Skip to content

Computer Vision

  • by

Mata kuliah Computer Vision (Penglihatan Komputer) membahas bagaimana komputer dapat memperoleh, memproses, dan memahami informasi visual dari gambar atau video. Tujuan utamanya adalah untuk mengembangkan algoritma yang memungkinkan mesin atau sistem komputer untuk “melihat” dan “memahami” dunia visual seperti yang dilakukan manusia. Berikut adalah topik-topik utama yang biasanya dipelajari dalam mata kuliah Computer Vision:

1. Pengantar Computer Vision

  • Definisi dan Ruang Lingkup Computer Vision: Memahami apa itu Computer Vision, perbedaannya dengan bidang lain seperti pengolahan citra, serta aplikasi-aplikasi utamanya (misalnya, pengenalan wajah, pengawasan video, kendaraan otonom).
  • Struktur Sistem Computer Vision: Menggambarkan tahapan dasar dalam sistem penglihatan komputer, mulai dari akuisisi gambar hingga interpretasi dan tindakan.

2. Representasi dan Akuisisi Gambar

  • Representasi Gambar Digital: Pengertian gambar sebagai matriks piksel, format gambar (RGB, grayscale, binary), resolusi, dan kedalaman warna.
  • Kamera dan Sensor: Cara kerja kamera digital, sensor gambar (CCD, CMOS), serta bagaimana gambar diperoleh dari dunia nyata.
  • Distorsi Kamera dan Kalibrasi: Mengatasi masalah distorsi yang disebabkan oleh lensa kamera dan bagaimana mengkalibrasi kamera untuk mendapatkan gambar yang lebih akurat.

3. Pemrosesan Citra Dasar

  • Operasi Titik (Point Operations): Manipulasi piksel individual dalam gambar, seperti peningkatan kontras, penyesuaian kecerahan, dan transformasi warna.
  • Penapisan Spasial (Spatial Filtering): Menggunakan filter untuk menghaluskan (smoothing) gambar atau menekankan tepi (edge detection) menggunakan kernel seperti Sobel, Prewitt, atau Laplacian.
  • Transformasi Gambar: Transformasi Fourier dan DCT (Discrete Cosine Transform) untuk memproses gambar dalam domain frekuensi.

4. Deteksi dan Ekstraksi Fitur

  • Deteksi Tepi (Edge Detection): Metode untuk menemukan tepi objek dalam gambar menggunakan algoritma seperti Canny dan Sobel.
  • Deteksi Sudut (Corner Detection): Algoritma seperti Harris Corner Detection untuk menemukan titik-titik penting pada objek dalam gambar.
  • Deteksi dan Deskripsi Fitur Lokal: Penggunaan fitur seperti SIFT (Scale-Invariant Feature Transform) dan SURF (Speeded Up Robust Features) untuk mendeskripsikan bagian penting dari gambar yang tetap stabil terhadap skala dan rotasi.
  • Deskriptor Fitur: Bagaimana mendeskripsikan fitur dengan vektor numerik untuk digunakan dalam tugas pencocokan dan pengenalan.

5. Pencocokan Fitur dan Estimasi Gerakan

  • Pencocokan Fitur: Teknik untuk mencocokkan fitur antar gambar (misalnya, pencocokan gambar objek dalam dua perspektif berbeda).
  • Optical Flow: Teknik untuk memperkirakan pergerakan piksel dalam rangkaian gambar atau video untuk mengidentifikasi pergerakan objek.
  • Tracking Objek: Algoritma untuk melacak posisi objek bergerak dalam video, seperti Kalman Filter dan Mean-Shift Tracking.

6. Segmentasi Citra

  • Segmentasi Berbasis Wilayah (Region-Based Segmentation): Metode untuk membagi gambar ke dalam wilayah-wilayah berdasarkan kemiripan nilai piksel (misalnya, region growing, split-and-merge).
  • Segmentasi Berbasis Tepi (Edge-Based Segmentation): Teknik yang memanfaatkan deteksi tepi untuk memisahkan objek dalam gambar.
  • Clustering dan Thresholding: Metode clustering (K-Means, Mean-Shift) dan thresholding (Otsu’s Method) untuk segmentasi gambar berdasarkan intensitas atau warna.

