Pada sebuah eksperimen yang melibatkan puluhan, ratusan atau bahkan ribuan data, kita seringkali dihadapkan pada sejumlah data yang memiliki relasi linier. Dari data-data tersebut, biasanya kita akan menjelaskan relasi linier antar data dengan menurunkan sebuah persamaan linier melalui teknik regresi atau least-square. Apabila data-data tersebut memiliki relasi linier yang cukup sempurna, model persamaan yang diturunkan pun akan mengandung kesalahan yang cukup kecil. Namun bila data-data tersebut memiliki relasi linier yang tidak terlalu baik (dengan berbagai macam noise atau outliers), model persamaan yang dihasilkan akan berubah dan bukan tidak mungkin memiliki tingkat akurasi yang cukup rendah. Algoritma RANSAC (Random Sample Consensus) adalah salah satu solusi untuk mendapatkan model persamaan yang dikembangkan dari data-data yang mengandung outliers.

Penjelasan lebih lanjut, bisa dibaca pada tutorial di bawah ini:

DOWNLOAD TUTORIAL

]]> http://wibirama.com/dip/2012/01/03/image-processing-tutorial-ransac/feed/ 0 http://wibirama.com/dip/2011/12/15/image-processing-tutorial-instalasi-opencv-1-1-dan-opencv-2-3/ http://wibirama.com/dip/2011/12/15/image-processing-tutorial-instalasi-opencv-1-1-dan-opencv-2-3/#comments Thu, 15 Dec 2011 09:37:15 +0000 Sunu Wibirama http://wibirama.com/dip/?p=521

Sahabat DIP. Warrior, kali ini kami menyajikan tutorial instalasi OpenCV 1.1pre1a dan OpenCV 2.3 pada platform IDE yang berbeda, yakni Borland C++ Builder 6.0 dan Microsoft Visual Studio 2005. Kami sengaja menampilkan dua buah tutorial dalam waktu  yang bersamaan untuk memberikan informasi perbedaan implementasi OpenCV pada dua IDE tersebut. Informasi yang diperoleh dari Release Log, dukungan untuk compiler Borland C++ Builder secara default tidak lagi disertakan sejak rilis OpenCV 1.x+.  Namun demikian, developer Willowgarage masih menyediakan alternatif metode instalasi untuk compiler C/C++ selain Microsoft Visual Studio. Untuk lebih jelasnya, silahkan unduh file tutorial pada link di bawah ini :

Tutorial Instalasi OpenCV 1.1

Tutorial Instalasi OpenCV 2.3

Untuk instalasi OpenCV Beta 5.a, silahkan lihat di sini

The particle filter is a sequential Monte Carlo algorithm, i.e. a sampling method for approximating a distribution that makes use of its temporal structure. A  particle representation” of distributions is used. In particular, we will be concerned with the distributionP(x_t|z_0:t) where x_t is the unobserved state at time t, and z_0:t is the sequence of observations from time 0 to time t.

2. Explanation of Project

a. Problem : Track specified color using Particle Filter

This project is aimed to track a red target object with RGB value R=200,G=0,B=0.

b. Program Flow

-          Initialize particles

For t=0,

x_t = random (0 to max(image->weight))

y_t = random (0 to max(image->height))

v=0

-          Sampling (Prediction)

x_t = x_t-1 + vx_t-1 + random (-transition to +transition)

y_t = y_t-1 + vy_t-1 + random (-transition to +transition)

Velocity (v) of each particle is used to predict where and how fast the particle moves, even the object kidnapped from scene. Transition is obtained from minimum distance of particles, it means that if the object disappears from the scene or closed by something else, its distances will be higher and we have to attempt larger uncertainty for next sampling.

-          Calculation of likelihood (correction)

Distance calculation of each particle :

distance =

Likelihood calculation :

Transition =min(distance)

-          Resampling

Make another set of particles with replacement using weights/sum of likelihood as probabilities. This step is a way of keeping the number of effective sample constant.

-          Drawing

Draw each position of particle as yellow dot, and make estimation of object current position by green circle. Here is the result for number of particles 500,1000,and 2000.

N=500

N=1000

N=2000

Please don’t hesitate to make a discussion

Reference :

This tutorial based on Final Project of Advance Robotics Course on Toyohashi University of Technology

Pendahuluan

Tulisan ini adalah bagian pertama dari artikel yang berjudul 3D Reconstruction. Secara garis besar, artikel ini akan lebih menekankan pada konsep dasar rekonstruksi visual objek 3D pada bidang penelitian computer vision (untuk selanjutnya akan disebut sebagai “rekonstruksi 3D” saja). Selain itu, akan dimuat pointer-pointer ke referensi yang bisa dirujuk untuk mempelajari konsep dasar rekonstruksi 3D, seperti pengetahuan dasar-dasar matematika yang harus dimiliki, buku acuan yang perlu dibaca, halaman-halaman web, dan tutorial yang bisa dimanfaatkan untuk menyederhanakan “kurva pembelajaran” (learning curve). Di bagian paling akhir, akan disediakan satu buah tutorial dasar berbasis MATLAB untuk memberikan gambaran awal bagaimana proses rekonstruksi 3D dilakukan. Semoga tulisan ini memberi manfaat untuk para mahasiswa, khususnya peneliti di bidang computer vision yang tertarik menekuni penelitian rekonstruksi 3D.

