W

E
L

IMAGE MATCHING C
O

SURF & SIFT M

E

Leonard Eka Satya Nugraha (21/481383/SV/19769)

1
 SIFT?
Scale Invariant Feature Transform (SIFT)

Tujuan utama dari SIFT adalah untuk menemukan fitur-fitur yang stabil dan
invarian terhadap perubahan skala, rotasi, dan pergeseran citra. Beberapa
langkah utama dalam algoritme SIFT meliputi:
● Deteksi titik-titik kunci (keypoint) yang menonjol dalam gambar
menggunakan metode Difference of Gaussians (DoG).
● Menghitung arah gradien lokal dari intensitas piksel di sekitar titik kunci.
● Menghasilkan deskriptor yang invarian terhadap transformasi dengan
menggunakan histogram gradien orientasi.

2
 SURF?
Speeded Up Robust Feature (SURF)
SURF dirancang untuk menawarkan performa yang lebih cepat daripada SIFT
tanpa mengorbankan akurasi. Beberapa fitur utama SURF meliputi: Beberapa
fitur utama SURF meliputi:
● Menggunakan representasi citra dalam bentuk Integral Image yang
memungkinkan komputasi cepat dari fitur-fitur yang relevan.
● Menggunakan deskriptor yang tahan terhadap perubahan kecerahan dan rotasi
dengan menggunakan histogram gradien dan wavelet response.
● Memanfaatkan metode pendekatan skala (scale approximation) yang cepat
untuk mendeteksi fitur-fitur di berbagai skala.

3
 Foto objek:
ortho blur oblique Ov. exposure Under exposure

4
HASIL IMAGE MATCHING (SIFT)
ortho x blur
SIFT Parameters:
SIFT nfeatures: 0
SIFT nOctaveLayers: 3 SIFT
contrastThreshold: 0.04
SIFT edgeThreshold: 10.0 SIFT sigma:
1.6
SIFT Total Keypoints: 3000
SIFT Total Keypoints2: 63
Analisis:
Dengan parameter SIFT yang diberikan, penggunaan algoritme SIFT untuk
pencocokan gambar antara orthofoto dan foto blur menghasilkan 3000 titik kunci
pada orthofoto dan 63 titik kunci pada foto blur. Parameter SIFT nfeatures diatur
menjadi 0, yang berarti algoritme secara otomatis menentukan jumlah titik kunci
yang dihasilkan. Jumlah lapisan oktaf pada SIFT diatur menjadi 3. Nilai
contrastThreshold diatur menjadi 0.04 untuk memastikan hanya fitur-fitur dengan
tingkat kontras yang cukup tinggi yang akan dipilih. edgeThreshold diatur menjadi
10.0 untuk menghilangkan titik kunci yang terletak di dekat tepi gambar. Nilai
sigma ditentukan sebagai 1.6, yang mengontrol tingkat penghalusan citra. Hasilnya,
terdapat perbedaan yang signifikan dalam jumlah titik kunci antara kedua gambar,
dengan orthofoto memiliki 3000 titik kunci, sementara foto blur hanya memiliki 63
titik kunci.
5
HASIL IMAGE MATCHING (SIFT)
ortho x oblique
SIFT Parameters:
SIFT nfeatures: 0
SIFT nOctaveLayers: 3 SIFT
contrastThreshold: 0.04
SIFT edgeThreshold: 10.0 SIFT sigma:
1.6
SIFT Total Keypoints: 3000
SIFT Total Keypoints2: 2811
Analisis:
Dengan menggunakan parameter SIFT yang diberikan, dilakukan
pencocokan citra antara orthofoto dan foto oblique. Pada proses ini, jumlah
fitur kunci yang dihasilkan adalah 3000 untuk orthofoto dan 2811 untuk foto
oblique. Parameter seperti nfeatures, nOctaveLayers, contrastThreshold,
edgeThreshold, dan sigma digunakan untuk mengatur deteksi dan ekstraksi
fitur dalam algoritme SIFT. Hasil pencocokan ini memberikan informasi
tentang kesamaan dan perbedaan antara kedua jenis foto tersebut berdasarkan
fitur-fitur yang diidentifikasi.
6
HASIL IMAGE MATCHING (SIFT)
ortho x over exposure
SIFT Parameters:
SIFT nfeatures: 0
SIFT nOctaveLayers: 3
SIFTcontrastThreshold: 0.04
SIFT edgeThreshold: 10.0 SIFT
sigma: 1.6SIFT Total Keypoints:
3000
SIFT Total Keypoints2: 2691
Analisis:
Dengan menggunakan parameter SIFT yang diberikan, yaitu nfeatures: 0,
nOctaveLayers: 3, contrastThreshold: 0.04, edgeThreshold: 10.0, dan sigma:
1.6, hasil dari proses pemadanan gambar antara orthophoto dan foto over
exposure menghasilkan 3000 titik kunci pada orthophoto dan 2691 titik kunci
pada foto over exposure. Meskipun parameter tersebut dapat memberikan
jumlah titik kunci yang cukup banyak, perlu diingat bahwa foto over exposure
cenderung kehilangan detail dan memiliki kontras rendah, yang dapat
mempengaruhi kualitas dan akurasi fitur-fitur yang terdeteksi oleh SIFT. Oleh
karena itu, hasil pemadanan antara orthophoto dan foto over exposure mungkin
tidak optimal dan dapat mengalami penurunan keakuratan dalam mengenali
fitur-fitur yang penting.
7
HASIL IMAGE MATCHING (SIFT)
ortho x under exposure
SIFT Parameters:
SIFT nfeatures: 0
SIFT nOctaveLayers: 3 SIFT
contrastThreshold: 0.04
SIFT edgeThreshold: 10.0 SIFT sigma:
1.6
SIFT Total Keypoints: 3000
SIFT Total Keypoints2: 2783
Analisis:
Ketika menerapkan algoritme SIFT pada foto under exposure, dengan
parameter yang telah diberikan, ditemukan bahwa jumlah total titik kunci
(keypoints) yang berhasil dideteksi adalah 3000. Namun, dalam proses
pencocokan gambar, hanya 2783 titik kunci yang berhasil dicocokkan antara
orthofoto dan foto under exposure tersebut. Penggunaan parameter SIFT
seperti nfeatures, nOctaveLayers, contrastThreshold, edgeThreshold, dan
sigma dapat mempengaruhi hasil deteksi dan pencocokan fitur, namun dalam
kasus ini, foto under exposure dapat mempengaruhi kualitas dan kuantitas
fitur yang dapat ditemukan dan dicocokkan.
8
HASIL IMAGE MATCHING (SURF)
ortho x blur Analisis:

Image matching antara orthophoto dan foto yang blur menggunakan algoritme
SURF, ditemukan bahwa foto yang blur dapat memengaruhi hasil pencocokan fitur.
Karena blur mengaburkan detail dalam gambar, jumlah total fitur yang dapat
dideteksi oleh SURF mungkin berkurang. Selain itu, akurasi pencocokan juga dapat
terpengaruh karena fitur-fitur yang kabur mungkin sulit untuk dicocokkan dengan
tepat. Oleh karena itu, dalam kasus ini, hasil pencocokan fitur antara orthophoto
dan foto blur mungkin menghasilkan jumlah fitur yang lebih rendah dan tingkat
akurasi yang lebih rendah dibandingkan jika foto tidak mengalami efek blur.

9
HASIL IMAGE MATCHING (SURF)
ortho x oblique Analisis:

Image matching menggunakan algoritme SURF pada pembanding antara orthofoto

dengan foto oblique, ditemukan bahwa algoritme SURF mampu mengekstrak fitur-
fitur dengan baik pada kedua jenis foto. Foto oblique memiliki sudut pandang yang
lebih miring dan mungkin memiliki distorsi perspektif yang lebih besar
dibandingkan dengan orthofoto yang cenderung memiliki pandangan dari atas.
Namun, algoritme SURF dapat menangani variasi sudut pandang dan distorsi
perspektif ini dengan baik. Hasilnya menunjukkan bahwa fitur-fitur penting yang
relevan antara kedua jenis foto berhasil dicocokkan, yang menunjukkan
kemampuan SURF dalam pengenalan fitur yang robust dan invarian terhadap
perubahan perspektif. Hasil ini memberikan kesimpulan bahwa SURF dapat
menjadi algoritme yang efektif dalam pencocokan dan pembandingan gambar
antara orthofoto dan foto oblique.

10
HASIL IMAGE MATCHING (SURF)
ortho x over exposure Analisis:

Foto yang mengalami over exposure cenderung memiliki kontras yang rendah dan
hilangnya detail di area terlalu terang. Hal ini dapat berdampak pada kemampuan
SURF dalam mendeteksi dan mencocokkan fitur-fitur antara kedua gambar.
Deskriptor yang dihasilkan oleh SURF juga dapat terpengaruh oleh over exposure,
menyebabkan deskriptor yang tidak akurat. Dalam kasus ini, perlu dilakukan pra-
pemrosesan pada foto over exposure untuk mengurangi efeknya sebelum
menerapkan algoritme SURF. Selain itu, pemilihan parameter SURF seperti
threshold dan skala juga dapat mempengaruhi hasil image matching. Dalam
analisis ini, diperlukan penyesuaian parameter dan perhatian khusus pada foto over
exposure agar SURF dapat menghasilkan pencocokan fitur yang lebih akurat antara
kedua gambar.

11
HASIL IMAGE MATCHING (SURF)
ortho x under exposure Analisis:

Ketika menggunakan algoritme SURF untuk mencocokkan gambar orthofoto

dengan foto yang dibuat under exposure, terdapat beberapa hal yang perlu
diperhatikan. Algoritme SURF dirancang untuk menemukan dan mengesktrak fitur-
fitur penting dalam gambar secara cepat dan efisien. Namun, dalam kasus foto
under exposure, di mana gambar terlalu gelap karena kurangnya cahaya atau
eksposur yang salah, terdapat beberapa masalah yang mungkin muncul. Kontras
yang rendah antara objek dan latar belakang pada foto under exposure dapat
mengurangi kemampuan SURF untuk membedakan dan mengenali fitur-fitur
dengan baik. Hal ini dapat mengakibatkan jumlah dan kualitas fitur yang berhasil
ditemukan dan dicocokkan menjadi lebih rendah dibandingkan dengan kondisi
gambar normal. Selain itu, kehilangan detail dan informasi pada foto under
exposure juga dapat mempengaruhi kualitas deskriptor yang dihasilkan oleh SURF.

12
 Kesimpulan
Secara umum, baik SIFT maupun SURF adalah metode yang efektif untuk
pengolahan image matching, tergantung pada karakteristik gambar dan
persyaratan aplikasi. SIFT lebih cocok untuk pengenalan objek yang memerlukan
invariansi skala dan rotasi yang kuat, sedangkan SURF lebih cocok untuk
pengolahan citra berkecepatan tinggi dengan variasi transformasi yang lebih
umum. Pemilihan metode tergantung pada kebutuhan spesifik dan karakteristik
gambar yang akan diproses.

13