Analisis Tekstur - GLCMOleh:mulkan.ms@gmail.com

http://softscients.blogspot.com

Manusia mengenal teksturseperti lembut dan kasarwalaupun tangan tidakmenyentuh benda tersebut,tapi otak mampumembedakan hal tersebutmelalui visualisasi yangditangkap oleh mata. Teksturdapat dicirikan sebagaiberikut

a. Pengulangan pola darivariasi lokal sehinggamembentuk kesatuan yangutuh

b. Menyediakan informasisusunan spasial dari warnadan intensitas citra

c. Dicirikan dengandistribusi spasial dari levelintensitas dari nilai pixelketetanggaan

d. Tidak bisa didefinisikansebagai suatu satu point / nilai tertentu karena merupakan sebuah pola /kesatuan

Lihatlah ilustrasi berikut tentang tekstur sebuah citra yaitu terdiri dari 50% hitamdan 50% putih

Tentunya uji statistik standar seperti mean, standar deviasi tidak akan mampumembedakan ketiga citra tersebut karena akan menghasilkan nilai yang sama.Seperti yang sudah dijelaskan bahwa tekstur merupakan suatu pengulangan pola dandistribusi spasial artinya ketiga citra tersebut mempunyai tingkat intensitas nilai pixelyang sama tapi mempunyai distribusi spasial yang berbeda.

Analisis tekstur merupakan salah satu metode untuk melakukan identifikasi atauklasifikasi suatu citra, analisis tersebut telah banyak digunakan dalam berbagai

bidang yaitu uji tekstur wajah, mutu kerinterpretasi suatu peta sehingga dapat diketahui jenis lahan.

GLCM SEBAGAI SALAH S

Gray-Level Co-occurrence matrix merupakan metode paling banyak digunakan untukanalisis tekstur. Metode inimerupakan bagian dari project yang didukung olah NASA yaitu tepatnya NASAGoddard Space Flight Center. Haralick menggunakan citra dari NASA ERTS untukmelakukan klasifikasi dengan tingkat akurasi diatas 80%.

Matrix GLCM dihitung dari nilai pixel yang berpasangan dan memiliki nilai intensitastertentu. Misalkan d adalah jarak antara dua pixel yaitu (xdidefinisikan sebagai sudut antara keduanya, maka matrix GLCM merupakandistribusi spasial dari Pd Ѳperhitungan GLCM terutama mengenai masalah sudut yang digunakan. Berikutadalah ilustrasi yang menggambarkan arah sudut dengan jarak 1 pixel dan ada 4jenis sudut yang digunakan:

a. 0o=180o;b. 45o=225o,c. 90o=270o, dand. 135o=315o

tapi terkadang ada yang menyatakan terdiri dari 8 arah, hal ini terjadi karena antarasudut 0o dan 180o dianggap berbeda begitu juga dengan arah sudut yang lainnya

bidang yaitu uji tekstur wajah, mutu keramik, membedakan jenis daun dan dalaminterpretasi suatu peta sehingga dapat diketahui jenis lahan.

GLCM SEBAGAI SALAH SATU METODEANALISIS TEKSTUR

occurrence matrix merupakan metode paling banyak digunakan untukanalisis tekstur. Metode ini diperkenalkan oleh Haralick di tahun 1973 yangmerupakan bagian dari project yang didukung olah NASA yaitu tepatnya NASAGoddard Space Flight Center. Haralick menggunakan citra dari NASA ERTS untukmelakukan klasifikasi dengan tingkat akurasi diatas 80%.

Matrix GLCM dihitung dari nilai pixel yang berpasangan dan memiliki nilai intensitastertentu. Misalkan d adalah jarak antara dua pixel yaitu (x 1,y1) dan (x2,ydidefinisikan sebagai sudut antara keduanya, maka matrix GLCM merupakan

(i,j). Banyak paper menuliskan berbagai versi tentangperhitungan GLCM terutama mengenai masalah sudut yang digunakan. Berikutadalah ilustrasi yang menggambarkan arah sudut dengan jarak 1 pixel dan ada 4jenis sudut yang digunakan:

tapi terkadang ada yang menyatakan terdiri dari 8 arah, hal ini terjadi karena antaradianggap berbeda begitu juga dengan arah sudut yang lainnya

amik, membedakan jenis daun dan dalam

ATU METODEANALISIS TEKSTUR

occurrence matrix merupakan metode paling banyak digunakan untukdiperkenalkan oleh Haralick di tahun 1973 yang

merupakan bagian dari project yang didukung olah NASA yaitu tepatnya NASAGoddard Space Flight Center. Haralick menggunakan citra dari NASA ERTS untuk