Persepsi Tiga Dimensi

Ilmu tentang computer vision, selain didukung oleh beberapa pengetahuan dasar pengolahan citra (image processing), sedikit banyak dipengaruhi oleh pengetahuan tentang cara manusia mempersepsikan dunia nyata. Seluruh pengetahuan itu memiliki tujuan akhir untuk meniru cara manusia memahami objek-objek tiga dimensi yang ditemui dalam kehidupan sehari-hari. Ilmu tentang computer  vision sangat dipengaruhi oleh hasil penelitian David Marr [1]. Ia adalah seorang peneliti di MIT (Massachusetts Institute of Technology, US) yang menggabungkan bidang fisiologi dan kecerdasan buatan, untuk memformulasikan teori di bidang computational neuroscience, sebuah ilmu yang mempelajari bagaimana informasi diproses oleh otak manusia, kemudian menerapkan komputasi pemrosesan informasi tersebut dengan perangkat yang diciptakan oleh manusia (komputer). Vision atau sistem penglihatan adalah salah satu bagian yang dipelajari bidang ini.

Marr mendeskripsikan “vision” dalam bukunya [2] sebagai berikut:

Vision is an information-processing task. The study of vision must therefore include not only the study of how to extract from images the various aspects of the world that are useful to us, but also an inquiry into the nature of the internal representations by which we capture this information and thus make it available as a basis for decisions about our thoughts and our actions.

Menurut Marr, proses vision pada manusia terdiri dari beberapa tahap, dimulai dari mendapatkan deskripsi secara utuh citra yang dilihat, kemudian diikuti dengan mendeskripsikan seluruh objek 3D yang ada pada citra tersebut. Proses pemrosesan informasi ini terjadi pada berbagai lapisan yang saling melengkapi [3]:

• Lapisan komputasi (computational level): apa yang dilakukan oleh sistem terhadap sebuah input citra tertentu, dan mengapa sistem melakukan hal tersebut
• Lapisan algoritma / representasi: bagaimana sistem melakukan hal tersebut. Secara khusus, representasi apakah yang dimunculkan sistem terhadap input citra tersebut dan proses apakah yang dilakukan sistem untuk memanipulasi representasi tersebut
• Lapisan implementasi: bagaimana sistem merealisasikan dua tahapan di atas secara fisik (pada kasus sistem penglihatan biologis, struktur syaraf apakah yang terlibat dan apakah aktivitas yang terjadi pada saat sistem penglihatan bekerja)

Marr mendeskripsikan vision lebih jauh sebagai pemrosesan citra dua dimensi pada retina manusia menjadi keluaran yang berupa deskripsi tiga dimensi dari objek-objek yang ada pada citra tersebut. Tahapan-tahapan pemrosesan tersebut antara lain:

• Pembuatan sketsa awal (primal sketch) dari adegan yang sedang dilihat: deskripsi dari fitur-fitur pada adegan tersebut, seperti titik, garis, daerah atau area, dan sebagainya.
• Pembuatan sketsa 2.5 D pada adegan yang sedang dilihat: mulai melibatkan tekstur objek-objek yang sudah terdeteksi di tahapan sebelumnya. Tekstur ini meliputi bayangan dan gelap terang dari sisi sebuah objek 3D, sehingga menciptkan kesan kedalaman (depth) dari objek yang terlihat.
• Pembuatan model 3D secara utuh: visualisasi objek-objek 3D yang terlihat pada adegan tersebut, sehingga manusia mampu memahami dan membedakan secara visual benda yang satu dengan benda yang lain.

Mengapa kita memerlukan persepsi 3D? Perhatikan gambar di atas baik-baik [4]. Dua gambar di atas menunjukkan sebuah adegan yang diambil dari sudut pandang (point of view) yang berbeda. Pada gambar pertama (kiri atas), kita berasumsi bahwa kertas coklat yang terletak di atas map memiliki ukuran sudut yang sama (90 derajat), sehingga kertas tersebut berbentuk persegi panjang. Ternyata hal tersebut keliru, karena salah satu sudut memiliki ukuran lebih dari 90 derajat dan sudut yang lain kurang dari 90 derajat, sehingga berbentuk trapesium.

