5/1/2021 notebook-image.

ipynb - Colaboratory

Pengenalan Image Processing dengan Python

1. Import module yang diperlukan

Bagian ini memuat beberapa module wajib yang digunakan dalam notebook ini:
numpy, pandas, cv2, skimage, PIL, matplotlib

Numpy adalah library untuk manipulasi array, digunakan untuk aljabar linier, transformasi
Fourier, dan kemampuan bilangan acak.
Pandas adalah library untuk manipulasi data dan analisis data.
CV2 adalah library untuk tugas-tugas computer vision.
Skimage adalah library yang mendukung aplikasi pengolah gambar pada python.
Matplotlib adalah library yang menghasilkan gambar dan menyediakan toolkit antarmuka
pengguna gra s.

import numpy as np
import pandas as pd
import cv2 as cv
from skimage import io
from PIL import Image
import matplotlib.pylab as plt

2. Baca Gambar dari Url

Pada langkah ini kita akan membaca gambar dari url, dan menampilkannya
menggunakan openCV, perhatikan perbedaannya saat membaca gambar dalam
format RGB dan BGR. Saluran warna input default dalam format BGR untuk
openCV.

# Buat daftar untuk menyimpan url gambar

urls = ["image-1.jpeg",
"image-2.jpeg",
"image-3.jpeg"
]

# Fungsi untuk Baca dan tampilkan gambar

def cv_imshow(img):
plt.figure(figsize = (15,15))
plt.imshow(img)
plt.xticks([]), plt.yticks([])
plt.show()

# loop terhadap URL gambar, Anda dapat menyimpan beberapa url gambar dalam daftar

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 1/12
5/1/2021 notebook-image.ipynb - Colaboratory

for url in urls:

image = io.imread(url)
image_2 = cv.cvtColor(image, cv.COLOR_BGR2RGB)
final_frame = cv.hconcat((image, image_2))
cv_imshow(final_frame)

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 2/12
5/1/2021 notebook-image.ipynb - Colaboratory

Tugas 1: Baca gambar dari URL dan tampilkan

Cari gambar dari google, lalu gunakan url address dari gambar tersebut untuk
melakukan operasi di bawah ini dengan menghapus tanda komentarnya.

## TODO: LOAD IMAGE FROM URL

# url =
# myImg = io.imread(url)
# cv_imshow(cv.cvtColor(myImg, cv.COLOR_BGR2RGB))

3. Kontur Gambar dan Histogram

# Gunakan image dari indeks pertama dalam variabel urls

image = io.imread(urls[0])

Menghasilkan Histogram citra berwarna dan citra grayscale

Terkadang Anda ingin meningkatkan kontras pada gambar atau memperluas kontras di wilayah
tertentu sambil mengorbankan detail dalam warna yang tidak terlalu bervariasi, atau tidak
penting. Alat yang baik untuk menemukan wilayah yang menarik adalah histogram. Untuk
membuat histogram dari data gambar kita, kita menggunakan fungsi matplot.pylab hist ().

Menampilkan histogram dari semua piksel pada gambar berwarna :

plt.hist(image.ravel(),bins = 256, range = [0,256])

plt.show()

Menampilkan histogram saluran R, G, B Kita dapat mengamati bahwa saluran hijau memiliki
banyak piksel di 255, yang mewakili tambalan putih pada gambar.

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 3/12
5/1/2021 notebook-image.ipynb - Colaboratory

color = ('b','g','r')
for i,col in enumerate(color):
histr = cv.calcHist([image],[i],None,[256],[0,256])
plt.plot(histr,color = col)
plt.xlim([0,256])
plt.show()

gray_image = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

cv_imshow(gray_image)

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 4/12
5/1/2021 notebook-image.ipynb - Colaboratory

# Plot histogram gambar abu-abu.

# Kita bisa mengamati bahwa frekuensi histori citra mengalami penurunan ~ 1/3 dari histogr
plt.hist(gray_image.ravel(),bins = 256, range = [0, 256])
plt.show()

Tugas 2: Tampilkan gambar anda dalam grayscale dan buat histogramnya

# myGrayImg = cv.cvtColor(myImg, cv.COLOR_BGR2GRAY)

# cv_imshow()

Temukan kontur gambar dari gambar grayscale

Metode 1: Gunakan matplotlib. contour

plt.contour(gray_image, origin = "image")

<matplotlib.contour.QuadContourSet at 0x7f8dcea1cc90>

Metode 2: Gunakan library openCV

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 5/12
5/1/2021 notebook-image.ipynb - Colaboratory

# Setel ambang batas untuk deteksi kontur

ret, thresh = cv.threshold(gray_image,100,200,0)
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(image, contours, -1, (0, 255, 0), 3)
plt.imshow(image)

<matplotlib.image.AxesImage at 0x7f8dce16cad0>

Tugas 3: Temukan kontur gambar Anda sendiri

# code anda di sini

# plt.contour()

4. Transformasi Grayscale dan Persamaan Histogram

Grayscale Transformation
Bagian ini memberikan beberapa contoh melakukan transformasi matematis dari gambar
grayscale

# Ini adalah operasi kebalikan dari gambar grayscale,

# Anda bisa melihat bahwa piksel cerah menjadi gelap, dan piksel gelap menjadi cerah
im2 = 255 - gray_image
cv_imshow(im2)

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 6/12
5/1/2021 notebook-image.ipynb - Colaboratory

