Fig 5 - uploaded by Teddy Surya Gunawan
Content may be subject to copyright.
Source publication
Nowadays, there is a growing interest in colorizing many grayscales or black and white images dating back to before the colored camera for historical and aesthetic reasons. Image and video colorization can be applied to historical images, natural images, astronomical photography. This paper proposes a fully automated image colorization using a deep...
Context in source publication
Context 1
... old grayscale historical images have been used to view the results and decide if the output is realistic to test the real-life images. Fig. 4 presents some colored legacy images that have been colored using the proposed system. Moreover, 4K highresolution grayscale images were colorized using our proposed system, and the result is shown in Fig. 5. ...
Citations
... Dengan menggunakan pra-processing yang tepat dapat meningkatkan akurasi pengenalan serta mempercepat proses selanjutnya yaitu proses ekstraksi ciri [15]. Adapun tahapan pada proses prapengolahan pada Penelitian ini adalah mengubah ukuran citra, konversi citra RGB menjadi citra aras keabuan (grayscale) [16] [17]. Pada Gambar 2 dapat dilihat perbedaan citra RGB dengan citra Grayscale [17]. ...
... Adapun tahapan pada proses prapengolahan pada Penelitian ini adalah mengubah ukuran citra, konversi citra RGB menjadi citra aras keabuan (grayscale) [16] [17]. Pada Gambar 2 dapat dilihat perbedaan citra RGB dengan citra Grayscale [17]. ...
Banyaknya jenis tanaman yang bentuknya hampir mirip sangat menyulitkan masyarakat Indonesia dalam melakukan klasifikasi ataupun pengelompokkan dan banyaknya penelitian sistem klasifikasi daun tanaman yang menghasilkan akurasi yang rendah tidak mencapai 90%. Maka diperlukan sistem klasifikasi yang lebih akurat dan performance yang menghasilkan tingkat kesalahan kecil. Berdasarkan masalah tersebut maka tujuan penelitian ini akan membangun sistem klasifikasi jenis tanaman berdasarkan citra daun dengan sistem yang akurat dan tingkat kesalahan yang minimal kecil sehinga dapat digunakan untuk mempermudah masyarakat dalam melakukan pengenalan ataupun pengelompokkan jenis tanaman. Metode yang digunakan dalam penelitian ini adalah GLCM (Gray Level Co-Occurence) untuk ekstraksi ciri dan K-NN (K-Nearest Neighbor) untuk klasifikasi. Tahapan penelitian terdiri dari pre-processing, ektraksi ciri, dan klasifikasi. Tahap pre-processing melakukan resize citra RGB lalu dikonversi ke Grayscale. Tahap ektraksi ciri menggunakan metode GLCM diambil ciri dari empat fitur entrophy, homogeneity, energy dan contras dengan sudut 0o, 45o, 90o dan 135o. Tahap klasifikasi dengan K-NN. Sistem klasifikai dengan K-NN memperlihatkan bahwa akurasi terbaik dengan penggunaan nilai ketetanggan k =1 mencapai 98%.
Thanks to advancements in sensor technology, it is now possible to create wireless sensor networks that can be used for a variety of purposes, including locating objects, industry, and healthcare. These applications must continue as long as people want them to. One of the most important types of location navigation services is indoor mapping. Simultaneous localization and mapping (SLAM) is a crucial technique in an indoor navigation system using a low-cost 2-D LIDAR (Light Detection and Ranging) system from Slamtech. SLAM seeks to simultaneously produce a uniform, global map of the environment. In this paper, we propose the design of a system that executes two models concurrently and in real-time, which are considered crucial in recent years, especially in computer vision and artificial intelligence. The first one is to build a floor mapping based on simultaneous localization and mapping (SLAM). SLAM is often used to map indoor areas and localize handheld systems. The second one is for object detection based on the COCO dataset and using a convolutional neural network (CNN). These two models are implemented in the Raspberry Pi 4, which has less memory and processing capacity but is capable of handling massive quantities of data. Our system made the working of the RPLIDAR A1 smart because, in addition to its main work of mapping, it also added object detection.
