...

segmentasi warna citra dengan deteksi warna hsv

by user

on
Category: Documents
0

views

Report

Comments

Transcript

segmentasi warna citra dengan deteksi warna hsv
SEGMENTASI WARNA CITRA DENGAN DETEKSI
WARNA HSV UNTUK MENDETEKSI OBJEK
Benedictus Yoga Budi Putranto, Widi Hapsari, Katon Wijana
Fakultas Teknik Program Studi Teknik Informatika
Universitas Kristen Duta Wacana Yogyakarta
Email: [email protected], [email protected], [email protected]
Abstrak :
Deteksi objek pada suatu citra 2 dimensi merupakan suatu proses yang cukup
kompleks untuk dilakukan oleh karena itu diperlukan suatu pendekatan visi
komputer (computer vision) sehingga bagian objek yang diinginkan dapat dikenali
komputer dengan akurat. Penelitian ini akan memaparkan penerapan metode
segmentasi warna dengan deteksi warna HSV oleh Giannakopoulos untuk
menghasilkan objek segmen citra berupa blob sehingga dapat terdeteksi
komputer. Berdasarkan hasil pengujian dan analisa diperoleh kesimpulan bahwa
kontrol pengguna dalam hal penentuan sampel warna dan toleransi warna
berperan penting dalam proses segmentasi; sampel warna akan menghasilkan
nilai acuan warna sebagai acuan segmentasi dan toleransi warna digunakan
sebagai jangkauan filter dalam proses segmentasi. Proses deteksi objek akan
mengolah segmen warna yang dihasilkan oleh proses segmentasi sehingga dapat
diketahui banyaknya objek terdeteksi, luas area dan titik pusat tiap objek.
Kata Kunci : computer vision, segmentasi warna, deteksi warna, giannakoupolos
1. Pendahuluan
Perkembangan sistem computer vision atau visi komputer saat ini telah banyak
dimanfaatkan dalam membantu manusia dalam proses pengenalan atau deteksi objek. Proses
pengenalan suatu objek merupakan pekerjaan yang cukup sulit sehingga dalam proses
tersebut disarankan untuk mengimplementasikan teknologi computer vision guna mengambil
peranan untuk mengenali objek dalam suatu citra 2 dimensi.
Dalam proses pengenalan objek atau deteksi objek diperlukan suatu pemisahan bagian
atau segmen tertentu dalam citra yang akurat, proses pemisahan tersebut dikenal sebagai
proses segmentasi. Proses pengenalan segmen merupakan salah satu kunci dalam
mendapatkan suatu hasil pengenalan atau deteksi yang akurat. Segmentasi membagi suatu
2 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
citra menjadi bagian-bagian atau segmen yang lebih sederhana dan bermakna sehingga dapat
dilakukan analisis
lebih lanjut. Kegunaan segmentasi menurut Forsyth dan Ponce (2003)
adalah pengambilan informasi dari citra seperti pencarian bagian mesin, pencarian manusia
dan pencarian citra yang serupa. Secara umum pendekatan segmentasi citra yang sering
digunakan adalah melalui pendekatan intensitas, pendekatan warna dan pendekatan bentuk
(Rujikietgumjorn, 2008).
Segmentasi warna merupakan pemisahan segmen dalam suatu citra berdasarkan
warna yang terkandung dalam citra. Dalam perkembangan sistem computer vision telah
dilakukan berbagai macam metode untuk melakukan segmentasi warna seperti metode
clustering dan metode indeks. Pada penelitian ini penulis akan mencoba untuk melakukan
segmentasi warna dengan metode deteksi warna HSV. Ruang lingkup warna HSV terdiri dari 3
elemen yaitu Hue mewakili warna, Saturation mewakili tingkat dominasi warna, dan Value
mewakili tingkat kecerahan. Dengan demikian metode ini cenderung mendeteksi warna dan
tingkat dominasi serta kecerahannya
2. Segmentasi Citra
Segmentasi citra akan membagi-bagi suatu citra menjadi daerah-daerah atau obyekobyek yang dimilikinya. Menurut Castleman (1996) segmentasi citra merupakan suatu proses
memecah suatu citra digital menjadi banyak segmen/bagian daerah yang tidak saling
bertabrakan (nonoverlapping). Dalam konteks citra digital daerah hasil segmentasi tersebut
merupakan kelompok piksel yang bertetangga atau berhubungan.