Matrix GLCM dihitung dari nilai pixel yang berpasangan dan memiliki nilai intensitas,y2) dan Ѳtetha

didefinisikan sebagai sudut antara keduanya, maka matrix GLCM merupakan(i,j). Banyak paper menuliskan berbagai versi tentang

perhitungan GLCM terutama mengenai masalah sudut yang digunakan. Berikutadalah ilustrasi yang menggambarkan arah sudut dengan jarak 1 pixel dan ada 4

tapi terkadang ada yang menyatakan terdiri dari 8 arah, hal ini terjadi karena antaradianggap berbeda begitu juga dengan arah sudut yang lainnya

Berikut adalah beberapa fitur yang bisa dihitung menggunakan GLCM yaitu terdiri

dari 7 fitur utama dan 7 fitur tambahan yang diturunkan dari 7 fitur utama.

1. Angular second moment/uniformity/energy

2. Entropy

3. Dissimilarity

4. Contrast/inertia

5. Correlation

6. Homogeneity/inverse difference momen

7. Autocorrelation

Contoh:Berikut disajikan contoh untuk analisis fitur GLCM. ada 3 matrix gray yaitu M1; M2;M3 yang masing-masing mempunyai jumlah nilai pixel yang sama, akan tetapimempunyai sebaran lokasi pixel yang berbeda (pola-tekstur). Perhitungan GLCMmenggunakan sudut 0o dan jarak 1 yaitu P (1,0)

gray

M1 M2 M30 1 2 3 0 0 0 0 0 3 1 30 1 2 3 3 3 3 3 0 2 0 10 1 2 3 2 2 2 2 3 1 0 30 1 2 3 1 1 1 1 1 2 2 2

glcm

0 4 0 0 6 0 0 0 0 2 2 24 0 4 0 0 6 0 0 2 0 1 30 4 0 4 0 0 6 0 2 1 4 00 0 4 0 0 0 0 6 2 3 0 0

glcm

Norm

0 0.1667 0 0 0.25 0 0 0 0 0.0833 0.0833 0.08330.1667 0 0.1667 0 0 0.25 0 0 0.0833 0 0.0417 0.1250

0 0.1667 0 0.1667 0 0 0.25 0 0.0833 0.0417 0.1667 0

0 0 0.1667 0 0 0 0 0.25 0.0833 0.1250 0 0

Hasil:Fitur M1 M2 M3Energy 0.166 0.25 0.104 M2 mempunyai keseragaman paling

tinggi bila diukur dari sudut 0o

Entropy 1.791 1.386 2.325 M3 mempunyai ketidakseragamanpaling tinggi hal ini menandakan entropymempunyai hubungan terbalik secarakuat dengan hasil energy

Dissimiliarity 1 0 1.583 M3 bernilai paling tinggi karena palingacak

Contrast 1 0 3.416 M2 mempunyai nilai pixel ketetangganyang sama (bila diukur dari sudut 0o)sehingga bernilai 0

Correlation 0.45 1 -0.466 M2 mempunyai linearitas paling tinggiHomogeneity 0.5 1 0.391 M2 mempunyai nilai yang seragam yaitu

bernilai 1Autocorrelation 6.6 7.5 5.5 M2 mempunyai nilai paling tinggi pada

diagonal utamanyaOptimasi:Faktor yang mempengaruhi hasil perhitungan GLCM adalah sudut yang digunakan.Maka beberapa referensi telah mengoptimasi agar hasil perhitungan tidak rancu yaitumenggunakan semua sudut sebagai perhitungan fitur tekstur. Berikut adalah hasiloptimasi tersebut yang dapat memberikan gambaran menyeluruh bahwa adaperbedaan hasil untuk M1 dan M2 tapi untuk M3 tidak berubah sedikitpun yaitujikalau hasil nya paling tinggi ataupun paling rendahFitur M1 M2 M3Energy 0.105 0.105 0.069 M1 dan M2 mempunyai keseragaman

paling tinggi bila diukur dari berbagaiarah

Entropy 2.274 2.274 2.689 M3 mempunyai ketidakseragamanpaling tinggi. Sedangkan M1 dan M2bernilai sama

Dissimiliarity 0.71 1.19 1.5 M3 bernilai paling tinggi karena palingacak

Contrast 0.71 2.619 3.11 M1 mempunyai nilai pixel ketetangganyang sama (paling tinggi) dibandingkandengan M2 dan M3

Correlation 0.647 -0.0973 -0.259 M1 mempunyai linearitas paling tinggiHomogeneity 0.642 0.5476 0.411 M1 mempunyai nilai yang seragam

kemudian disusul M2 dan M3Autocorrelation 6.904 7.38 5.4047 M2 mempunyai nilai paling tinggi pada

diagonal utamanya

Seperti terlihat pada plot grafik dibawah ini, bahwa untuk M3 hasilnya adalah stabilyaitu bernilai paling rendah ataupun paling tinggi.

