Image Processing Code With MATLAB

TUGAS SISTEM FOTONIK
SOFTWARE IMAGE PROCESSING
DISUSUN OLEH :
FADIL ANANTA 02311940000030
HUDZAIFA DHIAUL AHNAF 02311940000102
ARRIFQI AGUNG PERMANA 02311940000166
DOSEN PENGAMPU :
DETAK YAN PRATAMA S.T., M.Sc.
DEPARTEMEN TEKNIK FISIKA

FAKULTAS TEKONOLOGI INDUSTRI DAN REKAYASA SISTEM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2022
CODE SOFTWARE IMAGE PROCESSING
Di dalam software image processing yang kelompok kami gunakan terdapat tiga bagian
penting yaitu dimulai dari pelatihan, kemudian pengujian dan program GUI. Kodingan dari
ketiga bagian tersebut dapat dilihat seperti di bawah ini :
• Pelatihan
clc; %perintah untuk
membersihkan komen window
clear; %perintah
untuk membersihkan workspace window
close all; %perintah
untuk menutup semua figure yang telah dibuka
warning off all; %perintah
untuk menonaktifkan warning yang muncul
%%membaca data latih matang

nama_folder = 'Pelatihan/Matang'; %menetapkan
nama folder
nama_file = dir(fullfile(nama_folder,'*.jpg')); %membaca file
yang berekstensi .jpg
jumlah_file = numel(nama_file); %membaca
jumlah file yang berekstensi .jpg
%menginisialisasi variabel ciri matang dan target matang

ciri_matang = zeros(jumlah_file,10);
target_matang = zeros(jumlah_file,1);
%melakukan pengolahan citra terhadap seluruh file

for n = 1:jumlah_file
%membaca file citra rgb
Img =
im2double(imread(fullfile(nama_folder,nama_file(n).name)));
%%%figure,imshow(Img)
%im2double mengubah kelas data citra dari 8 bit ke kelas double

range 0 sampe 1
%fullfile menggabungkan antara nama folder dengan nama file pada
urutan ke n
%mengkonversi citra rgb

Img_gray = rgb2gray(Img);
%%%figure,imshow(Img_gray)
%mengkonversi citra grayscale menjadi citra biner

bw = imbinarize(Img_gray);
%%%figure, imshow(bw)
%melakukan operasi komplemen

bw = imcomplement(bw);
%melakukan operasi morfologi untuk menyempurnakan hasil

segmentasi
ii
%1. filling holes
bw = imfill(bw, 'holes');
%2. area opening = menghilangkan noise 1000 adalah nilai luas yang
akan dihilangkan
bw = bwareaopen(bw,1000);
%melakukan ekstraksi ciri warna RGB

R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);
R(~bw) = 0;
G(~bw) = 0;
B(~bw) = 0;
RGB = cat(3,R,G,B);
%%%figure, imshow(RGB)
Red = sum(sum(R))/sum(sum(bw));
Green = sum(sum(G))/sum(sum(bw));
Blue = sum(sum(B))/sum(sum(bw));
%melakukan ekstraksi ciri warna HSV

HSV = rgb2hsv(Img);
%%%figure, imshow(HSV)
%ekstrak masing2 komponen

H = HSV(:,:,1);
S = HSV(:,:,2);
V = HSV(:,:,3);
H(~bw) = 0;
S(~bw) = 0;
V(~bw) = 0;
Hue = sum(sum(H))/sum(sum(bw));
Saturation = sum(sum(S))/sum(sum(bw));
Value = sum(sum(V))/sum(sum(bw));
%ekstrak ciri tekstur dengan metode GLCM

Img_gray(~bw) = 0;
%membentuk matriks kookurensi

GLCM = graycomatrix(Img_gray,'Offset',[0 1; -1 1;-1 0;-1 -1]);
%0 1 adalah sudut 0 derajat
%-1 1 adalah 45 derajat
%-1 -1 adalah sudut 135 derajat
stats =
graycoprops(GLCM,{'Contrast','Correlation','Energy','Homogeneity'});
Contrast = mean(stats.Contrast);
Correlation = mean(stats.Correlation);
Energy = mean(stats.Energy);
Homogeneity = mean(stats.Homogeneity);
%mengisi variabel ciri_matang dengan ciri hasil ekstraksi

