Segmentasi Citra Binario Options

A. SEGMENTASI CITRA BERDASARKAN HISTOGRAM Segmentasi citra Adalah membagi Suatu citra menjadi wilayah-Wilayah yang homogen berdasarkan Kritéria keserupaan yang tertentu Antara Tingkat keabuan Suatu piksel dengan Tingkat keabuan pikselpiksel tetangganya. Prose segmentasi memiliki tujuan yang hampir sama dengan prose klasifikasi Tidak terpandu. Segmentasi Sering dideskripsikan sebagai prose analogi terhadap prose pemisahan Latar depanlatar belakang. Contoh untuk prose segmentasi citra yang digunakan Adalah klasterisasi (clustering). 1.1 Segmentasi Citra berdasarkan Pendekatan Wilayah dan Klasterisasi Ide Utama Dalam Teknik segmentasi berdasar Wilayah Adalah mengidentifikasi beberapa Wilayah Dalam Suatu citra yang memiliki kesamaan Corak. Teknik klasterisasi yang ditemui letteratura Dalam pengenalan pola memiliki kesamaan objek dan dapat diterapkan untuk segmentasi citra. Citra dibagi Dalam Kecil wilayah-Wilayah yang nilai Aras keabuannya seragam. Untuk segmentasi citra berdasarkan klasterisasi akan dibahas Lebih Rinci pada bagian selanjutnya. 1.2 Teknik Pemetaan Warna (Mappatura colori) Teknik pemetaan Warna merupakan bagian salah Satu Teknik segmentasi citra menggunakan metode klasterisasi. Hal ini disebabkan Dalam memetakan Warna dari citra masukan akan dikelompokan sesuai dengan kesamaan-kesamaan Warna yang dimiliki. Sehingga tahap-tahap yang akan digunakan mempunyai kesamaan dengan metode klasterisasi. Cluster (klaster) Adalah kesatuan Nilai-nilai Dalam Jarak tertentu pada kepadatan Suatu Daerah (relatif Besar) dibandingkan dengan kepadatan nilainilai Daerah sekitarnya. Teknik klasterisasi bermanfaat untuk segmentasi citra dan klasifikasi dati yang Belum diolah menciptakan Untuk kelas-kelas. Warna diwakili Dalam vettore 3 dimensi dari Nilai titiknya. Masing-Masing komponen Warna dihadirkan Dalam Warna Merah, Hijau dan Biru (RGB). Perlu dicatat bahwa penggunaan penyajian ini, Jika dua Garis vettore Adalah Saling berdekatan, Warna Akan ditampilkan serupa, rata-rata dari dua Garis vettore, Jika Warna yang akan ditampilkan sangat Berbeda, Maka akan diambil Jalan tengah dengan menghadirkan Suatu Warna Secara Kasar Dari Warna aslinya . Fonte Biblio ini Juga ketika rata-rata berbagai Garis vettore RGB. Adapun cara-cara lain yang Tidak membatasi Untuk menghadirkan Suatu Warna dengan Garis Vektor 3 dimensi. Berikut untuk detilnya dari penjelasan di ATAS, bagaimana pilihan penampilan Warna mempengaruhi Hasil prose klasterisasi: 1. Langkah yang Pertama Adalah dati menetapkan impostare algoritma dari Yang digunakan Akan (Kmeans), yaitu dengan melakukan pengambilan nilai acak Dari k. 2. Kemudian, penampilan RGB dari TIAP pixel diciptakan, dan menghasilkan dataset Dalam 3-vettore. 3. Algoritma K-Means diterapkan pada set di dati, menetapkan klasterisasi Pusat k. Algoritma Kmeans Akan menghadirkan k Warna untuk menggambarkan citra tersebut. 4. TIAP-TIAP piksel citra dikonversi Dalam Suatu Garis vettore RGB, dan ditampilkan menggunakan rata-rata dari Kelompok Warna yang dihasilkan. 1.4 Pengambilan Citra Citra yang diolah Adalah Citra Warna digitale (RGB) a 24 bit dengan Berkas penyimpanan berekstensi. bmp. 1.5 Pembangkitan variabile k (klaster) Secara Acak Citra yang akan dilakukan segmentasi, Pertama-tama ditentukan jumlah k yang akan diinginkan. Penentuan Nilai parametro K (nilai RGB Nya) Akan dilakukan Secara acak. Nilai RGB (Red Green Blue) dari k Akan diacak dari nilai 0 sampai 2. Nilai k acak tersebut Adalah bilangan Bulat yang terdiri dari bilangan 0, 1 dan 2. Sehingga akan dihasilkan nilai k acak yang Berbeda Maksimal sebanyak 33 atau 27 kombinasi 1.6 Pengukuran Jarak Piksel terhadap k Pengukuran Jarak yang dilakukan menggunakan rumusan Jarak euclidea. Secara Umum Jarak euclidea Adalah Jarak Antara dua Titik yang akan diukur pada satu, dua, atau Tiga dimensi. Berikut Adalah posisi dari dua Titik pada 3 dimensi (.) X y z P 61501 p p p. (.) X y z Q 61501 q q q. sehingga jaraknya Adalah: () 2 () 2 (z) 2 r 61501 px 61485 QX 61483 py 61485 qy 61483 pz dari 61485 q (3.1) dengan P Adalah dati nilai dan Q Adalah Pusat Kelompok dati. Jika diterapkan Dalam segmentasi citra menggunakan pemetaaan Warna indeks x. y. z menunjukan Nilai R, G, B dari kedua piksel yang akan dihitung. 1.7 Pengelompokan Piksel pada k Sesuai Jarak Terkecil Pengelompokan piksel ini dilakukan agar nantinya Dalam pemetaan Warna yang memiliki Jarak terkecil atau kemiripan Warna terbesar dapat benarbenar menjadi satu Kelompok. Prose ini merupakan prose Awal dari segmentasi citra yang bertujuan salah satunya untuk memperjelas batas objek sesuai dengan k yang diinginkan. 1.8 Penentuan k Baru Hasil dari pengelompokan piksel Akan didapatkan Kelompok-Kelompok baru sesuai dengan kedekatan nilai piksel Kelompok tersebut terhadap nilai k - nya. 1.9 Pemeriksaan Kondisi k Nilai piksel k yang Baru tersebut akan dibandingkan dengan nilai piksel yang Lama (sebelumnya). Jika Nilai piksel k Baru Tidak sama dengan k yang Lama, Maka akan dilakukan iterasi Lagi dan kembali ke prose pembacaan Warna piksel, Serta akan dilakukan prose sesuai urutan selanjutnya. Jika Nilai piksel k Baru sama dengan nilai piksel k Lama, Maka prose Akan berhenti, dan citra Telah tersegmentasi sesuai Con una quantità k yang diinginkan di Awal prose. 