Kesimpulan:Penentuan sudut sangat mempengaruhi karena merupakan “sudut pandang”terhadap suatu citra maka sebaiknya menggunakan aturan berikutJenis sudut kondisiArah sudut tertentu Mensyaratkan hasil capture citra dalam kondisi arah

tertentuSemua arah Tidak mensyaratkan pada arah tertentu (free angle)

Contoh yang lain

Citra diatas berasal dari 1 sumber yaitu pada satu citra 3 (paling bawah)!Citra 1;2 adalah pengacakan lokasi citra dari citra 3 menggunakan arnold cat maps!Tentunya tidak terbayangkan bukan! Sehingga ketiga citra tersebut mempunyaihistogram yang sama pula! Tentunya uji stastistik biasa seperti mean dan std tidakakan mampu membedakan mereka!Mereka hanya berbeda lokasi saja!

Bagaimana olah citra memandang kasus diatas!Mari kita hitung GLCM (gray level co-occurance matrix) sehingga didapatkan hitunganseperti berikut

Citra 1fitur Sudut 0 Semua sudutenergy 0.0024491731852073566 0.0019999998691495554entropy 8.881482015485222 9.087883959367886dissimiliarity 19.99326998432589 24.313528681669332contrast 1001.725146943572 1410.4633268086686correlation 0.7598046888674038 0.6617515419555503homogen 0.13792759034452218 0.12155782248758404autocorrelation 6433.853644200653 6227.047264779985

Citra 2fitur Sudut 0 Semua sudutenergy 0.00686034145023157 0.007369170523500995entropy 8.546145676952188 8.56710329673388dissimiliarity 26.45563651248484 24.938276539141167contrast 1997.1030208759723 1833.1363654996183correlation 0.5837297599072392 0.6178863147428804homogen 0.2024030694706558 0.21297468096737177autocorrelation 5966.94012279981 6048.57035839163

Ternyata menghasilkan perhitungan yang berbeda!Mari kita lihat tentang energy

1. Energy: akan bernilai tinggi ketika nilai pixel mirip satu sama lain sebaliknyaakan bernilai kecil menandakan nilai dari GLCM normalisasi adalah heterogen.Nilai maksimum dari energy adalah 1. Ternyata menurut GLCM diketahuibahwa yang paling seragam adalah citra 2 karena nilai energy mendekati angka1

2. Entropy: akan bernilai tinggi ketika citra tidak seragam. Jadi menurut GLCMyang tidak seragam adalah citra 1. Artinya energy akan berbanding terbalikdengan entropy!!

Apakah benar tersebut!! Mari

Citra diatas adalah citra hasil dari penerapan logistisc maps dari citra 3!!Acak bukan!!Liat perhitungan berikutenergy 4.204133335019299Eentropy 9.320597913207715dissimiliarity 54.662665085794956contrast 4738.066676547164correlation 0.006238878449850933homogen 0.04553850662291374autocorrelation 4572.914896420003

Terlihat bahwa energy bernilai sangat kecil 4.2sedangkan entropy sangat besar yaitu 9.32 lebih besar dariJadi apa kesimpulannya!Ternyata GLCM bisa menilai hal diatas bahwa GLCM adalah salah satu dari analisistekstur yang cukup baik

Demo AplikasiPenulis menggunakan Java sebagai tools utama nya, berikut adalah tampilan aplikasi

Mari kita buktikan

Citra diatas adalah citra hasil dari penerapan logistisc maps dari citra 3!!

4.204133335019299E-49.32059791320771554.6626650857949564738.0666765471640.0062388784498509330.045538506622913744572.914896420003

Terlihat bahwa energy bernilai sangat kecil 4.2 10- 4 angka yang menuju 0entropy sangat besar yaitu 9.32 lebih besar dari citra 1 yaitu 9.087.

Ternyata GLCM bisa menilai hal diatas bahwa GLCM adalah salah satu dari analisis

Penulis menggunakan Java sebagai tools utama nya, berikut adalah tampilan aplikasi

Citra diatas adalah citra hasil dari penerapan logistisc maps dari citra 3!!

angka yang menuju 0citra 1 yaitu 9.087.

Ternyata GLCM bisa menilai hal diatas bahwa GLCM adalah salah satu dari analisis

Penulis menggunakan Java sebagai tools utama nya, berikut adalah tampilan aplikasi