LAPORAN PRAKTIKUM

PENGOLAHAN CITRA DIGITAL

Topik: Metode Feature Detection Menggunakan Open CV

Disusun oleh:
Nama: Jiyon Ataa Nurmufti Adam
NIM: 16/399996/TK/45010

PROGRAM STUDI SARJANA TEKNIK GEODESI

DEPARTEMEN TEKNIK GEODESI
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
2019
 Pengolahan Citra

1. Mata Acara Praktikum

Melakukan proses feature detection menggunakan Open CV

2. Tujuan Praktikum

Mahasiswa dapat menganalisis, memahami, dan melakukan proses feature detection dengan
menggunakan script Python pada Open CV

3. Pelaksanaan
Tempat : Laboratorium Fotogrametri dan Penginderaan Jauh
Waktu : 13.00 – 15. 50 WIB

4. Alat dan bahan

a. Data raster (.jpg)
b. Python 3.6.7 64-bit / Spyder 3.3.2

5. Hasil dan Pembahasan

Pada praktikum minggu ini, metode yang digunakan dalam pengolahan citra digital adalah
feature detection menggunakan open CV.
Feature Detector dan Descriptor adalah sebuah alat pada permasalahan computer vision
dimana korespondensi titik - titik atau region antara image dibutuhkan/diperlukan (Hietanen dkk,
2016). Fitur dapat merujuk pada lokasi tertentu dalam images, seperti puncak gunung, sudut
bangunan, atau karakteristik objek lainnya tergantung pada aplikasi yang dipertimbangkan. Jenis-
jenis fitur ini sering disebut keypoint features atau interest points dan sering digambarkan oleh
tampilan bercak piksel di sekitar lokasi titik pada image. Keypoint itu sendiri adalah bagian-bagian
dari sebuah citra/gambar yang nilainya kuat/tetap ketika mengalami perubahan skala, rotasi,
blurring, transformasi 3 dimensi, pencahayaan dan juga perubahan bentuk.
Untuk kali ini lebih membahas feature detection khususnya structure detection yang terdapat
5 metode yaitu SIFT, SURF, BRIEF, FAST, dan ORB

a. SIFT ( Scale-Invariant Feature Transform )

Merupakan salah satu descriptor pada feature detection yang di perkenalkan oleh D.
Lower pada papernya yang berjudul “Distinctive Image Features from Scale-Invariant
Keypoints,” International Journal of Computer Vision, vol. 60, issue 2, pages 91-110, Nov.
2004.
1|Halaman
Pengolahan Citra

Script yang digunakan :

Gambar 5.1 Script Proses SIFT pada OpenCV

Pada Script diatas, ada beberepa kode script yang pasti digunakan dalam proses SIFT
yaitu

1. sift = cv2.SIFT()

2. kp = sift.detect(gray,None)

3. img=cv2.drawKeypoints(gray,kp)

Fungsi sift.detect () adalah untuk menemukan titik kunci pada gambar yang
dipertimbangkan. Sedangkan drawKeypoints() digunakan untuk perintah menggambar
keypointnya/memunculkan keypointnya.

Hasil yang diperolah :

Gambar 5.2 Hasil dari Proses SIFT pada OpenCV

2|Halaman
Pengolahan Citra

b. SURF ( Speed-Up Robust Features )

Merupakan perkembangan dari SIFT yang memiliki keunggulan lebih cepat dalam
mendeteksi keypoints pada image. SURF diperkenalkan oleh Bay dkk. pada paper mereka yang
berjudul:, H. Bay, A. Ess, T. Tuytelaars, and L. Van Gool, “SURF: Speeded Up Robust Features,”
Elsevier Computer Vision and Image Understanding, vol. 110, no. 3, pp. 346-359, June 2008.
Script yang digunakan :

Gambar 5.3 Script Proses SURF pada OpenCV

Hasil yang diperolah :

Gambar 5.4 Hasil dari Proses SURF pada OpenCV

Metoda Speed-Up Robust Features (SURF) merupakan sebuah metode deteksi fitur yang
menggunakan keypoint dari sebuah citra/gambar. metode SURF menggunakan penggabungan
metode citra integral (integral image) dan blob detection berdasarkan determinan dari matriks
Hessian. Dalam implementasinya, metode SURF dibagi menjadi beberapa tahapan antara lain.

3|Halaman
Pengolahan Citra

c. BRIEF ( Binary Robust Independent Elementray Features )

Merupakan a low-bitrate descriptor. Secara singkat, Brief hanya membangun
deskriptor biner dengan membandingkan intensitas antara dua posisi piksel yang terletak di
sekitar interest points yang terdeteksi. (Hassaballah dkk, 2016)
Script yang digunakan :

Gambar 5.5 Script Proses BRIEF pada OpenCV

Hasil yang diperolah :

Gambar 5.6 Hasil dari Proses BRIEF pada OpenCV

Pada Brief tidak dapat dilakukan pada semua jenis image, karena yang hanya dapat
mendeteksi descriptor. Disini saya telah mencoba beberapa image berformat .jpg dan BRIEF
mayoritas dapat diguankan pada image yang mempunyai objak Bulat atau Lingkaran seperti
coin diatas. Dalam pendeteksian descriptor pada BRIEF, dapat dibantu dengan fungsi

4|Halaman
Pengolahan Citra

star.detect() seperti halnya pada SIFT dan SURF. Untuk Brief.compute() digunakan untuk
menghitung jumlah descriptor yang telah terdeteksi.

d. FAST ( Features from Accelerated Segment Test )

Merupakan algoritma yang diusulkan oleh Edward Rosten dan Tom Drummond pada paper
: “Machine learning for high-speed corner detection” tahun 2006. Inti dari Fitur FAST
merupakan pendeteksian pada image yang HANYA keypoints nya saja.
Script yang digunakan :

Gambar 5.7 Script Proses FAST pada OpenCV

Hasil yang diperolah :

(a) (b) (c)

Gambar 5.8 Hasil dari Proses FAST pada OpenCV

(a) Original (b)without Supressor (c) With Supressor

5|Halaman
Pengolahan Citra

Gambar 5.9 Hasil dari Proses FAST pada OpenCV

Disini untuk mendeteksi keypoints, FAST dapat dibantu dengan adanya Supressor. Jika
menggunakan Supressor maka Keypoints yang didapat akan semakin sedikit sedangkan jika
tidak menggunakan suppressor maka kebalikannya.

e. ORB (Oriented FAST and Rotated BRIEF)

Merupakan perpaduan antar FAST yang mendeteksi keypoints dan BRIEF yang
mendeteksi descriptor. Dalam ORB, matriks rotasi dihitung menggunakan orientasi patch dan
kemudian deskriptor BRIEF diarahkan sesuai dengan orientasi. (Karami dkk, - )

Script yang digunakan :

Gambar 5.10 Script Proses ORB pada OpenCV

6|Halaman
Pengolahan Citra

Hasil yang diperolah :

Gambar 5.11 Hasil dari Proses ORB pada OpenCV

f. Perbandingan SIFT dengan STAR

Detektor keypoint STAR (diimplementasikan sebagai bagian dari perpustakaan visi komputer
OpenCV. Ini berasal dari detektor fitur CenSurE (Centre Surround Extrema). STAR Detektor
menggunakan pendekatan bi-level dari Laplacian of Filter Gaussians (LoG). (Patel, 2014).

Script yang digunakan :

Gambar 5.12 Script Proses ORB pada OpenCV

7|Halaman
Pengolahan Citra

Hasil yang diperolah :

Gambar 5.13 KananProses dari SIFT & Kiri Proses dari STAR pada OpenCV

Gambar 5.14 Total Keypoints dari Proses SIFT & STAR pada OpenCV

Terlihat dalam hasil computenya adalah, deteksi Keypoints pada SIFT lebih banyak daripada
menggunakan STAR. Hal ini dikarenakan SIFT memliki algorithma yang lebih kompleks
meskipun proses yang dilakukan relative lama. Sedangkan STAR kebanyakan digunakan
dalam membantu detector lain seperti BRIEF, SURF, FAST, dll dalam mendeteksi keypoints.

8|Halaman
 Pengolahan Citra

DAFTAR PUSTAKA

Hietanen, A., & Lankinen, J. (2016). A Comparison of Feature Detectors and Descriptors for
Object Class Matching, 1–23.

Objective, I., Descriptors, F., & Transform, S. F. (n.d.). Feature Detectors and Applications, 60(2).

Hassaballah, M., Abdelmgeid, A. A., & Alshazly, H. A. (2016). Image Features Detection ,
Description and Matching Image Features Detection , Description. https://doi.org/10.1007/978-3-
319-28854-3

Nuryanto, Joko. 2017. Pengenalan Wajah (Face Recognition) Dengan Menggunakan Metode
SURF, Skripsi. Surakarta : Universitas Muhammadiyah Surakarta.

Karami, E., Prasad, S., & Shehata, M. (n.d.). Image Matching Using SIFT , SURF , BRIEF and
ORB : Performance Comparison for Distorted Images.

Patel, A., R. Kasat, D., Jain, S., & M. Thakare, V. (2014). Performance Analysis of Various Feature
Detector and Descriptor for Real-Time Video based Face Tracking. International Journal of
Computer Applications, 93(1), 37–41. https://doi.org/10.5120/16183-5415

9|Halaman