Imageprocessing 150225205004 Conversion Gate01
-
Upload
endimion-d-re-born -
Category
Documents
-
view
214 -
download
0
Transcript of Imageprocessing 150225205004 Conversion Gate01
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 1/46
6
BAB II
KAJIAN PUSTAKA
2.1 PENGOLAHAN CITRA ( IMAGE PROCESSING)
Data atau informasi tidak hanya disajikan dalam bentuk teks, tetapi juga dapat
berupa citra, audio (bunyi, suara, musik), dan video. Keempat macam data atau
informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat
dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin
dengan menyertakan visualisasi berupa citra atau video yang dapat diputar. Beberapa
waktu lalu istilah SMS begitu populer diantara pengguna telepon genggam (handphone).
Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks tapi juga
dalam bentuk citra maupun video yang dikenal dalam layanan MMS (Multimedia
Message Service). Citra (image) adalah istilah lain untuk citra sebagai salah satu
komponen multimedia memegang peranan sangat penting sebagai bentuk informasi
visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya
dengan informasi. Maksudnya sebuah citra dapat memberikan informasi lebih banyak
daripada informasi tersebut disajikan dalam bentuk tekstual.
Pengolahan citra digital atau Digital Image Processing adalah bidang yang
berkembang sangat pesat sejalan dengan kemajuan teknologi pada industri saat ini.
Fungsi utama dari Digital Image Processing adalah untuk memperbaiki kualitas dari
citra sehingga citra dapat dilihat lebih jelas tanpa ada ketegangan pada mata, karena
informasi penting diekstrak dari citra yang dihasilkan harus jelas sehingga didapatkan
hasil yang terbaik. Selain itu DIP digunakan untuk memproses data yang diperoleh
dalam persepsi mesin, yaitu prosedur–prosedur yang digunakan untuk mengekstraksi
informasi dari citra informasi dalam bentuk yang cocok untuk proses komputer. Proses
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 2/46
7
dalam persepsi mesin, yaitu prosedur–prosedur yang digunakan untuk mengekstraksi
informasi dari citra informasi dalam bentuk yang cocok untuk proses komputer. Proses
pengolahan citra digital dengan menggunakan komputer digital terlebih dahulu
mentransformasikan citra ke dalam bentuk besaran-besaran diskrit dari nilai tingkat
keabuan pada titik-titik elemen citra. Bentuk citra ini disebut citra digital.
Elemen-elemen citra digital apabila ditampilkan dalam layar monitor akan
menempati sebuah ruang yang disebut dengan pixel ( picture elemen/pixel ). Teknik dan
proses untuk mengurangi atau menghilangkan efek degradasi pada citra digital meliputi
perbaikan citra (image enhancement ), restorasi citra (image restoration), dan
transformasi spasial (spatial transformation). Subyek lain dari pengolahan citra digital
diantaranya adalah pengkodean citra (image coding ), segmentasi citra (image
segmentation), representasi dan diskripsi citra (image representation and description ).
Pengolahan citra digital memiliki banyak aplikasi seperti pada bidang penginderaan
jarak jauh, robotik, pemetaan, biomedis, dan sebagainya. Perlengkapan pengolahan citra
digital minimal terdiri atas alat pemasukan data citra berupa digitizer atau scanner,
computer digital, alat penyimpanan data dengan kapasitas yang besar.
Citra (image) –istilah lain untuk citra– sebagai salah satu komponen multimedia
memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai
karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada
sebuah peribahasa yang berbunyi “sebuah citra bermakna lebih dari seribu kata” (a
picture is more than a thousand words). Maksudnya tentu sebuah citra dapat
memberikan informasi yang lebih banyak daripada informasi tersebut disajikan dalam
bentuk kata-kata (tekstual).
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 3/46
8
Bab ini berisi pembahasan mengenai citra dan pengolahannya. Selain itu, di
dalam bab ini dipaparkan pula bidang-bidang yang berkaitan dengan pengolahan citra,
seperti grafika komputer dan pengenalan pola.
Secara harafiah, citra (image) adalah citra pada bidang dwimatra (dua dimensi).
Gambar 2.1 adalah citra seorang gadis model yang bernama Lena, dan citra di sebelah
kanannya adalah citra kapal di sebuah pelabuhan. Ditinjau dari sudut pandang
matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada
bidang dwimatra. Sumber cahaya menerangi objek, objek memantulkan kembali
sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh oleh alat-alat
optik, misalnya mata pada manusia, kamera, pemindai ( scanner ), dan sebagainya,
sehingga bayangan objek yang disebut citra tersebut terekam. Citra sebagai keluaran dari
suatu sistem perekaman data dapat bersifat:
1. Optik berupa foto,
2. Analog berupa sinyal video seperti citra pada monitor televisi,
3. Digital yang dapat langsung disimpan pada suatu pita magnetik.
Citra yang dimaksudkan di dalam keseluruhan isi buku ini adalah “citra diam” ( still
images). Citra diam adalah citra tunggal yang tidak bergerak. Gambar 2.1 adalah dua
buah citra diam. Untuk selanjutnya, citra diam kita sebut citra saja.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 4/46
9
a. Wanita b. Kapal
Gambar 2.1 Citra Wanita dan Kapal
Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan
secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai citra yang
bergerak. Setiap citra di dalam rangkaian itu disebut frame. Citra-citra yang tampak pada
film layar lebar atau televisi pada hakikatnya terdiri atas ratusan sampai ribuan frame.
Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita miliki
mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau derau (noise),
warnanya terlalu kontras, kurang tajam, kabur (blurring ), dan sebagainya. Tentu saja
citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan
oleh citra tersebut menjadi berkurang.
Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh manusia
maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain yang
kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra
(image processing ).
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 5/46
10
Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan
komputer, menjadi citra yang kualitasnya lebih baik. Sebagai contoh, citra burung nuri
pada Gambar 2.2 (a) tampak agak gelap, lalu dengan operasi pengolahan citra
kontrasnya diperbaiki sehingga menjadi lebih terang dan tajam (b).
Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila :
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas
penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di
dalam citra,
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur.
3. Sebagian citra perlu digabung dengan bagian citra yang lain.
a b
Gambar 2.2. (a) Citra burung nuri yang agak gelap, (b) Citra burung yang telah
diperbaiki kontrasnya sehingga terlihat jelas dan tajam
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 6/46
11
Di dalam bidang komputer, sebenarnya ada tiga bidang studi yang berkaitan
dengan data citra, namun tujuan ketiganya berbeda, yaitu:
1. Grafika Komputer (computer graphics).
2. Pengolahan Citra (image processing ).
3. Pengenalan Pola ( pattern recognition/image interpretation).
Hubungan antara ketiga bidang (grafika komputer, pengolahan citra, pengenalan pola)
ditunjukkan pada Gambar 2.3.
Gambar 2.3. Tiga bidang studi yang berkaitan dengan citra
Grafika Komputer bertujuan menghasilkan citra (lebih tepat disebut grafik atau
picture) dengan primitif-primitif geometri seperti garis, lingkaran, dan sebagainya.
Primitif-primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-
elemen citra. Contoh data deskriptif adalah koordinat titik, panjang garis, jari-jari
lingkaran, tebal garis, warna, dan sebagainya. Grafika komputer memainkan peranan
penting dalam visualisasi dan virtual reality.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 7/46
12
Gambar 2.4 Proses Grafik Komputer
Contoh grafika komputer misalnya mengcitra sebuah ‘rumah’ yang dibentuk oleh
garis-garis lurus, dengan data masukan berupa koordinat awal dan koordinat ujung garis
(Gambar 2.5).
Gambar 2.5. (a) Program Grafika Komputer untuk membuat citra ‘rumah (b) Hasil
citra rumah
Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah
diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Teknik-teknik
pengolahan citra mentransformasikan citra menjadi citra lain. Jadi, masukannya adalah
citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih baik
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 8/46
13
daripada citra masukan. Termasuk ke dalam bidang ini juga adalah pemampatan citra
(image compression).
Gambar 2.6 Proses Pengolahan Citra
Pengubahan kontras citra seperti pada Gambar 2.6 adalah contoh operasi
pengolahan citra. Contoh operasi pengolahan citra lainnya adalah penghilangan derau
(noise) pada citra wanita (Gambar 2.7). Citra wanita yang di sebelah kiri mengandung
derau berupa bintik-bintik putih (derau). Dengan operasi penapisan ( filtering ), derau
pada citra masukan ini dapat dikurangi sehingga dihasilkan citra wanita yang kualitasnya
lebih baik.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 9/46
14
(a) (b)
Gambar 2.7. (a) Citra Wanita yang mengandung derau, (b) hasil dari operasi
penapisan derau.
Pengenalan Pola mengelompokkan data sistem dan simbolik (termasuk citra)
secara otomatis oleh mesin. Tujuan pengelompokan adalah untuk mengenali suatu objek
di dalam citra. Manusia mengenali objek yang dilihatnya karena otak manusia telah
belajar mengklasifikasi objek-objek di alam sehingga mampu membedakan suatu objek
dengan objek lainnya. Kemampuan sistem visual manusia inilah yang dicoba ditiru oleh
mesin. Komputer menerima masukan berupa citra objek yang akan diidentifikasi,
memproses citra tersebut, dan memberikan keluaran berupa deskripsi obyek di dalam
citra.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 10/46
15
Gambar 2.8 Proses Pengenalan Pola
Contoh pengenalan pola misalnya citra pada Gambar 2.8 adalah tulisan tangan
yang digunakan sebagai data masukan untuk mengenali karakter ‘ A’. Dengan
menggunakan suatu algoritma pengenalan pola, diharapkan komputer dapat mengenali
bahwa karakter tersebut adalah ‘ A’.
Citra 2.9. Citra karakter ‘A’ yang digunakan sebagai masukan untuk pengenalan huruf.
2.2 COMPUTER VISION DAN HUBUNGANNYA DENGAN PENGOLAHAN
CITRA
Terminologi lain yang berkaitan erat dengan pengolahan citra adalah computer
vision atau machine vision. Pada hakikatnya, computer vision mencoba meniru cara
kerja sistem visual manusia (human vision). Human vision sesungguhnya sangat
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 11/46
16
kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra objek
diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek apa yang
tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk
pengambilan keputusan (misalnya menghindar kalau melihat mobil melaju di depan).
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah
besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi,
pengenalan (recognition), dan membuat keputusan.
Computer vision terdiri dari teknik-teknik untuk mengestimasi ciri-ciri objek di
dalam citra, pengukuran ciri yang berkaitan dengan geometri objek, dan
menginterpretasi informasi geometri tersebut. Mungkin berguna bagi anda untuk
mengingat persamaan berikut:
Vision = Geometry + Measurement + Interpretation (2.1)
Proses-proses di dalam computer vision dapat dibagi menjadi tiga aktivitas:
1. Memperoleh atau mengakuisisi citra digital.
2. Melakukan teknik komputasi untuk memperoses atau memodifikasi data citra
(operasi-operasi pengolahan citra).
3. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan untuk
tujuan tertentu, misalnya memandu robot, mengontrol peralatan, memantau proses
manufaktur, dan lain -lain.
Mengklasifikasikan proses-proses di dalam computer vision dalam hirarkhi
sebagai berikut :
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 12/46
17
Gambar 2.10 Hirarki Computer Vision
Dari penjelasan di atas, dapat kita lihat bahwa pengolahan citra dan pengenalan
pola merupakan bagian dari computer vision. Pengolahan citra merupakan proses awal
( preprocessing ) pada computer vision, sedangkan pengenalan pola merupakan proses
untuk menginterpretasi citra. Teknik-teknik di dalam pengenalan pola memainkan
peranan penting dalam computer vision untuk mengenali objek.
Jika dihubungkan dengan grafika komputer, maka computer vision merupakan
kebalikannya. Grafika komputer membentuk (sintesis) citra, sedangkan computer vision
mengoraknya (analisis). Pada masa awal kedua bidang ini, tidak ada hubungan antara
keduanya, tetapi beberapa tahun belakangan kedua bidang tersebut berkembang semakin
dekat. Computer vision menggunakan representasi kurva dan permukaan dan beberapa
teknik lain dari grafika komputer, sedangkan grafika komputer menggunakan teknik -
teknik di dalam computer vision untukmemuat citra realistik (virtual reality).
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 13/46
18
Operasi-operasi yang dilakukan di dalam pengolahan citra banyak ragamnya.
Namun, secara umum, operasi pengolahan citra dapat diklasifikasikan dalam beberapa
jenis sebagai berikut:
1. Perbaikan kualitas citra (image enhancement ).
Jenis operasi ini bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus
yang terdapat di dalam citra lebih ditonjolkan.
Contoh-contoh operasi perbaikan citra:
a. perbaikan kontras gelap/terang
b. perbaikan tepian objek (edge enhancement )
c. penajaman ( sharpening )
d. pembrian warna semu ( pseudocoloring )
e. penapisan derau (noise filtering )
Gambar 2.11 adalah contoh operasi penajaman. Operasi ini menerima masukan
sebuah citra yang citranya hendak dibuat tampak lebih tajam. Bagian citra yang
ditajamkan adalah tepi-tepi objek.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 14/46
19
(a) (b)
Gambar 2.11 (a) Citra Wanita asli, (b) Citra Wanita setelah ditajamkan
2. Pemugaran citra (image restoration).
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra. Tujuan
pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya, pada
pemugaran citra penyebab degradasi citra diketahui. Contoh-contoh operasi
pemugaran citra:
a. Penghilangan kesamaran (deblurring ).
b. Penghilangan derau (noise)
Gambar 2.12 adalah contoh operasi penghilangan kesamaran. Citra masukan
adalah citra yang tampak kabur (blur ). Kekaburan citra mungkin disebabkan
pengaturan fokus lensa yang tidak tepat atau kamera bergoyang pada
pengambilan citra. Melalui operasi deblurring , kualitas citra masukan dapat
diperbaiki sehingga tampak lebih baik. Dan blur merupakan proses yang terdapat
dalam filtering.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 15/46
20
(a)
(b)
Gambar 2.12 Kiri: Citra Wanita yang kabur (blur), kanan: citra Wanita setelah
deblurring
3. Pemampatan citra (image compression).
Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang
lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang
harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan
harus tetap mempunyai kualitas citra yang bagus. Contoh metode pemampatan
citra adalah metode JPEG. Perhatikan Gambar 2.13. Citra sebelah kiri adalah
citra kapal yang berukuran 258 KB. Hasil pemampatan citra dengan metode
JPEG dapat mereduksi ukuran citra semula sehingga menjadi 49 KB saja.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 16/46
21
(a) (b)
Gambar 2.13. (a) Citra boat.bmp (258 KB) sebelum dimampatkan, (b) citra
boat.jpg (49 KB) sesudah dimampatkan.
4. Segmentasi citra (image segmentation).
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa segmen
dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan pengenalan
pola.
5. Pengolahan citra (image analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk
menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-
ciritertentu yang membantu dalam identifikasi objek. Proses segmentasi
kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari
sekelilingnya.
Contoh-contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection)
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 17/46
22
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
Gambar 2.14 adalah contoh operasi pendeteksian tepi pada citra Camera.
Operasi ini menghasilkan semua tepi (edge) di dalam citra.
(a) (b)
Gambar 2.14. (a) Citra camera, (b) citra hasil pendeteksian seluruh tepi
6. Rekonstruksi citra (image reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra
hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang medis.
Misalnya beberapa foto rontgen dengan sinar X digunakan untuk membentuk
ulang citra organ tubuh.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 18/46
23
2.3 CBIR (Content Based Image Retrieval )
Perkembangan teknologi sistem informasi telah merubah cara hidup manusia
terutama dalam mencari, menyimpan dan memanfaatkan informasi yang besar, cepat
dan global. Informasi yang mengalir antar pemakai tidak hanya terbatas dalam bentuk
teks atau suara (audio) namun juga citra (image) dan video.
Perkembangan kamera dan video digital yang semakin canggih dan murah
memicu makin berkembangnya data berbentuk image dan video. Diketahui bersama
bahwa data image dan video membutuhkan ruang simpanan yang lebih besar dari data
teks. Hal ini yang memicu juga perkembangan memori dan media simpanan data.
