PROYEK AKHIR
IMAGE DATABASE MENGGUNAKAN SISTEM CONTENT BASED IMAGE RETRIEVAL
DENGAN EKSTRAKSI FITUR TERSTRUKTUR
Oleh : Bayu Bagus NRP: 7404.030.055
Dosen Pembimbing : Nana Ramadijanti, S.Kom, M.kom NIP:
132.206.161
Rengga Asmara, S.Kom, OCA NIP: 132.310.244
JURUSAN TEKNOLOGI INFORMASI POLITEKNIK ELEKTRONIKA NEGERI
SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2007
PROYEK AKHIR
IMAGE DATABASE MENGGUNAKAN SISTEM CONTENT BASED IMAGE RETRIEVAL
DENGAN EKSTRAKSI FITUR TERSTRUKTUR
Oleh : Bayu Bagus NRP: 7404.030.055
JURUSAN TEKNOLOGI INFORMASI POLITEKNIK ELEKTRONIKA NEGERI
SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2007
IMAGE DATABASE MENGGUNAKAN SISTEM CONTENT BASED IMAGE RETRIEVAL
DENGAN EKSTRAKSI FITUR TERSTRUKTUR Oleh : Bayu Bagus 7404.030.055
Diajukan sebagai salah satu syarat untuk menyelesaikan Studi pada
Program Pendidikan Diploma III Politeknik Elektronika Negeri
Surabaya-ITS
Surabaya, Juli 2007 Disetujui oleh : Tim Penguji Proyek Akhir :
Dosen Pembimbing : Dosen Penguji I Dosen Pembimbing I
Arif Basofi S.Kom NIP: 132.303.872 Dosen Penguji II
Nana Ramadijanti, S.Kom, M.Kom NIP: 132.206.161 Dosen Pembimbing
II
Wiratmoko Yuwono S.T NIP: 132.316.238 Dosen Penguji III
Rengga Asmara, S.Kom, OCA NIP: 132.310.244
Setiawardhana S.T NIP: 132.310.243 Mengetahui, Ketua Jurusan
Teknologi Informasi
Iwan Syarif, S.Kom, M.Kom NIP: 132.134.725
ABSTRAKContent Based Image Retrieval System (CBIR) adalah teknik
untuk mencari gambar yang berhubungan dan mempunyai karakteristik
dari sebuah sekumpulan gambar. Pada proyek akhir ini digunakan
Shape (bentuk) sebagai ekstraksi fitur dari gambar baik gambar
query maupun gambar yang ada pada sekumpulan gambar. Kemudian untuk
proses matching antara gambar query dengan gambar target yang ada
pada sekumpulan gambar dilakukan perhitungan jarak (Euclidean
distance) dari gambar query dengan gambar target pada sekumpulan
gambar. Nilai jarak yang paling minimal merupakan gambar yang
memiliki kemiripan dengan gambar query. CBIR dengan metode shape
ini lebih cocok digunakan pada gambar-gambar yang memiliki
background atau latar belakang yang polos yang komplek serta ukuran
gambar yang tidak terlalu jauh.
Kata kunci : content based image retrieval system, bentuk,
metode euclidean distance.
i
ABSTRACTContent Based Image Retrieval System (CBIR) is the set
of techniques for retrieving relevant images from an image database
based on automatically-derived image feature. In this final
project, shape is used to extracting the feature from image, wheter
it is a query image or a target image on database. Afterwards, by
calculating the Euclidean distance value of image query and target
image on database does the matching process between query image and
target image. The distance that smallest value is the image that
has similar characteristic with image query. CBIR with shape
feature more suitable for used to pictures have simple background
and the pictures must have small different size each other. Key
Words : content based image retrieval system, shape, euclidean
distance.
ii
KATA PENGANTARDengan mengucap puji syukur kepada Allah SWT, atas
limpahan rahmat dan hidayahNya, serta perlindungan, pertolongan dan
ridho-Nya kepada kami sehingga kami dapat menyelesaikan Proyek
Akhir ini tepat pada waktunya, serta tak terlupakan iringan salam
dan sholawat bagi junjungan kami Nabi Muhammad SAW. Dengan
pengerahan segenap usaha kami akhirnya kami dapat menyelesaikan
proyek akhir kami yang berjudul :
IMAGE DATABASE MENGGUNAKAN SISTEM CONTENT BASED IMAGE RETRIEVAL
DENGAN EKSTRAKSI FITUR TERSTRUKTURBuku proyek akhir ini diajukan
guna memenuhi persyaratan kurikulum pada tahap akhir semester VI di
Politeknik Elektronika Negeri Surabaya. Penulis telah bersikeras
sekuat tenaga dan pikiran dengan harapan hasil yang sebaik mungkin,
namun penulis menyadari sepenuhnya bahwa buku ini masih banyak
kekurangannya. Untuk itu penulis mohon maaf yang sebesar-besarnya
dan sangat mengharapkan saran dan kritik dari semua pembaca agar
kekurangan dan kesalahan dapat diperbaiki demi sempurnanya buku
ini. Demikian uraian singkat ini, besar harapan buku proyek akhir
ini bermanfaat bagi penulis serta bagi pembaca pada umumnya untuk
menambah pengetahuan.
Surabaya, Juli 2007
Penulis
iii
UCAPAN TERIMA KASIHMelalui kesempatan ini, penulis ingin
menyampaikan ucapan terima kasih dari dalam hati atas selesainya
tugas akhir ini. Khususnya rasa syukur kepada Allah SWT yang telah
banyak memberikan kekuatan dan rahmat-Nya kepada penulis. Dan tanpa
menghilangkan rasa hormat yang mendalam saya mengucapkan terima
kasih kepada pihak-pihak yang telah membantu saya antara lain : 1.
Ayah dan Bunda tercinta, atas doa dan dukungannya yang selalu
diberikan kepadaku. 2. Semua adik adikku yang telah menyemangatiku.
3. Para Alim Ulama yang secara tidak langsung telah mendoakanku
dengan tulus. 4. Bapak Dr Ir Titon Dutono M.Eng, selaku Direktur
Politeknik Elektronika Negeri Surabaya. 5. Bapak Iwan Syarif,
selaku Ketua Jurusan Teknologi Informasi Politeknik Elektronika
Negeri Surabaya. 6. Ibu Nana Ramadijanti S.Kom M.Kom, selaku dosen
pembimbing I, terima kasih atas bantuan dan kesabarannya dalam
memberikan bimbingan, dan masukan-masukan disetiap kesempatan
selama mengerjakan tugas akhir. 7. Bapak Rengga Asmara S.Kom, OCA
selaku dosen pembimbing II, yang juga banyak memberikan bimbingan,
masukan dan pandangan-pandangan dalam menyelesaikan tugas akhir
ini. 8. Seluruh Dosen dan karyawan di Politeknik Elektronika Negeri
Surabaya atas fasilitas dan waktu yang diberikan. 9. Nescafe, Kopi
kemasan sachet yang setia menemani dan banyak membantu dalam
menemukan ide-ide maupun logika yang cemerlang. 10. Temanku Rizal
Mashuri yang telah membuatku merasa senasib-sepenanggungan. 11.
Rekanku Teknisi Laboratorium Sun Training Center PENSITS
(ferry/vanfier, andy/vesa, fatikh/conman, satria/ubul) yang setiap
harinya selalu menghiburku dan mendukungku. 12. Seluruh rekan yang
telah banyak membantu saya dalam menyelasaikan Proyek Akhir ini.
