KATA
PENGANTAR
Puji
dan syukur saya panjatkan kepada Tuhan Yang Maha Esa karena atas izin, rahmat
dan karunia-Nya saya dapat menyelesaikan makalah ini dengan baik. Makalah
dengan judul “DETEKSI DAN PENCOCOKAN FITUR” ini disusun dengan tujuan untuk
melengkapi tugas individu untuk mata kuliah Computer vision. Melalui makalah
ini, saya berharap agar saya dan pembaca mampu mengenal lebih jauh tentang
deteksi dan pencocokan fitur.
Saya
mengucapkan terima kasih kepada semua pihak yang telah membantu saya dalam proses
penyusunan makalah ini khususnya kepada dosen Computer vision, yaitu Yuyun
Aniza S.PD.I. yang bersedia membimbing dan mengarahkan saya dalam penyusunan
makalah ini.
Saya
berharap agar makalah yang telah saya susun ini dapat memberikan inspirasi bagi
pembaca dan penulis yang lain. Saya juga berharap agar makalah ini menjadi
acuan yang baik dan berkualitas.
Kebumen,3
Januari 2019
Penyusun
3
PENDAHULUAN
A.
Latar Belakang
Computer Vision Adalah untuk
menduplikasikan kemampuan mata manusia baik dalam hal penangkapan/perekaman citra,analisa
citra ataupun dalam pemahaman citra untuk diterapakan dalam sebuah mesin atau
komputer. Perkembangan
teknologi, terutama di bidang dunia digital, membawa perubahan cukup besar.
Salah satunya dengan adanya digitalisasi data citra. Selain di bidang
teknologi, pengolahan citra juga dimanfaatkan sebagai pengenalan pola yang
memiliki banyak manfaat untuk membantu pekerjaan manusia.
B.
Tujuan
1. Untuk mengetahui apa itu Deteksi dan
pencocokan fitur
2. Meningkatkan ilmu computer vision
dan applikasi.
C. Pembatasan
Masalah
Pada makalah ini masalah yang
dibahas akan dibatasi pada :
1. Pengertian Deteksi dan pencocokan fitur.
2. Pendekatan yang digunakan pada Deteksi dan pencocokan fitur.
4
PEMBAHASAN
A.
Pengertian Deteksi dan pencocokan fitur
Berbagai
fitur pendeteksi dan pendeskripsi dapat digunakan untuk menganalisa,
menggambarkan dan mencocokkan gambar: (a) operator yang menarik seperti titik
(Brown, Szeliski, dan Winder 2005) c 2005 IEEE; (b) operator yang tertarik pada
kawasan (Matas, Chum, Urban et al. 2004) c 2004 Elsevier;
(c) tepian (Elder dan Goldberg 2001)
c 2001 IEEE; (D) garis lurus (Sinha, Steedly, Szeliski et al. 2008) c 2008 ACM.
4.1 Poin dan tambalan
Fitur titik dapat digunakan untuk
menemukan seperangkat lokasi yang jarang di berbagai usia, sering sebagai
pra-kursor untuk pose kamera komputasi , yang merupakan prasyarat untuk
menghitung kumpulan korespondensi yang lebih padat menggunakan pencocokan
stereo . Korespondensi seperti itu juga dapat digunakan untuk menyelaraskan
gambar yang berbeda, misalnya, ketika menjahit mosaik gambar atau melakukan
stabilisasi video . Mereka juga digunakan secara luas untuk melakukan contoh
objek dan pengenalan kategori . Keuntungan utama dari keypoints adalah bahwa
mereka memungkinkan pencocokan bahkan di hadapan kekacauan (oklusi) dan
perubahan skala besar dan orientasi.
Teknik
korespondensi berbasis fitur telah digunakan sejak masa awal stereo.
 |
Gambar 4.2 Dua pasang gambar yang akan
dicocokkan. Apa jenis fitur yang mungkin digunakan untuk menetapkan sekumpulan
korespondensi antara gambar-gambar ini?
pencocokan (Hannah 1974; Moravec 1983; Hannah 1988) dan
baru-baru ini memperoleh pop-ularitas untuk aplikasi gambar-jahitan (Zoghlami,
Faugeras, dan Deriche 1997; Brown dan Lowe 2007) serta pemodelan 3D otomatis
penuh (Beardsley, Torr, dan Zisserman 1996; Schaffalitzky dan Zisserman 2002;
Brown dan Lowe 2003; Snavely, Seitz, dan Szeliski 2006).