Media simpanan data seperti harddisk saat ini untuk PC sudah ada yang
berkapasitas 400 Gbyte produk dari Fujitsu. Hal ini tentunya merupakan berita yang
menggembirakan namun disatu sisi juga merupakan suatu tantangan bagi pengelola dan
pendisain database. Bagaimana mendesain sebuah database yang dapat menampung data
sedemikian besar namun mudah dan cepat dalam mengambil kembali data tersebut.
Banyak penelitian yang berhubungan dengan database terutama database multimedia
telah dilakukan dan saat ini masih terus berlangsung dan masih akan terus berkembang
sampai masa yang akan datang.
Membuat database multimedia tidak seperti membangun database tradisional,
banyak masalah yang ada diantaranya besarnya data yang akan berpengaruh pada
mahalnya proses analisis content. Hal ini mengakibatkan proses pendahuluan merupakan
proses yang sangat penting. Data multimedia tidak selalu lengkap karena adanya sensory
gap (data tidak dapat mengcitrakan seluruh keadaan yang sebenarnya) yang diakibatkan
oleh keterbatasan alat capture data. Proses klasifikasi data bersifat subyektif setiap orang
memiliki intepretasi yang tidak selalu sama untuk sebuah image. Bahkan image yang
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 19/46
24
sama tetapi waktu, tempat atau suasana hati yang berbeda akan memberikan intepretasi
yang berbeda pula (semantic gap), diperlukan suatu cara untuk dapat memanggil
kembali data yang besar dan sesuai dengan keinginan user dengan keterbatasan atau
adanya sensory gap dan semantic gap.
Cara pengambilan image juga akan mempengaruhi hasil yang berbeda misalnya
sudut pengambilan citra yang berbeda untuk obyek yang sama dapat menimbulkan
intepretasi yang berbeda juga. Dari masalah-masalah yang ada tersebut memicu peneliti
untuk terus mencari pemecahannya. Bagaimana perkembangan penelitian mengenai hal
tersebut saat ini?
Penelitian tentang multimedia database terutama untuk Indexing dan retrieval
data sudah memasuki proses produksi software yang sudah dikomersilkan dipasar
diantaranya: QBIC produk IBM, Virage produk Virage Inc, Escalibur produk Excalibur
Technologies, Informedia produk Informedia Technologie, Surfimage produc European
CBIR Technology, Netra produk, Synapse.
Produk-produk tersebut di atas pada umumnya menggunakan retrieval
berdasarkan katagori content dan warna. Dimana user mendeskripsikan image apa yang
akan dicari dengan cara memilih kategori misalnya jenis image, Negara, tahun
pembuatan, pembuat dsb atau dengan mendeskripsikan warna atau bentuk. Penerapan
CBIR antara lain untuk pencegahan kejahatan, militer, hak milik intelektual, arsitektural
dan disain rancang-bangun, fashion and interior disain, iklan dan jurnalistik, diagnosa
medis, Informasi geografis dan sistem remote sensing, pusaka budaya, pendidikan dan
latihan, hiburan, web searching.
Sampai saat ini sensory gap dan semantic gap masih belum dapat dipecahkan
secara sempurna. Sehingga penelitian untuk bidang Content Base Retrival citra masih
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 20/46
25
terbuka lebar terutama pada proses ektraksi citra, penyusunan index dan metode
pemanggilan kembali untuk mendapatkan image yang sesuai dengan keinginan user.
[A. W. M. Smeulders, M. Worring,, S. Santini, A. Gupta, R. Jain, “Content-Based Image
Retrieval at the End of the Early Years,” IEEE Transactions on Pattren Analysis and
Machine Intelligence, vol 22, no.12, pp. 1349-1380, Dec 2000]
2.3.1 Tinjauan Umum Retrival Citra Berbasis Konten (RCBK)
CBIR adalah salah satu metodologi untuk pemanggilan kembali data citra
berdasarkan content sebuah citra. Teknik CBIR yang banyak digunakan adalah teknik
warna, teknik tekstur, teknik bentuk (perceptual Atribut). Menjadi suatu object
penelitian yang cukup menantang untuk atribut interpretive dan reaktif. Gambar 1.15
memperlihatkan bentuk umum system Content Base Retrival citra . Pada citra ini terlihat
ada dua lajur utama, Query dan database pada kedua lajur ini terdapat visual content
description (adanya ekstraksi informasi image) yang akan digunakan untuk proses
similarity
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 21/46
26
Gambar 2.15 Bentuk Umum CBIR
Standart yang digunakan untuk CBIR saat ini meliputi standart Network protokol
(TCP/IP), format penyimpanan (TIFF, JPEG), compresi (JPEG, MPEG-2), Database
command (SQL), Metadata (RDF).
Gambar 1.16 menggambarkan framework CBIR yang disusun berdasarkan hasil
diskusi yang membahas tentang jurnal dan artikel tentang CBIR sepuluh tahun terakhir.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 22/46
27
Gambar 2.16 Framework CBIR sepuluh tahun terakhir
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 23/46
28
Pada framework CBIR terdapat empat modul yakni : Modul Interaksi Pemakai,
Modul Knowledge, Modul Simpanan Data, Modul Observasi. Penelitian yang penulis
akan lakukan menitik beratkan pada tiga modul pertama yakni modul interaksi pemakai,
knowledge dan simpanan data.
Gambar 2.17 Indexing dan retrieval pada content-based retrieval Database multimedia
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 24/46
29
Secara umum metode indexing dapat dibagi dalam dua bagian yakni :
1 Indexing berdasarkan image content (warna, bentuk, arah, tekstur, relasi spasial
dsb).
