temu kembali citra berbasis isi pada citra kain...

Temu Kembali Citra

Berbasis Isi pada Citra

Kain Berdasarkan Fitur

Warna, Tekstur, danBentuk

Atiqotun Niswah

5110100183

Dosen Pembimbing:

Dr. Eng. Nanik Suciati,

S.Kom., M.Kom.

Diana Purwitasari,

S.Kom., M.Sc.

1Teknik Informatika 2014

Latar Belakang

2

Teknik Informatika 2014

Berbagai bahan

Berbagai warna

Berbagai motif

3


Latar Belakang


4

Latar Belakang

Untuk mempermudah pencarian kain

yang mirip dengan kain contoh

Pada citra kain

Berdasarkan warna, tekstur, dan bentuk

Data 5


Gambar dari website

www.photos-public-domain.com/tag/fabric

• Berukuran 400x400 piksel

• Berekstensi .jpg

• 2 macam dataset

DATASET 1

Satu citra besar kain dipecah menjadi 10 citra kecil

Berisi 280 citra

6


DATASET 2

Berisi 172 citra yang berbeda satu dengan yang lain

Ada beberapa citra yang memiliki kesamaan

7


METODOLOGI


8

Database citra Citra contoh

Ekstraksi fitur

Dominant color

descriptor (DCD)Steerable filter

Pseudo-zernike

moment

Perhitungan kemiripan

Citra hasil

DCD mendeskripsikan warna berdasarkan warna dominan.

Warna representatif yang dihasilkan terkadang tidak sesuai

dengan yang diharapkan oleh manusia.

Penyederhanaan warna perlu dilakukan.


9Ekstraksi fitur

Dominant color

descriptor (DCD)

1. Petakan warna ke dalam blok partisi, hitung piksel di tiap partisi.

2. Cari warna rata-rata tiap partisi.

3. Persentase tiap partisi = jumlah piksel dalam partisi/total piksel

citra.

4. Hitung jarak antara dua warna.

5. Jika ada yang kurang dari batasan, dua warna tersebut

dilebur.

10


Ekstraksi fitur

Dominant color

descriptor (DCD)

Warna rata-rata tiap partisi

6. Persentase tiap warna yang tersisa dilihat.

7. Warna dengan persentase kecil digabung ke warna terdekat.

11


Ekstraksi fitur

Dominant color

descriptor (DCD)

Warna yang tersisa

Citra hasil DCD

Filter yang menyaring citra secara sembarang putaran.

Proses:

1. Memilih basis filter: dipilih turunan pertama fungsi gaussian.

2. Menentukan fungsi interpolar.

3. Menentukan sudut yang digunakan, misalnya kelipatan 45o.

4. Konvolusikan citra oleh basis filter.

12


Ekstraksi fitur

Steerable filter

13


Ekstraksi fitur

Steerable filter

Visualisasi fungsi turunan pertama Gaussian pada sudut 0, 45, 90, dan 315

14


Ekstraksi fitur

Steerable filter

Hasil konvolusi pada sudut 0, 45, 90, dan 315

Menghitung fitur tekstur:

1. Energi citra untuk tiap sudut.

2. Nilai rata-rata energi.

3. Nilai standar deviasi energi.

Fitur tekstur terdiri atas nilai rata-rata dan standar deviasi.

15


Ekstraksi fitur

Steerable filter

Merepresentasikan bentuk objek berdasarkan region.

Proses:

1. Menghitung nilai koordinat polar dengan ukuran sesuai citra.

16


Ekstraksi fitur

Steerable filterPseudo-zernike

moment

Contoh nilai ρ dan θ dengan ukuran 9x9

17


Ekstraksi fitur

Pseudo-zernike

moment

2. Menghitung nilai polinomial Zernike sesuai ukuran citra.

3. Merekonstruksi citra dengan orde tertentu. Nilai ini akan menjadi

nilai fitur bentuk.

Citra Segitiga dan Citra Hasil Rekonstruksinya.

Perhitungan Kemiripan

Warna Tekstur Bentuk


18



1. Menghitung nilai kemiripan dari dua warna dominan yang

berbeda.

2. Menjumlah semua nilai kemiripan.


19

Warna



Mencari jarak Euclidean.

Nilai rata-rata citra contoh dikurangkan dengan rata-rata citra

database.

Nilai standar deviasi citra contoh dikurangkan dengan standar

deviasi citra database.


20

Tekstur



Mencari jarak Euclidean.

Nilai rekonstruksi citra dari citra contoh dikurangi nilai citra

database pada orde dan perulangan yang bersesuaian.


21

Bentuk



Pengguna dapat memilih fitur yang ingin digunakan.

Tiap fitur terpilih harus diberi bobot antara 0 hingga 1 dan total

bobot semua fitur harus 1.

Hasil perhitungan kemiripan tiap fitur dinormalisasi.

Hasil kemiripan diurutkan.

