Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini bertujuan untuk melakukan optimisasi proses hyperspectral unmixing dengan menggunakan norm L2,1 untuk menerapkan properti collaborative sparse pada semua piksel yang ada dalam dataset dan menggunakan regularisasi total variation untuk meningkatkan kualitas citra yang dihasilkan. Performa algoritma L2,1-TV akan dibandingkan dengan algoritma yang sudah ada yaitu SUnSAL, CLSUnSAL, dan SUnSAL-TV. Hasil eksperimen menggunakan data sintesis (DS, FR1, FR2, FR3) dan data asli (Urban) menunjukkan bahwa algoritma yang dikembangkan memiliki hasil yang lebih baik dibandingkan algoritma yang sudah ada secara kualitatif dan kuantitatif terutama pada tingkat SNR yang lebih rendah. Penelitian menggunakan dataset DS menunjukkan algoritma L2,1-TV memiliki kenaikan nilai SRE sebesar 262.42%, 92.93%, dan 74.71% serta penurunan nilai RMSE sebesar 74.23%, 67.39%, dan 14.29% pada ketiga tingkat SNR dibandingkan algoritma lainnya. Untuk dataset FR1, L2,1-TV memiliki kenaikan nilai SRE sebesar 52.81% serta penurunan nilai RMSE sebesar 46.01% pada SNR 20 dB namun memiliki nilai SRE dan RMSE yang lebih buruk pada SNR 30 dB dan 40 dB yaitu sebesar 3.59% dan 7% untuk SRE serta 9.43% dan 2.86% untuk RMSE. Untuk dataset FR2, L2,1-TV memiliki kenaikan nilai SRE sebesar 102.76% dan 1.84% pada SNR 20 dB dan 40 dB serta penurunan nilai RMSE sebesar 52.78% pada SNR 20 dB namun memiliki nilai SRE yang lebih buruk pada tingkat SNR 30 dB berupa 4.96% serta RMSE yang lebih buruk pada SNR 30 dB dan 40 dB berupa 9.8% dan 3.57%. Untuk dataset FR3, L2,1-TV memiliki kenaikan nilai SRE sebesar 96.44%, 0.97% dan 5.42% pada ketiga tingkat SNR serta penurunan nilai RMSE sebesar 61.33% dan 3.13% untuk SNR 20 dB dan 40 dB. Pada SNR 30 dB, L2,1-TV memiliki nilai RMSE yang sama dengan algoritma lainnya. Untuk dataset Urban, algoritma L2,1-TV memiliki kenaikan nilai SRE sebesar 2.6% dan penurunan nilai RMSE sebesar 1.15% dibandingkan algoritma lainnya. ...... In this study, we construct an algorithm to optimize the hyperspectral unmixing problem using L2,1 norm and Total Variation regularization to reduce error. Specifically, our research aims to improve the unmixing results by applying L2,1 norm to impose collaborative sparsity on all pixels in the data set and adding Total Variation regularization to improve the smoothness of resulting image. We compared our algorithm performance to existing algorithm such as SUnSAL, CLSUnSAL, and SUnSAL-TV. Our experimental results with both synthetic and real hyperspectral data show improvement in RMSE and SRE compared to other methods especially on lower SNR. On our experiment using DS dataset, L2,1-TV algorithm showed improvement in SRE by 262.42%, 92.93%, and 74.21% as well as RMSE by 74.23%, 67.39%, dan 14.29% for SNR level 20 dB, 30 dB, and 40 dB respectively compared to other methods. On experiment using FR1 dataset, L2,1 algorithm showed improvement in both SRE and RMSE by 52.81% and 46.01% respectively for SNR level 20 dB compared to other methods but have worse results in SNR level 30 dB and 40 dB. On experiment using FR2 dataset, L2,1-TV algorithm showed improvement in SRE by 102.76% and 1.84% for SNR level 20 dB and 40 dB respectively but have worse result in SNR level 30 dB by 4.96%. L2,1-TV also showed improvement in RMSE by 52.78% for SNR level 20 dB but have worse result in SNR level 30 dB and 40 dB by 9.8% and 3.57% respectively. On experiment using FR3 dataset, L2,1-TV algorithm showed improvement in SRE by 96.44%, 0.97%, and 5.42% for SNR level 20 dB, 30 dB, and 40 dB respectively. L2,1-TV algorithm also showed improvement in RMSE by 61.33% and 3.13% for SNR level 20 dB and 40 dB respectively as well as having the same RMSE value for SNR level 30 dB compared to other methods. On experiment using real data, L2,1-TV algorithm showed improvement in both SRE and RMSE by 2.6% and 1.15% respectively compared to other methods.