Segmentasi citra dapat dilakukan melalui beberapa pendekatan, menurut Castleman
(1996) terdapat 3 macam pendekatan, antara lain:
•
Pendekatan
batas
(boundary
approach),
pendekatan
ini
dilakukan
untuk
mendapatkan batas yang ada antar daerah.
•
Pendekatan
tepi
(edge
approach),
pendekatan
tepi
dilakukan
untuk
mengidentifikasi piksel tepi dan menghubungkan piksel-piksel tersebut menjadi
suatu batas yang diinginkan
•
Pendekatan daerah (region approach), pendekatan daerah bertujuan untuk
membagi citra dalam daerah-daerah sehingga didapatkan suatu daerah sesuai
kriteria yang diinginkan.
Proses segmentasi digunakan dalam berbagai penerapan, meskipun metode yang
digunakan sangat bervariasi, semuanya memiliki tujuan sama: mendapatkan representasi
sederhana yang berguna dari suatu citra. Terdapat berbagai macam metode dalam melakukan
segmentasi, cukup sulit untuk menentukan metode yang komprehensif, oleh karena itu
pemilihan metode bergantung pada pendekatan yang akan digunakan dan fitur yang ingin
diperoleh dari citra
3 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
3. Segmentasi Warna Dengan Deteksi Warna HSV
Segmentasi warna merupakan proses segmentasi dengan pendekatan daerah yang
bekerja dengan menganalisis nilai warna dari tiap piksel pada citra dan membagi citra tersebut
sesuai dengan fitur yang diinginkan. Segmentasi citra dengan deteksi warna HSV menurut
Gunanto (2009) menggunakan dasar seleksi warna pada model warna HSV dengan nilai
toleransi tertentu.
Pada metode segmentasi dengan deteksi warna HSV menurut Giannakupoulos (2008),
dilakukan pemilihan sampel piksel sebagai acuan warna untuk membentuk segmen yang
diinginkan. Citra digital menggunakan model warna RGB sebagai standar acuan warna, oleh
karena itu proses awal pada metode ini memerlukan konversi model warna RGB ke HSV. Untuk
membentuk segmen sesuai dengan warna yang diinginkan maka ditentukan nilai toleransi pada
setiap dimensi warna HSV, kemudian nilai toleransi tersebut digunakan dalam perhitungan
proses adaptive threshold. Hasil dari proses threshold tersebut akan membentuk segmen area
dengan warna sesuai toleransi yang diinginkan. Secara garis besar, gambaran proses
segmetnasi dapat dilihat pada Gambar 1 dan berikut ini merupakan proses segmentasi menurut
Giannakupoulos (2008).
•
Tentukan citra RGB yang menjadi obyek deteksi, nilai warna HSV yang menjadi
acuan (hasil proses pelatihan data) dan nilai toleransi HSV yang digunakan.
•
Transpose citra RGB ke HSV
•
Lakukan filter warna pada citra berdasarkan nilai acuan (T) dan nilai toleransi (tol).
Dengan x sebagai warna HSV pada piksel yang ada maka warna yang tidak
termasuk dalam rentang T-tol < x < T+tol diberi warna hitam.
•
Transpose kembali citra ke RGB, tampilkan hasil filter.
