Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Pendekatan yang paling sederhana untuk memperbaiki mutu suatu citra adalah menggunakan dekonvolusi yang merupakan suatu proses invers filter dengan operator dekonvolusi yang biasa disebut sebagai point spread function (PSF) atau fungsi sebaran titik. Hampir disemua kasus, PSF tidak diketahui. Meskipun demikian pada keadaan sebenarnya nilai PSF dapat ditentukan tanpa harus mengetahui proses pengaburan data observasi.Pada studi ini diperkenalkan suatu teknik iterasi dekonvolusi buta (Iterative Blind Deconvolution, IBD) dan didiskusikan secara teknis detail dari algoritmanya yang digunakan untuk merestorasi citra seismik penampang maupun sayatan yang mengalami pengaburan. Teknik ini bekerja secara iterativ menggunkan algoritma Ricardson-Lucy (RL) untuk mendapatkan operator dekonvolusi terbaik. Hasil studi kami memperlihakan bahwa teknik ini mampu meningkatkan kualitas dari citra seismik yang pada akhirnya membantu untuk interpretasi.

---

The simplest approach to recovering the image through deconvolution is inverse filtering with the deconvolution operator that so-called point spread function (PSF). In most cases the PSF will not be available; however, there are certain situations in which one may be able to find a PSF without a priori knowledge.In this paper, we present an iterative blind deconvolution (IBD) technique and discuss the technical details of this algorithm, which is proposed for the restoration of the blurred image occured on seismic section and seismic slicing of 3D data. This technique is performed iteravely by using the Ricardson-Lucy (RL) algorithm to achiev the best deconvolution operator. Our experience shows that this technique is able to enhance the quality of the seismic image, which is helpful in doing seismic interpretation."

"This compact book, through the simplifying perspective it presents, will take a reader who knows little of interior-point methods to within sight of the research frontier, developing key ideas that were over a decade in the making by numerous interior-point method researchers. It aims at developing a thorough understanding of the most general theory for interior-point methods, a class of algorithms for convex optimization problems. The study of these algorithms has dominated the continuous optimization literature for nearly 15 years. In that time, the theory has matured tremendously, but much of the literature is difficult to understand, even for specialists. By focusing only on essential elements of the theory and emphasizing the underlying geometry, A Mathematical View of Interior-Point Methods in Convex Optimization makes the theory accessible to a wide audience, allowing them to quickly develop a fundamental understanding of the material.The author begins with a general presentation of material pertinent to continuous optimization theory, phrased so as to be readily applicable in developing interior-point method theory. This presentation is written in such a way that even motivated Ph.D. students who have never had a course on continuous optimization can gain sufficient intuition to fully understand the deeper theory that follows. Renegar continues by developing the basic interior-point method theory, with emphasis on motivation and intuition. In the final chapter, he focuses on the relations between interior-point methods and duality theory, including a self-contained introduction to classical duality theory for conic programming; an exploration of symmetric cones; and the development of the general theory of primal-dual algorithms for solving conic programming optimization problems.Rather than attempting to be encyclopedic, A Mathematical View of Interior-Point Methods in Convex Optimization gives the reader a solid understanding of the core concepts and relations, the kind of understanding that stays with a reader long after the book is finished."

"Regresi kuantil merupakan salah satu teknik regresi dengan memodelkan kuantil dari variabel dependen bersyarat variabel penjelas. Model yang diperoleh dengan regresi kuantil merupakan suatu gambaran lengkap atas perilaku data baik di bagian tengah maupun ekor (tail) sebaran. Sehingga teknik ini baik digunakan untuk analisa data apabila dicurigai adanya perbedaan pengaruh variabel penjelas terhadap bagian-bagian tertentu variabel dependen. Hal ini dapat dilihat dari hasil taksiran parameter regresi kuantil yang berubah secara monoton. Selain itu regresi kuantil juga bagus digunakan pada data dengan nilai ekstrim yang penting untuk dianalisa. Untuk mendapatkan model regresi kuantil diperlukan proses penaksiran parameter yang dilakukan dengan meminimumkan ekspektasi suatu fungsi loss. Proses optimisasi ini selanjutnya diubah ke dalam program linier dan dapat diselesaikan dengan metode interior point. Metode interior point yang digunakan dalam skripsi ini mengacu pada algoritma Frisch-Newton. Selanjutnya pada skripsi ini, regresi kuantil akan diterapkan pada dua data yang masing-masing memiliki karakteristik yang berbeda.

---

Quantile regression is a regression technique by modeling the conditional quantile of the dependent variable. Models obtained with quantile regression is a complete picture of the behavior of the data either in the middle or tail. This technique is well used to analyze data when there is suspected differences in the effect of explanatory variables on the dependent variable. It can be seen from the results of quantile regression parameter estimates which changed monotonically. In addition quantile regression is also good to use on the data with extreme values that are important to be analyzed. To get the required quantile regression model, parameter estimation process is done by minimizing the expectation of a loss function. The optimization process is then converted into a linear program and can be solved by interior point methods. Interior point methods used in this skripsi refers to the Frisch-Newton algorithm. Later in this skripsi, quantile regression will be applied to the two data each has different characteristics."

"Rumah unggas adalah salah satu penyumbang polutan amonia dan PM di udara. Penyebaran polutan dipengaruhi oleh kipas dan kondisi meteorologi di sekitar rumah unggas. Model Dispersi Gauss untuk Gas (MDGG) dengan modifikasi titik semu merupakan model dispersi atmosfer yang cocok digunakan untuk memprediksi konsentrasi polutan dan mengakomodasi kondisi spasial rumah unggas. Steepest ascent adalah metode optimasi untuk mencari nilai maksimal dari fungsi umum nonlinear dengan menggunakan gradien fungsi untuk menentukan arah pergerakan pencarian nilai maksimal. Optimasi MDGG dengan metode steepest ascent memberikan hasil jarak titik semu optimal untuk polutan amonia L = 2,396 m dan polutan PM L = 1,259 m. Kedua nilai tersebut memberikan prediksi yang lebih baik di beberapa eksperimen. Prediksi konsentrasi PM lebih baik dari amonia dan hasil prediksi kedua polutan pada malam hari lebih baik dibandingkan pada pagi hari.

---

Poultry houses are one of the contributors to ammonia and PM pollutants in the air. Fans and meteorological conditions around the poultry house influence the spread of pollutants. The Gaussian Plume Model with virtual point modification is an atmospheric dispersion model suitable for predicting pollutant concentrations and accommodating the spatial conditions around poultry houses. Steepest ascent is an optimization method for finding the maximum value of a general nonlinear function by using the gradient of the function to determine the direction of movement to find the maximum value. Gaussian Plume Model optimization using the steepest ascent method results optimal virtual point distances for pollutants ammonia L = 2.396 m and PM L = 1.259 m. Both values provide better predictions in some experiments. PM concentration prediction was better than ammonia, and prediction results for both pollutants at night were better than in the morning."