1.9 programma Istogramma Citra Pada ini istogramma dibuat dengan menghitung banyaknya cacah piksel citra. Setelah semua Piksel dianalisis, Akan ditentukan Nilai cacah maksimum dari semua nilai dati Warna. 2. HASIL PENELITIAN DAN PEMBAHASAN Hasil penelitian yang dibahas programma Adalah Hasil dari yang Telah dirancang dan dibuat untuk melakukan segmentasi terhadap citra Warna berekstensi. bmp. Pembahasan dilakukan Mulai dari prose segmentasi, analisis, hingga keteranganketerangan Yang dihasilkan Selama prose segmentasi Citra Warna tersebut. Programma yang Telah dibuat dengan Delphi 7 dapat dijalankan dengan langsung membuka cartella del programma segmentasi dan klik dua kali pada Berkas ta. application. sehingga ditampilkan Jendela Utama programma. Pada Gambar programma Utama 4.1 ditunjukkan Jendela setelah dilakukan prose segmentasi. Gambar di ATAS Contoh istogramma citra B. SEGMENTASI CITRA BINER Citra moschettone (binario immagine) Adalah citra Yang Hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Meskipun Saat ini citra berwarna Lebih disukai Karena memberi Kesan yang Lebih Kaya daripada citra Biner, Namun Tidak membuat Citra Biner mati. Pada beberapa aplikasi citra Biner Masih tetap dibutuhkan, misalnya citra logo instansi (yang Hanya terdiri atas Warna hitam dan putih), citra Kode Batang (codice a barre) etichetta Yang tertera pada barang, citra Hasil pemindaian teks Dokumen, dan sebagainya. Prose Awal yang dilakukan Dalam menganalisis objek di Dalam citra Biner Adalah segmentasi objek. Prose segmentasi bertujuan mengelompokkan pixel - pixel objek menjadi wilayah (regione) yang merepresentasikan objek. Ada dua pendekatan yang digunakan Dalam segmentasi objek: 1. Segmentasi berdasarkan batas Wilayah (tepi Dari objek). Pixel - Pixel Tepi ditelusuri sehingga rangkaian pixel Yang menjadi batas (confine) Antara objekdengan Latar belakang dapat diketahui Secara complessive degli ospiti (algoritma confine seguente). 2. Segmentasi ke bentuk-bentuk dasar (misalnya segmentasi huruf menjadi Garis Garis-Vertikal dan orizzontale, segmentasi objek menjadi bentuk Lingkaran, Elips, Dan sebagainya). 2.1 Segmentasi berdasarkan Batas Wilayah. Pada citra Biner, batas Antara objek dengan Latar belakang terlihat Jelas. Pixel objek berwarna hitam sedangkan pixel Latar belakang berwarna putih. Pertemuan antara pixel hitam dan putih dimodelkan sebagai Segmen Garis. Keuntungan Citra Biner Kebutuhan Memori kecil Karena nilai derajat keabuan Hanya mempunyai representasi 1 bit. Waktu pemrosesan Lebih Cepat dibandingkan dengan Citra Hitam putih. 2.2 Konversi Citra Hitam Putih ke Citra Biner Pengkonversian Citra hitam putih (scala di grigi) menjadi citra Biner dilakukan untuk Alasan-Alasan sebagai berikut. Untuk mengindentifikasi keberadaan objek. Untuk Lebih memfokuskan pada Analisis bentuk morfologi. Untuk menampilkan citra pada piranti keluaran yang Hanya mempunyai resolusi Intensitas satu bit. Pengkonversian citra hitam putih (scala di grigi) menjadi citra untuk Biner dilakukan Alasan-Alasan sebagai berikut. 4. Untuk menampilkan citra pada piranti keluaran yang Hanya mempunyai resolusi Intensitas satu bit. 5. Mengkonversi citra YG Telah ditingkatkan kualitas tepinya (edge ​​enhancement) ke penggambaran Garis Garis-Tepi. Konversi dari citra hitam putih ke citra Biner dilakukan dengan Operasi pengambangan (soglia). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap pixel ke Dalam 2 kelas, hitam dan putih. Pendekatan YG digunakan Dalam Operasi pengambangan Adalah pengambangan Secara globale dan pengambangan Secara lokal. 2.4 Pengambangan Secara globale (immagine globale soglia) Setiap pixel di Dalam citra dipetakan ke Dua Nilai, 1 atau 0 dengan fungsi pengambangan. Pengambangan Secara lokal dilakukan terhadap Daerah-Daerah di Dalam citra, dengan memecah citra menjadi kecil bagian-bagian, kemudian prose pengambangan dilakukan Secara lokal. Dengan pengambangan Secara lokal adaptif, Secara subjektif citra Biner yang dihasilkan terlihat Lebih menyenangkan. Prose pengambangan menghasilkan citra Biner. Seringkali citra biner yang dihasilkan mengandung beberapa Daerah yang dianggap sebagai gangguan. Biasanya Daerah gangguan ITU berukuran Kecil. Penapis Luas dapat digunakan untuk menghilangkan Daerah gangguan TSB. Dengan cara menyatakan Daerah di Luar objek dengan 0. 2.6 Pengkodean Citra Biner Citra Biner umumnya dikodekan dengan metode Run-Length Encoding (RLE), corsa yaitu Panjang. dimulai panjang corsa 1 Contoh. Misalkan citra binernya Adalah sebagai berikut. 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 0 1 1 0 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 3, 3, 2, 3, 4, 1, 2, 1, 3 2.7 segmentasi Citra Biner Proses Awal yang dilakukan Dalam menganalisis objek di Dalam citra Biner Adalah segmentasi objek. Prose segmentasi bertujuan mengelom-pokkan pixel-pixel objek menjadi wilayah (regione) yang merepresentasikan objek. Ada 2 pendekatan Yang digunakan 1. Segmentasi berdasarkan batas Wilayah (tepi Dari objek). Pixel-pixel Tepi ditelusuri sehingga rangkaian pixel Yang menjadi batas (confine) Antara objek dengan Latar belakang dapat diketahui Secara complessive degli ospiti. 2. Segmentasi ke bentuk-bentuk dasar. 