Konvolusi Citra Digital

Summary

This video explains the concept of convolution in digital image processing, particularly its role in improving image quality. It discusses how convolution operates by applying a filter (kernel) to the original image, affecting pixels based on their neighboring values. The process is demonstrated step-by-step with an example, highlighting how convolution can be used for various tasks such as noise reduction and edge detection. The speaker also covers different methods for handling image borders during convolution and emphasizes that the choice of kernel influences the output of the operation.

Takeaways

• 🔍 Convolution is a fundamental operation in digital image processing, particularly at the local level, where the value of a pixel is influenced by neighboring pixels.
• 🔄 Convolution uses a kernel, a matrix that is applied to the image, to modify the pixel values and enhance image quality.
• 📏 Kernels are typically smaller than the original image, with common sizes being 3x3, 5x5, or other dimensions.
• 🎯 The origin point of the kernel, usually located at the center of the matrix, determines where the convolution result will be placed in the output image.
• 🔢 Convolution is not simply matrix multiplication; it involves matching positions of kernel values and image pixel intensities and multiplying them together.
• 🖼️ The clipping process is important in convolution to ensure that the resulting pixel values stay within valid intensity ranges, usually between 0 and 255.
• ↔️ After each convolution step, the kernel shifts over the image, and the same process repeats across different coordinates.
• ✂️ When the kernel reaches image edges where no pixels exist, there are several ways to handle it: by using pixel values from the original image, duplicating edge pixels, or applying a constant value.
• 🎛️ Convolution can be applied for various tasks like noise reduction, edge detection, and image sharpening, with the kernel’s values determining the specific effect.
• 🧠 The difference in convolution results comes from the different kernel configurations, allowing the technique to perform multiple image enhancement operations.

Q & A

What is the purpose of convolution in image processing?

Convolution in image processing is used to improve image quality by applying filters that manipulate pixel values based on neighboring pixels. It is essential in tasks such as noise reduction, edge detection, and image enhancement.

What is a kernel in convolution, and how is it used?

A kernel is a matrix used in convolution to determine how surrounding pixel values affect a specific pixel. It is applied to the image to generate a new set of pixel values based on this interaction. Kernels can vary in size and are crucial in defining the filter's behavior.

How are kernel coordinates defined, and what is the significance of the origin?

Kernel coordinates are defined based on their position relative to the image. The origin, typically at the center of the kernel, determines the alignment of the kernel with the image. This position is important because it affects the final outcome of the convolution process.

What is the difference between linear and non-linear filters in image processing?

Linear filters, such as those used in convolution, modify pixel values based on a weighted sum of surrounding pixels. Non-linear filters, like median filters, are used for tasks like edge detection and remove noise by considering pixel relationships differently, often not relying on a linear combination.

How does convolution handle image edges or borders?

Convolution can handle edges by either ignoring the pixels that fall outside the image, duplicating the values from the edge, or filling in constant values such as 0 (padding). This ensures that the convolution process is applied uniformly across the image.

Why is it important to apply clipping during the convolution process?

Clipping is essential to ensure pixel intensity values remain within a valid range, usually between 0 and 255 for an 8-bit image. If a value exceeds the range, clipping brings it back within limits, preventing distorted or incorrect image output.

What is the process for applying a convolution kernel to an image?

To apply a convolution kernel, you align the kernel with the image starting at a specific position (e.g., (0,0)). For each position, you multiply corresponding pixel values by the kernel’s coefficients and sum them to produce a new pixel value. This process is repeated as the kernel shifts across the entire image.

What are some common applications of convolution in image processing?

Convolution is used for various image processing tasks such as noise reduction, edge detection, sharpening, and blurring. Different types of kernels are used depending on the desired effect, like Gaussian blur for smoothing or Sobel operators for edge detection.

How does the size of the kernel affect the convolution process?

The size of the kernel affects the scope of pixel interactions. Larger kernels take into account a broader area of neighboring pixels, which can produce smoother or more significant transformations, while smaller kernels focus on more localized changes.

How does convolution differ from matrix multiplication?

Convolution differs from standard matrix multiplication because it involves multiplying and summing values from corresponding positions in a grid, but it also shifts the kernel over the entire image. Matrix multiplication is a more straightforward linear combination of matrix elements without this shifting operation.

Outlines

00:00

🔍 Introduction to Convolution and Image Processing

This paragraph introduces the concept of convolution in digital image processing. It explains the computational levels in image enhancement, focusing on local computation, where the manipulation of a pixel is influenced by its neighboring pixels. Convolution is described as a linear filtering process used in local-based image enhancement, and it involves applying a kernel, a matrix smaller than the original image, to calculate new pixel values.

