Machine Translated by Google

Jurnal Fisika: Seri Konferensi

KERTAS • AKSES TERBUKA

Anda mungkin juga menyukai
- Kemajuan kualitas visual bawah
Contrast Limited Adaptive Histogram Equalization untuk air yang semi-diawasi
Huabo Zhu, Xu Han dan Yourui Tao
penggunaan Optimasi Pencocokan Gambar Bawah Air - Peningkatan pencitraan bawah air
berdasarkan filter polarisasi dan redaman
BERSELANCAR
histogram sebelumnya Haofeng Hu,
Pengfei Qi, Xiaobo Li dkk.
- Metode peningkatan citra bawah air
Mengutip artikel ini: Suharyanto dkk 2021 J. Phys.: Conf. Ser. 1803 012008
berdasarkan koreksi warna dan peregangan
histogram tiga interval
Jingchun Zhou, Lei Pang dan Weishi
Zhang

Lihat artikel secara online untuk pembaruan dan penyempurnaan.

Konten ini diunduh dari alamat IP 202.43.95.24 pada 08/06/2022 pukul 16:48
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Kontras Penyetaraan Histogram Adaptif Terbatas untuk

Optimasi Pencocokan Gambar Bawah Air menggunakan SURF

Suharyanto1,2*, ZA Hasibuan1 , PN Andono1 , Pujiono1 , DRIM Setiadi1

1
Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang, Indonesia
2
Fakultas Teknik dan Informatika Universitas Bina Sarana Informatika Jakarta,
Indonesia

Email: suharyanto@mhs.dinus.ac.id

Abstrak. Kondisi lingkungan bawah laut memiliki tantangan tersendiri dalam proses
penelitian visi bawah laut. Beberapa hal yang mempersulit citra bawah laut adalah cahaya
dapat dihamburkan oleh partikel-partikel di laut, selain itu cahaya dapat diserap oleh air
laut, serta tingkat kekeruhan air laut, sehingga diperlukan teknik khusus untuk
mendapatkan citra bawah laut yang jernih. Dalam kondisi lingkungan bawah air, gambar yang diperoleh bi
Backlight dan redaman akan terjadi hal ini dikarenakan kondisi air, objek yang mudah
larut dalam air, dan partikulat lainnya sehingga terjadi degradasi citra bawah air.
Karena itu sangat penting jika citra ditingkatkan kualitasnya untuk memudahkan proses
penggambaran objek. Teknik pencocokan citra untuk menentukan titik kunci dari
pasangan citra diperlukan dalam penelitian rekonstruksi tiga dimensi. Speeded Up Robust
Features (SURF) adalah teknik pencocokan gambar dimana hasil pencocokan sangat
bergantung pada kualitas gambar. Penelitian ini mengusulkan metode Contrast Limited
Adaptive Histogram Equalization (CLAHE) untuk meningkatkan jumlah pencocokan citra
dengan SURF. Hasil percobaan menunjukkan bahwa image matching meningkat rata-rata sebesar 76,8 %.

1. Pendahuluan
Ilmuwan kelautan menggunakan video capture dalam memantau terumbu karang[1]. Dalam pengamatannya,
para ilmuwan menggunakan komponen visualisasi citra terumbu karang meliputi warna, struktur, dan
tekstur dalam mengklasifikasi dan mengidentifikasi. Padahal pada kenyataannya citra bawah air telah
mengalami degradasi akibat kondisi visibilitas yang sangat buruk dan telah mengalami efek yang
mengganggu seperti pantulan cahaya, penyerapan cahaya, defleksi, dan hamburan cahaya [2]. Seperti
diketahui bahwa penyerapan cahaya di dalam air berbeda dengan penyerapan cahaya di udara. Perbedaan panjang gelomb
air akan memiliki tingkat variasi yang berbeda [3]. Hal ini dapat ditunjukkan pada ilustrasi pada Gambar 1
mengenai penyerapan cahaya oleh air.
Berdasarkan gambar. 1 menunjukkan bahwa intensitas warna bawah air memudar dengan
kedalaman. Hal ini membuat perlunya teknik untuk meningkatkan warna dan kontras agar lebih dekat
dengan situasi pencahayaan yang lebih baik. Teknik yang sering digunakan untuk peningkatan kontras
adalah standard histogram equalization atau Histogram equalization. Metode ini meningkatkan kontras gambar, tetapi meng
atau perluasan kebisingan di daerah yang relatif homogen [4]. Untuk mengatasi hal tersebut, peneliti
mengembangkan metode ekualisasi histogram adaptif dan metode ekualisasi histogram adaptif terbatas
[3], [5], [4] dan menggunakannya dalam peningkatan citra bawah air [6], [7], [8].

