Komputasi Fotografi: Mesin Cerdas Ekstraksi Objek Foto

Komputasi Fotografi: Mesin Cerdas Ekstraksi Objek Foto Samuel Gandang Gunanto Program Studi Teknik Elektro Konsentrasi Teknologi Game Institut Teknologi Sepuluh November (ITS) Surabaya Telp. 08562543431, E-mail: [email protected] Volume 13 Nomor 1, April 2013: 15-24

ABSTRAK Penerapan teknologi komputasi visi komputer di bidang seni fotografi digital mulai dikembangkan. Ekstraksi objek dengan latar yang kabur menjadi sebuah objek uji coba yang layak untuk diteliti. Penelitian ini dilakukan dengan maksud sebagai tahap awal mencari desain teknologi mesin cerdas ekstraksi objek foto yang mampu menangani ekstraksi objek foto secara simultan dalam waktu yang singkat dan akurat. Berdasarkan hasil eksperimen, nilai kualitas ekstraksi objek berkisar antara toleransi 0,1 sampai 0,3 pada proses pemilihan tepian objek fokus. Nilai ini akan memengaruhi ketepatan proses morfologi dan ekstraksi objek. Kata kunci: visi komputer, komputasi fotografi, ekstraksi objek

ABSTRACT Computation of Photography: The Intelligent Engine for Photo Object Extraction. The application of computing technology in computer vision has been developed in the field of digital photography. Extraction of the object with a blurred background is a viable test object to be researched. The research was conducted with the intention of searching a technology with intelligent engine design for getting at the simultaneous object extraction in a short time and accurately. Based on the experimental results, the quality of tolerance ranging from 0.1 to 0.3 in the edge of detection process. This value will affect the accuracy process of the morphology and object extraction. Keywords: computer vision, computation of photography, object extraction

Pendahuluan Kamera digital telah membawa perubahan revolusioner di dunia fotografi. Teknologi ini telah menyapu 150 tahun lebih perkembangan teknologi fotokimia dan kristal perak halida walaupun perubahan secara transformasi bentuk sangat sedikit. Sebuah kamera digital memiliki sensor silikon sebagai pengganti film dan ada layar tampilan pada bagian belakang, tetapi lensa, shutter dan seluruh sistem kerja optik masih sama seperti semula, begitu juga sebagian besar kontrol. Perkembangan perangkat keras tersebut mengakibatkan perubahan yang signifikan dalam pemrosesan citra hasil tangkapan kamera. Foto yang dulu masih tersimpan dalam bentuk fisik, sekarang sudah tersimpan dalam kode digital.

Semua informasi dari sebuah citra tangkapan kamera digital diproses secara digital, baik berupa proses manipulasi efek khusus maupun perbaikan foto yang sederhana. Kesenjangan perkembangan tersebut memunculkan konsep-konsep terkini yang disebut dengan komputasi fotografi. Disiplin ilmu ini merupakan konvergensi dari grafika komputer, visi komputer, dan fotografi. Keberadaan disiplin ilmu ini sangat membantu tidak hanya di ketiga keilmuan tersebut, bahkan penerapannya saat ini sudah merambah ke disiplin ilmu seperti geografi, biologi, dan kedokteran. Perubahan revolusioner yang terjadi pada teknologi kamera juga membawa perubahan pada cara penyimpanan dan pemrosesan foto. Teknologi fotokimia dan kristal perak halida telah digantikan 15