7. Deteksi Objek dan Pengenalan Pola

  • Deteksi Objek: Algoritma untuk mendeteksi keberadaan objek tertentu dalam gambar, seperti HOG (Histogram of Oriented Gradients) dan Cascade Classifiers.
  • Pengenalan Objek: Teknik yang digunakan untuk mengenali dan mengklasifikasikan objek dalam gambar (misalnya, model berbasis templat atau jaringan saraf tiruan).
  • Machine Learning dalam Computer Vision: Penggunaan metode pembelajaran mesin (misalnya, SVM, k-NN) untuk tugas pengenalan pola dan klasifikasi objek.

8. Pengenalan Wajah

  • Deteksi Wajah: Algoritma khusus untuk mendeteksi wajah manusia dalam gambar atau video, seperti metode Haar Cascades.
  • Pengenalan Wajah: Teknik untuk mengenali individu berdasarkan wajah mereka, menggunakan model seperti Eigenfaces, Fisherfaces, atau jaringan saraf dalam.
  • Pengenalan Ekspresi Wajah: Sistem yang dapat mendeteksi dan mengenali ekspresi wajah manusia, sering digunakan dalam aplikasi human-computer interaction (HCI).

9. Rekonstruksi 3D dari Gambar

  • Triangulasi: Teknik untuk membangun model 3D dari beberapa gambar 2D berdasarkan prinsip triangulasi.
  • Stereo Vision: Menggunakan dua gambar dari sudut pandang yang berbeda untuk memperkirakan kedalaman dan menghasilkan model 3D.
  • Rekonstruksi Struktur dari Gerakan (Structure from Motion): Membangun model 3D dari serangkaian gambar yang diambil dari berbagai posisi.
  • Depth Estimation: Menghitung kedalaman piksel dalam gambar atau video untuk menghasilkan informasi kedalaman.

10. Model 3D dan Augmented Reality

  • Model 3D: Membangun, memproses, dan menganalisis model 3D dari objek nyata atau buatan.
  • Pose Estimation: Menentukan orientasi dan posisi objek atau kamera dalam ruang 3D.
  • Augmented Reality: Menggabungkan gambar atau video nyata dengan elemen virtual untuk membuat pengalaman AR, dengan aplikasi dalam industri hiburan, kesehatan, dan militer.

11. Deep Learning dalam Computer Vision

  • Convolutional Neural Networks (CNNs): Jaringan saraf tiruan yang dioptimalkan untuk pemrosesan gambar dan pengenalan pola.
  • Object Detection dengan CNN: Teknik deteksi objek menggunakan arsitektur jaringan saraf seperti YOLO (You Only Look Once) atau R-CNN (Region-based CNN).
  • Segmentation dengan CNN: Menggunakan jaringan saraf untuk melakukan segmentasi gambar, seperti dalam model Fully Convolutional Networks (FCN) atau U-Net.
  • Generative Adversarial Networks (GANs): Menggunakan jaringan saraf untuk menghasilkan gambar sintetik yang sangat mirip dengan gambar asli.

12. Aplikasi Computer Vision

  • Pengenalan Teks (OCR): Teknik Optical Character Recognition untuk membaca dan mengenali teks dalam gambar atau dokumen.
  • Analisis Citra Medis: Penggunaan Computer Vision untuk menganalisis gambar medis, seperti X-ray, CT scan, dan MRI.
  • Kendaraan Otonom: Aplikasi dalam sistem penglihatan kendaraan untuk mendeteksi rintangan, mengenali rambu lalu lintas, dan mengikuti jalur jalan.
  • Robotika dan Penglihatan Komputer: Menggunakan Computer Vision dalam robotika untuk navigasi, pemetaan, dan manipulasi objek.

13. Evaluasi Sistem Computer Vision

  • Metode Evaluasi: Teknik untuk mengevaluasi kinerja algoritma Computer Vision seperti precision, recall, F1-score, dan ROC curve.
  • Dataset dan Benchmarking: Penggunaan dataset standar (misalnya, ImageNet, COCO, PASCAL VOC) untuk melatih dan menguji algoritma Computer Vision.

Mata kuliah ini memadukan teori dan praktek dengan memanfaatkan algoritma, model, dan aplikasi nyata untuk memecahkan berbagai masalah yang melibatkan data visual. Aplikasi Computer Vision luas, mencakup bidang-bidang seperti keamanan, kesehatan, otomotif, dan industri kreatif.

4o

Tags: