KJ

Sumber : http://www.rifqi.web.ugm.ac.id/tulisan/deteksi-pornografi.php

Nazrul Effendy, Rifqi Imanto, Ayodya P.T

ABSTRAK

akhirnya ubuntu 10.04 LTS Release juga


dengan logo baru Dari munculnya ubuntu pertama sampai ubuntu 9.10 tidak terlihat ada perubahan yang signifikan pada tampilan defaultnya..Tetapi beberapa waktu lalu, Canonical secara resmi mengumumkan bahwa Ubuntu akan memiliki tampilan, logo, theme, warna dan desain baru pada peluncuran Ubuntu 10.04 ini..Ubuntu 10.04 LTS (Long-term support) di edisi desktop memiliki dukungan (support) selama 3 tahun kedepan.



Versi ini Ubuntu memperkaya diri dengan berbagai fitur, seperti kecepatan booting, integrasi social network dan lainnya.

Mulai 29 April 2010, Ubuntu 10.04 LTS sudah bisa kita unduh dari website Ubuntu. Berikut beberapa fitur atau hal baru di Ubuntu 10.04 :

* Boot Speed, saat ini ubuntu booting lebih cepat di hampir semua komputer termasuk netbook.
* Integrasi social network, dengan menu barunya ‘Me Menu’. Seperti Facebook, Digg, Twitter dan Identi.ca. Juga disertakan Google talk, MSN, IRC dan lainnya.
* Ubuntu One, meningkatkan integrasi desktop untuk layanan online, file dan folder dapat di share dan di simpan di “cloud” dengan lebih mudah.
* Ubuntu One Music Store
* Ubuntu Software Center 2.0, cara mudah untuk menemukan software baru. Serta berbagai menu berkaitan dengan software lainnya.
* Ubuntu 10.4 Netbook Edition (UNE), sangat tepat untuk di install di netbook dengan peningkatan kecepatan di media SSD.

dengan bootscreen baru :


theme baru :





kalo anda tertarik, langsung aja download CD Ubuntu 10.04 di www.ubuntu.com. Atau juga bisa memesannya di shipit.ubuntu.com, gratis lho

DETEKSI BATAS CITRA LESI KANKER KULIT

Sentot Pambudi, SKom, MMSI



PENDAHULUAN.

Kanker kulit merupakan salah satu jenis kanker yang cukup serius. Walaupun, malignant melanoma (salah satu jenis kanker kulit yang fatal) bukan merupakan kanker yang banyak terjadi di Indonesia, tetapi kanker tersebut tumbuh lebih cepat dibandingkan jenis kanker yang lain [1]. Diagnosis dini terhadap kanker tersebut merupakan hal yang penting, karena kemungkinan untuk dapat disembuhkan pada tahap dini sangat besar. Dermatoscopic adalah teknik pencitraan non-invasive dengan menggunakan minyak immersion, yang akan membuat permukaan kulit lebih transparan, sehingga memberikan visualisasi yang lebih baik bagi struktur-struktur permukaan kulit. Citra dermatoscopic memberikan gambaran yang lebih detail dibandingkan dengan citra macroscopic.


Gambar 1. a) Citra macroscopic (kiri) b) Citra Dermatoscopic (kanan)


Gambar 1 memperlihatkan citra macroscopic dan dermatoscopic untuk lesi kulit yang sama. Penelitian-penelitian terbaru menunjukan diagnosis dengan menggunakan dermatoscopic memiliki tingkat akurasi 75% s.d. 97%, sedangkan penggunaan diagnosis dengan menggunakan macroscopic memiliki tingkat akurasi 65% s.d. 80% [1,3]. Hal tersebut menunjukkan bahwa diagnosis dengan menggunakan dermatoscopic mungkin akan memberikan hasil yang kurang akurat dibandingkan macroscopic, jika dilakukan oleh ahli kulit yang belum berpengalaman [1]. Karena itu, untuk menutupi celah produktivitas, tingkat kesulitan dan subjektivitas yang ada pada interpretasi manusia, keberadaan pengembangan sistem penunjang diagnosis penyakit kanker kulit berbantukan komputer merupakan menjadi suatu kebutuhan [4].

ELM acquisition
slides video
Other techniques
ultra-sound, confocal mircoscopy, etc.
digitization Pre-processing
contour extraction
Analysis
color
texture
symmetry
border
regularity
…
nth feature
segmentation
clinical knowledge
Statistical classification
Application
database
diagnosis
follow up
teaching
histological analysis

Gambar 2. Computer Aided Diagnosis (CAD) system [7]


Tahapan pertama pada sistem penunjang diagnosis penyakit kanker kulit berbantukan komputer adalah mendeteksi batas lesi kanker kulit. Tujuan dari tahap ini adalah memisahkan lesi dari kulit sehat yang ada pada sekelilingnya, sehingga memudahkan dalam melakukan analisis fitur-fitur lainnya (Asysmetris, Border, Color, Diameter). Pentingnya akurasi deteksi batas pada sistem tersebut menjadi berlipat ganda [5] ;
• Pertama, struktur batas memberikan informasi penting yang dapat
menunjang diagnosis lebih akurat.
• Kedua, ekstraksi fitur-fitur klinis penting seperti; asimetris dan
ketidakberaturan batas sangat bergantung pada akurasi deteksi batas.

Deteksi batas citra dermatoscopic merupakan suatu tugas yang
menantang, disebabkan beberapa hal ;
• Perbedaan antara lesi dengan kulit sekitarnya yang tidak kontras
• Batas yang tidak beraturan dan kabur
• Refleksi dan bayangan akibat kesalahan pencahayaan
• Tekstur kulit yang memiliki gelembung udara dan rambut
• Warna lesi kulit yang beragam

Beberapa metode telah dikembangkan untuk mendeteksi batas lesi kulit. Sebagian besar menggunakan citra macroscopic. Survei lebih lanjut mengenai metode-metode yang menggunakan citra macroscopic dapat ditemukan di [5]. Gao [7] menawarkan sebuah metode yang berbasiskan stabilized inverse diffusion equation yang merupakan bentuk non linear diffusion. Schmid [8] menawarkan teknik berbasiskan color clustering. Pertama, histogram 2 dimensi dihitung dari 2 prinsip pertama ruang warna CIE L*u*v*. Kemudian, dilakukan proses diperhalus dan dilakukan inisialisasi pusat kluster dari puncak menggunakan klasifikasi berdasarkan persepsi. Akhirnya, lesi kulit disegmentasi menggunakan modifikasi algoritma fuzzy c-mens clustering [10].

Image Aquisition
Preprocessing
Segmentation
Postprocessing Other Segmentation
“3 Step L. Xu”
METHODOLOGY
M. Emre Celebi, Alp
Aslandogan dan Paul M.
Bergstresser
Skin Lesion
Detected Border
24 bit RGB Image
Median Filter
DullRazor
JSEG Algorithm
Color Quantization Variance-based
Region Growing


Gambar 4. Tahapan Proses
Donadey [11] menawarkan metode berbasiskan intensity radial profiles yang dihitung dari komponen intensitas ruang HIS. Haeghen [12] menawarkan suatu metode pengawasan dengan memanfaatkan ruang warna CIE L*a*b*. Pada metode ini kulit yang sehat ditentukan dengan menggambar secara kasar batasan kulit sehat dengan lesi kulit. Batasan tersebut kemudian akan mengecil, selama warna piksel lokal sama dengan warna kulit sehat.

TAHAPAN PROSES.
Deteksi batas citra lesi kanker kulit merupakan tahapan awal dan sangat penting bagi suatu sistem penunjang diagnosis penyakit kulit berbantukan komputer. Akurasi diagnosis ditentukan oleh akurasi deteksi batas lesi kanker kulit tersebut. Deteksi batas citra lesi kanker kulit memiliki beberapa tahapan proses [6], yaitu : Akuisisi Citra (image acquisition), Pra Proses (preprocessing), Ekstraksi Fitur (feature extraction), Segmentasi (segmentation) dan Pasca Proses (postprocessing), seperti pada gambar 4.



Gambar 5. Bagan Rangkaian Image Acquisition


Image Acquisition
Akuisisi citra merupakan tahap awal, pada tahap ini citra lesi kanker kulit pada pasien akan diambil/ditangkap. Kamera akan dipergunakan untuk tahapan ini. Kamera yang umum dipergunakan pada tahap ini, dapat berupa kamera analog atau digital. Untuk citra yang diambil dengan menggunakan Halaman 5 dari 11 kamera analog perlu dilakukan konversi ke dalam bentuk citra digital. Bagan rangkaian image acquisition dapat dilihat pada gambar 5.

Preprocessing
Beberapa citra dermatoscopic mengandung elemen-elemen seperti; tekstur kulit, gelembung udara dan rambut yang membuat deteksi batas lebih sulit. Untuk mengatasi permasalahan tersebut, perlu dilakukan proses pendahuluan dengan melakukan penghalusan. Proses penghalusan yang dipergunakan terdiri dari Dullrazor dan Filter.