Konten dari karya ini dapat digunakan di bawah persyaratan lisensi Creative Commons Attribution 3.0. Distribusi lebih lanjut
dari karya ini harus mempertahankan atribusi kepada penulis dan judul karya, kutipan jurnal dan DOI.
Diterbitkan di bawah lisensi oleh IOP Publishing Ltd 1
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Untuk meningkatkan citra bawah air banyak penelitian telah dilakukan dengan menggunakan Contrast
Limited Adaptive Histogram equalization (CLAHE) [3-12]. Masalah yang disebabkan oleh over-amplifikasi
noise dapat diselesaikan dengan metode yang diusulkan ini. Dalam pemerataan histogram, metode
penghitungan histogram disesuaikan dengan bagian yang berbeda dari gambar untuk mendistribusikan kembali nilai kontra
perbedaan antara kedua metode dalam hal pemerataan histogram. Pada AHE, peningkatan tampilan detail
pada suatu citra terjadi karena peningkatan kontras lokal citra namun masih cenderung memperkuat
noise[4]. Dengan CLAHE, amplifikasi noise dapat dihindari dengan membatasi kontras pada area yang
sama [3].

Gambar 1. Ilustrasi warna bawah air Penyerapan dan penghamburan dalam air [13].

Beberapa keterbatasan Gambar bawah air yang terdegradasi akan menjadi terlihat saat digunakan untuk
menampilkan dan mengekstrak informasi berharga untuk diproses lebih lanjut. Menemukan korespondensi
antara dua gambar adalah tugas dari banyak aplikasi visi komputer [14]. Fast Hessian, pendeteksi teknik
pencocokan Speeded Up Robust Features (SURF), diakui sebagai metode terbaik untuk deteksi skala-
invarians [15]. Tao dkk.[16] dapat menunjukkan hasil penelitiannya menggunakan metode SURF dalam
percobaan untuk mendeteksi objek bawah air dan mendapatkan akurasi yang sangat baik [17].
Makalah ini mengusulkan metode peningkatan kualitas gambar bawah air menggunakan metode
CLAHE[18,19], yang diterapkan pada gambar bawah air dengan model warna RGB. Tujuan utamanya adalah
untuk meningkatkan kualitas gambar menggunakan CLAHE untuk mengoptimalkan kinerja proses
pencocokan gambar bawah air menggunakan metode SURF.