05:00

🖼️ Kernel Placement and Basic Convolution Process

Here, the basic process of convolution is outlined. The kernel (a 3x3 matrix in this example) is initially placed at the top-left corner of the image (coordinates 0,0), and the convolution begins by multiplying corresponding pixel values from the image and the kernel, summing them up to produce a new value. The kernel is then shifted across the image. The explanation distinguishes convolution from standard matrix multiplication, emphasizing the unique method of aligning the kernel with pixel positions.

10:03

↔️ Shifting the Kernel Across the Image

This paragraph continues the explanation of the convolution process, describing how the kernel is shifted across the image, row by row and column by column, while multiplying and summing corresponding pixel values. Special attention is given to the edge pixels, where convolution might stop as there are no more pixels to process. The result is a feature map smaller than the original image, reflecting the kernel's impact on local pixel values.

15:04

🔁 Handling Edge Pixels and Different Approaches

The focus here is on how to handle pixels at the edges of an image during convolution. Three methods are described: (1) copying the pixel values from the original image to the feature map, (2) duplicating edge pixel values across the borders, and (3) using constant values (e.g., 0 or 255) to fill in the missing data. Each method ensures that no pixels are left unprocessed, maintaining the integrity of the convolution operation.

Keywords

💡Convolution

Convolution is a mathematical operation that is widely used in image processing to apply a filter to an image. In the context of the video, convolution is described as a linear operation that uses a kernel to manipulate pixel values based on the values of neighboring pixels. This operation is fundamental to image processing, as it allows for local changes to an image based on the surrounding pixel values. The script mentions convolution as a process that involves a kernel and an image, where the kernel slides over the image, and each position's pixel value is computed based on the kernel's coefficients and the corresponding pixel values of the image.

💡Kernel

A kernel in the video script refers to a matrix of numbers that is used in the convolution process to determine the new values of pixels in the output image. The kernel is often smaller than the original image and is used to apply a specific effect or operation. The script describes the kernel as having a central point, the origin, which influences the position of the resulting convolution process. The kernel's values are coefficients that are multiplied with the corresponding pixel values of the image to produce a new pixel value.

💡Image Processing

Image processing is a technique used to manipulate images, often to improve their quality or to extract certain features. The video script discusses image processing in the context of quality improvement, mentioning that convolution is a fundamental operation within this field. It is used to make local adjustments to an image, such as sharpening, blurring, or edge detection.

💡Pixel

A pixel, short for 'picture element,' is the smallest unit of an image displayed on a screen. In the script, pixels are discussed in relation to their values, which are manipulated through the convolution process. The pixel's value represents the intensity of light at that point in the image, and the convolution operation affects these values based on the kernel's coefficients.

💡Local Operation

A local operation, as mentioned in the video, refers to processes that affect only a small, localized area of an image. Convolution is a local operation because it manipulates pixel values based on the values of neighboring pixels, rather than applying a global change to the entire image. This allows for targeted adjustments to specific areas of an image.

💡Clipping

Clipping in image processing refers to the operation of adjusting pixel values that fall outside a certain range to fit within that range. The script mentions clipping in the context of ensuring that pixel values do not become negative or exceed the maximum value, which could cause visual artifacts or data loss in the image. This is important after convolution to maintain the integrity of the image data.

💡Coordinate System

The coordinate system in image processing is used to specify the location of each pixel. The script describes how the origin of the kernel (0,0) is used to determine the starting point for the convolution process. The coordinate system is essential for understanding where the kernel is applied to the image and how the new pixel values are calculated.

💡Edge Detection

Edge detection is a technique in image processing used to identify and highlight the boundaries between different regions in an image. The video script mentions that convolution can be used for edge detection, which is a process of finding where significant changes in pixel values occur, indicating the presence of an edge.

💡Noise Reduction

Noise reduction is the process of minimizing random variations of brightness or color in images, which can obscure details or patterns. The script discusses how certain convolution operations can be used to reduce noise in an image by smoothing out these random variations, thus improving the image's quality.

💡Filter

A filter in image processing is a function or process that modifies an image in a certain way. The video script describes two types of filters used in conjunction with convolution: linear and nonlinear filters. Filters are applied to an image using convolution to achieve effects like blurring, sharpening, or emphasizing edges.