Gambar yang lain (bawah) menunjukkan perbedaan tinggi badan hanya karena faktor kedalaman (posisi berdiri dua orang tersebut, ditinjau dari sumbu Z semu dengan arah masuk ke dalam gambar). Pada gambar kiri bawah, orang dengan baju hitam terlihat seolah-olah jauh lebih pendek dari yang berbaju putih. Setelah mereka bertukar posisi (kanan bawah), perbedaan tinggi badan mereka tidak terlalu jauh sebagaimana gambar kiri bawah.

Gambar di atas memberikan informasi kepada kita bahwa faktor kedalaman sangat diperlukan untuk memberikan informasi yang utuh tentang sebuah objek 3D. Untuk mendapatkan informasi 3D dari citra 2D, sebagaimana yang terjadi pada mata manusia, diperlukan sebuah proses komputasi yang tidak sederhana. Penjelasan tentang hal-hal yang harus kita kuasai sebelum mendapatkan model 3D secara visual akan kita kupas lebih lengkap di artikel berikutnya.

BERSAMBUNG

Referensi:

[1] http://kybele.psych.cornell.edu/~edelman/marr/marr.html
[2] http://mitpress.mit.edu/catalog/author/default.asp?aid=18323
[3] http://en.wikipedia.org/wiki/David_Marr_(neuroscientist)
[4] O. Faugeras, Q. T. Luong, and T. Papadopoulo, The geometry of multiple images vol. 2: MIT press, 2001.

Berikut ini adalah kumpulan video ceramah / workshop OpenCV dalam berbagai kesempatan. Untuk melihat video, saya menyarankan penggunaan software K-Lite Codec Pack yang bisa Anda dapatkan di sini.

1. The 27th International Conference on Machine Learning (2010)

Keterangan:

Video ini berisi tentang penjelasan umum OpenCV Library dan implementasinya di project robotika WillowGarage. Video disampaikan oleh salah satu pencipta OpenCV, Dr. Gary Bradski, dalam forum diskusi ilmiah 27th International Conference on Machine Learning 2010 – Haifa, Israel.

Link:

Lihat video di sini (VideoLectures.Net)

Download: video (AVI – 102 MB) dan presentasi (PDF – 8.46 MB)

2. International Conference on Distributed Smart Cameras (2008)

Keterangan:

Video ini berisi tentang penjelasan mendalam arsitektur OpenCV beserta beberapa aplikasi computer vision yang memungkinkan untuk dikembangkan dengan menggunakan library ini. Contoh source code dalam C/C++ yang digunakan dalam workshop dapat diunduh pula untuk memperjelas tutorial yang disampaikan Dr. Gary Bradski. Video disampaikan dalam forum ilmiah International Conference on Distributed Smart Cameras 2008 – Stanford University, USA.

Link:

Download Video (Empat Bagian – MP4)

Download File Presentasi

Download File Tutorial

Matlab Webinar adalah video tutorial online berbasis shockwave flash (berekstensi swf) yang bisa dinikmati dengan koneksi internet tinggi. Video ini berisi paparan singkat tentang fitur-fitur dan perkembangan teknologi terbaru yang menyertakan Matlab sebagai salah satu development tools-nya. Selain perkembangan teknologi terbaru, Matlab Webinar juga menerangkan tutorial-tutorial singkat membuat aplikasi engineering menggunakan toolbox-toolbox yang disediakan Matlab.

Hebatnya, Matlab memperbolehkan para penggunanya untuk men-download webinar ini secara gratis. Tentu jika Anda tahu caranya . Untuk men-download webinar ini, Anda harus masuk ke halaman utama webinar. Yang perlu Anda lakukan adalah mengakses halaman ini:

http://www.mathworks.com/company/events/webinars/

Anda akan melihat tampilan di bawah ini:

Untuk melihat webinar yang tersedia, Anda bisa mengurutkannya berdasarkan webinar terbaru yang di-upload (Most Recent), webinar berdasarkan bidang penelitian yang Anda tekuni (by Application) , berdasarkan produk atau fitur yang tersedia di Matlab (by Product) , dan berdasarkan bidang industri (by Industry).

Bagaimana cara men-download video di atas? Ikuti cara-cara di bawah ini:

1.Lakukan registrasi untuk mendapatkan akun webinar. Cara registrasi, seperti biasa, adalah dengan mengisikan data-data berupa Nama, Email, dan Nama Universitas atau Insitusi. Anda bisa mengakses link di bagian kanan atas halaman webinar, kemudian isi data sebagaimana Anda membuat email baru. Oya, lakukan konfirmasi setelah melakukan pendaftaran dengan meng-klik link yang akan dikirimkan oleh Mathworks.Com ke email valid Anda.

2. Kembali ke halaman webinar dengan akun Anda. Tentu untuk melakukannya, Anda harus login dengan username (dalam hal ini alamat email Anda) dan password Anda. Pilih video yang akan Anda tonton. Sebagai contoh, saya akan membuka salah satu video yang berjudul “Biomedical Image Processing for Faculty and Academic Researchers”.

