Archive for the ‘Multimedia’ Category

TEKSTUR DAN WARNA PADA IMAGE

Tekstur dan Warna pada Image/Gambar/Citra
Bila kita mengamati sebuah gambar, kita akan dapat dengan mudah menghubungkan daerah-daerah yang mempunyai kesamaan atau kemiripan nilai keabuan ataupun nilai warna menjadi suatu obyek atau suatu wilayah permukaan dari obyek yang terdapat didalam citra. Bahkan mata kita akan dapat memperhitungkan variasi pengurangan atau peningkatan intensitas suatu obyek atau daerah dalam citra selama permukaan obyek atau daerah itu mempunyai pola penampilan yang tetap. Hal ini dapat terjadi karena kita telah mengenal dengan baik obyek yang kita lihat dalam gambar tadi. Selain bentuk dan karakteristik obyek lainnya yang kita tangkap melalui mata, sebenarnya ada informasi lainnya yang turut membantu sehingga kita mampu membedakan dua wilayah yang berdekatan, atau dua obyek yang tumpang tindih, yaitu informasi tekstur, atau sifat dari permukaan obyek atau permukaan benda-benda tersebut didalam gambar yang kita amati.

Tekstur
Tekstur adalah sifat-sifat atau karakteristik yang dimiliki oleh suatu daerah yang cukup besar sehingga secara alami sifat-sifat tadi dapat berulang dalam daerah tersebut. Daerah yang kecil bila dibandingkan dengan elemen-elemen tekstur yang ada didalamnya, tidak dapat menunjukkan tekstur itu sendiri. Hal ini menimbulkan masalah tersendiri pada skala (jauh atau dekatnya jarak suatu obyek pemandangan dari kamera saat diambil, yang berakibat pada komposisi detail-detail informasi yang didapat) yang digunakan untuk mengekstrak sifat-sifat yang berhubungan pada suatu daerah. Sesungguhnya, tekstur yang sama bila dilihat dengan dua skala yang berbeda akan terlihat seperti dua tekstur yang berbeda, bila perbedaan skalanya cukup besar. Dengan skala yang semakin kecil atau rapat (jarak dengan kamera jauh saat pengambilan citra), akan semakin susah untuk mendapatkan tekstur dari permukaan yang diamati, karena perbedaan diantara permukaan obyek dalam citra menjadi lemah, sehingga terlihat sama.

Pengertian dari tekstur dalam hal ini kurang lebih adalah keteraturan pola-pola tertentu yang terbentuk dari susunan piksel-piksel dalam citra digital. Suatu permukaan dikatakan mempunyai suatu informasi tekstur, bila luasannya diperbesar tanpa mengubah skala, maka sifat-sifat permukaan hasil perluasan mempunyai kemiripan dengan permukaan asalnya. Dengan kata lain, pola-pola yang teratur tadi muncul secara berulang-ulang dengan interval jarak dan arah tertentu. Dengan demikian suatu permukaan tak berwarna dalam suatu citra dapat mengandung informasi tekstur bila permukaan itu mempunyai pola-pola tertentu seperti permukaan kayu bekas digergaji, permukaan batu, hamparan pasir atau rumput, dan sebagainya.
Jadi informasi tekstur dapat digunakan untuk membedakan sifat-sifat permukaan suatu benda dalam citra yang berhubungan dengan kasar dan halus, juga sifat-sifat spesifik dari kekasaran dan kehalusan permukaan tadi, yang sama sekali terlepas dari warna permukaan tersebut.

Syarat terbentuknya tekstur setidaknya ada dua, yaitu :
1.Adanya pola-pola primitif yang terdiri dari satu atau lebih piksel. Bentuk-bentuk pola primitif ini dapat berupa tiitk, garis lurus, garis lengkung, luasan, dan lain-lain yang merupakan elemen dasar dari sebuah bentuk.
2.Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.

ALgoritma SVM (Support Vector Machines)

Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition, usia SVM terbilang masih relatif muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasinya menempatkannya sebagai state of the art dalam pattern recognition. SVM adalah metode learning machine yang bekerja atas prinsip Structural Risk Minimization (SRM) dengan tujuan menemukan hyperplane terbaik yang memisahkan dua buah class pada input space.

KELEBIHAN DAN KEKURANGAN SVM

Kelebihan SVM antara lain sbb.
1. Generalisasi
Generalisasi didefinisikan sebagai kemampuan suatu metode (SVM, neural network, dsb.) untuk mengklasifikasikan suatu pattern, yang tidak termasuk data yang dipakai dalam fase pembelajaran metode itu. Vapnik menjelaskan bahwa generalization error dipengaruhi oleh dua faktor: error terhadap training set, dan satu faktor lagi yang dipengaruhi oleh dimensi VC (Vapnik-Chervokinensis).
2. Curse of dimensionality
Curse of dimensionality didefinisikan sebagai masalah yang dihadapi suatu metode pattern recognition dalam mengestimasikan parameter dikarenakan jumlah sampel data yang relatif sedikit dibandingkan dimensional ruang vektor data tersebut. Semakin tinggi dimensi dari ruang vektor informasi yang diolah, membawa konsekuensi dibutuhkannya jumlah data dalam proses pembelajaran. Pada kenyataannya seringkali terjadi, data yang diolah berjumlah terbatas, dan untuk mengumpulkan data yang lebih banyak tidak mungkin dilakukan karena kendala biaya dan kesulitan teknis. Dalam kondisi tersebut, jika metode itu “terpaksa” harus bekerja pada data yang berjumlah relatif sedikit dibandingkan dimensinya, akan membuat proses estimasi parameter metode menjadi sangat sulit
4. Feasibility
SVM dapat diimplementasikan relative mudah, karena proses penentuan support vector dapat dirumuskan dalam QP problem. Dengan demikian jika kita memiliki library untuk menyelesaikan QP problem, dengan sendirinya SVM dapat diimplementasikan\ dengan mudah. Selain itu dapat diselesaikan dengan metode sekuensial sebagaimana penjelasan sebelumnya.

Disamping kelebihannya, SVM memiliki kelemahan atau keterbatasan, antara lain:
1. Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah sample yang diolah.
2. SVM secara teoritik dikembangkan untuk problem klasifikasi dengan dua class. Dewasa ini SVM telah dimodifikasi agar dapat menyelesaikan masalah dengan class lebih dari dua, antara lain strategi One versus rest dan strategi Tree Structure. Namun demikian, masing-masing strategi ini memiliki kelemahan, sehingga dapat dikatakan penelitian dan pengembangan SVM pada multiclass-problem masih merupakan tema penelitian yang masih terbuka.

Iklan

SOUND/AUDIO

Audio Processing

Merupakan proses untuk memperbaiki, mengenali dan melakukan segala macam suara ke dalam media digital(proses digitalisasi). Atau juga membuat sinyal suara (analog) menjai sinyal digital dalam kuantisasi.

ANALOG TO DIGITAL CONVERSION (ADC)

 

Adalah proses mengubah amplitudo gelombang bunyi ke dalam waktu interval tertentu (disebut juga sampling), sehingga menghasilkan representasi digital dari suara.

Sampling rate : beberapa gelombang yang diambil dalam satu detik.

DIGITAL TO ANALOG CONVERTER (DAC)

Adalah proses mengubah digital audio menjadi sinyal analog. DAC biasanya hanya menerima sinyal digital Pulse Code Modulation (PCM). PCM adalah representasi digital dari sinyal analog, dimana gelombang disample secara beraturan berdasarkan interval waktu tertentu, yang kemudian akan diubah ke biner. Proses pengubahan ke biner disebut Quantisasi.

PCM ditemukan oleh insinyur dari Inggris, bernama Alec Revees pada tahun 1937.