💡Image Quality

Image quality refers to the clarity and sharpness of an image. The script discusses the use of convolution to improve image quality by manipulating pixel values at a local level. By using convolution with appropriate kernels, one can enhance certain features of an image or reduce noise, which contributes to an overall improvement in perceived quality.

Highlights

Introduction to convolution operation in image processing, highlighting its importance in improving image quality.

Explanation of different levels of computation in image processing: point level, global level, and local level.

Convolution is described as a linear filtering process that operates at the local level, using surrounding pixel values to manipulate an image.

Introduction to kernel, a crucial component in convolution, acting as a matrix used to filter the image.

Description of kernel sizes, such as 3x3, 5x5, and 7x7, and their role in convolution operations.

Clarification of the distinction between pixel values in an image and coefficients in a kernel.

The origin or center of the kernel matrix affects the output of the convolution process.

Coordinate systems of an image and kernel are compared, explaining how they are aligned for convolution.

The process of convolution involves multiplying corresponding pixel values in the image with kernel coefficients and summing them.

Detailed explanation of clipping operations, which ensure that pixel values remain within a valid range after convolution.

Discussion on different padding methods to handle boundary pixels during convolution, such as replicating edge pixels or assigning constant values.

Different use cases of convolution, including image enhancement, noise reduction, and edge detection, are outlined.

Emphasis on how varying the kernel matrix changes the convolution output, allowing for different effects on the image.

Step-by-step explanation of how convolution works on a 5x5 image using a 3x3 kernel, including the sliding window approach.

Final summary reiterating the importance of convolution in digital image processing and its broad applications in enhancing and analyzing images.