Sekali lagi penulis mengucapkan banyak terima kasih yang tak
terhingga semoga Allah SWT membalas atas semua kebaikan dan bantuan
dari kalian semua.
iv
DAFTAR ISIHALAMAN DEPAN LEMBAR PENGESAHAN ABSTRAK
................................................................................................
i
ABSTRACT..............................................................................................
ii KATA
PENGANTAR..............................................................................
iii UCAPAN TERIMA
KASIH....................................................................
iv DAFTAR
ISI.............................................................................................
v DAFTAR
GAMBAR................................................................................
viii DAFTAR TABEL
....................................................................................
x BAB I PENDAHULUAN 1.1. Latar belakang
....................................................................................
1 1.2. Maksud dan
Tujuan.............................................................................
2 1.3. Permasalahan
......................................................................................
2 1.4. Batasan
Masalah..................................................................................
3 1.5. Metodologi
.........................................................................................
3 1.6. Sistematika
Studi.................................................................................
5 BAB II TEORI PENUNJANG 2.1. Pengolahan Gambar Digital
................................................................ 7
2.2. Mode
Warna........................................................................................
8 2.3. Piksel
..................................................................................................
9 2.4. Garis
..................................................................................................
9 2.5.
Grayscale.............................................................................................
10 2.6. Segmentasi
..........................................................................................
10 2.7. Deteksi Tepi
........................................................................................
11 2.8. Content Based Image Retrieval System
.............................................. 13
v
2.9. Perangkat Lunak Pemrograman VISUAL C++ dengan
MFC............. 15 BAB III PERENCANAAN DAN PEMBUATAN 3.1.
Algoritma System
...............................................................................
43 3.2. Blok Diagram
.....................................................................................
44 3.3. Freeman Code
.....................................................................................
44 3.4. First Different Code
............................................................................
47 3.5. Normalisasi
Data.................................................................................
48 3.6. Euclidean
Distance..............................................................................
49 3.7. Gambar
Query.....................................................................................
51 3.8. Graphical User Interface
.....................................................................
52 BAB IV PENGUJIAN PROGRAM 4.1. Hasil Pengujian Pada Gambar
Primitif ............................................... 54 4.1.1.
Pengujian pada gambar bujur sangkar
...................................... 54 4.1.2. Pengujian pada
gambar persegi panjang................................... 55 4.1.3.
Pengujian pada gambar
segitiga................................................ 56 4.1.4.
Pengujian pada gambar
lingkaran............................................. 57 4.2.
Hasil Pengujian Pada pengujian sistem luas gambar
...................... 58 4.2.1. Pengujian pada gambar ikan glodok
......................................... 58 4.2.1.1. Hasil data
yang didapat pada pengujian ikan glodok......... 58 4.2.1.2 Analisa
pada hasil pengujian dengan ikan glodok ............. 59 4.2.2.
Pengujian pada gambar ikan nila
.............................................. 60 4.2.2.1. Hasil
data yang didapat pada pengujian ikan nila.............. 61
4.2.2.2. Analisa pada hasil pengujian dengan ikan nila
.................. 62 4.2.3. Pengujian pada gambar ikan manggasius
................................. 63 4.2.3.1 Hasil data yang
didapat pada pengujian ikan manggasius .. 64 4.2.3.2. Analisa pada
hasil pengujian dengan ikan manggasius ..... 65 4.2.4. Pengujian
pada gambar ikan mujaer .........................................
66
vi
4.2.4.1. Hasil data yang didapat pada pengujian ikan
mujaer............. 67 4.2.4.2. Analisa pada hasil pengujian dengan
ikan mujaer ................ 68 4.3. Hasil Pengujian Pada pengujian
sistem keseluruhan luas gambar ...... 71 4.3.1 Pengujian pada
gambar ikan glodok ......................................... 71
4.3.1.1 Hasil data yang didapat pada pengujian ikan glodok
.......... 71 4.3.1.2 Analisa pada hasil pengujian dengan ikan
glodok .............. 72 4.3.2 Pengujian pada gambar ikan nila
.............................................. 74 4.3.2.1 Hasil
data yang didapat pada pengujian ikan nila ............... 74
4.3.2.2 Analisa pada hasil pengujian dengan ikan nila
................... 75 4.3.3 Pengujian pada gambar ikan
manggasius.................................. 77 4.3.3.1 Hasil data
yang didapat pada pengujian ikan manggasius .. 77 4.3.3.2 Analisa
pada hasil pengujian dengan ikan manggasius....... 78 4.3.4
Pengujian pada gambar ikan mujaer
......................................... 79 4.3.4.1 Hasil data
yang didapat pada pengujian ikan mujaer.............. 79 4.3.4.2
Analisa pada hasil pengujian dengan ikan mujaer .................
81
BAB V KESIMPULAN DAN SARAN 5.1. Kesimpulan
.........................................................................................
84 5.2. Saran
..................................................................................................
84 DAFTAR PUSTAKA
vii
DAFTAR GAMBARGambar 1.1 Gambar 1.2 Gambar 2.1 Gambar 2.2 Gambar
2.3 Gambar 2.4 Gambar 2.5 Gambar 2.6 Gambar 2.7 Gambar 2.8 Gambar
2.9 Gambar 2.10 Gambar 2.11 Gambar 2.12 Gambar 2.13 Gambar 3.1
Gambar 3.2 Gambar 3.3 Gambar 3.4 Gambar 3.5 Gambar 3.6 Gambar 3.7
Gambar 4.1 Gambar 4.2 Gambar 4.3 Gambar 4.4 Gambar 4.5 Gambar 4.6
Gambar 4.7 Gambar 4.8 Gambar 4.9 Gambar 4.10 Gambar 4.11 Gambar
4.12 Marine Sketch Image
........................................................ 3 Sistem
CBIR
.....................................................................
4 Memberi nama
program.................................................... 16
Memilih isi
program..........................................................
17 Membuat
Menu.................................................................
18 Menghapus dan menambah menu.....................................
19 Mengaktifkan menu
.......................................................... 20
Membuka file gambar
....................................................... 22
Memproses gambar
........................................................... 24
Memilih aplikasi dialog based
.......................................... 25 Tampilan dialog box
......................................................... 26
ClassWizard dengan Member Variables ........................... 26
Hasil proses gambar dengan dialog box............................
29 Mengubah Citra Berwarna Menjadi Gray-Scale ............... 31
ThresHolding dengan nilai
128......................................... 34 Diagram
System................................................................
44 Ilustrasi Freeman code
...................................................... 45 Perbedaan
dalam penelusuran diagram arah ..................... 46 Kalkulasi
First Different Code.......................................... 48
Diagram alir matching
...................................................... 51 Contoh
Image
Query......................................................... 51
Jendela Kerja
CBIR.......................................................... 52
Gambar query bujur
sangkar............................................. 54 hasil pada
thresholding 35% gambar bujur sangkar ........ 54 pada thresholding
55% keatas gambar bujur sangkar ....... 55 Gambar query persegi
panjang ......................................... 55 hasil pada
thresholding 35% gambar persegi panjang ..... 55 hasil pada
thresholding 55% keatas gambar persegi panjang
.............................................................................
56 Gambar query
segitiga...................................................... 56
hasil pada thresholding 75% keatas gambar segitiga ...... 56 Gambar
query lingkaran....... ...........................................