4 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
Gambar 1. Skema Deteksi Warna HSV
Gunanto (2009) mencoba melakukan segmentasi dengan menggunakan metode
deteksi warna HSV pada bagian tubuh manusia yang diberi warna tertentu. Gunanto melakukan
penelitian berdasarkan metode deteksi warna HSV Giannakupoulos untuk memisahkan bagian
tubuh manusia yang diberi warna tertentu. Penelitian tersebut menggunakan data input berupa
citra 2 dimensi dengan latar belakang homogen berwarna putih dan fitur model manusia. Model
manusia mengenakan pakaian dengan warna tertentu pada tiap bagian tubuh manusia yang
akan dikenali. Proses segmentasi warna dengan menggunakan deteksi warna HSV
menghasilkan segmen warna yang akurat sesuai dengan warna sampel dan nilai toleransi yang
diberikan. Hasil segmentasi warna tersebut menghasilkan segmen citra yang membentuk suatu
blob, yaitu sekumpulan piksel bertetangga yang memiliki nilai tertentu.
4. Pemetaan dan Perhitungan Objek
Blob merupakan sekumpulan piksel-piksel yang memiliki hubungan tetangga. Proses
perhitungan blob dapat dilakukan dengan melakukan analisis piksel yang bertetangga. Piksel
bertetangga pada sebuah piksel ditentukan sebagai piksel yang berjarak 1 dari piksel asal.
Proses perhitungan blob akan memanfaatkan relasi piksel 8-neighbors. Gambar 2 di bawah ini
merupakan gambaran sederhana dari relasi 8-neighbors.
5 - JUR
RNAL INFORM
MATIKA, VOLU
UME 6 NOMOR
R 2, NOVEMBE
ER 2010
Gamba
ar Error! No te
ext of specifie
ed style in doc
cument.. Rela
asi piksel 8-ne
eighbors
Pada gamb
bar 2 piksell asal merup
pakan piksell berwarna ccoklat dan piksel
p
putih
akan piksel tetangga darri piskel asa
al. Pada relasi 4-neighbors piksel dia
agonal tidak
merupa
dianggap sebagai piksel tetangga, sedangkan pada rela
asi 8-neighbo
ors piksel dia
agonal akan
diangg
gap sebagai piksel
p
tetangga sehingga akan memberiikan hasil pem
metaan yang lebih akurat
dibandingkan relasi 4-neighbors.
n blob berdasarkan pusstaka pengolahan citra AForge.Net terdiri dari
Perhitungan
apa proses yaitu:
y
pemetaan objek, p
pengumpulan
n informasi o
objek, serta filter objek
bebera
berdas
sarkan ukuran
n. Proses pem
metaaan objek akan menelusuri dan me
elabeli setiap piksel pada
citra sehingga
s
dap
pat diketahui piksel pem
mbentuk blob
b pada citra
a. Proses pe
engumpulan
informa
asi akan men
ngolah label tiap piksel seh
hingga diketa
ahui luas area
a, tingkat kepe
enuhan dan
titik pusat blob. Prosses filter obje
ek akan menyyeleksi blob ya
ang akan diproses berdassarkan tinggi
barnya. Menu
urut pustaka AForge.Net llangkah-langkkah perhitung
gan blob ada
alah sebagai
dan leb
berikutt.
bjek akan menelusuri tiap piksel
p
pada setiap baris ya
ang ada dan
1. Proses pemetaan ob
erikan label pa
ada piksel ya
ang yang mem
miliki nilai warna selain hittam (RGB =
membe
0 0 0). Setiap pikse
el yang mem
miliki relasi hu
ubungan 8-neighbors aka
an diberikan
label ya
ang sama.
2. Proses pengumpulan informasi b
blob, akan me
engumpulkan dan mengola
ah informasi
tiap pikksel yang be
ertetangga be
erdasarkan le
etak dan lab
bel yang diha
asilkan oleh
proses pemetaan objek. Letakk dan label piksel yang
g bertetangg
ga tersebut
kan untuk me
embentuk sua
atu blob dan informasi pendukungnya seperti luas
digunak
area, tin
ngkat kepenu
uhan, titik pusat dan area kotak
k
blob.
Proses filterr blob, akan melakukan
m
filtter berdasark
kan tinggi dan
n lebar blob. Blob
B
dengan
tinggi atau
a
lebar di bawah
b
nilai minimum
m
akan
n dihilangkan dari peta objjek. Setelah blob
b
dengan
dimenssi yang tidak sesuai
s
syaratt minimum dih
hilangkan, dila
akukan updatte label blob terdeteksi.
t
5. Ana
alisa Toleran
nsi Terhadap
p Hasil Segmentasi Warna
Salah satu faktor yang mempengaru
uhi hasil segm
mentasi citra adalah tolerransi warna.