Transcripts

Hai assalamualaikum warahmatullahi

wabarakatuh Pada kesempatan kali ini

saya akan membahas tentang operasi

konvolusi seperti yang sudah dibahas

sebelumnya di materi sebelumnya bahwa

dalam pengolahan perbaikan kualitas

Citra itu terdapat level komputasi level

titik level global dan level lokal nah

di level lokal itu proses dimana ketika

kita ingin memanipulasi atau mengubah

sore pixel itu dipengaruhi oleh nilai

pixel disekitarnya nah konvolusi ini

merupakan proses filter ya filter yang

linear jadi dalam perbaikan kualitas

Citra itu loh yang berbasis lokal itu

ada filter linear dan filter frontliner

nah pada proses filter linear kita

menggunakan operasi konvolusi jadi

operasi konvolusi ini merupakan operasi

dasar dalam pengolahan Citra digital nah

disini karena Citra digital ini

merupakan fungsi dua dimensi atau fungsi

m diskrit ya Jadi kita menggunakan yang

2 dimensi itu nah nah oh jadi kita

King's diskrit dimana disini untuk

fungsi MK revolusi itu kita menggunakan

hx koma y kemudian situ dfx koma y koma

itu adalah intensitas pixelnya dari

Citra asli begitu ya maaf kemudian Dika

ini bukan kali tapi ini dalam Bang

konvolusi dikonsultasikan dengan nilai

gxy tangki aksi ini adalah Kernel jadi

di dalam proses konvolusi itu selain ada

Citra asingnya kita punya namanya Kernel

nah Kernel itu apa karena itu merupakan

matriks cukurannya umumnya bisa tiga

kali 35 kali 52 kali satu dua kali dua

kali dua ukurannya idealnya kernelnya

konvolusi itu ukuran yang lebih kecil

dari Citra aslinya gitu ya Nah jika kita

mengenal kalau misalkan di pixel jika

kita punya Citra asli di dalam satu

Citra itu kita mengenal bahwa nilai di

dalam kotak ini adalah pixel atau

intensitas cahaya sementara jika pada

email kita sebut itu sebagai koefisien

saya sampaikan bahwa kena itu adalah

matriks juga tapi nilai yang di dalam

matriks ini 12 1043 dan seterusnya Jadi

bukan pixel ya tapi koefisien dari

Kernel bisa kita sebut dengan di sini

mungkin ada yang atau convolution filter

gitu ya terus mungkin templatenya Mas

gitu ya kemudian Kernel ini dia punya

titik tengah fotone Origin Origin ini

akan mempengaruhi posisi dimana hasil

dari proses evolusinya nah titik Origin

itu biasanya di Posisinya itu ada di

pusat simetris dari suatu Kernel Jadi

kalau misalnya tiga kali tiga pakar

pusat sintetik original ada di sini

kalau lima kali lima Itu posisinya ada

di sini gitu ya misalkan ya ya

di pokoknya pusat simetri spasi titik

Origin itu oke nah kemudian kalau kita

membahas tentang koordinatnya sekarang

Biasanya kalau kita membahas koordinat

pixel ya kalau pixel itu kalau kita

membahas Citra skincorner Spesialnya itu

dimulai dari ujung kiri atas jadi 0,0 ya

di sini gitu kan Nah kalau kita membahas

tentang Kernel titik koordinat titik 0,0

Yaitu dimulai dari depan ijinnya jadi

karena disini Kernel ada tiga kali tiga

maka Biasanya kalau si 0,0 nya itu titik

pusatnya di sini makan oknum di sini

koordinat-koordinat kernelnya berarti di

sini 0,1 yang ini nol koma minus 1

kemudian ini 1,0 ini anda 1,0 dan

seterusnya jadi berbeda Nah kalau

misalkan ada lagi Kernel yang ukurannya

dua kali 26 Biasanya kalau jadi enggak

susahnya menunjukkan titik pusatnya gitu

Titik tengahnya Biasanya sih ada di

ujung kiri atas disini sehingga disini

koordinat 0,0 dari kernelnya

gitu ya jadi titik pusat ini dengan kita

tahu titik pusatnya nanti akan

mempengaruhi Dimana posisi hasil dari

konvolusi nya Nah sekarang kita akan

bahas Bagaimana sih proses dari

konvolusi tersebut sebelumnya harus

tegaskan kembali bahwa sebetulnya ia

mempengaruhi output dari proses

konvolusi kernelnya jadi Kernel ini

koefisiennya bisa beragam macam-macam

sesuai kebutuhan gitu ya Jadi itulah

yang akan mempengaruhi hasil atau output

dari suatu proses konvolusi gimana

caranya sekarang kita ilustrasinya

begini misalkan saja ini ada Citra

aslinya adalah kernelnya sebetulnya sih

ini kita tempel di posisi koordinat

citranya 0,0 ya Jadi kalau misalkan saya

gambarkan saya Gambarkan kembali seperti

ini misalkan Ya saya punya Citra

ukurannya lima kali lima misalkan

Hai nah yang pertama itu sih kernelnya

itu akan diposisikan di 0,0 dulu jadi

disini karena disini cekal kernelnya

tiga kali tiga maka kita seolah-olah

kayak menempelkan stiker l itu di atas

citranya jadi ini tiga kali tiga Nah

seperti ini ya jadi itu dilakukan dari

titik 0,0 ya dulu jika ini Kernel tiga