ciri_matang(n,1) = Red;
ciri_matang(n,2) = Green;
ciri_matang(n,3) = Blue;
ciri_matang(n,4) = Hue;
ciri_matang(n,5) = Saturation;
ciri_matang(n,6) = Value;
ciri_matang(n,7) = Contrast;
ciri_matang(n,8) = Correlation;
ciri_matang(n,9) = Energy;
ciri_matang(n,10) = Homogeneity;
%mengisi variabel target_matang

target_matang(n,1) = 1;
end
%%membaca data latih mentah

nama_folder = 'Pelatihan/Mentah'; %menetapkan
nama folder
nama_file = dir(fullfile(nama_folder,'*.jpg')); %membaca file
yang berekstensi .jpg
%menginisialisasi variabel ciri mentah dan target mentah

ciri_mentah = zeros(jumlah_file,10);
target_mentah = zeros(jumlah_file,1);

Img =

range 0 sampe 1
urutan ke n



segmentasi
%1. filling holes
%2. area opening = menghilangkan noise 1000 adalah nilai luas yang
akan dihilangkan

R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);
R(~bw) = 0;
G(~bw) = 0;
B(~bw) = 0;
RGB = cat(3,R,G,B);

HSV = rgb2hsv(Img);

H = HSV(:,:,1);
S = HSV(:,:,2);
V = HSV(:,:,3);
H(~bw) = 0;
S(~bw) = 0;
V(~bw) = 0;

Img_gray(~bw) = 0;

GLCM = graycomatrix(Img_gray,'Offset',[0 1; -1 1; -1 0; -1 -1]);
stats =
%mengisi variabel ciri_mentah dengan ciri hasil ekstraksi

ciri_mentah(n,1) = Red;
ciri_mentah(n,2) = Green;
ciri_mentah(n,3) = Blue;
ciri_mentah(n,4) = Hue;
ciri_mentah(n,5) = Saturation;
ciri_mentah(n,6) = Value;
ciri_mentah(n,7) = Contrast;
ciri_mentah(n,8) = Correlation;
ciri_mentah(n,9) = Energy;
ciri_mentah(n,10) = Homogeneity;
%mengisi variabel target_mentah

target_mentah(n,1) = 2;
end
%menyusun variabel target_latih

target_latih = [target_matang;target_mentah];
%membuat model SOM pada masing2 kelas (matang & mentah)

net1 = selforgmap([2 2],'topologyFcn','gridtop'); %selain
gridtop ada hextop,randtop
net2 = selforgmap([2 2],'topologyFcn','gridtop');
%pelatihan jaringan
net1 = train(net1,ciri_matang'); %' transpose dilakukan untuk
membalikan dari data kolom menjadi data baris
net2 = train(net2,ciri_mentah');
%membaca nilai bobot jaringan

wnet1 = net1.IW{1,1};
wnet2 = net2.IW{1,1};
%menyimpai nilai bobot jaringan

save('wnet1.mat','wnet1')
save('wnet2.mat','wnet2')
%menghitung jarak masing2 kelas dengan titik pusat masing2 model SOM
pfn1 = dist(wnet1,[ciri_matang;ciri_mentah]');
%menghitung jarak terpendek

Group = zeros(numel(target_latih),2);
for i = 1:numel(target_latih)
Group(i,:) = [min(pfn1(:,i)),min(pfn2(:,i))];
end
%membaca nilai keluaran hasil pelatihan

[~,Groupmin] = min(Group,[],2);
%menghitung nilai akurasi pelatihan

akurasi = (sum(target_latih==Groupmin)/numel(target_latih))*100;
disp(['Akurasi Pelatihan =',num2str(akurasi),'%'])
• Pengujian
clc; %perintah
untuk membersihkan komen window
clear; %perintah
untuk membersihkan workspace window
close all; %perintah
untuk menutup semua figure yang telah dibuka
warning off all; %perintah
untuk menonaktifkan warning yang muncul
%%membaca data uji matang

nama_folder = 'Pengujian/Matang'; %menetapkan
nama folder
nama_file = dir(fullfile(nama_folder,'*.jpg')); %membaca
file yang berekstensi .jpg
%menginisialisasi variabel ciri matang dan target matang

ciri_matang = zeros(jumlah_file,10);
target_matang = zeros(jumlah_file,1);

Img =

range 0 sampe 1
urutan ke n




segmentasi
%1. filling holes
%2. area opening = menghilangkan noise 1000 adalah nilai luas

yang akan dihilangkan

R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);
R(~bw) = 0;
G(~bw) = 0;
B(~bw) = 0;
RGB = cat(3,R,G,B);

HSV = rgb2hsv(Img);

H = HSV(:,:,1);
S = HSV(:,:,2);
V = HSV(:,:,3);
H(~bw) = 0;
S(~bw) = 0;
V(~bw) = 0;

Img_gray(~bw) = 0;

stats =
%mengisi variabel ciri_matang dengan ciri hasil ekstraksi

ciri_matang(n,1) = Red;
ciri_matang(n,2) = Green;
ciri_matang(n,3) = Blue;
ciri_matang(n,4) = Hue;
ciri_matang(n,5) = Saturation;
ciri_matang(n,6) = Value;
ciri_matang(n,7) = Contrast;
ciri_matang(n,8) = Correlation;
ciri_matang(n,9) = Energy;
ciri_matang(n,10) = Homogeneity;
%mengisi variabel target_matang

target_matang(n,1) = 1;
end
%%membaca data uji mentah

nama_folder = 'Pengujian/Mentah'; %menetapkan
nama folder
nama_file = dir(fullfile(nama_folder,'*.jpg')); %membaca
file yang berekstensi .jpg
%menginisialisasi variabel ciri mentah dan target mentah

ciri_mentah = zeros(jumlah_file,10);
target_mentah = zeros(jumlah_file,1);

Img =

range 0 sampe 1
urutan ke n



segmentasi
%1. filling holes


R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);
R(~bw) = 0;
G(~bw) = 0;
B(~bw) = 0;
RGB = cat(3,R,G,B);

HSV = rgb2hsv(Img);

H = HSV(:,:,1);
S = HSV(:,:,2);
V = HSV(:,:,3);
H(~bw) = 0;
S(~bw) = 0;
V(~bw) = 0;

Img_gray(~bw) = 0;

GLCM = graycomatrix(Img_gray,'Offset',[0 1; -1 1; -1 0; -1 -1]);
stats =
%mengisi variabel ciri_mentah dengan ciri hasil ekstraksi

ciri_mentah(n,1) = Red;
ciri_mentah(n,2) = Green;
ciri_mentah(n,3) = Blue;
ciri_mentah(n,4) = Hue;
ciri_mentah(n,5) = Saturation;
ciri_mentah(n,6) = Value;
ciri_mentah(n,7) = Contrast;
ciri_mentah(n,8) = Correlation;
ciri_mentah(n,9) = Energy;
ciri_mentah(n,10) = Homogeneity;
%mengisi variabel target_mentah

target_mentah(n,1) = 2;
end
%menyusun variabel target_uji

target_uji = [target_matang;target_mentah];
%memanggil nilai bobot jaringan

load('wnet1.mat')
load('wnet2.mat')
%menghitung jarak masing2 kelas dengan titik pusat masing2 model SOM

Group = zeros(numel(target_uji),2);
for i = 1:numel(target_uji)
Group(i,:) = [min(pfn1(:,i)),min(pfn2(:,i))];
end
%membaca nilai keluaran hasil pengujian

%menghitung nilai akurasi pengujian

akurasi = (sum(target_uji==Groupmin)/numel(target_uji))*100;
disp(['Akurasi Pengujian =',num2str(akurasi),'%'])
• Program GUI
function varargout = program_gui(varargin)
% PROGRAM_GUI MATLAB code for program_gui.fig
% PROGRAM_GUI, by itself, creates a new PROGRAM_GUI or raises
the existing
% singleton*.
%
% H = PROGRAM_GUI returns the handle to a new PROGRAM_GUI or
the handle to
% the existing singleton*.
%
% PROGRAM_GUI('CALLBACK',hObject,eventData,handles,...) calls
the local
% function named CALLBACK in PROGRAM_GUI.M with the given input
arguments.
%
% PROGRAM_GUI('Property','Value',...) creates a new PROGRAM_GUI
or raises the
% existing singleton*. Starting from the left, property value
pairs are
% applied to the GUI before program_gui_OpeningFcn gets called.
An
% unrecognized property name or invalid value makes property
application
% stop. All inputs are passed to program_gui_OpeningFcn via
varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows
only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help program_gui
% Last Modified by GUIDE v2.5 01-Oct-2022 12:22:47
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @program_gui_OpeningFcn, ...
'gui_OutputFcn', @program_gui_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
% --- Executes just before program_gui is made visible.