3. Akan muncul halaman di profil webinar di bawah ini.  Profil ini cukup bermanfaat jika Anda sama sekali tidak mengetahui topik webinar yang akan Anda tonton.

4. Sebelum Anda mendapatkan link webinar, di bagian kanan ada beberapa isian yang harus dilengkapi. Isi saja dengan apa yang Anda mau dan jangan terlalu serius memikirkannya. Setelah itu, klik tombol “Submit”

5. Okay, Anda kini masuk ke halaman webinar yang sesungguhnya. Matworks akan memberi Anda sebuah link khusus untuk mengakses video yang akan Anda tonton. Klik kanan mouse Anda dan pilih perintah “Open in New Tab”  link berwarna biru yang muncul di halaman ini. Di sinilah “kecerdasan buatan” akan bermain, dan dalam sekejap Anda akan mendapatkan video tersebut dalam harddisk Anda

6. Untuk mendapatkan video versi offline, Anda cukup melakukan kopi paste nama video yang tampil di browser Anda. Pada browser Anda, akan muncul URL :

http://www.mathworks.com/webex/recordings/medicalimage_1206/index.html

Ganti “index.html” dengan “<nama_video>.swf”, sebagaimana gambar di bawah ini:

Jika Anda menggunakan program download manager, masukkan link baru Anda ke antrian download untuk mendapatkan file swf tersebut. Jika Anda menggunakan browser Firefox, Anda bisa menggunakan add-on Down-Them-All untuk mendapatkan file swf ini.

7. Untuk membuka dan menonton file swf tersebut, Anda bisa menggunakan software pemutar video universal (Media Player Classic) dalam paket K-Lite Codec, atau gunakan browser Anda (tentu setelah Anda memasang Adobe Flash Player plug-in).

CATATAN:

Untuk Anda civitas akademika Jurusan Teknik Elektro dan Teknologi Informasi UGM yang ingin mengopi koleksi webinar saya, silahkan Anda kirimkan email ke saya, dengan ketentuan:

Subject: “Permohonan Link Webinar Matlab – <isikan dengan nama Anda>”
Sebutkan : Nama, NIM (Nomer Induk Mahasiswa – Jika Ada), Angkatan Anda, dan No. HP yang bisa dihubungi.
Siapkan : USB Flash Driver atau Harddisk portabel dengan space kosong kurang lebih GB

Kirimkan ke email:

Berikut ini daftar koleksi webinar yang saya miliki:

* Algorithmic Trading with MATLAB – Update for 2009 (United Kingdom)
* Algorithmic Trading with MATLAB for Financial Applications
* Application Deployment with MATLAB
* Assess C & C + + Code Quality and Reuse Software with PolySpace Products
* Color Image Processing with MATLAB
* Data Analysis with MATLAB Products
* Data Analysis with Statistics and Curve Fitting Toolboxes
* Deploying MATLAB Applications to the Web
* Deploying MATLAB Components to C C + + Java NET and Excel
* Developing Measurement and Analysis Systems using MATLAB
* Image and Video Processing with DSPs and FPGAs
* Video and Image Processing using MATLAB
* Biomedical Image Processing for Faculty and Academic Researchers
* Introduction to Computational Finance with MATLAB_A Risk Management Example
* Introduction to Curve Fitting for Nonprogrammers
* Introduction to Econometrics Toolbox
* Introduction to Optimization with MATLAB Products
* Large Data Sets in MATLAB
* MATLAB for C C + + Programmers
* MATLAB for Java Programmers
* MATLAB for Signal Processing
* MATLAB for Teaching
* MATLAB for the Life Sciences
* MATLAB Tools for Test and Measurement
* Multivariate Data Analysis and Monitoring for the Process Industries
* New Tools for Symbolic Computing in MATLAB (2008)
* Object-Oriented Programming in MATLAB
* Parallel Computation with The MathWorks Distributed Computing Tools and Windows CCS Scheduler
* Parallel Computing with MATLAB – What’s New in R2009a
* Parallel Computing with MATLAB in Computational Finance
* Response Surface Models of Drug Interactions with Curve Fitting Toolbox
* Speeding up MATLAB Applications
* Speeding up MATLAB Applications_Australia
* Tips and Tricks_Data Analysis and Surface Fitting with MATLAB
* Tips and Tricks_Getting Started Using Optimization with MATLAB
* Using MATLAB on Multicore Machines
* Using MATLAB to Develop Financial Models
* Using SystemTest with Excel
* What’s New for MATLAB with R2009a
* What’s New for Object-Oriented Programming in MATLAB
* Deploying MATLAB Components to C-C + +, JAVA,. NET, and Excel
* Introduction to Matlab
* MATLAB for C programmers and Cplusplus
* Parallel Computing with MATLAB
* Parallel Computing with MATLAB for Administrators
* Parallel Computing with MATLAB-What’s New in R2008b
* Speeding up MATLAB Applications
* Tips and Tricks_Getting Started Using Optimization with MATLAB
* Compiling applications in MATLAB
* Image processing using Matlab
* MATLAB for Excel Users
* MATLAB for Excel users
* Introduction to MATLAB 7
* Use MATLAB to develop and implement financial models
* Processing and analysis of data using packets Statistics Toolbox and Curve Fitting Toolbox

