Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
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.

Abstrak :
Kabut menjadi salah satu masalah yang terjadi dalam kehidupan sehari-hari dan dapat menyebabkan objek sulit terlihat. Fenomena ini dapat ditangkap oleh kamera dan mengubah informasi mengenai warna dan kontras yang tertangkap pada citra. Perubahan informasi ini berpengaruh besar pada penerapan computer vision dalam melakukan berbagai tugas, seperti deteksi objek, klasifikasi, dan sistem navigasi. Oleh karena itu, perlu dilakukan restorasi citra berkabut. Restorasi citra berkabut ini terus dikembangkan, mulai dari restorasi berbasiskan persamaan fisika hingga deep learning. Uformer menjadi salah satu arsitektur deep learning yang dikembangkan untuk melakukan restorasi citra berkabut dengan menggunakan ide dasar dari Transformer. Pada penelitian ini, dilakukan implementasi Uformer untuk restorasi citra berkabut. Pengujian performa model Uformer dilakukan menggunakan dataset O-HAZE, NH-HAZE, DENSE-HAZE, dan SOTS. Analisis dilakukan secara kuantitatif, kualitatif, dan cross-dataset. Hasil restorasi dari Uformer ini dibandingkan dengan Mod PDR-Net dan Mod PDR-Net Based Conditional Generative Adversarial Network. Evaluasi hasil Uformer menunjukkan bahwa model tersebut belum dapat menandingi hasil dari model Mod PDR-Net dan Mod PDR-Net Based CGAN dalam melakukan restorasi citra berkabut dengan dataset yang digunakan. ......Haze has become a common problem that happens in daily life and can make objects hard to be seen. This phenomenon can be captured by camera along with changed color and contrast on the captured image. These changes largely affect computer vision tasks, such as object detection, classification, and navigation systems. To mitigate this problem, image dehazing is necessary. Image dehazing has constantly been developed to solve this problem, starting from restoration using the physical model to deep learning approaches. Uformer was introduced as one deep learning architecture for image restoration, inspired by the Transformer architecture. In this research, Uformer has been implemented for image dehazing. The Uformer model performance was evaluated using O-HAZE, NHHAZE, DENSE-HAZE, and SOTS datasets through quantitative, qualitative and cross dataset evaluation. The result showed that Uformer is not able to outperform Mod PDR-Net and Mod PDR-Net Based CGAN for image dehazing on the selected datasets.

Abstrak :
Aplikasi computer vision meliputi pendeteksian objek, klasifikasi citra, dan lain-lain. Performa dari aplikasi computer vision ini biasanya kurang baik jika digunakan pada gambar yang kabur. Gambar kabur disebabkan oleh kondisi lingkungan yang melibatkan mikropartikel di udara sehingga menyebabkan penurunan kualitas gambar. Dehazing gambar tunggal diperlukan untuk menjaga kualitas gambar yang baik. Berbagai metode dehazing citra tunggal telah dikembangkan, baik metode berbasis piksel atau deep learning. Berbagai arsitektur deep learning telah dikembangkan untuk mengatasi masalah single image dehazing, salah satunya adalah PDR-Net. Dalam studi ini, penulis mengusulkan modifikasi arsitektur PDR-Net untuk mendapatkan gambar yang direstorasi secara visual sebaik mungkin. Arsitektur Modified PDR-Net (PDR-Net M) yang diusulkan dilatih dengan dua set data, yaitu O-Haze dan Dense-Haze, dan menjalani uji ketahanan menggunakan dataset NH-Haze, SOTS, dan beberapa gambar kabur yang diunduh dari Google Image. Hasil modifikasi PDR-Net menunjukkan hasil terbaik saat restorasi citra citra kabur pada data uji O-Haze dan Dense-Haze, dengan Structural Similarity (SSIM) 0,8042, Peak Signal-to-Noise Ratio (PSNR) 20,65,00perbedaan warna 9,26 , Root Mean Square Error (RMSE) 0.11 dan Naturalness Image Quality Evaluator (NIQE) 3.94. Meskipun pada uji robustness ketiga, PDR Net-Modified mengalami kesulitan dalam restorasi citra karena karakteristik dataset yang sangat berbeda dengan data latih, PDR-Net Modified masih unggul pada uji robustness pertama dan kedua. ......Computer vision applications include object detection, image classification, and others. The performance of this computer vision application is usually not good when used on blurred images. Blurred images are caused by environmental conditions involving microparticles in the air causing a decrease in image quality. Dehazing a single image is necessary to maintain good image quality. Various methods of single image dehazing have been developed, either pixel-based or deep learning methods. Various deep learning architectures have been developed to overcome the problem of single image dehazing, one of which is PDR-Net. In this study, the authors propose a modification of the PDR-Net architecture to obtain the best possible visually restored image. The proposed Modified PDR-Net (PDR-Net M) architecture was trained with two datasets, namely O-Haze and Dense-Haze, and underwent robustness testing using the NH-Haze dataset, SOTS, and some blurred images downloaded from Google Image. PDR-Net modification results show the best results when restoring blurred images on O-Haze and Dense-Haze test data, with Structural Similarity (SSIM) 0.8042, Peak Signal-to-Noise Ratio (PSNR) 20.65.00 color difference 9.26 , Root Mean Square Error (RMSE) 0.11 and Naturalness Image Quality Evaluator (NIQE) 3.94. Although in the third robustness test, PDR Net-Modified had difficulty in image restoration because the characteristics of the dataset were very different from the training data, PDR-Net Modified was still superior in the first and second robustness tests.