Samuel Gandang Gunanto, Komputasi Fotografi: Mesin Cerdas Ekstraksi Objek Foto

dengan teknologi sensor silikon yang mempunyai rangkaian komponen semikonduktor peka cahaya yang disebut sebagai photosite (Hayes, 2008:94). Sensor kamera digital mendaftar intensitas cahaya yang mengenai di setiap photosite, tetapi tidak menyimpan informasi asal datangnya sinar. Untuk menyimpan seluruh informasi cahaya, dibutuhkan sensor yang mampu menampilkan nilai intensitas dan arah dari setiap sinar cahaya yang ada. Dengan demikian, informasi yang disimpan pada setiap photosite tidak hanya nilai tunggal (nilai intensitas total), tetapi struktur data kompleks (nilai intensitas di setiap arah). Chip sensor yang ada tidak mungkin dapat mengerjakan keseluruhan proses tersebut, namun dengan bantuan tambahan perangkat keras akan mampu membantu perkiraan data yang dibutuhkan. Penyelidikan ini mulai diteliti dan dikembangkan pada awal tahun 1990an oleh Edward H. Adelson dan John Y. A. Yang dari Massachusetts Institute of Technology (Adelson dan Wang, 1992:99). Pergeseran sudut pandang adalah salah satu operasional sederhana yang dimungkinkan oleh kamera. Jika foto tangkapannya kurang jelas, penyesuaian fokus dan depth of field perlu dilakukan. Ketika citra sebuah objek tidak fokus, cahaya yang seharusnya terkonsentrasi pada satu photosite ini tersebar di beberapa situs tetangganya. Area ini dinamakan sebagai area lingkaran kerancuan. Tingkat penyebaran tergantung pada jarak objek dari kamera, dibandingkan dengan jarak yang ideal untuk pengaturan fokus lensa. Jika jarak sebenarnya diketahui, ukuran lingkaran kerancuan dapat dihitung, dan proses pengaburan dapat dibatalkan secara algoritma. Pada intinya, cahaya dikurangi dari piksel yang telah bocor ke dalam dan dikembalikan ke tempat yang benar. Operasi itu harus diulang untuk

setiap piksel untuk mendapatkan hasil yang baik. Untuk menempatkan skema ini ke dalam tindakan, harus diketahui jarak dari kamera ke setiap titik di layar (kedalaman titik). Untuk fotografi konvensional infomasi kedalaman sangat sulit didapat, tetapi kamera digital meng-enkoding peta kedalaman pada data gambar. Kuncinya adalah paralaks: pergeseran posisi objek saat kamera bergerak. Secara umum, objek akan menempati satu set perbedaan piksel yang sedikit di setiap bagian gambar dari kamera lensa mikro. Besaran dan arah perpindahan tergantung pada kedalaman objek di lokasinya (Levin, Fergus, dan Durand, 2007:70). Salah satu teknik fotografi yang populer dan sering digunakan untuk menampilkan objek yang menarik adalah dengan cara memberikan efek fokus pada objek foto dan membuat efek kabur pada objek lain. Penandaan ini akan memudahkan bagi sang fotografer untuk menonjolkan objek yang diinginkannya. Citra foto yang mempunyai efek seperti ini sering dinamakan citra dengan Depth-ofField rendah. Ektraksi objek yang sering digunakan adalah berdasarkan nilai intensitas atau fitur, namun teknik ini masih membutuhkan pengawasan dalam pengolahannya dan belum dapat diterapkan secara otomatis (Park dan Kim, 2006). Otomatisasi ekstraksi objek yang menarik banyak digunakan di beragam aplikasi citra. Di antara berbagai metode pendekatan ekstraksi, metode berbasis saliency biasanya memiliki performa yang lebih baik karena kesesuaiannya dengan prinsip persepsi visual manusia. Namun, hampir semua penelitian yang menggunakan pendekatan berbasis saliency mengalami masalah integritas data, yaitu hasil ekstraksi adalah salah satu bagian kecil dari objek (sketch-like) atau sebuah

Gambar 1. Foto dengan Depth-of-Field Rendah

16

Journal of Urban Society’s Art | Volume 13 No. 1, April 2013

area luas yang mengalami penggandaan area latar belakang (envelope-like) (Yu, Li dan Tian, 2010). Pengenalan sebuah objek di citra dua dimensi merupakan pekerjaan yang sulit. Masalah tersebut oleh Perales (2002:10) dianjurkan untuk mengimplementasikan teknologi visi komputer guna mengambil peranan selayaknya indera mata manusia untuk mengenali objek di citra dua dimensi. Salah satu kegunaan segmentasi berdasarkan implementasinya terhadap citra dua dimensi menurut Forsyth & Ponce (2003:301) adalah pengambilan informasi dari citra, pencarian bagian mesin, pencarian manusia, pencarian fitur gedung di citra satelit, dan pencarian koleksi citra yang serupa. Segmentasi warna bekerja dengan mengenali informasi warna dari setiap piksel dan mengelompokkannya sesuai fitur yang diinginkan dan

tingkat kesamaannya. Rujikietgumjorn, (2008:38) menulis bahwa pendekatan segmentasi yang umum dipakai adalah berbasis intensitas, berbasis warna, dan berbasis bentuk. Segmentasi warna yang paling banyak pengembangannya dan termasuk dalam kelompok partitioning adalah metode clustering k-means (Han and Kamber, 2006:314). Metode ini berjalan secara otomatis atau tak terawasi sehingga penentuan titik awal dilakukan secara acak dan menghasilkan kelompok warna yang kurang akurat atau tak terkendali (Gunanto, 2009:133). Bahkan dari perkembangannya, segmentasi warna yang tak terawasi atau otomatis masih jauh dari sempurna sehingga untuk menghasilkan hasil yang baik masih memerlukan campur tangan manusia selaku operatornya (Zhang, Fritts and Goldman, 2008:260).

