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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
Pencarian Nilai Ekstrim
Citra hasil Diffrence of GaussianIlustrasi pencarian nilai
maksimum/minimum dari citra DoG
Penentuan kandidat keypoint
SIFT
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
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.
Tahapan Algoritma pada Metode SURF
SURF
Fo t o g r a m e t r i D i j i t a l
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.
Tahapan Algoritma pada Metode SURF
SURF
Fo t o g r a m e t r i D i j i t a l
SURF
Fo t o g r a m e t r i D i j i t a l
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.
Tahapan Algoritma pada Metode SURF
Fo t o g r a m e t r i D i j i t a l
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
Fo t o g r a m e t r i D i j i t a l
SIF
T
SUR
F
Top Related