Gambar 6. Citra Asli (kolom 1), Citra hasil DullRazor (kolom 2)


Penggunaan Dullrazor ditujukan untuk menghilangkan rambut yang terdapat pada citra warna lesi kulit, terutama rambut yang cukup tebal dan memiliki warna dasar yang menyerupai warna lesi kulit. Keberadaan rambut tersebut dapat mempengaruhi proses deteksi batas citra lesi kulit, oleh karena itu rambut pada citra lesi kulit harus dihilangkan, seperti terlihat pada gambar 6. Pemilihan filter merupakan tahapan yang penting dalam deteksi tepi lesi kulit. Filter gaussian dan median merupakan filter paling sering dipergunakan [6]. Unjuk kerja yang kurang maksimal dari filter tersebut ditunjukkan dengan citra yang dihasilkan memiliki gambaran batas yang Halaman 6 dari 11 semakin kabur. Berdasarkan eksperimen yang telah dilakukan M. Emre Celebi, Alp. Aslandogan dan Paul M. Bergstresser [6], didapatkan hasil bahwa; Filter bilateral memberikan hasil yang terbaik disusul PGF. Hasil eksperimen penggunaan filter-filter tersebut di atas dapat dilihat pada gambar 7.





Gambar 7. Citra Asli, (b) Median Filter (c) Gaussian Filter (d) PGF Filter (e) Bilateral Filter




Color Quantization
Citra 24 bit pada umumnya mengandung ribuan warna, sehingga menimbulkan kesulitan untuk menanganinya. Oleh sebab itu perlu dilakukan kuantisasi warna. Tujuan dari proses ini adalah memperoleh beberapa perwakilan warna yang dapat membedakan satu bagian dengan bagian lainnya pada citra tersebut. Dari beberapa eksperimen, jumlah perwakilan warna yang cukup baik berkisar sekitar 20 warna. Pada beberapa penelitian, sejumlah metode kuantisasi warna seperti, median-cut, k-mean, variance-based, octree, pairwise clustering, uniform dan popularity diperbandingkan. Diperoleh hasil bahwa pairwise clustering memberikan nilai RMS (total kesalahan kuantisasi berbanding jumlah piksel citra) terkecil, Sedangkan variance-based memberikan waktu proses yang tercepat.






Gambar 8. Hasil Segmentasi pada Skala (a) 4 (b) 3 (c) 2 (d) 1

Segmentation
Proses selanjutnya adalah melakukan segmentasi terhadap citra lesi kanker kulit. Pada proses ini, citra akan dibagi menjadi beberapa bagian. Metode segmentasi region growing akan dipergunakan pada tahap ini. Region growing terdiri atas proses penentuan piksel yang akan menjadi titik awal dan akan berkembang dimulai dari titik awal tersebut. Region growing akan diikuti proses region merging. Hasil segmentasi dapat dilihat pada gambar 8.




Gambar 9. Hasil Postprocessing

Postprocessing
Citra lesi kulit yang sudah tersegmentasi seringkali masih mengandung bagian kulit sehat. Pendekatan segmentasi X.lu [16] diterapkan untuk menghilangkan sisa bagian kulit yang sehat. Pada pendekatan tersebut akan dibentuk jendela dengan ukuran 10x10 pada keempat sudut citra dan menentukan nilai rata-ratanya. Bagian citra yang memiliki jarak warna yang lebih kecil daripada threshold warna kulit sehat akan dihilangkan [16], seperti terlihat pada gambar 9.


REFERENSI
[1] Braun R. P., French L.E., and Saurat J.-H., “Dermoscopy of Pigmented Lesions: A Valuable Tool in the Diagnosis of Melanoma”, Swiss Medical Weekly, 134(7-8): 83-90, 2004.

[2] Argenziano G., Soyer H.P., Giorgi V., and Piccolo D., “Dermoscopy: A Tutorial”, EDRA Medical Publishing & New Media, Milan- Italy, 2000.

[3] Ascierto P.A., Palmieri G., and Botti G., “Early Diagnosis of Malignant Melanoma: Proposal of a Working Formulation for the Management of Cutaneous Pigmented Lesions from the Melanoma Cooperative Group”, International Journal of Oncology, 22(6): 1209-1215, 2003.

[4 ]Halaman 9 dari 11 [4] Fleming M.G., Steger C., Zhang J., Gao J., Cognetta A.B., Pollak I., and Dyer C.R., “Techniques for a Structural Analysis of Dermatoscopic Imagery”, Computerized Medical Imaging and Graphics, 22(5): 375-389, 1998.

[5] Stoecker W.V., Zhang Z., Moss R.H., Umbaugh S.E., and F. Ercal, “Boundary Detection Techniques in Medical Image Processing”, In Medical Imaging Systems Techniques and Applications: General Anatomy (Ed: Cornelius T. Leondes) Martin Dunitz Ltd., pp. 1-84, 1997.

[6] M. Emre Celebi, Alp. Aslandogan and Paul M. Bergstresser, “Unsupervised Border Detection of Skin Lesion Images”, Submitted to ITCC 2005.

[7] Gao J., Zhang J., Fleming M.G., Pollak I., Cognetta A.B., "Segmentation of Dermatoscopic Images by Stabilized Inverse Diffusion Equations" Proc. of the 1998 International Conference on Image Processing, 3: 823-827, 1998.

[8] Schmid P., Guillod J., Philippe J., “Towards a computer-aided diagnosis system for pigmented skin lesions”, Computerized Medical Imaging and Graphics 27, 65–78, 2003.

[9] Schmid P.,"Segmentation of Digitized Dermatoscopic Images by Two-Dimensional Color Clustering" IEEE Trans. on Medical Imaging, 18(2): 164-171, 1999.

[10] Lim Y.W. and Lee S.U. “On the Color Image Segmentation Algorithm Based on the Thresholding and the Fuzzy c-means Techniques” Pattern Recognition, 23(9): 935–952, 1990.

Halaman 10 dari 11 [11] Donadey T., Serruys C., Giron A., Aitken G., Vignali J.-P., Triller R., and Fertil B., "Boundary Detection of Black Skin Tumors Using an Adaptive Radial-based Approach" SPIE Medical Imaging 2000, 3379: 810-816,
2000.

[12] Haeghen Y.V., Naeyaert J.M., and Lemahieu I., "Development of a Dermatological Workstation: Preliminary Results on Lesion Segmentation in CIE LAB Color Space" Proc. of International Conference on Color in Graphics and Image Processing CGIP’2000.

[13] Orlando J. Hernandez and Alireza Khontanzad, “Color Image Segmentation Using Multispectral Random Field Texture Model and Color Content Features”, JCS&T, Vol.4 No.3, October 2004.

[14] Deng Y. and Manjunath B.S., "Unsupervised Segmentation of Color-Texture Regions in Images and Video" IEEE Trans. on Pattern Analysis and Machine Intelligence, 23(8): 800-810, 2001.

[15] J. W. Bennett and A. Khotanzad, “Multispectral Random Field Models for Synthesis and Analysis of Color Images, IEEE Trans. on Pattern Analysis and Machine Intelligence”, vol. 20, no. 3, pp. 327-332, 1998.

[16] Xu L., Jackowski M., Goshtasby A., Roseman D., Bines S., Yu C., Dhawan A., and Huntley A. “Segmentation of Skin Cancer Images”, Image and Vision Computing, 17(1): 65-74, 1999.

Seminar on Application and Research in Industrial Technology, SMART
Mohammad Iqbal, Imam Ahmad Trinugroho, Yuli Karyati



Sistem Akuisisi Citra Stereo menggunakan Matlab


Abstrak

Sistem akuisisi citra merupakan bagian awal yang cukup kritis untuk mendapatkan materi dasar citra yang diinginkan dalam bidang visi komputer. Dalam aplikasi rekonstruksi 3D citra, sistem akuisisi ini berkembang menjadi berbagai pendekatan yang salah satunya adalah memanfaatkan sistem stereo. Sistem visi stereo ini akan memberikan perluasan pandangan dari suatu obyek, yang memungkinkan pengamat mendapatkan informasi tidak hanya secara dua dimensi tetapi juga mendapatkan kedalaman suatu obyek citra yang diambil dari titik pandang (view point) yang berbeda. Penelitian ini adalah membuat rancang bangun sistem akuisisi citra stereo menggunakan 2 kamera yang diinstalasi secara paralel, dengan antarmuka perangkat lunak Matlab. Kemudian mengujinya dengan melakukan penangkapan citra stereo dan menguji kualitas citra tersebut dengan metode membandingkan histogram serta berdasarkan indeks kualitas citra berdasarkan model distorsi. Pada bagian akhir penelitian akan ditemui bahwa sistem akuisisi yang dibangun ini dapat menghasilkan citra sesuai dengan yang diinginkan.
Kata Kunci : Akuisisi citra, Pencitraan Stereo, Matlab, histogram, indeks kualitas citra

1. Latar Belakang

Instalasi sistem akuisisi citra stereo dari suatu sistem kamera tunggal memerlukan penyesuaian cukup besar. Perangkat lunak bawaan kamera, sebagian besar tidak menyediakan fungsi akuisisi citra stereo yang khas, misalnya kemampuan mengakuisisi citra dari beberapa kamera dalam satu waktu. Penggunaan perangkat lunak seperti Matlab yang dapat disesuaikan tentunya akan sangat membantu dalam kasus-kasus ini. Walaupun pada umumnya akuisisi dengan memanfaatkan kakas akuisisi citra pada perangkat lunak Matlab pun masih memerlukan pengaturan lebih lanjut.

1.1. Kakas Akuisisi Citra pada Matlab
Kakas akuisisi citra Matlab adalah koleksi berbagai fungsi yang digabungkan dalam lingkungan komputasi numerik Matlab. Kakas ini mendukung area yang luas dari berbagai operasi akuisisi citra memanfaatkan berbagai tingkat teknologi penangkapan frame (frame grabber) dan berbagai antarmuka (USB, FireWire) yang mengatur konektifitas antara kamera dan perangkat komputer.Kakas akuisisi citra Matlab ini akan menyiapkan hasil akuisisi dalam lingkungan Matlabnuntuk dianalisis dan divisualisasikan lebih lanjut.
Secara umum langkah demi langkah akuisisi citra menggunakan kakas Matlab meliputi (Matlab team, 2009):
• Membangun konektifitas ke perangkat keras kamera.
• Mengkonfigurasikan para meter perangkat keras kamera .
• Menampilkan jendela kuisisi.
• Melakukan akuisisi Data Citra.