# Transformasi gambar lainnya, setelah menambahkan konstanta,

# semua piksel menjadi lebih cerah dan efek gambar seperti perpeloncoan dihasilkan
im3 = (100.0/255)*gray_image + 100
cv_imshow(im3)

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 7/12
5/1/2021 notebook-image.ipynb - Colaboratory

# Tingkat kecerahan gambar abu-abu berkurang setelah langkah ini

im4 = 255.0*(gray_image/255.0)**2
cv_imshow(im4)

Tugas 4: Cobalah beberapa operasi matematika pada gambar Anda

## Terapkan kode Anda di sini

## myGrayImgTrans = myGrayImg...
## cv_imshow(myGrayImgTrans)

Histogram Equalization
Bagian ini mendemonstrasikan pemerataan histogram pada gambar gelap. Transformasi ini
meratakan histogram tingkat abu-abu sehingga semua intensitas menjadi seumum mungkin.
Fungsi transformasi adalah fungsi distribusi kumulatif (cdf) dari nilai piksel pada citra

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 8/12
5/1/2021 notebook-image.ipynb - Colaboratory

(dinormalisasi untuk memetakan rentang nilai piksel ke rentang yang diinginkan). Contoh ini
menggunakan gambar 4 (im4).

# Fungsi dari histogram equalization

def histeq(im, nbr_bins = 256):
""" Persamaan histogram dari citra grayscale. """
# dapatkan histogram gambar
imhist, bins = np.histogram(im.flatten(), nbr_bins, [0, 256])
cdf = imhist.cumsum() # fungsi distribusi kumulatif
cdf = imhist.max()*cdf/cdf.max() #normalisasi
cdf_mask = np.ma.masked_equal(cdf, 0)
cdf_mask = (cdf_mask - cdf_mask.min())*255/(cdf_mask.max()-cdf_mask.min())
cdf = np.ma.filled(cdf_mask,0).astype('uint8')
return cdf[im.astype('uint8')]

# terapkan fungsi pada gambar gelap Anda untuk meningkatkan kontras

# kita dapat mengamati bahwa kontras latar belakang hitam telah meningkat
im5 = histeq(im4)
cv_imshow(im5)

# Ekstra: mencoba memvisualisasikan histogram citra setelah pemerataan histogram

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 9/12
5/1/2021 notebook-image.ipynb - Colaboratory

# Sebelum pemerataan histogram

plt.hist(im4.ravel(),bins = 256, range = [0, 256])
plt.show()

# Setelah pemerataan histogram

plt.hist(im5.ravel(),bins = 256, range = [0, 256])
plt.show()

Tugas 5: Lakukan pemerataan histogram pada gambar grayscale Anda

## TODO: Masukkan Kode Anda di sini

##plt.imshow()

5. Transformasi Fourier dari Gambar Abu-abu

Transformasi fourier digunakan untuk mencari domian frekuensi gambar. Anda

dapat menganggap gambar sebagai sinyal yang diambil sampelnya dalam dua
arah. Jadi mengambil transformasi fourier di kedua arah X dan Y memberi Anda
representasi frekuensi gambar. Untuk sinyal sinusoidal, jika amplitudo berubah
sangat cepat dalam waktu singkat, dapat dikatakan itu adalah sinyal frekuensi
https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 10/12
5/1/2021 notebook-image.ipynb - Colaboratory

tinggi. Jika bervariasi perlahan, itu adalah sinyal frekuensi rendah. Tepi dan noise
adalah konten frekuensi tinggi dalam gambar karena berubah secara drastis
dalam gambar.

# Buramkan gambar grayscale dengan filter Guassian dengan ukuran kernel 10

imBlur = cv.blur(gray_image,(5,5))
# Ubah gambar menjadi domain frekuensi
f = np.fft.fft2(imBlur)
# Bawa komponen frekuensi-nol ke tengah
fshift = np.fft.fftshift(f)
magnitude_spectrum = 30*np.log(np.abs(fshift))

plt.subplot(121),plt.imshow(imBlur, cmap = 'gray')

plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(magnitude_spectrum, cmap = 'gray')
plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([])
plt.show()

Tugas 6: Hasilkan transformasi fourier dari gambar grayscale Anda

# todo: Terapkan kode Anda di sini

6. Menemukan Tepi dengan Highpass Filtering di FFT

Bagian ini mendemonstrasikan melakukan high pass lter untuk menghilangkan komponen
frekuensi rendah, sehingga menghasilkan gambar yang tajam yang berisi tepinya.

rows, cols = imBlur.shape

crow,ccol = round(rows/2) , round(cols/2)
# hilangkan frekuensi rendah dengan ukuran persegi panjang 10
fshift[crow-10:crow+10, ccol-10:ccol+10] = 0
f_ishift = np.fft.ifftshift(fshift)
img_back = np.fft.ifft2(f_ishift)
img_back = np.abs(img_back)

plt.figure(figsize=([20, 20]))
plt.subplot(131),plt.imshow(imBlur, cmap = 'gray')
plt.title('Input Image'), plt.xticks([]), plt.yticks([])
plt.subplot(132),plt.imshow(img_back, cmap = 'gray')
plt.title('Gambar setelah HPF'), plt.xticks([]), plt.yticks([])
https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 11/12
5/1/2021 notebook-image.ipynb - Colaboratory

plt.subplot(133),plt.imshow(img_back)
plt.title('Hasil dalam JET'), plt.xticks([]), plt.yticks([])
plt.show()

 0s completed at 15:23

https://colab.research.google.com/drive/1iaXgmlnuu0wul2iFCq3jeASrGJ-QRtBw#printMode=true 12/12