...

SISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN

by user

on
Category: Documents
0

views

Report

Comments

Transcript

SISTEM TEMU KEMBALI CITRA GEDUNG BERDASARKAN
Vol. 5, No. 1, Januari 2009
ISSN 0216 - 0544
SISTEM TEMU KEMBALI CITRA GEDUNG
BERDASARKAN INFORMASI GARIS
PADA BENTUK GEDUNG
*
Iman Sapuguh, Daniel O Siahaan, dan Chastine Fatichah
Program Magister Teknik Informatika,
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS, Jl. Raya ITS, Sukolilo, Surabaya, 60111
E-Mail: * [email protected]
Abstract
This article discusses about the process of image retrieval which is based on the form
characters having purpose to apply a Cellular Automata as the side detection, and
the application of Hough Transform as the extraction of character, as well as the
process of image retrieval with inner product. The two important parts in the process
are how to extract the characters of building image and how to reinvent building
image having similarity between query image and image in the database. Before the
process of extraction of character, there is a pre processing, smoothing and side
detection of Cellular Automata. The extraction of character is done by using Hough
Transform method and process matching with Template Matching using Inner
Product. The examination is done by showing ten images having the closest similarity
to the query image. The result precision of the process of searching picture having
performance of truth is 52, 07 %. The result is caused by the way of taking a building
object is not focus.
Key words: Image Retrieval, Cellular Automata, Hough Transform, Inner Product.
salah satu aplikasi pemanfaatan teknologi
CBIR di bidang keamanan dan jaringan. Serta
penggunaan CBIR untuk pencegahan kejahatan
(sidik jari dan pengenalan wajah). Beberapa
aplikasi yang telah disebutkan, dapat dijadikan
sebagai alasan bahwa sistem pencarian citra
berbasis pada content dari citra itu sendiri
menjadi suatu kebutuhan.
Pada banyak penelitian CBIR yang telah
dilakukan masih menggunakan ciri dasar citra
yang berupa ciri warna, ciri tekstur, dan ciri
bentuk. Penelitian yang dilakukan oleh Carson
et al [2] mengenai sistem CBIR menggunakan
pemisahan region citra berdasarkan warna.
Sistem CBIR berdasarkan ciri warna hasilnya
dapat dilihat cukup baik, tetapi ada
keterbatasan temu kembali citra berdasarkan
warna untuk membedakan area citra dengan
warna yang sama (langit dan lautan, atau daun
dengan rumput). Penelitian Xiang Yuan and
Chang-Tsun Li [3] yaitu mengenai proses temu
PENDAHULUAN
Perkembangan teknologi yang begitu cepat
menyebabkan perubahan yang terjadi pada cara
hidup manusia dalam mencari, menyimpan,
dan memanfaatkan informasi yang besar, cepat
dan global saat ini. Informasi yang terjadi tidak
hanya terbatas dalam bentuk teks atau suara
namun juga citra (image) dan video. Salah satu
teknologi yang secara terus-menerus diteliti
adalah Content Base Image Retrieval (CBIR)
yang membahas mengenai proses temu kembali
citra berdasarkan pada content yang ada pada
citra tersebut[1]. Pemakaian CBIR yang banyak
dimanfaatkan untuk keperluan seperti IBM’s
QBIC, Image Searching yang digunakan oleh
banyak Web Search Engine (Google, Yahoo,
Alta, dan Vista) yang menyediakan fasilitas
CBIR. Penggunaan CBIR sebagai firewall
yang secara real time menyaring gambargambar yang tidak diinginkan, juga merupakan
68
Sapuguh dkk, Sistem Temu Kembali Citra Gedung…
kembali citra gedung menggunakan ciri bentuk
citra, dengan melakukan pendeteksian tepi
menggunakan Canny, ekstraksi ciri dengan
Houg Transform dan proses matching dengan
Band-Wise Matching (BWM).
Teknik CBIR yang akan diterapkan selain
diharapkan
dapat
mencapai
rata-rata
kemampuan retrieval yang tinggi, juga dapat
menjadi suatu algoritma alternatif dalam proses
temu
kembali
citra
gedung
sebagai
implementasi dari CBIR dan mempunyai waktu
komputasi yang lebih rendah. Maka strategi
yang diusulkan pada proses retrieval adalah
menambahkan proses Cellular Automata (CA)
pada deteksi tepi dan Template Matching
dengan Inner Product pada pencocokan pola,
serta output yang ditampilkan nantinya
diharapkan menghasilkan sejumlah citra
gedung yang mempunyai kemiripan atau
kesamaan.
