Description

Image Preprocessing

Image preprocessing adalah untuk mempersiapkan gambar agar lebih cocok untuk analisis atau pemrosesan lebih lanjut. Ini melibatkan serangkaian langkah pemrosesan yang bertujuan untuk meningkatkan kualitas gambar, menghilangkan noise, meningkatkan kontras, menyoroti fitur-fitur penting.

OpenCV

OpenCV (Open Source Computer Vision Library) adalah perpustakaan sumber terbuka yang berfokus pada pengolahan citra dan penglihatan komputer. Dikembangkan oleh Intel pada tahun 1999, OpenCV menjadi salah satu perpustakaan yang paling populer dan paling banyak digunakan di dunia untuk berbagai aplikasi penglihatan komputer.

Tahapan - Tahapan dalam Image preprocessing seperti perubahan format citra, denoising, segmentasi, penyesuaian kontras, resize, corner, keypoint dan masih banyak lagi tergantung dari penyesuaian dan kebutuhan dari masing - masing data scientist, dan dalam portofolio ini saya membutuhkan beberapa metode antara lain:

1. Grayscalling (Perubahan format gambar ke skala ke-abuan)

2. Denoising (Perbaiki Noise)

3. Hasil Denoising (Evaluasi Hasil Denoising)

4. Lakukan deteksi sudut atau corner dengan metode Harris dan chi (Deteksi sudut)

5. Keypoints dengan metode SIFT & Feature matching dengan metode BF (Keypoints dengan metode SIFT dan di lakukan fitur match dengan Brute Force)

Deteksi sudut dan deteksi keypoints adalah dua konsep yang terkait dalam pemrosesan gambar dan visi komputer, tetapi memiliki fokus dan aplikasi yang sedikit berbeda

Deteksi Sudut (Corner Detection):

• Deteksi sudut berkaitan dengan menemukan titik-titik di gambar di mana intensitas piksel berubah secara signifikan dalam berbagai arah.
• Tujuan utama dari deteksi sudut adalah untuk menemukan titik-titik di mana perubahan dalam struktur atau tekstur gambar terjadi, seperti pojok-pojok, persimpangan, atau titik tertentu yang secara visual menonjol.
• Teknik populer untuk deteksi sudut termasuk metode seperti Harris Corner Detection, Shi-Tomasi Corner Detection, dan FAST (Features from Accelerated Segment Test).

Deteksi Keypoints:

• Deteksi keypoints lebih luas dan mencakup identifikasi titik-titik menonjol atau penting dalam gambar, tidak hanya sudut.
• Keypoints bisa berupa sudut, tetapi juga bisa berupa titik-titik penting lainnya, seperti tepi, ujung, atau struktur tekstur yang unik.
• Tujuan dari deteksi keypoints adalah untuk menemukan titik-titik di mana informasi lokal dalam gambar paling kaya atau paling dapat diandalkan untuk membedakan satu gambar dari yang lain.
• Beberapa teknik deteksi keypoints yang terkenal termasuk SIFT (Scale-Invariant Feature Transform), SURF (Speeded-Up Robust Features), dan ORB (Oriented FAST and Rotated BRIEF).

Pembuatan Model

A. Import Library

B. Buat Fungsi Harris

Fungsi harris_corner_detection( Untuk membuat deteksi sudut atau corner dengan metode Harris)

C. Buat Fungsi Chi tomasi

Fungsi Shi_Tomasi (Membuat fungsi corner dengan metode Chi Tomasi)

D. Fungsi keypoints

Fungsi detect_keypoints (Fungsi ini untuk membuat keypoints di mana saya menggunakan metode SIFT)

Fungsi a untuk melakukan semua proses logika 

Percobaan Model fungsi dari Dengan Data sintetis

Output fungsi buat histogram

Histogram hasil citra asli dan denoising

Hasil dari histogram tersebut gampang nya ialah:

• Sumbu x: Intensitas piksel (0 hingga 255 pada gambar grayscale).
• Sumbu y: Jumlah piksel yang memiliki intensitas tersebut dalam gamba

Gambar dengan noise rendah umum nya dalam histogram menampilkan data yang rapih dan tidak memiliki lonjakan yang signifikan, dalam data di atas juga intesitas pixel memiliki rentan yang sama artinya informasi juga di ambil dengan tepat.

Output fungsi a dimana a(image)

Hasil deteksi corner dengan metode Chi Tomasi

Hasil Denoising atau perbaikan citra dari noise

Hasil deteksi corner dengan metode Harris

Hasil keypoint deteksi dengan metode SIFT

Output fungsi fitur matching dengan brute force dan menggunakan keypoint

Data sintetis untuk fitur matching dengan citra chi tomasi

Data sintetis untuk fitur matching dengan citra harris