Gambar 2. Segmentasi Berbasis Warna (Lucchese dan Mitra, 1999).

Gambar 3. Segmentasi Berbasis Bentuk (Tae-O-Sot, Auethavekiat dan Jitapunkul, 2006).

17


Label Citra dengan Indeks Cluster

Obyek di Cluster 6

Gambar 4. Hasil Segmentasi Clustering K-Means (Gunanto, 2009:134)

Gambar 5. Sistem Koordinat Ruang Warna HSV

18

Segmentasi berdasarkan warna dapat juga dilakukan dengan cara deteksi warna di ruang warna HSV (Gunanto, 2009: 133; Giannakopoulos, 2008:1; Zhao, Bu, & Chen, 2002:325). Pada tahap awal dilakukan konversi citra 2D RGB ke citra 2D HSV. Model Hue/Saturation/Value (HSV) dibuat oleh A.R. Smith pada tahun 1978. HSV dibangun berbasiskan karakteristik warna intuitif seperti tint, shade, dan tone. Sistem koordinatnya berbentuk silindris dengan area warnanya berada di dalam bentuk kerucut. Nilai Hue (H) berkisar antara 0 sampai 360 derajat dan mewakili keberadaan warna. Nilai Saturation (S) adalah derajat kekuatan atau kemurnian dan bekisar antara 0 ke 1. Kemurnian menggambarkan banyaknya warna putih yang ditambahkan ke warna aslinya sehingga S=1 membuat warna yang ditampilkan paling murni (tidak ada warna putih). Nilai terang V juga


berkisar antara 0 ke 1, dengan 0 adalah hitam. Dengan demikian, algoritma ini lebih cenderung mendeteksi posisi warna dan tingkatannya dari pada mencari nilai per komponen seperti layaknya RGB. Konversi RGB ke HSV didefinisikan oleh persamaan berikut:

yang mengandung area blur. Dengan demikian, nantinya penelitian ini mampu memberikan kontribusi sebagai sebuah konsep sinergi antara keilmuan bidang fotografi dan bidang komputer pada peningkatan pendayagunaan teknologi sebagai alat perbantuan yang berdaya guna di bidang fotografi. Metode Penelitian

(Rumus 1)

Dengan MAX dan MIN mewakili nilai maksimum dan minimum dari komponen triplet RGB. H, S dan V bekisar 0 sampai 1 dengan 1 mewakili nilai terbesar saturasi dan value. Selain mencari posisi dan nilai warna dalam dimensi HSV, perlu dilakukan juga nilai toleransi warna tersebut supaya pembentukan segmennya bisa akurat. Sebagai contoh, jika nilai toleransi = 0.050 di dimensi H berarti akan dideteksi piksel dengan nilai H yang berjarak (dari nilai warnanya) kurang dari 0.050. Pada Gambar 5, deteksi warna dengan nilai [0.50 0.60 0.70], dan nilai toleransi 0.10 di dimensi H serta 0.50 di dimensi S. Berdasarkan pada landasan teoretis tersebut, penelitian ini akan mengembangkan sebuah implementasi proses otomatisasi ekstraksi objek foto yang berada pada kategori foto yang mengandung area kabur atau blur area. Proses ini akan diujikan dengan penerapan mesin cerdas visual, yang mampu mengenali dan melakukan seleksi piksel secara otomatis untuk nantinya akan dikategorisasi sebagai objek foto utama dari foto yang mengandung area blur. Rumusan masalah yang mendasari penelitian seni ini dapat dijabarkan intinya menjadi dua buah hal, yaitu: cara implementasi mesin cerdas komputasi fotografi yang mampu mengekstraksi objek-objek foto pada kasus foto yang mengandung area blur dan evaluasi kinerja mesin cerdas dalam kasus otomatisasi seleksi objek foto pada kasus foto