1.2. Sistem Stereo
Akuisisi citra menggunakan sistem stereo berhubungan dengan dua hal yang harus dipecahkan dalam sistem stereo, yaitu korespondensi (correspondence) dan rekonstruksi. Korespondensi adalah teknik menentukan piksel di citra kiri yang berhubungan dengan piksel pada citra kanan, sedangkan rekonstruksi adalah proses konversi ke peta 3D dari scene obyek, berdasarkan pada pengetahuan geometri dari sistem stereo dan peta dispariti (disparity map). Dispariti adalah perbedaan yang dihitung antar obyek yang saling berhubungan (Hartley, 2000).
Gambar 1-(a) di bawah merepresentasikan sebuah sistem stereo sederhana, dimana T adalah
baseline, Ol dan Or adalah pusat optik (optical centers), Z adalah jarak antara titik P dengan baseline
dan f adalah focal length. Dari segitiga yang mirip yaitu (pl, P, Pr) dan (Ol, P, Or), kita memiliki
persamaan :

(1)

Dimana xl dan xr adalah koordinat dari pl dan pr. Dari sini kita mendapatkan persamaan :

(2)

Dengan d = xr - xl adalah dispariti. Dispariti adalah penjumlahan (sum) dari perbedaan letak pl dan pr di citra kedua, dari posisi sebelumnya di citra pertama, misalnya pada |xl| + |xr|, sejak xl < 0 maka sekarang kita memiliki xr - xl. Pada umumnya, dengan memiliki informasi f, T, cl dan cr sebagai parameter dari sistem stereo di atas, maka dengan mudah dapat melakukan kalibrasi stereo.Namun, informasi 3D citra stereo tersebut tetap dapat dihitung walau pun tidak mengetahui parameter-parameter tersebut. Teknik ini dikenal dengan istilah melakukan uncalibrated stereo menggunakan metode epipolar geometri (Humenberger, 2007). Epipolar geometri memungkinkan mengklarifikasi informasi yang dibutuhkan untuk meningkatkan pencarian elemen yang berkorespondensi pada sepanjang garis citra secara geometris.

(a) (b)
Gambar 1. Sistem Stereo sederhana (a) dan Ilustrasi Epipolar geometri (b) (Hartley, 2000)

Inti dari epipolar geometri adalah fakta bahwa bidang epipolar berpotongan dengan setiap citra pada garis yang disebut garis epipolar (Lihat gambar 1-(b)). Jadi jika kita mengetahui pl, maka P akan dapat terletak di mana saja melewati Ol dan pl. Namun saat citra pada lintasan yang sama pada citra kanan berada dalam garis epipolar yang melewati titik koresponden pr, maka pencocokan yangtepat akan melewati garis epipolar tersebut. Inilah yang disebut epipolar constraint, atau dengan kata lain, titik koresponden Pr untuk titik Pl harus terletak pada garis epipolar. Dalam langkah perhitungannya, terdapat matrik Esensial (E) yang menghasilkan hubungan antara epipolar constrain dan parameter ekstrinsik sistem stereo. Matrik ini adalah pemetaan antara titik dan garis epipolar yang kita cari yang merupakan parameter translasi vektor T=(Or - Ol) dan matrik rotasi (R), di mana relasi antara Pr dan Pl didefenisikan oleh Pr = R (Pl - T). Namun, karena ini belum cukup lengkap untuk dapat melihat hubungan antara sistem stereo, maka parameter instrinsik dibutuhkan untuk menghubungkan koordinat piksel titik citra dengan koordinat koresponden dalam masing-masing kamera. Hubungan ini dapat dicari dengan matrik fundamental (F).

2. Sistem Akuisisi Stereo

Pada bagian ini, akan dipaparkan mengenai instalasi perangkat akusisisi stereo dan detil perancangan kustomisasi kakas sistem akuisisi stereo Matlab.

2.1. Instalasi Sistem Akuisisi Citra Stereo
Instalasi sistem akuisisi stereo menggunakan PC Desktop dengan kartu PCI IEEE 1394, dan menyambungkannya ke dua unit kamera AVT Guppy F080C melalui dua kabel fireWire. Soket yang
T xl - xrT
Z - fZ
+
=
T
Z f
d
=

dipilih adalah soket 6-pin fireWire, yang sudah memiliki koneksi listrik di dalamnya, sehingga setiap kamera tidak membutuhkan lagi koneksi listrik tersendiri.

Gambar 2. Konfigurasi perangkat keras akuisisi stereo

Kamera AVT Guppy F-080C adalah kamera dengan CCD sensor mencapai resolusi 1032 x 778 pixel, memiliki frame rate 30 frame per detik dan dilengkapi pula dengan multi kecepatan transfer data yaitu 100 Mbit/s, 200 Mbit/s, 400 Mbit/s. Kamera ini memiliki fitur ; AGC (auto gain control), AEC (auto exposure control), 1 input, 3 output, bahkan juga masih terdapat port RS-232 (serial port, IIDC v. 1.31). Untuk dapat bekerja dalam lingkungan Matlab, kamera ini membutuhkan driver DCAM(protokol antarmuka fireWire) yang dibuat oleh Carnegie Mellon University (CMU). Sampai tulisan ini dibuat, driver ini adalah satu-satunya DCAM driver didukung oleh Matlab, dan dapat diunduh di situs Web www-2.cs.cmu.edu / ~ iwan/1394. Detil instalasi sistem stereo yang dilakukan dapat dilihat

2.2. Perancangan Kakas Akuisisi Citra Stereo Matlab
Pada bagian ini, akan dipaparkan mengenai dasar akuisisi citra Matlab dan langkah-langkah bekerja dengan properti sistem akuisisi di lingkungan Matlab. Perancangan antarmuka dan kode untuk akuisisi stereo dilakukan berdasarkan fungsi-fungsi akuisisi pada Matlab.

2.2.1. Dasar Akuisisi Citra menggunakan Kakas Matlab
Dalam membuat aplikasi akuisisi citra pada menggunakan kakas Matlab dibutuhkan beberapa tahap,
yaitu :
a. Identifikasi adaptor akuisisi yang terinstal. Adaptor disini berfungsi sebagai protokol komunikasi dasar antara Matlab dengan perangkat pencitraan. Dapat diketahui dengan perintah imaqhwinfo. Secara default biasanya adaptor bernama winvideo, atau jika menggunakan kamera berantarmuka fireWire akan bernama DCAM.
b. Identifikasi Informasi perangkat. Untuk menemukan perangkat tertentu dari setiap perangkat akuisisi citra, menggunakan perintah imaqhwinfo(‘nama adaptor’). Matlab akan mengembalikan informasi yang meliputi jumlah perangkat yang terinstal, format resolusi citra yang bisa ditangkap dan beberapa hal teknis perangkat kamera lainnya.
c. Menciptakan obyek untuk input video. Sesi ini merepresentasikan koneksi antara Matlab dan perangkat akuisisi pada level tertinggi pemrograman. Contoh perintahnya : vid1 = videoinput('dcam',1,'Y8_800x600');. Kode ini akan menyiapkan obyek input akuisisi dalam variable bernama vid1 dalam resolusi 800x600. Sampai langkah ini Matlab sudah siap untuk mengakses perangkat akuisisi citra dan siap mengambil datanya.
d. Menampilkan Video streaming. Sebelum mengambil data, biasanya user perlu melihat tampilan video untuk memastikan bahwa citra yang akan diambil sudah tepat. Langkah ini biasanya untuk menjadi pedoman user dalam mengubah posisi kamera, mengubah pencahayaan, memperbaiki fokus, atau membuat beberapa perubahan dalam kegiatan setup. Perintahnya adalah preview(vid1), dimana vid1 adalah variabel obyek pada langkah sebelumnya.
e. Menangkap citra atau memperoleh data citra, melalui tiga langkah :
100mm
500mm
Kamera

1. Mengaktifkan obyek input video, menggunakan fungsi start, misalnya start(vid1). Untuk menonaktifkan menggunakan fungsi stop(vid1).
2. Mengatur pemicu akuisisi, pilihannya adalah otomatis setelah diaktifkan, atau secara manual. Contoh perintah untuk mengatur akuisisi untuk dilakukan secara manual set(vid1,' TriggerType','Manual').
3. Membawa data citra ke wilayah kerja Matlab. Ada dua fungsi utama dalam melakukan langkah ini, yaitu fungsi getdata untuk mengambil data citra multiframe dan fungsi getsnapshot untuk mengambil data citra frame tunggal. Dalam penelitian ini, penulis menggunakan perintah img1 = getsnapshot(vid1); yaitu mengambil data satu frame saja pada setiap kamera untuk diletakkan dalam variabel img1 sebagai citra.
f. Menonaktifkan obyek input. Setelah akuisisi selesai, maka perlu ada aktivitas pembebasan memori dari obyek input. Sebab untuk proses ini memakan banyak sumber daya komputer. Perintahnya adalah delete(vid1).

