Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan Python dipilih karena bahasa pemrograman ini bersifat open source dengan banyak tersedianya berbagai sumber dan Python juga diklaim sebagai bahasa yang menggabungkan kapabilitas, dengan kode sintaks yang sangat jelas, dan dilengkapi dengan bahasa yang besar dan komprehensif. Library Open CV juga tersedia secara gratis dan menyediakan banyak fungsi pemrosesan gambar. Pengoreksian citra CBCT yang dilakukan pada penelitian ini bertujuan untuk meningkatkan kualitas citra CBCT dengan melihat meningkatnya nilai yang didapat pada citra CBCT terkoreksi. Phantom CIRS 002LFC di-scan pada CBCT menggunakan half bow tie filter sesuai dengan protokol yang digunakan untuk scanning organ thorax. Penelitian ini menggunakan data citra pasien dengan diagnosa kanker paru dan laring masing-masing berjumlah dua dan satu orang. Hasil kalibrasi CBCT terhadap CT diperoleh bahwa nilai HU citra CBCT linier terhadap citra CT. Evaluasi PSNR dan SSIM digunakan pada penelitian ini sebagai parameter keberhasilan dari citra yang dikoreksi.......Python was chosen because this programming language is open source with many sources available and Python is also claimed to be a language that combines capabilities, with very clear syntax code, and is equipped with a large and complete language. CV Open Library is also available free of charge and provides many drawing functions. CBCT image correction carried out in this study aims to improve the quality of CBCT images by looking at the value obtained in the corrected CBCT image. Phantom CIRS 002LFC was scanned on CBCT using a half bow tie filter according to the protocol used for scanning the thorax organs. This study uses image data of patients diagnosed with lung and laryngeal cancer, respectively, two and one person. The CBCT calibration results against CT showed that the HU value of CBCT images was linear to CT images. PSNR and SSIM evaluations were used in this study as the confidence parameters of the corrected image."

"The book provides copyright protection approaches for videos using watermarking. The various watermarking techniques using various transforms such as discrete cosine transform (DCT), discrete wavelet transform (DWT) and singular value decomposition (SVD) for videos are presented. The book also provides video watermarking approach using compressive sensing (CS) theory. The presented watermarking techniques are designed and implemented using color digital videos. The performance of the presented techniques is evaluated using Peak Signal to Noise Ratio (PSNR) and Normalized Correlation (NC)."

"Permasalahan utama dalam kompresi gambar adalah bagaimana mendapatkan PSNR (Peak Signal to Noise Ratio) dan Rasio Kompresi (RK) yang baik (tinggi) secara bersamaan serta gambar hasil kompresi yang masih dikenali oleh manusia serta waktu pemrosesan yang relatif cepat. Rasio kompresi yang tinggi menunjukkan penurunan nilai derajat keabuan (grayscale) dalam bit per piksel dan PSNR yang tinggi berhubungan dengan kwalitas gambar rekonstruksi yang diperoleh pada penerima. Proses kompresi dilakukan dengan mengkuantisasi koefisien-koefisien wavelet yang sangat beragam menjadi nilai dan tingkat tertentu. Nilai ini ditentukan oleh proses iterasi untuk mendapatkan distorsi minimal. Pemrosesan dengan ukuran sel yang sering digunakan yaitu 4x4 walaupun mempunyai PSNR yang tinggi namun mempunyai kelemahan rasio kompresi yang rendah serta waktu pengalahan yang relatif lama. Untuk itu digunakn ukuran sel (N) lain yaitu 8x8, 16x16 dan 32x32 kemudian dilakukan proses iterasi (k) untuk mencari distorsi minimum dan penambahan jumlah tingkat kwantisasi (M). Kedua hal terakhir ini adalah untuk menaikkan PSNR, sehingga walaupun ukuran sel diperbesar namun PSNRnya masih dapat dipertahankan. Dari nilai PSNR dan rasio kompresi yang diperoleh serta karakteristiknya diperoleh titik optimal yaitu pada ukuran sel ditambah proses iterasi don jumlah tingkat kwantisasi. Hasilnya adalah sel ukuran 32x32 dapat digunakan untuk mendapatkan rasio kompresi tertinggi dengan M=4, k=0 atau M=2, k=0 atau sel ukuran 16x16 untuk mendapatkan PSNR yang baik. ......The main problem on image compression is how to achieve value both Compression Ratio (CR) and Peak Signal to Noise Ratio (PSNR) simultaneously high, a recognized reconstructed image and relatively small time processing. Compression ratio deals with decreasing grayscale value of an original image and PSNR deals with the quality of an image. In short word, the compression process is conducted by quantizing the various values to certain values and levels of wavelet coefficients. These values are determined by adding on iteration process to get minimum distortion in a cell. The cell size used is usually 4x4 that has the high PSNR, low compression ratio and high time processing. To dissolve such things, 8x8, 16x16 and 32x32 (N) of cell sizes are in use, iterate (k) and add of quantization level (M). The last two things are to enhance PSNR but to decrease compression ratio in contrast as well. From value of PSNR and CR as well as the characteristic, the optimum point is then to find out. The result is that 32x32 cell size is suitable to achieve the highest compression ratio with combining M=4 with k=O or M=2, k=O or 16x16 cell size to achieve good PSNR."

"Skripsi ini mengkaji perbandingan antara dua metode kompresi video terkini, AV1 dan Versatile Video Coding (VVC), serta pengaruh tiga jenis filter - Bilateral, Histogram Equalization, dan Laplacian - dalam konteks deteksi jumlah kendaraan pada video lalu lintas. Tujuan utama adalah untuk menentukan metode kompresi mana dan dengan penggunaan filter atau tidak yang paling efektif dalam meningkatkan akurasi dan efisiensi deteksi objek. Penelitian ini menggunakan video lalu lintas jalanan, yang dikompresi menggunakan metode AV1 dan VVC, dan kemudian diterapkan filter sebagai modul preprocessing. Parameter yang diukur meliputi waktu encoding, peak signal-to-noise ratio (SNR), bit rate, Bjontegaard Metric dan Rata-rata Confidence score dalam deteksi objek. Hasil penelitian ini diharapkan memberikan wawasan baru tentang pengaruh metode kompresi video dan teknik filtering terhadap kinerja aplikasi deteksi objek dalam video lalu lintas, serta memberikan rekomendasi untuk aplikasi serupa di masa depan.......This thesis examines the comparison between two recent video compression methods, AV1 and Versatile Video Coding (VVC), and the impact of three types of filters - Bilateral, Histogram Equalization, and Laplacian - in the context of vehicle count detection in traffic videos. The primary objective is to determine which is the most effective compression method and whether to use of filters or not in improving the accuracy and efficiency of object detection. This study uses traffic road videos, which are compressed using the AV1 and VVC methods, and then filters are applied as preprocessing modules. The measured parameters include Encoding Time, peak signal-to-noise ratio (SNR), bit rate, Bjontegaard Metric, and Average Confidence score in object detection. The results of this study are expected to provide new insights into the impact of video compression methods and filtering techniques on the performance of object detection applications in traffic videos, as well as to provide recommendations for similar applications in the future."