Pengumpulan data diawali dari studi pustaka, baik dari artikel jurnal, buku, maupun internet. Ide-ide yang didapatkan kemudian dilakukan pengeskploran dengan beragam pertimbangan baik dari segi waktu penelitian maupun biaya implementasi. Hasil yang diharapkan nantinya berupa uraian analisis dari sebuah hipotesis yang telah teruji dan mempunyai nilai tepat guna bagi masyarakat seni fotografi Indonesia. Sebagai penelitian pendahuluan juga dilakukan pengujian-pengujian eksperimentatif mendasar tentang perkiraan capaian yang dimungkinkan. Secara umum proses penelitian dan pencapaian hasil akhir akan dilakukan dengan metode yang sama seperti telah disebutkan, yaitu metode penelitian eksploratif dan eksperimentatif. Pertimbangan yang menjadi panduan pencapaian hasil adalah pendekatan pada studi kasus dan evaluasi hasil implementasi. Adapun alat dan bahan yang digunakan meliputi: a. 1 set komputer yang berspesifikasi pada kemampuan pengolahan grafis yang baik. b. Beragam sampel foto yang mempunyai kriteria mengandung area objek fokus dan latar belakang kabur/blur. c. Perangkat lunak olah data dan olah gambar. Setelah bahan literatur didapatkan, proses penelitian diawali dengan pengumpulan foto-foto dengan kategori DoF rendah atau yang mempunyai pembeda objek dengan area latar belakang blur atau kabur. Foto-foto ini kemudian akan disebut sebagai objek penelitian. Beberapa foto awal akan dilakukan uji coba awal untuk menentukan angka kualitas ekstraksi global yang akan menjadi data pelatihan sistem.

19


kurva tertutup dari objek akan diisi dan ditandai menjadi area objek terpilih yang nantinya akan menjadi acuan ekstraksi objek. Setelah dilakukan proses penandaan terhadap beberapa objek foto awal, dilakukan penilaian acuan global yang akan dipakai sebagai nilai global ekstraksi objek foto dengan kategori mempunyai area DoF rendah. Nilai global inilah yang akan menjadi bahan uji berikutnya untuk melakukan otomatisasi ekstraksi objek foto dan sekaligus dilakukan pengamatan hasilnya. Hasil Penelitian 'ĂŵďĂƌπ͘ŝĂŐƌĂŵůŝƌWĞŶĞůŝƟĂŶ

Pelatihan sistem mengikuti skema diagram alir pada Gambar 6, yang nantinya masing-masing foto akan dikenai proses pengenalan area blur dengan terlebih dahulu dilakukan transformasi warna menjadi nilai intensitas atau derajat keabu-abuan. Proses penajaman area objek fokus dilakukan dengan perlakuan algoritma deteksi tepi Sobel. Proses ini menggunakan sistem kerja matematis konvolusi atau sistem jendela dengan perhitungan (Munir, 2004:139): a. Tinjauan pengaturan piksel di posisi (x,y) ditentukan oleh sekitarnya dengan skema:

b.

Operator Sobel adalah besaran dari nilai gradien yang dihitung dengan rumus: (Rumus 2)

c.

Dalam bentuk jendela matriknya akan dinyatakan dalam:

(Rumus 3) Setelah didapatkan tepian objek yang jelas, dilakukanlah proses morfologi fitur dengan acuan tepian objek yang terdeteksi. Pembentukan sebuah

20

Penelitian ini akan mengembangkan sebuah implementasi proses otomatisasi ekstraksi objek foto yang berada pada kategori foto yang mengandung area kabur atau blur area. Proses ini akan diujikan dengan penerapan mesin cerdas visual, yaitu mampu mengenali dan melakukan seleksi piksel secara otomatis untuk nantinya akan dikategorisasi sebagai objek foto utama dari foto yang mengandung area blur. Pergeseran sudut pandang adalah salah satu operasional sederhana yang dimungkinkan oleh kamera. Jika foto tangkapannya kurang jelas, penyesuaian fokus dan Depth of Field perlu dilakukan. Ketika citra sebuah objek tidak fokus, cahaya yang seharusnya terkonsentrasi pada satu photosite ini tersebar di beberapa situs tetangganya. Area ini dinamakan sebagai area lingkaran kerancuan. Tingkat penyebaran tergantung pada jarak objek dari kamera, dibandingkan dengan jarak yang ideal untuk pengaturan fokus lensa. Jika jarak sebenarnya diketahui, ukuran lingkaran kerancuan dapat dihitung, dan proses pengaburan dapat dibatalkan secara algoritma. Pada intinya, cahaya dikurangi dari piksel yang telah bocor ke dalam dan dikembalikan ke tempat yang benar. Operasi itu harus diulang untuk setiap piksel untuk mendapatkan hasil yang baik. Untuk menempatkan skema ini ke dalam tindakan, perlu diketahui jarak dari kamera ke setiap titik di layar (kedalaman titik). Untuk fotografi konvensional infomasi kedalaman sangat sulit didapat, tetapi kamera digital meng-enkoding


