Perpustakaan Digital ITB

Kekonstanan warna bertujuan untuk memulihkan warna intrinsik objek di bawah kondisi pencahayaan yang bervariasi. Namun, proses pemulihan ini masih menghadapi berbagai tantangan pada pencitraan di dunia nyata akibat pantulan yang bervariasi secara spasial, derau pencitraan, dan pencahayaan yang tidak merata. Selain itu, metode statistik konvensional sering kali bergantung pada asumsi yang kaku, sementara pendekatan berbasis deep learning sering berfungsi sebagai model kotak hitam dengan interpretabilitas fisis yang terbatas dan membutuhkan komputasi yang tinggi. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan kerangka kerja koreksi spektral berbasis optimisasi untuk kekonstanan warna citra yang mengintegrasikan pemodelan pembentukan citra fisis dengan strategi estimasi yang dapat dijelaskan secara fisis. Pendekatan ini merumuskan koreksi spektral sebagai masalah inversi linier turunan dari model pembentukan citra diskrit, di mana interaksi antara pantulan permukaan dan pencahayaan diestimasi melalui koefisien spektral. Estimasi koefisien spektral tersebut diselesaikan menggunakan model optimasi berbobot dengan penalti kemulusan berbasis operator turunan pertama, sehingga spektrum koreksi yang dihasilkan bersifat kontinu dan mulus sesuai karakteristik fisis spektrum optik. Guna mengatasi keterbatasan rumusan ill-posed, sebuah mekanisme pembobotan adaptif digunakan untuk mengatur kontribusi setiap piksel berdasarkan tingkat keandalannya. Digunakan fungsi biaya berdasarkan rata-rata galat sudut tiap warna referensi yang akan dievaluasi lalu dicari bobot optimal untuk meminimalkan galat sudut (angular error) antara estimasi warna dengan warna referensi. Dalam proses ini, piksel dengan bobot rendah akan cenderung bernilai serupa dengan sebelumnya sedangkan bobot tinggi akan lebih ditekan intensitasnya. Validasi eksperimen dilakukan menggunakan modul kamera Raspberry Pi 3 untuk menangkap data sensor mentah, 24 patch warna standar sebagai referensi kromatisitas, dan lampu pintar yang dapat disesuaikan. Suhu warna pencahayaan divariasikan secara sistematis mulai dari rentang 3000K hingga 6500K untuk menguji ketangguhan algoritma di berbagai kondisi. Validasi tambahan dilakukan pada dataset publik Intel-TAU (subset lab_realscene dan field_3_cameras, kamera Sony IMX135) untuk menguji generalisasi metode pada perangkat dan kondisi pencahayaan yang berbeda. Hasil penelitian menunjukkan bahwa kerangka kerja berbasis regularisasi Tikhonov dengan pembobotan hasil optimasi PSO secara konsisten menurunkan galat sudut rata-rata, median, dan persentil ke-95 dibandingkan dengan baseline tanpa pembobotan maupun metode eksklusi patch secara manual. Pada eksperimen laboratorium, galat sudut rata-rata turun dari 3,37° (tanpa koreksi) menjadi 0,37° pada skema seluruh patch dengan bobot hasil optimasi PSO. Pada dataset publik Intel-TAU, galat sudut rata-rata turun dari 7,12° menjadi 1,25°, dengan median 1,02° dan persentil ke-95 sebesar 3,06°. Sebagai pembanding, metode Single Pixel Spectral Color Constancy pada pengujian lintas-dataset Intel-TUT mencatatkan galat sudut rata-rata 1,65°, median 1,04°, dan persentil ke-95 sebesar 5,22°, sehingga performa kerangka kerja yang diusulkan berada pada tingkat yang kompetitif meskipun protokol pengujian keduanya tidak sepenuhnya setara. Pendekatan ini juga terbukti mempersempit sebaran galat pada setiap patch, yang mengindikasikan bahwa hasil koreksi warna tersebar lebih seragam di seluruh rentang warna pada color checker. Kontribusi utama penelitian ini terletak pada rumusan persamaan pantulan teregulasi dan algoritma pembobotan kontinu yang secara efektif mengintegrasikan interpretasi fisis dengan ketangguhan pemrosesan citra bingkai penuh (full-frame). Pendekatan ini menjembatani kesenjangan antara model fisis berbasis patch yang terkontrol dengan sifat citra nyata yang tidak dapat diprediksi.