fotogrametri dijital sift dan surf

Fotogrametri Dijital

SIFT dan SURFOleh:

Hironimus GesuJundri S. AtiErni Yulianti

11.25.015

11.25.022

11.25.925

Ekstraksi Fitur

Fo t o g r a m e t r i D i j i t a l

Eksatraksi Fitur

Fitur adalah karakteristik atau hal-hal

khusus yang mencirikan satu objek.

Ekstraksi fitur berarti mengambil dan

menyimpan karakteristik-karakteristik

khusus dari suatu objek pada citra.

Fitur-fitur inilah yang kemudian akan

digunakan sebagai pembanding

untuk mengenali objek tertentu pada

suatu citra. Karakteristik fitur yang

baik sebisa mungkin memenuhi

persyaratan:

Dapat membedakan

suatu objek dengan

yang lainnya

Kompleksitas

komputasi yang tidak

terlalu rumit

Tidak terikat (invarian)

terhadap transformasi

Jumlahnya sedikit

SIFT


Apa itu SIFT ?

Pada tahun 1999, David G. Lowe seorang

peneliti dari University of British Columbia

memperkenalkan suatu metode baru dalam

ekstraksi fitur dari suatu citra.

Metode ekstraksi fitur ini disebut sebagai

Scale-Invariant Feature Transform (SIFT).

Dengan menggunakan SIFT ini, suatu citra

akan di ubah menjadi vektor fitur lokal yang

kemudian akan digunakan sebagai

pendekatan dalam mendeteksi objek yang

dimaksud.David G.Lowe

SIFT


Hasil ekstraksi fitur bersifat invarian terhadap ukuran, translasi

dan rotasi dua dimensi.

Hasil ekstraksi fitur besifat invarian sebagian terhadap

perubahan iluminasi dan perubahan sudut pandang tiga

dimensi

Mampu meng-ekstrak banyak keypoint dari citra yang tipikal

Hasil ekstraksi fitur benar-benar mencirikan secara khusus

(distinctive).

Mencari Nilai Ekstrim Pada Skala Ruang

Menentukan Keypoint

Penentuan Orientasi

Deskriptor Keypoint

Apa Kelebihan metode SIFT ?

Tahapan Algoritma pada Metode SIFT

Dengan kelebihan tersebut, penggunaan metode SIFT banyakdikembangkan untuk aplikasi pengenalan objek

SIFT


Pencarian Nilai Ekstrim

Pencarian nilai ekstrim pada skala ruang merupakan

tahap awal dalam penentuan keypoint dari suatu

citra. Dengan menggunakan fungsi Gaussian , citra

pada skala ruang dapat didefinisikan sebagai fungsi

L(x,y,σ), yang diperoleh dari hasil konvolusi skala-

variabel Gaussian, G(x,y,σ), dengan citra masukan

I(x,y), sehingga diperoleh

L(x,y,σ) = G(x,y,σ) * I(x,y)

dimana * adalah operasi konvolusi antara x dan y dan G(x,y,σ)

adalah skala-variabel Gaussian

D(x, y, σ) = (G(x, y, kσ) − G(x, y, σ)) ∗ I(x,

y)= L(x, y, kσ) − L(x, y, σ)

SIFT


Pencarian Nilai Ekstrim

Citra hasil Diffrence of GaussianIlustrasi pencarian nilai

maksimum/minimum dari citra DoG

Penentuan kandidat keypoint

SIFT


Penentuan Keypoint

ialah untuk mengambil detail dari kandidat keypoint.

Detail yang diambil merupakan lokasi, skala dan rasio

kelengkungan inti dari kandidat keypoint. Pada tahap ini akan

terjadi pengurangan jumlah kandidat keypoint. Dimana setiap

kandidat keypoint yang dianggap sangat rentan terhadap

gangguan (noise) akan dihilangkan, yaitu kandidat keypoint yang

memiliki nilai kontras yang rendah dan kandidat keypoint yang

kurang jelas dan terletak di sepanjang tepi.

Deret Taylor Matrik

Hessein

SIFT


Penentuan Orientasi

Pada tahap ini, masing-masing keypoint yang diperoleh akan

diberikan suatu orientasi yang tetap berdasarkan sifat-sifat lokal pada

citra. Dengan adanya proses ini maka keypoint yang diperoleh dapat

direpresentasikan relatif terhadap orientasi ini sehingga keypoint yang

dihasilkan tidak terpengaruh terhadap adanya rotasi pada citra. Untuk

menentukan orientasi dari masing-masing keypoint maka dilakukan

perhitungan terhadap besarnya gradien dan sudut arah orientasi

Adapun perhitungan terhadap besar nilai gradien, m(x,y), dan arah

orientasi θ(x,y), dilakukan menggunakan persamaan berikut:

SIFT


Deskriptor Keypoint

Pada proses ini, masing-masing keypoint yang telah diorientasikan akan

diberikan pencirian khusus (deskriptor). Proses ini bertujuan untuk

mendapatkan keypoint yang invarian terhadap perubahan intensitas

cahaya atau perubahan sudut pandang tiga dimensi.Deskriptor keypoint pada Gambar

menunjukkan adanya 8 arah

pada masing-masing histogram

orientasi dengan panjang

masing-masing anak panah

sesuai dengan besar nilai dari

histogram asal. Selanjutnya

deskriptor keypoint yang telah

diperoleh akan dinormalisasi

untuk mengatasi pengaruh

perubahan cahaya.

lingkaran Gaussian (kiri) dan gambar deskriptor

keypoint (kanan)

SIFT


Deskriptor Keypoint

Setelah melalui tahapan-tahapan

tersebut, maka pada hasil akhir akan

diperoleh suatu citra dengan keypoint

yang invarian terhadap berbagai

macam perubahan, seperti yang

ditunjukkan pada gambar.

Keypoint ini yang kemudian menjadi fitur-

fitur lokal pada suatu citra dan akan di

cocokkan dengan keypoint-keypoint yang

terdapat pada citra lain

Untuk menyesuaikan dengan objek

yang tersedia pada data set training

Keypoint yang diperoleh dari suatu citra menggunakan SIFT

SURF


Algoritma SURF (Bay H et al, 2006) bertujuan untuk

mendeteksi fitur lokal suatu citra dengan handal dan

cepat.

Algoritma ini sebagian terinspirasi oleh algoritma SIFT

(Scale-invariant feature transform), terutama pada tahap

scale space representation (Lowe DG, 1999). Algoritma

SURF menggunakan penggabungan algoritma citra

integral (integral image) dan blob detection berdasarkan

determinan dari matriks Hessian. Dalam

implementasinya, algoritma SURF dibagi menjadi

beberapa tahapan sebagai berikut:

SURF


Interest Point Detection

Deteksi titik perhatian (interest point) digunakan untuk memilih titik yang

mengandung banyak informasi dan sekaligus stabil terhadap gangguan

lokal atau global dalam citra digital. Dalam algoritma SURF, dipilih

detektor titik perhatian yang mempunyai sifat invarian terhadap skala,

yaitu blob detection.

Tahapan Algoritma pada Metode SURF

Interest Point Detection

Scale Space Representation

Feature Description

Feature Matching and Recognition

SURF


Scale Space RepresentationMenangani perbedaan ukuran dengan

menggunakan metode perbandingan skala.

Metode ini, menggunakan scale space, di

mana citra diimplementasikan dalam bentuk

sebuah image pyramid (Lowe DG, 2004). Citra

secara berulang akan diperhalus (smoothing)

dengan fungsi Gaussian dan secara beruntun

dengan cara sub-sampling untuk mencapai

tingkat tertinggi pada piramida. Dengan

menggunakan integral image, perhitungan ini

tidak perlu dilakukan secara iteratif dengan

menggunakan filter yang sama, tetapi dapat

filter dengan ukuran sembarang ke dalam

beberapa skala citra yang berbeda.


SURF


Feature DescriptionFitur didefinisikan sebagai bagian yang mengandung banyak informasi suatu

citra, dan fitur ini digunakan sebagai titik awal untuk algoritma deteksi objek.

Tujuan dari proses deteksi fitur ini adalah untuk mendapatkan deskripsi dari fitur-

fitur dalam citra yang diamati.

Langkah pertama (Bay H et al, 2008) adalah melihat orientasi yang dominan

pada titik perhatian yang terdapat dalam citra, kemudian membangun suatu area

yang akan diambil nilainya dan mencari fitur korespondensi pada citra

pembanding. Dalam penentuan orientasi suatu citra kita menggunakan filter

wavelet Haar, disini dapat ditentukan tingkat kemiringan suatu fitur yang diamati.

Selanjutnya untuk deskripsi fitur dalam algoritma SURF, digunakan hanya

perhitungan gradient histogram dalam empat kelompok (bins) saja untuk

mempercepat perhitungan, yaitu dengan dx adalah respon wavelet Haar pada

arah horisontal dan dy dalam arah vertikal.


SURF


SURF


Feature Matching and RecognitionDalam tahap ini, kita membandingkan fitur hasil perhitungan proses sebelumnya

(Gambar 4) tetapi hanya bila terdapat perbedaan kontras, yang dideteksi melalui

tanda dari trace matriks Hessian. Dengan cara ini, biaya komputasi dari

algoritma SURF bisa dikatakan sangat minim.

Gambar 4 Feature matching.



IF

TUR

F

S Pada metode SIFT citra akan di ubah

menjadi vektor fitur lokal yang kemudian

akan digunakan sebagai pendekatan dalam

mendeteksi objek yang dimaksud.

Algoritma SURF menggunakan

penggabungan algoritma citra integral

(integral image) dan blob detection

berdasarkan determinan dari matriks

Hessien. Dan terinspirasi dari algoritma

SIFT.

Biaya komputasi dari algoritma SURF lebih

minim dari SIFT.

Cara kerja SURF lebih cepat dari SIFT

dalam mengekstraksi fitur.

SURF


SIF

T

SUR

F

fotogrametri dijital sift dan surf

Education