Preprocessing Data (2)

Kuliah Pertemuan 3
MK Pembelajaran Mesin
Semester 6
Teknologi Rekayasa Komputer
 Ekstraksi Fitur Pada Citra
Ciri atau fitur merupakan sesuatu yang dapat membedakan suatu objek dengan objek
yang lain. Penggunaan ciri sebagai pembeda antara citra satu dengan yang lainnya sangat
bergantung dengan tujuan dan kebutuhan proses pengolahan citra.

Sebagai contoh untuk mendeteksi lampu lalu lintas yang sedang menyala di suatu
perempatan, ciri warna dan bentuk sangat tepat untuk digunakan. Namun untuk
keperluan mendeteksi pejalan kaki di suatu keramaian, ciri warna tidak terlalu tepat
untuk digunakan.

Ekstraksi fitur merupakan proses atau metode untuk mendapatkan fitur-fitur yang
diperlukan dari sebuah citra.
 Macam-macam Ekstraksi Fitur
1. Ekstraksi fitur bentuk
Bentuk dari suatu objek adalah karakter konfigurasi permukaan yang diwakili oleh
garis dan kontur. Fitur bentuk dikategorikan bergantung pada teknik yang digunakan.
Kategori tersebut adalah berdasarkan batas (boundary-based) dan berdasarkan
daerah (region-based). Teknik berdasarkan batas (boundary-based) menggambarkan
bentuk daerah dengan menggunakan karakteristik eksternal, contohnya adalah piksel
sepanjang batas objek. Sedangkan teknik berdasarkan daerah (region- based)
menggambarkan bentuk wilayah dengan menggunakan karakteristik internal,
contohnya adalah piksel yang berada dalam suatu wilayah.
 Macam-macam Ekstraksi Fitur
1. Ekstraksi fitur bentuk
Fitur bentuk yang biasa digunakan:
• Wilayah (area) yang merupakan jumlah piksel dalam wilayah digambarkan oleh
bentuk (foreground).
• Lingkar (perimeter) adalah jumlah dari piksel yang berada pada batas dari bentuk.
perimeter didapatkan dari hasil deteksi tepi.
• Kekompakan (compactness).
• Euler number atau faktor E adalah perbedaan antara jumlah dari connected
component (C) dan jumlah lubang (H) pada citra.
 Macam-macam Ekstraksi Fitur
2. Ekstraksi fitur tekstur
Pada ekstraksi fitur ini, fitur pembeda adalah tekstur yang merupakan karakteristik
penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi fitur adalah matriks
gray level co-occurrence. Teknik tersebut dilakukan dengan melakukan pemindaian
untuk mencari jejak derajat keabuan setiap dua buah piksel yang dipisahkan dengan
jarak d dan sudut θ yang tetap. Biasanya sudut yang digunakan adalah 0°, 45°, 90°,
dan 135°.
 Macam-macam Ekstraksi Fitur
3. Ekstraksi fitur warna
Pada ekstraksi fitur warna, ciri pembeda adalah warna. Biasanya ekstraksi fitur ini
digunakan pada citra berwarna yang memiliki komposisi warna RGB (red, green,
blue).
Ekstraksi Fitur Bentuk
 Contoh Fitur Bentuk
1. Menggunakan skeletonize(image)
Skeletonisasi mengurangi objek biner menjadi representasi lebar 1 piksel. Fungsi ini
dapat berguna untuk ekstraksi fitur, dan/atau mewakili topologi objek. Skeletonize
bekerja dengan membuat lintasan gambar yang berurutan pada setiap lintasan,
piksel batas diidentifikasi dan dihapus dengan syarat bahwa piksel tersebut tidak
memutus konektivitas objek terkait.
 from [Link] import skeletonize
from skimage import data
import [Link] as plt
from [Link] import invert

# Invert the horse

image image = invert([Link]())
Contoh Fitur # perform skeletonization
Bentuk skeleton = skeletonize(image)

# display results
fig, axes = [Link](nrows=1, ncols=2,
figsize=(8, 4), sharex=True, sharey=True)
[in]
1. Menggunakan ax = [Link]()
skeletonize(image)
ax[0].imshow(image, cmap=[Link])
ax[0].axis('off’)
ax[0].set_title('original', fontsize=20)

ax[1].imshow(skeleton, cmap=[Link])
ax[1].axis('off’)
ax[1].set_title('skeleton', fontsize=20)

fig.tight_layout()
[Link]()
Contoh Fitur
Bentuk
[out]

1. Menggunakan
skeletonize(image)
 import numpy as np
import [Link] as plt
from [Link] import rgb2gray
from skimage import data
from [Link] import gaussian
from [Link] import active_contour

Contoh Fitur img = [Link]()

Bentuk # Data for circular boundary

s = [Link](0, 2*[Link], 400)
x = 220 + 100*[Link](s)
y = 100 + 100*[Link](s)
[in] init = [Link]([x, y]).T
2. Active contour
# formation of the active contour
cntr = active_contour(gaussian(img, 3),init,
alpha=0.015, beta=10, gamma=0.001)
fig, ax = [Link](1, 2, figsize=(7, 7))
ax[0].imshow(img, cmap=[Link])
ax[0].set_title("Original Image")
ax[1].imshow(img, cmap=[Link])

# circular boundary
ax[1].plot(init[:, 0], init[:, 1], '--r', lw=3)
ax[1].plot(cntr[:, 0], cntr[:, 1], '-b', lw=3)
ax[1].set_title("Active Contour Image")
Contoh Fitur
Bentuk
[out]

