CONTENT BASED IMAGE RETRIEVAL BERDASARKAN FITUR BENTUK MENGGUNAKAN GVF SNAKE

Transkripsi

1 CONTENT BASED IMAGE RETRIEVAL BERDASARKAN FITUR BENTUK MENGGUNAKAN GVF SNAKE Ida Hastuti Program Pascasarjana, Jurusan Teknik Elektro, Program Studi Jaringan Cerdas Multimedia Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaa Kampus ITS, Jl. Raa ITS, Sukolilo Surabaa 60111, Indonesia Tel , Fa Abstrak Teknik pencarian berbasis teks ang ada saat ini belum dapat digunakan untuk mempresentasikan isina karena nama dari sebuah file ang berupa teks harus mengetahui kata kunci ang tepat sehingga image ang kita inginkan dapat ditampilkan. Untuk menghindari teknik tersebut maka digunakan dengan pendekatan Content Based Image Retrieval Sstem (CBIR) ang merupakan teknik pencarian image ang berbasis content dan berhubungan dengan karakteristik dari sekumpulan image. Pada penelitian ini menggunakan karakteristik image berupa informasi fitur bentuk dari image quer dengan image target. Informasi fitur bentuk dilakukan proses capture pada tepi image menggunakan Gradient Vector Flow (GVF). Setelah itu dilakukan proses matching antara image quer dengan image target dilakukan dengan cara perhitungan jarak dari sekumpulan image. Nilai jarak ang paling minimal merupakan image ang memiliki kemiripan dengan image quer. CBIR dengan menggunakan GVF snake ini dapat diinisialisasi didalam atau diluar image sehingga lebih akurat ketelitian dalam mengenal fitur bentuk sesuai dengan ang diinginkan. Kata kunci : content based image retrieval, gradient vektor flow, fitur bentuk 1. Pendahuluan Semakin berkembangna bidang hiburan, perdagangan, pendidikan, biomedicine, dan kepolisian maka data image dari berbagai bidang tersebut semakin bertambah dengan cepat, hal ini didasarkan pada kebutuhan manusia ang cenderung semakin hari semakin meningkat. Begitu juga sistem penimpanan dari berbagai macam informasi digital tersebut semakin meningkat sehingga mengakibatkan timbul masalah dalam pencarian dan pengolahanna. Teknik pencarian berbasis teks ang sudah ada pada saat ini belum sepenuhna bisa digunakan karena nama dari sebuah file tidak dapat mempresentasikan isina dan image sendiri mempunai interest ang sangat bervariasi, oleh karena itu kita harus mengetahui kata kunci ang benar-benar tepat agar image ang kita inginkan dapat ditampilkan. Contoh pencarian image pada image sapi ang mempunai banak informasi antara lain ang akan dihasilkan mungkin saja adalah makanan sapi, kandang sapi atau informasi lain ang ada unsur sapi dan ang pasti suatu image itu bisa berbicara seribu kata. Hal ini dapat dilihat pada Google image searching ang bisa saja tidak dapat menemukan hasil optimal dan tidak bersesuaian dengan apa ang kita harapkan dikarenakan teknik pencarianna hana didasarkan pada nama file. Sehingga mengakibatkan pencarian jadi berantakan bila ada seseorang ang memodifikasi nama file tersebut dengan tidak memperhitungkan melihat isi atau informasi dari file image tersebut dan tentuna hal ang seperti ini dapat merugikan orang banak. Untuk mengatasi masalah ini diperlukan pendekatan alternatif. Penelitian retrieval citra berdasarkan primitive fitur sudah banak dilakukan diantarana Swain dan Ballard 1991 menggunakan teknik pencocokan histogram intersection, kemudian dikembangkan oleh Stricker dan Orengo 1995 mengembangkan teknik sebelumna menjadi histogram kumulatif dari warna, gabungan histogram interseksi dengan beberapa elemen spatial dikerjakan oleh Stricker dan Dimai 1996, kemudian penggunaan pemisahan region citra quer berdasarkan warnana dikerjakan oleh Carson et al,1997 []1. Content Based Image Retrieval Sstem ang bertujuan untuk mempermudah dan mempercepat pencarian berdasarkan pada informasi image dari image mirip dengan kriteria image tertentu ang diinginkan dari sekumpulan image ang ada. Karakteristik atau kriteria dari image ang dihasilkan berupa bentuk, warna, dan tekstur dan lain-lain ang sesuai dengan image ang diinginkan. Berdasarkan ketiga fitur tersebut sudah tampak jelas F- 09

