Pertemuan 01-02

Prodi : Sistem Komputer, Fakultas Ilmu Komputer

Berkisar 0-15%Berkisar 15%Berkisar 15%

Berkisar 90%Berkisar 90%

Berkisar 55%Berkisar 55%

PARADIGMA BELAJAR-MENGAJARPARADIGMA BELAJAR-MENGAJAR

ORGANISASI SISTEM KOMPUTERORGANISASI SISTEM KOMPUTERPPs PPs (Program Pascasarjana) (Program Pascasarjana) UNIVERSITAS PUTRA INDONESIA UNIVERSITAS PUTRA INDONESIA

“YPTK” “YPTK”

1.1. Attitude (Character)Attitude (Character)

2.2. Skill (Competent)Skill (Competent)

3.3. Knowledge (Conceptual)Knowledge (Conceptual)

4.4. Action (Executor)Action (Executor)

MUTU PENDIDIKANMUTU PENDIDIKAN

ORGANISASI SISTEM KOMPUTERORGANISASI SISTEM KOMPUTERPPs PPs (Program Pascasarjana) (Program Pascasarjana) UNIVERSITAS PUTRA INDONESIA UNIVERSITAS PUTRA INDONESIA

“YPTK” “YPTK”

1. Hati yang positif2. Pola pikir yang positif3. Perilaku yang positif4. Lingkungan yang baik

DASAR MEMBANGUN KESUKSESAN

KONTRIBUSI TERHADAP PERKEMBANGAN EKONOMI DAN PEMBANGUNAN NEGARA.

1.1. SDMSDM : 60 %: 60 %2.2. SDASDA : 20 %: 20 %3.3. SD FISIKSD FISIK : 16 %: 16 %4.4. SD LAINSD LAIN : 4 %: 4 %

Albert Einstein, penyusun Teori Relativitas: ”Ilmu tanpa agama adalah Buta sebaliknya

agama tanpa ilmu adalah lumpuh”

Ciri-ciri Waktu :Ciri-ciri Waktu :1. Waktu tidak bisa disewa, dipinjam, atau dibeli2. Waktu tidak berubah3. Waktu tidak bisa disimpan dan dikumpulkan4. Waktu tidak ada penggantinya

Prioritas Amal :Prioritas Amal :1. Wajib, laksanakan2. Sunah, upayakan3. Mubah, lakukan yang paling bermanfaat4. Makruh, hindarkan5. Haram, tinggalkan

BAGAIMANA MANAJEMEN WAKTUBAGAIMANA MANAJEMEN WAKTU

1

2

PenundaanTeleponTelevisiTransportasiTamu tak diundangPertemuanKurangnya rencana harianMelakukan sesuatu secara emosionalTidak bisa mengatakan tidakKebiasaan hidup yang tidak baik

PERAMPOK WAKTUPERAMPOK WAKTU1

2

3

4

5

6

7

8

9

10

SIAPAKAH TEMAN-TEMAN KITA ?.

Teman keempat adalah tubuh kitaTeman keempat adalah tubuh kita. . Kita menghabiskan banyak waktu untuk membuatnya kelihatan menarik, tetapi ketika maut menjemput ia tidak akan pernah ikut bersama kita.

Teman ketiga adalah harta dan pangkatTeman ketiga adalah harta dan pangkat. . Kita selalu membanggakannya, namun ketika kita mati, semuanya menjadi milik orang lain.

Teman kedua adalah keluarga dan sahabat. Teman kedua adalah keluarga dan sahabat. Sedekat apa pun mereka pada kita, paling jauh mereka akan mengantar kita ke pemakaman.

Teman pertama adalah jiwa kita. Teman pertama adalah jiwa kita. Sering kita lalai untuk memberi makanan, kesenangan kepadanya dan membersihkannya, tetapi dialah satu-satunya yang mengikuti kita ke mana pun kita pergi. Maka, jaga dan peliharalah dia sebelum terlambat.

1

2

3

MAU UNTUNG ATAU RUGI

BAGAIMANA KOMPETENSI LULUSAN ICT

D1-D2-D3-D4-S1-S2-S3

PEMETAAN KOMPETENSI PEMETAAN KOMPETENSI LULUSAN ICTLULUSAN ICT

PEMETAAN KOMPETENSI PEMETAAN KOMPETENSI LULUSAN ICTLULUSAN ICT

Pemetaan Kompetensi Kognitif pada tingkatan jenjang pendidikan tinggi dapat membantu proses perencanaan dan

pemantauan pencapaian kompetensi.D1 D2 D3 D4 S1 S2 S3

Knowledge 1 2 2 3 3 4 5

Comprehension 1 1 2 2 3 4 5

Application 1 2 3 3 3 4 5

Analysis 1 2 2 3 3 4 5

Synthesis 1 1 2 2 3 4 5

Evaluation 1 1 2 3 3 4 5

12

1 2 3 4 5

Basic Intermediate Moderate Advance Excel

CE CS IS SE IT

Ilmu Piranti Keras Ilmu Komputasi Ilmu Manajemen Informasi

Ilmu Rekayasa Software

Ilmu Integrasi Teknologi

Pemetaan Kompetensi Afektif pada tingkatan jenjang pendidikan tinggi dapat membantu proses perencanaan dan pemantauan pencapaian kompetensi.