peta kedalaman pada data gambar. Kuncinya adalah paralaks: pergeseran posisi objek saat kamera bergerak. Secara umum, objek akan menempati satu set perbedaan piksel yang sedikit di setiap bagian gambar dari kamera lensa mikro. Besaran dan arah perpindahan tergantung pada kedalaman objek di lokasinya. Salah satu teknik fotografi yang populer dan sering digunakan untuk menampilkan objek yang menarik adalah dengan cara memberikan efek fokus pada objek foto dan membuat efek kabur pada objek lain. Penandaan ini akan memudahkan bagi sang fotografer untuk menonjolkan objek yang diinginkannya. Citra foto yang mempunyai efek seperti ini sering dinamakan citra dengan Depth-ofField rendah. Ektraksi objek yang sering digunakan adalah berdasarkan nilai intensitas atau fitur, namun teknik ini masih membutuhkan pengawasan dalam pengolahannya dan belum dapat diterapkan secara otomatis. Berdasarkan karakteristik tersebut, dibangunlah sebuah skematik desain implementasi teknologi

mesin cerdas yang mampu menangani ekstraksi objek foto berdasarkan keberadaan area blur di sebuah foto digital. Skematik ini dapat dilihat secara detail pada Gambar 6. Pemrosesan pertama kali dilakukan pada mode keabu-abuan sehingga dapat diproses dalam satu buah komputasi sederhana dibandingkan menggunakan tiga layer RGB. Hasil pengubahan ini akan mendapatkan citra hasil dengan derajat keabu-abuan. Setelah itu diproses pendeteksian area objek dengan deteksi tepi metode Sobel sebagai analisis awal yang akan menghasilkan citra seperti tampak pada Gambar 8. Pada metode ini nilai toleransi deteksi sangat diperlukan untuk meningkatkan ketepatan prediksi objek foto. Proses penajaman awal dilakukan dengan algoritma morfologi Close. Proses morfologi ini digunakan untuk mendapatkan area tertutup dari sebuah batasan objek sehingga dapat meminimalkan kerancuan antara objek foto dengan luasan area latar atau sering disebut sebagai background. Hasil

A

B Gambar 7. (A) Citra Mengandung Area Blur. (B) Hasil Pengubahan Mode ke Derajat Keabu-abuan.

21


Gambar 8. Hasil Analisis Tepian Objek Foto

A

akhir dari proses ini adalah didapatkannya sebuah prediksi area latar yang nantinya akan dipergunakan menjadi komponen acuan ekstraksi latar terhadap objek foto. Contoh hasilnya dapat dilihat pada Gambar 9 berikut penjelasannya. Area putih sebagai hasil prediksi objek foto berdasarkan deteksi tepi yang didapatkan, sedangkan area hitam akan menjadi area acuan untuk penghilangan latar. Proses penandaan ini merupakan standar baku dalam pengolahan citra yang menjadi acuan seluruh pengembangan perangkat lunak olah foto digital sehingga apabila algoritma ini diterapkan secara global akan dapat diterapkan secara mudah tanpa perlu adanya penyesuaian acuan baku. Keseluruhan gambar yang menjadi data awal penelitian ini diproses dan diperbaiki kualitasnya dengan tahapan yang serupa sehingga mampu menggambarkan kondisi objek foto dengan baik. Adapun angka kualitas yang diperoleh untuk

B

'ĂŵďĂƌσ͘;Ϳ,ĂƐŝůKƚŽŵĂƟƐĂƐŝƌĞĂŬƐƚƌĂŬƐŝKďũĞŬ&ŽƚŽǇĂŶŐŝƚĂŶĚĂŝŽůĞŚƌĞĂWƵƟŚ ;Ϳ,ĂƐŝůŬƐƚƌĂŬƐŝKďũĞŬ&ŽƚŽ

