Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas proses klasifikasi citra berdasarkan analisis tekstur. Penganalisaan tekstur menggunakan cara pendekatan statistik. Pertama akan dikenalkan konsep unit tekstur sebagai unit terkecil yang mempunyai sifat-sifat tekstur secara lengkap. Sifat-sifat tersebut menyangkut hubungan suatu pixel dengan 8 pixel di sekelilingnya. Kemudian akan ditunjukkan bagaimana suatu tekstur dapat dipecah menjadi himpunan unit tekstur, dan kemudian bisa dibuat distribusinya berdasarkan jenis tekstur dalam citra tersebut, sehingga didapat hasil spektrum tekstur.Klasifikasi dilakukan secara terawasi dan dengan ciri histogram spektrum tekstur. Ketelitian rata-rata klasifikasi ini, 96% untuk tekstur regular, 56% untuk tekstur alami radar, 55% untuk tekstur citra LANDSAT, dan 66% untuk tekstur Brodatz.Hasil pengukuran ciri tekstur BUS. GS dan DD pada beragam citra di atas yang digambarkan dalam bentuk diagram ciri menunjukkan bahwa ketiga ciri ini dapat digunakan sebagai pembeda tesktur."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Makalah ini membahas dua pilihan penerapan struktur basis data citra pada sistem pencarian citra berbasis isi. Pendekatan pertama menggunakan folder untuk menyimpan berkas citra dan Java object serialization untuk menyimpan data citra. Pendekatan kedua menggunakan basis data Data Base Management System MySQL untuk menyimpan berkas dan data citra. Kedua pendekatan dibahas dari aspek penerapan struktur basis data untuk tujuan pengembangan sistem pencarian citra berbasis isi yang efisien. Data yang tidak terstruktur dan proses clustering data lebih mudah ditangani dengan struktur basis data dari pendekatan pertama. Data yang jumlahnya besar dan terstruktur serta proses indexing lebih mudah ditangani dengan struktur basis data dari pendekatan kedua. Sistem pencarian citra berbasis isi lebih banyak melakukan kueri jenis select dibandingkan dengan insert dan update data, dalam hal ini kedua pendekatan dapat memenuhinya dengan baik. Secara umum, pendekatan kedua dianggap memberikan dukungan yang baik dalam penyimpanan dan manipulasi data, serta dapat mengurangi upaya dan waktu yang dibutuhkan pada pengembangan sistem."

"Akurasi hasil deteksi perubahan citra jarak jauh sangat tergantung pada akurasi metode klasifikasi yang digunakan. Salah satu cara untuk mendapatkan hasil yang lebih baik adalah dengan mengoptimalkan setiap prosedur pengolahan citra. Salah satunya dengan algoritma deteksi perubahan dengan menggunakan metode image differencing akan mendapatkan peta perubahan yang masih harus dianalisa sebagai prosedur klasifikasi citra binarisasi. Penelitian ini bertujuan melakukan kombinasi model penggabungan algoritma ambang. Serta membandingkan algoritma ambang untuk mendapatkan nilai ambang terbaik mengunakan fungsi entropi secara otomatis untuk memecahkan masalah deteksi perubahan dengan pendekatan klasifikasi data yang tidak tersedia. Dengan menggunakan asumsi model statistik untuk mengetahui kelas wilayah berubah dan tidak berubah yang menampilkan berbagai perkiraan algoritma ambang mengunakan analisa discriminan, entropi lokal, entropi gabungan, entropi global, relatif entropi lokal, relatif entropi gabungan dan relatif entropi global. Pada penelitian ini digunakan model fusi Markov random fields untuk menggabungkan informasi-informasi deteksi perubahan hasil identifikasi algoritma ambang yang lebih komprehensif dalam menunjang pembuat keputusan.Penelitian ini menemukan bawa pengunaan algoritma analisa discriminan terlalu sensitive untuk mendeteksi perubahan. Tingkat akurasi deteksi wilayah berubah terbaik mengunakan metode analisa discriminan sebesar 99% namun juga terlalu sensitif terhadap perubahan yang ditunjukan dengan tidak hanya wilayah yang terbakar terdeteksi juga wilayah tidak terbakar. Akurasi deteksi terbaik yang dapat dicapai mengunakan fungsi entropi dimiliki oleh lokal relatif entropi (99%) dan lokal entropi (97%) yang menjadikan sangat baik adalah mempunyai kesalahan deteksi kecil. Algorima fusi mengunakan metode Markov memberikan akurasi deteksi terbaik sebesar 93%, lebih rendah dari kemampuan deteksi dengan algoritma ambang yang menggunakan fungsi entropi. Namun algoritma fusi MRF akan semakin memastikan wilayah yang berubah. Secara umum, ditemukan bahwa pengurangan jumlah pixel dalam variasi histogram dalam citra berpengaruh besar pada tingkat akurasi deteksi perubahan dan sensitifitas algoritma ambang untuk mendeteksi perubahan. Semakin rendah jumlah pixel dalam variasi histogram semakin baik klasifikasi wilayah berubah terdeteksi dan semakin cepat waktu pemprosesan."