2. Metode yang
Diusulkan Pembahasan kerangka peningkatan citra yang diusulkan dilakukan di bagian ini. Diagram
alir ditunjukkan pada Gambar 2. Usulan yang merupakan penelitian ini bertujuan untuk mendapatkan citra
bawah air dengan tingkat kualitas yang baik menggunakan metode CLAHE berdasarkan penelitian
sebelumnya pada [20] sehingga terjadi peningkatan kinerja SURF metode dalam mencocokkan gambar
bawah air. Peningkatan citra bawah air menggunakan CLAHE dilakukan untuk mengoptimalkan hasil
pencocokan citra bawah air [17]. Dalam penelitian ini, untuk mendaftarkan sebuah citra, digunakan metode
SURF dalam pencocokan citra sebagai pendeteksi objek pada kamera multi-view yang diatur dalam mode
stereovision dimana kualitas citra yang buruk menjadi penyebab rendahnya fitur kecocokan citra yang
terdeteksi. [21]. Dari Gambar 2, metode yang diusulkan jelas dalam langkah-langkah berikut: a. Akuisisi
video.
Langkah pertama dari algoritma ini adalah memulai dengan akuisisi video[20]pemandangan bawah laut
dari dua kamera. Kami menggunakan fungsi Matlab Video Reader untuk membaca video dalam format MP4.
Dalam penelitian ini, citra terumbu karang diambil di perairan utara Jawa Tengah, Indonesia, tepatnya
di kepulauan Karimunjawa. Pengambilan gambar bawah air menggunakan peralatan kamera Olympus
Tough 8010 yang memiliki resolusi 1280 x 720 piksel pada kedalaman 5 meter di bawah permukaan laut.

b. Ekstrak video ke bingkai gambar.

2
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Selanjutnya, kami mengekstrak 50 frame gambar bawah air dari kamera video 1 dan 50 frame dari kamera video
2 menggunakan metode get di Matlab. Setiap frame disimpan dalam format file JPG dengan ukuran 1920 x 1080
piksel dan resolusi 120 Dpi.
c. Peningkatan citra.
Setelah itu, 50 pasang frame dari kamera A dan kamera B ditingkatkan menggunakan algoritma HE, AHE, dan
CLAHE[19] untuk menghasilkan 50 pasang frame gambar bawah air yang telah disempurnakan dengan kedua
algoritma tersebut.
d. Pencocokan Gambar.
Langkah selanjutnya adalah mencocokkan citra dari masing-masing 50 pasang frame yang belum di-enhance,
yang telah di-enhance menggunakan HE, AHE, dan CLAHE dari kamera 1 dan kamera 2 menggunakan metode
SURF matching[21,22], untuk mendapatkan poin yang cocok dari setiap pasangan bingkai ini.

Awal

Akuisisi Video.

Ekstrak video ke Bingkai Gambar

Peningkatan Gambar di bawah air

Kontras Terbatas Adaptif

Persamaan Histogram

Pencocokan Gambar Bawah Air

Fitur Kuat yang Dipercepat

Berhenti

Gambar 2. Metode yang Diusulkan

2.1 Peningkatan Gambar.

Salah satu teknik yang paling penting dalam pengolahan citra adalah teknik peningkatan citra. Agar representasi
citra menjadi lebih baik dalam algoritma computer vision maka perlu dilakukan peningkatan tampilan visual citra[23].
CLAHE adalah generalisasi dari AHE[7]. Pada awalnya, metode CLAHE dikembangkan dalam proses perbaikan citra
medis yang memiliki kualitas kontras rendah menjadi citra dengan kualitas yang lebih baik. [4,24]. Perbedaan antara
CLAHE dan AHE adalah dalam hal membatasi kontras

3
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

nilai. CLAHE membatasi amplifikasi dengan memotong histogram berdasarkan nilai yang ditentukan pengguna yang disebut
batas klip. Jumlah noise dalam histogram yang harus dihaluskan ditentukan oleh level clipping
dan oleh karena itu beberapa kontras harus ditingkatkan [4]. Dalam hal ini, batas histogram akan secara otomatis
menyesuaikan dengan tingkat batas dan di area latar belakang gambar, penyesuaian akan dilakukan untuk meningkatkan
batas histogram berlebih. Batas histogram Rayleigh terdistribusi biasanya digunakan untuk menghasilkan histogram
berbentuk lonceng, lihat Persamaan. (1)[3].