2.8 Segmentasi berdasarkan Batas Wilayah. Pada citra Biner, batas Antara objek dengan Latar belakang terlihat Jelas. Pixel objek berwarna hitam sedangkan pixel Latar belakang berwarna putih. Pertemuan antara pixel hitam dan putih dimodelkan sebagai Segmen Garis. Penelusuran Batas wilayah dianggap sebagai pembuatan rangkaian keputusan untuk bergerak Lurus, belok kiri atau belok Kanan. Gambar Proses penelusuran batas Wilayah Dalam citra Biner 2,9 Representasi Wilayah Wilayah (regione) di Dalam citra Biner dapat direpresentasikan Dalam beberapa cara. Salah satu cara yang Populer Adalah representasi Wilayah dengan Pohon empatan (quadtree). Setiap simpul di Dalam Pohon empatan merupakan salah Satu dari Tiga kategori. putih, Hitam, dan abu-abu. Pohon empatan diperoleh dengan membagi Citra Secara rekursif. Wilayah di Dalam citra di Bagi menjadi empat UPA Wilayah yang berukuran sama. Untuk setiap UPA Wilayah, bila pixel-pixel di Dalam Wilayah tersebut semuanya hitam atau semuanya putih, Maka prose pembagian dihentikan. Sebaliknya, bila pixel-pixel di Dalam UPA Wilayah mengandung baik pixel hitam maupun pixel putih (kategori abu-abu), Maka UPA Wilayah tersebut dibagi Lagi menjadi Empat bagian. Demikian seterusnya sampai diperoleh UPA Wilayah yang semua pixel - nya hitam atau semua pixel - nya putih. Prose pembagian tersebut digambarkan dengan Pohon empatan. Dinamakan Pohon empatan Karena setiap simpul mempunyai tepat Empat Anak. Gambar berikut memperlihatkan contoh representasi Wilayah dengan Pohon empatan. Pemrograman Matlab Segmentasi Citra Dalam pengolahan citra, terkadang Kita menginginkan pengolahan Hanya pada obyek tertentu. Oleh sebab itu, Perlu dilakukan prose segmentasi citra yang bertujuan untuk memisahkan Antara objek (primo piano) dengan sfondo. Pada umumnya keluaran Hasil segmentasi citra Adalah berupa citra moschettone di mana objek (primo piano) yang dikehendaki berwarna putih (1), sfondo sedangkan Yang ingin dihilangkan berwarna hitam (0). Sama halnya pada prose perbaikan kualitas citra, prose segmentasi citra Juga bersifat eksperimental, subjektif, dan bergantung pada tujuan yang hendak dicapai. Segmentasi citra merupakan tahapan penting Dalam prose pengenalan pola. Setelah objek berhasil tersegmentasi, Maka Kita dapat melakukan prose ekstraksi citra Ciri. Ekstraksi Ciri merupakan tahapan yang bertujuan untuk mengekstrak Ciri dari Suatu objek di mana Ciri tersebut digunakan untuk membedakan Antara objek Satu dengan objek lainnya. Condividi questo: Pemrograman Matlab Segmentasi Warna Warna Segmentasi merupakan salah Satu metode segmentasi citra yang memisahkan Antara objek dengan sfondo berdasarkan Ciri Warna tertentu dari objek tersebut. Prose segmentasi Warna, salah satunya dapat dilakukan dengan cara mengkonversi ruang Warna citra Yang semula RGB (rosso, verde, blu) menjadi ruang Warna HSV (Hue, Saturation, Value). Komponen Hue komponen merupakan yang merepresentasikan Warna dari berbagai panjang gelombang cahaya. Komponen Hue dari ruang Warna HSV kemudian diekstrak dan dibagi-bagi menjadi beberapa Daerah Warna seperti pada gambar berikut ini Contoh tampilan programma GUI segmentasi Warna ditunjukkan pada gambar berikut: Gambar di ATAS merupakan Hasil segmentasi Warna citra terhadap Warna Hijau. Il codice sorgente prose segmentasi Warna dapat diunduh pada Laman berikut ini: Il codice sorgente Sedangkan codice sorgente tampilan Nya Adalah: Condividi questo: Category Archives: Pengolahan Citra Perkembangan Teknologi yang begitu pesat pada Saat ini tidak Bisa dijelaskan Lagi berbagai penemuan Baru Muncul setiap harinya. Pada prinsipnya teknologi ini untuk berkembang memenuhi kebutuhan dan keinginan manusia agar Dalam kehidupannya dapat Lebih Mudah berkomunikasi ataupun melakukan sesuatu. Kita ketahui bahwa Dalam kehidupan sehari-hari kita terlepas dari Grafik komputer. Grafik komputer mempunyai banyak manfaat tetapi juga memiliki kelemahan. Grafik komputer Adalah ilmu yang sangat Cepat berkembang pada Saat ini. Perkembangan ini didukung Oleh munculnya prosesor-proseor komputer yang Cepat dan kartu Grafik yang Semakin Canggih dan hebat. Untuk ITU pada kesempatan ini saya akan menjelasan berbagai manfaat dari Grafik komputer ITU sendiri. Grafik komputer Adalah salah Satu Cabang Disiplin ilmu informatika yang mempelajari pembuatan gambar dengan menggunakan Komputer. Perbedaan antara grafik komputer dengan pengolahan citra Adalah Dalam pengolahan citra, ingresso gambar kedalam prose pengolahan citra Sudah tersedia, sedangkan pada Grafik komputer dilakukan prose untuk menciptakan gambar Dari Awal. Pada perkembangan digitale Dunia, Grafik komputer Sangat berpengaruh sekali. Sekarang ini grafik komputer Sudah digunakan untuk pembuatan film pellicola Animasi. dengan Kemajuan teknologi komputer dan ilmu Grafis mungkin Grafik komputer Lebih banyak memiliki manfaat daripada kelemahannya. Untuk ITU pada kesempatan ini saya akan menjelasan berbagai manfaat dari Grafik komputer ITU sendiri. 1. Di Bidang Hiburan Tidak memungkiri pada sekarang ini semua acara hiburan di Televisi banyak menggunakan Grafik komputer. Mulai dari pellicola e Cartoon, iklan di TV Dan sampai acara sinetron sekalipun Sudah di selipi Oleh Grafik komputer. Grafik komputer disini berupa efek Animasi pellicola yang dapat membuat Semakin menarik. 