Abstrak :
Dalam pengambilan citra, dapat terjadi penurunan kualitas akibat kondisi lingkungan sekitar. Salah satu kondisi penyebab penurunan kualitas tersebut adalah kondisi hujan, yang menyebabkan citra dengan tetesan air hujan. Dewasa ini, pendekatan deep learning dapat menjadi solusi, dengan banyaknya model yang mampu melakukan restorasi citra dengan tetesan air hujan (raindrop removal). Akan tetapi, banyak model yang hanya mampu menyelesaikan kasus spesifik dan tergantung pada data melalui metode supervised. Sebagai alternatif, terdapat model yang berpotensi dalam kasus ini adalah Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model adalah model yang bisa menyelesaikan kasus umum dengan tetap berperforma baik dengan pendekatan zero-shot, yaitu tanpa optimisasi dan pelatihan data. Sayangnya, sejauh ini Zero-Shot DDNM masih terbatas pada masalah linier, sementara itu masalah raindrop removal adalah masalah non-linier. Penelitian ini bertujuan untuk mengukur kemampuan metode Zero-Shot Denoising Diffusion Null Model dalam menyelesaikan masalah non-linier seperti raindrop removal. Untuk membantu memodelkan masalah raindrop removal ini pada Zero-Shot Denoising Diffusion Null Model, dibutuhkan input tambahan berupa raindrop mask. Pada penelitian ini, raindrop mask diperoleh menggunakan Attentive Generative Adversarial Network kemudian dilakukan thresholding dengan nilai 0.5 yang digunakan bersama dengan operator degradasi untuk melakukan deblurring with mask untuk mencari hasil restorasi terbaik. Data citra yang digunakan dalam penelitian ini adalah dataset citra dengan tetesan air hujan di luar ruang. Selain itu diterapkan juga beberapa strategi tambahan yaitu time-travel trick. Hasil restorasi citra dengan tetesan air hujan menunjukkan hasil paling baik dalam metrik Structural Similarity Index Measure yaitu simplified denoising with mask dengan time-travel trick, sedangkan hasil paling baik dalam metrik Peak Signal-to-Noise Ratio yaitu menggunakan simplified denoising with mask. ......When taking an image, there can be a decrease in quality due to the surrounding conditions. One of the causes of this decrease in quality is rain, resulting in raindrops in the image. These days, there are many deep learning approached to solve raindrop removal. However, many of the models that perform well for raindrop removal are only able to solve specific cases based on the available data through supervised methods. A potential model capable of more general cases is the Zero-Shot Denoising Diffusion Null Model. Zero-Shot Denoising Diffusion Null Model has the capacity to solve common cases while still performing well in a zero-shot manner, that is, without data optimization and training. However, the model is limited to linear problems, while raindrop removal is a non-linear problem. This study aims to measure the ability of the zero-shot method in solving the non-linear problems of raindrop removal. To help model the raindrop removal task, it is necessary to generate raindrop masks that indicate the location of raindrops in the image. In this research, the raindrop masks are generated using Attentive Generative Adversarial Network then are thresholded with 0.5 value that are used with an adjusted degradation operator for deblurring with masks to find the best restoration results. Additionally, some strategies are implemented such as time-travel trick. The image data used in this study was an image dataset with raindrops outside the room. The result of raindrop removal shows the best results in the Structural Similarity Index Measure metric is simplified denoising with mask and time-travel trick, while the best result in the Peak Signal-to-Noise Ratio metric is using simplified denoising with mask.