ANALISIS ARSITEKTUR DALAM PENGOLAHAN CITRA DENGAN MENGGUNAKAN MATLAB

loading...

Tekstur merupakan karakteristik intrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan struktural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar dari segmentasi, klasifikasi, maupun interpretasi citra.

Tekstur dapat didefinisikan sebagai fungsi dari variasi spasial intensitas piksel (nilai keabuan) dalam citra. Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan :

·         Makrostruktur

Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk direpresentasikan secara matematis.

·         Mikrostruktur

Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif.

Contoh gambar berikut ini menunjukkan perbedaan tekstur makrostruktur dan mikrostruktur yang diambil dari album tekstur Brodatz.

Gambar 1 Contoh tekstur visual dari Album Tekstur Brodatz .

Atas: makrostruktur Bawah: mikrostruktur

Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Dua persoalan yang seringkali berkaitan dengan analisis tekstur adalah:

·         Ekstraksi ciri

Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Dalam praktikum ini kita akan mengamati metoda ekstraksi ciri statistik orde pertama dan kedua, serta mengenali performansi masing-masing skema dalam mengenali citra dengan karakteristik tekstural yang berlainan.

·         Segmentasi citra

Segmentasi citra merupakan proses yang bertujuan untuk memisahkan suatu daerah pada citra dengan daerah lainnya. Berbeda dengan pada citra non-tekstural, segmentasi citra tekstural tidak dapat didasarkan pada intensitas piksel per piksel, tetapi perlu mempertimbangkan perulangan pola dalam suatu wilayah ketetanggaan lokal. Dalam praktikum ini kita akan mencoba menerapkan filter Gabor untuk melakukan segmentasi citra tekstural berdasarkan perulangan pola lokal pada orientasi dan frekuensi tertentu.

1. Ekstraksi Ciri Statistik

Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang dapat terbagi dalam tiga macam metode berikut:

·         Metode statistik

Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra.

Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur).

·         Metode spektral

Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur.

·         Metode struktural

Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik. Metode struktural banyak digunakan untuk pola-pola makrostruktur.

Bagian ini akan membahas metode ekstraksi ciri statistik orde pertama dan kedua. Ekstraksi ciri orde pertama dilakukan melalui histogram citra. Ekstraksi ciri statistik orde kedua dilakukan dengan matriks kookurensi, yaitu suatu matriks antara yang merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial.

Gambar 2 Ilustrasi ekstraksi ciri statistik

Kiri : Histogram citra sebagai fungsi probabilitas kemunculan nilai intensitas pada citra

Kanan : Hubungan ketetanggaan antar piksel sebagai fungsi orientasi dan jarak spasial

1.1 Ekstraksi ciri orde pertama

Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, antara lain adalah mean, skewness, variance, kurtosis, dan entropy.

a.       Mean (μ)

Menunjukkan ukuran dispersi dari suatu citra

dimana f_n merupakan suatu nilai intensitas keabuan, sementara p(f_n) menunjukkan nilai histogramnya (probabilitas kemunculan intensitas tersebut pada citra).

b.       Variance (σ²)

Menunjukkan variasi elemen pada histogram dari suatu citra

c.       Skewness (α₃)

Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra

d.       Kurtosis (α₄)

Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra

e.       Entropy (H)

Menunjukkan ukuran ketidakaturan bentuk dari suatu citra

Berikut adalah fungsi ciriordesatu yang dipergunakan untuk menghitung ciri orde satu dari citra:

1.2 Ekstraksi ciri orde kedua

Pada beberapa kasus, ciri orde pertama tidak lagi dapat digunakan untuk mengenali perbedaan antar citra. Pada kasus seperti ini, kita membutuhkan pengambilan ciri statistik orde dua.

Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut.

Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut (θ) tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45°, yaitu 0°, 45°, 90°, dan 135°. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel.

Matriks kookurensi merupakan matriks bujursangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada matriks kookurensi berorientasi θ berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi θ dan (180−θ).

Gambar 3 Ilustrasi pembuatan matriks kookurensi

(a) Citra masukan

(b) Nilai intensitas citra masukan

(c) Hasil matriks kookurensi 0°

(d) Hasil matriks kookurensi 45°

(e) Hasil matriks kookurensi 90°

(f) Hasil matriks kookurensi 135°

Setelah memperoleh matriks kookurensi tersebut, kita dapat menghitung ciri statistik orde dua yang merepresentasikan citra yang diamati. Haralick et al mengusulkan berbagai jenis ciri tekstural yang dapat diekstraksi dari matriks kookurensi. Dalam modul ini dicontohkan perhitungan 6 ciri statistik orde dua, yaitu Angular Second Moment, Contrast, Correlation, Variance, Inverse Difference Moment, dan Entropy.

a.       Angular Second Moment

Menunjukkan ukuran sifat homogenitas citra.

dimana p(i,j) merupakan menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

b.    Contrast

Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

c.    Correlation

Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra.

d.    Variance

Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.

e.    Inverse Different Moment

Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar.

f.     Entropy

Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi).