2. Di Bidang Pendidikan Grafik komputer pada Pendidikan digunakan untuk mempresentasikan objek-objek pada Siswa Secara nyata, dapat melalui software ataupun power point lainnya. Dengan penggunakan bentuk objek ini diharapkan Siswa Lebih nyata Dalam menerima semua materi yang Telah diajarkan, Tidak Hanya teori Saja tetapi Sudah Melihat bentuk dan simulasinya. Bentuk ini dapat berupa penggambaran bidang, ruang, Grafik, gambar kerangka manusia, susunan Tubuh manusia, dan sebagainya. 3. Di Bidang Perancangan Pada bidang ini Grafik komputer digunakan untuk membuat berbagai desain dan modello objek yang akan dibuat. Misalnya digunakan untuk mendesain Suatu arsitektur Bangunan, desain kendaraan software dan lainnya. Menggunakan desain GRAFIS Auto CAD seperti semuanya akan Mudah berlangsung Secara dan Lebih spesifik Dalam perancangan yang akan dibuat. Memperkecil tinggkat kesalahan sehingga akan menhasilkan Suatu modello yang sama seperti aslinya. Computer Vision Adalah ilmu dan Teknologi mesin yang Melihat, di mana mesin mampu mengekstrak Informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Sebagai Suatu Disiplin ilmu, visi komputer berkaitan dengan teori di Balik sistem buatan bahwa ekstrak Informasi Dari gambar. Dati gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan Dari beberapa kamera, i dati atau multi-dimensi Dari scanner Medis. Sedangkan sebagai Disiplin Teknologi, computer vision berusaha untuk menerapkan teori dan modello untuk Pembangunan computer vision sistem. Computer Vision didefinisikan sebagai salah Satu Cabang ilmu pengetahuan yang mempelajari bagaimana komputer dapat mengenali obyek yang diamati. Cabang ilmu ini bersama Intelligenza akan mampu Intelligence System menghasilkanVisual Artificiale. Perbedaannya Adalah Computer Vision Lebih mempelajari bagaimana komputer dapat mengenali obyek yang diamati. Namun komputer grafik Lebih ke arah pemanipulasian gambar digitale (visivo) Secara. Bentuk Sederhana dari Grafik komputer Adalah Grafik komputer 2D yang kemudian berkembang menjadi Grafik komputer 3D, pemrosesan citra, dan pengenalan pola. Grafik komputer Sering dikenal dengan istilah visualisasi dati. Computer Vision Adalah kombinasi Antara: Pengolahan Citra (Image Processing), bidang Yang berhubungan dengan prose transformasi citragambar (immagine). Prose ini untuk bertujuan mendapatkan kualitas citra yang Lebih Baik. Pengenalan Pola (Pattern Recognition), bidang ini berhubungan dengan prose identifikasi obyek pada citra atau interpretasi citra. Prose ini untuk bertujuan mengekstrak informasipesan yang disampaikan Oleh gambarcitra. Hubungan dari kombinasi tersebut dapat Visualizzati di recente pada gambar berikut: Fungsi Proses pada Computer Vision Untuk menunjang tugas Computer Vision, terdapat beberapa fungsi pendukung ke Dalam sistem ini, yaitu: Proses penangkapan Citra (Image Acquisition) Immagine Acqusition pada manusia dimulai dengan mata, kemudian Informasi visiva diterjemahkan ke Dalam Suatu formato yang dapat kemudian dimanipulasi Oleh otak. Senada dengan prose di ATAS, computer vision membutuhkan Sebuah mata untuk menangkap Sebuah sinyal visivo. Umumnya mata pada video di computer vision Adalah Sebuah Kamera. immagine Scena atau menerjemahkan Sebuah Kamera. Keluaran dari Kamera Adalah berupa analogico sinyal, dimana frekuensi dan amplitudonya (frekuensi berhubungan Con una quantità sinyal Dalam satu detik, sedangkan amplitudo berkaitan dengan tingginya sinyal Listrik yang dihasilkan) merepresentasikan dettaglio ketajaman (luminosità) scena pada. Kamera mengamati Sebuah kejadian pada Satu Jalur Dalam satu waktu, memindainya dan membaginyamenjadi ratusan Garis orizzontale yang sama. Tiaptiap Garis membuat Sebuah sinyal analogico yang amplitudonya menjelaskan perubahan luminosità Garis sepanjang sinyal tersebut. Kemudian sinyal Listrik ini menjadi diubah bilangan Biner yang akan digunakan Oleh komputer untuk pemrosesan. Karena komputer Tidak bekerja dengan sinyal analogico, convertitore Maka Sebuah analogtodigital (ADC), dibutuhkan untuk memproses semua sinyal tersebut Oleh Komputer. ADC ini akan mengubah sinyal analogico yang direpresentasikan Dalam bentuk Informasi sinyal Tunggal ke Dalam Sebuah aliran (stream) sejumlah bilangan Biner. Bilangan biner ini kemudian disimpan di Dalam Memori dan akan menjadi dati grezzi yang diproses Akan. Prose pengolahan Citra (Image Processing) Tahapan computer vision berikutnya akan melibatkan sejumlah manipulasi Utama (manipolazione iniziale) dati Dari tersebut binari. membantu di elaborazione delle immagini dan immagine perbaikan kualitas peningkatan, sehingga dapat dianalisa dan di Olah Lebih Jauh Secara Lebih efisien. Elaborazione delle immagini Akan meningkatkan perbandingan sinyal terhadap rumore (rapporto SignalToNoise sn). Sinyalsinyal tersebut Adalah Informasi yang merepresentasikan objek immagine ada Dalam akan yang. rumore Sedangkan Adalah Segala bentuk interferensi, kekurangpengaburan, Yang terjadi pada Sebuah objek. Analisa dati Citra (Image Analysis) analisi delle immagini Akan mengeksplorasi scena ke Dalam bentuk karateristik Utama dari objek melalui Suatu prose investigasi. programma Sebuah