Gray Level Co-salah satu analisis tekstur

Apa yang anda pikirkan tentang hal dibawah ini!

Citra diatas berasal dari 1 sumber yaitu pada citra!

Citra 1;2 adalah pengacakan lokasi citra dari citra 3 menggunakan arnold cat maps!

Tentunya tidak terbayangkan bukan!histogram yang sama pula!

Tentunya uji stastistik biasa seperti mean dan std tidak akan mampu membedakanmereka!

Mereka hanya berbeda lokasi saja!

Bagaimana olah citra memandang kasus diatas!

-occurance Matrix sebagaisalah satu analisis tekstur

Oleh mulkan.ms@gmail.com

http://softscients.blogspot.com

Apa yang anda pikirkan tentang hal dibawah ini!

Citra diatas berasal dari 1 sumber yaitu pada citra!

Citra 1;2 adalah pengacakan lokasi citra dari citra 3 menggunakan arnold cat maps!

Tentunya tidak terbayangkan bukan! Sehingga ketiga citra tersebut mempunyai

Tentunya uji stastistik biasa seperti mean dan std tidak akan mampu membedakan

Mereka hanya berbeda lokasi saja!

Bagaimana olah citra memandang kasus diatas!

occurance Matrix sebagai

Citra 1;2 adalah pengacakan lokasi citra dari citra 3 menggunakan arnold cat maps!

Sehingga ketiga citra tersebut mempunyai

Tentunya uji stastistik biasa seperti mean dan std tidak akan mampu membedakan

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

Energy: akan bernilai tinggi ketika nilai pixel mirip satu sama lain sebaliknya akanbernilai kecil menandakan nilai dari GLCM normalisasi adalah heterogen. Nilaimaksimum dari energy adalah 1

Ternyata menurut GLCM diketahui bahwa yang paling seragam adalah citra 2 karenanilai energy mendekati angka 1

Entropy: akan bernilai tinggi ketika citra tidak seragam.

Jadi menurut GLCM yang tidak seragam adalah citra 1

Artinya energy akan berbanding terbalik dengan entropy!!

Apakah benar tersebut!! Mari kita buktikan

Citra diatas adalah citra hasil dari

Acak bukan!!

Liat perhitungan berikut

energy 4.204133335019299Eentropy 9.320597913207715dissimiliarity 54.662665085794956contrast 4738.066676547164correlation 0.006238878449850933homogen 0.04553850662291374autocorrelation 4572.914896420003

Terlihat bahwa energy bernilai sangat kecil 4.2entropy sangat besar yaitu 9.32 lebih besar dari citra 1 yaitu 9.087.

Jadi apa kesimpulannya!Ternyata GLCM bisa menilai hal diatas bahwa GLCM adalah salah satu dari analisistekstur yang cukup baik

Apakah benar tersebut!! 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 0 sedangkanentropy sangat besar yaitu 9.32 lebih besar dari citra 1 yaitu 9.087.

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

penerapan logistisc maps dari citra 3!!

angka yang menuju 0 sedangkan

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

Bagaimana cara kerja GLCM!Bagi anda tertarik untuk menerapkan nya bisa menggunakan Matlab (ada hanya 4fitur) dari total 14 fitur yang diajukan oleh Harralick (sebagai penemu algoritmaGLCM).

Jika anda menggunakan java bisa menggunakan JImage Library versi terbaru yaitu04june2012. Seperti terlihat berikut

Anda cukup memasukan gray matrix dan menentukan sudut (0,45,90,135 atau ALL)serta batas maksimal intensitas untuk mendapatkan GLCM nya dan menghitungtekture menggunakan 1 class sehinga cukup 3 baris code saja

ext.GLCM glcm=new ext.GLCM();glcm.process(gray,ext.GLCM.SUDUT_ALL,255);//perhitungan featureext.FeatGlcm feature=new ext.FeatGlcm();feature.process(glcm.getT());

String pesan= "energy \t"+feature.getEnergy()+"\n"+"entropy \t"+feature.getEntropy()+"\n"+"dissimiliarity \t"+feature.getDissimilarity()+"\n"+"contrast \t"+feature.getContrast()+"\n"+"correlation \t"+feature.getCorrelation()+"\n"+"homogen \t"+feature.getHomogen()+"\n"+"autocorrelation \t"+feature.getAutocorrelation()+"\n";

Download JImage Library - Library olah citra dengan javaJImage Library secara free dapat didownload di http://softscients.blogspot.com

Dapatkan dukungan teknis dan keterangan lebih lanjut