2 bahwa setidakna suatu image itu memiliki ciri, misal image bebek ang memiliki ciri bentuk ang sebagaimana bebek, dan memiliki ciri warna dimana bebek memiliki warna putih serta memiliki tekstur bulu. Pendekatan CBIR ini juga meskipun kita modifikasi atau merubah nama filena, tidaklah membuat image searching menjadi rancu karena hal ini tidak berdasarkan atas teks atau nama dari sebuah file melainkan berdasarkan karakteristik image baik bentuk, warna maupun tektur. Berdasarkan masalah tersebut diatas penulis berusaha untuk membuat sistem Content Based Image Retrieval berdasarkan fitur bentuk menggunakan metode Gradient Vector Flow (GVF) snake oleh Hiremath P.S. & Jagadeesh Pujari. (007) ang digunakan secara ekstensif untuk mengetahui batasan dari suatu objek ang dihitung secara difusi dari gradien vektor berupa nilai biner atau gre-level ang diperoleh dari suatu image.. Dasar Teori.1 Content Based Image Retrieval Sstem Content Based Image Retrieval Sstem (CBIR) merupakan teknik pencarian kembali image ang mempunai kemiripan karakteristik atau content dari sekumpulan image. Proses secara umum dari CBIR pada image quer dilakukan proses ekstraksi fitur. Parameter fitur image ang dapat digunakan untuk retrieval pada sistem ini seperti histogram, susunan warna, tekstur, bentuk, tipe spesifik dari obek, tipe event tertentu, nama individu, lokasi, emosi. Image quer terdiri atas 3 level, aitu: Level 1: retrieval dengan primitive feature, seperti color, shape, teksture, Level : retrieval dengan logical feature, seperti tipe obek, individu obek atau orang. Level 3: retrieval dengan abstrak feature, seperti nama even, tipe aktifitas, emotional, religius. Penelitian dan pembangunan dalam CBIR mencakup keseluruhan topik. Beberapa pokok persoalan ang terjadi dalam pembangunan CBIR dapat diuraikan sebagai berikut: Pemahaman image ang dibutuhkan oleh user dan pencarian informasi. Pengidentifikasian cara ang sesuai dalam image content atau karakteristik dari image. Proses ekstraksi fitur dari image. Ekstraksi fitur merupakan proses penting pada sistem CBIR oleh Xiaojun Qi karena hasil dari proses ini perbedaan pada setiap image dapat diketahui berdasarkan cirina seperti ciri bentuk, warna, tekstur dan lain lain. Beberapa teknik ang dapat digunakan untuk ekstraksi fitur antara lain : teknik analisis komponen utama, besaran statistik, histogram warna, wavelet transform dan lain lain. Proses matching merupakan proses pencocokan image untuk memperoleh image ang mempunai kemiripan dengan image quer. Proses matching dilakukan dengan menghitung jarak antara dua image aitu image quer dan image target pada sekumpulan image. Parameter ang digunakan dalam perhitungan jarak berdasarkan pada hasil ekstraksi fitur. Penediaan human interface dari CBIR sstem. Penediaan tempat penimpanan untuk sekumpulan image. Proses matching antara image quer dan image ang ada pada sekumpulan image... Gradient Vector Flow (GVF) Gradient Vector Flow digunakan secara ekstensif untuk mengetahui batasan dari suatu objek berdasarkan Xu Chenang & Jerr L. Prince.