Manfaat yang diperoleh dari sistem ini
nantinya dapat digunakan sebagai alternatif
sistem dari proses pencarian berdasarkan
gambar (image), selain itu dapat digunakan
untuk penentuan posisi/letak dari suatu gedung
menggunakan teknik vision dengan cara
mengirimkan gambar pada server dan server
melakukan image retrieval untuk memperoleh
gambar gedung yang sesuai dengan tambahan
informasi yang lebih detail.
Perumusan masalah yang diangkat pada
penelitian ini adalah bagaimana Cellular
Automata digunakan untuk deteksi tepi pada
citra gedung dalam proses temu kembali citra
dan bagaimana temu kembali citra gedung
menggunakan Template Matching dengan
Inner Product dapat digunakan.
DIAGRAM BLOK SISTEM
Diagram blok keseluruhan tahapan pengerjaan
sistem temu kembali citra gedung yang akan
dibuat, dapat dilihat pada Gambar 1. Proses
keseluruhan terhadap query citra dan basisdata
citra adalah sama.
Dalam sistem temu kembali citra gedung
ini basisdata, basisdata citra diambil pada satu
direktori dengan spesifikasi file sebagai
berikut:
1. Data dalam format JPG. Penggunaan format
ini adalah untuk kemudahan dalam
penelitian ini, karena data standar yang ada
dalam sistem CBIR saat ini dalam format
69
JPG, dengan ukuran citra gedung yang
digunakan 320x240 pixel.
2. Jumlah citra dalam basisdata citra yang
digunakan adalah 400 citra, yang
selanjutnya dibagi menjadi direktori citra
test berisi 160 citra, yang nantinya
digunakan sebagai citra query, dan direktori
training berisi 240 citra yang digunakan
sebagai basisdata citra.
Pra-prosesing
Garis tepi adalah informasi bentuk penting
tentang gedung. Ada tiga langkah yang diambil
ketika mengekstraksi tepi suatu citra gedung.
Pertama dari semua citra dilakukan gray scale,
kemudian
menerapkan
smooth
untuk
menghaluskan dan menghilangkan noise
sampai pada luasan tertentu. Kedua, deteksi
tepi Cellular Automata (CA) diberlakukan pada
image yang telah dismooting dalam rangka
ekstrak linier informasi dari sebuah image.
Gambar 2(b) menggambarkan pemetaan tepi
setelah menerapkan prosedur deteksi tepi
dengan menggunakan Cellular Automata pada
Gambar 2(a).
Ekstraksi Ciri
Fitur dasar lain dari citra adalah bentuk, dimana
setiap obyek gambar mempunyai bentuk yang
sebenarnya unik meskipun terkadang secara
sepintas terlihat sama.
Setelah proses pra-prosesing, selanjutnya
dilakukan ekstraksi ciri dengan menggunakan
Hough Transform pada peta tepi (edge map),
titik-titik di dalam garis yang sama pada edge
map akan membentuk suatu puncak dalam
hough transform domain, seperti yang terlihat
pada Gambar 3, dimana masing-masing puncak
hough (hough peak) ditandai dengan segi
empat.
Hough Transform berada di antara ruang
Cartesian, dan beberapa parameter ruang
dimana garis lurus dapat didefinisikan.
Persamaan (1) menunjukkan formulasi
Cartesian jika dianggap dari sebuah garis lurus.
y-mx-c=0
(1)
Kedua konstanta m dan c dapat dianggap
sebagai parameter yang mendefinisikan suatu
garis. Jika memilih satu point pada Cartesian
axis (x,y) dapat dianggap ke dalam semua
70 Jurnal Ilmiah KURSOR Vol. 5, No. 1, Januari 2009, hlm. 68-74
kelompok dari garis yang didefinisikan melalui
nilai yang berbeda dari m dan c.
Parameterisasi
yang
lebih
berguna
ditunjukkan pada Gambar 5. Suatu garis dapat
diwakili dengan jarak terdekatnya dari Origin
(r) dan orientasinya (). Dari diagram tersebut
dapat diperoleh suatu persamaan untuk garis
ekuivalen dengan Persamaan (2).
r = xcos() + ysin()
(2)
Dari proses transformasi hough tersebut akan
diperoleh suatu ciri yang nantinya akan
dipergunakan untuk proses matching, dengan
menggunakan inner product.
Proses Matching
Setelah vektor ciri diperoleh, maka vektor ciri
ini dijadikan acuan untuk melakukan proses
pencocokan pola. Metode pencocokan pola
dilakukan dengan menggunakan Template
Matching dengan Inner Product, yang
merupakan salah satu pencocokan pola yang
sangat sederhana. Hal ini dilakukan karena
dalam sistem CBIR, waktu untuk proses
ekstraksi ciri sudah cukup lama sehingga
teknik pencocokan pola yang dipilih harus
cepat.
Penggunaan metode Matching dengan
mengukur jarak Eucledian antara kedua vektor
mempunyai kelemahan jika kedua vektor
mempunyai ciri seperti pada Gambar 6.
Dari Gambar 6 bahwa citra dengan vektor