komputer akan Mulai Melihat melalui bilangan Biner yang merepresentasikan Informasi visiva untuk mengidentifikasi fiturfitur spesifik dan karekteristiknya. Lebih digunakan untuk mencari tepi immagine Dalam batasbatasan objek dan khusus Lagi analisi delle immagini del programma. Sebuah Tepian (edge) terbentuk Antara objek dan Latar belakangnya atau Antara dua objek yang spesifik. Tepi ini akan terdeteksi sebagai akibat dari perbedaan luminosità livello pada sisi yang Berbeda dengan Salah satu batasnya. Prose pemahaman citra dati (Immagine intesa) Ini Adalah Langkah terakhir Dalam prose computer vision, Yang mana sprsifik objek dan hubungannya diidentifikasi. Pada bagian ini akan melibatkan kajian tentang Teknik-Teknik artificiale intelligente. Capire berkaitan dengan modello corrispondente scena yang ada Dalam Sebuah. Metoda ini programma menggunakan pencarian (programma di ricerca) dan Teknik pola penyesuaian (modello tecniche di corrispondenza). Contoh aplikasi dari Computer Vision Beberapa aplikasi yang dihasilkan dari Computer Vision Antara rimasto: 1. Psicologia, AI esplorare rappresentazione e calcolo in visione naturale 2. Optical Character Recognition lettura del testo 3. uso del suolo telerilevamento e monitoraggio ambientale di misurazione Analisi 4. Immagine medica e l'interpretazione di molti tipi di immagini 5. misura di controllo industriale, di controllo guasti, controllo di processo 6. navigazione e controllo robotico Operasi-Operasi yang dilakukan pada pengolahan citra digitale dapat dikelompokkan menjadi empat livello livello yaitu komputasi. Titik, lokal, globale objek dan. Operasi livello pada Titik Hanya dilakukan pada pixel Tunggal di Dalam citra. Operasi Titik dikenal Juga dengan nama Operasi puntuale. Operasi ini terdiri Dari: Mengakses pixel pada Ubicazione tertentu Memodifikasi dengan Operasi linier atau nonlinier Menempatkan nilai pixel Baru pada Ubicazione yang sesuai Baru pada citra. Ulangi Langkah-Langkah tersebut untuk seluruh pixel. Secara matematis, Operasi livello pada Titik dinyatakan sebagai berikut: Dimana: Fa. Citra masukan fB. Citra keluaran Otitik. Operasi matematis (linier non linier) Operasi pada livello Titik dibagi menjadi Tiga macam yaitu berdasarkan. Intensitas, geometri dan dan gabungan Intensitas Geometri a. Intensitas Berdasarkan Intensitas Nilai u Suatu pixel diubah dengan transformasi h menjadi nilai Intensitas Baru v. Contoh Operasi Titik berdasarkan Intensitas Adalah Operasi Ambang batas (soglia). Pada Operasi ini pixel nilai dipetakan ke salah Satu dari dua nilai berdasarkan Nilai Ambang. Jika Nilai a1 0 dan A2 1, Maka Operasi ini mentransformasikan citra hitam putih menjadi citra Biner. Misalkan citra hitam putih yang memiliki livello di grigio 256, dipetakan menjadi citra Biner, Maka fungsi transformasinya Adalah sebagai berikut: pixel-pixel yang nilai intensitasnya di bawah 128 diubah menjadi Hitam (Intensitas Nilai 0), sedangkan pixel-pixel yang nilai intensitasnya di ATAS 128 diubah menjadi putih (Intensitas Nilai 1). Citra Asli Citra Biner Citra negatif Algoritma. transformasi citra hitam-putih menjadi citra Biner vuoto moschettone (Citra A, citrabiner B, int T, int n, int M) Membuat citra Biner dari Citra A berdasarkan nilai Ambang (soglia) dispesifikasikan T yang. Ukuran citra Adalah N x M. citrabiner Adalah tipe dati untuk citra Biner). Contoh Operasi Titik di Più Adalah: 1. Operasi negatif yaitu mendapatkan citra negatif meniru pellicola negatif pada Fotografi dengan cara mengurangi nilai Intensitas pixel dari nilai keabuan maksimum. Misal citra dengan 256 derajat keabuan (8 bit), Maka citra negatif diperoleh dengan persaman f (x, y) 255 f (x, y) sedangkan citra dengan 128 derajat keabuan f (x, y) 127 f (x, y) Algoritma citra hitam Putik ke citra Negativo Negativo vuoto (Citra a, B citra, int n, int M) per (I0 iltN-1 i) per (J0 jltM-1 j) Bij 255 Aij 2. Pemotongan (clipping). Operasi ini dilakukan jika nilai pixel Hasil pengolahan citra terletak dibawah nilai Intensitas minimo atau di ATAS nilai Intensitas maksimum: 3. Pencerahan Citra (immagine illuminante) Kecerahan citra dapat diperbaiki dengan menambahkan (atau mengurangkan Sebuah konstanta kepada (atau dari) setiap pixel di Dalam citra f (x, y) f (x, y) b Jika b Positif, kecerahan citra bertambah, sebaliknya Jika b negatif kecerahan Citra berkurang. Semula Citra zelda Tampak gelap, tetapi dengan menambahkan setiap nilai pixel dengan b10, citra zelda menjadi Lebih Terang. Operasi pencerahan citra dapat menghasilkan nilai dibawah Intensitas minimo atau diatas nilai Intensitas maksimum. Oleh Karena itu Operasi ritaglio Perlu diterapkan. Algoritma pencerahan Citra untuk citra 256 derajat keabuan b. Berdasarkan geometri Posisi pixel diubah ke posisi yang Baru, intensitasnya sedangkan Tidak berubah. Contoh Operasi Titik berdasarkan geometri misalnya pemutaran (rotasi), pergeseran (translasi), penskalaan (dilatasi), pembetulan erotan (distorsi) c. Intensitas Berdasarkan Dan geometri Operasi ini tidak Hanya mengubah Nilai Intensitas pixel, Juga TAPI mengubah posisinya. Misalnya immagine morphing, yaitu perubahan bentuk objet beserta Nilai intensitasnya. Operasi pada Aras lokal menghasilkan citra keluaran yang Intensitas Suatu pixel bergantung