D1 D2 D3 D4 S1 S2 S3

Receiving Phenomena 1 2 2 3 3 4 5

Responding to Phenomena 1 1 2 2 3 4 5

Valuing 1 2 3 3 3 4 5

Organisation 1 2 2 3 3 4 5

Internalising Values 1 1 2 2 3 4 5

13

1 2 3 4 5


CE CS IS SE IT

Ilmu Piranti Keras Ilmu Komputasi Ilmu Manajemen Informasi

Ilmu Rekayasa Software Ilmu Integrasi Teknologi

Pemetaan Kompetensi Psikomotorik pada tingkatan jenjang pendidikan tinggi dapat membantu proses perencanaan dan pemantauan pencapaian kompetensi.

D1 D2 D3 D4 S1 S2 S3

Perception 1 2 2 3 3 4 5

Set 1 1 2 2 3 4 5

Guided Response 1 2 3 3 3 4 5

Mechanism 1 2 2 3 3 4 5

Complex Overt Response 1 1 2 2 3 4 5

Adaptation 1 1 2 3 3 4 5

Origination 1 1 2 3 3 4 5

14

1 2 3 4 5


CE CS IS SE IT

Ilmu Piranti Keras Ilmu Komputasi Ilmu Manajemen Informasi Ilmu Rekayasa Software Ilmu Integrasi Teknologi

Contoh sasaran kompetensi lulusan bidang studi Sistem Komputer.

Kognitif Afektif Psiko-Motorik

D1 (Diploma 1)Mengetahui cara sebuah komputer bekerja. Mempunyai keinginan untuk menyebarkan

ilmu yang dimiliki ke orang lain.Mampu mengoperasikan komputer dan menjalankan aplikasi sederhana.

D2 (Diploma 2)Memiliki pengetahuan mengenai cara kerja sebuah jejaring komputer (LAN).

Memiliki sejumlah cara atau pendekatan kreatif dalam memahami cara jaringan komputer bekerja.

Mampu mengoperasikan komputer dalam lingkungan jaringan melalui pemanfaatan sistem operasi.

D3 (Diploma 3)Memiliki pemahaman yang cukup untuk mendesain sebuah jaringan komputer.

Memiliki hasrat yang kuat untuk memperbaiki sejumlah kekurangan pada sebuah jaringan komputer.

Sanggup mengeset dan menginstalasi sebuah jejaring komputer sederahana (LAN).

D4 (Diploma 4)Mengetahui cara jaringan komputer bekerja dan sanggup mendesain sebuah jaringan dengan kinerja yang prima.

Mempunyai kecakapan dalam memimpin tim kecil untuk mendesain jaringan komputer yang handal.

Dapat menginstalasi jaringan komputer sekaligus mengukur tingkat kinerjanya secara kuantitatif.

S1 (Sarjana)Memiliki pengetahuan yang memadai terkait dengan cara kerja sistem komputer dan mampu merancang dan mengembangkan berbagai produk piranti berbasis digital.

Mempunyai kemampuan mendefinisikan kebutuhan pengguna atau pasar terhadap produk teknologi baru yang belum tercipta.

Sanggup merancang komponen digital dengan menggunakan aplikasi CAD/CAM.

S2 (Magister)Mampu mendesain komponen piranti keras digital yang direpresentasikan dalam sebuah diagram teknis yang telah layak uji.

Memiliki kemampuan bernegosiasi dengan berbagai pihak external (vendors) untuk membentuk tim gabungan pengembangan produk.

Dapat melakukan komparasi tingkat kinerja antar piranti keras dengan menggunakan berbagai jenis perangkat simulasi.

S3 (Doktor)Mempunyai kemampuan dalam mengembangkan arsitektur sistem piranti keras terintegrasi yang dapat dikembangkan menjadi sebuah produk bernilai ekonomis tinggi.

Memiliki kecakapan dalam memimpin tim riset dan proyek pengembangan piranti keras digital untuk diproduksi secara masal.

Mampu menciptakan prototip piranti keras digital yang dapat berfungsi sesuai dengan fitur yang ditargetkan.

15

Contoh sasaran kompetensi lulusan bidang studi Ilmu Komputer.


D1 (Diploma 1)Mengetahui cara membuat algoritma yang dinyatakan dalam flowchart sederhana untuk berhitung.

Memiliki kreativitas untuk belajar secara mandiri pengembangan ilmu membuat algoritma.

Mampu menggunakan program komputer pembuatan flowchart.