"Pada penelitian ini akan diterapkan sistim visi komputer terhadap contoh maket pemandangan suatu daerah, yang terdiri dari beberapa jenis kelas pola, misalnya tanaman, air, perumahan, dan sebagainya. Data citra pemandangan tersebut direkam oleh suatu sistim akuisisi memakai kamera video CCD-warna yang mengandung informasi digital dalam tiga kanal spektrum elektromagnetik.Yang akan diselidiki adalah bagaimana jenis-jenis pola tersebut dapat diklasifikasikan oleh suatu sistim perangkat komputer cerdas berbantuan jaringan syaraf tiruan dan logika fuzzy, sehingga hasilnya dapat tervisualisasi ''serta memberikan unjuk- kerja klasifikasi yang cukup .memadai dibandingkan dengan metode-metode yang telah lazim digunakan, seperti multiple density slicing, nearest neighbor, dan maximum likelihood.Aspek penelitian.ini adalah bahwa kalau sistim tersebut berhasil, maka baik metode maupum perangkat yang dibuat dapat dikembangkan untuk teknik penginderaan jauh, aplikasi medis, kontrol kualitas dengan.pemeriksaan oleh mesin komputer, dsb.Unjuk kerja metode klasifikasi dinyatakan oleh prosentasi kebenaran pada-suatu tabel yang menyatakan distribusi pengkategorian obyek ke dalam kelas yang telah ditentukan sebelumnya. Pengecekkannya langsung dilakukan dengan maket yang dibuat, sehingga beberapa pengamatan lapangan dari berbagai sudut pandang serta ketinggian dapat diatur sebaik-baiknya guna melengkapi hasil-hasil percobaan. Disamping itu hasil klasifikasi yang bertipe peta tematik disertai legends yang sesuai, dapat ditampilkan atau divisualisasikan pada layar monitor SVGA.

---

In this research, it is applied a computer vision system to an image which is consisting of several objects patterns. from an artificial maquette scene which had been taken by a color CCD camera. Due to object's responses in several electromagnetic waves are different to each other, then the 'recorded image can be splitted into three different color channels, i.e. blue, green, and red.

The research will investigate how to classify the above patterns. by using' an. intelligent computer system such as neural networks and fuzzy logic in order to obtain a reasonable performance compared with the available conventional classification system such as multiple density slicing, nearest. neighbor, and maximum likelihood.

The aspect of research is that the designed method -if successful- may be developed-to be applied to remote sensing technology, medical application, quality control by machine inspection, etc.

The classification performance is represented by percentage of correct on a truth table, which is reflected the distribution of object's category to a predetermined category. The direct observation can easily be done on the available maquette, so the several looking angles and height can be arranged to accomplish the experimental results. Beside it, the classification results will be represented on a thematic map with suitable legends to be visualized on a SVGA color monitor."