1 / 12

PENGOLAHAN CITRA DIGITAL : PENGENALAN POLA TEMPLATE MATCHING

PENGOLAHAN CITRA DIGITAL : PENGENALAN POLA TEMPLATE MATCHING. KELOMPOK 3 RIAN KALENSUN DAN STEVANI WUATEN. Template Matching.

kenna
Download Presentation

PENGOLAHAN CITRA DIGITAL : PENGENALAN POLA TEMPLATE MATCHING

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PENGOLAHAN CITRA DIGITAL : PENGENALAN POLA TEMPLATE MATCHING KELOMPOK 3 RIAN KALENSUN DAN STEVANI WUATEN

  2. Template Matching Template matching adalahsebuahteknikdalampengolahancitra digital untukmenemukanbagian-bagiankecildarigambar yang cocokdengan template gambar. Template matching merupakansalahsatu ide yang digunakanuntukmenjelaskanbagaimanaotakkitamengenalikembalibentuk-bentukataupola-pola.

  3. Recognition Methodology • Conditioning • Labeling • Grouping • Extracting • Matching

  4. Conditioning • Memperbaikikondisicitrauntuk proses interpretasi: • Geometric correction • Different sensor system • Image registration • Radiometric correction • Uninteresting variation disebutjuga noise, bisabersifat additive (+) atau multiplicative (*) • Image filtering

  5. Labeling • Memberikan label padawilayah-wilayah yang adapadacitra • Memberikan label padawilayah yang homogenberdasarkanciri tonal danwarna (disebut primary features) • Memberikan label padawilayahberteksturberdasarkanciritekstur (disebut secondary features) • Contoh: citra sensor optikbersifat homogeneous sedangkancitra sensor radar bersifat textured

  6. Grouping • Grouping: merupakan proses pembentukanwilayah-wilayahpadacitra • Image segmentation / clustering • Training samples and area identification

  7. Extracting • Extracting: merupakan proses ekstraksiciripadapikselcitra • Ciri primer atausekunder • Homogeneous area: tonal mean & variance • Textured area: Gray Level Co-occurrence Matrix (GLCM)

  8. Matching • Melakukanidentifikasiobyekpadacitra • Pengenalanobyekdilakukandenganmembandingkanciriobyek yang diamatidenganpengetahuan yang telahdimilikitentangobyek-obyek yang ada • Sistem matching dibangundenganmelalui proses pelatihandan proses pengenalan. Pada proses pelatihandibangunsuatuaturankeputusan (decision rules), sedangkanpada proses pengenalandigunakanaturankeputusantersebut.

  9. Pattern Recognition – PengenalanPola • Pengertianpola (pattern): • Polaadalahsuatuentitas yang dapatdidefinisikan (mungkinsecarasamar) dandapatdiberisuatuidentifikasiataunama. Contoh: gelombangsuara, sidikjari, rautwajah, penutuplahandll. • Pengertian object descriptors / features / ciri: • Suatuukuran yang bersifatkwantitatif yang merupakandeskriptorsuatuobyektertentupadacitra • Merupakankumpulandeskriptor (features / ciri) suatuobyekpadacitra • Pengertiankelaspola (kategoriobyek): • Sekumpulanpola yang mempunyaisifat / properties / ciri yang sama • Contoh: pola-polapadakelashutan, pola-polapadakelas air dst.nya

  10. OperasiSistemPengenalanPola • TahapLatihan: terdiridarirancanganekstraksiciri, rancanganaturankeputusan, evaluasihasilpengenalanpola, danpembentukan data pengetahuan • TahapPengenalan (Operasional): terdiridaripenentuanpola yang akandiamati, pengukuranciri, proses pengenalandenganmemberlakukanaturankeputusansertapenggunaan data pengetahuan • TahapEvaluasi: apakahhasilpengenalan (dengan real –world pattern) sudah optimal, ataukahmasihperluuntukmemperbaikidenganmencariciri yang lebihefektifdanaturankeputusan yang lebihakurat

  11. Dua Issue PentingPada Proses Pelatihan • Pemilihansampeluntukpelatihandanuntuk testing • Jumlahdansampel yang dipilihdiusahakansesuaidenganpolapadadunianyata • Biasanyadilakukanolehpakarataudengandukungansuatuinformasi ground truth • Bisadigunakan 25% untukpelatihandan 75% untuk testing sampaidengan 50% - 50% • Pemilihanciriobyek yang akandipakai (feature selection) • Ada jumlahciri yang optimal, lebihdariituketelitianpengenalanakanmenurun (disebutsebagaifenomena curse of dimensionality) • Bgaimanamemilih set ciriterbaikdarisekianciri yang tersedia?

  12. Metodoligipengenalan : 1. Memperbaikikondisicitrauntukinterpretasi 2. Pemberian label padawilayahcitra yang diinginkan. 3 Pembentukanwilayahpadacitra 4. Ekstrasiciri 5. Pengidentifikasianobyekpadacitra • Model sistempengenalanpola yang seringdigunakanada 2 : 1. Syntactical 2. Statistical

More Related