Toleran
nsi warna te
erdiri dari 3 unsur yaitu toleransi
t
hue
e, saturation, dan value. Tiap unsur
toleran
nsi akan mem
mberikan has
sil segmentasi citra yang
g berbeda-be
eda. Nilai tole
eransi akan
menen
ntukan rentan
ng filter pada
a proses seg
gmentasi warrna; ditentuka
an nilai acua
an warna X
dengan
n toleransi T maka pada proses segme
entasi akan dilakukan filter warna pada rentang X-T
6 - JUR
RNAL INFORM
MATIKA, VOLU
UME 6 NOMOR
R 2, NOVEMBE
ER 2010
sampa
ai dengan X+
+T. Berikut in
ni merupakan beberapa contoh kasus yang akan menunjukan
m
pengarruh toleransi terhadap
t
hasil segmentasii.
Hue merupa
akan salah sa
atu elemen dalam
d
ruang warna
w
HSV yyang mewakilii nilai warna
sehingga nilai tolera
ansi hue juga
a akan mempengaruhi nilai warna yang
g terseleksi da
alam proses
segme
entasi. Nilai hue
h
direpresentasikan dala
am bentuk lin
ngkaran dan memiliki renttang berupa
sudut antara
a
0o-360
0o, penggamb
baran elemen warna hue dapat
d
dilihat p
pada Gambarr 3 di bawah
ini.
Gamb
bar 3. Lingkaran Elemen Warna
W
Hue
Oleh karena elemen wa
arna hue berupa lingkara
an dan ditulisskan dalam sudut
s
maka
ng berkaitan
n dengan ele
emen warna
a hue (pena
ambahan/ pe
engurangan,
setiap operasi yan
ungan toleransi, filter warna) merupakan operasi sud
dut. Penamba
ahan nilai hue
e sebesar n
perhitu
akan terjadi perges
seran sudut sebesar
s
no searah
s
jarum jam sedang
gkan untuk pe
engurangan
sebesa
ar n akan terjadi pergesera
ah sudut sebesar no berla
awanan denga
an arah jarum
m jam. Sifatsifat nonlinear ters
sebut juga akan berlaku pada jangka
auan filter pa
ada elemen warna hue
ai acuan seb
besar X, toleransi sebesa
ar T, dan jangkauan filter awal (X-T)
sehingga untuk nila
ai dengan akh
hir (X+T), nila
ai awal dapa
at lebih besarr dari nilai akkhir (X-T > X+T).
X
Kasus
sampa
berikutt ini merupakan contoh kasus pengg
gunaan tolerransi hue pa
ada proses segmentasi,
s
sebuah
h gambar beb
berapa lingka
aran dengan nilai hue yan
ng berbeda-be
eda akan teta
api memiliki
nilai sa
aturation dan value yang sa
ama.
Gam
mbar 4. Segm
mentasi Dengan Toleransi Hue
7 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
Saturation merupakan salah satu elemen warna HSV yang mewakili tingkat intensitas
warna. Pada nilai tingkat kecerahan (value) yang sama nilai saturation akan menggambarkan
kedekatan suatu warna pada warna abu-abu. Pada sistem nilai saturasi memiliki rentang antara
0 (minimum) dan 1 atau 100% (maksimum). Berikut ini merupakan contoh kasus pengaruh nilai
toleransi saturation pada proses segmentasi. Pada kasus ini akan menggunakan sebuah citra
dengan beberapa objek lingkaran yang memiliki tingkat saturation berbeda tapi memiliki nilai
hue dan value sama. Berdasarkan contoh kasus tersebut dapat dilihat bahwa nilai toleransi
saturation mempengaruhi tingkat kemurnian warna yang ikut terseleksi dalam proses
segmentasi.