(1)

di mana adalah nilai piksel minimum, adalah distribusi probabilitas kumulatif dan merupakan skalar real non-negatif
yang menentukan parameter distribusi[3]. Dalam penelitian ini, limit clip diatur ke 0.2 dan nilai pada distribusi Rayleigh dari
fungsi diatur ke 0.04. Pada penelitian ini dataset berupa video citra bawah laut perairan Karimun Jawa [7,25–27] yang telah
diperoleh sebanyak 100 frame (50 pasang) dari dua buah kamera diupgrade menggunakan HE, AHE , dan CLAHE untuk
menghasilkan citra yang memiliki kualitas kontras warna yang berbeda dengan citra aslinya seperti pada Gambar 3 dan
Gambar 4.

(sebuah) (b) (c) (d)

Gambar 3. Tahapan Preprocessing kamera 1 : (a) Citra Asli, (b) HE, (c) AHE, (d) CLAHE

(sebuah) (b) (c) (d)

Gambar 4. Tahapan Preprocessing kamera 2 : (a) Citra Asli, (b) HE, (c) AHE, (d) CLAHE

2.2 Pencocokan Gambar.

Algoritma Speeded Up Robust Features (SURF) adalah pendeteksi dan deskriptor titik minat yang cepat secara komputasi
dengan invarian dan rotasi. Dalam hal ini, gambar integral digunakan untuk meningkatkan kecepatan.
Deteksi KeyPoints dilakukan dengan menggunakan matriks Fast-Hessian[14]. Penyebaran Haar-wavelet

4
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

tanggapan di daerah yang paling dekat dengan titik dijelaskan menggunakan deskriptor. Hal ini dapat menyebabkan
peningkatan kinerja SURF dengan menghasilkan gambar integral menggunakan representasi gambar perantara.
Masukan citra yang diberikan mempercepat proses penghitungan citra integral dan keluarannya dapat
mempercepat proses penghitungan luas persegi panjang. Langkah-langkah komputasi utama dari algoritma SURF
adalah sebagai berikut:

Langkah 1: Deteksi Poin Bunga Cepat.

Matriks Hessian mendasari terbentuknya fitur detektor pada SURF, sehingga untuk menentukan letak dan skala
deskriptor digunakan matriks Hessian. Matriks Hessian didefinisikan sebagai H (x, ) untuk titik titik tertentu = ( , )
[14], [28] lihat persamaan (2)[29] :

(2)

Di mana adalah konvolusi dari turunan Gaussian orde kedua ( di titik x dan .
juga untuk dan SURF mendekati turunan Gaussian orde kedua dengan filter kotak.
Konvolusi gambar dengan filter grid ini dapat dihitung dengan cepat menggunakan gambar integral. Determinan
matriks Hessian ditulis sebagai lihat Persamaan (3) [30]:

(3)
Terdapat skala yang berlebihan sehingga pelokalan titik-titik minat pada citra dilakukan dengan menerapkan
penekanan yang tidak maksimal pada area yang paling dekat dengan ukuran 3 x 3 x 3. Selanjutnya dari determinan
matriks Hessian, nilai maksimum ditemukan dan ditanamkan dalam skala dan ruang gambar.

Langkah 2: Deskriptor Titik Minat

Dua langkah diambil untuk mengekstrak deskriptor SURF dari gambar: langkah pertama didasarkan pada area
melingkar yang terdeteksi di sekitar titik menarik yang orientasinya ditentukan. Pemilihan nilai maksimum yang
dihasilkan dilakukan untuk menggambarkan orientasi dari deskriptor titik yang menarik[14]. Pembagian regular
region dilakukan pada langkah kedua dengan memperkecil sub-kuadrat, kemudian menghitung beberapa ciri
sederhana yang berada pada titik-titik sampel yang dihitung secara teratur untuk setiap sub-region, sehingga
setiap sub-region memiliki empat- vektor deskriptor dimensi[28], lihat Persamaan (4) [30]

(4)

di mana menunjukkan respons wavelet horizontal dan respon vertikal. Vektor deskriptor
dihasilkan untuk semua 4 oleh 4 sub-wilayah memiliki panjang 64.

Gambar 5 menunjukkan contoh hasil proses pencocokan menggunakan SURF pada 2 citra bawah air yang telah
disempurnakan menggunakan CLAHE untuk mendapatkan Matched point menggunakan kode Matlab. Gambar 5
di sebelah kiri adalah gambar yang diekstraksi dari video menggunakan kamera 1 dan posisi kanan adalah gambar
yang diekstraksi dari video menggunakan kamera 2. Dari proses ini, dicocokkan titik 1 untuk gambar posisi kiri
dan dicocokkan titik 2 untuk posisi kanan gambar dihasilkan.

5
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Gambar 5. Poin Kecocokan SURF

3. Hasil dan Pembahasan

Tahapan ini memaparkan hasil percobaan pencocokan citra menggunakan metode SURF terhadap 50 pasang
citra bawah laut yang tidak di-enchance dan 50 pasang citra bawah laut yang di-enchance menggunakan metode
HE, AHE, dan CLAHE. Dari percobaan diperoleh jumlah key point dan matched point dari masing-masing citra
dengan menggunakan metode SURF yang dapat dilihat pada Tabel 1 di bawah ini:

Tabel 1. Hasil Rata-rata MatchedPoints 50 Pasangan gambar menggunakan SURF

Peningkatan Poin Kecocokan Rata-rata

Asli (Tanpa peningkatan) 34

DIA 101
HE 135
CLAHE 147

Hasil penelitian menunjukkan bahwa dari 50 pasang citra bawah laut yang telah di-enchance dengan metode
CLAHE apabila dicocokkan dengan metode SURF nilai Matched Points lebih besar yaitu mencapai rata-rata 76,8
% lebih besar dibandingkan citra bawah laut yang dicocokkan dengan metode SURF tanpa peningkatan
sebelumnya, HE dan AHE.

6
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Gambar 6. Performa SURF sebelum dan sesudah peningkatan citra.

Gambar 6 ditampilkan dalam bentuk grafik nilai matched point hasil pencocokan menggunakan metode SURF
terhadap 50 pasang citra bawah air yang belum di-enhance dan yang telah di-enhance menggunakan HE, AHE, dan
CLAHE.

4. Kesimpulan
Metode peningkatan CLAHE dengan batas klip 0,2 dan distribusi Rayleigh 0,04 dapat meningkatkan kualitas
gambar bawah air sehingga mengoptimalkan hasil pencocokan gambar bawah air yang dilakukan menggunakan
metode SURF secara signifikan dari gambar bawah air tanpa peningkatan. Ketika citra bawah air tanpa peningkatan
dan pencocokan citra menggunakan SURF mendapatkan nilai matched point sebesar 34, namun untuk citra yang
sebelumnya diupgrade menggunakan metode HE, metode meningkatkan nilai matched points menjadi 101,
menggunakan AHE meningkatkan nilai matched point menjadi 135 dan meningkat kualitas gambar menggunakan
CLAHE mendapat matched point yang mencapai 174 point. Hal ini menunjukkan bahwa metode CLAHE terbukti
dapat mengoptimalkan hasil pencocokan citra bawah air menggunakan metode SURF dengan peningkatan sebesar
76,8% dibandingkan dengan pencocokan citra tanpa menggunakan perangkat tambahan.
Metode SURF dapat dikembangkan dan dioptimalkan dengan metode peningkatan lainnya, untuk memiliki jumlah
titik kecocokan yang tinggi sehingga metode yang dikembangkan dapat diimplementasikan dalam suatu aplikasi
untuk memudahkan proses identifikasi citra bawah air. Kedepannya metode CLAHE dapat lebih ditingkatkan lagi
dengan cara mengurangi kecerahan yang dianggap berlebihan menggunakan metode Dark Chanel Prior (DCP).

5. Referensi

[1] Marcos MSAC, Soriano MN dan Saloma CA 2005 Klasifikasi citra terumbu karang dari
video bawah air menggunakan jaringan saraf Opt. Ekspres 13 8766
[2] elebi AT dan Ertürk S 2012 Peningkatan visual gambar bawah air menggunakan Sistem Ahli Dekomposisi Mode
Empiris. aplikasi 39 800–5 [3] Hitam MS, Awalludin EA, Jawahir Hj Wan Yussof WN dan Bachok Z 2013
Campuran kontras pemerataan histogram adaptif terbatas untuk peningkatan citra bawah air Int. Kon. Hitung.

aplikasi teknologi. ICCAT 2013

[4] Hj Wan Yussof WNJ, Hitam MS, Awalludin EA dan Bachok Z 2013 Teknik Ekualisasi Histogram Pada Model
Warna Gabungan untuk Peningkatan Citra Bawah Air Int. J. Berinteraksi.

7
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

Angka. Media 1 1–6

[5] Teknik Ekualisasi Histogram Garg R, Mittal B dan Garg S 2011 Untuk Peningkatan Gambar Iject 7109 107–
11 [6] Beohar R dan Sahu P 2013 Analisis Kinerja Peningkatan Gambar Bawah Air dengan Kecerahan
Rata-rata
Teknik Penyaringan Median CLAHE 2D Berdasarkan SNR Int. J. , Kesalahan RMS ,
Eng. inovasi teknologi. 3 525–8 [7] Nurtantio Andono P, Eddy
Purnama IK dan Hariadi M 2013 Peningkatan citra bawah air menggunakan filter adaptif untuk pencocokan
citra berbasis ayakan yang disempurnakan J. Theor. aplikasi Inf. teknologi.
52 273–80
[8] Banerjee J, Ray R, Vadali SRK, Shome SN dan Nandy S 2016 Peningkatan gambar bawah air waktu nyata:
Pendekatan yang ditingkatkan untuk pencitraan dengan AUV-150 Sadhana - Acad. Prok. Ind.
Sci. 41 225–38
[9] Dev K. D dan Natrajan S 2015 Penyempurnaan Citra Bawah Air untuk Meningkatkan Kualitas Visual dengan
Teknik CLAHE Int. J. Sci. Res. Ind. teknologi. 4 352–6 [10] Garg D, Garg NK dan Kumar M 2018
Peningkatan citra bawah air menggunakan campuran metodologi CLAHE dan persentil Multimed. Alat Aplikasi
77 26545–61 [11] Ma J, Fan X, Yang SX, Zhang X dan Zhu X 2018 Kontras Terbatas Adaptive Histogram
Equalization-Based Fusion di YIQ dan HSI Color Spaces untuk Underwater Image Enhancement Int. J.
Pengenalan Pola. Arti. Intel. 32 1–26 [12] Ge M, Hong Q dan Zhang L 2018 Pendekatan hybrid DCT-
CLAHE untuk peningkatan kecerahan

