7/12/2018 METODE DETEKSI TEPI

SlideShare Explore Search You

Upload
Login
Signup

Search   Submit Search

Home
Explore

Presentation Courses
PowerPoint Courses

by LinkedIn Learning

Search
Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 1/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 2/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 3/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 4/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 5/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 6/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 7/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 8/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 9/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 10/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 11/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 12/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 13/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 14/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 15/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 16/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 17/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 18/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 19/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 20/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 21/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 22/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 23/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 24/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 25/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 26/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 27/36
7/12/2018 METODE DETEKSI TEPI

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 28/36
7/12/2018 METODE DETEKSI TEPI

Upcoming SlideShare

Loading in …5
×
 1 of 28 
 

METODE DETEKSI TEPI
896 views 

Share
Like
...

Dwiki Witman, Undergraduate Student
Follow
   

Published on Dec 13, 2017

Metode deteksi tepi dengan source code tersedia

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 29/36
7/12/2018 METODE DETEKSI TEPI
...
Published in: Technology

0 Comments
1 Like
Statistics
Notes

Full Name
Comment goes here.
12 hours ago   Delete Reply Block
Are you sure you want to Yes No
Your message goes here

Share your thoughts…
Post

Be the first to comment

Dika Putra , Student at STIKOM Bali Jimbaran
6 months ago

No Downloads
Views
Total views
896
On SlideShare
0
From Embeds
0
Number of Embeds
0
Actions
Shares
0
Downloads
0
Comments
0
Likes
1
Embeds 0
No embeds
No notes for slide

METODE DETEKSI TEPI
1. 1. TUGAS PENGOLAHAN CITRA PROGRESS 1 MINI PROJECT 2 – DETEKSI TEPI Dipersiapkan Oleh: Yohanes Dwiki Witman Gusti Made / 140707748
Andreas Firdaus / 140707761 Jeremy Christian Wisandjojo / 140707764 Samuel David Sutanto / 140707809 Program Studi Teknik Informatika Fakultas Teknologi
Industri Universitas Atma Jaya Yogyakarta 2017
2. 2. Operator Gradien : Prewitt Persamaan gradien pada operator prewitt sama dengan gradien pada operator sobel perbedaannya adalah pada prewitt menggunakan
konstanta c = 1. Pengembangan dari gradient operator dengan menggunakan 2 mask (horizontal dan vertikal) ukuran 3x3. Pada operator ini kekuatan gradient
ditinjau dari sudut pandang horizontal dan vertikal (memperhatikan titik disekitar pada posisi horizontal dan vertikal). Selain itu metode Prewitt merupakan
pengembangan metode Robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian yang
dikenal sebagai fungsi untuk membangkitkan HPF. Kernel fillter yang digunakan dalam metode Prewitt ini adalah: Citra Asli R=imread('kucing.jpg');
gray=rgb2gray(R); BR1 = edge (gray,'prewitt'); figure, imshow(BR1);
3. 3. Hasil operator prewitt Pertama, kita membuat variabel R dimana untuk membaca gambar menggunakan sintaks imread, kemudian kita convert R menjadi gray
dari yang sebelumnya RGB, menggunakan sinstaks rgb2gray. Kemudian kita lakukan edge detection menggunakan metode prewitt. Terakhir kita tampilkan
hasilnya.
4. 4. Operator Kompas : Kompas Digunakan untuk mendeteksi semua tepi dari berbagai arah dalam citra. Operator kompas yang dipakai untuk deteksi tepi
menampilkan tepi dari 8 mata angin yaitu Timur, Tenggara, Selatan, Barat Daya, Barat, Barat Laut, Utara, Timur Laut. Cara deteksi tepinya sendiri yaitu dengan
cara mengkonvolusi citra asli dengan matriks dari mata angin tersebut, kemudian dicari nilai kekuatan tepi (magnitude) yang terbesar serta arahnya. Citra Asli :
5. 5. a. Code untuk South Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari gambar
berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas S. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi kompas S
dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas south :
6. 6. b. Code untuk West Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari gambar
berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas W. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi kompas W
dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas west :
7. 7. c. Code untuk North : Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari gambar
berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas N. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi kompas N
dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas North :