Gambar 5a (atas) dan 5b (bawah). Segmentasi Dengan Toleransi Saturation
Dalam ruang warna HSV, untuk merepresentasikan tingkat kecerahan warna digunakan
elemen value. Pada nilai value maksimum warna yang dihasilkan adalah warna dengan tingkat
kecerahan maksimum sedangkan pada value minimum dihasilkan warna dengan tingkat
kecerahan minimum (warna hitam). Berapapun nilai hue dan saturation warna, jika nilai value
yang dimiliki adalah 0 (minimum) maka warna yang dihasilkan adalah warna hitam. Nilai value
maksimum adalah 1 (100%), di mana warna yang dihasilkan akan memiliki tingkat kecerahan
maksimum.
8 - JUR
RNAL INFORM
MATIKA, VOLU
UME 6 NOMOR
R 2, NOVEMBE
ER 2010
Nilai toleran
nsi elemen va
alue akan me
empengaruhi tingkat kecerahan warna objek yang
ikut terrseleksi dalam
m proses segmentasi warn
na. Berikut ini merupakan contoh kasuss yang akan
menun
njukkan bagaiimana penga
aruh toleransi elemen valu
ue terhadap h
hasil segmenttasi. Contoh
kasus berikut ini te
erdapat beberapa objek lingkaran dengan nilai hue
e, saturation yang sama
tetapi memiliki nilai value yang
g berbeda-be
eda, dengan demikian terrlihat pengaru
uh toleransi
value tanpa
t
dipenga
aruhi elemen warna hue da
an saturation.
mbar 6a (atas
s) dan 6b (ba
awah). Segme
entasi Dengan Toleransi Value
V
Gam
6. Ana
alisa Proses Deteksi Objek
P
Proses
segm
mentasi warna
a citra akan menghasilkan citra objekk tertutup den
ngan warna
tertentu
u dan berlata
arbelakang warna
w
hitam, dengan dem
mikian hasil proses
p
segme
entasi akan
sangatt berpengaruh
h pada prose
es analisa ob
bjek. Proses analisa objek terbagi me
enjadi 2 sub
prosess, yaitu prosess perhitungan
n objek dan p
proses detekssi objek.
P
Proses
detekksi objek da
an pehitunga
an objek dila
akukan denga
an menggun
nakan class
BlobCo
ounter yang ada
a
pada pus
staka Aforge.net, dengan kondisi filter blob berukuran minimal
5x5 pik
ksel. Berikut ini merupakan
n contoh kasu
us pengujian ukuran objek blob yang terdeteksi.
9 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
Gambar 7. Deteksi Ukuran Objek Blob
Gambar 7 menunjukkan ukuran blob yang terdeteksi oleh sistem. Pada gambar tersebut
sebelah kiri merupakan citra awal yang menjadi input sistem. Baris pertama pada citra awal
merupakan objek persegi berukuran nxn piksel dari 1x1 sampai dengan 12x12 piksel; baris
kedua merupakan sebuah garis dengan ukuran 1x159 piksel; baris ketiga merupakan objek
dengan berbagai bentuk dan variasi ukuran; baris keempat merupakan kumpulan garis vertikal
dengan ukuran 1x40 piksel sampai dengan 1x1 piksel. Bagian sebelah kanan merupakan citra
hasil deteksi objek melalui class BlobCounter. Pada citra hasil, objek yang terdeteksi akan terhighlight dengan tepian warna putih. Hasil deteksi objek dapat kita lihat bahwa objek dengan
ukuran lebih besar atau sama dengan 5x5 piksel akan ter-highlight, sebaliknya dengan objek
yang berukuran lebih kecil tidak ter-highlight.
Pada suatu citra, di mana terdapat suatu objek memiliki sebuah warna tertentu di
dalamnya, warna tersebut terkadang tidak bernilai mutlak akan tetapi dipengaruhi oleh
intensitas cahaya yang dipantulkan oleh objek tersebut. Bentuk dan tekstur objek akan
mempengaruhi nilai warna pada bagian tertentu sehingga dalam suatu objek pada citra memiliki
intensitas warna dan gelap-terang yang berbeda pada bagian tertentu. Proses segmentasi
warna dan analisa objek pada objek yang bersangkutan dapat dioptimalkan dengan merubah
nilai toleransi pada tiap elemen warna Hue, Saturation dan Value.