Beberapa citra termirip akan ditampilkan.


22

UJI COBA

23


Uji coba 1: ekstraksi fitur tekstur dengan kombinasi

sudut yang berbeda.

Uji coba 2: ekstraksi fitur bentuk dengan nilai orde

berbeda.

Uji coba 3: variasi fitur pada dataset pertama.

Uji coba 4: variasi bobot pada kombinasi fitur terbaik.

Uji coba 5 pada dataset kedua.

UJI COBA 1

24


Menguji apakah banyak sudut dan besarnya

mempengaruhi ekstraksi fitur tekstur.

Semakin banyak sudut, semakin lama waktu ekstraksi.

Banyak sudut tidak mempengaruhi hasil ekstraksi fitur.

Nilai kombinasi sudutWaktu

ekstraksiKombinasi 1 [0, 45, 90, 135] 14.84 s

Kombinasi 2 [0, 30, 60, 90, 120, 150] 16.15 s

Kombinasi 3 [0, 22.5, 45, 67.5, 90, 112.5,

135, 157.5]

17.23 s

PrecisionKombinasi

1

Kombinasi

2

Kombinasi

3Citra 1 0.5 0.5 0.5

Citra 2 0.9 0.9 0.9

Citra 3 0.9 0.9 0.9

Citra 4 0.5 0.5 0.5

Citra 5 1 1 1

Citra 6 0.4 0.4 0.4

Citra 7 0.8 0.8 0.8

Citra 8 0.7 0.7 0.7

Citra 9 0.7 0.7 0.7

Citra 10 0.7 0.7 0.7

Rata-rata 0.71 0.71 0.71

UJI COBA 2

25


Menguji apakah besar orde yang digunakan

mempengaruhi ekstraksi fitur bentuk.

Karena ingin diambil bentuk sedetail mungkin namunperforma yang dihasilkan juga baik, maka dipilih orde 8.

Precision

Orde = 6 Orde = 7 Orde = 8 Orde = 9Citra 1 0.6 0.6 0.6 0.5

Citra 2 0.3 0.4 0.4 0.2

Citra 3 0.8 0.8 0.8 0.8

Citra 4 0.3 0.3 0.2 0.2

Citra 5 0.3 0.4 0.4 0.4

Citra 6 0.2 0.2 0.2 0.2

Citra 7 0.6 0.5 0.5 0.5

Citra 8 0.4 0.4 0.5 0.4

Citra 9 0.3 0.3 0.3 0.3

Citra 10 0.2 0.2 0.2 0.3

Rata-rata 0.4 0.41 0.41 0.38

UJI COBA 3

26


Mengetahui performa tiap variasi fitur.

Precision

Fitur

warna

Fitur

tekstur

Fitur

bentuk

Warna +

Tekstur

Warna +

Bentuk

Tekstur +

Bentuk

Ketiga

FiturCitra 1 1 0.5 0.6 1 1 0.9 1

Citra 2 1 0.9 0.4 1 0.9 0.8 1

Citra 3 0.5 0.9 0.8 0.5 0.5 0.9 0.8

Citra 4 1 0.5 0.2 1 1 0.5 1

Citra 5 0.8 1 0.4 0.8 0.8 0.6 1

Citra 6 1 0.4 0.2 1 0.8 0.4 0.9

Citra 7 1 0.8 0.5 1 1 0.7 1

Citra 8 1 0.7 0.5 1 1 0.8 1

Citra 9 0.6 0.7 0.3 0.8 0.6 0.5 0.7

Citra 10 1 0.7 0.2 1 1 0.5 1

Rata-rata 0.89 0.71 0.41 0.91 0.86 0.66 0.94

UJI COBA 4

27


Hasil pengujian variasi bobot pada tiga fitur

Variasi bobot

Mencari bobot terbaik dari penggunaan tiga fitur.

Nomor

Kombinasi

Bobot


1 0.3333 0.3333 0.3334

2 0.6 0.25 0.15

3 0.25 0.6 0.15

4 0.15 0.6 0.25

5 0.5 0.25 0.25

6 0.25 0.5 0.25

7 0.25 0.25 0.5

UJI COBA 5

28


Melihat hasil rekomendasi sistem tanpa dihitung

precision dan recall-nya.

Digunakan dataset kedua.

Kombinasi ketiga fitur .

UJI COBA 5

29


Kombinasi tiga fitur

UJI COBA 5

30



UJI COBA 5

31



KESIMPULAN

Hasil pencarian citra mirip yang paling baik

didapatkan dengan menggabungkan ketiga

fitur. Sedangkan bila hanya digunakan satu fitur,

yang paling baik digunakan untuk pencarian

adalah fitur warna.

Besar bobot untuk kombinasi tiga fitur citra

adalah 0.25 untuk fitur warna, 0.6 untuk fitur

tekstur, dan 0.15 untuk fitur bentuk.

32


temu kembali citra berbasis isi pada citra kain...

Documents