (Invers) -- 209
A.3.2. Matriks Transpose -- 211
A.3.3. Matriks Diagonal -- 212
A.3.4. Matriks Segitiga 213
A.3.5. Matriks Simetris 214
A. 4 Determinan -- 215
A.4.1. Determinan dengan Minor
dan kofaktor -- 216
A.4.2. Determinan dengan
Ekspansi Kofaktor Pada Baris Pertama -- 217
A.4.3. Determinan dengan
Ekspansi Kofaktor Pada Kolom Pertama -- 217
A.4.4. Adjoin Matriks, 3 x 3 -- 219
A.4.5. Determinan Matriks Segitiga
Atas -- 219
A.4.6. Metode Cramer -- 220
A.4.7. Tes Determinan untuk
Invertibilitas -- 221
A.4.8. Mencari Determinan
dengan Cara Sarrus -- 221
A.4.9. Menghitung Inverse dari Matrix 3 x 3 222
A.4.10. Sistem Linear Dalam Bentuk Ax = Ax 222
A.S. Vektor dalam Ruang Euklide 224
A.5.1. Euklidian dalam n-Ruang 224
A.5.2. Contoh Penggunaan Vektor dalam Ruang Dime 225
A.5.3. Menemukan norm dan jarak
-- 227
A.5.4. Bentuk Newton -- 227
A.5.5. Operator Refleksi -- 227
A.5.6. Operator Proyeksi -- 228
A.5.7. Operator Rotasi -- 228
A.5.8. Interpolasi Polinomial.-- 229
LAMPIRAN
B Pengantar MATLAB -- 233
B.1.
Latar Belakang Matlab --
233
B.2.
Lingkungan Kerja Matlab
-- 234
B.2.1. Matlab Desktop -- 234
B.3.
Ekspresi Dalam Matlab --
237
B.3.1. Variable -- 237
B.3.2. Bilangan 237
B.3.3. Operator 238
B.3.4. Fungsi -- 238
BA Manipulasi Matriks Dalam Matlab -- 240
B.4.1. Notasi Matriks 240
B.4.2. Indeks Matriks 241
B.4.3. Membangun Matriks -- 243
B.4.4.
Penggabungan Matriks -- 243
B.4.5.
Operasi Matriks -- 244
B.4.6. Menghapus Baris dan Kolom -- 245
B.4.7. Penarikan Informasi dari Matriks -- 246
B.5. Scripting di Matlab -- 248
B.6.
User-Defined Function --
251
B.7.
Pengolahan Citra Dengan
Matlab -- 251
B.7.1. Indexed Image -- 252
B.7.2.
Intensity Image -- 252
B.7.3.
Binary Image -- 254
B.7.4.
RGB Image -- 254
B.7.5. Membaca dan Menampilkan Citra -- 255
B.7.6. Merubah Citra RGB ke Citra Intensitas -- 256
B 7.7. Perbaikan Mutu Citra
Dengan Toolbox Image Processing -- 256
B.7.7.1.
Histogram -- 256
B.7.7.2.
Histogram Equalization -- 257
LAMPIRAN C Statistika dan Probabilitas -- 259
CA.Elernen Statistik -- 259
C.2.
Distribusi Frekuensi -- 260
C.2.1.
Frekuensi Relatif -- 261
C.2.2.
Frekuensi Kumulatif -- 261
C.2.3.
Diagram -- 262
C.2.4. Kurva Frekuensi dan
Poligon Frekuensi yang Dimuluskan -- 264
C.3.
Ukuran Bagi Data -- 266
C.3.1. Ukuran Bagi Data yang Dikelompokkan 266
C.
3.1.1. Nilaitengah (mean) Populasi -- 266
C.
3.1.2. Nilaitengah (mean) Contoh -- 267
C.
3.1.3. Median -- 267
C.
3.1.4. Modus -- 268
C.
3.1.5. Konsep Nilai -- 269
C.3.2. Ukuran Bagi Data yang Tersusun -- 269
C.3.3. Ukuran Penyebaran /ukuran keragaman 272
C.3.3.1.
Wilayah(range) -- 273
C.3.3.2.
Ragam(variansi) -- 273
C.4. Distribusi Peluang -- 276
CAL
Variabel Acak (Random Variable) -- 276
C.4.2. Distribusi Peluang
Diskrit -- 276
C.4.2.1.
Distribusi Binomial (Binom) -- 278
C.4.2.2. Distribusi Poisson -- 280
C.4.2.3.
Distribusi Hipergeometrik -- 282
C.4.2.4.
Distribusi Normal -- 283
C.4.2.5.
Beberapa Pendekatan Penting -- 285
C.S. Kaidah Bayes -- 287
C.5.1. Dalil Peluang Total
(Kaidah Eliminasi) -- 288
C.5.2. Rumus Kaidah Bayes -- 289
Share This Article
0 comments:
Posting Komentar