Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam sistem komunikasi visual, pembentukan/pengiriman informasi sering mendapat gangguan yang dapat berasal dari dalam maupun luar sistem. Ini menyebabkan informasi (dalam hal ini berupa gambar/citra) yang diterima di penerima menjadi ruang jelas atau terganggu.Salah satu cara untuk memperbaiki gambar/citra rusak tersebut adalah dengan restorasi citra. Masalah utama dalam proses restorasi citra adalah kurangnya informasi mengenai citra tersebut. Tidak diketahui bentuk blur atau PSF (Point Spread Function) cukup menyulitkan dalam proses restorasi citra. Informasi yang diperoleh tentang citra tersebut dapat berasal dari hasil citra yang terdegradasi.Dalam skripsi ini akan dibuat simulasi mengenai blind deconvolution untuk restorasi citra dengan menggunakan metode NAS-RIF (Nonnegativity And Support Constrain Recursive Inverse Filter). Digunakan beberapa parameter untuk melahat hasil simulasi diantaranya hasil citra restorasi yang dihasilkan, prosentasi USE terhadap iterasi, nilai SNRI (Signal to Noise Ratio Improvement) dan Distribusi nilai pixel dari tiap citra."

"Multichannel Blind Deconvolution digunakan dalam restorasi citra karena pada kenyataannya statistik citra asli dan fungsi blur (point spread function) tidak selalu diketahui dengan pasti. Semakin banyak informasi tentang citra asli dan fungsi blur maka restorasi citra akan semakin baik, oleh karena itu diperlukan suatu cara yang mampu mendeteksi citra asli sebaik mungkin dan menggali sebanyak mungkin informasi fungsi blur (PSF) untuk peningkatan kualitas restorasi citra.Metode MBR telah dikembangkan dengan menggunakan cross-correlation antara citra-citra terdegradasi dengan filter bank restorasi, yaitu melakukan restorasi langsung dari citra terdegradasi ke filter bank restorasi. Hasil restorasi pada metode ini sangat sensitif terhadap pergeseran titik piksel dari tiap citra terdegradasi, apalagi dengan adanya noise akan lebih sulit untuk mendapatkan citra berkualitas baik. Di lain pihak, metode identifikasi kanal jamak secara blind (multichannel blind identification ) sinyal satu dimensi digunakan untuk mengestimasi statistik kanal dalarn proses equalisasi dan temyata sangat efektif untuk mendapatkan sinyal asli jika statistik kanal dan citra asli tidak diketahui. Penelitian ini menggabungkan teknik MBD dan estimasi fungsi blur (PSF) dengan metode multichannel blind identification untuk mengatasi sensitifitas metode MBR dan meningkatkan kualitas citra restorasi. Dari hasil penelitian menunjukkan bahwa metode ini menghasilkan kualitas hasil restorasi yang lebih baik dibandingkan metode MBD. Kualitas citra juga dipengaruhi oleh ukuran fungsi blur dan level noise.

---

Multichannel Blind Deconvolution (MBD) is used in image restoration because in reality original image statistic and blur function (point spread function) is not always known. More information about original image and blur function then image restoration will be better, for that reason we need a way to detect original image as good as possible and find blur function information (PSF) to increase image restoration quality.

MBR method has been developed using cross-correlation between degraded images with restoration filter bank, which is direct restoration from degraded image to restoration filter bank. Restoration result in this method is very sensitive to pixel shifting from each degraded image, even more with the existence of noise will be difficult to get good quality image. On the other side, multichannel blind identification 1-D signal method is used to estimate channel statistic in equalization process and it's very effective to find original signal it channel statistic and original image unknown.

This research combines MBD technique and blur function estimation (PSF) with multichannel blind identification method to overcome MBR method sensitivity and increase image restoration quality. The research result show that this method yields a better restoration result quality then, MBD method. The image quality is also affected by blur function size and noise level."

"Kabut merupakan fenomena alami yang diakibatkan oleh keberadaan partikel kecil di atmosfer. Kabut yang ada di atmosfer dapat mengurangi kontras dan mendistorsi warna hasil citra yang diambil dalam kondisi alami. Keberadaan kabut pada citra sangat mengganggu aplikasi computer vision maupun fotografi konsumen. Sebagian besar algoritma computer vision memerlukan citra yang jernih untuk dapat berfungsi dengan baik, sehingga diperlukanlah teknik untuk menghilangkan kabut dari citra. Image dehazing bertujuan untuk memulihkan citra jernih dari citra yang dirusak oleh kabut. Image dehazing dapat dilakukan menggunakan model machine learning. Dewasa ini, banyak model machine learning yang digunakan berbasiskan arsitektur Vision Transformer. Penelitian sebelumnya mengenai Vision Transformer menunjukkan bahwa model Transformer dapat berkinerja lebih baik dibandingkan model state-of-the-art ResNet untuk image recognition jika dilatih menggunakan dataset yang besar. Pada penelitian ini, model Uformer dilatih menggunakan dataset citra berkabut dengan ukuran yang besar. Dilakukan juga implementasi Restormer untuk sebagai model alternatif untuk merestorasi citra berkabut. Pengujian kinerja model Uformer dan Restormer dilakukan menggunakan dataset HAZE dan RESIDE. Analisis terhadap model dilakukan secara kualitatif, kuantitatif, dan cross-dataset. Hasil evaluasi model Uformer dan Restormer dibandingkan dengan model Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer dan Restormer menunjukkan bahwa model berbasis Transformer dapat menyaingi Mod PDR-Net Based CGAN untuk restorasi citra berkabut pada dataset testing, namun tidak dapat mengungguli model tersebut dalam pengujian cross-dataset.