5
B.
Pedekatan
Deteksi dan pencocokan fitur
Ada dua pendekatan utama untuk menemukan poin fitur dan
korespondensi mereka. Yang pertama adalah untuk menemukan fitur dalam satu
gambar yang dapat secara akurat dilacak menggunakan teknik pencarian lokal,
seperti korelasi atau kuadrat terkecil . Yang kedua adalah secara independen
mendeteksi fitur di semua gambar yang sedang dipertimbangkan dan kemudian
mencocokkan fitur berdasarkan penampilan lokal mereka (Bagian . Pendekatan
sebelumnya lebih cocok ketika gambar diambil dari sudut pandang terdekat atau
dalam suksesi cepat (misalnya, urutan video), sedangkan latel lebih cocok
ketika sejumlah besar perubahan gerak atau tampilan diharapkan, misalnya, dalam
menyatukan panorama (Brown dan Lowe 2007), membuat korespondensi dalam baseline
stereo yang luas (Schaffalitzky dan Zisserman 2002), atau melakukan pengenalan
objek (Fergus, Perona, dan Zisserman 2007).ada dua permasalahan berkaitan
dengan pendekatan ini:
·
Range
nilai suatu citra,asumsikan,0<x<N-1,0<x<M-1akan tidak terlalu cukup
lebar untuk pengalaman oleh fungsi F.Untuk contoh ,jika suatu rotasi 90◦ dilakukan
pada suatu citra,berpusat pada titik pusat citra tersebut,asumsikan bahwa citra
tersebut memiliki ascpet ratio yang tidak sama dengan 1:1,maka bagian dan
puncaknya pada screen,dan citra yang dihasilkan akan tidak cukup lebar untuk
menyesuaikan dengan layar tampilanya (screen).masalah lebar berarti bahwa
kordinart-kordinart original(x,y) harus didefinisikan diluar jangkauan
screen(screen rangge).
·
Kita
akan membutuhkan nilai grey-level yang baru untuk masing-masing (x’,y’) yang
lebih tepat dari pada posisi (x,y).oleh karena itu kita membetuhkan suatu
fungsi yang diberikan pada posisi new array dan old array .
C.
Macam-Macam
Metode Deteksi
A. Sobel
Metode ini mengambil prinsip dari
fungsi laplace dan gaussian yang dikenal sebagai fungsi untuk membangkitkan
HPF, dan kelebihan dari metode sobel ini adalah mengurangi noise sebelum
melakukan perhitungan deteksi tepi.
B. Prewitt
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.
C. Laplace
Metode Laplace adalah metode
transformasi yang digunakan untuk penyelesaian persamaan diferensial.
D. Robert
Metode Robert adalah nama lain dari
teknik differensial pada arah horisontal dan differensial pada arah vertikal,
dengan ditambahkan proses konversi biner setelah dilakukan differensial. Maksud
konversi biner adalah meratakan distribusi warna hitam dan putih.
6
1.
Scale
Space Extreme Detection
Dimisalkan ada sebuah pohon dan
ingin dipisahkan antara lain daun ,batang,ranting,dll dengan sengaja.untuk
memisahkan tersebut harus diberikan rinci rincian masing-masing agar tidak
tertukar . Pada hal ini digunakan Gaussian Blur (dibuktikan secara matematik,
dan didukung beberapa alasan yang menguatkan).
SIFT membutuhkan ruang skala ke
tingkat berikutnya. Dimisalkan diambil sebuah gambar asli dan menghasilkan
semakin kabur keluar gambar, kemudian ukurannya diubah menjadi setengah dari
ukuran semula dan terus berulang sampai 4 octave atau 4 tahap.
Fungsi yang digunakan adalah
gaussian blur :
( ) ( ) ( ).......................................(1)
Dengan menggunakan ruang skala,
dihitung perbedaan antar 2 ruang skala berturut – turut. Kemudian menggunakan different of gaussian untuk
mengeliminasinya.