(1997). pada gambar 1(c) ang dihitung secara difusi dari gradien vektor berupa nilai biner atau gre-level ang diperoleh dari suatu image dengan meminimalkan energi fungsional dari beberapa framework. Energi minimal dicapai dengan beberapa persamaan linear differensial ang berada pada vektor gradien dari gra level-binar tepi image ang dihitung dari sebuah image. Untuk aktif kontur digunakan eksternal force dari GVF snake seperti pada gambar1.(b). Keuntungan dari GVF snake dibandingkan snake tradisional aitu lebih sensitif untuk inisialisasi dan mempunai kemampuan untuk bergerak ke bagian batasan lekukan. Gambar 1. (a) Convergence menggunakan snake (b) GVF eternal forces (c) close-up sampai batasan lekukan Gambar. (a) Potensial force field tradisional (b) jarak potensial force field (c) GVF force field. Pada GVF field pada gambar (c) seperti eksternal force merupakan GVF Snake. GVF snake dikenal hampir semua formulasi snake sebelumna eksternal force tidak dapat ditulis sebagai negatif gradient dari fungsi potensial pada gambar (a). Oleh sebab itu, ini tidak dapat diformulasi F- 10

3 menggunakan standar framework energi minimum ang mana ini secara langsung dari kondisi force ang balance. Tidak seperti tekanan force, GVF snake tidak mengembang dan memperluas ke arah batasan. GVF snake juga mempunai range capture ang besar. Besar capture ditingkatkan terus menerus dengan proses difusi ang tidak menimbulkan blur pada tepi image. Model eksternal force dalam GVF adalah jarak tenaga potensial. Seperti GVF mula-mula tenaga dari bagian tepi image dan dapat menediakan besar capture range. Tidak seperti GVF jarak tenaga potensial pada gambar (b) tidak dapat bergerak seperti snake sampai lekukan batasan. 3. Perancangan Sistem 3.1 Arsitektur Sistem CBIR Tahap ini bertujuan untuk mencari bentuk ang optimal dari sistem ang akan dibuat dengan mempertimbangkan berbagai faktor permasalahan dan kebutuhan ang telah ditentukan seperti pada gambar 3. Gambar 3. Diagram data alir Perancangan sistem CBIR ang dibangun dapat dilihat pada gambar 4. dibawah ini berdasarkan bahwa pada image quer dilakukan proses ekstraksi fitur. Parameter fitur image ang dapat digunakan untuk retrieval pada sistem ini berupa fitur bentuk. Setelah itu antara image quer dan image database dibandingkan satu persatu melalui proses matching menggunakan euclidean distance. Gambar 4. Diagram alir CBIR 3. Algoritma Gradient Vector Flow Gradient Vektor Flow (GVF) memperhitungkan difusi dari gre level atau binar dari tepi dari image. GVF digunakan energi ang balance dengan kondisi : ( p) F 0 (1) int F es dimana F int adalah internal force dan F eks (p) adalah esternal force. Setelah itu esternal force field F eks (p) =V(,) dihubungkan dengan GVF field. GVF field V(,) adalah vector field ang diberikan V(,) = [u(,),v(,)] ang meminimalkan fungsionil energi sebagai berikut : ( u u v v ) f V f dd () Berikut ini beberapa prinsip standar formulasi ang membuat hasil fitur tepi lebih halus. Khususna ketika f bernilai kecil, energi didominasi dengan menjumlah dari kuadrat ang berasal dari sebagian vector field ang energina lambat. Selain itu f dapat bernilai besar. Besar kecilna nilai mendominasi integrand dan diminimalkan dengan mengatur V= f. Ini menghasilkan efek ang diinginkan dari V hampir sama dengan gradient dari bagian tepi ketika bernilai besar, tetapi besar field secara perlahan homogen diberbagai region. Parameter μ adalah parameter regulasi menentukan tradeoff antara term ang pertama dan kedua dalam integral. Parameter ini harus disesuaikan