---

Haze is a natural phenomenon caused by the presence of small particles in the atmosphere. Haze present in the atmosphere can reduce the contrast and distort the color of images taken under natural conditions. The presence of haze in an image is detrimental to computer vision applications and consumer photography. Most computer vision algorithms require clear images to function properly, hence the need for techniques to remove haze from images. Image dehazing aims to recover a clear image from an image corrupted by haze. Image dehazing can be done using machine learning models. Nowadays, many machine learning models used for dehazing are based on the Vision Transformer architecture. Previous research on Vision Transformer shows that the Transformer model can perform better than the state-of-the-art ResNet model for image recognition when trained using large datasets. In this research, the Uformer model is trained using large dataset of hazy images. Restormer is also implemented as an alternative model for restoring hazy images. Performance testing of the Uformer and Restormer models was conducted using the HAZE and RESIDE datasets. The models were analyzed qualitatively, quantitatively, and through cross-dataset. The evaluation results of the Uformer and Restormer models are compared with the Mod PDR-Net Based Conditional Generative Adversarial Network model. The evaluation of the Uformer and Restormer shows that Transformer-based models can rival Mod PDR-Net Based CGAN for image dehazing on the testing dataset, but cannot outperform the model in cross-dataset testing."

"Statistical mechanics with maxwell-boltmann distribution approach has been applied to restore magnitude image of magnetic resonance imaging (MRI) using Metropolis Hastings Markov Chain Monte Carlo (MHMCMC) algorithm...."

"Citra buram atau blur dapat terjadi akibat gerakan objek, lensa kamera alat akuisisi yang kehilangan fokus, atau getaran saat akuisisi citra. Buram membuat citra menjadi kurang tajam dan tidak fokus pada beberapa bagian pada citra. Buram pada citra mengakibatkan terjadinya penurunan kualitas dan informasi citra sehingga menyebabkan penurunan performa aplikasi computer vision seperti deteksi objek, identifikasi objek, dan klasifikasi. Hal tersebut membuat banyak dikembangkan penelitian restorasi citra buram untuk mengembalikan kualitas citra yang terdegradasi, mulai dari penggunaan metode konvensional hingga metode berbasis pembelajaran mesin. Pada penelitian ini, penulis menggunakan model Swin Transformer UNet dalam merestorasi citra buram. Model ini berbasis Swin Transformer yang diintegrasikan dengan arsitektur UNet. Data citra yang digunakan dalam penelitian ini adalah dataset buram Dual-pixel Defocus Debluring(DPDD) dan Real Depth Of Field(RealDOF). Analisis dilakukan terhadap hasil restorasi citra model secara kuantitatif dan kualitatif. Selain itu, , penulis juga melaksanakan analisis cross dataset untuk melihat kemampuan generalisasi model. Hasil restorasi dibandingkan dengan hasil restorasi model Iterative Filter Adaptive Network(IFAN) yang dianggap sebagai state-of-the-art dalam merestorasi citra buram. Evaluasi hasil restorasi Swin Transformer UNet menunjukkan bahwa model tersebut berhasil mendeteksi daerah buram pada citra dengan baik namun hasil restorasi yang didapat belum sebaik hasil restorasi pada model IFAN dalam merestorasi citra buram pada dataset yang digunakan.

---

Blurred images can occur from the motion of the photographed object, the camera lens of the acquisition tool losing focus, or vibration during image acquisition. Blurring makes the image less sharp and unfocused on some parts of the image. Blur in images results in a decrease in image quality and information, causing a decrease in the performance of computer vision tasks such as object detection, object identification, and classification. This has led to the development of many deblurring image restoration studies to restore the quality of degraded images or image restoration, ranging from the use of conventional methods to machine learning-based methods. In this research, the author uses the Swin Transformer UNet model to restore blurry images. This model is based on Swin Transformer integrated with UNet architecture. The images used in this research come from the Dual-pixel Defocus Debluring (DPDD) and Real Depth Of Field (RealDOF) blur image datasets. The image restoration results are analyzed quantitatively and qualitatively. Additionally, the author also conducts a cross-dataset analysis to see the generalization potential of the model. The restoration results were compared with the restoration results of the Iterative Filter Adaptive Network (IFAN) model which is considered as state-of-the-art in image deblurring. The evaluation of the Swin Transformer UNet restoration model shows that the model successfully detects blurred regions in the image well but the restoration results obtained are not as good as the restoration results in the IFAN model in restoring blurred images on the dataset used."