Gambar 1 Eliminasi menggunakan Different of Gaussian
Pada gambar tersebut hanya diterapkan untuk satu octave. Hal
yang sama dilakukan untuk semua octave danakan menghasilkan gambar DoG dari
berbagai ukuran. Konsep pendekatannya dua gambar berturut – turut dalam satu
octave dipetik dan dikurangi dari yang lain. Kemudia pasangan selanjutnya berturut
– turut diambil, dan proses berulang terus. Hal ini dilakukan untuk semua
octave.
2. Keypoint
localization
Setelah menghasilkan ruang skala
kemudian digunakan untuk menghitung different of Gaussian dan dilanjutkan
menghitung laplacian of Gaussian dengan hasilnya adalah menghasilkan titik
titik atau point. [3][6][9]
Selanjutnya adalah mencari maxima /
minima dalam gambar Dog (Different of Gaussiant). Langkahnya adalah menemukan
titik maxima / minima yang kasar dulu. Caranya dengan melewati setiap pixel dan
diperiksa tetangganya.
Gambar 2 : Menentukan Titik maxima
dan minima untuk keypoint
Pada gambar diatas x menandai pixel,
dan lingkaran hijau menandai tetangga. Dengan cara ini, total 26 cek tetangga
yang dibuat. X adalah sebagai “key point”
jika itu adalah yang terbesar atau paling tidak dari 26 tetangga sekitar titik
tersebut. Sedangkan untuk yang putih atau kosong tidak cukup diperbandingkan
jadi hanya dilewatkan saja, secara matematis, dapat dirumuskan seperti ini :
|
( )
|
|
|
|
|
|
...........................(2)
|
|
|
|
|
3. Orientation
Assigment
Setelah mendapatkan keypoint hasil seleksi, Hal berikutnya
adalah menetapkan orientasi kepada setiap keypoint.
Langkahnya adalah dengan mengumpulkan arah gradient dan besaran sekitar setiap keypoint. Kemudian diketahui orientasi
yang paling menonjol di wilayah keypoint
tersebut. [6]
Gambar 3 : Keypoint dan Orientasinya
Untuk mendapatkan orientasi tersebut
digunakan fungsi berikut :
(3)
4. Keypoint
Descriptor
Tahap ini menjadi langkah akhir dari
algoritma SIFT setelah memiliki orientasi dan keypoint, langkah selanjutnya membuat descriptor atau sidik jari untuk setiap keypoint.[6][9] yang berfungsi untuk mengidentifikasi setiap keypoint.
Untuk mempermudah peritungan harus
dihasilkan keypoint yang sangat unik.
Untuk melakukan ini, ambil jendela area 16 atau 4 x 4 di sekitar keypoint tersebut. Area 16 ini masing
masing kotak dibagi lagi menjadi enam belas jendela 4 x 4.
Gambar 4 : Penentuan Descriptor
Keypoint
Setiap orientasi gradien di kisaran
0-44 derajat menambah bin pertama. 45-89 menambah bin berikutnya. Dan jumlahnya
akan ditambahkan ke bin tergantung pada besarnya gradient. Gradient yang jauh
dari keypoint akan menambah nilai yang lebih kecil untuk histogram. Fungsinya
adalah :
( ) ( ) ( ( ))..................(4)
7
E.
Sebutkan
Teknik Deteksi Tepi
Terdapat beberapa teknik yang
digunakan untuk mendeteksi tepi, antara lain (Munir, 2004) :
1. Operator gradien pertama, contoh
beberapa gradien pertama yang dapat digunakan untuk mendeteksi tepi di dalam
citra, yaitu operator gradien selisih-terpusat, operator Sobel, operator
Prewitt, operator Roberts, operator Canny.
2. Operator turunan kedua, disebut
juga operator Laplace. Operator Laplace mendeteksi lokasi tepi khususnya pada
citra tepi yang curam. Pada tepi yang curam, turunan keduanya mempunyai
persilangan nol, yaitu titik di mana terdapat
pergantian tanda nilai turunan
kedua, sedangkan pada tepi yang landai tidak terdapat persilangan nol.
Contohnya adalah operator Laplacian Gaussian, operator Gaussian.
3.