v 2 mempunyai kemiripan lebih tinggi dari citra
dengan vektor v 1 , yang dibandingkan dengan
query citra ( v ), jika diukur dengan
menggunakan jarak Eucledian.
Dengan demikian perhitungan kemiripan
dapat
dilakukan
dengan
menggunakan
Template Matching dengan Inner Product
dimana kemiripan obyek setara dengan sudut
antara vektornya yang dapat dinyatakan dengan
nilai cos dari sudut vektornya. Bila nilai cos 
= 0 maka obyek tersebut tidak mirip, dan
apabila nilai cos  = 1 maka obyek tersebut
semakin mirip, seperti yang ditunjukkan pada
Persamaan (3).



Cos [ v  v1 ] 

v  v1


v v1
Dimana :

v adalah vektor dari query citra

v 1 adalah vektor ciri dari basisdata
citra.
Kontribusi
Citra Target
Pra-prosesing
Deteksi Tepi CA
Ekstraksi Ciri
Hough Transform
Database
Ciri
Matching
Template Matching
dgn Inner Product
Citra Query
Pra-prosesing
Deteksi Tepi CA
Ekstraksi Ciri
Hough Transform
Gambar 1. Desain Sistem Temu Kembali Citra.
(3)
Citra yang
Ditemukan
Sapuguh dkk, Sistem Temu Kembali Citra Gedung…
(a) Citra Asli
(b) Deteksi Tepi CA Rule 56
Gambar 2. Hasil Deteksi Tepi CA pada Citra Gedung.
(a) Deteksi tepi CA Rule 56
(b) Hough Transform
Gambar 3. Contoh Uji Hough Transform pada Citra Gedung.
(a) Edge Point pada Parameter Space
(b) Garis didalam Parameter Space
Gambar 4. Hought Transform pada Straight Lines yang Dilakukan pada Citra Gedung.