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 30/36
7/12/2018 METODE DETEKSI TEPI
8. 8. d. Code untuk East : Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari gambar
berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas E. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi kompas E
dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas East :
9. 9. e. Code untuk South East Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari
gambar berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas SE. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi
kompas SE dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas SE :
10. 10. f. Code untuk South West Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari
gambar berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas SW. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi
kompas SW dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas SW :
11. 11. g. Code untuk North West Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari
gambar berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas NW. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi
kompas NW dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas North West :
12. 12. h. Code untuk North East Pertama, kita buat variabel y yang akan membaca gambar yang kita inputkan, lalu kita buat variabel x yang akan mengconvert dari
gambar berwarna menjadi abu­abu(gray). Kemudian kita definisikan matriks kompas NE. Lalu kita konvolusikan matriks dari gambar dengan matriks konvolusi
kompas NE dan kita tampung ke dalam variabel hasil. Kemudian kita tampilkan hasilnya. Hasil kompas North East :
13. 13. i. Code penggabungan 8 titik kompas Pertama, kita buat matriks­matriks untuk sudut­sudut South, West, North, East, SouthWest, NorthWest, NorthEast,
SouthEast. Setelah itu kita buat nilai tresholding, disini kita buat sebesar 20. Kemudian kita buat variabel x yang akan membaca gambar, kemudian variabel image
yang akan mengubah gambar rgb ke gray. Lalu kita tresholdkan gambar. Kemudian kita buat matriks hasil perkalian antara matriks sudut dengan matriks gambar
dengan masing­masing sudut. Kemudian kita bikin perulangan, untuk mencari nilai pada setiap piksel [i,j] yaitu dengan mencari nilai maksimum dari matriks hasil
perkalian antar sudut. Jika sudah maka setiap titip piksel [i,j] di cek jika nilai lebih besar sama dengan treshold maka kita beri nilai 1 (hitam) pada titik tersebu dan
jika kurang dari treshold maka kita beri nilai 0 (putih) pada titik piksel tersebut. Pola tersebut yang akan membentuk tepi dari gambar. Terakhir kita tampilkan
hasilnya, supaya terlihat lebih jelas maka disini gambarnya kami negatifkan. Hasilnya :
14. 14. Jika tidak di negatif maka hasilnya :
15. 15. Operator Laplacian transformasi laplace/laplacian adalah metode transformasi yang digunakan untuk penyelesaian persamaan diferensial yang digagas oleh
Piere Simon Laplace. Metode ini akan mendeteksi zero crossing, untuk menentukan garis batas antara hitam dan putih, yang terdapat pada turunan kedua dari citra
yang bersangkutan. Kekurangan dari penerapan operator laplacian adalah sangat sensitif terhadap noise, namun demikian edge detection dengan operator ini dapat
di tingkatkan hasilnya dengan menerapkan thresholding fspecial membuat laplacian menggunakan rumus.
16. 16. Laplacian Simple Code Pada code Laplacian ini pemanggilan nya menggunakan fungsi yang sudah ada dalam matlab sehingga laplacian filter dapat diterapkan
secara langsung dan tanpa menggunakan fungsi konvolusi yang rumit. Penjelasan code : newImg & figure(1) adalah gambar utama yang menjadi acuan sebelum
dideteksi tepi. Figure(2) & H adalah gambar hasil deteksi tepi menggunakan metode laplacian. Pada H sendiri memanggil function agar mengembalikan filter yang
menekan tepi horizontal dengan gradien vertical. Pada akhirnya memanggil metode laplacian yaitu membuat 2x iterasi terjadi atau bisa disebut 2 dimensional
laplacian operator. Blurred berfungsi untuk membuat blurr tampilan di figure 2.
17. 17. Pada aturan deteksi tepi setiap gambar yang akan di konvolusikan harus dirubah kedalam grayscale terlebih dahulu sehingga tiap tepi dapat terlihat dengan lebih
jelas. Berbeda dengan sobel & prewitt; metode Laplacian sendiri memiliki aturan sehingga bisa dibilang dalam pendeteksian tepi laplacian lebih unggul.
Keunggulan yang dimaksud adalah ketika sobel dan prewitt mendeteksi, metode mereka hanya selesai dalam satu kali iterasi. Pada laplacian metode ini
menggunakan 2 iterasi sehingga mendeteksi tepi lebih akurat khususnya pada tepi yang curam. Selain itu, dapat dikatakan lebih akurat karena dapat mengurangi
kemunculan tepi palsu, karena citra disaring terlebih dahulu dengan fungsi Gaussian
18. 18. Detektor Canny 1. Pengantar Deteksi tepi Canny dikembangkan oleh John F. Canny pada tahun 1986. Deteksi ini menggunakan algoritma multi­tahap untuk
mendeteksi tepi pada gambar. Metode ini akan mengekstrak struktural gambar dari berbagai sudut pandang penglihatan manusia, sehingga secara drastis
mengurangi jumlah data yang akan diolah. Kriteria umum deteksi Canny adalah sebagai berikut. a. Mendeteksi tepi gambar dengan tingkat kesalahan (error) yang
rendah, yang berarti harus menangkap sebanyak mungkin titik­titik tepi yang ada di gambar secara akurat. b. Titik tepi yang terdeteksi harus dilokalisasi secara