D2 (Diploma 2)Memiliki pengetahuan mengenai cara membuat algoritma komputasi untuk memanipulasi data.

Memiliki sejumlah cara atau pendekatan kreatif dalam memahami cara sebuah algoritma bekerja.

Mampu mensimulasikan kerja sebuah algoritma komputasi yang dikembangkan.

D3 (Diploma 3)Memiliki pemahaman yang cukup untuk mendesain sebuah algoritma yang efektif dan efisien untuk diubah menjadi program.

Memiliki hasrat yang kuat untuk memperbaiki sejumlah kekurangan pada algoritma komputasi sebuah modul program.

Sanggup mengukur tingkat kualitas sebuah algoritma dengan menggunakan perangkat lunak pendukung.

D4 (Diploma 4)Mengetahui cara membuat algoritma untuk menjalankan sejumlah komponen komputasi di dalam sistem komputer atau jaringan.

Mempunyai kecakapan dalam memimpin tim kecil untuk mendesain bersama algoritma komputasi yang handal.

Dapat membandingkan kinerja sejumlah algoritma dengan menggunakan tool aplikasi pendukung.

S1 (Sarjana)Memiliki pengetahuan yang memadai terkait dengan cara kerja sistem komputer dan mampu merancang dan mengembangkan berbagai algoritma dasar untuk memecahkan masalah.

Mempunyai kemampuan mendefinisikan kebutuhan pengguna atau pasar terhadap kinerja sebuah algoritma.

Sanggup mengembangkan algoritma yang telah berhasil disimulasikan secara sukses tanpa kesalahan pada aplikasi pendukung.

S2 (Magister)Mampu mendesain sebuah algoritma dengan kualitas dan kompleksitas tertentu seperti yang telah dipersyaratkan oleh definisi kebutuhan.

Memiliki kemampuan berkomunikasi dengan para peneliti lain untuk mengembangkan algoritma bersama.

Dapat menggunakan sejumlah tool aplikasi pengembang dan pembanding algoritma kompleks.

S3 (Doktor)Mempunyai kemampuan dalam mengembangkan algoritma komputasi baru dengan kinerja yang melampaui algoritma sejenis yang pernah ada.

Memiliki kecakapan dalam memimpin tim riset dan proyek pengembangan algoritma komputasi yang tergolong kompleks.

Mampu menciptakan prototip program berbasis algoritma komputasi yang dikembangkan dengan menggunakan software tool khusus.

16

Contoh sasaran kompetensi lulusan bidang studi Sistem Informasi.


D1 (Diploma 1) Mengetahui cara sebuah sistem informasi bekerja. Memiliki keinginan untuk membangun sistem informasi di lingkungannya.

Mampu mendefinisikan kebutuhan organisasi akan sistem informasi dengan menggunakan formulir baku.

D2 (Diploma 2) Memiliki pengetahuan mengenai cara berbagai komponen dalam sebuah lingkungan sistem informasi.

Memiliki sejumlah cara atau pendekatan kreatif dalam memahami cara sebuah sistem informasi bekerja.

Mampu merancang sistem informasi sederhana dengan menggunakan instrumen permodelan.

D3 (Diploma 3) Memiliki pemahaman yang cukup untuk mendesain sebuah sistem informasi sederhana.

Memiliki hasrat yang kuat untuk memperbaiki sejumlah kekurangan pada sebuah sistem informasi.

Sanggup menganalisa kebutuhan dan merancang sistem informasi dengan tool metodologi sederhana.

D4 (Diploma 4) Mengetahui cara membangun dan mengelola sistem informasi perusahaan atau organisasi.

Mempunyai kecakapan dalam memimpin tim kecil untuk mendesain sistem informasi organisasi yang handal.

Dapat mengembangkan cetak biru sistem informasi dengan menggunakan software aplikasi terkait.

S1 (Sarjana) Memiliki pengetahuan yang memadai terkait dengan cara membangun sistem informasi berdasarkan metodologi baku yang diterapkan secara internasional.

Mempunyai kemampuan komunikasi dalam mendefinisikan kebutuhan organisasi akan sistem informasi secara detail dan menyeluruh.

Mampu membuat desain secara holistik sebuah arsitektur sistem informasi korporasi dengan menggunakan standar internasional.

S2 (Magister) Mampu menguji kehandalan sebuah sistem informasi dan memberikan rekomendasi perbaikan yang perlu dilaksanakan.

Memiliki memimpin sebuah tim kerja guna membangun sistem informasi organisasi yang cukup kompleks.

Dapat melakukan kajian komparatif dan kuantitatif terhadap kinerja sejumlah sistem inforamsi dengan menggunakan aplikasi komputer.

S3 (Doktor) Mempunyai kemampuan dalam membangun sebuah sistem informasi berskala besar dan kompleks dan menggambarkan hubungan keterkaitan antar komponennya secara holistik dan sistemik.