Abstrak :
Pencegahan kanker dapat dilakukan dengan deteksi dini menggunakan pemindai seperti Computed Tomography (CT) Scan dan Magnetic Resonance Imaging (MRI). Namun, modalitas tersebut memiliki biaya produksi yang tinggi dan ukuran yang besar. Alternatif yang digunakan untuk mengatasi masalah ini adalah menggunakan pencitraan gelombang mikro. Pencitraan gelombang mikro membutuhkan data pengukuran besar untuk meningkatkan kualitas gambar. Untuk mengatasi kelemahan ini, proses penelitian ini adalah merekonstruksi algoritma pencitraan gelombang mikro dengan jumlah pengukuran yang lebih rendah menggunakan pendekatan Compressive Sensing (CS). CS memungkinkan merekonstruksi sinyal dari sejumlah kecil pengukuran daripada yang diperlukan dalam metode pengambilan sampel konvensional. Penelitian ini berkontribusi dengan menambahkan informasi spasial menggunakan Total Variation (TV) dan menyelesaikan masalah optimasi menggunakan Alternating Direction Method of Multipliers (ADMM). Penelitian ini dianalisis untuk kinerja kualitatif dan kuantitatif. Parameter yang digunakan dalam analisis kuantitatif adalah MSE dan SSIM. Hasil penelitian ini menunjukkan bahwa algoritma yang diusulkan berhasil mengimplementasikan rekonstruksi CS dengan menambahkan TV dalam hal kualitas gambar dan parameter kuantitatif. ...... Prevention of cancer can be done by early detection using a scanner such as Computed Tomography (CT) Scan and Magnetic Resonance Imaging (MRI). However, those modalities have high production cost and considerable size. The alternative used to overcome this problem is using microwave imaging. Microwave imaging requires large measurement data to improve image quality. To overcome these weaknesses, this research process is algorithmic reconstruct the microwave images with lower number of measurements using Compressive Sensing (CS) approach. CS enables reconstructing a signal from a smaller number of measurements than which is required in the conventional sampling method. This research contributes by adding spatial information using total variation (TV) and solving the problem of optimization using Alternating Direction Method of Multipliers (ADMM). This research were analyzed for the qualitative and quantitative performance. Parameters used in quantitative analysis are MSE and SSIM. The results of this research show that the proposed algorithm successfully implemented the reconstruction of CS by adding TV in terms of image quality and quantitative parameters.

Abstrak :
Penelitian ini mengembangkan algoritma rekonstruksi citra gelombang mikro yang menggunakan pendekatan compressive sensing (CS) dimana data yang digunakan bersifat sparse – jumlah data bernilai nol atau yang dapat diabaikan yang ada dalam sebuah set data jauh lebih banyak dibandingkan jumlah data yang tidak bernilai nol. Pengembangan dilakukan dengan menambahkan total variation (TV) sebagai regularisasi spasial dan menggunakan metode alternating direction method of multipliers (ADMM) untuk menyelesaikan masalah optimasi yang dirancang dalam bentuk lagrange. Dengan merekonstruksi phantom simulasi, hasil rekonstruksi yang dilakukan oleh TV berhasil mengungguli algoritma simultaneous algebraic reconstruction technique (SART) dengan selisih nilai SSIM sebesar 0,0179 dan selisih nilai MSE sebesar 0,0119; dan mengungguli algoritma CS tanpa TV dengan selisih nilai SSIM sebesar 0,1699 dan selisih nilai MSE sebesar 0,0444. Nilai ini menunjukkan bahwa tidak hanya TV berhasil diterapkan pada CS, namun juga berhasil meningkatkan performa dan hasil citra rekonstruksi dari algoritma tersebut. ......This research improves the compressive sensing (CS) based microwave imaging reconstruction algorithm where used data is sparse – the number of zeros or negligible data of a dataset is far beyond the number of non-zero data. The improvement is done by applying total variation (TV) as the spatial regularization and utilizing alternating direction method of multipliers (ADMM) to solve optimization problem in the form of Lagrange equation. By reconstructing simulation phantom, reconstructed image done by TV surpasses the simultaneous algebraic reconstruction technique (SART) with SSIM margin of 0.0179 and MSE margin of 0.0119; and surpasses CS without TV with SSIM margin of 0.1699 and MSE margin of 0.0444. This shows that not only TV is able to be applied to CS, but also manages to improve the performance of CS algorithm and the reconstructed image of said algorithm.