akurat di tengah tepi. Dengan Canny dihasilkan citra tepian yang optimal dengan tingkat error yang optimum. c. Tepian tertentu hanya ditandai sekali dan tidak
boleh membuat tepi yang salah. 2. Algoritma Deteksi Canny a. Langkah I – Mereduksi noise citra dengan Gaussian Filter. Citra akan sedikit blur atau buram. Hal
ini dilakukan untuk tidak menyertakan garis tepi yang halus, dan garis tepi yang dihasilkan akan lebih smooth. Sigma filter akan menentukan tingkat kaburnya
citra. b. Langkah II – Melakukan deteksi tepi dengan memakai konsep prewit/sobel dengan cara mengalikan piksel dengan pembobotan/kernel. Deteksi tepi ini
akan menghasilkan deteksi secara vertical (Gy) dan horizontal (Gx). Hasil dari keduanya kemudian digabung untuk mendapatkan deteksi secara vertical dan
horizontal. c. Langkah III – Menentukan arah tepian yang ditemukan dengan rumus:
19. 19. Arah derajat dibagi sesuai dengan warna.   Derajat 0 – 22,5 dan 157,5 – 180 berwarna kuning.   Derajat 22,5 – 67,5 berwarna hijau,   Derajat 67,5 – 157,5
berwarna merah. d. Langkah IV – Menipiskan garis tepi yang dihasilkan dengan menggunakan metode non maximum suppression sehingga garis tidak tebal dan
lebih halus. e. Langkah V – tresholding atau binerisasi dengan menerapkan dua buah nilai ambang (0 dan 1), sehingga warna citra hanya berupa hitam dan putih.
Main Code (canny_edge_detection.m) clear all; close all; Nx1=10;Sigmax1=2;Nx2=10;Sigmax2=2;Theta1=pi/2;
Ny1=10;Sigmay1=2;Ny2=10;Sigmay2=2;Theta2=0; alfa=0.1; % Read the image [x, map] = imread('lena.gif'); w = ind2gray(x, map); figure(1); colormap(gray);
subplot(3,2,1); imshow(w, []); title('Image: lena.gif'); % Caculate the gradient on x subplot(3,2,2); filterx=d2dgauss(Nx1,Sigmax1,Nx2,Sigmax2,Theta1); Ix=
conv2(double(w),double(filterx),'same'); imshow(Ix, []); title('Ix');
20. 20. % Caculate the gradient on y subplot(3,2,3); filtery=d2dgauss(Ny1,Sigmay1,Ny2,Sigmay2,Theta2); Iy=conv2(double(w),double(filtery),'same'); imshow(Iy, []);
title('Iy'); % Get norm of gradient subplot(3,2,4); NVI=sqrt(Ix.*Ix+Iy.*Iy); imshow(NVI, []); title('Norm of Gradient'); % Apply the threshold
I_max=max(max(NVI)); I_min=min(min(NVI)); level=alfa*(I_max­I_min)+I_min; subplot(3,2,5); Ibw=max(NVI,level.*ones(size(NVI))); imshow(Ibw, []);
title('After Thresholding'); % Apply Non­Maximum suppression % http://en.wikipedia.org/wiki/Canny_edge_detector#Non­ maximum_Suppression subplot(3,2,6);
[n,m]=size(Ibw); for i=2:n­1, for j=2:m­1, % Caculate if the pixel is larger than threshold if Ibw(i,j) > level, X=[­1,0,+1;­1,0,+1;­1,0,+1]; Y=
[­1,­1,­1;0,0,0;+1,+1,+1]; Z=[Ibw(i­1,j­1),Ibw(i­1,j),Ibw(i­1,j+1); Ibw(i,j­1),Ibw(i,j),Ibw(i,j+1); Ibw(i+1,j­1),Ibw(i+1,j),Ibw(i+1,j+1)]; XI=[Ix(i,j)/NVI(i,j), ­
Ix(i,j)/NVI(i,j)]; YI=[Iy(i,j)/NVI(i,j), ­Iy(i,j)/NVI(i,j)];
21. 21. % Use interpolation to caculate gradient value along the direction ZI=interp2(X,Y,Z,XI,YI); if Ibw(i,j) >= ZI(1) & Ibw(i,j) >= ZI(2) I_temp(i,j)=I_max; else
I_temp(i,j)=0; end else I_temp(i,j)=0; end end end imshow(I_temp, []); title('After Non­Maximum suppression'); ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
­­­­­ ­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Derivative 2 – Edge detection code (d2dgauss.m) function h = d2dgauss(n1,sigma1,n2,sigma2,theta) r=[cos(theta) ­sin(theta);
sin(theta) cos(theta)]; for i = 1 : n2 for j = 1 : n1 u = r * [j­(n1+1)/2 i­(n2+1)/2]'; h(i,j) = gauss(u(1),sigma1)*dgauss(u(2),sigma2); end end h = h /
sqrt(sum(sum(abs(h).*abs(h)))); end ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Derivative 1 ­ Gauss code (dgauss.m) function
y = dgauss(x,std) y = ­x * gauss(x,std) / std^2; end
22. 22. ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­­­­­­­­­­­­­­­­­­­­­­­­­­­­ Gauss code (gauss.m) function y = gauss(x,std) y = exp(­x^2/(2*std^2)) /
(std*sqrt(2*pi)); end
23. 23. Laplacian Pada code Laplacian ini pemanggilan nya menggunakan fungsi yang sudah ada dalam matlab sehingga laplacian filter dapat diterapkan secara
langsung dan tanpa menggunakan fungsi konvolusi yang rumit. Filter 2D yang umum dapat dibangun di Matlab dengan menggunakan built­in fungsi fspecial (filter
khusus) fspecial (filtername, paramaters, ...) = matriks nilai­nilai yang mewakili filter. fspecial mendefinisikan filter umum berikut:   average : averaging filter 
disk : circular averaging filter   gaussian : Gaussian lowpass filter   laplacian : filter mendekati operator Laplacian 2­D   log : Laplacian of Gaussian filter 
motion : motion filter   prewitt : Prewitt horizontal edge­emphasizing filter   sobel : Sobel horizontal edge­emphasizing filter   unsharp : unsharp contrast
enhancement filter Filter diterapkan untuk multi­dimensi (RGB gambar = 3D matriks) menggunakan
24. 24. fungsi imfilter, dan diterapkan untuk intensitas gambar (matriks 2D) menggunakan fungsi filter2. Pada aturan deteksi tepi setiap gambar yang akan di
konvolusikan harus dirubah kedalam grayscale terlebih dahulu sehingga tiap tepi dapat terlihat dengan lebih jelas.
25. 25. Contohexpresi dari Laplaciansimplecode
26. 26. KESIMPULAN Masing­masing algoritma deteksi tepi memiliki keunikan tersendiri. Namun pada dasarnya deteksi tepi didapat melalui deteksi garis yang
membatasi dua wilayah citra yang memiliki tingkat kecerahan berbeda. Dalam objek berdimensi satu, perubahan itu dapat diukur dengan menggunakan fungsi
turunan pertama (first­derivative function). Lalu, fungsi turunan kedua (second­derivative function) digunakan untuk menghaluskan tepi dengan menghilangkan