Memiliki kecakapan dalam memimpin tim riset dan proyek pengembangan sistem informasi berskala besar dengan tingkat kompleksitas cukup tinggi.

Mampu menciptakan prototip model sistem informasi dengan kinerja handal yang dapat disimulasikan pada sistem komputer dengan menggunakan program aplikasi permodelan sistem.

17

Contoh sasaran kompetensi lulusan bidang studi Rekayasa Perangkat Lunak.


D1 (Diploma 1)Mengetahui cara membuat program sederhana. Mencoba untuk mengembangkan berbagai

program secara mandiri.Mampu menjalankan program yang dibuat dalam lingkungan komputer.

D2 (Diploma 2)Memiliki pengetahuan mengenai cara kerja sebuah program yang terdiri dari sejumlah modul atau objek.

Memiliki sejumlah cara atau pendekatan kreatif dalam membuat program aplikasi.

Mampu melakukan test integrasi antar modul yang dibuat dalam sebuah lingkungan terkendali.

D3 (Diploma 3)Memiliki pemahaman yang cukup untuk mendesain sebuah program terintegrasi.

Memiliki hasrat yang kuat untuk memperbaiki sejumlah kekurangan pada sejumlah modul pada program tertentu.

Sanggup membenarkan dan memperbaiki kesalahan (error) yang ditemukan pada program.

D4 (Diploma 4)Mengetahui cara mengembangkan sebuah perangkat lunak aplikasi yang di dalamnya terdapat sejumlah program yang saling terkait satu dengan lainnya.

Mempunyai kecakapan dalam memimpin tim kecil untuk mengembangkan program yang handal.

Dapat melakukan uji coba secara terintegrasi dengan melibatkan berbagai pihak.

S1 (Sarjana)Memiliki pengetahuan yang memadai terkait dengan metodologi baku dalam membangun perangkat lunak berkualtias.

Mempunyai kemampuan mendefinisikan kebutuhan pengguna secara detail.

Sanggup mengembangkan perangkat lunak dengan menggunakan berbagai bahasa pemrograman berbasis objek.

S2 (Magister)Mampu menilai dan mengukur kualitas sebuah piranti lunak (audit) untuk kemudian merekomendasikan perbaikannya.

Memiliki kemampuan memimpin tim pengembangan perangkat lunak terintegrasi.

Dapat melakukan komparasi kualitas antar perangkat lunak dengan menggunakan benchmarking tool.

S3 (Doktor)Memiliki kemampuan untuk mengukur tingkat kompleksitas sebuah piranti lunak dan memperbaiki kinerjanya secara signifikan dengan berabgai usulan perubahan yang bersifat sistemik.

Memiliki kecakapan dalam memimpin tim riset dan proyek pengembangan aplikasi perangkat lunak bersakala besar yang kompleks.

Mampu menciptakan prototip perangkat lunak terintegrasi untuk mengatasi masalah yang terhitung kompleks.

18

Contoh sasaran kompetensi lulusan bidang studi Teknologi Informasi.


D1 (Diploma 1)Mengetahui cara sebuah sistem teknologi bekerja. Mempunyai keinginan untuk mempelajari

berbagai teknologi informasi yang ada di sekitar.Mampu mengoperasikan piranti teknologi dan menjalankan aplikasi sederhana yang ada di dalamnya.

D2 (Diploma 2)Memiliki pengetahuan mengenai cara kerja sebuah sistem teknologi informasi yang ada di organisasi semacam perusahaan.

Memiliki sejumlah cara atau pendekatan kreatif dalam memahami cara sebuah sistem teknologi bekerja.

Mampu mengoperasikan piranti teknologi digital dalam lingkungan jaringan.

D3 (Diploma 3)Memiliki pemahaman yang cukup untuk mendesain dan menentukan teknologi informasi yang sesuai dengan kebutuhan.

Memiliki hasrat yang kuat untuk memperbaiki sejumlah kekurangan pada sebuah piranti teknologi.

Sanggup mengeset dan menginstalasi berbagai teknologi digital yang dibutuhkan organisasi atau perusahaan.

D4 (Diploma 4)Mengetahui cara kerja sebuah teknologi informasi dalam tatanan aristektur yang holistik dan sistemik.

Mempunyai kecakapan dalam memimpin tim kecil untuk mendesain teknologi informasi yang dibutuhkan.

Dapat menginstalasi beragam sistem teknologi informasi sekaligus mengukur tingkat kinerjanya secara kuantitatif.

S1 (Sarjana)Memiliki pengetahuan yang memadai terkait dengan arsitektur sistem teknologi informasi beserta komponoen-komponen dan hubungan keterkaitan di antaranya.

Mempunyai kemampuan mendefinisikan kebutuhan pengguna atau pasar terhadap produk teknologi baru yang dibutuhkan.

Sanggup merancang cetak biru pengembangan teknologi informasi yang dibutuhkan oleh sebuah perusahaan.