2.2.2 Bekerja dengan properti sistem Akuisisi Matlab
Inti dari perancangan akuisisi stereo pada penelitian ini adalah bekerja dengan properti akuisisi yang disediakan Matlab. Setelah langkah-langkah dasar akuisisi dilakukan pada sub bab sebelumnya, penulis mendapatkan bahwa Matlab mengembalikan informasi yang sangat banyak terkait dengan kemampuan kamera yang disambungkan ke sistemnya. Penulis kemudian membagi menjadi dua bagian properti-properti tersebut, yaitu yang pertama adalah fungsi pengaturan umum (general settings properties) and fungsi spesifik (device specific properties).

a. Fungsi Pengaturan Umum
Fungsi-fungsi pada bagian ini melakukan pembacaan properti umum dari kamera, yang meliputi id perangkat, tipe video input, video format dan video resolusi, pengaturan pemicuan akuisisi,pengaturan memori untuk proses akuisisi, pengaturan fungsi sensor untuk area warna citra dan deklarasi beberapa variabel video obyek. Aktivitas ini dapat diaktifkan dengan perintah get(vid1). Properti-properti ini adalah informasi status dari perangkat akuisisi. Beberapa properti bisa saja hanya bisa dibaca, tanpa bisa diatur lagi. Ini terkait dengan perintah awal deklarasi fungsi ini. Penulis melakukan pengaturan dengan menggunakan perintah : set(variable,'properti yang ingin diubah',’nilai properti baru’);

b. Fungsi Spesifik
Untuk mendapatkan nilai parameter spesifik menggunakan perintah getselectedsource. Properti perangkat spesifik ini akan sangat tergantung dengan kemampuan perangkat akuisisi kamera yang tersambung dengan sistem stereo. Pada umumnya properti yang dikembalikan Matlab adalah pengaturan autoexposure, gain, brightness, shutter speed, white balance, gamma, dan lain sebagainya tergantung pada kemampuan kamera. Berikut ini adalah contoh perintah mengakses dan melakukan edit properti spesifik ; src=getselectedsource(vid1); get(src); (untuk menampilkan), dan set(src,'Brightness',20); (untuk memberi nilai baru pada properti brightness). Perancangan kakas Matlab untuk sistem akuisisi stereo dapat dilihat pada algoritma yang berada pada Gambar 4. Penulis mengkombinasikan pengaturan dasar akuisisi citra Matlab dengan pengaturan properti-propertinya secara otomatis. Pada bagian akhir penulis pun mengkombinasikannya dengan perintah-perintah pengolahan citra agar memudahkan pengguna.
1. Tentukan Jumlah kamera
2. Tampilkan parameter akuisisi citra setiap kamera:
• Tampilkan adaptor, device id dan format.
• Tampilkan properti pengaturan fungsi umum
• Tampilkan properti pengaturan fungsi spesifik
• Tampilkan streaming obyek akusisi
3. Atur parameter akuisisi citra setiap kamera sesuai input dari user
4. Tentukan obyek penyimpanan :
• Jumlah citra yang akan diambil
• Nama dan format file citra
5. Lakukan akuisisi citra secara serempak
6. Simpan citra pada obyek yang sudah disediakan


2. Pengujian Citra Stereo

Pada bagian ini akan dijabarkan mengenai pengujian citra yang telah diakusisi dengan sistem ini dengan pendekatan histogram dan indeks kualitas citra berdasarkan model distorsi.

2.2. Histogram
Salah satu informasi penting mengenai suatu citra digital dapat diketahui melalui pembuatan histogram. Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas piksel dari suatu citra. Histogram akan menunjukkan kemunculan relatif dari intensitas pada citra tersebut serta dapat menunjukkan kecerahan dan kontras dari suatu citra. Secara matematis histogram dapat
dihitung dengan rumus (Rinaldi Munir, 2004) :
1 ,..., 1 , 0 , − = = L i
n
n
h i
i
L adalah derajat keabuan, pada citra yang dihasilkan dari sistem akuisisi ini, dipilih citra dengan kuantitasi derajat keabuan 8-bit, sehingga nilai derajat keabuannya antara 0 sampai 255. ni adalah jumlah piksel yang memiliki derajat keabuan i, n adalah jumlah seluruh piksel dalam citra. Pengujian dilakukan dengan mengakuisisi citra sebanyak 20 kali, lalu menghitung histogram setiap citra tersebut dan meletakkannya dalam sebuah matrik. Selanjutnya adalah melakukan operasi rata-rata bagi setiap hi yang didapat dari setiap citra untuk semua citra uji tersebut. Citra yang diambil terdiri dari 4 jenis obyek yang berbeda (wayang, kotak bertekstur, botol penghapus cair bertekstur halus dan kotak polos), agar dapat melihat sebaran variasi intensitas yang ada.



Puncak histogram menunjukkan intensitas piksel yang menonjol. Lebar dari puncak menunjukkan rentang kontras dari citra. Citra yang memiliki histogram yang sempit dan hanya menggunakan setengah dari daerah derajat keabuan biasanya mempunyai kontras yang terlalu terang atau terlalu gelap. Dari dua rata-rata nilai histogram yang didapat dari 4 jenis citra tes terlihat hampir mengisi semua daerah derajat keabuan dengan distribusi yang hampir merata pada setiap nilai intensitas piksel. Secara umum dapat dilihat bahwa kualitas citra dari hasil akuisisi dengan sistem ini cukupnlayak untuk diproses lebih lanjut.

2.3. Indeks Kualitas berdasarkan model Distorsi
Pada penelitian ini, penulis menguji citra yang diambil dengan mengadaptasi model kualitas citra pada penelitian Wang, 2002. Secara umum, model kualitas indeks ini bekerja dengan memberikan 3 kombinasi distorsi pada citra yang dibandingkan, yaitu penghilangan korelasi (loss correlation),ndistorsi luminasi/intensitas (luminance distortion) dan distorsi kontras/kecerahan (contrast distortion).
Defenisi model dapat dilihat di bawah ini (Wang, 2002) :
2 2 2 2
2
.
) ( ) (
. 2
.
y x
y x
y x
xy
y x
y x
Q
σ σ
σ σ
σ σ
σ
+ +
= (4)

Komponen pertama adalah mencari koefisien korelasi antara x dan y, didapat dengan mengukur derajat korelasi antara x (citra referensi) dan y (citra tes). Representasi komponen ini berada dalam area dinamis [-1,1]. Nilai terbaik 1 akan terjadi jika yi=axi+b untuk setiap i=1,2,3,..,N, dimana a dan b konstan dan a>0. Komponen kedua yang memiliki kisaran [0,1], mengukur seberapa dekat rata-rata luminasi/intensitas antara x dan y. Nilai akan 1 jika dan hanya jika x = y .
x σ dan
y σ dapat
ditampilkan sebagai estimasi kontras x dan y, maka komponen yang ketiga akan mengukur seberapa sama kontras citra tersebut. Nilainya pada kisaran [0,1] pula. Dimana nilai terbaik 1 akan didapat jika
y x σ σ = .
Proses ini diterapkan pada 20 pasangan citra tes dari 4 pola obyek yang berbeda seperti pada pengujian histogram pada sub bab sebelumnya. Citra referensinya adalah citra khusus dari masing-masing obyek tersebut dengan kecerahan dan kontras paling tinggi, sehingga penulis dapat membandingkan secara radikal jenis citra dengan tekstur banyak dan sedikit dan pengaruhnya terhadap kualitas yang dibandingkan. Tabel berikut ini menunjukkan rata-rata kualitas perbandingan
20 pasang citra tes dengan citra referensi.

Tabel I. Hasil perbandingan Kualitas 20 pasang citra tes dengan 4 variasi obyek
No Citra Rata-rata kualitas 20 citra (0-1)
1 Wayang – kiri 0.83141
Wayang – kanan 0.913955
2 Kotak bertekstur - kiri 0.84879
Kotak bertekstur - kanan 0.906595
3 Penghapus cair – kiri 0.81391
Penghapus cair – kanan 0.91008
4 Kotak polos – kiri 0.795965
Kotak polos – kanan 0.86941

Secara umum, karena citra pembandingnya adalah citra dengan kecerahan dan kontras paling tinggi, penulis menemukan obyek citra bertekstur banyak ternyata memiliki indeks kualitas yang lebih tinggi dibandingkan dengan citra bertekstur rendah. Selain itu, perbedaan titik pandang obyek juga mempengaruhi indeks kualitas citra. Dari data di atas, kita dapat melihat rata-rata kualitas indeks dari 20 citra kiri dibandingkan dengan 20 citra kanan, ternyata citra kiri memiliki indeks yang lebih rendah.

2.4. Tes Kalibrasi Stereo
Sebagai penegas kualitas citra yang didapatkan dari sistem akuisisi ini, penulis mencoba mengkalibrasi citra stereo yang didapat dengan menggunakan kakas kalibrasi Bouguet (bouguet, 2008). Untuk keperluan ini, penulis melakukan akuisisi 10 pasang citra citra dengan obyek check board, dengan ukuran kotak dalam check board sebesar 10mm x 10mm, dan menentukan ukuran jendela untuk pencarian sudut 5 dan 3(wintx dan winty). Pada proses kalibrasi ini, kakas kalibrasi Bouguet kemudian mengekstrak kotak sudut (grid corner) sebagai pedoman perhitungan, lalu mengkalibrasinya untuk mendapatkan parameter intrinsik setiap kamera (kiri dan kanan). Untuk keperluan ini, penulis melakukannya satu per satu untuk setiap kamera. Hasil kalibrasi Bouguet adalah mendapatkan data intrinsik panjang fokal (focal length) dan titik prinsip (prinsipal point) kamera kiri dan kanan dengan masing-masing pixel error seperti di bawah ini.
Pixel error left: err = [ 0.26174 0.25549 ]
Pixel error right: err = [ 0.27587 0.23443 ]

Setelah mendapatkan data tersebut di atas, maka dengan kakas yang sama, kita dapat mengkalibrasi stereo untuk mendapatkan vektor rotasi dan translasi yang menunjukkan parameter ekstrinsik antara dua kamera stereo tersebut, seperti yang ditunjukkan pada Gambar 7-(a).