Contoh DAC adalah: soundcard, CDPlayer, IPod, mp3player

Nyquist theorem

Adalah Shud frekuensi sampling lebih besar dari maksimal komponen. Frekuensi juga berlaku untuk Fiber Optik atau hanya untuk kawat tembaga. Nyquist Theorem yang merupakan ekspresi mathermatical, sehingga independen dari bahan apa yang keseringan diukur Ketika sebuah sampel dengan seringnya Frekuensi f maka frekuensi sampel harus diukur dua kali satu (2f).Menjadi sinyal yang lebih tepat seharusnya tidak berisi dengan spektrum Fourier atau sinus frequnce f cosines di atas, maka oleh sampel di 2f Anda dapat kembali sinyal.

Menurut teorema Nyquist ,urutan waktu diskrit dari sebuah fungsi kontinu sampel {V (tn = n Ts)} berisi informasi yang cukup untuk mereproduksi fungsi V = V (t) tepatnya ketentuan bahwa laju sampling (fs = 1/Ts) setidaknya dua kali frekuensi tertinggi yang terkandung dalam sinyal asli V (t):

[Teorema Nyquist]  di mana:

FS = 1/TS – frekuensi sampling
V (t) – nilai sinyal (tegangan) pada waktu yang sewenang-wenang t
V [n] = V (n TS) – nilai sinyal pada waktu t = n TS

 

 

Signal to Noise Ratio (SNR)

ialah Perbandingan (ratio) antara kekuatan Sinyal (signal strength) dengan kekuatan Derau (noise level).Nilai SNR dipakai untuk menunjukkan kualitas jalur (medium) koneksi. Makin besar nilai SNR, makin tinggi kualitas jalur tersebut. Artinya, makin besar pula kemungkinan jalur itu dipakai untuk lalu-lintas komunikasi data & sinyal dalam kecepatan tinggi.Nilai SNR suatu jalur dapat dikatakan pada umumnya tetap, berapapun kecepatan data yang melalui jalur tersebut. .SNR tidak sama dengan SNRM, namun keduanya saling berkaitan erat satu sama lainnya. Satuan ukuran SNR dan SNRM adalah decibel (dB) . logarithmic.

Meskipun dituliskan dengan cara/nama (label) yg berbeda² (SNR, SNR Margin, Noise Margin, Margin, Receive Margin, dsb) pada tiap merk & model modem/router ADSL, yang dilapokan oleh alat itu sebenarnya adalah nilaiSNRM, bukan nilai SNR[kecuali kalau disebutkan demikian secara spesifik pada manual peralatan].

Signal to Noise Margin (SNRM)

  1. Perbedaan (margin) atau Perbandingan Relatif antara Kekuatan Sinyal ADSL dengan Derau (noise) yang ada pada jalur komunikasi.
  2. Perbedaan antara nilai SNR_Sebenarnya dari suatu jalur komunikasi dengan SNR_yg_Dibutuhkan oleh jalur tersebut supaya bisa dipakai untuk menyelenggarakan komunikasi pada suatu tingkat kecepatan tertentu.

Contoh:  Misalkan diketahui bahwa kecepatan sebesar 384 kbps membutuhkan tingkat SNR sebesar 20 dB. Diketahui pula bahwa ternyata nilai SNR sebenarnya dari jalur yang dipakai tersebut adalah 45 dB. Maka dapat dihitung bahwa nilai SNRM nya adalah 25 dB, yaitu

SNRM = SNR_Sebenarnya – SNR_yg_Dibutuhkan = 45 dB – 20 dB = 25 dB

 

Audio Filtering

Filtering merupakan istilah untuk memangkas habis gain suara dari frekuensi-frekuensi tertentu dan meloloskan frekuensi-frekuensi yang kita inginkan agar suara tetap terdengar. Filtering yang paling umum digunakan adalah filter untuk memotong frekuensi low yang biasa disebut dengan low cuts (disebut juga dengan high-pass filters) dan filter untuk memotong frekuensi high yang disebut dengan high-cuts (disebut juga dengan low-pass filters).
Filter lain yang juga sering digunakan adalah band-pass filters yang berarti meninggalkan frekuensi tertentu yang diinginkan sambil memangkas habis frekuensi lainnya, dan notch filters yang berarti memangkas habis salah satu frekuensi.