S2 (Magister)Mampu memberikan sejumlah skenario rekomendasi terhadap kebutuhan akan teknologi informasi berdasarkan analisa cost-benefit.

Memiliki kemampuan berkomunikasi dengan para vendors pencipta teknologi informasi untuk keperluan berbagai ilmu termutakhir.

Dapat mengembangkan perencanaan pengembangan teknologi informasi dengan menggunakan metodologi baku standar interansional.

S3 (Doktor)Mempunyai kemampuan dalam mengembangkan arsitektur teknologi informasi secara terpadu dan holistik yang mampu memberikan manfaat signifikan bagi siapa saja yang mengadopsinya.

Memiliki kecakapan dalam memimpin tim riset dan proyek pengembangan perangkat teknologi informasi yang belum ada di pasaran.

Mampu menciptakan prototip teknologi informasi baru dengan menggunakan piranti aplikasi CAD/CAM.

19

APA YANG DIBUTUHKAN PENGGUNA LULUSANAPA YANG DIBUTUHKAN PENGGUNA LULUSAN

BusinessFuntion

Accounting

Financing

MarketingSales

Operations

Human Resources

•Cash Management•Asset Management•Budgeting

•A/R•A/P•Payroll•General Ledger

•Compensation•Vacation•Skills/Training

•Receiving•Fulfillment•Process control•Purchasing

•Order Taking•CRM•Self-service

•Retail Pricing•Sales Promotions•Sales Force Management.•Customer Loyalty•Interactive Marketing

APA YANG DIBUTUHKAN PENGGUNA LULUSANAPA YANG DIBUTUHKAN PENGGUNA LULUSAN

THE CURRICULUM OVERVIEW

The spatial resolution of an image is determined by how sampling was carried outSpatial resolution simply refers to the smallest discernable detail in an image

Vision specialists will often talk about pixel size

Graphic designers will talk about dots per inch (DPI)

27

SPATIAL RESOLUTION

28

EXAMPLE: SPATIAL RESOLUTION

29

(1024, 1024)

30

(512,512)

31

(256,256)

32

(128,128)

33

(64,64)

34

(32,32)

Intensity level resolution refers to the number of intensity levels used to represent the image

The more intensity levels used, the finer the level of detail discernable in an image

Intensity level resolution is usually given in terms of the number of bits used to store each intensity level

35

INTENSITY LEVEL RESOLUTION

Number of Bits Number of Intensity Levels Examples

1 2 0, 1

2 4 00, 01, 10, 11

4 16 0000, 0101, 1111

8 256 00110011, 01010101

16 65,536 1010101010101010

36

128 grey levels (7 bpp) 64 grey levels (6 bpp) 32 grey levels (5 bpp)

16 grey levels (4 bpp) 8 grey levels (3 bpp) 4 grey levels (2 bpp) 2 grey levels (1 bpp)

256 grey levels (8 bits per pixel)

Digital image processing focuses on two major tasks Improvement of pictorial information for human interpretation Processing of image data for storage, transmission and representation for autonomous machine perception

Some argument about where image processing ends and fields such as image analysis and computer vision start

37

MAJOR TASKS OF DIP

The continuum from image processing to computer vision can be broken up into low-, mid- and high-level processes

38

PROCESS LEVEL OF DIP

Low Level Process

Input: ImageOutput: Image

Examples: Noise removal, image sharpening

Mid Level Process

Input: Image Output: Attributes

Examples: Object recognition, segmentation

High Level Process

Input: Attributes Output: Understanding

Examples: Scene understanding, autonomous navigation

In this course we will stop here

One of the most common uses of DIP techniques: improve quality, remove noise etc

39

EXAMPLES: IMAGE ENHANCEMENT

40

KEY STAGES IN DIP

Image Acquisition

Image RestorationMorphological

Processing

Segmentation

Representation & Description

Image Enhancement

Object Recognition

Problem Domain

Colour Image Processing

Image Compression

41

IMAGE ACQUISITION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition

Problem Domain


Image Compression

42

IMAGE ENHANCEMENT

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition


Image Compression

43

IMAGE RESTORATION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition

Problem Domain


Image Compression

44

MORPHOLOGICAL PROCESSING

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition


Image Compression

45

SEGMENTATION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition


Image Compression

46

OBJECT RECOGNITION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition

Problem Domain


Image Compression

47

REPRESENTATION AND DESCRIPTION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition


Image Compression

48

IMAGE COMPRESSION

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition

Problem Domain


Image Compression

49

COLOR IMAGE PROCESSING

Image Acquisition


Processing

Segmentation


Image Enhancement

Object Recognition

Problem Domain

Color Image Processing

Image Compression

50

HUMAN EYE

Cornea

Aqueous Humor

Pupil

Iris

Ciliary MuscleSclera

Fovea

Retina

Optic Nerve

Vitreous Humor

Lens

ChoroidSuspensory ligament

Ear side (Temporal)

Nose side (Nasal)

51

HUMAN VISUAL SYSTEM

Image formationExposure Control

Detection Processing

•Cornea•Lens

•Iris/pupil•Photoreceptorsensitivity

•Retina•Rods•Cones

•Brain

Retina is the photosensitive “detector” for the eye.