kali tiga maka titik Origin ada di sini

kan Ya nah sekarang kita akan bahas

Bagaimana sih prosesnya begitu ya proses

untuk mengkonsolidasi caranya adalah

kita mengalihkan ya nilai yang

berkesesuaian dari posisi Kernel dan

posisi citranya Oke saya akan fokus di

sini ya ini misalkan saja sekarang Oh

dia mengkonversi diposisi ini begitu ya

walaupun dilakukan dari caranya adalah

ini ditambah bt2q tambah dp4 ditambah

sampai dengan

MP3 live 9 Nah kayak jadi caranya

seperti itu jadi beda bukan bukan

seperti perkalian matriks yang sudah

pernah kita pelajari pada koperasi Adit

mati KM perkalian dua buah Citra

akhirnya itu agak berbeda Jadi konvolusi

itu kita mengalikan dengan posisi yang

berkesesuaian jadi misalkan saja saya

punya di sini nilainya adalah 123456789

maka ya kalau kita lihat koordinatnya di

mana nih titik tangannya dimana disini

kan kalau kita tempel ini disini tiga

kali tiga berarti dia ada di koordinat

ini kan dia ada di coordinate ini yang

kelima ini lima Ini berarti koordinatnya

adalah kalau disini 0,0 maka disini 0,1

0,2 ini 1,0 20 maka koordinat ini adalah

koordinat 1,1 maka akan saya tulis

adalah hak 1,1 sama dengan satu kali aja

dia Katakanlah dia ini misalkan ini saya

kasih nilainya minus 10 minus 1

Hai kemudian no minus 140 minus 10

desain Griya jadi seakan kalikan satu

kali ini ada satu ditambah dua kali

0plus tiga kali minus 1 sampai dengan

ini ya ditambah 9 dikali 50 sini kan

bisa kan kita punya nilainya kita punya

nilainya adalah Misalnya kita temukan

belah minus 5 gitu saja lain dinas 5

hati-hati dalam proses dalam proses

konvolusi juga terapkan operasi kliping

facto perlu diperhatikan kliping kita

adalah jika nilainya kurang dari nilai

minimum suatu intensitas cahaya maka

anda bulatkan ke norican karena nilainya

negatif Kita kulit ingin jadi sama

dengan nol maka mau saya tulis kembali

saya bikin kembali matriks hasil

konvolusi ya atau kita sebut dengan

fitur map disini 23 mana tadikan 1,1

isikan nama kasih nol ini untuk

konvolusi tadi kita taruh di sini nekno

ah kita kemudian selanjutnya proses yang

berikutnya dia akan geser satu baris eh

sorry satu kolom jadi-jadian seperti ini

sekarang kita geser satu kolom jadi

posisinya di sini oke seperti ini Ya

dengan langkah yang sama nah artinya

kalau titik Origin ya adalah di E3

tempatkan di sini maka yang berikutnya

koordinatnya adalah koordinat 1,2 maka

anda tulis Nanti anda jabarkan disini

adalah hak 1,2 dengan cara yang sama dua

kali ini nah 13 dikali nol dan

seterusnya gitu ya misalkan kita punya

nilainya adalah Misalnya kita punya

nilainya Kalau lebih dari misalkan 300

menteri nitip sementara ini 8gid makanya

Anda bulatkan menjadi 255 Nah jadi

operasi kliping harus diterapkan di Anda

jabarkan caranya ya kayak ginilah Disini

belum ada ya janda jabatan caranya bisa

kita dapat 320 karena di bulat dikliping

Kan hasilnya jual

Hai maka hasil sini menjadi 255 key

berikutnya lagi geser lagi dia satu

kolom Nah ya kemudian satu kolom lagi

Jadi sekarang posisinya ada di sini oke

dengan langkah yang sama berarti ini di

koordinat hak 13 berpihak 13 Manda tulis

caranya kemudian kalau kurang atau

melebihi dari batas speednya atau

pixelnya maka kliping gitu ya Nah

kemudian setelah itu selesai dia geseran

ikan pada saat ya geser tersebut ke

koordinat di 0,3 itu berarti kan karang

harus tiga kali tiga ini enggak ada

pixel dong di sini akan Nah ini enggak

ada nih enggak ada nilai disini kan

kalau di lima kali lima mas sebenarnya

kalau kita geser kurangkan maka tidak

kita konvolusi berhenti ya untuk geser

satu kolom ini dia berhenti dari atau

selesai setelah itu apa yang dilakukan

dia akan turun satu baris jadi yang

tadinya 1,0 sekarang yang kita proses

adalah eh tadinya 0,0 ya di sini ya

sekarang kita proses di 1,0

Sekarang kita akan proses yang disini

nah sini ya oke dengan cara yang sama

seperti tadi jadi kalau sekarang berarti

koordinat mana korslet ini ya yaitu

koordinat 2,1 gitu ya jadi H2 koma satu

kemudian geser lagi kalau geser lagi

berarti kita memproses di-hack 2,2 ya

kalau kita geser Lagian berarti

koordinatnya di sini ya Nah ini kan kita

turun satu baris ya terus satu baris

kemudian geser satu kolom akan otomatis

di sini nih ordinatnya h222 setelah

dengan cara yang sama kemudian kita

geser lagi satu kolom gitu ya kita geser

satu kolom Berarti sekarang nilai kita

ada di sini Sorry prosesnya di sini

mungkin iya tiga kali tiga eh kan 123