gambar bawah air dengan pencahayaan yang tidak merata ACM Int. Kon. Lanjutan Ser. 123–7
[13] Amer KO, Elbouz M, Alfalou A, Brosseau C, dan Hajjami J 2019 Meningkatkan pencitraan optik bawah air
dengan menggunakan filter polarisasi lolos rendah Opt. Express 27 621 [14] Bay H, Ess A, Tuytelaars
T dan Van Gool L 2008 Mempercepat Fitur Kuat (SURF) Comput.
melihat Gambar Memahami. 110
346–59 [15] Garcia R dan Gracias N 2011 Deteksi titik-titik menarik dalam gambar bawah laut keruh Lautan.
IEEE 2011 - Spanyol
[16] Tao W, Zhao J, Liu J dan Zhang H 2010 Mempelajari navigasi pencocokan gambar sonar pemindaian
samping berdasarkan SURF Proc. - Int. Kon. listrik. Kontrol Eng. ICECE 2010 2181–4 [17] Zou S, Tang
D, Li Q, Ge X, dan Ren Y 2019 Pendekatan peningkatan fusi yang efektif untuk gambar terdegradasi bawah air
tunggal ACM Int. Kon. Lanjutan Ser. 159–65 [18] Anitha D dan MuthuKumaran S 2018 Gambar Digital
Bawah Air Ditingkatkan oleh L*A*B* Ruang Warna dan CLAHE pada Smoothing Int berbasis Gradien. J. Proses
Sinyal. Proses Gambar.
Pengenalan Pola. 11 55–68
[19] Dhanya PR, Anilkumar S, Balakrishnan AA dan Supriya MH 2019 L-CLAHE Intensification Filter (L-CIF)
Algoritma untuk Peningkatan Citra Bawah Air dan Restorasi Warna Int.
Sim. Elektron Laut. SIMPOL 2019-Desem 117–28
[20] Yadav G, Maheshwari S dan Agarwal A 2014 Kontras terbatas peningkatan adaptif pemerataan histogram
berbasis untuk sistem video real time Proc. 2014 Int. Kon. Adv. Hitung. komuni.
Informatika, ICACCI 2014 2392–7 [21]
Zhang W, Dong L, Pan X, Zou P, Qin L dan Xu W 2019 A Survey of Restoration and Enhancement for Underwater
Images IEEE Access 7 182259–79 [22] Zhao X, Jin T and Qu S 2015 Berasal sifat optik yang melekat
dari warna latar belakang dan
peningkatan citra bawah air Ocean Eng. 94 163–72
[23] Ackar H, Almisreb AA dan Saleh MA 2019 Tinjauan Teknik Penyempurnaan Citra Eur Tenggara. J.
Komputer Lunak. 8
[24] Rahmayuna N, Rahardwika DS, Sari CA, Setiadi DRIM dan Rachmawanto EH Klasifikasi Genus Bakteri
Patogen 2018 Menggunakan Support Vector Machine 2018 Seminar Internasional Riset Teknologi
Informasi dan Sistem Cerdas (ISRITI)
(Yogyakarta: IEEE) hal 23–7
[25] Nurtantio Andono P, Mulyanto Yuniarno E, Hariadi M dan Venus V 2012 Rekonstruksi 3D

8
Machine Translated by Google

ICERIA 2020 Penerbitan IOP

Jurnal Fisika: Seri Konferensi 1803 (2001) 012008 doi:10.1088/1742-6596/1803/1/012008

gambar terumbu karang bawah air menggunakan kamera multi-view berbiaya rendah Proc. 2012 Int. Kon.
Multimed. Hitung. sistem ICMCS 2012 803–8
[26] Pujiono, Yuniarno EM, Ketut Eddy Purnama I, Andono PN and Hariadi M 2016 Perbaikan citra warna
terumbu karang bawah laut berdasarkan persamaan polinomial Int. Pdt. Komputer. lunak 11
143–50
[27] Pramunendar RA, Shidik GF, Supriyanto C, Andono PN dan Hariadi M 2013 Koreksi Warna Tingkat
Otomatis untuk Optimasi Pencocokan Gambar Bawah Air Int. J. Hitung. Sci. jaringan
Aman. 13 18–23
[28] Pengambilan Gambar Berbasis Konten Velmurugan K dan Baboo SS 2011 menggunakan SURF dan Warna
Momen Bola. J. Hitung. Sci. teknologi. 11 1-4
[29] Mistry D dan Banerjee A 2017 Perbandingan Deteksi Fitur dan Pendekatan Pencocokan:
Jurnal SIFT dan SURF GRD- Glob. Res. Dev. J. Eng. 2 7–13
[30] Pencocokan gambar UAV Cheng Cheng, Xuzhi Wang dan Xiangjie Li 2017 berdasarkan fitur selancar
dan algoritme harris corner Konferensi Internasional ke-4 tentang Kota Cerdas dan Berkelanjutan
(ICSSC 2017) (Institusi Teknik dan Teknologi) hlm 14 (6 .)-14 (6 .)