8. Pengujian Area Terdeteksi
Cahaya memiliki kaitan yang erat dengan warna suatu objek, intensitas cahaya pada
suatu bagian objek akan menyebabkan warna pada objek dalam suatu citra berbeda dengan
warna pada bagian lain. Area terdeteksi pada satu objek dalam suatu citra dipengaruhi oleh
nilai acuan yang dihasilkan dari pengolahan sampel warna dan nilai toleransi warna HSV yang
menjadi input. Pada pengujian area deteksi salah satu objek dalam proses analisa objek
digunakan citra dengan objek berwarna homogen dan satu sumber cahaya. Ditentukan
beberapa titik pada objek dengan tingkat pencahayaan berbeda untuk diambil sebagai sampel
warna sehingga dihasilkan suatu nilai acuan warna. Proses pengujian akan menggunakan
10 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
sampel warna yang sama sehingga dihasilkan nilai acuan warna yang konstan. Dengan nilai
acuan yang sama kemudian diberikan beberapa nilai toleransi yang berbeda untuk melihat area
objek terdeteksi oleh sistem. Nilai toleransi warna yang digunakan antara
lain: 0, standar
deviasi dari sampel warna, dan 3 nilai empiris (percobaan). Untuk menganalisa area terdeteksi
dilakukan 2 pengujian, pengujian I menguji area terdeteksi dengan satu objek, sedangkan
pengujian II menguji area terdeteksi dengan beberapa objek pada citra.
Gambar 8a, 8b, 8c (baris pertama dari kiri ke kanan),
8d, 8e, 8f (baris kedua dari kiri ke kanan),
8g, 8h, 8i (baris ketiga dari kiri ke kanan),
8j, 8k (baris keempat dari kiri ke kanan)
Pengujian Area Deteksi Bola
11 - JU
URNAL INFORM
MATIKA, VOLU
UME 6 NOMOR 2, NOVEMB
BER 2010
P
Pengujian
I pada
p
rangkaia
an gambar 8 dan tabel 1 menggunaka
an citra bolala
a.bmp, yang
ditunjukkan oleh ga
ambar 8a, berrukuran 800xx600 piksel. Rangkaian
R
pe
engujian I aka
an mencoba
mende
eteksi salah satu
s
bola berw
warna cyan yyang berada di bagian kirri citra input(g
gambar 8a).
Objek bola dalam gambar
g
tersebut memiliki diameter
d
215
5 piksel denga
an demikian luasan total
penam
mpang bola ya
ang berbentuk lingkaran ssebesar 36320 piksel. Sam
mpel warna yang
y
diambil
sebanyyak 5 buah antara
a
lain: ba
agian ujung kiri
k
0.96 0..96), atas
(HSV = 195 1 0.74), tengah
(HSV= 192 0.99
0
0.84), se
ekitar titik putih
h
(HSV= 188
(HSV= 1
188 0.66 0.98
8) dan ujung
(HSV= 19
91 1 0.84). Dari 5 buah sa
ampel warna tersebut diha
asilkan nilai acuan
a
warna
kanan
89 dan nilai standar deviasi sebesar hue
e 3o, saturatio
on 13.18%, va
alue 8.68%.
HSV = 191 0.99 0.8
G
Gambar
8b sampai dengan gambarr 8k merupa
akan hasil pe
engujian I. Gambar
G
8b
merupa
akan hasil pengujian perrtama dengan
n nilai tolera
ansi hue 0o, saturation 0%
%, value 0.