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 31/36
7/12/2018 METODE DETEKSI TEPI
noise citra. Sobel dan prewit merupakan metode deteksi tepi yang cepat dengan ide meng­konvolusikan citra dengan bobot (mask) yang telah ditentukan, sehingga
proses konvolusi memunculkan banyak nilai numerik nol dan itu membantu dalam mempercepat proses komputasi deteksi tepi. Biasanya, metode sobel dan prewitt
memakai turunan pertama dengan konsep gauss pada bidang vertical (Gy) dan horizontal (Gx). Dari segi komputasi lumayan cepat, namun hasil tepi tidak begitu
halus akibat tidak memakai turunan kedua untuk noise filtering pada tepi citra. Dari beberapa metode yang telah dibahas, apabila dibandingkan menurut hasil
kualitas garis tepi­nya, maka metode Canny lah yang paling unggul. Algoritma metode Canny kurang lebih mirip dengan metode lainnya, namun metode Canny
menggunakan filtering di tahap akhir, yaitu non maximum suppression dan treshold sehingga garis tidak tebal dan lebih halus. Metode Canny juga mirip dengan
metode laplacian, namun proses filtering berada di tahap awal iterasi, sehingga menghasilkan citra yang terkesan patah­patah. Jika metode Canny menghitung arah
vertical (Gx), horizontal (Gy), dan sudut kemana arah tepian berjalan, metode kompas mampu mendeteksi semua tepi dari berbagai arah citra. Metode kompas
menghitung 8 arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut. Deteksi tepi dengan metode koompas
dilakukan dengan cara meng­konvolusikan citra dengan mask kompas, kemudian memilih arah tepi dari nilai kekuatan tepi (magnitude) yang terbesar diantara 8
arah tersebut.

