Haq, Failaqul (2021) Pewarnaan Citra Grayscale dengan Metode CNN dan Inception-ResNet-V2. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05111540000090-Undergraduate-Thesis.pdf - Accepted Version Download (1MB) | Preview |
Preview |
Text
05111540000090-Undergraduate-Thesis.pdf - Accepted Version Download (1MB) | Preview |
Abstract
Citra merupakan sebuah ruang dua dimensi berupa
perpaduan antara titik, garis, bidang dan warna yang berguna
untuk menerangkan, menjelaskan, ataupun menceritakan sesuatu.
Warna dalam citra mampu bisa memberikan wawasan atau
informasi yang lebih luas terhadap representasi citra tersebut.
Pada tugas akhir ini penulis mengusulkan pewarnaan citra
grayscale menggunakan deep learning dengan metode CNN untuk
mengekstraksi fitur dalam citra. Citra diubah ke dalam ruang
warna CIE L*a*b, dengan memanfaatkan L* sebagai channel
yang mirip grayscale dan a*b* sebagai channel warna sehingga
proses pewarnaan dilakukan dengan mengestimasi 2 channel
warna yaitu a*b*.
Arsitektur yang digunakan mengadopsi konsep autoencoder
dimana encoder melakukan ekstraksi fitur yang kemudian decoder
melakukan penerjemahan hasil encoding semirip mungkin dengan
input encoder. Pada arsitektur ini ditambahkan fitur yang diambil
dari pretrained-model Inception-ResNet-V2 untuk mendapatkan
fitur dengan level lebih tinggi sehingga diharapkan mampu
memberikan output yang lebih bagus.
Pada tahap pengujian dilakukan perbandingan dengan
metode lain dan dilakukan survei terhadap responden untuk
memilih metode yang dianggap lebih baik dari setiap citra yang
telah dilakukan pewarnaan terhadap metode-metode tersebut.viii
Hasil dari survei menunjukkan metode dengan Autoencoder
VGG16 lebih banyak dipilih oleh responden dibandingkan dengan
metode dengan metode Autoencoder dan Inceptioption-ResNet-V2
dengan perolehan nilai masing-masing 235 dan 150 dari 25
responden.
================================================================================================
Image is a 2 dimension space that composed from point,
line, object and color. Image can deliver information. Color is part
of image that can gove additional information and make the image
more informative.
Many old image has bad color that make the image has
less information. In this undergraduate thesis, writer want to
colorize grayscaled image using CNN method in deep learning
concept. Image transformed into L*a*b* color space. Grayscaled
image represented in L* channel.and the model would predict the
estimated color represented in a*b* channel.
The architecture adobt autoencoder concept. Which the
encoder component extract image feature then the decoder
component decode the encoded feature to get output as similar as
input. But on this research we add more feature from pretrained
model Inception-ResNet-V2 then add fusion component
architecture to combine encoded feature and Inception-ResNet-V2
feature. With higer feature hope to give better result at colorizing
On evaluating colorized image result we are comparing
this method’s model with other models. And make a survey to
respondents to choose best image that has been colorized. The
survey’s result is autoencoder VGG16 got higher score than
Autoencoder Inception-ResNet-V2 with 235 score for autoencoder
VGG16 and 150 for autoencoder Inception-ResNet-V2.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Convolutional Neural Network, Inception-ResNetV2, L*a*b*, Pewarnaan citra, Autoencoder,Convolutional Neural Network, Inception-ResNetV2,L*a*b*, Image colorizing, Autoencoder |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing. |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis |
| Depositing User: | Failaqul Haq |
| Date Deposited: | 21 Aug 2021 23:51 |
| Last Modified: | 14 Nov 2024 07:10 |
| URI: | http://repository.its.ac.id/id/eprint/88565 |
Actions (login required)
 |
View Item |