Gambar 1. Eye Tracking sebagai alat diagnosa medis

“Mata adalah jendela dunia”

Pepatah itu barangkali sangat cocok untuk menggambarkan betapa berharganya mata manusia. Selain sebagai salah satu anggota panca indera, gerakan mata juga menyimpan berbagai macam informasi yang sangat bermanfaat. Penelitian yang berfokus pada deteksi gerakan mata dan ekstraksi informasi dari gerakan mata dikenal dengan Eye Tracking atau Gaze Tracking. Saat ini, penelitian di bidang eye tracking memasuki era ke-4. Rayner [1] mengklasifikasikan karakteristik penelitian eye tracking di tiga era pertama:

• Tahun 1879-1920: ditandai dengan berbagai macam fakta tentang mata dan gerakannya, seperti saccadic movements, saccade latency, dan kelainan pada mata manusia di mana seseorang tidak bisa memperkirakan jauh dekatnya jarak sebuah objek di hadapannya.
• Taun 1930-1958: ditandai dengan munculnya penelitian-penelitian aplikatif yang memanfaatkan gerakan mata manusia, terutama untuk penelitian di bidang psikologi.
• Tahun 1970-1998: perkembangan penelitian aplikatif ditandai dengan munculnya berbagai macam metode deteksi gerakan mata dan perekaman gerakan mata yang semakin akurat.

Perkembangan teknologi perekaman gerakan mata dan metode deteksi mata yang semakin akurat, penelitian di bidang eye tracking mulai merambah bidang keilmuan yang lain, seperti medis, otomotif, rekayasa (engineering), bahkan ilmu relasi sosial. Dengan mengetahui posisi dan gerakan mata manusia, kita bisa memperkirakan apakah seseorang menderita kelainan di sistem keseimbangan (yang berada di telinga bagian dalam). Penelitian eye tracking untuk mendeteksi kelainan pada sistem keseimbangan manusia  ini dikenal dengan istilah diagnostic eye tracking atau medical eye tracking (lihat Gb. 1) [2 - 5]. Bidang penelitian ini sudah berlangsung sejak tahun 1870-an, dimana gerakan mata dideteksi dengan menempelkan sensor-sensor elektroda di sekitar mata [2]. Gerakan mata dideteksi dari perbedaan tegangan antara dua elektroda. Penelitian berlanjut dengan penggunaan koil (Scleral Search Coil) pada tahun 1963 [3]. Lensa kontak berisi dua koil induksi dimasukkan ke dalam mata. Pasien didudukkan di sebuah ruangan dengan medan elektromagnetik seragam yang berguna untuk membangkitkan tegangan induksi pada koil tersebut. Kabel tipis menghubungkan koil dengan dengan sebuah mesin khusus yang berfungsi mentranslasikan tegangan induksi pada koil menjadi sudut gerakan mata.  Penelitian medical eye tracking dengan memanfaatkan signal atau image processing dimulai pada tahun 1980 sampai dengan hari ini [4]. Berbagai macam metode digunakan untuk mendeteksi posisi 2D atau 3D mata manusia. Posisi 3D mata manusia meliputi posisi horisontal, vertikal, dan torsional. Tren deteksi mata dengan image processing saat ini mulai digunakan juga pada objek hewan, untuk mengetahui tingkah laku dan fokus perhatian hewan saat beraktivitas [5].

Gambar 2. Natural Task Behaviour

Selain itu, gerakan mata manusia juga mengandung berbagai macam informasi, seperti interest of view seseorang saat ia memeriksa sebuah objek 2D atau 3D yang berada di hadapannya. Penelitian bertema usability sering memanfaatkan variabel-variabel yang erat kaitannya dengan interest of view seseorang terhadap sebuah objek. Dengan mengetahui interest of view seseorang, kita akan memahami apakah sebuah objek 2D atau 3D mudah digunakan, dan apa yang menjadi fokus perhatian pemakai objek tersebut. Penelitian lain yang melibatkan interest of view adalah natural task behaviour. Dengan menyelidiki fokus perhatian seseorang saat mengerjakan tugas sehari-hari (seperti membasuh tangan, mencuci piring, menulis, membaca, dan lain-lain), kita bisa men-sintesis kamera pada robot untuk bergerak ke objek yang menjadi fokus perhatian saat robot tersebut melakukan tugas manusia sehari-hari (lihat Gb. 3) [6-7].