Rotation vector: om = [ 0.05870 -0.03126 0.00980 ] ± [ 0.04273 0.07177 0.00232 ]
Translation vector: T = [ -85.33403 6.93823 -1.05960 ] ± [ 1.56573 1.03274 12.56509 ]



Langkah terakhir, adalah melakukan perbaikan geometri citra stereo yang didapat untuk menunjukkan garis hubungan piksel antara citra kiri dan kanan. Hasilnya dapat dilihat pada Gambar 7-(b). Sampai tahapan ini, dengan mengacu pada hasil pengujian kalibrasi di atas, dapat menunjukkan bahwa citra yang diambil menggunakan sistem akuisisi stereo ini cukup layak dan dapat diproses lebih lanjut.

3. Kesimpulan

Salah satu tujuan pembuatan kakas ini adalah untuk mengatasi kelemahan perangkat lunak bawaan kamera yang pada umumnya tidak memiliki kemampuan mengakuisisi citra stereo lebih dari satu kamera secara simultan. Pada penelitian ini, kakas sistem akuisisi citra stereo yang disusun telah mengalami 3 langkah pengujian kelayakan citra yang diambil. Secara umum hasil pengujian histogram, pengujian indeks kualitas metoda Wang dan proses pengujian kalibrasi stereo memberikan hasil yang baik. Pengembangan dapat dilakukan dengan memanfaatkan GUI Matlab pada seluruh bagian program agar pengguna mendapatkan tampilan yang lebih baik lagi. Selain itu juga, dapat program ini dapat dikombinasikan dengan mengadaptasi kemampuan kalibrasi kamera secara langsung sehingga tidak menggunakan kakas kalibrasi kamera lainnya secara terpisah.

Daftar Pustaka

Brown, Myron Z. (2003), Advances in Computational Stereo, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 25, NO. 8.

Gonzales R, Woods R Eddins S (2004), Digital Image Processing Using Matlab, Pearson Prentice Hall.



Humenberger, Martin (2007), Evaluation of Stereo Matching Systems for Real World Applications Using Structured Light for Ground Truth Estimation, MVA2007 IAPR Conference on Machine Vision Applications, May 16-18, 2007, Tokyo, JAPAN.

J.Bouguet. (2008), Matlab camera calibration toolbox, Website Caltech.edu http://www.vision.caltech.edu/bouguetj/calib doc/index.html.

Marvin Ch Wijaya, Agus Prijono (2007), Pengolahan Citra Digital menggunakan Matlab Image processing toolbox, Penerbit Informatika, Bandung.

Matlab team (2009), Image Acquisition Toolbox 3.3 ; Acquire images and video from industry-standard hardware, Matlab Product Preview Article,
http://www.mathworks.com/products/imaq/, Februari.

R. Hartley and A. Zisserman (2000), Multiple View Geometry in Computer Vision. Cambridge: UK, Cambridge Univ. Press.

Rinaldi Munir (2004), Pengolahan Citra Digital dengan Pendekatan Algoritmik, Penerbit Informatika, Bandung.

Zhou Wang, Alan C. Bovik (2002), A Universal Image Quality Index, IEEE Signal Processing Letter, Vol. XX, No. Y.

Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) adalah intensitas citra pada koordinat tersebut, hal tersebut diilustrasikan pada gambar dibawah ini . Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue - RGB).







Dasar Warna

RGB adalah suatu model warna yang terdiri dari merah, hijau, dan biru, digabungkan dalam membentuk suatu susunan warna yang luas. Setiap warna dasar, misalnya merah, dapat diberi rentang-nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer. Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).

representasi warna.JPG


Citra Gray

Graysacale adalah warna-warna piksel yang berada dalam rentang gradasi warna hitam dan putih.

Color Dialog.JPG





Pada Color Dialog seperti yang terlihat pada gambar diatas, jika memilih warna solid hitam, putih, atau abu-abu, maka akan berada dalam pita warna Grayscale. Apabila tanda panah digeser ( ke atas menuju putih atau ke bawah menuju ke hitam ) maka red, green dan blue akan memberikan nilai yang sama. Untuk pengubahan warna image menjadi grayscale, cara yang umumnya dilakukan adalah dengan memberikan bobot untuk masing-masing warna dasar red, green, dan blue. Tetapi cara yang cukup mudah adalah dengan membuat nilai rata-rata dari ketiga warna dasar tersebut dan kemudian mengisikannya untuk warna dasar tersebut dengan nilai yang sama ( seperti pada contoh color dialog di atas )

citra asli dan citra gray.JPG





Citra Biner

Citra biner diperoleh melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimilikinya. Piksel yang memiliki derajat keabuan lebih kecil dari nilai batas yang ditentukan akan diberikan nilai 0, sementara piksel yang memiliki derajat keabuan yang lebih besar dari batas akan diubah menjadi bernilai 1.



citra asli, citra gray dan citra biner.JPG

PERSAMAAN 2.1.JPG

Jika a1 =0 dan a2 = 1, maka operasi ini akan mentransformasikan suatu citra menjadi citra biner. Misal suatu citra memiliki gray level 256, dipetakan menjadi citra biner, maka fungsi fungsi trasformasinya adalalah sebagai berikut:

PERSAMAAN 2.2.JPG



pixel-pixel yang nilai intensitasnya di bawah 128 diubah menjadi hitam (nilai intensitas = 0), sedangkan pixel-pixel yang nilai intensitasnya di atas 128 diubah menjadi putih (nilai intensitas =1).





Median Filter

Median filter merupakan salah satu jenis low-pass filter, yang bekerja dengan mengganti nilai suatu piksel pada citra asal dengan nilai median dari piksel tersebut dan lingkungan tetangganya.



Dasar Pengolahan Citra Digital

Pengolahan citra (image processing) merupakan proses mengolah pikselpiksel dalam citra digital untuk suatu tujuan tertentu. Beberapa alas an dilakukannya pengolahan citra pada citra digital antara lain :



1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena pengaruh derau. Proses pengolahan bertujuan mendapatkan citra yang diperkirakan mendekati citra sesungguhnya.



2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan untuk tahap lebih lanjut dalam pemrosesan analisis citra. Dalam proses akuisisi, citra yang akan diolah ditransformasikan dalam suatu representasi numerik. Pada proses selanjutnya representasi tersebutlah yang akan diolah secara digital oleh komputer. Pengolahan citra pada umumnya dapat dikelompokkan dalam dua jenis kegiatan, yaitu :



1. Memperbaiki citra sesuai kebutuhan

2. Mengolah informasi yang terdapat pada citra



Kegiatan yang kedua ini sangat erat kaitannya dengan computer aided analysis yang umumnya bertujuan untuk mengolah suatu objek citra dengan cara mengekstraksi informasi penting yang terdapat di dalamnya. Dari informasi tersebut dapat dilakukan proses analisis dan klasifikasi secara cepat memanfaatkan algoritma perhitungan komputer. Dari pengolahan citra diharapkan terbentuk suatu sistem yang dapat memproses citra masukan hingga citra tersebut dapat dikenali cirinya. Pengenalan ciri inilah yang sering diaplikasikan dalam kehidupan sehari-hari. Aplikasi yang dibahas pada laporan ini adalah dasar dari aplikasi yang dapat dipergunakan dalam berbagai bidang, misalnya bidang agro, bidang perdagangan, dll.

Operasi Pengolahan Citra

Operasi-operasi yang dilakukan dalam pengolahan citra banyak ragamnya, namun secara umum operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai berikut:



1. Perbaikkan Kualitas Citra (image enhancement)

Jenis operasi ini bertujuan untuk memperbaiki citra dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, cirri-ciri khusus yang khusus yang terdapat didalam citra lebih ditonjolkan.

Contoh-contoh operasi perbaikkan citra:

a. Perbaikkan kontras gelap/terang

b. Perbaikkan tepian objek (edge enhancement)

c. Penajaman (sharpening)

d. Pemberian warna semu (pseudocoloring)

e. Penapisan derau (noise filtering)



2. Pemugaran Citra (image restoration)

Operasi ini bertujuan menghilangkan cacat pada citra. Tujuan pemugaran citra hampir sama dengan operasi perbaikkan citra. Bedanya, pada pemugaran citra penyebab degradasi gambar diketahui.

Contoh-contoh operasi pemugaran citra :

a. Penghilangan kesamaran (deblurring)

b. Penghilangan derau (noise)



3. 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 citra adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus.



4. Segmentasi Citra (image segmentation)

Jenis operasi ini bertujuan untuk memecah suatu citra kedalam beberapa segmen dengan suatu criteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan pola.



5. Pengorakan Citra (Image Analysis)

Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk menghasilkan diskripsinya. Tehnik pengolahan citra mengekstraksi cirri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadang kala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.

Contoh-contoh operasi pengorakan citra :

a. Pendeteksian tepian objek (edge detection)

b. Ekstraksi batas (boundary)

c. Representasi Daerah (region)



6. 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.



