Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dalam air, pergerakan cahaya dipengaruhi oleh partikel tersuspensi dan redaman gelombang cahaya. Hal ini menyebabkan citra bawah air memiliki masalah distorsi warna, kontras rendah, dan visibilitas buruk, sehingga banyak informasi yang hilang dari citra bawah air. Banyak metode restorasi citra bawah air sudah diteliti, baik konvensional dan network-based. Untuk mengatasi keterbatasan dari kedua metode, penelitian ini menggunakan metode hibrida Global-Local Network dan Compressed-Histogram Equalization GLNet-CHE. Pada eksperimen pertama, penulis melakukan restorasi citra bawah air menggunakan GLNet-CHE dan menguji berbagai metode restorasi pada tahap konvensional. Metode restorasi konvensional yang diuji yaitu metode asal Compressed-Histogram Equalization (CHE), dan metode lainnya yaitu Locally Adaptive Contrast Enhancement (LACE) dan Bayesian Retinex. Hasil restorasi citra pada dataset UIEB menunjukkan bahwa GLNet dengan metode konvensional CHE memperoleh nilai terbaik PSNR 21.2101 ± 3.4080 dan SSIM 0.8585 ± 0.0741, mengungguli kombinasi metode lainnya. Pada eksperimen kedua, penulis meneliti pengaruh restorasi citra bawah air terhadap task deteksi objek. Penulis menggunakan model YOLO-NAS untuk mendeteksi objek pada citra bawah air yang belum dan sudah direstorasi. Hasil pada dataset BrackishMOT menunjukkan bahwa deteksi objek pada citra yang telah direstorasi memperoleh nilai precision, recall, dan F1 terbaik dengan nilai 0.6214, 0.3791, dan 0.3901. Sementara itu, nilai mAP tertinggi diperoleh citra bawah air asli dengan nilai 0.3851 yang menandakan performa yang lebih konsisten pada berbagai threshold.

---

High-quality underwater images are quite difficult to obtain due to light distortion caused by suspended particles and the attenuation of light waves. This causes underwater images to have problems of color distortion, low contrast, and poor visibility, leading to consider- able information loss. Many methods for underwater image restoration, both conventional and network based, have been researched. To overcome the limitation of both methods, this research uses the hybrid Global-Local Network and Compressed-Histogram Equal- ization (GLNet-CHE) approach. In the first experiment, the author conducts underwater image restoration using GLNet-CHE with various restoration methods for the conven- tional step. The conventional restoration methods used are the original Compressed- Histogram Equalization (CHE) and other methods, i.e., Locally Adaptive Contrast En- hancement (LACE) and Bayesian Retinex. The image restoration results on the UIEB dataset shows that GLNet with CHE as the conventional method obtained the best PSNR and SSIM value of 21.2101 ± 3.4080 and 0.8585 ± 0.0741 respectively, outperforming the other combinations. In the second experiment, the author investigated the effect of underwater image restoration on the object detection task. YOLO-NAS is used for object detection on restored and original underwater images. The results on the BrackishMOT dataset show that object detection on the restored images obtained the best precision, re- call and F1 values with values of 0.6214, 0.3791 and 0.3901 respectively. Meanwhile, the highest mAP value was obtained from the original underwater images with a value of 0.3851, which indicates more consistent performance at various thresholds."

"Citra bawah air tergolong ke dalam citra yang sulit diproses secara digital. Hal ini dise- babkan citra bawah air mengalami degradasi gabungan berupa scattering dan absorption. Sedangkan permasalahan estimasi kedalaman relatif adalah salah satu permasalahan yang masih menjadi riset dalam bidang computer vision saat ini. Permasalahan ini digolongkan sebagai permasalahan image-to-image translation. Salah satu model yang sering digunakan untuk menyelesaikan permasalahan image-to-image translation adalah dengan menggunakan conditional generative adversarial network (cGAN) yang merupakan salah satu varian dari generative adversarial network (GAN). Komponen penting dari cGAN terdiri dari generator dan discriminator yang berpengaruh terhadap keefektifan model. Pada penelitian ini akan diuji kombinasi generator yang terdiri dari U-net, Resnet-6, dan Resnet-9 dan discriminator yang terdiri dari PatchGAN serta ImageGAN dalam menyelesaikan permasalahan estimasi kedalaman relatif dari citra bawah air. Keoptimalan model diuji dengan menggunakan metrik structural index similarity (SSIM) dan root mean square error (RMSE). Didapatkan hasil bahwa model dengan generator U-net dan discriminator PatchGAN memberikan hasil terbaik pada metrik SSIM dan RMSE.

---

Underwater images are classified as images that are difficult to be processed digitally. This happens due to the combined degradation of the underwater image in the form of scattering and absorption. Meanwhile, relative depth estimation is one of the problems that is still being actively researched in computer vision. This problem is classified as image-to-image translation problem. One of the model that is often used to solve image-to-image translation is the conditional generative adversarial network (cGAN) which is a variant of generative adversarial network (GAN). The important component of cGAN consists of generator and discriminator which affects the model’s effectiveness. In this research, a combination of generator consisting of U-net, Resnet-6, and Resnet-9 and discriminator consisting of PatchGAN and ImageGAN will be tested in solving relative depth estimation problem for underwater image. Optimization of the model is tested using the metrics structural similarity index (SSIM) and root mean square error (RMSE). The results show that models with generator U-net and discriminator PatchGAN give the best result on SSIM and RMSE metrics."