Recommended

Teaching Techniques: Classroom Cloud Strategy
Online Course ­ LinkedIn Learning

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 32/36
7/12/2018 METODE DETEKSI TEPI

PowerPoint 2016: Tips and Tricks
Online Course ­ LinkedIn Learning

Insights from a College Career Coach
Online Course ­ LinkedIn Learning
https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 33/36
7/12/2018 METODE DETEKSI TEPI

Sistem Rekomendasi Starbucks Dengan Machine Learning
Dwiki Witman

Materi Ekonomi Informatika + Studi Kasus
Dwiki Witman

Laporan Akhir KKN 72 Wadas
Dwiki Witman

Akselerasi Parsing CSV dengan Framework CUDA
Dwiki Witman

IMPLEMENTASI GAUSSIAN FILTER UNTUK MENGURANGI DERAU PADA CITRA MENGGUNAKAN B...
Dwiki Witman

Quiz Introduction to Information Technology 2014
Dwiki Witman

Quiz Human Computer Interaction 2016
Dwiki Witman

English
Español
Português
Français
Deutsch

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 34/36
7/12/2018 METODE DETEKSI TEPI
About
Dev & API
Blog
Terms
Privacy
Copyright
Support

LinkedIn Corporation © 2018

Share Clipboard

Email

Enter email addresses
Add a message
From  
Send
Email sent successfully..

Facebook
Twitter
LinkedIn

Link 

Public clipboards featuring this slide

No public clipboards found for this slide

Select another clipboard

Looks like you’ve clipped this slide to already.

Search for a clipboard

Create a clipboard

You just clipped your first slide!
Clipping is a handy way to collect important slides you want to go back to later. Now customize the name of a clipboard to store your clips.

Name*  Best of Slides  
Description  Add a brief description so others know what your Clipboard is about.
 
Visibility

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 35/36
7/12/2018 METODE DETEKSI TEPI
Others can see my Clipboard 
Cancel   Save
Save this document

https://www.slideshare.net/DwikiWitman1/metode­deteksi­tepi 36/36