2. Active contour
 import io
import zipfile
import requests
import numpy as np
import cv2
Contoh Fitur import [Link] as plt
%matplotlib inline
Bentuk img = [Link]('[Link]’)

gray = [Link](img, cv2.COLOR_BGR2GRAY)

[in]
path = 'data/haarcascade_frontalface_default.xml'
3. Deteksi wajah face_cascade = [Link](path)

for x, y, w, h in
face_cascade.detectMultiScale(
gray, 1.3): [Link]( gray, (x, y), (x + w,
y + h), (255, 0, 0), 2)

fig, ax = [Link](1, 1, figsize=(8, 6))

[Link](gray, cmap=[Link])
ax.set_axis_off()
Contoh Fitur
Bentuk
[out]

3. Deteksi wajah
Ekstraksi Fitur Tekstur
 Fitur Tekstur
Tekstur adalah ukuran dan susunan (jaringan) bagian suatu benda dikutip dari Kamus
Besar Bahasa Indonesia.
Menurut Kulkarni, tekstur adalah hubungan mutual antara nilai intensitas piksel-piksel
yang bertetangga yang berulang di suatu area yang lebih luas daripada jarak hubungan
tersebut.

Contoh penggunaan fitur tekstur citra:

Inspeksi secara otomatis pada industri tekstil, pengecatan mobil, pemakaian karpet.
Analisis citra medis. Misalnya, tekstur digunakan untuk klasifikasi penyakit paru- paru,
diagnosis leukemia, dan pembedaan tipe-tipe sel darah putih. Analisis penginderaan
jarak-jauh. Misalnya, tekstur dipakai untuk kepentingan klasifikasi area tanah.
 Fitur Tekstur pada Citra
Keteraturan:
• Teratur atau buatan
• Tidak teratur atau alamiah Kekasaran:
o Mikrotekstur
o Makrotekstur
Matematis:
• Stokastis (statistis) atau derau
• Regular (struktural) atau warna/intensitas
Fitur Tekstur
pada Citra
 Metode Ekstrasi Ciri Tekstur
Metode statistis : statistik citra/objek
• GLCM
• Tamura
Metode struktural : struktur pembentuk citra/objek
• Shape Grammar
Metode spectral : struktur frekuensi-spasial citra/objek
• Fourier
• Gabor
• Filter Laws
Tekstur Berbasis Histogram
Tekstur Berbasis Histogram
Tekstur Berbasis Histogram
 Gray Level Co-occurrence Matrices (GLCM)
GLCM pertama kali diusulkan oleh Haralick (1973) yang terdiri dari 28 fitur untuk
menjelaskan pola spasial (Kulkarni, 1994)

GLCM menggunakan perhitungan tekstur pada orde kedua. Pengukuran tekstur pada
orde pertama menggunakan perhitungan statistika didasarkan pada nilai piksel citra asli.

GLCM terdiri dari 4 arah:

1. 000
2. 450
3. 900
4. 1350
Gray Level
Co-occurrence
Matrices
(GLCM)

Penentuan awal matriks

GLCM:

1 1 5 6 8
2 3 5 7 1
4 5 7 1 2
8 5 1 2 5
1 1 5 6 8
2 3 5 7 1
4 5 7 1 2
8 5 1 2 5
 Gray Level Co-occurrence Matrices (GLCM)
GLCM terdiri dari 28 fitur, namun terdapat 5 fitur yang sering digunakan, yaitu:
1. ASM → ukuran homogenitas citra
2. Contrast → ukuran keberadaan variasi aras keabuan piksel citra
3. Inverse Different Moment (IDM) → untuk mengukur homogenitas
4. Entropi → ukuran ketidakteraturan aras keabuan di dalam citra
5. Korelasi → ukuran ketergantungan linear antarnilai aras keabuan dalam citra
Gray Level Co-occurrence Matrices (GLCM)
Ekstraksi Fitur Warna
 Ciri Warna Pada Citra
• Beberapa obyek bisa dibedakan berdasarkan warnanya seperti bunga dan buah.
• Ciri warna pada citra ditunjukkan dengan distribusi warna dan warna dominan.
• Distribusi warna menyatakan frekuensi kemunculan warna atau histogram warna.
• Warna dominan bisa dihasilkan dengan cara segmentasi atau clustering warna.
 Contoh Implementasi Fitur Warna
• Pengenalan buah
• Pengenalan bunga
• Segmentasi Foto Pemandangan
• CBIR (Content Based Image Retrieval)
• Mendeteksi lokasi bola berdasarkan warna
• Mendeteksi kematangan buah
Image Google
Search
• Google mengenalkan sebuah
konsep pencarian berdasarkan
kemiripan gambar.
• Proses pencarian gambar ini
yang disebut dengan QBIC
(Query Base Image Content)
• Salah satu fitur dominan yang
digunakan adalah warna.
• Google Search mampu mencari
gambar sesuai content
• Tidak hanya mampu
menghasilkan gambar, namun
juga informasi yang berkaitan
dengan gambar.
Aplikasi Deteksi
Kematangan Buah
• Aplikasi ini menggunakan warna dominan
sebagai fitur dari foto buah yang diletakkan
di depan kamera.
• Kematangan buah tomat saat dipetik
menentukan lama tidaknya waktu simpan
buah tomat.
• Kematangan buah tomat dibagi menjadi
tiga bagian: mentah, campur dan matang.
RGB Cube

• RGB Cube menunjukkan

bagaimana warna dihasilkan
oleh komponen R, G dan B
• Sebuah warna W dinyatakan
sebagai W(r,g,b)
• Nilai R, G dan B mempunyai
range 0-255.
• RGB Cube digunakan untuk
mendefinisikan sebuah
warna pada sebuah citra
dengan model yang mudah
dijelaskan.