2 Indexing berdasarkan deskripsi teks (Caption indexing, keyword , standart
subyek heading, klasifikasi dsb)
Gambar 2.18. Skema sistem penyimpanan dan pemanggilan kembali citra
berdasarkan deskripsi teks
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 25/46
30
Gambar 2.19. Skema sistem penyimpanan dan pemanggilan kembali citra
berdasarkan image content
Untuk pemanggilan kembali data image dengan index berdasarkan teks
digunakan textual Query sedangkan untuk pemanggilan kembali data image dengan
index berdasarkan image content digunakan visual query.
Kedua metode di atas memiliki keterbatasan, diantaranya untuk metode textual
query karena dilakukan oleh manusia dalam mendeskripsikan citra yang akan di simpan
mengakibatkan ketergantungan pada manusia sebagai pendeskripsi image sangat tinggi.
Hal ini akan menyebabkan biaya tinggi. Disamping itu, jika data dalam ukuran besar
(jumlah) dalam pendeskripsian data dapat terjadi pendeskripsian yang tidak konsisten,
meluas dan sangat tergantung pada pemahaman dan penafsiran manusia terhadap image
yang dilihat.
Di dalam textual query, kata-kata digunakan untuk mendapatkan kembali citra,
sedangkan dalam query visual (perolehan kembali berdasarkan content-based) image
didapat kembali berdasarkan karakteristik visual seperti warna, tekstur, bentuk atau
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 26/46
31
sample.
Retrieval berdasarkan content based memiliki masalah pada penafsiran citra
secara efisien dan benar berdasarkan formulasi tertentu. Hal ini terjadi karena proses
dilakukan oleh komputer yang memiliki keterbatasan dalam menilai rasa, suasana,
keindahan.
Hal ini disebabkan karena adanya dua gap yang ada :
1. Sensory Gap, adanya keterbatasan komputer sebagai alat bantu dalam
menangkap semua informasi yang ada dalam sebuah citra
2. Semantic Gap, adanya perbedaan intepretasi karakteristik sebuah citra yang
dilakukan oleh user pada waktu dan suasana yang berbeda
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 27/46
32
2.3.2 Desain Content Based Image Information Retrieval
Ada tiga bagian desain utama yang ada pada content based image information
retrieval yakni : ekstraksi karakteristik dan pengindeksan, ekstraksi karakteristik dan
retrieval serta aplikasi untuk menampilkan hasil query.
2.3.2.1 Ekstrasi Karakteristik dan Pengindeksan
Proses ekstraksi dan pengindexan adalah proses ekstraksi image yang akan
digunakan sebagai dasar indexing dan pengembangan metode index. Tahap ini
mencakup penentuan proses smoothing sebagai bagian dari pra proses, proses ektraksi,
proses pembuatan index untuk image yang akan disimpan dalam database multimedia
(gambar 1.19)
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 28/46
33
Gambar 2.20 Tahapan proses ekstrasi dan pengindexan citra
Ada tiga proses ekstraksi yang dilakukan yakni ekstraksi kata kunci, ekstraksi
karakteristik global dan ekstraksi karakteristik detail.
- Ekstraksi kata kunci, Ekstraksi ini dilakukan secara manual berdasarkan
intepretasi dari user terhadap suatu image. Ekstraksi yang dilakukan ditekankan
pada karakteristik abstrak seperti suasana, perasaan dan selain itu pada tahap ini
diharapkan juga mendapatkan informasi tentang pemilik citra, tanggal
pembuatan, tanggal pengeditan, metode pengambilan citra, lokasi dsb. Proses ini
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 29/46
34
tidak memerlukan praproses karena dilakukan secara manual.
- Ekstraksi karakteristik global, ekstraksi ini merupakan ekstraksi berdasarkan
karakteristik warna, shape dan tekstur .
-
Ekstraksi karakteristik detail, ekstraksi ini merupakan ekstaksi dalam
histogram warna, histogram shape dan tekstur. Sebelum dilakukan proses
ekstraksi karakteristik global atau proses ekstraksi arakteristik detail perlu
dilakukan praproses yakni proses smoothing untuk menghilangkan noise yang
ada. Proses ini dilakukan untuk mendapatkan image dengan kualitas yang lebih
baik agar proses ekstraksi dapat berjalan dengan baik sebagai contoh untuk
mendeteksi shape diperlukan proses edge detection. Pada proses ini memerlukan
3 tahapan proses : pertama noise smoothing (Mean Gaussian distribution), edge
enhancement (filtering), Edge localization (menetukan edge/shape). Disini
terlihat bahwa proses smoothing diperlukan agar proses ekstraksi akan mendapat
hasil yang benar-benar mencerminkan karakteristik dari image yang
bersangkutan.
Hasil Ekstraksi kata kunci dan ekstraksi karakteristik global akan digunakan
untuk penyusunan/pembuatan index. Sedangkan hasil ekstraksi karakteristik global
digunakan sebagai pembanding/filter pada saat retrieval data. Jadi hasil retrieval yang
sudah diperoleh berdasarkan index yang ada akan di filter kembali dengan hasil
karakteristik detailnya sehingga diharapkan didapat image yang paling sesuai dengan
criteria atau karakteristik yang diminta /ditentukan oleh user.
Database multimedia. Tabel index dan karakteristik detail akan disimpan dalam
database multimedia. Sedangkan image tidak disimpan dalam database tersebut (secara
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 30/46
35
fisik) namun image tetap tersimpan dalam bentuk satuan file yang diletakkan pada
sebuah direktori yang sudah ditetapkan. Jadi secara fisik database multimedia tidak
menyimpan file image namun menyimpan table index dan karakteristik detail. Hal ini
sengaja di desain seperti ini dengan harapan proses retrieval yang nanti akan dilakukan
tidak langsung membandingkan criteria pencarian (baik deskripsi teks maupun contoh
image) pada image, namun cukup melakukan pencarian dan pencocokan pada index
yang telah ada. Hal ini diharapkan akan mempercepat proses karena tidak diperlukan
kerja prosesor dan alokasi memori yang besar jika langsung dilakukan pembandingan
dan pencarian pada image secara langsung.
2.3.2.2 Ekstrasi Karakteristik dan Retrival
Ektraksi Karakteristik dan Retrieval adalah proses penentuan index dan retrieval
berdasarkan karakteristik index (Query teks) serta ekstraksi karakteristik Global untuk
penentuan index. Sedangkan untuk proses query image dilakukan proses praproses,
proses ektraksi karakteristik global untuk penentuan index yang akan digunakan untuk
retrieval berdasarkan karakteristik index. Proses karakteristik detail yang akan
digunakan untuk retrieval berdasarkan karakteristik detail dari hasil retrival citra
berdasarkan karakteristik index.
Query berdasarkan teks tidak memerlukan proses ekstraksi namun langsung
pada penentuan indeks dan retrieval data sesuai dengan karakteristik index yang
bersangkutan.
Proses ini awali dengan penentuan diskrisi secara teks oleh user kemudian
system akan mencari/menentukan index yang sesuai, kemudian berdasarkan table index
yang sudah ada dilakukan pencocokan karakteristik. Dari proses ini diperoleh image
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 31/46
36
yang sesuai dengan yang dicari.
2.3.3 Fitur Citra
Fitur merupakan suatu tanda yang khas, yang membedakan antara satu dengan
yang lain. Tidak berbeda dengan sebuah citra, citra juga memiliki fitur yang dapat
membedakannya dengan citra yang lain. Masing-masing fitur citra didapatkan dari
proses ekstraksi fitur.
Fitur-fitur dasar dari citra:
a. Warna
- Fitur warna suatu citra dapat dinyatakan dalam bentuk histogram dari citra tersebut
yang dituliskan dengan:
H(r,g,b), dimana H(r,g,b) adalah jumlah munculnya pasangan warna r (red), g (green)
dan b (blue) tertentu.
b. Bentuk
- Fitur bentuk suatu citra dapat ditentukan oleh tepi (sketsa), atau besaran moment dari
suatu citra. Pemakaian besaran moment pada fitur bentuk ini banyak digunakan orang
dengan memanfaatkan nilai-nilai transformasi fourier dari citra.
- Proses yang dapat digunakan untuk menentukan fitur bentuk
adalah deteksi tepi, threshold , segmentasi dan perhitungan moment seperti (mean,
median dan standard deviasi dari setiap lokal citra).
c. Tekstur
- Fitur tekstur dari suatu citra dapat ditentukan dengan menggunakan filter gabor.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 32/46
37
- Fitur tekstur ini sangat handal dalam menentukan informasi suatu citra bila
digabungkan dengan fitur warna citra. Dari ketiga fitur diatas, dalam tugas akhir ini
hanya menggunakan cirri warna dan siri bentuk.
2.3.3.1 Konsep Warna
Warna pokok dalam pengelolaan citra terdiri dari 3 (tiga) unsur, yaitu merah (R),
hijau (H), dan biru (B). Jika warna-warna pokok tersebut digabungkan, maka akan
menghasilkan warna lain. Penggabungan warna tersebut bergantung pada warna pokok
dimana tiap-tiap warna memiliki nilai 256 (8 bit).
Gambar 2.21 Contoh warna dan nilai RGB-nya
Konsep ruang warna adalah setiap pixel mempunyai warna yang dinyatakan
dalam RGB, sehingga merupakan gabungan nilai R, nilai G, dan nilai B yang tidak bisa
dipisahkan satu dengan lainnya. Hal ini dapat dituliskan dengan P(r,g,b).
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 33/46
38
Gambar 2.22 Konsep warna ruang
Warna yang dideskripsikan dengan RGB adalah pemetaan yang mengacu pada
panjang gelombang dari RGB. Pemetaan menghasilkan nuansa warna untuk masing-
masing R, G, dan B. Masing-masing R, G, dan B didiskritkan dalam skala 256, sehingga
RGB akan memiliki indeks antara 0 sampai 255. Jika dilihat dari pemetaan model warna
RGB yang berbentuk cube ( kubus ) seperti citra dibawah ini.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 34/46
39
Gambar 2.23 Model warna RGB berbentuk kubus
Dengan pemetaan RGB 24-bit color cube maka 3 warna dasar dapat
dicampurkan sehingga mendapatkan warna yang baru.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 35/46
40
Gambar 2.24 Pemetaan RGB yang dicampurkan
2.3.3.1.1 Segmentasi
Segmentasi adalah suatu proses yang digunakan untuk mengelompokkan citra
sesuai dengan obyek citranya. Segmentasi dapat dilakukan dengan pendekatan region
merging dan splitting .
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 36/46
41
2.3.3.1.2 Histogram
Color histrogram merupakan hubungan dari intensitas tiga macam warna.
