Pewarnaan Citra Grayscale dengan Metode CNN dan Inception-ResNet-V2

Citra merupakan sebuah ruang dua dimensi berupa perpaduan antara titik, garis, bidang dan warna yang berguna untuk menerangkan, menjelaskan, ataupun menceritakan sesuatu. Warna dalam citra mampu bisa memberikan wawasan atau informasi yang lebih luas terhadap representasi citra tersebut. Pada tugas akhir ini penulis mengusulkan pewarnaan citra grayscale menggunakan deep learning dengan metode CNN untuk mengekstraksi fitur dalam citra. Citra diubah ke dalam ruang warna CIE L*a*b, dengan memanfaatkan L* sebagai channel yang mirip grayscale dan a*b* sebagai channel warna sehingga proses pewarnaan dilakukan dengan mengestimasi 2 channel warna yaitu a*b*. Arsitektur yang digunakan mengadopsi konsep autoencoder dimana encoder melakukan ekstraksi fitur yang kemudian decoder melakukan penerjemahan hasil encoding semirip mungkin dengan input encoder. Pada arsitektur ini ditambahkan fitur yang diambil dari pretrained-model Inception-ResNet-V2 untuk mendapatkan fitur dengan level lebih tinggi sehingga diharapkan mampu memberikan output yang lebih bagus. Pada tahap pengujian dilakukan perbandingan dengan metode lain dan dilakukan survei terhadap responden untuk memilih metode yang dianggap lebih baik dari setiap citra yang telah dilakukan pewarnaan terhadap metode-metode tersebut.viii Hasil dari survei menunjukkan metode dengan Autoencoder VGG16 lebih banyak dipilih oleh responden dibandingkan dengan metode dengan metode Autoencoder dan Inceptioption-ResNet-V2 dengan perolehan nilai masing-masing 235 dan 150 dari 25 responden. ================================================================================================ Image is a 2 dimension space that composed from point, line, object and color. Image can deliver information. Color is part of image that can gove additional information and make the image more informative. Many old image has bad color that make the image has less information. In this undergraduate thesis, writer want to colorize grayscaled image using CNN method in deep learning concept. Image transformed into L*a*b* color space. Grayscaled image represented in L* channel.and the model would predict the estimated color represented in a*b* channel. The architecture adobt autoencoder concept. Which the encoder component extract image feature then the decoder component decode the encoded feature to get output as similar as input. But on this research we add more feature from pretrained model Inception-ResNet-V2 then add fusion component architecture to combine encoded feature and Inception-ResNet-V2 feature. With higer feature hope to give better result at colorizing On evaluating colorized image result we are comparing this method’s model with other models. And make a survey to respondents to choose best image that has been colorized. The survey’s result is autoencoder VGG16 got higher score than Autoencoder Inception-ResNet-V2 with 235 score for autoencoder VGG16 and 150 for autoencoder Inception-ResNet-V2