pada Intensitas pixel-pixel tetangganya quartiere N., yaitu pixel-pixel yang berada disekitar (x, y) Contoh Operasi beraras lokal Adalah Operasi konvolusi untuk mendeteksi Tepi (rilevamento dei bordi) dan pelembutan Citra (immagine smoothing). Gambar Hasil pendeteksian semua tepi dari citra lena 3. Aras globale Operasi pada Aras globale menghasilkan citra keluaran yang Intensitas Suatu pixel pada bergantung Intensitas pixel complessive degli ospiti Contohnya Operasi penyetaraan istogramma untuk meningkatkan kualitas citra. Tujuan dari Operasi pada Aras objek Adalah untuk mengenali objek tersebut, misalnya dengan menghitung Intensitas rata-rata, Ukuran, bentuk, karakteristik lain objek Dari. Karena Citra Matriks Adalah digitale, Maka Operasi aritmetika Juga berlaku yang meliputi: 1. Penjumlahan atau pengurangan Antara dua Citra A dan aC (x, y) A (x, y) B (x, y) 2. Perkalian dua Citra C (x , y) A (x, y) B (x, y) 3. Penjumlahan pengurangan Citra A dengan Skalar c C (x, y) A (x, y) c 4. Perkalianpembagian Citra A dengan Sebuah Skalar c C (x, y) c. A (x, y) Operasi booleano pada Citra Operasi Dari booleano terdiri e, o dan no C (x, y) A (x, y) e B (x, y) C (x, y) A (x, y) o B (x, y) C (x, y) non A (x, y) Pada citra Biner, Operasi non dapat digunakan untuk menentukan komplemen Dari citra. Citra digitale Adalah Sebuah fungsi 2D, f (x, y), Yang merupakan fungsi Intensitas Cahaya, dimana Nilai x dan y merupakan koordinat spasial dan nilai fungsi di setiap Titik (x, y) merupakan Tingkat keabuan citra pada Titik tersebut. Citra digitale dinyatakan dengan Sebuah Matriks dimana Baris dan kolomnya menyatakan Suatu Titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar atau piksel) menyatakan Tingkat keabuan pada Titik tersebut. Matriks dari citra berukuran digitale NxM (Tinggi x Lebar), dimana: N Baris jumlah 0 lt y N 1 M jumlah Kolom 0 x M 1 L derajat keabuan 0 f (x, y) L 1 Berikut ini Adalah Gambaran Matriks Dari citra digitale: dimana indeks Baris (x) dan indeks Kolom (y) menyatakan Suatu koordinat Titik pada citra, f sedangkan (x, y) Intensitas merupakan (derajat keabuan) pada Titik (x, y). jenisnya Berdasarkan, citra dapat digitale dibagi menjadi 3 (Sutoyo, 2009), yaitu: 1. Citra Biner (Monokrom) Memiliki 2 buah Warna, yaitu hitam dan putih. Warna hitam bernilai 1 dan Warna putih bernilai 0. Untuk menyimpan kedua Warna ini dibutuhkan 1 bit di Memori. Contoh dari susunan piksel pada citra Monokrom Adalah sebagai berikut: 2. Citra scala di grigi (Skala keabuan) Citra in scala di grigi mempunyai kemungkinan Warna hitam untuk nilai minimo dan Warna putih untuk Nilai Maksimal. Banyaknya Warna tergantung po pada jumlah yang disediakan di Memori untuk menampung kebutuhan Warna tersebut. Semakin besar po jumlah Warna yang disediakan di memori, Maka Semakin Halus gradasi Warna yang terbentuk. Contoh: skala keabuan 2 bit jumlah kemungkinan 2 2 4 Warna Jadi, kemungkinan Warna 0 (minima) sampai 4 (Maksimal) Setiap piksel pada citra Warna mewakili Warna yang merupakan kombinasi Tiga Warna dasar, yaitu Merah, Hijau, dan Biru (RGB Rosso, Verde blu ). Setiap Warna dasar menggunakan penyimpanan 8 bit 1 byte (nilai maksimum 255 Warna), Jadi Satu piksel pada citra Warna diwakili Oleh 3 byte. Pengolahan citra Adalah digitale salah Satu bentuk pemrosesan Informasi dengan inputan berupa Citra (immagine) Dan keluaran Yang Juga berupa citra atau dapat Juga bagian dari citra tersebut. Tujuan dari pemrosesan ini Adalah memperbaiki kualitas citra agar Mudah diinterpretasi Oleh manusia atau mesin computer. Operasi-Operasi pada pengolahan citra digitale Secara Umum dapat diklasifikasikan sebagai berikut: Perbaikan kualitas Citra (miglioramento delle immagini), contohnya perbaikan Kontras gelapterang, penajaman (sharpening), Dan perbaikan Tepian objek (edge ​​enhancement) Restorasi Citra (immagine di restauro), contohnya penghilangan kesamaran (deblurring) Pemampatan Citra (compressione delle immagini) Segmentasi Citra (segmentazione) Pengorakan Citra (analisi delle immagini), contohnya pendeteksian Tepi objek (edge ​​enhancement) dan ekstraksi batas (confine) Rekonstruksi Citra (immagine recronstruction) Perbaikan kualitas Citra (il miglioramento delle immagini) Jenis Operasi ini untuk bertujuan memperbaiki kualitas citra dengan cara memanipulasi parametro-parametro citra. Dengan Operasi ini, khusus Ciri-Ciri yang terdapat di Dalam Citra Lebih ditonjolkan. Contoh-contoh Operasi perbaikan citra. perbaikan Kontras gelapterang perbaikan Tepian objek (edge ​​enhancement) penajaman (sharpening) pembrian Warna Semu (pseudocoloring) penapisan derau (filtraggio del rumore). citra Pemugaran (immagine di restauro) Operasi ini bertujuan menghilangkanmeminimumkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan Operasi perbaikan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh Operasi pemugaran Citra: penghilangan kesamaran (deblurring). penghilangan derau (noise) Pemampatan citra (image compression) Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG. Segmentasi citra (image segmentation) Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola. Pengorakan citra (image analysis) Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-contoh operasi pengorakan citra: Pendeteksian tepi objek (edge detection) Ekstraksi batas (boundary) Representasi daerah (region) Operasi pendeteksian tepi pada citra Camera. Operasi ini menghasilkan semua tepi (edge) di dalam citra. Rekonstruksi citra (image reconstruction) Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk ulang gambar organ tubuh. Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web ( website ) di internet dibuat semenarik mungkin dengan menyertakan visualisasi berupa gambar atau video yang dapat diputar. Beberapa waktu lalu istilah SMS ( Short Message Service ) begitu populer bagi pengguna telepon genggam ( handphone atau HP). Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video, yang dikenal dengan layanan MMS ( Multimedia Message Service ). Citra ( image ) adalah istilah lain untuk gambar. Sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi sebuah gambar bermakna lebih dari seribu kata ( a picture is more than a thousand words ). Maksudnya tentu sebuah gambar dapat memberikan informasi yang lebih banyak daripada informasi tersebut disajikan dalam bentuk kata-kata (tekstual). Image processing, image analysist, image understanding, computer vision Keempat istilah diatas sering dijumpai dalam mempelajari pengolahan citra digital. Belum ada keterangan yang jelas tentang batasan pengolahan dengan aplikasi citra lainnya seperti analisiscitra, deskripsi citra, dan visi computer. Namun keempat istilah diatas sering kali dibedakan dariinput dan outputnya. Image processing memiliki input dan outputnya berupa citra. Sebagai contoh, suatu citraditransformasi ke bentuk citra yang lainnya. Input analysist memiliki input berupa citra dengan output bukan citra akan tetapi berupa hasilpengukuran terhadap citra tersebut. Sebagai contoh, suatu citra wajah dianalisis untuk mendapatkan fitur wajah seperti jarak kedua mata dan jarak mata dengan hidung. Adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra gambar menjadi citra lain dengan menggunakan teknik tertentu. Analisis Citra (Image Analysis) Operasi ini bertujuan untuk menghitung besaran kuantitatif citra untuk menghasilkan deskripsinya. Teknik analisis citra mengekstraksi ciri-ciri tertentu yang membantu dalam identifikasi obyek. Proses segmentasi kadangkala diperlukan untuk melokalisasi obyek yang diinginkan dari sekelilingnya. Pemahaman Data Citra (Image Understanding) Pada bagian ini akan melibatkan kajian tentang teknikteknik artificial intelligent. Understanding berkaitan dengn template matching yang ada dalam sebuah scene. Metoda ini menggunakan program pencarian (search program)dan teknik penyesuaian pola (pattern matching techniques). Adalah ilmu dan teknologi mesin yang melihat, di mana lihat dalam hal ini berarti bahwa mesin mampu mengekstrak informasi dari gambar yang diperlukan untuk menyelesaikan tugas tertentu. Sebagai suatu disiplin ilmu, visi komputer berkaitan dengan teori di balik sistem buatan bahwa ekstrak informasi dari gambar. Data gambar dapat mengambil banyak bentuk, seperti urutan video, pandangan dari beberapa kamera, atau data multi-dimensi dari scanner medis. Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan yang mempelajari bagaimana komputer dapat mengenali obyek yang diamati diobservasi. Cabang ilmu ini bersama Intelijensia Semu (Artificial Intelligence) akan mampu menghasilkan sistem intelijen visual (Visual Intelligence System).Perbedaannya adalah computer vision lebih mempelajari bagaimana komputer dapat mengenali obyek yang diamati diobservasi. Namun komputer grafika lebih ke arah pemanipulasian gambar (visual) secara digital. Bentuk sederhana dari grafika komputer adalah grafika komputer 2D yang kemudian berkembang menjadi grafika komputer 3D, pemrosesan citra (image processing), dan pengenalan pola (pattern recognition). Grafika komputer sering dikenal juga dengan istilah visualisasi data. Computer Vision adalah kombinasi antara : - Pengolahan Citra (Image Processing), bidang ini berhubungan dengan proses transformasi citragambar (image). Proses ini bertujuan untuk mendapatkan kualitas citra yang lebih baik. - Pengenalan Pola (Pattern Recognition), bidang ini berhubungan dengan proses identifikasi obyek pada citra atau interpretasi citra. Proses ini bertujuan untuk mengekstrak informasipesan yang disampaikan oleh gambarcitra. Pengolahan citra bertujuan untuk memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia atau mesin. Teknik-teknik pengolahan citra mentransformasikan citra menjadi citra lain. Inputan pada proses ini adalah citra dan keluarannya juga berupa citra dengan kualitas lebih baik daripada citra inputan sebelumnya. Sistem akuisisi data dapat didefinisikan sebagai suatu sistem yang berfungsi untuk mengambil, mengumpulkan dan menyiapkan data, hingga memprosesnya untuk menghasilkan data yang dikehendaki. Pada data berjenis citra yang masih berbentuk analog, citra tersebut harus direpresentasikan secra numerik dengan nilai - nilai diskrit agar dapat diolah dengan komputer digital. Representasi citra dari fungsi kontinu menjadi nilai - nilai diskrit disebut digitalisasi yang menghasilkan ciitra digital. Digitizer atau alat untuk melakukan digitalisasi dapat berupa scanner atau kamera video. Digitizer terdiri dari tiga komponen dasar. Pertama, sensor citra yang bekerja sebagai pengukur intensitas cahaya. Kedua, perangkat penjelajah yang berfungsi merekam hasil pengukuran intensitas pada seluruh bagian citra. Ketiga, pengubah analog ke digital yang berfungsi melakukan penerokan dan kuantisasi. Filter merupakan proses preprocessing awal yang digunakan untuk menghilangkan bagian-bagian yang tidak diperlukan (noise) pada citra untuk proses selanjutnya. Metode filter atau filtering yang terbaik tergantung dengan situasi dari citra dan jenis derau atau degradasi yang terdapat pada citra. Beberapa jenis filter tersebut adalah : 1. Filter Linier menyediakan kesederhanaan, kecepatan, dan sangat membantu dalam proses pengurangan derau jika informasi tenta ng band frekuensinya sangat terbatas. 