Implementasi Metode Hybrid Saliency Extreme Learning Machine untuk Melakukan Saliency Detection dalam Segmentasi Citra

Anjasmara, Gian Sebastian (2017) Implementasi Metode Hybrid Saliency Extreme Learning Machine untuk Melakukan Saliency Detection dalam Segmentasi Citra. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5113100132-Undergraduate_Theses.pdf
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Saliency dari suatu objek, baik itu benda, manusia atau piksel adalah keadaan dari objek tersebut yang terlihat kontras dibandingkan dengan sekitarnya atau tetangganya. Dibutuhkan metode saliency detection yang tepat dalam segmentasi citra untuk mengidentifikasi dan memisahkan daerah yang paling menonjol atau area salient object dari suatu citra. Tugas akhir ini mengusulkan metode Saliency Extreme Learning Machine yang memadukan antara model Spectral Residual sebagai metode bottom-up dan Extreme Learning Machine (ELM) classifier sebagai metode top-down untuk melakukan segmentasi citra area salient object. Untuk menghindari pelabelan training samples secara manual, digunakan metode thresholding untuk menentukan training samples positif dan negatif dari prior saliency map yang dihasilkan oleh model Spectral Residual. Setelah training samples terbentuk dilakukan ekstraksi fitur dan saliency detection dengan ELM classifier. ELM classifier menghasilkan trained saliency map dalam empat skala superpixels yang digabungkan menjadi satu sebagai acuan dalam pembentukan object map. Uji coba yang dilakukan terhadap 50 natural images menunjukkan bahwa metode ini dapat memberikan hasil segmentasi area salient object yang akurat dengan rata-rata presisi, recall dan F1 score masing-masing sebesar 90,26%, 91,52%, dan 90,39%. ============================================================================================== Saliency of an object, be it an item, a person or a pixel is the state or quality by which it stands out relative to its neighbors. It takes the right saliency detection method in image segmentation to identify and separate the most prominent area or salient object area of an image. In this research we propose Saliency Extreme Learning Machine method which combines Spectral Residual model as bottom-up method and Extreme Learning Machine (ELM) classifier as top-down method to segment salient object area of an image. To avoid manual labeling of training samples, thresholding method is used to determine positive and negative samples from prior saliency map produced by Spectral Residual model. After training samples are formed, feature extraction and saliency detection with ELM classifier are performed. The ELM classifier generates trained saliency map in four superpixels scales that will be combined into one as a reference in forming object map. Testing conducted on 50 natural images show that this method can provide accurate segmentation of salient object area with an average of precision, recall and F1 score of 90.26%, 91.52% and 90.39% respectively.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Extreme learning machine, pelabelan training samples, salient object, spectral residual
Subjects: T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques
Divisions: Faculty of Information Technology > Informatics Engineering > (S1) Undergraduate Theses
Depositing User: Gian Sebastian Anjasmara
Date Deposited: 14 Aug 2017 04:25
Last Modified: 21 Nov 2017 04:18
URI: http://repository.its.ac.id/id/eprint/43034

Actions (login required)

View Item View Item