dengan banakna noise ang ada dalam image (apabila terdapat banak noise maka tingkatkan µ). Oleh karena itu hasil dari vektor field dari meminimalkan energi dapat menghilangkan solenoidal dan irrotasional. Algoritma untuk komputasi fitur bentuk image berdasarkan sebagai berikut : 1. Melakukan edge map f (,) ang diambil dari image I(,) dengan membaca image dan mengkonvertna ke gra scale atau nilai biner. - gradient dari edge map f mempunai nilai vector ke arah tepi. - vector umumna mempunai jarak besar hana ang dekat dengan tepi. - pada region ang homogen dimana I(,) hampir konstan, f hampir 0. Ketika gradient dari bagian tepi digunakan pada eksternal force maka : - Snake diinisialisasi sampai tepi ang akan terkumpul dengan konfigurasi terdekat dengan tepi ang mana memerlukan properti ang tertinggi - Jarak capture sangat kecil pada umumna F- 11

4 - Bagian ang homogen tidak ada pada eksternal force. Blur pada gre scale image menggunakan Gaussian filter. 3. Memperhitungkan gradient map pada image ang diblur. Dilakukan gradient vektor flow field untuk vektor field v(,)=[u(,),v(,)] ang meminimalkan fungsional energi pada persamaan () 4. Mencari GVF field menggunakan kalkulus dengan menggunakan persamaan Euler ang hasilna diinterpolasikan dari batasan region ang menggambarkan kompetisi diantara batasan vektor 5. Filter bagian tepi ang ang tampak menggunakan ks, di mana s adalah standar deviasi dari GVF. (k - nilai ang digunakan adalah.5) 6. Kumpulan tepi piel ang tampak memenuhi kondisi energi ang balance menghasilkan tepi image. 3.3 Euclidean Distance Jarak Euclidean dapat dianggap sebagai jarak ang paling pendek antar dua poin, maka dari itu dalam penelitian ini digunakan fungsi jarak Euclidean dan pada dasarna sama halna dengan persamaan Pthagoras ketika digunakan di dalam dua dimensi. Secara matematis dapat dituliskan di dalam persamaan berikut : d(i,j)= i1 j1 i j... ip jp (3) Keterangan : d(i,j) = nilai jarak i = nilai nilai pada fitur 1 j = nilai nilai pada fitur Setelah kita mengkalkulasi perhitunganperhitungan diatas, dalam penelitian ini diperlukan suatu inputan ang disebut dengan nilai Threshold, dimana nilai threshold ini ang bisa di inputkan mulai dari 0% sampai dengan 100%. Diagram alir proses matching dapat dilihat pada gambar 5. Input nilai threshold 4. Pengujian dan Analisa Implementasi dari GVF pada database object salah satuna aitu bujur sangkar gra-level image pada gambar 6. sebagai berikut : Gambar 6. Image quer bujur sangkar Untuk memperhitungkan GVF ( = 0.1) untuk image bujur sangkar menggunakan gra lines. Hasil snake menggunakan inisialisasi dari dalam (gambar. 7b) dan luar (gambar. 7c). Akhirna kedua konfigurasi itu hampir sama, ini menunjukkan bahwa GVF snake dapat diinisialisasi didalam atau diluar sesuai dengan ang diinginkan. Hal ini dapat dilihat juga pada gambar 7b dan 7c bahwa konfigurasina juga memiliki sedikit rentetan simpangan daripada lingkaran. Ini merupakan salah satu efek dari, pada pengaturan parameter dalam formulasi GVF. Memilih kecil akan cenderung untuk mengurangi rentetan ini, tetapi juga akan mengurangi kekuatan dari menghaluskan batasan. Gambar 7. GVF snake berkumpul untuk hasil ang sama dari dalam atau luar image Hasil pengujian ang disajikan pada GVF snake diatas didapatkan fitur bentuk, kemudian dilakukan proses pencocokkan antara image quer dengan image target menggunakan fungsi jarak euclidean, kemudian diperlukan inputan threshold thresholding dengan menggunakan salah satu image quer gambar 6. dimana nilai dibawah image menunjukkan nilai jarak pada masing- masing image. dist If(dist>threshold) n ditolak diterima Gambar 8. Hasil thresholding 35% image bujur sangkar Gambar 5. Diagram alir proses matching F- 1

