1 / 13

PENGENALAN POLA CITRA DIGITAL

PENGENALAN POLA CITRA DIGITAL. Pencarian Citra. Pencarian citra dapat dikategorikan menjadi 2 kelompok pencarian yaitu (Acharya, T., Ray, Ajoy K., 2005): Pencarian citra berbasis teks Pencarian citra berbasis isi. Pencarian Citra berbasis Teks.

licia
Download Presentation

PENGENALAN POLA CITRA DIGITAL

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PENGENALAN POLACITRA DIGITAL

  2. Pencarian Citra Pencarian citra dapat dikategorikan menjadi 2 kelompok pencarian yaitu (Acharya, T., Ray, Ajoy K., 2005): • Pencarian citra berbasis teks • Pencarian citra berbasis isi

  3. Pencarian Citra berbasis Teks • Citra diindeksdandicariberdasarkandeskripsi-deskripsisepertiukuran, tipe, tanggalpembuatan, identitaspemilik, katakunciataudeskripsi lain mengenaicitratersebut. • Pencarianterhadapgambarakandilakukanterhadappertanyaansepertidibawahini : • Diinginkancitradenganukurandiatas 100K yang dibuattanggal 7 Januari 2007. • Diskripsiberbasisteksdaricitrabiasanyadiinputkansecara manual untukmasing-masingcitraoleh operator karenapembangkitansecaraotomatissulitdilakukantanpainformasi visual danekstraksifitur. Hal inimembuatcarainimenjadisangattidakpraktis.

  4. Pencarian Citra berbasis Isi (Content Based Image Retrieval - CBIR) • melakukan pencarian citra berdasarkan query seperti dibawah ini: • Cari citra dari basis data yang mirip dengan citra x. • Pencarian ini didasarkan pada informasi visual dari citra • Ada 3 modul utama dalam pencarian citra berbasis isi, yaitu: • ekstraksi fitur • pengideks-an multidimensi • pencarian

  5. Citra-citradalam basis data citradiindeksberdasarkaninformasi yang melekatsecara visual sepertiwarna, tekstur, bentuk, pola, topologicitra, layout, dll. • Sebuahcitradapatdirepresentasikandenganvektormultidimensidarifiturcitra. • Sebuahvektorfiturdapatdiasosiasikansebagaisebuahtitikdalamruangmultidimensi. Sebagaicontohsebuahcitradirepresentasikandalam n-dimensivektorfiturdimanakomponenn1 adalahwarna, n2 adalahbentuk, n3 topologicitradann4 adalahteksturdaricitra. Dengandemikianada N=n1+n2+n3+n4 komponen. • Fiturcitra yang terekstrakdisimpansebagai metadata dancitradi-indeksbedasarkaninformasi metadata ini. • Informasi metadata dapatberisibeberapaukurandarifitur-fiturcitra yang terekstrak.

  6. Contoh: • Gambar mana yang paling mirip gb.x??

  7. Histogram Warna • Warna yang seringdigunakanadalah RGB (Red, Green, Blue). Jikamasing-masingwarnadidiskritkanmenjadim interval maka total jumlahdiscretenyaadalah m3. Sebuah histogram warna H(M) adalahsebuah vector (h1, h2, …, hn) dimanahnmenunjukkanjumlah pixel dalamcitra M pada bin n. Fitur vector yang disimpansebagai index daricitra. • Pencariandilakukandenganmencarijarak histogram terkecilantara query dengancitradalam database. • Jarak histogram antaracitra I dan H dihitungdenganPersamaan (Guojun, Lu., 1999). • denganildan hl adalahjumlah pixel yang adapada bin l dalamcitra I dan H. • Selainrumusdiatas, jarak 2 histogram jugabisadihitungdenganjarakeuclediandenganPersamaan (Stehling, R., dkk, 2001)

  8. Moment Warna • Momenmerupakanrepresentasi yang padatdarifiturwarnadalammengkarakterisasikanwarnacitra. Informasidistribusiwarnadisusundalam 3 urutanmomen. • Momen yang pertama (μ) mewakili rata-rata warna, momen yang kedua (σ) menggambarkanstandardeviasi, danmomenberikutnya (θ) menggambarkankecondongandariwarna. Tigaurutanmomen (μc, σc, θc) diperolehdaripersamaanmatematikapadaPersamaan (3.3), Persamaan (3.4) danPersamaan (3.5) (Acharya, dkk, 2005). • dimanaadalahnilaikomponenwarna c pada pixel warnabariskeidankolom j daricitra. Jarakeuclideanmomendaridua image ditemukanlebihefektifuntukmenghitungkedekatancitra.

  9. Latihan

  10. Pencarian Citra denganFiturJarak Histogram • Pra Proses • Mengubah format citra query dan citra dalam database citra menjadi gray scale 8 bit. • Melakukan normalisasi ukuran citra query dan citra dalam basis data citra. Proses ini bertujuan agar ukuran antara citra query dan citra dalam basis data memiliki ukuran yang sama sehingga proses pencocokan akan mendapatkan hasil yang lebih akurat.

  11. Pencarian Aplikasi • Membuat matrik citra • Membuat histogram • Menghitung jarak histogram • Mencari citra dengan jarak histogram terkecil • Menampilkan citra dengan jarak histogram terkecil

  12. Pencarian Citra dengan Fitur Jarak Moment • Membuat matrik citra • Menghitung Jarak Moment • Mencari citra dengan jarak moment terkecil • Menampilkan citra dengan jarak moment terkecil

More Related