22


didapatkannya hasil ekstraksi yang tepat berkisar antara 0,1 sampai 0,3 tergantung pada nilai kontras objek dengan latarnya. Hal ini sangat mendukung untuk pemunculan angka kualitas ekstraksi objek foto dalam proses selanjutnya. Simpulan Proses mesin cerdas ekstraksi foto yang terparameter dengan penetapan area fokus yang terpisah dengan area blur sangatlah penting untuk mempercepat proses identifikasi objek foto. Hal ini akan memudahkan bagi proses komputasi citra digital selanjutnya, baik berupa proses analisis nilai estetika berdasarkan bentuk, intensitas warna, maupun komposisi objek. Pengembangan penelitian ke area ini sudah mulai dikembangkan dan memunculkan aplikasi-aplikasi komputasi yang inovatif, salah satunya dinamakan sebagai mesin estetika visual. Mesin ini memiliki cara pengembangan yang hampir serupa dengan yang sedang dikerjakan oleh peneliti, namun memiliki definisi yang sudah disesuaikan berdasarkan objek eksperimennya. Berdasarkan hasil eksperimen, nilai kualitas ekstraksi objek berkisar antara 0,1 sampai 0,3 yang ditunjukkan pada nilai toleransi pemilihan tepian objek fokus, Gambar 8. Hal ini akan memengaruhi ketepatan proses morfologi dan ekstraksi objek dalam tahap selanjutnya. Pengembangan penelitian dengan tema mesin cerdas di area seni masih sangat terbuka lebar. Pengembangan dengan ragam data eksperimen dan ragam kegunaan di ranah seni mulai dieksplorasi, khususnya yang menyangkut dunia industri dan teknologi sehingga pengembangan metode yang serupa ataupun variasinya sangatlah dimungkinkan untuk dilakukan kemudian hari. Kepustakaan Adelson, Edward H dan John Y. A. Wang. 1992. “Single lens stereo with a plenoptic camera.” dalam IEEE Transactions on Pattern Analysis and Machine Intelligence 14(2): 99-106. Forsyth, David A. dan Jean Ponce. 2003. Computer

Vision A Modern Approach. New Jersey: Prentice Hall. Giannakopoulos, T. 2009. “Matlab Color Detection Software.” 2008. 12 Mei. <www. di.uoa.gr/~tyiannak>. Gunanto, S. Gandang. 2009. “Segmentasi Warna Bagian Tubuh Manusia pada Citra 2D.” Seminar Nasional Teknologi Informasi dan Aplikasi 2009. Malang: Polinema. F.133-F.137. Han, Jiawei. dan Micheline Kamber. 2006. Data Mining:Concepts and Techniques. 2nd Edition. New York: Morgan Kaufmann Publisher. Hayes, Brian. 2008. “Computational Photography: New Cameras Don’t Just Capture Photos, They Compute Pictures.” dalam American Scientist. Volume 96, Number 2 Maret-April: 94. Levin, Anat, et al. 2007. “Image and Depth from a Conventional Camera with a Coded Aperture.” Proceedings of the International Conference on Computer Graphics and Interactive Techniques, SIGGRAPH 2007, article no. 70. Lucchese, L. dan S Mitra. 1999. “Unsupervised Segmentation of Color Images Based on K Means Clustering in the Chromaticity Plane.” Proceedings of the IEEE Workshop on Content-Based AccesProceedings of the IEEE Workshop on Content-Based Access of Image and Video Libraries. Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Penerbit Informatika. Park, Jungwoo dan Changick Kim. 2004. “Extracting Focused Object from Low Depthof-Field Image Sequences.” Proc. SPIE Visual Communications and Image Processing. San Jose. Perales, F. 2002. Human Motion Analysis & Synthesis using Computer Vision and Graphics Techniques, State of Art and Applications. Perancis: Computer Graphics and Vision Group, Department of Computer ScienceUniversitat de les Illes Balears (UIB). Rujikietgumjorn, Sitapa. 2008. Segmentation

23


Methods for Multiple Body Parts. Knoxville: Project in lieu of Thesis, University of Tennessee. Tae-O-Sot, S., S. Auethavekiat dan S Jitapunkul. 2006. “Shape Based Segmentation by Level Set Method for Medical Objects Containing Two Regions.” IEEE International Conference on Image Processing. Yu, Haonan, et al. 2010. “Automatic Interesting Object Extraction From Images Using

24

Complementary Saliency Maps.” Proceeding of ACM Multimedia 2010. Firenze: ACM. Zhang, Hui., J A. Fritts dan S A. Goldman. 2008. “Image Segmentation Evaluation: A Survey of Unsupervised Methods.” Computer Vision and Image Understanding: Vol. 110, Issue 2, pp. 260-280. Zhao, Ming., J. Bu dan C. Chen. 2002. “Robust Background Subtraction in HSV Color Space.” Proc. SPIE, Vol. 4861, 325.

Komputasi Fotografi: Mesin Cerdas Ekstraksi Objek Foto

Recommend Documents