v1

v

v2
Gambar 5. Parameterisasi r- dari Straight
Lines.
Gambar 6. Contoh Gambar Vektor Ciri.
71
72 Jurnal Ilmiah KURSOR Vol. 5, No. 1, Januari 2009, hlm. 68-74
HASIL DAN PEMBAHASAN
Untuk mengetahui bagaimana performa
penelitian ini dilakukan beberapa pengujian.
Dari pengujian akan didapat hasil implementasi
pengenalan obyek gambar gedung yang
dilakukan terhadap seluruh obyek citra gedung
berdasarkan query citranya, dimana dalam hal
ini dinyatakan dalam ukuran precision
(pengenalan yang sesuai). Pada implementasi
ini digunakan empat jenis query citra untuk
masing-masing dari empat puluh jenis gedung
yang diambil secara acak dan selanjutnya
digunakan untuk me-retrieve gambar yang
sesuai.
Dari data pada Tabel 1 terlihat bahwa
kesalahan pengenalan terbesar terjadi pada
jenis citra gedung ke-27, yaitu pada citra
gambar262.jpg yang dikenali benar adalah
berjumlah
tiga,
gambar264.jpg
dan
gambar267.jpg jumlah yang dikenali benar
adalah sama berjumlah dua, sedangkan
gambar270.jpg dikenali benar berjumlah
empat. Sehingga rata-rata pengenalan yang
benar pada citra gedung ke-27 hanya sebesar
0,275 atau 27.5%.
gambar261.jpg
gambar214.jpg
Sementara pengenalan maksimum terjadi
pada citra gedung ke-2 (lihat hasil retrieval
pada Gambar 8), yang terdiri dari citra
gambar17.jpg yang dikenali benar adalah
sepuluh (semuanya dikenali benar) dan
gambar12.jpg, gambar15.jpg, gambar20.jpg
yang dikenali benar mempunyai nilai yang
sama yaitu sembilan. Sehingga nilai rata-rata
yang dikenali benar adalah 0.925 atau 92.5%.
Jika diperhatikan kesalahan yang terjadi
dalam pengenalan terhadap citra gedung ke-27
adalah kesalahan mengidentifikasi citra gedung
ke-27 sebagai citra gedung ke-3, ke-22 dan ke14. Hal ini dapat dipelajari dari adanya
kemiripan vektor fitur citra gedung ke-27 dan
gedung-gedung tersebut yang ditunjukkan
dalam perbandingan kedua vektor ciri dari
kedua citra gedung tersebut, sebagaimana
terlihat dalam Gambar 7.
Dari keseluruhan hasil uji coba yang terlihat
pada Tabel 1, tingkat akurasi pengenalan
gedung dengan menggunakan deteksi tepi
Cellular Automata, ekstraksi ciri dengan
Hough Transform dan Template Matching
dengan Inner Product adalah sebesar 52.07%.
Hasil retrieval citra terbaik ditunjukkan
pada Gambar 8.
gambar134.jpg
gambar28.jpg
(a) Citra Gedung.
(b) Hasil Deteksi Tepi dengan Cellular Automata untuk masing-masing Gambar (a).
(c) Hasil Hough Transform pada Citra Gedung dari Gambar (b).
Gambar 7. Perbandingan Vektor Ciri dari Citra Gedung.
Tabel 1. Hasil Uji Coba Temu Kembali Citra Gedung Berdasarkan Ciri Bentuk.
Sapuguh dkk, Sistem Temu Kembali Citra Gedung…
Nilai precision setiap pengambilan 4 obyek citra
Jenis citra gedung
Citra gedung ke-1
Citra gedung ke-2
Citra gedung ke-3
Citra gedung ke-4
Citra gedung ke-5
Citra gedung ke-6
Citra gedung ke-7
Citra gedung ke-8
Citra gedung ke-9
Citra gedung ke-10
Citra gedung ke-11
Citra gedung ke-12
Citra gedung ke-13
Citra gedung ke-14
Citra gedung ke-15
Citra gedung ke-16