Perspektif dan Transformasi Citra

Koordinat Kamera dan Koordinat World

Suatu citra diperoleh dari suatu obyek. Sistem koordinat dapat dinyatakan ke dalam bentuk

Gambar 2.6 Model Proses Pencitraan

Bila kedua sistem sumbu (camera dan world) pada gambar diatas dihimpitkan, maka obyek (pada ruang world) dan bayangan (pada bidang citra) akan membentuk segitiga sama dan sebangun sehingga, bentuk transformasi dari koordinat 3D world (X,Y,Z) ke koordinat kamera (x,y,z) adalah sbb

PERSAMAAN 3.JPG



RACHMAWATI_111068042

ESTIMASI PARAMETER GEOMETRIS BENDA BERBASIS PENGOLAHAN CITRA DIGITAL

( ESTIMATION OF GEOMETRIC OBJECT PARAMETERS BASED ON

DIGITAL IMAGE PROCESSING)

IT TELKOM

Edge detection
Dari Wikipedia, ensiklopedia bebas
Langsung ke: navigasi, cari
Fitur deteksi
Corner.png
Output dari sudut khas algoritma deteksi
Edge detection
Cerdik
Cerdik-Deriche
Diferensial
Sobel
Bunga titik deteksi
Corner deteksi
Harris operator
Shi dan Tomasi
Tingkat kurva kelengkungan
SUSAN
FAST
Blob deteksi
Laplacian of Gaussian (LOG)
Perbedaan Gaussians (DoG)
Determinan dari Hessian (DOH)
Maksimal stabil extremal daerah
PCBR
Ridge deteksi
Deteksi fitur affine invariant
Affine bentuk adaptasi
Harris affine
Goni affine
Fitur deskripsi
SIFT
SURF
GLOH
LESH
Ruang skala
Ruang skala-aksioma
Pelaksanaan rincian
Pyramids
l • d • s

Edge detection adalah suatu terminologi dalam pengolahan gambar dan visi komputer, khususnya di bidang fitur fitur deteksi dan ekstraksi, untuk mengacu pada algoritma yang bertujuan untuk mengidentifikasi titik-titik dalam gambar digital di mana perubahan kecerahan gambar tajam atau lebih formal memiliki diskontinuitas.
Isi
[hide]

* 1 Motivasi
* 2 Edge properti
* 3 model tepi sederhana
* 4 Mengapa deteksi tepi adalah non-tugas sepele
* 5 Pendekatan untuk deteksi tepi
o 5,1 cerdik deteksi tepi
o 5,2 orde pertama lain metode
o 5,3 Thresholding dan menghubungkan
o 5,4 orde Kedua pendekatan untuk deteksi tepi
+ 5.4.1 Differential deteksi tepi
o 5,5 Fase kesesuaian berdasarkan deteksi tepi
* 6 Referensi
* 7 Lihat juga

[sunting] Motivasi

Tujuan tajam mendeteksi perubahan dalam kecerahan gambar adalah untuk menangkap peristiwa-peristiwa penting dan perubahan dalam dunia properti. Dapat ditunjukkan bahwa di bawah asumsi yang agak umum untuk gambar model pembentukan, diskontinuitas dalam kecerahan gambar kemungkinan akan sesuai dengan [1] [2]:

* Diskontinuitas secara mendalam,
* Diskontinuitas permukaan orientasi,
* Perubahan dalam sifat-sifat material dan
* Variasi dalam adegan iluminasi.

Dalam kasus yang ideal, akibat penerapan sebuah detektor tepi ke foto dapat mengakibatkan terhubung satu set kurva yang menunjukkan batas-batas obyek, batas dan juga tanda-tanda permukaan kurva yang sesuai dengan orientasi diskontinuitas di permukaan. Dengan demikian, menerapkan sebuah detektor ke tepi gambar tersebut dapat secara signifikan mengurangi jumlah data yang akan diproses dan karenanya menyaring informasi yang mungkin dianggap sebagai kurang relevan, sambil menjaga sifat struktural penting dari suatu gambar. Jika langkah deteksi tepi berhasil, tugas selanjutnya menafsirkan isi informasi gambar asli karenanya mungkin secara substansial disederhanakan. Sayangnya, bagaimanapun, tidak selalu mungkin untuk mendapatkan yang ideal seperti tepi dari kehidupan nyata gambar dari kompleksitas moderat. Tepi-tepi yang diambil dari gambar non-sepele sering dihambat oleh fragmentasi, yang berarti bahwa kurva tepi tidak terhubung, hilang segmen tepi serta ujung palsu tidak sesuai dengan fenomena menarik di gambar - sehingga memperumit tugas selanjutnya menafsirkan data gambar [ 3].
[sunting] Edge properti

Tepi diekstraksi dari gambar dua dimensi dari adegan tiga dimensi dapat digolongkan sebagai sudut pandang baik sudut pandang tergantung atau mandiri. Sebuah sudut pandang tepi independen biasanya mencerminkan sifat-sifat yang melekat dari benda tiga dimensi, seperti tanda-tanda permukaan dan bentuk permukaan. Sebuah sudut pandang tepi tergantung dapat berubah sejalan dengan perubahan sudut pandang, dan biasanya mencerminkan geometri adegan, seperti objek occluding satu sama lain.

Tepi tipikal mungkin misalnya menjadi perbatasan antara blok warna merah dan satu blok kuning. Sebaliknya garis (seperti dapat diekstraksi oleh punggungan detektor) bisa menjadi sejumlah kecil piksel warna yang berbeda pada latar belakang yang sebenarnya tidak berubah. Untuk baris, mungkin karena itu biasanya menjadi salah satu ujung di setiap sisi dari garis.

Tepi cukup memainkan peran penting dalam banyak aplikasi image processing, khususnya untuk visi mesin sistem yang menganalisis adegan buatan manusia dikontrol objek di bawah kondisi pencahayaan. Selama tahun-tahun belakangan, bagaimanapun, substansial (dan sukses) penelitian juga telah dibuat pada visi komputer metode yang tidak secara eksplisit mengandalkan deteksi tepi sebagai pre-langkah pengolahan.
[sunting] A simple model tepi

Meskipun literatur tertentu telah dianggap sebagai langkah ideal deteksi tepi, pinggiran gambar yang diperoleh dari alam biasanya tidak sama sekali langkah ideal tepi. Sebaliknya mereka biasanya dipengaruhi oleh satu atau beberapa efek sebagai berikut:

* Fokus blur yang disebabkan oleh kedalaman terbatas-of-field dan penyebaran titik fungsi terbatas.
* Kabur penumbral disebabkan oleh bayangan yang diciptakan oleh sumber cahaya non-radius nol.
* Bayangan pada objek yang halus

dan sejumlah peneliti telah menggunakan langkah merapikan tepi Gaussian (kesalahan fungsi) sebagai perpanjangan sederhana langkah ideal tepi model model untuk efek blur di tepi aplikasi praktis. [4] [3] Dengan demikian, satu-dimensi f gambar yang memiliki tepat satu ujung diletakkan pada x = 0 mungkin akan dimodelkan sebagai:

f (x) = \ frac (I_r - I_l) (2) \ left (\ operatorname (erf) \ left (\ frac (x) (\ sqrt (2) \ sigma) \ right) + 1 \ right) + I_l .

Di sisi kiri dari tepi, intensitas adalah I_l = \ lim_ (x \ Rightarrow - \ infty) f (x), dan kanan dari tepi itu I_r = \ lim_ (x \ Rightarrow \ infty) f (x) . Parameter σ skala disebut skala mengaburkan tepi.
[sunting] Mengapa deteksi tepi adalah non-tugas sepele

Untuk menggambarkan kenapa deteksi tepi bukanlah tugas sepele, mari kita mempertimbangkan masalah mendeteksi tepi dalam satu dimensi berikut sinyal. Di sini, kita dapat secara intuitif mengatakan bahwa harus ada batas antara ke-4 dan ke-5 piksel.
5 7 6 4 152 148 149


Jika perbedaan intensitas lebih kecil antara ke-4 dan ke-5 pixel dan jika intensitas perbedaan antara piksel tetangga yang berdekatan lebih tinggi, tidak akan mudah untuk mengatakan bahwa harus ada kelebihan dalam wilayah yang sesuai. Selain itu, orang dapat berargumentasi bahwa kasus ini adalah salah satu di mana terdapat beberapa tepi.
5 7 6 41 113 148 149


Oleh karena itu, untuk negara tegas ambang tertentu pada seberapa besar perubahan intensitas antara dua tetangga piksel harus bagi kita untuk mengatakan bahwa harus ada batas antara piksel ini tidak selalu menjadi masalah sederhana. Memang, ini adalah salah satu alasan mengapa deteksi tepi mungkin non-masalah sepele kecuali benda-benda dalam adegan sangat sederhana dan kondisi pencahayaan dapat dikendalikan dengan baik.
[sunting] Pendekatan untuk deteksi tepi

Ada banyak metode untuk deteksi tepi, tetapi kebanyakan dari mereka dapat dikelompokkan ke dalam dua kategori, berbasis pencarian dan nol-persimpangan berbasis. Pencarian berbasis metode mendeteksi tepi dengan terlebih dahulu menghitung ukuran kekuatan tepi, biasanya sebuah derivatif orde pertama ekspresi seperti gradien besar, dan kemudian mencari arah lokal maxima dari besarnya gradien dihitung menggunakan perkiraan dari orientasi lokal tepi, biasanya gradien arah. Nol-persimpangan berdasarkan metode mencari nol penyeberangan di urutan kedua ekspresi derivatif dihitung dari gambar dalam rangka untuk mencari tepi, biasanya nol-penyeberangan dari Laplacian atau nol-penyeberangan dari diferensial non-linear ekspresi, seperti yang akan dijelaskan pada bagian tepi deteksi diferensial berikut di bawah ini. Sebagai langkah pra-pemrosesan untuk deteksi tepi, sebuah panggung meratakan, biasanya Gaussian smoothing, hampir selalu diterapkan (lihat juga noise reduction).