Dimana setiap citra mempunyai distribusi warna tertentu. Distribusi warna ini
dimodelkan dengan color histogram. Color histogram tersebut didefinisikan sebagai
berikut :
HR,G,B[r,g,b] = N.Prob { R=r, G=g, B=b } (2.2)
dimana R,G,B merupakan tiga macam warna dan N adalah jumlah pixel pada citra.
Color histogram dihitung dengan cara mendiskretkan warna dalam citra, dan
menghitung jumlah dari tiap-tiap pixel pada citra. Karena jumlah dari tiap-tiap warna
terbatas, maka untuk lebih tepatnya dengan cara menstransform 3 histogram ke dalam
single variable histogram. Misalkan pada citra RGB, salah satu transformnya
didefinisikan sebagai berikut :
m =Nr+Ng+Nb (2.3)
dimana Nr, Ng, dan Nb merupakan jumlah nilai biner dari warna merah ,biri, dan hijau
secara berturut-turut. Untuk mendapatkan Color histogram menggunakan persamaan
sebagai berikut :
,, ,, | , , (2.4)
Keterangan :
R = warna merah
G = warna hijau
B = warna biru
Hr,g,b = Data untuk menampung nilai probabilitas warna RGB
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 37/46
42
Gambar 2.25 Contoh jumlah warna dalam satu citra
Gambar di atas menjelaskan bahwa warna merah mempunyai jumlah 5, Kuning = 2,
Hijau = 3, Biru = 1, Abu-abu = 1, Pink = 2 danPutih = 2. Dari jumlah tersebut maka
akan ditampilkan dalam bentuk histogram seperti citra dibawah ini.
Gambar 2.26 Histogram warna
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 38/46
43
Keterangan :
P(r,g,b) = nilai histogram probabilitas
H(r,g,b) = nilai histogram warna
Nimage = jumlah pixel dari image
Gambar 2.27 Histogram Probability Density Function
(2.5)
Keterangan :
P(r,g,b) = nilai histogram probabilitas
H(r,g,b) = nilai histogram warna
Max(H(r,g,b)) = nilai maksimum dari histogram warna
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 39/46
44
Histogram interseksi melakukan perhitungan jarak dengan membandingkan dua
histogram h1 dan h2 dan terhadap n bin dengan mengambil nilai interseksi dari kedua
histogram tersebut.
(h1,h2)=1- ∑ ,∑
(2.6)
Keterangan : = Nilai jarak antar dua histogram
h1 = Nilai histogram 1
h2 = Nilai histogram 2
Normalisasi diperlukan karena pada saat menggunakan image dengan ukuran yang
berbeda, fungsi jarak ini bukanlah sebuah matrik yang seharusnya DH(g,h)≠DH(g,h).
Supaya manjadi sebuah matrik yang valid, pada histogram diperlukan :
1 ∑
(2.7)
Untuk histogram yang ternormalisasi (jumlah total sama dengan 1), interseksi histogram
adalah :
1, 2 1 ∑ |1 2| (2.8)
Keterangan : = Nilai jarak antar dua histogram yang ternormalisasi
1 = Nilai histogram 1 ternormalisasi
2 = Nilai histogram 2 ternormalisasi
Persamaan diatas adalah model matriks jarak Minkowski dengan k=1. Sifat
interseksi histogram dapat menghilangkan bagian tertentu (occlusion), dimana apabila
sebuah objek dalam suatu image dihilangkan pada bagian tersebut, bagian yang
kelihatan masih mempunyai kontribusi untuk kesamaan atau similaritas.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 40/46
45
2.3.3.2 Konsep Bentuk
2.3.3.2.1 Grayscale
Proses awal yang banyak dilakukan dalam image processing adalah mengubah
citra berwarna menjadi citra gray-scale, hal ini digunakan untuk menyederhanakan
model citra. Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-
layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan tiga layer
di atas. Bila setiap proses perhitungan dilakukan menggunakan tiga layer, berarti
dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3
layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra gray-scale.
Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. Untuk mengubah
citra berwarna yang mempunyai nilai matrik masing-masing r, g dan b menjadi citra
gray scale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata-rata
dari nilai r, g dan b sehingga dapat dituliskan menjadi:
s= (2.9)
Keterangan : s = Nilai derajat keabuan
r = Nilai Red pada suatu nilai RGB
g = Nilai Green pada suatu nilai RGB
b = Nilai Blue pada suatu nilai RGB
Pada penjelasan di atas pengubahan citra berwarna menjadi gray-scale dilakukan dengan
menggunakan rata-rata nilai gray-scale dari setiap layer R, G, dan B. Hal ini bukanlah
suatu keharusan. Meskipun hasilnya sudah cukup bagus, pemakaian nilai rata-rata masih
belum optimal untuk menunujukkan citra gray-scale sehingga dilakukan pengubahan
komposisi sebagai berikut:
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 41/46
46
Grayscale = α R + β G + δ B / ( α + β + δ ) (2.10)
Dengan nilai α=0.35, β=0.25 dan δ=0.4 sehingga nilai α+β+δ =1 Fungsi dari format
warna gray ini adalah untuk memudahkan proses selanjutnya karena kita akan kesulitan
apabila kita menjalankan proses selanjutnya dengan menggunakan format citra berwarna
karena nilai r, g, dan b yang dihasilkan dengan format citra itu akan bervariasi. Dengan
format warna gray ini maka dihasilkan nilai R=G=B.
2.3.3.2.2 Filter Gaussian
Filter rata-rata adalah filter dengan nilai pada setiap elemen kernelnya berbentuk fungsi
Gaussian dan sebagai LPF maka jumlah dari semua nilai kernelnya adalah 1 (satu).