57 hasil pada thresholding 75% keatas gambar lingkaran.... 57
Gambar query ikan
glodok............................................... 58 hasil pada
thresholding 35% dari gambar query .............. 58
viii
Gambar 4.13 Gambar 4.14 Gambar 4.15 Gambar 4.16 Gambar 4.17
Gambar 4.18 Gambar 4.19 Gambar 4.20 Gambar 4.21 Gambar 4.22 Gambar
4.23 Gambar 4.24 Gambar 4.25 Gambar 4.26 Gambar 4.27 Gambar 4.28
Gambar 4.29 Gambar 4.30 Gambar 4.31 Gambar 4.32 Gambar 4.33 Gambar
4.34 Gambar 4.35 Gambar 4.36 Gambar 4.37 Gambar 4.38 Gambar 4.39
Gambar 4.40 Gambar 4.41 Gambar 4.42 Gambar 4.43 Gambar 4.44 Gambar
4.45 Gambar 4.46 Gambar 4.47 Gambar 4.48 Gambar 4.49 Gambar
4.50
hasil pada thresholding 55% dari gambar query .............. 58
hasil pada thresholding 75% dari gambar query .............. 59
hasil pada thresholding 95% dari gambar query .............. 59
Grafik tingkat ketelitian dengan gambar ikan glodok ...... 60
Gambar query ikan Nila
.............................................. 61 hasil pada
thresholding 35% dari gambar query .............. 61 hasil pada
thresholding 55% dari gambar query .............. 61 hasil pada
thresholding 75% dari gambar query .............. 62 hasil pada
thresholding 95% dari gambar query .............. 62 Grafik tingkat
ketelitian dengan gambar ikan nila ........... 63 Gambar query ikan
Manggasius....................................... 64 hasil pada
thresholding 35% dari gambar query .............. 64 hasil pada
thresholding 55% dari gambar query .............. 64 hasil pada
thresholding 75% dari gambar query .............. 64 hasil pada
thresholding 95% dari gambar query ......... 65 Grafik tingkat
ketelitian dengan gambar ikan
manggasius.......................................................................
66 Gambar query ikan Mujaer
.............................................. 66 hasil pada
thresholding 35% dari gambar query .............. 67 hasil pada
thresholding 55% dari gambar query .............. 67 hasil pada
thresholding 75% dari gambar query .............. 67 hasil pada
thresholding 95% dari gambar query .............. 67 Grafik tingkat
ketelitian dengan gambar ikan mujaer ...... 69 Rata-rata prosentase
ketelitian gambar berdasarkan tingkat thresholding luas gambar
................................ 69 Gambar query ikan
glodok............................................... 71 hasil pada
thresholding 35% dari gambar query .............. 72 hasil pada
thresholding 55% dari gambar query .............. 72 hasil pada
thresholding 75% dari gambar query .............. 72 hasil pada
thresholding 95% dari gambar query .............. 72 Grafik tingkat
ketelitian dengan gambar ikan glodok ...... 73 Gambar query ikan
Nila .............................................. 74 hasil pada
thresholding 35% dari gambar query .............. 75 hasil pada
thresholding 55% dari gambar query .............. 75 hasil pada
thresholding 75% dari gambar query .............. 75 hasil pada
thresholding 95% dari gambar query .............. 75 Grafik tingkat
ketelitian dengan gambar ikan nila ........... 76 Gambar query ikan
Manggasius....................................... 77 hasil pada
thresholding 35% dari gambar query .............. 78 hasil pada
thresholding 55% dari gambar query .............. 78
ix
Gambar 4.51 Gambar 4.52 Gambar 4.53 Gambar 4.54 Gambar 4.55
Gambar 4.56 Gambar 4.57 Gambar 4.58 Gambar 4.59 Gambar 4.60 Gambar
4.61
hasil pada thresholding 75% dari gambar query .............. 78
hasil pada thresholding 95% dari gambar query ......... 78 Grafik
tingkat ketelitian dengan gambar ikanmanggasius 79 Gambar query
ikan Mujaer .............................................. 79 hasil
pada thresholding 35% dari gambar query .............. 80 hasil
pada thresholding 55% dari gambar query .............. 80 hasil
pada thresholding 75% dari gambar query .............. 80 hasil
pada thresholding 95% dari gambar query .............. 80 Grafik
tingkat ketelitian dengan gambar ikan mujaer ...... 81 Rata-rata
prosentase ketelitian gambar berdasarkan tingkat thresholding
seluruh luas gambar......................... 82 Rata-rata
prosentase ketelitian gambar berdasarkan tingkat thresholding luas
gambar ................................. 83
x
DAFTAR TABELTabel 3.1 Tabel 4.1 Tabel 4.2 Tabel 4.3 Tabel 4.4
Tabel 4.5 Keterangan Graphical User
Interface.................................... 53 prosentase
ketelitian dengan gambar ikan glodok................. 59 prosentase
ketelitian dengan gambar ikan nila...................... 62
prosentase ketelitian dengan gambar ikan manggasius ......... 65
prosentase ketelitian dengan gambar ikan mujaer................. 68
Rata rata prosentase Ketelitian gambar berdasarkan tingkat
thresholding
.........................................................................
69 Tabel 4.6 prosentase ketelitian dengan gambar ikan
glodok................. 73 Tabel 4.7 prosentase ketelitian dengan
gambar ikan nila...................... 76 Tabel 4.8 prosentase
ketelitian dengan gambar ikan manggasius ......... 78 Tabel 4.9
prosentase ketelitian dengan gambar ikan mujaer................. 81
Tabel 4.10 Rata rata prosentase Ketelitian gambar berdasarkan
tingkat thresholding seluruh luas gambar
........................................ 82 Tabel 4.11 Rata rata
prosentase Ketelitian gambar berdasarkan tingkat thresholding luas
gambar ................................................. 83
xi
BAB I PENDAHULUAN
1.1
LATAR BELAKANG
Di berbagai bidang seperti hiburan, perdagangan, pendidikan,
biomedicine, dan kepolisian, data gambar dari berbagai bidang
tersebut semakin bertambah dengan cepat, dimana hal ini didasarkan
pada kebutuhan manusia yang cenderung semakin hari semakin
meningkat. Sedangkan sistem penyimpanan dari berbagai macam
informasi digital tersebut semakin meningkat sehingga membuat
masalah dalam pencarian dan pengolahannya. Content Based Image
Retrieval System ini bertujuan untuk mempermudah dan mempercepat
pencarian dari gambar-gambar mirip dengan kriteria gambar tertentu
yang diinginkan dari sekumpulan gambar yang ada. Dimana
karakteristik atau kriteria dari gambar yang dihasilkan ini seperti
bentuk, warna, dan tekstur dan lain-lain yang sesuai dengan gambar
yang diinginkan. Hubungan antar gambar-gambar yang diinginkan
dengan gambar hasil dikelompokkan berdasarkan kemiripan
karakteristik secara komputasi. Teknik pencarian berbasis teks yang
sudah ada pada saat ini menjadi tidak bisa digunakan karena nama
dari sebuah file tidak dapat mempresentasikan isinya. Disamping itu
jika kita menggunakan input yang berupa teks, maka kita harus
mengetahui kata kunci yang benarbenar tepat agar gambar yang kita
inginkan dapat ditampilkan. Sedangkan suatu gambar itu mempunyai
interest yang sangat bervariasi. Sebagai contoh bila kita ingin
mencari gambar kuda, dimana gambar kuda itu mempunyai banyak
informasi antara lain mungkin yang akan dihasilkan adalah makanan
kuda, atau area pacuan kuda, atau informasi yang lain yang ada
unsur kuda dan yang pasti suatu gambar itu bisa berbicara seribu
kata. Seperti yang kita lihat pada Google image searching, yang
bahwasanya tidak dapat menemukan hasil optimal dan tidak
bersesuaian dengan apa yang kita harapkan, dimana hal tersebut
dikarenakan teknik pencariannya hanya didasarkan pada nama file.