Two types of receptors in the retina: rods for low light level, and cones for color.

Located at the center of the retina, fovea contains a greater concentration of cones.

Signals from the receptors leave through the optic nerve to the brain.

52

RETINA

Retina

Optic Nerve

Fovea

The retina is made of three layers: Plexiform layer is a network of nerves

which carry the signals from the photo receptors.

Photo receptors. Choroid provides nourishment to the

receptors, as well as absorb any light that didn’t get absorbed by the photo receptors, like a antihalation backing in film.

53

PLEXIFORM LAYER

Fovea

Plexiform Layer

Photo receptors

ChoroidOptic Nerve

Light

54

RODS AND CONES

Synaptic endings

Cell nucleus

Inner segments

Outer segments

Rod Cone

• Highly sensitive to low light level or scotopic conditions.

• Black and white.• Dispersed in the periphery of the retina.

� Sensitive to high light level or photopic conditions.

� Three types of cones responsible for color vision.

� Concentrated in the fovea.

Cones 6 – 7 million in each eye Photopic or bright-light vision Highly sensitive to color

Rods 75 – 150 million Not involved in color vision Sensitive to low level of illumination (scotopic or dim-light vision)

An object appears brightly colored in daylight will be seen colorless in moonlight (why)

55

ELEMENTS OF VISUAL PERCEPTION

Cones are concentrated in the fovea.Rods predominate the periphery.There is a blind spot where there are no

photoreceptors, at the point where the nerves exit the eye (optic nerve).

56

PHOTORECEPTORS DISTRIBUTION

20 º40 º60 º80 º

20 º40 º60 º80º

0 º

0 º20 º40 º60 º 80 º60 º40 º20 º

20406080

100120140160

Num

ber

of r

ecep

tors

per

mm

2

Rods

Cones

Blind spot

Visual AxisNasalTemporal

The retina is made of network of nerve cells.The network works together to reduce the amount of information in a process called lateral

inhibition.

57

RETINA

To optic nerve

Light Cones

Rods

Bipolarcells

Amicrine cellsGanglioncellsHorizontalcells

59

VISUAL SENSITIVITY

Subjective factors Semantics (interest in the content) Expectation Experience

Display properties Type (paper, projection, CRT, LCD,...) Resolution and size

Viewing conditions Distance from display Lighting conditions

60

PERCEIVED VISUAL QUALITY

Visual factors Fidelity of reproduction Brightness Contrast Sharpness Colorfulness

Two-way communication Delay

Soundtrack Syncrhonization Quality of interactions

61

PERCEIVED VISUAL QUALITY (CONT’D)

Foveal and Peripheral vision Cone cells and the ganglion cells in the retina are not uniform Due to an observers fixation spatial resolution of the image vary

Light adaptation Adaptation of the eye to operate over a wide range of intensity values Operates by controlling the amount of light entering the eye and the adjusting the gain

in the retinal cells Phenomenon is called the Weber law

Contrast sensitivity functions Models the variation in the sensitivity for different spatial and temporal frequencies

that are present in the visual stimulus

62

PSYCHOPHYSICAL FEATURES

Masking and facilitation refers to the fact that the presence of one image component (called the

mask) will decrease/increase the visibility of another image component (called the test signal).

Pooling refers to the task of arriving at a single measurement of quality, or a

decision regarding the visibility of the artifacts, from the outputs of the visual streams

63

PSYCHOPHYSICAL FEATURES (CONT’D)

Luminance (or intensity) Independent of the luminance of surroundings

I(x,y,λ) -- spatial light distribution

V(λ) -- relative luminous efficiency function of visual system

(bell shape; different for scotopic vs. photopic vision; highest for green wavelength, second for red, and least for blue )

Brightness Perceived luminance => Depends on surrounding luminance

64

LUMINANCE AND BRIGHTNESS

Same lum. Different brightness

Different lum. Similar brightness

The human visual system can perceive approximately 1010 different light intensity levelsHowever, at any one time we can only discriminate between a much smaller number – brightness adaptation

Similarly, the perceived intensity of a region is related to the light intensities of the regions surrounding it

65

BRIGHTNESS ADAPTATION

66

BRIGHTNESS ADAPTATION – MACH BANDS

67

PERCEIVED INTENSITY

From psychovisual research HVS more sensitive to luminance contrast than absolute luminance Eye-brain response to the % changes in intensity is approx. constant

Weber’s Law: | Ls – L0 | / L0 ≈ const (0.02) Luminance of an object (L0) is set to be just noticeable from luminance of surround (Ls) For just-noticeable luminance difference ∆L:

Define ∆C ≡ ∆L / L ≈ d( log L ) ≈ 0.02 equal increments in log luminance are perceived as equally different

Empirical Luminance-to-Contrast modelsC = 50 log10 L (logarithmic law, widely used)

for L ∈ [1, 100] and C ∈ [0, 100]

68

CONTRAST AND WEBER’S LAW

69

CONTRAST SENSITIVITY FUNCTION (CSF)

Co

ntrast T

hresh

old

Co

ntr

ast

Sen

siti

vity

( C

ω )

Increasing Spatial Frequency(Cycles Per Degree)

Contrast Sensitivity

• Contrast sensitivity was measured as inversely proportional to the minimum contrast at which the grating was visible

• The x axis is in logarithmic scale

Detectable

Undetectable

Modulation Transfer Threshold

70

PATTERN MASKING

Light is just a particular part of the electromagnetic spectrum that can be sensed by the human eyeThe electromagnetic spectrum is split up according to the wavelengths of different forms of energy

71

LIGHT AND ELECTROMAGNETIC SPECTRUM

The colours that we perceive are determined by the nature of the light reflected from an objectFor example, if white light is shone onto a green object most wavelengths are absorbed, while green light is reflected from the object

72

REFLECTION FROM OBJECT

White Light

Colours Absorbed

Green Light

Muscles within the eye can be used to change the shape of the lens allowing us focus on objects that are near or far awayAn image is focused onto the retina causing rods and cones to become excited which ultimately send signals to the brain

73

IMAGE FORMATION

To bridge the gap between pixels and “meaning”

THE GOAL OF COMPUTER VISIONTHE GOAL OF COMPUTER VISION

What we see What a computer seesSource: S. Narasimhan

Metric 3D informationSemantic information

WHAT KIND OF INFORMATION CAN WE EXTRACT FROM AN IMAGE?

VISION AS MEASUREMENT DEVICEReal-time stereo Structure from motion

NASA Mars Rover

Pollefeys et al.

Reconstruction fromInternet photo collections

Goesele et al.

Vision as a source of semantic information

slide credit: Fei-Fei, Fergus & Torralba

Object categorization

sky

building

flag

wallbanner

bus

cars

bus

face

street lamp


Scene and context categorization• outdoor

• city

• traffic

• …


Qualitative spatial information

slanted

rigid moving object

horizontal

vertical


rigid moving object

non-rigid moving object

Vision is useful: Images and video are everywhere!

WHY STUDY COMPUTER VISION?

Personal photo albums

Surveillance and security

Movies, news, sports

Medical and scientific images

Vision is usefulVision is interestingVision is difficult

Half of primate cerebral cortex is devoted to visual processingAchieving human-level visual perception is probably “AI-complete”

WHY STUDY COMPUTER VISION?WHY STUDY COMPUTER VISION?

Challenges: viewpoint variation

Michelangelo 1475-1564 slide credit: Fei-Fei, Fergus & Torralba

Challenges: illumination

image credit: J. Koenderink

Challenges: scale


Challenges: deformation

Xu, Beihong 1943


Challenges: occlusion

Magritte, 1957 slide credit: Fei-Fei, Fergus & Torralba

Challenges: background clutter

Challenges: Motion

CHALLENGES: OBJECT INTRA-CLASS VARIATION


CHALLENGES: LOCAL AMBIGUITY


Images are confusing, but they also reveal the structure of the world through numerous cuesOur job is to interpret the cues!

CHALLENGES OR OPPORTUNITIES?

Image source: J. Koenderink

DEPTH CUES: LINEAR PERSPECTIVE

DEPTH CUES: AERIAL PERSPECTIVE

DEPTH ORDERING CUES: OCCLUSION

Source: J. Koenderink

SHAPE CUES: TEXTURE GRADIENT

SHAPE AND LIGHTING CUES: SHADING


POSITION AND LIGHTING CUES: CAST SHADOWS


GROUPING CUES: SIMILARITY (COLOR, TEXTURE, PROXIMITY)

GROUPING CUES: “COMMON FATE”

Image credit: Arthus-Bertrand (via F. Durand)

Perception is an inherently ambiguous problem Many different 3D scenes could have given rise to a particular 2D picture

BOTTOM LINE

Perception is an inherently ambiguous problem Many different 3D scenes could have given rise to a particular 2D picture

Possible solutions

Bring in more constraints (more images) Use prior knowledge about the structure of the world

Need a combination of different methods

BOTTOM LINE

CONNECTIONS TO OTHER DISCIPLINES

Computer Vision

Image Processing

Machine Learning

Artificial Intelligence

Robotics

Cognitive scienceNeuroscience

Computer Graphics

ORIGINS OF COMPUTER VISION

L. G. Roberts, Machine Perception of Three Dimensional Solids, Ph.D. thesis, MIT Department of Electrical Engineering, 1963.