Citra gedung ke-17
Citra gedung ke-18
Citra gedung ke-19
Citra gedung ke-20
Citra gedung ke-21
Citra gedung ke-22
Citra gedung ke-23
Citra gedung ke-24
Citra gedung ke-25
Citra gedung ke-26
Citra gedung ke-27
Citra gedung ke-28
Citra gedung ke-29
Citra gedung ke-30
Citra gedung ke-31
Citra gedung ke-32
Citra gedung ke-33
Citra gedung ke-34
Citra gedung ke-35
Citra gedung ke-36
Citra gedung ke-37
Citra gedung ke-38
Citra gedung ke-39
Citra gedung ke-40
1
0.6
0.9
0.5
0.6
0.7
0.4
0.6
0.6
0.4
0.7
0.3
0.5
0.6
0.8
0.7
0.6
0.7
0.8
0.2
0.5
0.9
0.6
0.7
0.4
0.5
0.3
0.3
0.6
0.4
0.2
0.4
0.2
0.4
0.3
0.5
0.8
0.4
0.3
0.6
0.4
2
0.7
0.9
0.9
0.6
0.5
0.4
0.7
0.5
0.5
0.5
0.3
0.6
0.4
0.8
0.8
0.6
0.6
0.6
0.3
0.3
0.8
0.7
0.8
0.4
0.5
0.4
0.2
0.4
0.4
0.9
0.4
0.5
0.3
0.4
0.5
0.9
0.5
0.6
0.2
0.4
3
0.6
1
0.5
0.8
0.5
0.3
0.8
0.6
0.3
0.4
0.3
0.5
0.5
0.7
0.9
0.5
0.6
0.6
0.4
0.3
0.9
0.7
0.8
0.3
0.4
0.4
0.2
0.5
0.1
0.9
0.4
0.6
0.3
0.4
0.7
0.9
0.6
0.3
0.2
0.5
4
0.8
0.9
0.8
0.4
0.4
0.4
0.9
0.6
0.4
0.5
0.3
0.6
0.7
0.4
0.9
0.6
0.5
0.6
0.5
0.4
0.9
0.3
0.8
0.2
0.3
0.4
0.4
0.4
0.3
0.8
0.4
0.2
0.2
0.7
0.6
0.8
0.1
0.5
0.7
0.5
Rata-rata
0.675
0.925
0.675
0.6
0.525
0.375
0.75
0.575
0.4
0.525
0.3
0.55
0.55
0.675
0.825
0.575
0.6
0.65
0.35
0.375
0.875
0.575
0.775
0.325
0.425
0.375
0.275
0.475
0.3
0.7
0.4
0.375
0.325
0.45
0.575
0.85
0.4
0.425
0.425
0.45
73
74 Jurnal Ilmiah KURSOR Vol. 5, No. 1, Januari 2009, hlm. 68-74
Gambar 8. Hasil Retrieval Citra Gedung ke-2.
SIMPULAN
Simpulan yang dapat diambil dari hasil
penelitian yang mengamati fitur berdasarkan
bentuk dalam sistem temu kembali citra ini
adalah:
1. Precision dari proses temu kembali citra
gedung berdasarkan informasi garis pada
bentuk gedung dengan menggunakan
Cellular Automata sebagai deteksi tepi, dan
ekstraksi ciri dengan menggunakan Hough
Transform, serta proses matching dengan
Inner Product adalah sebesar 52,07%. Hasil
tersebut
disebabkan
karena
dalam
pengambilan citra tidak fokus pada suatu
gedung tertentu.
2. Tingkat pengenalan pada jenis gedung ke-2,
rata-rata hasil yang didapat sebesar 92,5%,
hal ini menunjukkan bahwa pengambilan
citra pada obyek bentuk citra gedung secara
keseluruhan, meskipun dari sudut pandang
yang berbeda.
Metode
Cellular
Automata,
Hough
Transform dan proses matching dengan Inner
Product pada sistem identifikasi citra gedung
yang merupakan bagian dari salah satu
persoalan dalam Content Based Image
Retrieval (CBIR), juga dapat dilakukan pada
obyek yang lain.
DAFTAR PUSTAKA
[1] Eakins J and Graham M. Content-Base
Image Retrieval. A Report to the JISC
Technology
Applications
Program.
Newcastle: University of Northumbria.
1999.
[2] Gonzales and Thomas. Applied Image
Processing. California: MacGraw-Hill.
1996.
[3] Yuan X and Li CT. CBIR Approach to
building image retrieval based on linier
edge distribution. Proc. of the IEEE
International Conference on AVSS 07695-2688-8/06. 2006.
[4] Gonzales. Digital Image Processing 3th
edition. New Jersey: McGrawHill Inc.
2008.
Fly UP