Gambar 3. Driver Monitoring

Gerakan mata manusia juga bermanfaat untuk mengetahui fokus seseorang saat mengemudikan mobil. Dengan mengetahui arah gerakan mata, sebuah mobil bisa dilengkapi denganearly warning fatigue detection atau driver monitoring untuk mengurangi resiko kecelakaan. Selain gerakan mata, lama atau tidaknya seseorang menutup mata saat mengemudi bisa menjadi indikasi adanya rasa kantuk saat mengemudi [7].

Demikianlah artikel singkat mengenai penelitian di bidang eye tracking. Berbagai macam aplikasi dan informasi bisa kita dapatkan dengan memperhatikan secara seksama perilaku gerakan mata manusia. Penelitian di bidang eye tracking bahkan memberikan pengaruh yang cukup signifikan di bidang ilmu yang lain, dengan memberikan kontribusi informasi perilaku visual manusia dan hewan.

Aplikasi:

Untuk melihat aplikasi eye tracking dalam dunia medis, Anda bisa mengunjungi link penelitian saya.

An introduction to Programming for Medical Image Analysis With the Visualization Toolkit (283 pages).  This book is an edited and expanded collection of class notes that we wrote for the graduate seminar “Programming for Medical Image Analysis” (ENAS 920a) that was taught at Yale University, Department of Biomedical Engineering, in the Spring of 2009. It is currently in draft version but it is made available in the hope that it will be useful as a (self-)teaching tool for researchers in this area. Please be warned that the book is still in preparation — in particular the references section is still incomplete

Informasi lebih lanjut dan link download, silahkan buka link di bawah ini:

http://www.bioimagesuite.org/vtkbook5/index.html

Visualization Toolkit atau lebih dikenal dengan VTK adalah sebuah library open-source dan tidak berbayar yang digunakan untuk keperluan visualisasi 3D dimensi dengan pemrograman komputer grafis dan pengolahan citra (image processing). VTK dikembangkan oleh Kitware Inc. (http://www.kitware.com/ ). Kitware Inc. menyediakan training dan dukungan berbayar yang ditujukan bagi para pengembang VTK yang ingin belajar dengan struktur yang lebih sistematis.

VTK terdiri atas class-class C++ dan beberapa lapisan untuk bahasa pemrograman Java, Python, serta Tcl/Tk. VTK mendukung berbagai macam algoritma visualisasi seperti: scalar, vector, tensor, texture, dan metode volumetric, serta modeling tingkat lanjut seperti: implicit modeling, polygon reduction, mesh smoothing, cutting, contouring, dan delaunay triangulation. VTK bisa dijalankan pada platform sistem operasi Microsoft Windows XP, Linux, serta platform  Unix lainnya.

VTK digunakan secara luas oleh berbagai komunitas penelitian di seluruh dunia. Penggunaan VTK yang cukup luas ini didukung oleh dokumentasi yang rapi, baik dokumentasi tak berbayar (seperti mailing list, forum diskusi, sampai dengan tutorial yang tersedia di internet) sampai dengan buku panduan resmi yang bisa diperoleh di Amazon.Com.

VTK bisa didapatkan dengan mengakses website resmi: http://vtk.org/ . Seluruh dokumentasi, data pendukung, dan perangkat lunak tambahan juga bisa didapatkan di website tersebut.  Pada tutorial kali ini, penulis akan menjelaskan langkah-langkah sederhana instalasi dan konfigurasi VTK di sistem operasi Windows XP dengan compiler Microsoft Visual Studio 2005. Harapannya, tutorial ini bisa membantu para peneliti yang berkarya di bidang image processing, computer vision, augmented reality, maupun visualisasi grafis di Indonesia untuk mengembangkan penelitiannya dan menghasilkan sesuatu yang bermanfaat bagi kemajuan bangsa dan negara kita, Indonesia.

Untuk melihat tutorial, silahkan download file PDF di sini

Pada artikel sebelumnya, kita telah mempelajari dasar-dasar Augmented Reality. Pada artikel kali ini, kita akan melakukan instalasi ARToolkit pada sistem operasi Windows XP (untuk pengguna Windows Vista atau Seven, saya tidak bisa memberikan jaminan bahwa tutorial ini akan berhasil dengan baik). Sebagai catatan, artikel instalasi ARToolkit ini sedikit banyak saya ambil dari sebuah buku ARToolkit berbahasa Jepang, berjudul: ARToolKit拡張現実感プログラミング入門 (Introduction to Augmented Reality Programming with ARToolkit) dengan website resmi yang bisa Anda akses di link ini (jika Anda membutuhkan source code program untuk latihan, Anda bisa juga mendownload file ISO yang berisi program-program latihan dari buku ini).

Nah, tanpa banyak kata, kita mulai saja proses instalasinya. 一緒にはじめましょ…(Bersama-sama, mari kita mulai!)

