SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

IMAGE CLASSIFICATION

maida avatar
maida
9 diapositives · 273 Views · Aug 14, 2014

IMAGE CLASSIFICATION. Oleh :. Fachrul Reza ( 08.111.4011 ) Julpan ( 08.111.3865) M. Nur Cipta Hidayah Lubis (08.111.4160). Image Classification. Image Classification adalah proses pengelompokan setiap pixel yang terdapat dalam suatu citra menjadi kelompok-kelompok objek tertentu.

#image classification #image classification ppt #powerpoint #presentation
IMAGE CLASSIFICATION - slide 1
01 / 9IMAGE CLASSIFICATION
1 / 17

Télécharger la présentation

IMAGE CLASSIFICATION
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. IMAGE CLASSIFICATION Oleh : Fachrul Reza ( 08.111.4011 ) Julpan ( 08.111.3865) M. NurCiptaHidayahLubis(08.111.4160)

  2. Image Classification Image Classification adalah proses pengelompokansetiap pixel yang terdapatdalamsuatucitramenjadikelompok-kelompokobjektertentu. • Image Classification mulaidikenalpadatahun 1970-an dimana program pengelompokan pixel pertama kali dibuatuntuk data multispectral. • Terdapat 2 tipe Image Classification yaitu : - Unsupervised Classification - Supervised Classification

  3. Supervised Classification adalahsebuahteknikKlasifikasi Citra dimana user menentukanbeberapa pixel di citra yang akandigunakansebagaidasarpengelompokanolehkomputer. User bolehmenentukanberapajumlahkelompok output yang diinginkandanbatasanberupaefekcitratertentusebagaidasarpengelompokan.

  4. Procedure • Select training data • create spectral signatures • Classify the image • Accuracy assessment

  5. Supervised Classification • beberapatipe Supervised Classification antara lain : - Minimum-Distance-To-Means - Paralelpiped - Maximum Likelihood

  6. Minimum-Distance-To-Means Algoritma Minimum-Distance-To-Means digunakandengancaramenentukannilai mean darisetiapkelaspadasetiapbagian. Kemudiansetiap pixel padacitraakandikelompokkanberdasarkannilai mean yang paling dekat. Merupakanalgoritma yang cepatdancukupefisien. Masihbisadigunakanpadasaatinijikacitra yang ingindikelompokkanberukuranbesar.

  7. Paralelpiped AlgoritmaParalelpipedmenggunakanpembatasberupagarislurusuntukmembatasi area yang akandijadikansampel. Kemudiansetiap pixel padacitraakandikelompokkanberdasarkannilai RGB yang dimilikinya. Efisiendalamhalkomputasi, namunkurangefisiensecarakeseluruhankarenaadakemungkinanmuncul unknown pixel.

  8. Maximum Likelihood Algoritma Maximum Likelihood memilikialur yang hampirsamadenganalgoritmaminimom distance to means. Hanyasajadalampengelompokan pixel, digunakanrumuspropabilitasgaussian. Hasillebihbagusdari 2 algoritmasebelumnya. Dan walaupun “mahal”, banyakdigunakankarenakomputer modern sudahdapatmengelompokkandengancepat.