function program_gui_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to program_gui (see VARARGIN)
% Choose default command line output for program_gui

handles.output = hObject;
% Update handles structure

guidata(hObject, handles);
movegui(hObject,'center');
% UIWAIT makes program_gui wait for user response (see UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line.
function varargout = program_gui_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% Get default command line output from handles structure

varargout{1} = handles.output;
% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
%memanggil menu "browse file"

[nama_file, nama_folder] = uigetfile('*.jpg');
%jika ada nama file yang dipilih maka akan mengeksekusi perintah di
bawah
%ini
if ~isequal(nama_file,0)

Img = im2double(imread(fullfile(nama_folder,nama_file)));
%menampilkan citra rgb pada axes

axes(handles.axes1)
imshow(Img)
title('Citra RGB')
%menampilkan nama file pada edit text

set(handles.edit1,'String',nama_file)
%menyimpan variabel Img pada lokasi handles agar dapat dipanggil

oleh
%pushbutton yang lain
handles.Img = Img;
guidata(hObject, handles)
else
%jika tidak ada nama file yang dipilih
return
end

%memanggil variabel Img yang ada di lokasi handless

Img = handles.Img;




segmentasi
%1. filling holes

%menampilkan citra biner hasil segmentasi pada axes2

axes(handles.axes2)
imshow(bw)
title('Citra Biner')
%menyimpan variabel bw dan Img gray pada lokasi handles agar dapat
dipanggil oleh
handles.bw = bw;
handles.Img_gray = Img_gray;

%memanggil variabel Img, bw, dan Img_gray yang ada di lokasi handles
Img = handles.Img;
bw = handles.bw;
Img_gray = handles.Img_gray;

R = Img(:,:,1);
G = Img(:,:,2);
B = Img(:,:,3);
R(~bw) = 0;
G(~bw) = 0;
B(~bw) = 0;
RGB = cat(3,R,G,B);

HSV = rgb2hsv(Img);

H = HSV(:,:,1);
S = HSV(:,:,2);
V = HSV(:,:,3);
H(~bw) = 0;
S(~bw) = 0;
V(~bw) = 0;

Img_gray(~bw) = 0;

stats =
%mengisi variabel ciri_uji dengan ciri hasil ekstraksi

ciri_uji(1,1) = Red;
ciri_uji(1,2) = Green;
ciri_uji(1,3) = Blue;
ciri_uji(1,4) = Hue;
ciri_uji(1,5) = Saturation;
ciri_uji(1,6) = Value;
ciri_uji(1,7) = Contrast;
ciri_uji(1,8) = Correlation;
ciri_uji(1,9) = Energy;
ciri_uji(1,10) = Homogeneity;
%menampilkan ciri hasil ekstraksi pada tabel

ciri_tabel = cell(10,2);
ciri_tabel{1,1} = 'Red';
ciri_tabel{2,1} = 'Green';
ciri_tabel{3,1} = 'Blue';
ciri_tabel{4,1} = 'Hue';
ciri_tabel{5,1} = 'Saturation';
ciri_tabel{6,1} = 'Value';
ciri_tabel{7,1} = 'Contrast';
ciri_tabel{8,1} = 'Correlation';
ciri_tabel{9,1} = 'Energy';
ciri_tabel{10,1} = 'Homogeneity';
%mengubah number ke string agar bisa muncul ke tabel

ciri_tabel{1,2} = num2str(Red);
ciri_tabel{2,2} = num2str(Green);
ciri_tabel{3,2} = num2str(Blue);
ciri_tabel{4,2} = num2str(Hue);
ciri_tabel{5,2} = num2str(Saturation);
ciri_tabel{6,2} = num2str(Value);
ciri_tabel{7,2} = num2str(Contrast);
ciri_tabel{8,2} = num2str(Correlation);
ciri_tabel{9,2} = num2str(Energy);
ciri_tabel{10,2} = num2str(Homogeneity);
set(handles.uitable1,'Data',ciri_tabel,'RowName',1:10)
%menyimpan variabel ciri_uji pada lokasi handles agar dapat

dipanggil oleh
handles.ciri_uji = ciri_uji;

%memanggil variabel ciri_uji yang ada di lokasi handles

ciri_uji = handles.ciri_uji;
%memanggil nilai bobot jaringan
load('wnet1.mat')
load('wnet2.mat')
%menghitung jarak masing2 kelas dengan titik pusat masing2 model

SOM
pfn1 = dist(wnet1,[ciri_uji]');
pfn2 = dist(wnet2,[ciri_uji]');

