Perbandingan Metode Sift Detector dan Surf Descriptor dengan Metode Kombinasi, Surf, Sift, Orb untuk Aerial View Image Stitching

Akhyar, Ramaulvi Muhammad (2019) Perbandingan Metode Sift Detector dan Surf Descriptor dengan Metode Kombinasi, Surf, Sift, Orb untuk Aerial View Image Stitching. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111750010025-Master_Thesis.pdf Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Image stitching merupakan salah satu bidang yang dapat dipelajari dan diteliti dalam bidang visi komputer. Penelitian tentang image stitching untuk citra telah banyak dilakukan, pada penelitian-penelitian tersebut pencarian feature yang digunakan adalah metode SIFT, dan juga penggabungan antara feature detector dan feature descriptor yang berbeda seperti SURF dan ORB. Aerial view image merupakan salah satu studi kasus yang memerlukan image stitching karena foto aerial image dapat diambil berdasarkan jalur terbang jadi image yang didapat berupa sequence, dan juga penelitian yang meneliti tentang perbedaan feature detector dan descriptor dalam image stitching untuk aerial view image masih kurang sehingga pada penelitian ini penggabungan feature detector dan descriptor yang berbeda akan dilakukan agar mendapat hasil image stitching yang lebih baik. Pada penelitian sebelumnya SIFT-SURF digunakan sebagai image matching dan berhasil mendapatkan time cost yang kecil dan akurasi yang tinggi sehingga pada penelitian ini SIFT digunakan sebagai feature detector dan SURF digunakan sebagai feature descriptor dengan data masukan berupa aerial image. Kemudian pencocokan bruteforce matcher dengan menggunakan euclidean distance dilakukan, setelah match awal atau raw matches didapatkan maka lowe ratio test dilakukan untuk menghilangkan false matches, selanjutnya Random Sample Consensus (RANSAC) digunakan sebagai homography untuk mendapatkan estimasi pencocokan yang benar yang disebut inliners, langkah terakhir adalah warping citra B untuk menyesuaikan dengan matches yang didapat, untuk mengukur hasil kinerja sistem jumlah feature yang didapat, jumlah good matches dan time cost digunakan sebagai parameter untuk mengetahui performa sistem.
Kemudian perbandingan metode yang diusulkan dilakukan, metode yang pembandingan dibagi menjadi 3 kelas yaitu metode kombinasi yang terdiri dari SURF-SIFT dan BRISK-ORB, metode original yaitu SIFT, SURF, ORB, dan metode dengan matcher yang berbeda yaitu SIFT dengan manhattan distance dan ORB dengan hamming distance. Dari hasil percobaan yang telah dilakukan metode yang diusulkan memiliki rata-rata waktu komputasi 1.13 detik jika dibandingkan dengan metode kombinasi lain metode yang diusulkan lebih cepat, walau metode SIFT-SURF hanya memiliki 125 good match namun hasil stitching metode ini cukup baik secara visual, kemudian pada perbandingan dengan metode original, metode yang diusulkan unggul pada perbandingan dengan metode SIFT pada time cost yang didapatkan, kemudian pada perbandingan dengan matcher yang berbeda, metode yang diusulkan memiliki time cost yang lebih sedikit dari pada metode SIFT dengan manhattan distance dimana metode SIFT manhattan memiliki time cost 1.28 detik, pada perbandingan selanjutnya, ORB hamming memiliki rata-rata time cost 1.00 detik sehingga metode ini lebih unggul dalam waktu komputasi.
==============================================================================================================================
Image stitching is one of many fields that can be studied and researched in the field of computer vision. There are many researches on image stitching, in these studies the features extractor used is the SIFT method, and also the merging of feature detectors and different feature descriptors such as SURF and ORB. Aerial view image is a study case that requires image stitching because aerial images can be taken based on the flyway therefore the images obtained are in the form of sequences, and research that examines the difference in feature detector and descriptor in aerial view image is still few, therefore this research will combine a different feature detector and descriptor to get a better image stitching result.
In the previous study SIFT-SURF was used as image matching and succeeded in obtaining a small time cost and high accuracy, because of that in this study SIFT is used as a feature detector and SURF is used as a feature descriptor with input data in the form of aerial images.
Bruteforce matcher by using euclidean distance is carried out to obtain the initial matches, after the initial matches or raw matches are obtained, the lowe ratio test is done to eliminate false matches, then the Random Sample Consensus (RANSAC) is used as homography to get the correct matching that can called inliners, the last step is warping image B to adjust to the obtained matches, to measure the results of the system performance the number of features obtained, the number of good matches and time cost are used as parameters. Then the comparison of the proposed method is done, the comparison method is divided into 3 classes, namely the combination method consisting of SURF-SIFT and BRISK-ORB, the original method is SIFT, SURF, ORB, and methods with different matchers namely SIFT with manhattan distance and ORB with a hamming distance.
From the experiments results that have been carried out the proposed method has an average computation time of 1.13 seconds compared to other combination methods. The proposed method is faster, even though the SIFT-SURF method only has 125 good matches, but the stitching method is quite good visually, then in comparison with the original method, the proposed method excels in comparison with the SIFT method at the obtained time cost, then in comparison with different matchers, the proposed method has less time cost than the SIFT method with manhattan distance where the SIFT manhattan method has time cost 1.28 seconds, in the next comparison, ORB hamming has an average time cost of 1.00 seconds so that this method is superior in computing time.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Random Sample Consensus, Scale Invariant Feature Transform, Image Stitching, Feature Detector, Feature Descriptor, Speeded Up Robust Feature, Euclidean Distance.
Subjects:	T Technology > T Technology (General) > T58.8 Productivity. Efficiency T Technology > TR Photography
Divisions:	Faculty of Information and Communication Technology > Informatics > 55101-(S2) Master Thesis
Depositing User:	Akhyar Ramaulvi Muhammad
Date Deposited:	23 Jul 2026 08:24
Last Modified:	23 Jul 2026 08:24
URI:	http://repository.its.ac.id/id/eprint/67478

Actions (login required)

View Item