Hal ini bisa saja jadi berantakan bila ada seseorang yang
memodifikasi nama file tersebut dengan tidak memperhitungkan
1
Pendahuluan melihat isi atau informasi dari file gambar
tersebut, dan tentunya hal yang seperti ini dapat merugikan orang
banyak. Untuk menghindari teknik tersebut, maka digunakan
pendekatan alternative yaitu : Content Based Image Retrieval System
yang mencari gambar hanya berdasarkan informasi yang ada pada
gambar. Informasi dari gambar yang didapatkan merupakan ciri dari
gambar, pada level primitif dapat berupa warna, bentuk, tekstur.
Dari ketiga feature tersebut sudah tampak jelas bahwa setidaknya
suatu gambar itu memiliki ciri, misal gambar bebek yang memiliki
ciri bentuk yang sebagaimana bebek, dan memiliki ciri warna dimana
bebek memiliki warna putih serta memiliki tektur bulu. Dengan hal
yang seperti ini (CBIR), meskipun kita memodifikasi atau merubah
nama filenya, tidaklah membuat image searching menjadi rancu karena
hal ini tidak didasarkan atas teks atau nama dari sebuah file
melainkan berdasrkan ciri baik bentuk, warna maupun tektur. Dengan
demikian, penulis berusaha untuk membuat sistem Content Based Image
Retrieval pada primitif level khususnya dengan menggunakan ciri
bentuk untuk melengkapi sistem yang sudah ada. Aplikasi lebih
lanjut dari Content Based Image Retrieval System (CBIR) ini dapat
digunakan untuk kepentingan pencarian (image searching), video
content, image registration, dan lain-lain.
1.2
Maksud dan Tujuan
Tujuan dari proyek akhir ini adalah untuk membangun sistem
Content Based Image Retrieval (CBIR) berdasarkan identifikasi pola
bentuk menggunakan ekstraksi fitur terstruktur (metode Freeman Code
dan First Different Code) dengan metode Euclidean distance
(pencocokan gambar) untuk mendapatkan gambar yang mempunyai fitur
dan isi yang sama atau mirip dengan gambar kueri.
1.3
PERMASALAHAN Permasalahan yang dibahas dalam proyek akhir ini
adalah : Bagaimana menggunakan metode Freeman Code untuk
mendapatkan data numerik dari gambar (chain code).
1.
2
Pendahuluan 2. 3. 4. Bagaimana cara mendapatkan nilai bobot dari
chaincode dengan menggunakan metode First Different Code. Bagaimana
menyederhanakan data numerik dengan menggunakan metode Normalisasi
Data. Bagaimana membandingkan bentuk obyek (image matching) dengan
data numerik yang didapat berdasarkan metode pencarian nilai jarak
yaitu Euclidean Distance.
1.4
BATASAN MASALAH Agar tidak terjadi kesalahan persepsi dan tidak
meluasnya pokok pembahasan, maka saya memberikan batasan-batasan
masalah sebagai berikut: 1. Dalam proyek akhir ini, image database
diartikan sebagai sekumpulan gambar dalam sebuah direktori, dimana
semua gambar adalah berbentuk sketsa hewan laut atau Marine Sketch
Image. (Total berjumlah 632 gambar) Contoh gambar :
Gambar 1.1 Marine Sketch Image 2. 3. 4. File gambar menggunakan
format BMP, masing masing dengan ukuran yang berbeda. Penamaan file
tidak merujuk pada jenis gambar, tetapi diberi index. Misalnya kk1,
kk2, dst. Fitur yang digunakan sebagai model yang menyatakan
content gambar adalah fitur bentuk.
3
Pendahuluan 1.5 METODOLOGI
Dalam mengerjakan proyek akhir ini, metode yang dipergunakan
adalah sebagai berikut : 1. Studi literatur Pada tahap pertama
dilakukan pendalaman literatur yang berhubungan dengan CBIR,
ekstraksi fitur menggunakan Freeman Code dan First Different Code
dengan Euclidean Distance (proses pencocokan) dan pemrograman GUI
MFC pada Microsoft Visual C++. 2. Pengumpulan data Suatu kegiatan
mencari, mengumpulkan data-data yang digunakan dalam pembuatan
sistem pada Aplikasi Image Database . Data-data yang digunakan
untuk proyek akhir ini berupa beberapa referensi materi dan image
database (gambar sketsa ikan atau Marine Sketch Image berjumlah 632
gambar) yang diperoleh dari alamat :
http://www.ee.surrey.ac.uk/Research/VSSP/imagedb 3. Perancangan
sistem pada bagian software Tahap ini bertujuan untuk mencari
bentuk yang optimal dari sistem yang akan dibuat dengan
mempertimbangkan berbagai faktor-faktor permasalahan dan kebutuhan
yang telah ditentukan. Perancangan arsitektur sistem Arsitektur
sistem pada aplikasi ini akan dibangun menggunakan metode dan
algoritma yang sudah dijelaskan diatas untuk menganalisa fitur
fitur yang dimiliki oleh query image kemudian dibandingkan satu
persatu dengan gambar yang ada pada image database.
4
Pendahuluan
Gambar 1.2 Sistem CBIR Metode yang akan digunakan untuk
pendekatan masalah adalah terdiri dari : 1. Mendapatkan data
numerik yang menjadi ciri bentuk dari gambar dengan Structural
Feature Extraction menggunakan metode Freeman Code. 2. Penghitungan
nilai Normalisasi pada data numerik yang dihasilkan sehingga
mendapatkan nilai yang mewakili ciri dari query image dan image
database. 3. Membandingkan fitur dari query image dan fitur gambar
dalam image database dengan metode Euclidean Distance. 4.
Perancangan GUI MFC Microsoft Visual C++ yang berfungsi untuk
menampilkan gambar hasil. 4. Pembuatan dan pengujian sistem Dari
hasil perancangan dilakukan realisasi pembuatan aplikasi seleksi
gambar pada image database. Pengujian aplikasi ini dilakukan pada
beberapa gambar dalam sebuah direktori yaitu dengan cara
mengoperasikan aplikasi GUI yang sudah dibuat.
1.6.
SISTEMATIKA STUDI Sistematika pembahasan dari proyek akhir ini
direncanakan sebagai berikut:
5
Pendahuluan BAB 1 PENDAHULUAN Menguraikan tentang latar
belakang, tujuan, permasalahan, batasan masalah dan sistematika
pembahasan masalah yang digunakan dalam pembuatan proyek akhir ini.
BAB II TEORI PENUNJANG Teori-teori yang digunakan dalam
penyelesaian proyek akhir akan dibahas dalam bab ini sesuai dengan
kaitannya proses content based image retrieval system berdasarkan
identifikasi pola bentuk menggunakan ekstraksi fitur terstruktur.
