1 / 9

IMAGE CLASSIFICATION

IMAGE CLASSIFICATION. Oleh :. Fachrul Reza ( 08.111.4011 ) Julpan ( 08.111.3865) M. Nur Cipta Hidayah Lubis (08.111.4160). Image Classification. Image Classification adalah proses pengelompokan setiap pixel yang terdapat dalam suatu citra menjadi kelompok-kelompok objek tertentu.

maida
Download Presentation

IMAGE CLASSIFICATION

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. IMAGE CLASSIFICATION Oleh : Fachrul Reza ( 08.111.4011 ) Julpan ( 08.111.3865) M. NurCiptaHidayahLubis(08.111.4160)

  2. Image Classification Image Classification adalah proses pengelompokansetiap pixel yang terdapatdalamsuatucitramenjadikelompok-kelompokobjektertentu. • Image Classification mulaidikenalpadatahun 1970-an dimana program pengelompokan pixel pertama kali dibuatuntuk data multispectral. • Terdapat 2 tipe Image Classification yaitu : - Unsupervised Classification - Supervised Classification

  3. Supervised Classification adalahsebuahteknikKlasifikasi Citra dimana user menentukanbeberapa pixel di citra yang akandigunakansebagaidasarpengelompokanolehkomputer. User bolehmenentukanberapajumlahkelompok output yang diinginkandanbatasanberupaefekcitratertentusebagaidasarpengelompokan.

  4. Procedure • Select training data • create spectral signatures • Classify the image • Accuracy assessment

  5. Supervised Classification • beberapatipe Supervised Classification antara lain : - Minimum-Distance-To-Means - Paralelpiped - Maximum Likelihood

  6. Minimum-Distance-To-Means Algoritma Minimum-Distance-To-Means digunakandengancaramenentukannilai mean darisetiapkelaspadasetiapbagian. Kemudiansetiap pixel padacitraakandikelompokkanberdasarkannilai mean yang paling dekat. Merupakanalgoritma yang cepatdancukupefisien. Masihbisadigunakanpadasaatinijikacitra yang ingindikelompokkanberukuranbesar.

  7. Paralelpiped AlgoritmaParalelpipedmenggunakanpembatasberupagarislurusuntukmembatasi area yang akandijadikansampel. Kemudiansetiap pixel padacitraakandikelompokkanberdasarkannilai RGB yang dimilikinya. Efisiendalamhalkomputasi, namunkurangefisiensecarakeseluruhankarenaadakemungkinanmuncul unknown pixel.

  8. Maximum Likelihood Algoritma Maximum Likelihood memilikialur yang hampirsamadenganalgoritmaminimom distance to means. Hanyasajadalampengelompokan pixel, digunakanrumuspropabilitasgaussian. Hasillebihbagusdari 2 algoritmasebelumnya. Dan walaupun “mahal”, banyakdigunakankarenakomputer modern sudahdapatmengelompokkandengancepat.

More Related