1. Kebutuhan Hardware

• Komputer dengan spesifikasi minimal RAM minimal 512 MHz dan VGA minimal 128MB
• Webcamera QuickCam Logitech berikut driver-nya. Untuk mendapatkan frame rate yang tinggi, saya sarankan Anda menggunakan kamera Logitech QuickCam Pro 9000 (Anda bisa mendapatkan frame rate sampai dengan 60 Hertz)
• Marker atau patterns (sudah tersedia di dalam instalasi ARToolkit).
• Printer, dibutuhkan untuk mencetak marker yang ada di dalam file instalasi ARToolkit. Adapun pattern yang akan kita pakai pada instalasi kita adalah pattHiro.pdf (lihat gambar di bawah ini):

2. Kebutuhan Software (plus additional DLL)

• Paket ARToolKit, bisa diperoleh di sini: http://sourceforge.net/projects/artoolkit/files/
  Percobaan ini menggunakan ARToolKit versi 2.7.2.1
• Sistem operasi Windows XP (sampai saat ini kompatibilitas Windows Vista dan Seven belum teruji)
• OpenGL library dan GLUT. Untuk OpenGL, sudah terinstalasi bersama sistem operasi Windows XP. Untuk GLUT, silahkan download versi 3.7.6 di sini:
  http://www.xmission.com/~nate/glut.html
• DSVideoLib-0.0.8b-win32, bisa didownload di halaman yang sama dengan paket ARToolKit.
• DirectX Runtime minimal versio 9.0b.
• OpenVRML-0.14.3-win32, bisa didownload di halaman yang sama dengan paket ARToolKit
• File library DLL tambahan: msvcp71d.dll dan msvcr71d.dll. Bisa di-download di sini:
  additional_dll.zip
• Development environment, menggunakan Microsoft Visual Studio 2005 atau Visual Studio 2008. Dalam percobaan ini kami menggunakan Visual Studio 2005.

3. Langkah-langkah instalasi

a. Unzip file GLUT yang sudah Anda download. Instalasi GLUT dilakukan dengan mengopikan file-file di bawah ini:

• Kopikan file glut32.dll ke C:\Windows\System32
• Kopikan file glut.h di C:\Program Files\Microsoft Visual Studio 8\VC\PlatformSDK\Include\gl
• Kopikan file glut32.lib ke C:\Program Files\Microsoft Visual Studio 8\VC\PlatformSDK\Lib

b. Kopikan file DLL tambahan msvcp71d.dll dan msvcr71d.dll ke C:\Windows\System32

c. Unzip file ARToolKit dan kopikan ke dalam C:\Program Files\, sehingga folder root Anda akan memiliki path sebagai berikut C:\Program Files\ARToolKit. Untuk selanjutnya, path ini akan disingkah sebagai {artoolkit} saja.

d. Unzip file DSVideoLib, pastikan semua file berada di dalam folder bernama “DSVL”. Kemudian kopikan folder “DSVL” tersebut ke dalam folder {artoolkit}.

e. Kopikan file DSVL.dll dan DSVLd.dll dari {artoolkit}\DSVL\bin ke dalam {artoolkit}\bin

f. Unzip file OpenVRML dan kopikan folder OpenVRML ke dalam {artoolkit}

g. Kopikan file js32.dll dari {artoolkit}\OpenVRML\bin ke dalam {artoolkit}\bin

h. Buka command prompt dengan memencet tombol Start >> Run, kemudian mengisikan perintah “cmd”.

i. Jalankan script {artoolkit}\Configure.win32.bat untuk membuat file {artoolkit}\include\AR\config.h sebagaimana gambar di bawah ini:

j. Terakhir, buka folder C:\Program Files\ARToolKit\bin dan kopikan semua file *.dll dalam folder tersebut ke C:\Windows\System32

Untuk mendapatkan kecepatan capture yang cukup baik, tingkatkan frame rate kamera menjadi 30 Hz. Kemudian cobalah dua buah program, simpleLite.exe dan simpleVRML.exe. Jangan lupa gunakan marker/pattern yang sudah Anda cetak dan hadapkan ke webcam Anda.

a. SimpleLite : C:\Program Files\ARToolKit\bin\simpleLite.exe

b. SimpleVRML: C:\Program Files\ARToolKit\bin\simpleVRML.exe

5. Membangun project AR di Visual Studio 2005

Nah, Sahabat DIP.Warrior, jika pada tutorial sebelumnya kita sudah mencoba beberapa program ARToolkit, langkah-langkah di bawah akan menjelaskan secara bertahap .
a. Buatlah project baru dengan nama simple. Pilih “Create directory for solution” untuk memastikan project yang dibuat disimpan dalam direktori yang sesuai dengan nama project tersebut. Perhatikan gambar di bawah ini.

b. Untuk project kali ini, kita akan membuat sebuah Console application. Pilih “Empty project” untuk membuat project kosong tanpa Predefined header. Untuk lebih jelasnya, perhatikan gambar di bawah ini.

c. Untuk mengonfigurasi Visual Studio 2005, kita perlu menambahkan beberapa parameter. Pilih “Tools” >> “Options”.