2. Filter Median adalah filter yang paling efektif untuk menghilangkan derau salt dan pepper. 3. Filter Wiener merupakan filter linier adaptif yang berdasarkan karakteristik varian local dari citra. Filter wiener memperhalus daerah citra yang berubah pada citra dengan noise yang paling kelihatan, tetapi mempertahankan daerah dimana detail sangat terlihat dan noise tidak terlalu kelihatan. Konversi Citra Hitam Putih Ke Citra Biner Pengkonversian citra hitam putih menjadi citra biner dilakukan untuk mengidentifikasi keberadaan objek yang direpresentasikan sebagai daerah (region) di dalam citra. Selain mengidentifikasi keberadaan objek, pengkonversian dilakukan untuk dapat memfokuskan pada analisis bentuk morfologi dengan asumsi intensitas pixel tidak terlalu penting dibandingkan bentuknya. Setelah objek dipisahkan dari latar belakangnya, properti geometri dan morfologitopologi objek dapat dihitung dari citra biner. Dalam kasus pengenalan pola, hal ini berguna untuk pengambilan keputusan tergolong dalam klasifikasi yang manakah citra tersebut berada. Konversi dari citra hitam-putih ke citra biner dilakukan dengan operasi pengambangan (thresholding). Scalling merupakan proses mengubah dimensi region dari tiap karakter dan ketebalan karakter. Proses ini digunakan agar setiap karakter memiliki dimensi region yang sama. GUI merupakan tampilan grafis yang memudahkan user berinteraksi dengan perintah teks. Dengan GUI, program yang dibuat menjadi lebih user friendly, sehingga user mudah menjalankan suatu aplikasi program. Untuk membuka lembar kerja GUI dalam Matlab, kita menggunakan perintah File gt New gt GUI atau dengan mengetikkan gtgt guide pada Command Windows. Berikut adalah penjelasan kegunaan ikon-ikon pada toolbar GUI : 1. New. untuk membuka lembar kerja GUI Matlab yang baru. 2. Open. untuk membuka file Matlab yang sudah tersimpan. 3. Save. untuk menyimpan GUI yang telah dibuat. 4. Cut. untuk menghapus komponen GUI agar dapat disalin kembali. 5. Copy. untuk mengkopi komponen GUI agar dapat disalin. 6. Paste. untuk menyalin komponen GUI yang telah di potong atau di kopi. 7. Undo. untuk mengembalikan suatu perintah yang dilakukan sebelumnya. 8. Redo. untuk mengembalikan suatu perintah yang dilakukan sesudahnya. 9. Align Objects. untuk merapikan beberapa komponen GUI 10. Menu Editor. terdapat dua menu, yaitu: Menu Bar: untuk membuat menu pada figure yang bersangkutan. Context Menus: akan tertampil jika pengguna mengklik kanan mouse pada komponen di menu yang didefinisikan. 11. M-File Editor. untuk membuka script program GUI pada m-file editor. 12. Property Inspector. untuk membuka property suatu komponen GUI yang dibuat. 13. Object Browser. untuk menampilkan daftar urutan komponen-komponen GUI pada figure. 14. Run. untuk menjalankan Program. Komponen-komponen GUI dapat dijelaskan sebagai berikut: 1. Pointer Pointer merupakan komponen yang digunakan untuk memilih dan memindahkan komponen yang lain. 2. Push Button Push Button merupakan tombol yang jika diklik akan menghasilkan suatu tindakan. 3. Slider Slider menerima masukan berupa angka pada suatu range tertentu di mana pengguna menggeser control pada slider. 4. Radio Button Radio Button merupakan control yang digunakan untuk memilih satu pilihan dari beberapa pilihan yang ditampilkan. 5. Check Box Check box merupakan kontrol yang digunakan untuk memilih satu atau lebih pilihan dari beberapa pilihan yang ditampilkan. 6. Edit Text Edit text merupakan kontrol untuk meng-input-kan atau memodifikasi teks. 7. Static Text Static text merupakan kontrol untuk membuat teks label. 8. Pop Up Menu Pop up menu merupakan kontrol yang digunakan untuk membuka tampilan daftar pilihan yang telah didefinisikan dengan mengklik tanda panah yang terdapat pada pop up menu. 9. List Box List box merupakan kontrol yang digunakan untuk menampilkan semua daftar item. Kemudian, pengguna memilih satu di antara item-item yang ada. 10.Toggle Button Toggle button hampir sama dengan push button, hanya jika push button diklik, tombol akan kembali ke posisi semula. Sebaliknya, jika toggle button diklik, tombol tidak akan kembali ke posisi semula kecuali diklik kembali. 11.Axes Axes digunakan untuk menampilkan grafik atau gambar. 12.Panel Panel merupakan kotak yang digunakan untuk menandai atau mengemlompokkan daerah tertentu pada figure. 13.Button Group Button group hampir sama dengan panel, tetapi button group lebih digunakan untuk mengelompokkan radio button dan toggle button. Recent Posts Recent Comments Categories