SPECIAL EFFECTS: SHAPE AND MOTION CAPTURE

Source: S. Seitz

3D URBAN MODELING

Bing maps, Google Streetview

Source: S. Seitz

3D URBAN MODELING: MICROSOFT PHOTOSYNTH

http://labs.live.com/photosynth/ Source: S. Seitz

Many new digital cameras now detect faces Canon, Sony, Fuji, …

FACE DETECTION

Source: S. Seitz

SMILE DETECTION

Sony Cyber-shot® T70 Digital Still Camera Source: S. Seitz

FACE RECOGNITION: APPLE IPHOTO SOFTWARE

http://www.apple.com/ilife/iphoto/

BIOMETRICS

How the Afghan Girl was Identified by Her Iris Patterns

Source: S. Seitz

BIOMETRICS

Fingerprint scanners on many new laptops,

other devices

Face recognition systems now beginning to appear more widely

http://www.sensiblevision.com/

Source: S. Seitz

OPTICAL CHARACTER RECOGNITION (OCR)

Digit recognition, AT&T labs

Technology to convert scanned docs to text• If you have a scanner, it probably came with OCR software

License plate readershttp://en.wikipedia.org/wiki/Automatic_number_plate_recognition

Source: S. Seitz

MOBILE VISUAL SEARCH: GOOGLE GOGGLES

MOBILE VISUAL SEARCH: IPHONE APPS

Mobileye: Vision systems in high-end BMW, GM, Volvo models “In mid 2010 Mobileye will launch a world's first application of full emergency braking for collision mitigation for

pedestrians where vision is the key technology for detecting pedestrians.”

AUTOMOTIVE SAFETY

Source: A. Shashua, S. Seitz

VISION IN SUPERMARKETS

LaneHawk by EvolutionRobotics“A smart camera is flush-mounted in the checkout lane, continuously watching for items. When an item is detected and recognized, the cashier verifies the quantity of items that were found under the basket, and continues to close the transaction. The item can remain under the basket, and with LaneHawk,you are assured to get paid for it… “

Source: S. Seitz

VISION-BASED INTERACTION (AND GAMES)

Nintendo Wii has camera-based IRtracking built in. See Lee’s work atCMU on clever tricks on using it tocreate a multi-touch display!

Source: S. Seitz

Assistive technologies

Sony EyeToy

VISION FOR ROBOTICS, SPACE EXPLORATION

Vision systems (JPL) used for several tasks• Panorama stitching• 3D terrain modeling• Obstacle detection, position tracking• For more, read “Computer Vision on Mars” by Matthies et al.

NASA'S Mars Exploration Rover Spirit captured this westward view from atop a low plateau where Spirit spent the closing months of 2007.

Source: S. Seitz

A list of companies here:

http://www.cs.ubc.ca/spider/lowe/vision.html

THE COMPUTER VISION INDUSTRY

I. Early vision: Image formation and processingII. Mid-level vision: Grouping and fittingIII. Multi-view geometryIV. RecognitionV. Advanced topics

COURSE OVERVIEW

Basic image formation and processing

I. EARLY VISION

Cameras and sensorsLight and color

Linear filteringEdge detection

* =

Feature extraction: corner and blob detection

Fitting and grouping

II. “MID-LEVEL VISION”

Fitting: Least squaresHough transform

RANSAC

Alignment

III. MULTI-VIEW GEOMETRY

Projective structure from motion

Stereo

Affine structure from motion

Tomasi & Kanade (1993)

Epipolar geometry

IV. RECOGNITION

Patch description and matching Clustering and visual vocabularies

Bag-of-features models Classification

Sources: D. Lowe, L. Fei-Fei

V. ADVANCED TOPICSTime permitting…

Segmentation

Articulated models

Face detection

Motion and tracking

Instructor: Svetlana Lazebnik ([email protected])

Office hours: By appointment, FB 244

Textbooks (suggested): Forsyth & Ponce, Computer Vision: A Modern ApproachRichard Szeliski, Computer Vision: Algorithms and Applications (draft available online)

Class webpage:http://www.cs.unc.edu/~lazebnik/spring10

BASIC INFO

Philosophy: computer vision is best experienced hands-onProgramming assignments: 50%

Four assignments Expect the first one in the next couple of classes Brush up on your MATLAB skills (see web page for tutorial)

Final assignment: 30% Recognition competition Winner gets a prize!

Participation: 20% Come to class regularly Ask questions Answer questions

COURSE REQUIREMENTSCOURSE REQUIREMENTS

Feel free to discuss assignments with each other, but coding must be done individually

Feel free to incorporate code or tips you find on the Web, provided this doesn’t make the assignment trivial and you explicitly acknowledge your sources

Remember: I can Google too (and I have the copies of everybody’s assignments from the last two years this class was offered)

COLLABORATION POLICY

Self-study: MATLAB tutorial Reading: cameras and image formation (F&P chapter 1)

FOR NEXT TIME

Pertemuan 01-02

Technology

Transcript of Pertemuan 01-02