Gamba
ar 8c merupa
akan hasil pengujian kedua dengan nilai toleransi hasil
h
perhitung
gan standar
deviasi pada setiap
p elemen dala
am sampel w
warna. Gamba
ar 8d, 8e sam
mpai dengan 8k masingmasing
g merupakan
n hasil pen
ngujian ketiga, keempat sampai de
engan kesep
puluh, yang
mengg
gunakan nilai toleransi em
mpiris (hasil coba-coba). Area terdetteksi oleh sistem dapat
ditunjukkan dengan
n area yang memiliki garis tepi berwa
arna putih. Ha
asil dari peng
gujian pada
ar 8 secara de
etail ditunjukk
kan pada tabe
el 1.
gamba
T
Tabel 1
Hasil Pengujian
P
I
Toleransi
No
Citra hasil
Jumlah
Total
objek
terdeteksii
H(o)
S(%
%)
V(%)
terdeteksi
(piksel)
area
Perse
en
area
terde
eteksi (%)
1
8b
0
0
0
3
119
0.33
2
8c
3
13.18
8.68
2
28119
77.42
2
3
8d
8
33
15
1
33737
92.89
9
4
8e
14
33
25
1
34663
95.44
4
5
8f
14
38
25
1
34815
95.96
6
6
8g
14
44
33
1
34938
96.19
9
7
8h
23
44
33
1
35013
96.40
0
8
8i
33
44
33
1
35013
96.40
0
9
8j
33
70
33
1
36961
101.7
76
10
8k
33
100
0
33
3
75518
207.9
92
Berdasarkkan rangkaian
n pengujian I dapat disim
mpulkan bahw
wa bagian ob
bjek dengan
an yang kon
ntras tidak da
apat terdetek
ksi secara se
empurna, jika
a dilakukan
tingkatt pencahayaa
penam
mbahan tolera
ansi secara berlebihan
b
un
ntuk mendete
eksi area pad
da bagian ob
bjek dengan
perbed
daan warna yang
y
kontras akan
a
mengakkibatkan area
a yang tidak d
diinginkan iku
ut terseleksi,
12 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
seperti pada pengujian no 9 dan 10. Berdasarkan hasil pengujian I dengan beberapa nilai
toleransi yang berbeda, diperoleh nilai toleransi optimal untuk hue 14o, saturation 44% dan
value 33%. Penambahan toleransi melebihi nilai tersebut tidak memberikan peningkatan hasil
area terdeteksi yang cukup signifikan.
Gambar 9a, 9b, 9c (baris pertama dari kiri ke kanan),
9d, 9e, 9f (baris kedua dari kiri ke kanan),
9g, 9h, 9i (baris ketiga dari kiri ke kanan),
9j, 9k (baris keempat dari kiri ke kanan)
Pengujian Area Deteksi Permen
Pengujian II, pada rangkaian gambar 9 dan tabel 2, menganalisa jumlah objek dan
area terdeteksi beberapa objek permen berwarna kuning pada citra permen.jpg berukuran
506x405 piksel. Citra yang akan menjadi input ditunjukkan oleh gambar 9a. Pada citra awal
(gambar 9a) secara visual dapat diketahui jumlah objek permen berwarna kuning berjumlah 11
13 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
buah. Sampel warna yang diambil sebanyak 5 buah, masing-masing diambil dari beberapa
bagian permen kuning yang dianggap merepresentasikan perubahan warna akibat pengaruh
cahaya, yaitu:
(HSV=38 1 0.87),
(HSV=45 0.86 1),
(HSV=43 0.99 0.98),
(HSV=35 0.99 0.82),
(HSV=45 0.74 0.99). Dari 5 buah sampel warna tersebut dihasilkan nilai
acuan warna HSV = 43 0,99 0,98 dan nilai standar deviasi, besar masing-masing elemen warna
antara lain: hue 4o, saturation 10.21%, value 7.30%.
Rangkaian gambar 9b sampai dengan 9k merupakan hasil pengujian II. Gambar 9b
merupakan hasil pengujian kedua dengan nilai toleransi hasil perhitungan standar deviasi pada
setiap elemen dalam sampel warna. Gambar 9c, 9d sampai dengan 9k masing-masing
merupakan hasil pengujian ketiga, keempat sampai dengan kesepuluh, yang menggunakan
nilai toleransi empiris (hasil coba-coba). Area terdeteksi oleh sistem dapat ditunjukkan dengan
area yang memiliki garis tepi berwarna putih. Hasil dari pengujian pada gambar 9 secara detail
ditunjukkan pada Tabel 2.