 

Berikut adalah fungsi ciriordedua yang dipergunakan untuk menghitung ciri orde dua dari citra:

2. Filter Gabor

Kemampuan sistem visual manusia dalam membedakan berbagai tekstur didasarkan atas kapabilitas dalam mengidentifikasikan berbagai frekuensi dan orientasi spasial dari tekstur yang diamati. Filter Gabor merupakan salah satu filter yang mampu mensimulasikan karakteristik sistem visual manusia dalam mengisolasi frekuensi dan orientasi tertentu dari citra. Karakteristik ini membuat filter Gabor sesuai untuk aplikasi pengenalan tekstur dalam computer vision.

Secara spasial, sebuah fungsi Gabor merupakan sinusoida yang dimodulasi oleh fungsi Gauss. Respon impuls sebuah filter Gabor kompleks dua dimensi adalah :

dan dapat digambarkan sebagai berikut:

Gambar 4 Respon impuls filter Gabor dua dimensi.

Dalam domain frekuensi spasial, filter Gabor dapat direpresentasikan sebagai berikut:

Dalam domain frekuensi spasial, parameter-parameter filter Gabor dapat digambarkan sebagai:

Gambar 5 Parameter filter Gabor dalam domain frekuensi spasial

Tabel 1 Enam parameter filter Gabor

Ada enam parameter yang harus ditetapkan dalam implementasi filter Gabor. Keenam parameter tersebut adalah: F, θ, σ_x, σ_y, BF, dan Bθ

·         Frekuensi (F) dan orientasi (θ) mendefinisikan lokasi pusat filter.

·         BF    dan Bθ   menyatakan konstanta lebar pita frekuensi dan jangkauan angular filter.

·         Variabel σ_x berkaitan dengan respon sebesar -6 dB untuk komponen frekuensi spasial.

·         Variabel σ_y berkaitan dengan respon sebesar -6dB untuk komponen angular.

·         Posisi (F, θ) dan lebar pita (σ_x, σ_y) dari filter Gabor dalam domain frekuensi harus ditetapkan dengan cermat agar dapat menangkap informasi tekstural dengan benar. Frekuensi tengah dari filter kanal harus terletak dekat dengan frekuensi karakteristik tekstur.

·         Setelah mendapatkan ciri Gabor maka dapat dilakukan ekstraksi ciri. Salah satu ciri yang dapat dipilih adalah ciri energi, yang didefinisikan sebagai:

·         Dalam modul ini digunakan lebar pita frekuensi (BF), dan jarak frekuensi tengah (SF) sebesar satu oktaf, serta lebar pita angular (Bθ) dan jarak angular (S_θ) sebesar 30° dan 45°. Pemilihan lebar pita angular sebesar 30° dan 45° adalah karena nilai ini dianggap mendekati karakteristik sistem visual manusia.

Berikut adalah fungsi gb dan en yang dipergunakan dalam percobaan filter Gabor ini:

  

2.1 Percobaan Mencari Frekuensi dan Orientasi Dominan pada Suatu Tekstur

Berdasarkan program filter Gabor di atas, lakukan urutan kerja sebagai berikut :

a.       Baca file citra straw.tif

     

      

b.       Lakukan proses filtering terhadap citra tersebut menggunakan filter Gabor. Parameter frekuensi dan orientasi ditentukan sebagai:

c.   Tampilan hasil citra yang telah difilter

figure, imshow(G1);

d.   Hitung nilai energi citra yang telah difilter

E1 = en(G1);

e.   Ulangi proses filtering pada beberapa frekuensi dan orientasi yang berbeda.

Ambil kesimpulan berdasarkan besarnya energi dari masing-masing citra keluaran.

2.2 Percobaan Segmentasi Citra Tekstural

Berdasarkan program filter Gabor di atas, lakukan urutan kerja sebagai berikut :

1. Baca file citra tex2.tif

2. Analisis tekstur mengunakan filter Gabor

3. Lakukan thresholding dengan nilai threshold = 0.25.

4. Lakukan median filtering sebanyak dua kali

3. Tugas

3.1 Ciri Orde Satu

1. Tampilkan histogram citra Taz1.bmp, Taz2.bmp, dan Taz3.bmp. Selanjutnya jalankan fungsi ciriordesatu terhadap masing-masing citra.
2. Lakukan hal yang sama terhadap masing-masing citra Tekstur1.bmp, Tekstur2.bmp, dan Tekstur3.bmp.
3. Berikan analisis mengenai proses yang telah dilakukan.

3.2 Ciri Orde Dua

1. Jalankan fungsi ciriordedua terhadap masukan citra Tekstur1.bmp, Tekstur2.bmp, dan Tekstur3.bmp.
2. Berikan analisis mengenai proses yang telah dilakukan.

3.3 Filter Gabor

1. Jalankan program mikimos.m berikut. Berikan analisis mengenai proses yang dijalankan.

2. Gantilah baris perintah: X=imread('mikimos1.bmp');

dengan:

X=imread('mikimos2.bmp');

Bandingkan hasilnya dengan (a), berikan analisis mengenai hasil yang diperoleh.

3. Gantilah baris perintah:

Y=gb(X,2,3);

dengan:

Y=gb(X,2,6);

Bandingkan hasilnya dengan (a), berikan analisis mengenai hasil yang diperoleh.

loading...