5 Gambar 9. hasil thresholding 55% image bujursangkar Dari hasil diatas dapat disimpulkan bahwa antara image bujur sangkar dan persegi panjang memiliki pola ang sama, hana saja dari keduana memiliki perbedaan panjang. Selain itu dapat diketahui semakin besar tingkat nilai thresholding pada gambar 9. maka semakin sedikit image ang dihasilkan, sehingga menebabkan image ang sesuai dengan image quer semakin sedikit pula. Begitu juga sebalikna pada gambar 8., semakin kecil tingkat thresholding maka semakin banak gambar ang dihasilkan. Hal ini dapat menebabkan jumlah gambar ang sesuai juga semakin banak. 5. Kesimpulan dan Saran Berdasarkan hasil pengujian ang dilakukan bahwa model eksternal force untuk snake dinamakan Gradient Vector Flow (GVF). Penelitian ini field dihitung sebagai difusi dari gradient vektor dari gra-level atau nilai biner bagian tepi. Sehingga hal ini memungkinkan untuk fleksibel penginisialisasian dari snake dan mendorong konvergensi lekukan ke perbatasan image ang dihasilkan berupa fitur bentuk sehingga dapat memudahkan content based image retrieval (CBIR) untuk mengenali image ang mempunai kemiripan pola bentuk ang ketelitianna lebih akurat dengan nilai rata-rata presentasi ketelitan tebesar pada tingkat tresholding 35%. Hasil dari penelitian ini jauh dari sempurna karena hana menggunakan fitur bentuk. Untuk meningkatkan teknik CBIR ang tepat sasaran dengan image quer maka lebih baik ruang lingkup fitur warna, tekstur dan lain-lain digabungkan dengan metode lain untuk teknik pencarian image. India. International Journal of Image Processing, Volume () : Issue (1) 10. Hiremath P.S. & Jagadeesh Pujari. Content Based Image Retrieval based on Color, Teture and Shape features using Image and its complement. India. Li Dalong, Simske Steven. 00. Shape retrieval with flat contour segments. Intelligent Enterprise Technologies Lab HP Laboratories Palo Alto. Fahui Long,Hongjiang Zhang dan David Dagan Feng Fundamentals Of Content-Based Image Retrieval. Microsoft corporation research articles. Xiaojun Q. Content-Based Image Retrieval (CBIR). International Journal of Computer Science and Securit, Volume (1) : Issue (4) 5. Howarth Peter, Yavlinsk Aleei dan Heesch Daniel, Rüger Stefan Visual Features for Content-based Medical Image Retrieval. Imperial college London. Ritendra Datta, Dhiraj Joshi, Jia Li dan James Wang Image Retrieval: Ideas, Influences, and Trends of the New Age. Singapore. Proceedings of the 7th ACM SIGMM international workshop on Multimedia information retrieval. Osadebe Michael Eziashi Integrated content-based image retrieval using Teture, shape and spatial information. Sweden. Umea Universit Hiremath P.S. & Jagadeesh Pujari Content Based Image Retrieval Using Color, Teture and Shape Features. International Conference on Volume, Issue, 18-1 Dec. 007 Page(s): Digital Object Identifier Sigit, Rianto. Modul Praktikum Image Processing VC++ dengan MFC. PENS-ITS Surabaa Daftar Pustaka : Xu Chenang & Jerr L. Prince Gradient Vector Flow: A New Eternal Force for Snakes. Baltimore. IEEE Proc. Conf. on Comp. Vis. Patt. Recog. Xu Chenang & Jerr L. Prince Snakes, Shapes, and Gradient Vector Flow. Baltimore. IEEE TRANSACTIONS ON IMAGE PROCESSING, VOL. 7, NO. 3. Hiremath P.S. & Jagadeesh Pujari. Content Based Image Retrieval using Color Boosted SalientPoints and Shape features of an image. F- 13