BAB III PERENCANAAN DAN PEMBUATAN Membahas secara detail dari
perencanaan dan pembuatan system. BAB IV PENGUJIAN DAN ANALISA
Membahas tentang pengujian dari system yang telah dibuat beserta
analisanya. BAB V KESIMPULAN DAN SARAN Bab ini berisi kesimpulan
dari pembahasan pada perancangan awal serta analisa yang diperoleh.
Untuk lebih meningkatkan mutu dari system yang telah dibuat maka
saya memberikan saran-saran untuk perbaikan dan penyempurnaan
system. DAFTAR PUSTAKA Berisi referensi-referensi yang telah
digunakan sebagai acuan selama pembuatan proyek akhir.
6
BAB II TEORI PENUNJANG2.1. PENGOLAHAN GAMBAR DIGITAL
Proses pengolahan gambar digital dengan menggunakan komputer
digital adalah terlebih dahulu mentransformasikan gambar ke dalam
bentuk besaran-besaran diskrit dari nilai tingkat keabuan pada
titik-titik elemen gambar. Bentuk gambar ini disebut gambar
digital.Elemen-elemen gambar digital apabila ditampilkan dalam
layar monitor akan menempati sebuah ruang yang disebut dengan pixel
(picture elemen/pixel). Pada proses transformasi yang menghasilkan
gambar dari bentuk tiga dimensi ke bentuk dua dimensi akan
dipengaruhi oleh bermacam-macam faktor yang mengakibatkan
penampilan gambar suatu benda tidak identik dengan bentuk fisik
nyatanya. Faktor-faktor tersebut merupakan efek degradasi atau
penurunan kualitas yang dapat berupa rentang kontras benda yang
terlalu sempit atau terlalu lebar, distorsi geometri (geometric
distortion), kekaburan (blur), kekaburan akibat obyek gambar yang
bergerak (motion blur), noise atau gangguan yang disebabkan oleh
interferensi peralatan pembuat gambar, baik itu berupa tranduser,
peralatan elektronik ataupun peralatan optik Teknik dan proses
untuk mengurangi atau menghilangkan efek degradasi pada gambar
digital meliputi perbaikan citra (image enhancement), restorasi
citra (image restoration), dan transformasi spasial (spatial
transformation). Subyek lain dari pengolahan gambar digital
diantaranya adalah pengkodean gambar (image coding), segmentasi
gambar (image segmentation), representasi dan diskripsi gambar
(image representation and description ). Pengolahan gambar digital
memiliki banyak aplikasi seperti pada bidang penginderaan jarak
jauh, robotik, pemetaan, biomedis, dan sebagainya. Perlengkapan
pengolahan gambar digital minimal terdiri atas alat pemasukan data
gambar berupa digitizer atau scanner, komputer digital, alat
penyimpanan data dengan kapasitas yang besar.
7
Teori Penunjang 2.2 MODE WARNA Gambar yang tidak berwarna atau
hitam putih dikenal juga sebagai gambar dengan derajat keabuan
(gambar gray level). Derajat keabuan yang dimiliki ini bisa beragam
mulai dari 2 derajat keabuan (yaitu 0 dan 1) yang dikenal juga
sebagai gambar monochrome, 16 derajat keabuan dan 256 derajat
keabuan. Semakin besar jumlah derajat keabuan yang dimiliki maka
semakin halus citra tersebut Dalam sebuah gambar monochrome, sebuah
pixel diwakili oleh 1 bit data yang berisikan data tentang derajat
keabuan yang dimiliki pixel tersebut. Data akan berisi 1 bila pixel
tersebut berwarna putih dan data akan berisi nilai 0 bila pixel
tersebut berwarna hitam Untuk gambar berwarna, jumlah warna bisa
beragam mulai dari 16, 256, 65536 atau 16 juta warna, yang
masing-masing direpresentasikan oleh 4, 8, 16, atau 24 bit data
untuk setiap pixelnya. Warna yang ada terdiri dari 3 komponen utama
yaitu nilai merah (red), nilai hijau (green), dan nilai biru
(blue). Paduan ketiga komponen utama pembentuk warna ini dikenal
sebagai RGB color. Gambar berwarna Suatu gambar berwarna selalu
memiliki 3 unsur yaitu unsure red, unsur green, dan unsure blue
atau hal ini sering disebut dengan unsur RGB
RED
Color
GREEN
BLUE
8
Teori Penunjang 2.3 PIKSEL Piksel merupakan salah satu komponen
dari gambar yang menentukan resolusi dari gambar tersebut, misal,
sebuah gambar dikatakan resolusinya sebesar 400 x 500 maka artinya
yaitu panjang pixel horizontalnya 400 dan panjang pixel vertikalnya
500 dan jumlah total keseluruhan pixel dari gambar tersebut yaitu
480000 atau dapat dikatakan bahwa dalam gambar tersebut terdiri
dari 20000 pixel. Dalam penolahannya, piksel memiliki hubungan
antara yang satu dengan yang lainnya. Sebuah piksel p pada
koordinat (x,y) mempunyai tetangga horisontal dan vertikal yang
koordinatnya sebagai berikut : N4(p) : 4 tetangga dari p (x+1,y),
(x-1,y),(x,y+1),(x,y-1) x x p x x
Kumpulan dari piksel-piksel diatas yang disebut 4-neighbours of
p dapat dinyatakan sebagai N4(p), kecuali jika p(x,y) posisinya
terletak pada garis batas gambar, sehingga jumlah piksel tetangga
tidak terdiri dari tetangga. Selain 4 tetangga diatas, p juga
memiliki 4 tetangga diagonal, yaitu: ND(p):4 diagonal tetangga dari
p (x+1,y+1), (x+1,y-1),(x-1,y+1),(x-1,y-1) x p x x x
Gabungan dari N4(p) dan ND(p) didefinisikan sebagai 8-neighbours
of pdan dinyatakan sebagai N8(p). x x x N8(p): 8 neighbours of p x
p x x x x
2.4
GARIS Mengapa dalam bidang seni ada karya yang khusus, yang
populer dinamai Sketsa? Padahal, jika dilihat secara kasat mata,
bentuk gambar yang disebut sketsa itu hanya berupa goresan-goresan
garis yang seolah merupakan rangka-rangka dati suatu bentuk
benda.
9
Teori Penunjang Garis merupakan sekumpulan titik yang berderet.