Tabel 2. Hasil Pengujian II
No
Citra
Hasil
S (%)
10.21
V (%)
7.30
Jumlah
objek
terdeteksi
11
Toleransi
Total area
terdeteksi
(piksel)
13704
1
9b
H (o)
4
2
9c
10
10.21
7.30
11
18235
3
9d
10
10.21
10
10
19456
4
9e
10
15
10
10
19717
5
9f
10
20
10
10
19881
6
9g
10
20
25
10
23303
7
9h
10
20
40
10
24125
8
9i
20
20
40
6
27574
9
9j
30
20
40
7
28421
10
9k
25
20
35
5
27813
Rangkaian pengujian II menunjukan bahwa objek yang bersingungan dengan objek
berwarna serupa akan terdeteksi dalam 1 area objek. Perhitungan objek yang terdeteksi
berdasarkan area objek yang terpisahkan oleh warna diluar jangkauan nilai toleransi. Pada
hasil rangkaian pengujian II menunjukkan bahwa pencahayaan yang menghasilkan efek warna
lain (dalam hal ini dapat dilihat bahwa bagian tepi permen warna kuning yang menjadi objek
analisa berwarna kemerahan) dapat diatasi dengan menambahkan toleransi hue. Nilai toleransi
yang dinilai optimal untuk mendeteksi objek permen berwarna kuning pada citra 9a adalah
sebesar: hue 25o, saturation 40%, value 35% karena pada nilai toleransi tersebut ,bentuk setiap
butir permen mencapai secara visual mendekati bentuk pada citra awal (gambar 9a). Nilai
toleransi tersebut akan optimal dengan syarat nilai warna acuan yang dihasilkan dari sampel
warna bernilai HSV = 43 0,99 0,98.
14 - JURNAL INFORMATIKA, VOLUME 6 NOMOR 2, NOVEMBER 2010
8. Kesimpulan
Segmentasi warna berdasarkan deteksi warna HSV merupakan proses segmentasi
terkontrol dengan filter warna HSV. Filter warna HSV akan memisahkan warna tertentu sesuai
dengan warna acuan dan nilai toleransi tiap elemen warna HSV. Kontrol pengguna melalui
sampel warna dan toleransi warna yang menjadi acuan filter sehingga dapat diperoleh segmen
dengan warna yang sesuai. Hasil segmentasi warna berdasarkan deteksi warna HSV sangat
dipengaruhi oleh sampel warna dan nilai toleransi warna yang menjadi acuan proses
segmentasi. Pencahayaan, letak, tekstur dan kontur benda atau latar belakang citra akan
sangat mempengaruhi hasil segmentasi dan deteksi objek.
Daftar Pustaka
[1] Castleman K.R. (1996). Digital image processing. Prentice Hall, New Jersey.
[2] Forsyth, D.A., Ponce, J. (2003). Computer vision: A modern approach. Prentice Hall,
New Jersey.
[3] Giannakopoulos, T. (2008). Matlab color detection software, Department of Informatics
and Telecommunications, University of Athens, Greece. Diambil dari
http://www.di.uoa.gr/~tyiannak
[4] Gonzalez, Rafael C., Woods, Richard E. (2001). Digital image processing. Prentice
Hall, New Jersey.
[5] Gunanto, S.G. (2009). Segmentasi warna bagian tubuh manusia pada citra 2D.
Proceeding SENTIA.
[6] Perales, F. (2002). Human motion analysis & synthesis using computer vision and
graphics techniques, State of Art and Applications, Report on Computer Graphics and
Vision Group, Department of Computer Science-Universitat deles Illes Balears (UIB),
Perancis
[7] Rujikietgumjorn, S. (2008). Segmentation methods for multiple body parts, Project in
lieu of Thesis, University of Tennessee, Knoxville.
Fly UP