Peningkatan Kualitas Gambar dari Kamera Resolusi Rendah menggunakan Convolutional Neural Network

1.Abstract

Suatu gambar dapat mengandung berbagai macam informasi didalamnya. Terdapat beberapa proses pengolahan gambar seperti Anotation dan Captioning gambar untuk mendapatkan informasi dalam gambar tersebut. Akan tetapi, gambar yang ditangkap dengan kamera resolusi rendah memiliki kekurangan pada segi kualitas gambar sehingga dapat mempengaruhi hasil yang didapatkan. Oleh sebab itu, dikembangkan sistem untuk meningkatkan kualitas gambar dengan resolusi rendah menjadi gambar dengan resolusi tinggi. Hal tersebut mendorong penggunaan metode Convolutional Neural Network (CNN) untuk mentranslasikan gambar yang ditangkap kamera resolusi rendah ke gambar resolusi tinggi.

2.Keywords
gambar, resolusi, CNN
3.Objective

Suatu gambar dapat ditangkap dengan menggunakan berbagai jenis kamera sehingga menyebabkan kualitas gambar pun ikut beragam. Gambar yang ditangkap dengan kamera resolusi rendah dapat menyebabkan hasil gambar mengalami kekurangan pada segi kualitasnya. Gambar dengan resolusi rendah umumnya akan terlihat lebih buram atau menyerupai kotak-kotak yang disusun sehingga informasi yang terkandung didalamnya tidak dapat direkognisi dengan baik. Hal ini dapat mempengaruhi hasil proses pengolahan gambar lainnya seperti proses Anotasi dan Captioning. Hasil yang didapatkan bisa kurang sesuai dengan yang diharapkan. Oleh karena itu, diusulkan sebuah sistem yang dapat mengubah gambar dari resolusi rendah menjadi resolusi tinggi.
Untuk mengubah gambar dari resolusi rendah menjadi resolusi tinggi, telah dilakukan penelitian dengan menggunakan beberapa metode. Metode yang popular digunakan adalah Convolutional Neural Network. Berdasarkan penilitian [1], hasil yang diperoleh dengan menggunakan Convolutional Neural Network menghasilkan performansi yang lebih tinggi dibanding dengan metode lainnya. Perubahan gambar dari resolusi rendah menjadi resolusi tinggi merupakan salah satu dari penerapan Single Image Super Resolution (SISR). Terdapat 4 algoritma yang dapat digunakan pada Super Resolution yaitu prediction models, edge based method, image statistical method dan patch based/example based. Diantara ke empat algoritma itu, example based menghasilkan performansi yang lebih baik [2]. Penelitian berikutnya dikembangkan dengan artsitektur CNN yang lebih kompleks. Saat ini, hasil terbaik yang didapatkan menggunakan VGG-based loss function dan Generative Adversarial Network yang ternyata lebih efisien dan menghasilkan performansi lebih baik [3] [4].

4.Methodology

Data yang digunakan diambil dari DSLR-Photo Enhancement Dataset (DPED) yang berisi 4.549 diambil menggunakan kamera Sony, 5.727 diambil menggunakan kamera iphone dan 6.015 diambil menggunakan BlackBerry. Setelah itu dilakukan pra-process data dengan memotong gambar tersebut menjadi patches berukuran 100x100. Patches tersebut kemudian digunakan sebagai data training untuk Convolutional Neural Network. Pada proses training, dicari model yang sesuai sehingga menghasilkan hasil yang sesuai. setelah didapatkan modelnya, akan dilakukan transfer learning sehingga dapat disimpulkan bahwa data dapat digunakan untuk berbagai jenis kamera.

5.Team

Nopita Pratiwi Patmawati
Anditya Arifianto S.T., M.T. sebagai Pembimbing 1
Kurniawan Nur Ramadhani S.T, M.T. sebagai pembimbing 2

6.Computation plan (required processor core hours, data storage, software, etc)

dibutuhkan yang mendekati atau bahkan melebihi NVidia Titan X GPU dengan storage minimal RAM 16 GB

7.Source of funding
Biaya Pribadi
8.Target/outputs
Sidang dan Publikasi ICoICT
9.Date of usage
06/01/2019 - 31/03/2019
10.Gpu usage
use gpu
11.Supporting files
prop_1546507397.pdf
12.Created at
03/01/2019
13.Approval status
approved