Operator
kompas, digunakan untuk mendeteksi semua tepi dari berbagai arah di dalam
citra. Operator kompas yang dipakai untuk deteksi tepi menampilkan tepi dari 8
macam arah mata angin yaitu Utara, Timur Laut, Timur, Tenggara, Selatan, Barat,
Barat Daya, dan Barat Laut. Deteksi tepi dilakukan dengan mengkonvolusikan
citra dengan berbagai mask kompas, lalu dicari nilai kekuatan tepi (magnitude)
yang terbesar dan arahnya. Operator kompas yang dipakai untuk deteksi tepi
menampilkan tepi dari 8 macam arah mata angin, yaitu Utara, Timur Laut, Timur,
Tenggara, Selatan, Barat, Barat Daya, dan Barat Laut.
F.
Pengertian
Poin Hilang
Dalam banyak adegan, garis-garis
penting secara struktural memiliki titik hilang yang sama karena paralel dalam
3D. Contoh garis tersebut adalah pinggiran bangunan horizontal dan vertikal,
zebra cross, rel kereta api, tepi furnitur seperti meja dan meja rias, dan
tentu saja, pola kalibrasi di mana-mana .
8
G.
Deteksi
persegi panjang
Setelah set titik hilang yang saling
orthogonal telah terdeteksi, sekarang menjadi mungkin untuk mencari struktur
persegi panjang 3D pada gambar (Gambar 4.47). Selama dekade terakhir, berbagai
teknik telah dikembangkan untuk menemukan persegi panjang seperti itu, terutama
berfokus pada adegan arsitektur (Koseckˇa dan Zhang 2005; Han dan Zhu 2005;
Shaw dan Barnes 2006; Micuˇsˇ`ık, Wildenauer, dan Koseckˇa´ 2008; Schindler,
Krishnamurthy, Lublinerman et al. 2008).
Setelah mendeteksi arah menghilang
ortogonal, Koseckˇa dan Zhang (2005) memperbaiki persamaan garis pas, mencari
sudut di dekat persimpangan garis, dan kemudian memverifikasi persegi panjang
hy-potheses dengan meluruskan tambalan yang sesuai dan mencari dominan tepi
hori-zontal dan vertikal (Gambar 4.47a – b). Dalam tindak lanjut pekerjaan,
Micuˇsˇ`ık, Wildenauer, dan Koseckˇa´ (2008) menggunakan bidang acak Markov
(MRF) untuk menyatukan antara hipotesis persegi panjang yang berpotensi
over-lapping. Mereka juga menggunakan algoritma sapuan bidang untuk mencocokkan
persegi panjang antara pandangan yang berbeda (Gambar 4.47d-f).
Pendekatan yang berbeda diusulkan
oleh Han dan Zhu (2005), yang menggunakan tata bahasa potensial bentuk persegi
panjang dan struktur bersarang (antara persegi panjang dan titik hilang) untuk
menyimpulkan kemungkinan besar penugasan segmen garis menjadi persegi panjang
(Gambar 4.47c).
9
BAB III
PENUTUP
A.
KESIMPULAN
Computer Vision Adalah untuk
menduplikasikan kemampuan mata manusia baik
dalam hal penangkapan/perekaman citra,analisa citra ataupun dalam
pemahaman citra untuk diterapakan dalam sebuah mesin atau komputer.
Perkembangan teknologi, terutama di bidang dunia digital, membawa perubahan
cukup besar. Salah satunya dengan adanya digitalisasi data citra. Selain di
bidang teknologi, pengolahan citra juga dimanfaatkan sebagai pengenalan pola
yang memiliki banyak manfaat untuk membantu pekerjaan manusia.
B.
Kritik
dan Saran
Untuk kemajuan teknologi computer
maka diharapkan agar perkembangan computer kedepan mampu mengubah pola fikir
dan menjadikan masyarakat Indonesia menjadi manusia yang kreatif dan inovatif.
Serta tumbuhnya kratifitas hingga menghasilkan suatu karya yang berguna bagi
manusia.
Diharapkan dengan adanya teknologi
computer dapat dimanfaat sesuai dengan kegunaan sebenarnya yang mampu
mempercerdas bangsa bukannya unutk menghancurkan moral-moral bangsa.
10
DAFTAR
PUSTAKA
3.
Computer
vision dan pengolahan citra;-ed.I.-Yogyakarta ;andi.
4.
http://szeliski.org/Book/.
11
12
No comments:
Post a Comment