Iya berarti sekarang pergi prosesnya ha

2,3 dengan cara yang sama nah ini pun

sama begitu kita geser satu kolom lagi

menit

Ya maksudnya cuman ada dua sisa2 pixel

maka tidak di konvolusi ya Jadi kalau

tadi ini hasil sampai dengan 1,3 kan

beli sampai sini akan koordinator 0,001

020304 ini berarti 10 ya kan 2,0 3,0 4,0

kabar ikan ini yang ini koordinat 1,1

1,2 kemudian 1,3 inilah isinya kemudian

2,1 berarti ini 2,2 ini kemudian 2,3 ini

Key jadi yang ini enggak kita konvolusi

pada saat geserkan ini ya kosongkan

dikonsumsi akhirnya Bagaimana turun lagi

satu baris ya jadi ikut turun lagi

sekarang koordinatnya mulai dari yang

2,0 ini berarti ya kita turun lagi

kotakin lagi tiga kali tiga gitu Anda

proses lagi berarti kita akan memproses

di koordinat adalah 123

Thomas satunya dengan cara yang sama Mas

3,1 di sini ya Eh sini kemudian geser

lagi kan geser lagi berarti kita

memproses di koordinat 3,2 h352 itu ya

masih di sini Setelah itu kita proses

lagi pada koordinat 3,3 jika 3,3 h33 key

nah disini nah pada saat kita turun lagi

satu baris selesaikan di sini ya turun

lagi satu baris ini ternyata harus kita

proses juga Karena yang dibawahnya ini

juga sama-sama kosongkan sudah nggak ada

lagi enggak ada nilai namakan selesai

sesaat selesai proses konvolusi untuk

Citra 5 ke-5 ini untuk tidak ke-3 nah

jika anda perhatikan prosesnya ya ini

hasil dari konvolusi itu kita

menghasilkan tiga kali tiga disini

Padahal tadinya lima kali makan

Bagaimana sekarang dengan nilai yang

tepian

atas-bawah kiri-kanan ini akan menjadi

jadi konvolusi kan maka Seperti apa kita

memberikan nilai Sunter nggak boleh

kosong dong nilai si pixel dalam suatu

Citra Nah ada 3 cara Ada tiga cara cara

yang pertama yaitu bisa pinggir ini

diabaikan dari konvolusi nah tapi kita

berikan nilai yang sama dari Citra

aslinya jadi kalau seumpamanya kita

punya Citra aslinya itu adalah sore ini

misalkan yang bisa aslinya 4435 4234 ini

dan seterusnya ya Nah maka kita salin

lagi dari Citra asli itu kepada hasil

konvolusi nya bisa dihasilkan solusi nih

Nias yang udah kita konvolusi ikan yang

ini nih yang diarsir yang enggak dikata

konvolusi tadi maka mushallin cara

pertama itu salin dari pisang situasinya

pertama yang kedua cara yang kedua

adalah kita menyerang kedua itu adalah

kita duplikasi elemen citranya ya Jadi

kita duplikasi halaman citranya dengan

tadi kosong nih ya

nggak bisa kita konsumsi ikan besar kita

geser kesini sedikit nggak punya ya di

sini nah lakukan konsumsi kau seorang

itu kita konvolusi tapi gimana nilai

yang disini nilai yang di ujung sini

kita saling dari nilai yang di depannya

Nah jadi kita taruh di sini lainnya 4656

30 kayaknya dan nilai Anda solusi supaya

bisa dapat disini kan tuh Nggak bolong

betinanya kan Nah kalau yang sebelah

kiri kan kalau hasil konvolusi sebelah

kiri Ini kosongkan maka dengan cara yang

sama seperti tadi ya yang area sininya

Anda salin tapi nilai pixel nya ambil

dari yang paling terakhir ini sama yang

atas juga yang atas itu Anda salin dari

nilai piksel yang ini supaya kita bisa

dapat nilai di atas ini kan nah yang di

bawah itu Anda salin pixelnya dari yang

atas nah itu caranya kedua tapi kita

butuh waktu lebih lama lagi kalau kalian

kedua masalah kompatibilitas waktunya

juga lebih lama nih Nah kalau saya

tidak cara yang ketiga yang tidak di

konvolusi itu kita berikan nilai

konstanta Jadi kalau cara yang ketiga

itu nilai enggak kita konvolusi besar

berkonstanta bisa nilainya nol gitu ya

atau kalau misalnya 8gid bisa kasih

nilainya 255 misalnya Kasihlah konstanta

jadi mesan kalau no ini semuanya enggak

boleh pokoknya nggak boleh kosong aja si

pixel yang tidak di konvolusi itu ya

bikin ini boleh nah ini adalah proses

untuk konvolusi Oke fungsi konvolusi nih

beragam jadi bisa digunakan untuk IMEI

hansmann Kemudian untuk ngilangin noise

untuk melembutkan Citra untuk deteksi

tepi dan sebagainya 6 sekali lagi

operasi konvolusi nya sama seperti tadi

kita hanya melakukan proses flight dari

eh ciri tekanan kemudian atas ke bawah

begitu ya Nah kemudian Apa yang membuat

beda kok hasilnya bisa digunakan untuk

hilangin noise dan sebagainya sekali

lagi yang bikin beda adalah kernelnya

jadi

nyari itu akan mempengaruhi output dari

proses konvolusi nya begitu ya Nah ini

adalah proses konvolusi mudah-mudahan

bisa mudah dipahami setiap materi

konvolusi terima kasih wassalamualaikum

warahmatullahi