Group = [min(pfn1),min(pfn2)];
%membaca nilai keluaran hasil pengujian

%mengubah nilai keluaran menjadi kelas keluaran

switch Groupmin
case 1
kelas_keluaran = 'Matang';
case 2
kelas_keluaran = 'Mentah';
end
%menampilkan kelas keluaran pada edit text

set(handles.edit2,'String',kelas_keluaran)

%mereset tampilan GUI

set(handles.edit1,'String',[])
set(handles.edit2,'String',[])
axes(handles.axes1)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])
axes(handles.axes2)
cla reset
set(gca,'XTick',[])
set(gca,'YTick',[])
set(handles.uitable1,'Data',[],'RowName',{'' '' ''})
function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)
% Hints: get(hObject,'String') returns contents of edit1 as text
% str2double(get(hObject,'String')) returns contents of edit1
as a double
% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)
% handles empty - handles not created until after all CreateFcns
called
% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
function edit2_Callback(hObject, eventdata, handles)

% Hints: get(hObject,'String') returns contents of edit2 as text

% str2double(get(hObject,'String')) returns contents of edit2
as a double
% --- Executes during object creation, after setting all properties.

function edit2_CreateFcn(hObject, eventdata, handles)
% handles empty - handles not created until after all CreateFcns
called
% Hint: edit controls usually have a white background on Windows.

% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

Image Processing Code With MATLAB

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Image Processing Code With MATLAB

Diunggah oleh

Hak Cipta:

Format Tersedia

TUGAS SISTEM FOTONIK

SOFTWARE IMAGE PROCESSING

DEPARTEMEN TEKNIK FISIKA

%%membaca data latih matang

%menginisialisasi variabel ciri matang dan target matang

%melakukan pengolahan citra terhadap seluruh file

%im2double mengubah kelas data citra dari 8 bit ke kelas double

%mengkonversi citra rgb

%mengkonversi citra grayscale menjadi citra biner

%melakukan operasi komplemen

%melakukan operasi morfologi untuk menyempurnakan hasil

%melakukan ekstraksi ciri warna RGB

%melakukan ekstraksi ciri warna HSV

%ekstrak masing2 komponen

%ekstrak ciri tekstur dengan metode GLCM

%membentuk matriks kookurensi

%mengisi variabel ciri_matang dengan ciri hasil ekstraksi

%mengisi variabel target_matang

%%membaca data latih mentah

%menginisialisasi variabel ciri mentah dan target mentah

%melakukan pengolahan citra terhadap seluruh file

%im2double mengubah kelas data citra dari 8 bit ke kelas double

%mengkonversi citra rgb

%mengkonversi citra grayscale menjadi citra biner

%melakukan operasi komplemen

%melakukan ekstraksi ciri warna RGB

%melakukan ekstraksi ciri warna HSV

%ekstrak masing2 komponen

%ekstrak ciri tekstur dengan metode GLCM

%membentuk matriks kookurensi

%mengisi variabel ciri_mentah dengan ciri hasil ekstraksi

%mengisi variabel target_mentah

%menyusun variabel target_latih

%membuat model SOM pada masing2 kelas (matang & mentah)

%membaca nilai bobot jaringan

%menyimpai nilai bobot jaringan

%menghitung jarak terpendek

%membaca nilai keluaran hasil pelatihan

%menghitung nilai akurasi pelatihan

%%membaca data uji matang

%menginisialisasi variabel ciri matang dan target matang

%melakukan pengolahan citra terhadap seluruh file

%im2double mengubah kelas data citra dari 8 bit ke kelas double

%mengkonversi citra rgb

%mengkonversi citra grayscale menjadi citra biner

%melakukan operasi komplemen

%melakukan operasi morfologi untuk menyempurnakan hasil

%2. area opening = menghilangkan noise 1000 adalah nilai luas

%melakukan ekstraksi ciri warna RGB

%melakukan ekstraksi ciri warna HSV

%ekstrak masing2 komponen

%ekstrak ciri tekstur dengan metode GLCM

%membentuk matriks kookurensi

%mengisi variabel ciri_matang dengan ciri hasil ekstraksi

%mengisi variabel target_matang

%%membaca data uji mentah

%menginisialisasi variabel ciri mentah dan target mentah

%melakukan pengolahan citra terhadap seluruh file

%im2double mengubah kelas data citra dari 8 bit ke kelas double

%mengkonversi citra rgb

%mengkonversi citra grayscale menjadi citra biner

%melakukan operasi komplemen

%2. area opening = menghilangkan noise 1000 adalah nilai luas