Teknik filtering banyak digunakan untuk menyaring (filter) frekuensi agar mendapat suara yang kita inginkan tanpa adanya gangguan dari frekuensi yang tidak kita inginkan.

Image/Gambar/Citra

Gambar/Graphics/citra merupakan suatu fungsi dengan nilai-nilai yang berupa intensitas cahaya pada tiap-tiap titik pada bidang yang telah diquantisasikan (diambil sampelnya pada interval diskrit). Komponen gambar/grafis merupakan unsur yang mendominasi sebuah presentasi multimedia

Nilai intensitas warna pada suatu pixel disebut gray scale level.

1 bit → binary-valued image (0 – 1)

8 bits → gray level (0 – 255)

16 bits → high color (216)

24 bits → 224 true color

Chapter 2 – “Teks, Gambar dan Grafik”

Antonius Rachmat, S.Kom & Alphone Roswanto, S.Kom

32 bits → true color (232)

Format gambar digital memiliki 2 parameter:

􀂃 spatial resolution pixels X pixels

􀂃 color encoding bits / pixel

Elemen Dasar Citra Digital

  1. Kecerahan (Brightness)

–Kecerahan : intensitas cahaya rata-rata dari suatu area yang melingkupinya.

  1. Kontras (Contrast)

–Kontras : sebaran terang (lightness)dan gelap (darkness)di dalam sebuah citra.

–Citra dengan kontras rendah komposisi citranya sebagian besar terang atau sebagian besar gelap.

–Citra dengan kontras yang baik, komposisi gelap dan terangnya tersebar merata.

  1. Kontur (Contour)

–Kontur : keadaan yang ditimbulkan oleh perubahan

intensitas pada pixel-pixel tetangga, sehingga kita dapat

mendeteksi tepi objek di dalam citra.

  1. Warna (Color)

–Warna : persepsi yang dirasakan oleh sistem visual

manusia terhadap panjang gelombang cahaya yang

dipantulkan oleh objek.

–Warna-warna yang dapat ditangkap oleh mata manusia

merupakan kombinasi cahaya dengan panjang berbeda.

Kombinasi yang memberikan rentang warna paling lebar

adalah red (R), green(G)dan blue (B).

  1. Bentuk (Shape)

-Bentuk : properti intrinsic dari objek tiga dimensi, dengan pengertian bahwa bentuk merupakan

properti intrinsik utama untuk visual manusia.

–Umumnya citra yang dibentuk oleh manusia merupakan 2D, sedangkan objek yang dilihat adalah 3D.

  1. Tekstur (Texture)

–Tekstur : distribusi spasial dari derajat keabuan di dalam sekumpulan pixel-pixel yang bertetangga.

Ukuran gambar bergantung pada format representasi gambar yang dipergunakan untuk transmisi.

Transmisi berdasar format representasi gambar :

1. Raw image data transmission

• Gambar di-generate melalui video digitizer dan ditransmisikan dalam format digital dari video digitizer.

• Kapasitas transmisi = spatial resolution * pixel quantization

Contoh :

Gambar dengan resolusi 640 x 480 pixel dengan pixel quantization 8 bit per pixel. Maka untuk transmisi diperlukan 307200 bytes pada jaringan komputer.

2. Compressed image data transmission

• Gambar di-generate oleh video digitizer dan dikompres terlebih

dahulu sebelum ditransmisikan.

• Penurunan ukuran gambar tergantung pada metode kompresi dan

compression rate yang dipergunakan.

• Contoh : JPEG, MPEG

3. Symbolic image data transmission

• Gambar di presentasikan melalui symbolic data representation sebagai image primitive (bentuk dasar 2D atau 3D), atribut, dan informasi kontrol lain.

• Metode ini dipergunakan dalam computer graphics

FORMAT FILE GAMBAR

  • Bitmap (.BMP)
  • Joint Photographic Expert Group (.JPEG/JPG)
  • Graphics Interchange Format (.GIF)
  • Portable Network Graphics (.PNG)
  1. Bitmapped graphics
  2. Vector graphics