Image processing hanya digunakan di industri, sedangkan computer vision di penelitian

Image processing berfokus pada peningkatan kualitas citra, sedangkan computer vision berfokus pada pemahaman makna dari citra

Computer vision tidak menggunakan algoritma matematis

Image processing selalu membutuhkan machine learning

Sistem pengenalan wajah pada smartphone

Deteksi objek pada kendaraan otonom

Pengolahan kata pada dokumen teks tanpa citra

Sistem inspeksi kualitas produk di manufaktur

Akuisisi → Ekstraksi fitur → Preprocessing → Deteksi/Segmentasi → Post-processing

Preprocessing → Akuisisi → Deteksi → Ekstraksi fitur → Post-processing

Akuisisi → Preprocessing → Ekstraksi fitur → Deteksi/Segmentasi → Post-processing

Ekstraksi fitur → Akuisisi → Preprocessing → Segmentasi → Deteksi

Proses meningkatkan kontras dan kualitas citra

Proses pengambilan citra menggunakan kamera digital

Proses mengidentifikasi dan mengklasifikasikan pola atau objek berdasarkan fitur yang diekstraksi

Proses menyimpan citra dalam format digital

Memiliki jumlah channel lebih sedikit dibanding RGB

Tidak dipengaruhi oleh resolusi citra

Memisahkan informasi warna (Hue) dari intensitas cahaya (Value)

Lebih efisien secara komputasi dibanding semua ruang warna lain

RGB memiliki 4 channel sedangkan BGR hanya 3 channel

BGR menyimpan urutan channel biru–hijau–merah, sedangkan RGB merah–hijau–biru

RGB hanya digunakan untuk citra grayscale

BGR tidak dapat dikonversi ke ruang warna lain

Hubungan spasial antar piksel

Distribusi frekuensi intensitas piksel pada citra

Perbedaan warna antar channel RGB

Nilai koordinat piksel dalam citra

Mengurangi ukuran file citra

Menghilangkan noise pada citra

Meningkatkan kontras citra dengan meratakan distribusi intensitas

Mengubah citra berwarna menjadi grayscale

Mengubah format file citra

Menggabungkan dua citra berbeda

Menerapkan efek filter menggunakan kernel pada citra

Menghitung histogram intensitas citra

Konvolusi hanya berlaku untuk citra berwarna

Korelasi selalu lebih cepat dibanding konvolusi

Pada konvolusi, kernel dibalik sebelum operasi, sedangkan pada korelasi tidak

Korelasi tidak menggunakan kernel

Meningkatkan ketajaman tepi citra

Mengurangi noise dan melakukan smoothing citra

Mengubah domain spasial ke domain frekuensi

Menormalisasi intensitas piksel

Noise Gaussian

Noise berfrekuensi rendah

Noise salt-and-pepper

Distorsi geometris

Mengubah domain spasial ke domain frekuensi

Mengurangi noise

Menormalkan intensitas piksel

Menggabungkan dua citra

Menghaluskan citra dan mengurangi noise

Menemukan area dengan perubahan intensitas yang signifikan

Mengubah citra berwarna menjadi grayscale

Mengurangi ukuran citra tanpa kehilangan informasi

Laplacian

Canny

Sobel

Difference of Gaussian (DoG)

Sobel bekerja pada domain frekuensi, sedangkan Laplacian pada domain spasial

Sobel menggunakan turunan pertama, sedangkan Laplacian menggunakan turunan kedua

Laplacian membutuhkan citra berwarna, Sobel hanya grayscale

Sobel tidak sensitif terhadap noise, Laplacian selalu bebas noise

Non-maximum suppression

Hysteresis thresholding

Gaussian smoothing

Edge linking

Mengurangi noise pada citra sebelum proses deteksi tepi.

Meningkatkan kontras pada citra sebelum proses deteksi tepi.

Menghilangkan warna pada citra sebelum proses deteksi tepi.

Memperbesar ukuran citra sebelum proses deteksi tepi.

Menajamkan tepi citra

Menghilangkan seluruh detail citra

Mengurangi pengaruh noise yang dapat menghasilkan tepi palsu

Mengubah orientasi gradien tepi

Mengurangi ukuran citra tanpa kehilangan informasi visual

Mengubah citra berwarna menjadi grayscale

Mengambil karakteristik penting dari citra untuk keperluan analisis lanjutan

Menghilangkan seluruh noise pada citra

Area citra dengan intensitas yang seragam

Titik dengan perubahan intensitas signifikan ke satu arah saja

Titik dengan perubahan intensitas signifikan ke berbagai arah

Area citra dengan warna dominan tertentu

Perhitungan histogram intensitas citra

Analisis perubahan gradien intensitas dalam jendela lokal

Transformasi citra ke domain frekuensi

Perhitungan jarak antar piksel berwarna

Lebih akurat pada semua jenis citra

Lebih tahan terhadap noise Gaussian

Lebih cepat secara komputasi untuk deteksi fitur

Menghasilkan fitur berbasis deskriptor

jumlah dan lokasi titik fitur yang terdeteksi

warna gambar yang dihasilkan

ukuran gambar output

kecepatan pemrosesan gambar

Menentukan lokasi awal citra pada sistem koordinat

Menyimpan informasi karakteristik lokal fitur agar dapat dibandingkan antar citra

Menghaluskan citra sebelum proses deteksi tepi

Mengurangi resolusi citra secara adaptif

Detector menghasilkan vektor fitur, descriptor menghasilkan keypoints

Detector menentukan lokasi fitur, descriptor merepresentasikan karakteristik fitur tersebut

Descriptor hanya digunakan pada citra berwarna, detector pada grayscale

Detector bekerja di domain frekuensi, descriptor di domain spasial

Waktu komputasi yang selalu lebih cepat

Tidak memerlukan deteksi keypoints

Lebih robust terhadap perubahan skala dan rotasi

Menghasilkan deskriptor biner berukuran kecil

Harris dan SIFT

FAST dan BRIEF

Sobel dan Laplacian

Canny dan HOG

Lebih akurat pada semua kondisi pencahayaan

Tidak membutuhkan proses pencocokan fitur

Lebih efisien secara komputasi dan bebas lisensi paten

Menghasilkan fitur berbasis warna

Menemukan tepi citra secara presisi

Mencocokkan deskriptor fitur antar citra untuk menemukan korespondensi

Mengurangi noise pada citra berwarna

Mengubah citra ke domain frekuensi

Euclidean distance

Manhattan distance

Cosine similarity

Hamming distance

Brute-Force hanya dapat digunakan untuk citra grayscale

FLANN tidak menggunakan distance metric

Brute-Force membandingkan semua pasangan fitur, sedangkan FLANN menggunakan pencarian teraproksimasi yang lebih efisien

FLANN hanya bekerja dengan deskriptor biner

Menambah jumlah keypoints yang terdeteksi

Mengurutkan hasil matching berdasarkan jarak

Menghilangkan pasangan fitur yang tidak konsisten (outlier)

Mengonversi ruang warna citra

Semakin banyak pasangan fitur tanpa seleksi

Matriks transformasi dengan seluruh elemen bernilai nol

Jumlah inlier yang signifikan setelah penerapan RANSAC

Deskriptor fitur berukuran kecil