Adapun deretannya berwujud melingkar, segitiga, persegi panjang,
berkelokkelok, melengkung, bahkan lurus. Sekumpulan titik yang
disebut garis dan ujudnya beraneka ragam itu, ternyata setiap
bentuk ragamnya membawa karakter sendiri-sendiri. Garis yang
visualnya tegak lurus misalnya, punya karakter visual yang kaku dan
statis. Sedangkan yang horisontal membawa karakter datar. Adapun
yang berkelok membawa karakter yang dinamis[9]. 2.5 GRAYSCALE
Variabel gambar gray scale adalah matrik yang dinyatakan:
A = [a(i, j )]nnUntuk gambar yang berwarna, nilai A terdiri dari
3 matrik layer yaitu: 1 matrik untuk layer warna RED, 1 matrik
untuk layer warna GREEN dan 1 matrik untuk layer warna BLUE 2.6
SEGMENTASI Tujuan dari sementasi gambar adalah untuk menentukan
daerah atau bagian yang merepresentasikan objek dengan kata lain
memisahkan objek dengan latar belakangnya. Tetapi ini salah satu
keulitan dalam pemrosesan citra digital. Algoritma segmentasi
berdasarkan pada satu atau dua sifat nilai intensitas yaitu
diskontinu dan similaritas. Kategori pertama membagi sebuah gambar
berdasarkan perubahan yang tiba-tiba dari intensitas, misal tepi
dari sebuah gambar. Kategori kedua berdasarkan pembagian gambar
kedalam daerah-daerah yang mirip menurut kriteria yang sudah
didefinisikan sebelumnya. Pendekatan Histogram Thresholding berada
pada kategori ini. Dasar-dasar thresholding Anggaplah histogram
dari gambar grayscale, f(x,y), tersusun atas obyek gelap didalam
latar belakang yang terang, dengan cara ini piksel-piksel untuk
objek dan latar belakangnya mempunyai kelompok gray level yang
dibagi dalam dua mode. Salah satu untuk dilihat untuk mengekstraksi
objek dari latar belakangnya
10
Teori Penunjang adalah memilih sebuah threshold T yang akan
memisahkan 2 mode ini. Kemudian semua piksel (x,y) yang nilai
f(x,y)> T disebut sebagai piksel dari objek, selain itu, disebut
sebagai piksel latar belakang. Jika ada dua mode yang dominan dari
karakteristik histogram, disebut sebagai bimodal histogram. Hanya
satu threhold sudah cukup untuk membagi gambar. Jika contoh gambar
dibangun dengan dua tipe obyek obyek terang pada latar belakang
gelap, tiga atau lebih mode karakteristik histogram yang
dominan.
2.7
DETEKSI TEPI
Latar belakang: untuk Deteksi tepi dikembangkan menggunakan
konsep filter pada gambar. Untuk mereduksi noise pada hasil deteksi
tepi diperlukan pengaturan nilai pada filter kernel, seperti pada
prewitt dan sobel. Deteksi tepi merupakan salah satu proses penting
di dalam image processing. Tepi suatu gambar dapat dijadikan salah
satu ciri atau fitur yang dapat digunakan dalam proses pengenalan
(identifikasi dan recognition), klasifikasi dan penjabaran
informasi dari suatu gambar. Mengingat pentingnya informasi tepi
ini, diperlukan suatu proses deteksi tepi yang benar-benar handal
dalam menyajikan informasi tepi. Permasalahan di dalam proses
deteksi tepi adalah bagaimana menghasilkan informasi tepi yang
benar-benar tepi dan menghilangkan noise. Proses deteksi tepi pada
dasarnya adalah proses filter pada frekuensi tinggi dimana pada
frekuensi ini sukar dibedakan mana informasi tepi dan mana yang
noise. Beberapa deteksi tepi yang mencoba mengurangi noise
mempunyai efek samping hilangnya beberapa informasi tepi, seperti
pada Robert dan sobel. Metode deteksi Prewitt menghasilkan banyak
informasi tepi tetapi noise yang dihasilkan juga banyak. Untuk itu
muncul pemikiran bagaimana menghasilkan matrik filter kernel
11
Teori Penunjang deteksi tepi yang dapat mengurangi noise
sebanyak-banyaknya tanpa kehilangan informasi tepi. Tepi suatu
obyek gambar dinyatakan sebagai titik yang intensitasnya berubah
dengan jelas, dengan demikian proses deteksi tepi dilakukan dengan
memperhatikan perubahan nilai intensitas setiap titik dengan
delapan titik tetangganya. Sehingga matrik filter kernel yang
dikembangkan merupakan nilai differensial dari suatu titik dengan
titik-titik tetangganya. Perhitungan konvolusi antara matrik kernel
H dan matrik gambar X, hasilnya Y adalah informasi tepi. Y=HX
Filter Kernel Prewitt dan Sobel [1]. Filter Kernel Prewitt
Horisontal dan Vertikal o Deteksi Tepi Prewitt merupakan
pengembangan dari deteksi tepi Robert dengan memanfaatkan nilai
tetangga dari dua arah yang berbeda. Beberapa matrik kernel dari
metode deteksi tepi Prewitt adalah sebagai berikut
1 0 1 H = 1 0 1 1 0 1
1 1 1 H = 0 0 0 1 1 1
Filter Kernel Sobel Horisontal dan Vertikal o Deteksi Tepi Sobel
merupakan pengembangan dari deteksi tepi Prewitt dengan menambahkan
unsur gaussian di dalam matrik filter kernel yang menyatakan arah
dari proses konvolusi.
1 2 1 H= 0 0 0 1 2 1
1 0 1 H= 2 0 2 1 0 1
12
Teori Penunjang Filter kernel laplacian
0 1 0 1 1 1 1 4 1 atau H= 1 8 1 H= 0 1 0 1 1 1
2.8
CONTENT BASED IMAGE RETRIEVAL SYSTEM
Content Based Image Retrieval System (CBIR) merupakan suatu
teknik pencarian kembali gambar yang mempunyai kemiripan
karakteristik atau content dari sebuah sekumpulan gambar. Proses
secara umum dari CBIR adalah gambar yang menjadi query dilakukan
proses ekstraksi feature, begitu halnya dengan gambar yang ada pada
sekumpulan gambar juga dilakukan proses seperti pada gambar query.
Parameter feature gambar yang dapat digunakan untuk retrieval pada
system ini seperti histogram, susunan warna, teksture, dan shape,
tipe spesifik dari obyek, tipe event tertentu, nama individu,
lokasi, emosi. gambar query yang digunakan mempunyai beberapa
level, yaitu: Level 1: retrieval dengan primitive feature, seperti
color, shape, teksture, Level 2: retrieval dengan logical feature,
seperti tipe obyek, individu obyek atau orang. Level 3: retrieval
dengan abstrak feature, seperti nama even, tipe aktifitas,
emotional, religius. Penelitian dan pembangunan dalam CBIR mencakup
keseluruhan topik. Beberapa pokok persoalan yang terjadi dalam
pembangunan CBIR dapat diuraikan sebagai berikut: Pemahaman gambar
yang dibutuhkan oleh user dan pencarian informasi.
Pengidentifikasian cara yang sesuai dalam penggambaran content atau
karakteristik dari gambar. Proses ekstraksi feature dari
gambar.
13
Teori Penunjang Ekstrasi feature merupakan proses penting pada
sistem CBIR. Karena hasil dari proses ini, perbedaan pada setiap
gambar dapat diketahui berdasarkan cirinya seperti ciri bentuk,
ciri warna, ciri tekstur dan lain lain. Beberapa teknik yang dapat
digunakan untuk ekstrasi feature antara lain : teknik analisis
komponen utama, besaran statistik , histogram warna, wavelet
transform dan lain lain. Penyediaan tempat penyimpanan untuk
sekumpulan gambar. Proses matching antara gambar query dan gambar
yang ada pada sekumpulan gambar.. Proses matching merupakan proses
pencocokan gambar untuk memperoleh gambar yang mempunyai kemiripan
dengan gambar query. Proses matching dilakukan dengan menghitung
jarak antara dua gambar yaitu gambar query dan gambar target pada
sekumpulan gambar. Parameter yang digunakan dalam perhitungan jarak
berdasarkan pada hasil ekstrasi ciri. Penyediaan human interface
dari CBIR system.
Nilai normalisasi Nilai normalisasi digunakan untuk mengecilkan
data, dimana data nilai piksel dari sebuah gambar tersebut
cenderung sangat besar, dengan demikian butuh adanya normalisasi.
Dengan normalisasi ini maka data tersebut hanya memiliki range
antara nol sampai satu. X= {i0, i1, i2, ....in} Maka |X| =
i +i +i2 2 0 1
2 2
+ ... + i n2
|X|=xx X=(i0/xx, i1/xx, ....,xn/xx) Mean dan Standard Deviasi
Dalam ilmu statistik, perhitungan nilai rata-rata (mean) dan
standard deviasi untuk mengetahui besarnya simpangan cenderung
banyak digunakan karena hal tersebut dapat mempengaruhi
probabilitas hasil kerja.
14
Teori Penunjang Rumus Jarak Euclidean Distance Jarak Euclidean
dapat dianggap sebagai jarak yang paling pendek antar dua poin
poin, maka dari itu dalam proyek akhir ini digunakan fungsi jarak
Euclidean dan pada dasarnya sama halnya dengan persamaan Pythagoras
ketika digunakan di dalam dua dimensi. Secara matematis dapat
dituliskan di dalam persamaan berikut : d(i,j)= Ket : d(i,j) xi xj
Gambaran CBIR = = = nilai jarak nilai nilai pada fitur 1 nilai
nilai pada fitur 2
| xi1 x j1 |2 + | xi 2 x j 2 | 2 +.....+ | xip x jp | 2
2.9
PERANGKAT LUNAK BAHASA PEMROGRAMAN VISUAL C++ DENGAN MFC
15
Teori Penunjang Menjalankan Visual C++ dengan MFC 1. Membuka
Visual C++ 6.0 Pilih menu : Start->Programs->Microsoft Visual
Studio 6.0->Microsoft Visual C++ 6.0 2. Memberi nama program
Pilih menu : File->New->Projects->MFC AppWizard(exe) Isi
Project name misalnya dengan: Test (lihat gambar 1) Tekan tombol
OK
Gambar 2.1 Memberi nama program 3. Memilih isi program What tipe
of application would you like to create (aplikasi apa yang ingin
dibuat) pilih Multiple documents untuk pilihan standar. Tekan
tombol Next What database support would you like include (database
apa yang ingin dibuat) pilih None untuk pilihan standar. Tekan
tombol Next What compound document support would you like include
(dokumen apa yang ingin dibuat) pilih None untuk pilihan standar.
Tekan tombol Next What features would you like include
16
Teori Penunjang (tampilan apa yang ingin dibuat) pilih Docking
toolbar, Initial status bar, printing and print preview, 3D control
untuk pilihan standar. Tekan tombol Next What style of project
would you like (gaya program apa yang ingin dibuat) pilih MFC
standard untuk pilihan standar. Tekan tombol Next AppWizard creates
the following classes for you (AppWizard akan membuat class seperti
dibawah ini) CtestView CtestApp CmainFrame CchildFrame CtestDoc
Lihat gambar 2
4.
Gambar 2.2 Memilih isi program Tekan tombol Finish kemudian
tombol OK Cara menjalankan program Pilih menu : Build->Execute
(!) Tekan tombol Yes
Cara membuat menu dengan MFC 1. Cara membuat menu Buat aplikasi
AppWizard seperti pada praktikum 1 dan beri nama project dengan
Menus
17
Teori Penunjang Pilih ResourceView pada workspace Pilih folder
paling atas dengan cara klik pada tanda + Pilih folder menu dengan
cara klik pada tanda + Klik 2 kali IDR_MENUSTYPES[English[U.S.]]
seperti gambar 3
Gambar 2.3 Membuat Menu 2. Menghapus dan menambah menu Untuk
menghapus menu : Pilih menu Edit kemudian tekan keyboard Delete
kemudian tekan tombol OK Untuk Menambah menu: Tekan tombol keyboard
Insert dan ketik misalnya Test kemudian dibawahnya ketik Hello
seperti gambar 4
18
Teori Penunjang
Gambar 2.4 Menghapus dan menambah menu 3. Mengaktifkan menu
Pilih menu Hello dan klik kanan Pilih menu ClassWizard dan klik
kiri Pilih message dengan COMMOND dan klik kiri dua kali seperti
gambar 5 kemudian tekan tombol OK Untuk mengedit isi program tekan
tombol Edit Code
19
Teori Penunjang
Gambar 2.5 Mengaktifkan menu 4. Menampilkan fungsi Tambahkan
program untuk menampilkan pesan seperti dibawah
ini/////////////////////////////////////////////////////////////////////////////
// CMenusView message handlers void CMenusView::OnTestHello() { //
TODO: Add your command handler code here // Menampilkan pesan untuk
pemakai MessageBox(Hello); }
Jalankan program dengan memilih menu Build->Execute (!)
Menampilkan File Gambar 1. Cara membuka file Buat aplikasi
AppWizard seperti pada praktikum 1 dan beri nama project dengan
OpenFile Buat Menu seperti pada praktikum 2 dengan tambahan Test
dan submenunya OpenFile
20
Teori Penunjang Untuk mengedit isi program tekan tombol Edit
Code atau buka file OpeFileView.cpp Tambahkan program untuk membuka
file seperti dibawah ini
/////////////////////////////////////////////////////////////////////////////
// COpenFileView message handlers // Menampilkan file yang akan
dibuka void COpenFileView::OnTestOpenfile() { // TODO: Add your
command handler code here static char BASED_CODE szFilter[]="Bitmap
Files (*.bmp)|*.bmp||"; CFileDialog m_ldFile(TRUE, "*.bmp", name,
OFN_HIDEREADONLY|OFN_OVERWRITEPROMPT, szFilter);
if(m_ldFile.DoModal()==IDOK) { name=m_ldFile.GetPathName();
LoadGambar(); } } // Menampilkan gambar hasil dari open file void
COpenFileView::LoadGambar(void) { CDC* pDC = GetDC(); CDC dcMem;
HBITMAP hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(), name,
IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|LR_CREATEDIBSECTION);
if(hBitmap) { if(m_bmpBitmap.DeleteObject()) m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap); } dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap);
pDC->BitBlt(0,0,250,210,&dcMem,0,0,SRCCOPY); }
2.
Menambah header file Buka file OpenFileView.h Tambahkan program
seperti dibawah ini
21
Teori Penunjang// Attributes public: COpenFileDoc*
GetDocument(); CString name; CBitmap m_bmpBitmap; // Operations
public: void LoadGambar(void);
3. Cara menjalankan program Pilih menu : Build->Execute (!)
Pilih menu : Test->OpenFile ->pilih salah satu gambar
misalnya gambar.bmp Hasilnya seperti gambar 6
Gambar 2.6 Membuka file gambar Cara Memproses Gambar 1. Cara
memproses gambar Buat aplikasi AppWizard seperti pada praktikum 1
dan beri nama project dengan Proses Buat Menu seperti pada
praktikum 2 dengan tambahan Test sedangkan submenunya OpenFile dan
Proses Untuk mengedit isi program tekan tombol Edit Code atau buka
file ProsesView.cpp Tambahkan program untuk memproses gambar
seperti dibawah
ini/////////////////////////////////////////////////////////////////////////////
// CProsesView message handlers
22
Teori Penunjangvoid CProsesView::OnTestOpenfile() { // TODO: Add
your command handler code here static char BASED_CODE
szFilter[]="Bitmap Files (*.bmp)|*.bmp||"; CFileDialog
m_ldFile(TRUE, "*.bmp", name, OFN_HIDEREADONLY|OFN_OVERWRITEPROMPT,
szFilter); if(m_ldFile.DoModal()==IDOK) {
name=m_ldFile.GetPathName(); LoadGambar(); } } // Menampilkan
gambar hasil dari open file void CProsesView::LoadGambar(void) {
CDC* pDC = GetDC(); CDC dcMem; HBITMAP
hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(), name,
IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|LR_CREATEDIBSECTION);
if(hBitmap) { if(m_bmpBitmap.DeleteObject()) m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap); } dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap);
pDC->BitBlt(0,0,250,210,&dcMem,0,0,SRCCOPY); } void
CProsesView::OnTestProses() { // TODO: Add your command handler
code here CDC* pDC = GetDC(); CDC dcMem; int i,j; long int warna;
char str[5]; dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap); for(i=0;iTextOut(10,10,str);
}
2.
Menambah header file Buka file ProsesView.h Tambahkan program
seperti dibawah ini// Attributes public: CProsesDoc* GetDocument();
CString name; CBitmap m_bmpBitmap; // Operations public: void
LoadGambar(void);
3. Cara menjalankan program Pilih menu : Build->Execute (!)
Pilih menu : Test->OpenFile -> pilih salah satu gambar
misalnya gambar.bmp Pilih menu: Test->Proses hasilnya seperti
gambar 7
24
Teori Penunjang Gambar 2.7 Memproses gambar Cara Memproses
Gambar dengan Dialog Box 1. Cara memproses gambar dengan dialog box
Buat aplikasi AppWizard seperti pada praktikum 1 dan beri nama
project dengan ProsesDialog Buat Dialog Box dengan memilih tipe
aplikasi dialog based seperti pada gambar 8 kemudian pilih
Finish.
Gambar 2.8 Memilih aplikasi dialog based Buatlah tampilan dengan
bantuan control panel sehingga menghasilkan tampilan seperti gambar
9 dibawah ini
25
Teori Penunjang
Gambar 2.9 Tampilan dialog box Tambahkan ID control dan member
variables dengan cara clik kanan pada dialog dan pilih properties,
kemudian clik kanan dan pilih ClassWizard kemudian pilih member
variables, isi member sehingga menghasilkan seperti gambar 10
dibawah ini
Gambar 2.10 ClassWizard dengan Member Variables
26
Teori Penunjang
Tekan dua kali tombol LoadGambar dan pilih OK, tambahkan program
seperti di bawah inivoid CProsesDialogDlg::OnLoadgambar() { //
TODO: Add your control notification handler code here static char
BASED_CODE szFilter[]="Bitmap Files (*.bmp)|*.bmp||"; CFileDialog
m_ldFile(TRUE, "*.bmp", name, OFN_HIDEREADONLY|OFN_OVERWRITEPROMPT,
szFilter); if(m_ldFile.DoModal()==IDOK) {
name=m_ldFile.GetPathName(); LoadGambar(); } } // Menampilkan
gambar hasil dari open file void CProsesDialogDlg::LoadGambar(void)
{ CDC* pDC = m_pic.GetDC(); CDC dcMem; HBITMAP
hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(), name,
IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|LR_CREATEDIBSECTION);
if(hBitmap) { if(m_bmpBitmap.DeleteObject()) m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap); } CRect rect; BITMAP bm;
m_pic.GetClientRect(rect); m_bmpBitmap.GetBitmap(&bm);
dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap);
pDC>StretchBlt(0,0,rect.Width(),rect.Height(),&dcMem,0,0,bm.bmWidth
,bm.bmHeight,SRCCOPY); }
Tekan dua kali tombol Proses dan pilih OK, tambahkan program
seperti di bawah inivoid CProsesDialogDlg::OnProses() { // TODO:
Add your control notification handler code here
27
Teori PenunjangCDC* pDC = m_pic.GetDC(); CDC dcMem; int i,j;
long int warna; char str[5]; CRect rect; BITMAP bm;
m_pic.GetClientRect(rect); m_bmpBitmap.GetBitmap(&bm);
dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap); for(i=0;iTextOut(10,10,str);
}
2.
Menambah header file Buka file ProsesDialogDlg.h Tambahkan
program seperti dibawah ini// Construction public:
CProsesDialogDlg(CWnd* pParent = NULL); constructor // Attributes
public: CString name; CBitmap m_bmpBitmap; // Operations public:
void LoadGambar(void); // standard
3. Cara menjalankan program Pilih menu : Build->Execute (!)
Pilih tombol LoadGambar -> pilih salah satu gambar misalnya
harimau.bmp Pilih tombol Proses-> hasilnya seperti gambar 11
28
Teori Penunjang
Gambar 2.11 Hasil proses gambar dengan dialog box Mengubah Citra
Berwarna Menjadi Gray-Scale 1. Cara mengubah citra warna menjadi
gray-scale Buat aplikasi AppWizard seperti pada praktikum 1 dan
beri nama project dengan GrayScale Buat Menu seperti pada praktikum
2 dengan tambahan Test sedangkan submenunya OpenFile dan GrayScale
Untuk mengedit isi program tekan tombol Edit Code atau buka file
GrayScaleView.cpp Tambahkan program untuk mengubah citra warna
menjadi gray-scale seperti dibawah
ini/////////////////////////////////////////////////////////////////////////////
// CGrayScaleView message handlers void
CGrayScaleView::OnTestLoadgambar() { // TODO: Add your command
handler code here static char BASED_CODE szFilter[]="Bitmap Files
(*.bmp)|*.bmp||"; CFileDialog m_ldFile(TRUE, "*.bmp", name,
OFN_HIDEREADONLY|OFN_OVERWRITEPROMPT, szFilter);
if(m_ldFile.DoModal()==IDOK) { name=m_ldFile.GetPathName();
LoadGambar();
29
Teori Penunjang} } // Menampilkan gambar hasil dari open file
void CGrayScaleView::LoadGambar(void) { CDC* pDC = GetDC(); CDC
dcMem; HBITMAP hBitmap=(HBITMAP)::LoadImage(AfxGetInstanceHandle(),
name, IMAGE_BITMAP, 0, 0, LR_LOADFROMFILE|LR_CREATEDIBSECTION);
if(hBitmap) { if(m_bmpBitmap.DeleteObject()) m_bmpBitmap.Detach();
m_bmpBitmap.Attach(hBitmap); } dcMem.CreateCompatibleDC(pDC);
dcMem.SelectObject(&m_bmpBitmap);
pDC->BitBlt(0,0,150,100,&dcMem,0,0,SRCCOPY); } // merubah
data pixel ke RGB void WarnaToRGB(long int warna,int *Red, int
*Green, int *Blue) { *Red = warna & 0x000000FF; *Green = (warna
& 0x0000FF00) >> 8; *Blue = (warna & 0x00FF0000)
>> 16; } //merubah RGB ke data pixel long int RGBToWarna(int
Red, int Green, int Blue) {
return(Red+(GreenBitBlt(0,0,200,200,&dcMem,0,0,SRCCOPY); } //
merubah data pixel ke RGB void WarnaToRGB(long int warna,int *Red,
int *Green, int *Blue) { *Red = warna & 0x000000FF; *Green =
(warna & 0x0000FF00) >> 8; *Blue = (warna &
0x00FF0000) >> 16; } //merubah RGB ke data pixel long int
RGBToWarna(int Red, int Green, int Blue) { return(Red+(Green