d. Pada bagian “Project and Solutions”, pilih “VC++ Directories”. Kemudian, pada menu “Show directories for:” di bagian kanan, pilih “Include files”.

e. Isikan path di bawah ini:

C:\Program Files\ARToolKit\include
C:\Program Files\ARToolKit\OpenVRML\include
C:\Program Files\ARToolKit\OpenVRML\dependencies\include

f. Setelah langkah (g) selesai dilakukan, pilih kembali menu “Show directories for:” pada bagian kanan atas. Pilih “Library files”. Masukkan path di bawah ini:

C:\Program Files\ARToolKit\lib
C:\Program Files\ARToolKit\OpenVRML\lib
C:\Program Files\ARToolKit\OpenVRML\dependencies\lib

g. Pada bagian Solution Explorer, klik kanan folder “Source Files”. Tambahkan file baru dengan memilih menu “Add” >> “New Item”

h. Buatlah sebuah file C++ dengan nama “simple.cpp”. Bukalah file simpleLite.c dalam folder {artoolkit}\examples\simpleLite, kemudian kopikan isi file tersebut ke file “simple.cpp” yang telah Anda buat.

i. Buka properties dari file project Anda dengan memilih menu “Project” >> “simple Properties” sebagaimana gambar di bawah ini.

j. Pada menu bagian kiri, pilih “Configuration Properties” >> “Linker” >> “Input”. Kemudian lihat menu isian di bagian kanan. Piliah “Additional Dependencies”.

k. Isikan nama library di bawah ini, lengkap dengan tanda (“ ”) di bagian isian “Additional Dependencies”:

“libARd.lib”
“libARgsubd.lib”
“libARgsub_lited.lib”
“libARgsubUtild.lib”
“libARMultid.lib”
“libARvideod.lib”
“libARvrmld.lib”
“openvrml.lib”
“openvrmlgl.lib”
“antlr.lib”
“regex.lib”
“libjpeg.lib”
“libpng.lib”
“zlib.lib”
“ws2_32.lib”
“opengl32.lib”
“glu32.lib”
“glut32.lib”

l. Kopi folder “Data” dari {artoolkit}\bin ke dalam direktori project Anda: C:\Documents and Settings\<userAnda>\My Documents\Visual Studio 2005\Projects\simple\simple

m. Pilih menu “Debug” >> “Start Debugging” untuk menjalankan aplikasi dan men-debug kesalahan yang muncul

[Catatan 1]

Pada langkah “l”, Anda harus mengopikan folder “Data” dari {artoolkit}/bin ke dalam direktori project Anda. Ada cara lain yang bisa Anda lakukan, tanpa harus mengopikan folder “Data” ke dalam setiap folder project Anda, sebagai berikut:

a. Masukkan path folder {artoolkit}/bin ke dalam environment variables Windows XP. Caranya, klik menu “Start”, kemudian pada ikon “My Computer”, klik kanan mouse Anda. Pilih “Properties” >> “Advanced” . Klik tombol [Environment Variables]. Pilih bagian “Path” dan klik tombol [Edit].

b. Pada bagian “path”, tambahkan (;) kemudian isikan path berikut ini: C:\Program Files\ARToolKit\bin. Setelah itu klik [OK].

c. Restart komputer Anda.

d. Amati nama webcam yang terdeteksi di komputer Anda. Pada komputer yang saya gunakan, webcam terdeteksi dengan nama “Logitech QuickCam Easy/Cool”.

e. Buka folder “Data” di {artoolkit}/bin, kemudian edit file “WDM_camera_flipV.xml”. Sesuaikan nama user pada path “Document and Settings” dan ubah “Friendly Name” sesuai dengan nama webcam yang terdeteksi di komputer Anda. Pada komputer saya, nama webcam yang terdeteksi adalah “Logitech QuickCam Easy/Cool”

f. Pada Project Anda, buka properties, kemudian pilih “Debugging” di menu bagian kiri. Masukkan working directory Anda sebagai berikut: C:\Program Files\ARToolKit\bin
Kemudian tekan [Apply] dan [OK]

[Catatan 2]

Untuk pilihan “Release”, Anda harus mengganti beberapa “Additional Dependencies” sebagaimana dijelaskan langkah “k”. Beberapa library yang harus diganti antara lain:

NB:
* Jika Anda membutuhkan file PDF tutorial di atas, silahkan download di link ini: instalasi_artoolkit
* Tutorial ini hanya ditujukan untuk kepentingan penelitian belaka. Jika Anda akan mencantumkannya untuk tujuan komersial (dalam pembuatan buku, makalah berbayar atau paper untuk jurnal maupun konferensi, atau perangkat lunak komersial berbasis ARToolkit), dimohon menghubungi penulis untuk copyright agreement.

Regards,

- Sunu Wibirama -

]]> http://wibirama.com/dip/2010/11/17/image-processing-instalasi-artoolkit-di-windows-xp/feed/ 10