Dengan rumus :
F(x,y)=
√ exp
(2.11)
Keterangan :
x = jarak dari titik di sumbu horizontal
y = adalah jarak dari titik di sumbu vertical
σ = standar deviasi dari distribusi Gaussian
Filter rata-rata termasuk dalam linier filter dengan menggunakan kernel berupa matrik.
2.3.3.2.3 Edge Detection
Bentuk merupakan atribut dari suatu citra. Fitur bentuk suatu citra dapat
dilakukan dengan deteksi tepi, threshold, segmentasi dan perhitungan moment seperti
mean, median, dan standart dari setiap local citra. Deteksi tepi adalah proses yang
penting pada preprosessing citra, karena hasil daripada deteksi tepi ini adalah tepi dari
citra saja yang menunjukkan bentuk spesifik citra. Proses deteksi tepi ini dilakukan pada
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 42/46
47
citra biner . Ada beberapa metode yang digunakan untuk mendeteksi tepi salah satu
diantaranya adalah metode sobel yang menggunakan filter High-Pass-Filter yang diberi
satu angka nol penyangga. Kelebihan dari metode sobel ini adalah kemampuan untuk
mengurangi noise sebelum melakukan perhitungan deteksi tepi dan mempunyai
kemampuan untuksmoothing. Kernel filter yang digunakan dalam metode Sobel ini
adalah:
Persamaan untuk kernel y (horizontal)
(2.12)
Persamaan untuk kernel x (vertical)
(2.13)
2.3.3.2.4 Integral Proyeksi
Integral Proyeksi adalah suatu teknik yang menjumlahkan nilai setiap kolom atau
setiap baris. Integral proyeksi didefinisikan dengan :
h(j) = ∑ ,
h(i) = ∑ ,
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 43/46
48
Gambar 2.28 Rumus integral proyeksi
Gambar 2.29 Proses perhitungan integral proyeksi
2.3.3.2.5 Resampling dan Normalisasi
Resampling adalah suatu metode yang digunakan untuk pengenalan suatu citra
dengan cara mengambil sampel yang tepat. Sampling pada image adalah resolusi dari
image itu sendiri, atau menyatakan banyaknya pixel yang digunakan untuk dapat
menyajikan citra. Semakin besar samplingnya maka semakin besar resolusi sehingga
citra yang diperoleh menjadi lebih halus.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 44/46
49
Gambar 2.30 Contoh resampling
Menyatakan 3 sampling (64x64, 32x32 dan 16x16) yang berbeda untuk menyatakan
suatu image. Proses normalisasi dilakukan untuk mengecilkan data yaitu antara nol
sampai dengan satu. Hal ini sangat diperlukan, karena bila terjadi matching citra yang
berlainan ukuran, maka otomatis data dari citra yang dimatching tersebut selalu antara
nol sampai dengan satu. Untuk setiap pixel ke-k pada vektor kolom dinormalisasi
dengan rumus :
| | =
|| (2.14)
Sedangkan untuk mencari nilai standar deviasi menggunakan rumus:
∑ (2.15)
2.3.4 K-means
Setelah proses normalisasi kami menggunakan metode k-means agar dapat
dilakukan clustering sehingga data dapat dijadikkan beberapa kelas. Pembagian
kelas ini dilakukan agar proses retrieval citra menjadi lebih efisien dan lebih
cepat.
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 45/46
De
2.31
elebihan
sederhana d
umpulan d
.3.5 Image
Ima
ertujuan u
database di
adalah suat
Sedangkan
digunakan
ekstraksi ci
dari nilai
onstrasi unt
Gam
etode k-me
an cepat seh
ata besar.
Matching
e matching
tuk menge
entukan. Ci
citra yan
itra databas
ebagai dat
ri warna de
istogram
k algoritm
ar 2.31 de
ans dengan
ingga mem
adalah m
ahui kemir
tra query
dijadikan
e atau kum
base citra.
ngan meng
GB pada
sederhana
onstrasi al
etode pe
ngkinkan
tode yang
pan dua b
isebut juga
acuan infor
ulan citra t
Kemudian
unakan his
asing-masi
dari K-mea
goritma da
bagian kela
etode ini u
digunakan
ah citra. P
dengan cit
masi (cont
arget adala
kedua citr
togram war
ng citra.
s dapat dili
ri k-means
s lainnya ad
tuk dijalan
dalam Tug
rtama, citr
a acuan at
nt) dalam
sekumpula
a tersebut
na dengan
ari jumlah
at pada ga
lah metode
an pada
sAkhir ini
query dan
u citra te
roses penc
citra yang
ilakukan
enghitung
histogram
50
bar
ini
yang
citra
plate
arian.
akan
roses
jarak
yang
7/26/2019 Imageprocessing 150225205004 Conversion Gate01
http://slidepdf.com/reader/full/imageprocessing-150225205004-conversion-gate01 46/46
51
mempunyai R, G, dan B yang sama akan dicari jarak antara citra database dan citra
query. citra yang mempunyai jarak yang minimal adalah citra yang paling mirip dengan
citra template. Proses matching ini kami lakukan pada ekstraksi hasil segmentasi warna
baik pada citra database maupun pada citra query. Persamaan yang digunakan untuk
menghitung jarak diatas adalah sebagai berikut :
| | (2.18)
Keterangan :
d = jarak
V = vector dari gambar database dan gambar kueri.
Sedangkan untuk menghitung nilai kemiripan data dapat dirumuskan sebagai berikut :
S = 1 – d ( 2.19)
S adalah nilai kemiripan dan d adalah nilai image matching.