Metode pendeteksian tepi yang telah diterbitkan terutama berbeda dalam jenis penyaring smoothing yang diterapkan dan cara ukuran kekuatan tepi dihitung. Seperti banyak metode pendeteksian tepi bergantung pada gambar perhitungan gradien, mereka juga berbeda dalam jenis penyaring yang digunakan untuk menghitung perkiraan gradien dalam x dan y-arah.

Sebuah survei dari sejumlah metode pendeteksian tepi yang berbeda dapat ditemukan dalam (Ziou dan Tabbone 1998) [5]; lihat juga artikel bebas deteksi tepi dalam Encyclopedia of Mathematics [2] dan Encyclopedia of Computer Science and Engineering [6].
[sunting] cerdik deteksi tepi

Lihai [7] dianggap sebagai masalah matematika yang berasal filter yang optimal diberikan merapikan kriteria deteksi, lokalisasi dan meminimalkan beberapa tanggapan ke satu sisi. Dia menunjukkan bahwa filter optimal diberikan asumsi-asumsi ini adalah jumlah dari empat istilah eksponensial. Ia juga menunjukkan bahwa filter ini dapat juga diperkirakan dengan orde pertama derivatif dari Gaussians. Lihai juga memperkenalkan gagasan maksimum non-penindasan, yang berarti diberi presmoothing filter, titik-titik tepi didefinisikan sebagai titik-titik di mana mengasumsikan besarnya gradien maksimum lokal di arah gradien.

Walaupun karyanya telah dilakukan di masa-masa awal visi komputer, detektor tepi yang cerdik (termasuk variasi) masih merupakan negara-of-the-art detektor tepi. Kecuali prasyarat yang sangat cocok, sulit untuk menemukan detektor tepi yang melakukan secara signifikan lebih baik daripada detektor tepi yang cerdik.

Yang lihai-Deriche detektor [8] adalah berasal dari matematika serupa kriteria sebagai detektor tepi cerdik, walaupun mulai dari sudut pandang yang terpisah dan kemudian menuju ke satu set rekursif filter untuk merapikan gambar, bukan eksponensial penyaring atau filter Gaussian.

Detektor tepi diferensial diuraikan di bawah ini dapat dilihat sebagai suatu reformulasi metode cerdik dari sudut pandang diferensial invariants dihitung dari skala-ruang representasi.
[sunting] Lain orde pertama metode

Untuk memperkirakan gambar gradien dari masukan foto atau versi merapikan itu, operator gradien yang berbeda dapat diterapkan. Pendekatan paling sederhana adalah dengan menggunakan perbedaan utama:

L_x (x, y) =- 1 / 2 \ cdot L (x-1, y) + 0 \ cdot L (x, y) + 1 / 2 \ cdot L (x +1, y). \,
L_y (x, y) =- 1 / 2 \ cdot L (x, y-1) + 0 \ cdot L (x, y) + 1 / 2 \ cdot L (x, y +1). \,

sesuai dengan penerapan penyaring berikut masker untuk data gambar:

L_x = \ begin (bmatrix) -1 / 2 & 0 & 1 / 2 \ end (bmatrix) * L \ quad \ mbox (dan) \ quad L_y = \ begin (bmatrix) 1 / 2 \ \ 0 \ \ -- 1 / 2 \ end (bmatrix) * L

Terkenal dan sebelumnya operator Sobel didasarkan pada filter berikut:

L_x = \ begin (bmatrix) -1 & 0 & 1 \ \ -2 & 0 & 2 \ \ -1 & 0 & 1 \ end (bmatrix) * L \ quad \ mbox (dan) \ quad L_y = \ begin (bmatrix) 1 & 2 & 1 \ \ 0 & 0 & 0 \ \ -1 & -2 & -1 \ end (bmatrix) * L

Mengingat perkiraan seperti orde pertama derivatif, besarnya gradien kemudian dihitung sebagai:

| \ nabla L | = \ sqrt (L_x ^ 2 + L_y ^ 2)

sementara orientasi gradien dapat diperkirakan sebagai

\ theta = \ operatorname (atan2) (L_y, L_x)

Lain orde pertama untuk memperkirakan perbedaan citra operator gradien telah diajukan pada Prewitt lintas operator dan Roberts.
[sunting] Thresholding dan menghubungkan

Sekali kita telah dihitung tepi sebuah ukuran kekuatan (magnitudo gradien biasanya), tahap berikutnya adalah menerapkan ambang batas, untuk memutuskan apakah pinggiran hadir atau tidak pada titik gambar. Semakin rendah ambang batas, semakin tepi akan terdeteksi, dan hasilnya akan semakin rentan terhadap kebisingan, dan juga untuk memilih fitur yang tidak relevan dari gambar. Sebaliknya ambang batas yang tinggi dapat kehilangan halus pinggirnya, atau hasil di tepi terfragmentasi.

Jika tepi thresholding diterapkan hanya untuk gambar besarnya gradien, tepi-tepi yang dihasilkan pada umumnya akan menjadi tebal dan beberapa jenis menipis tepi pasca-pengolahan yang diperlukan. Untuk mendeteksi tepi dengan non-Namun penindasan maksimum, kurva tepi tipis dengan definisi dan piksel pinggir dapat dihubungkan ke ujung poligon dengan sebuah sisi menghubungkan (tepi pelacakan) prosedur. Pada grid diskret, non-tahap penekanan maksimum dapat dilaksanakan dengan memperkirakan arah gradien menggunakan derivatif orde pertama, maka pembulatan gradien arah untuk kelipatan dari 45 derajat, dan akhirnya membandingkan nilai gradien dalam perkiraan besarnya gradien arah.

Sebuah pendekatan yang umum digunakan untuk menangani masalah batas yang tepat untuk thresholding adalah dengan menggunakan thresholding dengan histeresis. Metode ini menggunakan beberapa ambang batas untuk menemukan ujungnya. Kita mulai dengan menggunakan batas atas untuk menemukan mulai dari tepi. Setelah kita memiliki titik awal, kami kemudian menelusuri pinggir jalan melalui gambar pixel by pixel, menandai sebuah tepi setiap kali kita berada di atas batas bawah. Kami berhenti menandai tepi kami hanya ketika kami turun di bawah nilai ambang batas yang lebih rendah. Pendekatan ini membuat asumsi bahwa tepi-tepi cenderung terus-menerus berada dalam kurva, dan memungkinkan kita untuk mengikuti sedikit bagian dari tepi telah kita lihat, tanpa makna bahwa setiap bising pixel dalam gambar ditandai sebagai tepi bawah. Namun, bagaimanapun, kami memiliki masalah untuk memilih parameter thresholding yang tepat, dan sesuai nilai-nilai thresholding dapat bervariasi setiap gambar.
[sunting] Second-order pendekatan untuk deteksi tepi

Beberapa ujung-deteksi operator, bukan berdasarkan urutan kedua turunan dari intensitas. Dasarnya ini menangkap laju perubahan dalam intensitas gradien. Dengan demikian, dalam kasus yang ideal terus-menerus, deteksi nol-penyeberangan dalam menangkap derivatif kedua maxima lokal dalam gradien.

Marr awal-Hildreth operator didasarkan pada deteksi nol-penyeberangan dari operator Laplacian diterapkan ke merapikan Gauss-gambar. Dapat ditunjukkan, bagaimanapun, bahwa operator ini juga akan return false tepi sesuai dengan minima lokal dari besarnya gradien. Selain itu, operator ini akan memberikan lokalisasi miskin di tepi melengkung. Oleh karena itu, operator ini hari ini terutama dari kepentingan sejarah.
[sunting] Differential deteksi tepi

Yang lebih halus orde kedua pendekatan deteksi tepi, yang juga secara otomatis memberikan pinggirnya dengan sub-pixel akurasi, adalah dengan menggunakan pendekatan diferensial berikut mendeteksi nol-penyeberangan dari orde kedua arah gradien derivatif dalam arah: geometri diferensial Mengikuti cara mengungkapkan kebutuhan non-penekanan maksimum yang diusulkan oleh Lindeberg [9] [3], marilah kita memperkenalkan pada setiap gambar titik sistem koordinat lokal (u, v), dengan arah v sejajar dengan arah gradien. Dengan asumsi bahwa gambar telah presmoothed oleh Gaussian smoothing dan skala-ruang representasi L (x, y; t) pada t skala telah dihitung, kita dapat meminta bahwa gradien besarnya skala ruang-representasi, yang sama dengan orde pertama derivatif dalam arah-arah v Lv, harus mempunyai arah urutan pertama derivatif dalam arah v-sama dengan nol

\ partial_v (L_v) = 0

sedangkan orde kedua arah derivatif di v-arah harus Lv negatif, yaitu,

\ partial_ (vv) (L_v) \ leq 0.

Ditulis sebagai ekspresi eksplisit dalam hal derivatif parsial lokal Lx, Ly ... Lyyy, definisi tepi ini dapat dinyatakan sebagai nol-persimpangan diferensial kurva dari invarian

L_v ^ 2 ļ_ (vv) = L_x ^ 2 \, ļ_ (xx) + 2 \, L_x \, L_y \, ļ_ (xy) + L_y ^ 2 \, ļ_ (TH) = 0,

yang memenuhi tanda-kondisi di diferensial berikut invarian

L_v ^ 3 ļ_ (vvv) = L_x ^ 3 \, ļ_ (xxx) + 3 \, L_x ^ 2 \, L_y \, ļ_ (xxy) + 3 \, L_x \, L_y ^ 2 \, ļ_ (XYY) + L_y ^ 3 \, ļ_ (yyy) \ leq 0

dimana Lx, Ly ... Lyyy menunjukkan derivatif parsial dihitung dari skala-ruang representasi L diperoleh dengan merapikan gambar asli dengan sebuah kernel Gaussian. Dengan cara ini, ujung-ujungnya akan secara otomatis diperoleh sebagai kurva kontinu dengan akurasi subpixel. Histeresis thresholding juga dapat diterapkan untuk ini tepi subpixel diferensial dan segmen.

Dalam prakteknya, derivatif orde pertama perkiraan dapat dihitung dengan perbedaan pusat seperti dijelaskan di atas, sedangkan derivatif orde kedua dapat dihitung dari skala-ruang representasi L menurut:

Ļ_ (xx) (x, y) = L (x-1, y) - 2 L (x, y) + L (x +1, y). \,
Ļ_ (xy) (x, y) = (L (x-1, y-1) - L (x-1, y +1) - L (x +1, y-1) + L (x +1, y +1)) / 4, \,
Ļ_ (TH) (x, y) = L (x, y-1) - 2 L (x, y) + L (x, y +1). \,

sesuai dengan masker penyaring berikut:

Ļ_ (xx) = \ begin (bmatrix) 1 & -2 & 1 \ end (bmatrix) * L \ quad \ mbox (dan) \ quad ļ_ (xy) = \ begin (bmatrix) -1 / 4 & 0 & 1 / 4 \ \ 0 & 0 & 0 \ \ 1 / 4 & 0 & -1 / 4 \ end (bmatrix) * L \ quad \ mbox (dan) \ quad ļ_ (TH) = \ begin (bmatrix) 1 \ \ -2 \ \ 1 \ end (bmatrix) * L

Derivatif orde yang lebih tinggi untuk ketiga orde kondisi tanda dapat diperoleh dalam mode analog.
[sunting] Fase kesesuaian berdasarkan deteksi tepi

Sebuah perkembangan terbaru di tepi teknik deteksi domain frekuensi mengambil pendekatan untuk menemukan lokasi tepi. Fase kesesuaian (juga dikenal sebagai fase koherensi) metode berusaha untuk mencari lokasi dalam foto di mana semua sinusoid di frekuensi domain adalah dalam fase. Lokasi ini biasanya akan sesuai dengan lokasi tepi yang dirasakan, terlepas dari apakah tepi diwakili oleh perubahan besar dalam intensitas dalam domain spasial. Manfaat utama dari teknik ini adalah bahwa hal itu menanggapi Mach kuat untuk band, dan menghindari kesalahan positif biasanya ditemukan di sekitar tepi-tepi atap. Sebuah tepi atap, adalah sebuah diskontinuitas dalam urutan pertama turunan dari tingkat berwarna abu-abu profil. [10]
[sunting] Referensi

1. ^ HG Barrow dan JM Tenenbaum (1981) "garis Interpreting gambar tiga dimensi permukaan", Artificial Intelligence, jilid 17, hal 1-3, halaman 75-116.
2. ^ Ab T. Lindeberg (2001) "Edge deteksi", dalam M. Hazewinkel (editor), Encyclopedia of Mathematics, Kluwer / Springer, ISBN 1402006098.
3. ^ Abc T. Lindeberg (1998) "Edge deteksi dan punggung deteksi dengan skala otomatis pilihan", International Journal of Computer Vision, 30, 2, halaman 117-154.
4. ^ W. Zhang dan F. Bergholm (1997) "Multi-skala mengaburkan tepi estimasi dan klasifikasi untuk jenis analisis TKP", International Journal of Computer Vision, jilid 24, edisi 3, Halaman: 219-250.
5. ^ D. Ziou dan S. Tabbone (1998) "Edge teknik deteksi: An overview", International Journal of Pattern Recognition and Image Analisis, 8 (4) :537 - 559, 1998
6. ^ JM Park dan Y. Lu (2008) "Ujung deteksi di grayscale, warna, dan kisaran foto", di BW Wah (editor) Encyclopedia of Computer Science and Engineering, DOI 10.1002/9780470050118.ecse603
7. ^ J. lihai (1986) "Sebuah pendekatan komputasi deteksi tepi", IEEE Trans. Analisis pola dan Mesin Intelijen, jilid 8, halaman 679-714.
8. ^ R. Deriche (1987) Menggunakan kriteria cerdik untuk menurunkan detektor tepi yang optimal secara rekursif diterapkan, Int. J. Computer Vision, jilid 1, halaman 167-187.
9. ^ T. Lindeberg (1993) "derivatif Diskrit perkiraan dengan skala ruang-sifat: Sebuah dasar untuk tingkat rendah fitur ekstraksi", J. of Mathematical Imaging dan Visi, 3 (4), halaman 349-376.
10. ^ T. Pajdla dan V. Halvac (1993) "diskontinuitas dalam jangkauan permukaan gambar," dalam IEEE Proc 4 Int. Conf. Comput. Visi, hal. 524-528.

Fitur ekstraksi
Dari Wikipedia, ensiklopedia bebas
Langsung ke: navigasi, cari

Dalam pengenalan pola dan pengolahan gambar, fitur ekstraksi adalah bentuk khusus dari pengurangan dimensi.

Ketika input data ke sebuah algoritma yang terlalu besar untuk diproses dan diduga menjadi terkenal berlebihan (banyak data, tapi tidak banyak informasi) maka input data yang akan diubah menjadi representasi mengurangi kumpulan fitur (juga bernama fitur vektor) . Mengubah input data ke dalam kumpulan fitur fitur disebut ekstraksi. Jika fitur yang diekstrak secara hati-hati dipilih diharapkan bahwa fitur diset akan mengekstrak informasi yang relevan dari data input untuk melakukan tugas yang dikehendaki dengan menggunakan representasi dikurangi ini bukan ukuran penuh masukan.
Isi
[hide]

* 1 Umum
* 2 Image processing
2,1 tingkat rendah
2.1.1 Curvature
2.1.2 Gambar gerak
2,2 Shape Berdasarkan
2,3 metode Fleksibel
* 3 Fitur ekstraksi pada perangkat lunak
* 4 Referensi
* 5 Lihat juga

[sunting] Umum

Ekstraksi fitur melibatkan menyederhanakan jumlah sumber daya yang diperlukan untuk menjelaskan sebuah set data besar secara akurat. Ketika melakukan analisis terhadap data yang kompleks salah satu masalah utama yang berasal dari jumlah variabel yang terlibat. Analisis dengan sejumlah besar variabel biasanya membutuhkan jumlah memori yang besar dan daya komputasi atau algoritma klasifikasi yang overfits pelatihan buruk generalizes sampel dan sampel baru. Fitur ekstraksi adalah istilah umum untuk membangun metode kombinasi dari variabel-variabel untuk berkeliling masalah saat ini masih menggambarkan data dengan akurasi yang memadai.

Hasil terbaik dicapai ketika seorang pakar membangun seperangkat fitur tergantung pada aplikasi. Namun demikian, jika tidak ada pengetahuan para ahli tersebut tersedia teknik pengurangan dimensi umum dapat membantu. Ini termasuk:

* Kepala Sekolah analisis komponen
* Semidefinite embedding
* Multifactor dimensi pengurangan
* Nonlinear dimensi pengurangan
* Isomap
* Kernel PCA
* Analisis semantik laten
* Partial kuadrat
* Independent analisis komponen

[sunting] Image processing

Dapat digunakan dalam bidang pengolahan gambar yang melibatkan menggunakan algoritma untuk mendeteksi dan mengisolasi berbagai bagian atau bentuk yang diinginkan (fitur) dari sebuah gambar digital atau video streaming. Hal ini terutama penting dalam bidang pengenalan karakter optik
[sunting] tingkat rendah

* Edge detection
* Corner deteksi
* Blob deteksi
* Ridge deteksi
* Skala-fitur invarian mengubah

[sunting] Curvature

* Edge arah, mengubah intensitas, otokorelasi.

[sunting] Gambar gerak

* Motion detection. Area berbasis, pendekatan diferensial. Optical mengalir.

[sunting] Bentuk Berdasarkan

* Thresholding

* Blob ekstraksi

* Template pencocokan

* Hough transform
o Lines
o Lingkaran / Ellipse
o Arbitrary bentuk (Generalized Hough Transform)

[sunting] metode Fleksibel

* Terdeformasi, parameterized bentuk
* Aktif kontur (ular)

[sunting] Fitur ekstraksi pada perangkat lunak

Banyak sistem perangkat lunak analisis data yang menyediakan fitur ekstraksi dan dimensi kemiskinan. Common numerik lingkungan pemrograman seperti MATLAB, Scilab, R NumPy dan bahasa menyediakan beberapa fitur yang lebih sederhana teknik ekstraksi (misalnya Analisis Komponen Dasar) melalui built-in perintah. Algoritma yang lebih spesifik sering tersedia sebagai publik tersedia script atau pihak ketiga pengaya.
[sunting] Referensi

* JMLR Special Issue on Variabel dan Fitur Seleksi

[sunting] Lihat pula

* Analisis Cluster
* Dimensi pengurangan
* Fitur deteksi
* Fitur seleksi
* Data mining
* Hubungkan komponen label
* Segmentasi (image processing)

Stub icon ini berhubungan dengan grafis komputer ini adalah suatu tulisan rintisan. Anda dapat membantu Wikipedia mengembangkannya.
l • d • s
Diperoleh dari "http://en.wikipedia.org/wiki/Feature_extraction"