SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVELET HIDDEN MARKOV TREE PADA CITRA BATIK. Murinto 1, Eko Aribowo 2

Transkripsi

1 Yogyakarta,15 November 214 SEGMENTASI BERDASARKAN FITUR TEKSTUR MENGGUNAKAN METODE WAVEET HIDDEN MARKOV TREE PADA CITRA BATIK Murnto 1, Eko Arbowo 2 1,2, Program Stud Teknk Informatka, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Yogyakarta e-mal : 1 murntokusno@tf.uad.ac.d, 2 ekoab@tf.uad.ac.d ABSTRACT Image segmentaton has been become an mportant area of research n mage processng, snce ths process used for the net process n mage analyss. Image analyss nclude mage recognton process of a partcular nput mage. The man objectve of mage segmentaton s to dvde mage nto parts of the regon (sub-regons) that have common features nclude: levels of gray scale, teture, color, moton. Image segmentaton and classfcaton s often a frst step n the acquston process or the analyss of an mage. Applcaton among others n the feld of machne vson, face recognton, medcal mage analyss (analyss of medcal magng), tetle ndustry (batk), etc. There are several methods of teture feature etracton for mage segmentaton such as Gray evel Co-occurence Matr (GCM), Gabor flter method and wavelet transform method. Segmentaton s the frst step and become a key mportance n pattern recognton objects (object recognton). In ths paper proposed teture based mage segmentaton usng unsupervsed methods n the concept of clusterng. Clusterng method used s the mean-shft method, whle the method of feature etracton usng wavelet hdden Markov tree. Image data used n ths paper s a data mage of batk. Keywords: Batk mage, Teture Features, Image Segmentaton, Wavelet Hdden Markov Tree. PENDAHUUAN Segmentas ctra dalam beberapa tahun belakangan bdang peneltan yang pentng dalam pengolahan ctra, karena proses n merupakan proses yang pentng untuk proses selanjutnya yakn analss ctra. Analss ctra melput proses pengenalan ctra dar suatu ctra nputan tertentu. Fungs utama dar segmentas ctra adalah membag ctra ke dalam bagan-bagan wlayah (sub-regons) yang mempunya kesamaan ftur antara lan : tekstur, warna, bentuk dan lan sebaganya. Segmentas dan klasfkas ctra serngkal merupakan langkah awal dalam proses akuss atau analss suatu ctra. Aplkasnya antara lan dalam bdang machne vson, pengenalan wajah, analss ctra medk (magng medcal analyss), ndustr tekstl (batk) dan lan sebaganya (Gaetano, 26). Dalam aplkas tertentu, msalnya pengenalan pola batk tertentu, kegatan awal yang dlakukan adalah melakukan proses segmentas menggunakan model yang sesua dengan karakterstk ctra tersebut. Melalu model segmentas yang tepat maka proses pengenalan akan lebh mendapatkan hasl yang memuaskan. Dalam makalah n dtekankan pada teknk segmentas ctra untuk beberapa kasus ctra khusus, yakn ctra batk. Batk merupakan bagan dar ndustr tekstl dan prntng, d mana berbeda dengan ctra warna alam, ctra tekstl mempunya beberapa ftur yang berbeda : secara umum dalam tekstl terdapat sedkt warna yang domnan dan dalam ndustr tekstl serng kal perancang mengkombnaskan warna-warna yang berbeda, thckness dan denstas untuk menghaslkan vsual mpersf dar warna yang lan (teknk halftonng color dalam tekstl cetak). Struktur tekstur tekstl hasl ndustr (pabrk), nose tekstur yang dhaslkan mempunya pengaruh yang sangat besar pada tamplan warna ctra tekstl, dan n membuat segmentas warna dar ctra tekstl menjad pekerjaan yang amat sult (u, 29). Struktur benang kan menjadkan pekerjaan yang sult untuk mengelompokkan secara otomats untuk proses ekstraks ftur warna yang domnan tersebut dar ctra tekstl. Pendekatan multskala dgunakan untuk menghndar adanya permasalahan antara batas lokalsas dan segmentas ctra beresolus resolus tngg melalu penympulan probabltas posteror maksmum untuk tap blok secara rekursf dar skala kasar ke halus (fne to coarse). A-327

2 Yogyakarta,15 November 214 Tujuan akhr dar segmentas adalah mendapatkan suatu regon yang ddasarkan pada parts ctra batk pada area yang berbeda-beda (dalam kelas yang berbeda-beda), dmana tap regon dcrkan dengan spesfkas khusus. Model yang dgunakan dalam segmentas ctra melput model actve contour dan model probablstk (Synder, 25). Model probablstk termasuk dantaranya adalah Model Hdden Markov. Dalam makalah n dfokuskan pada penggunaan model model wavelet hdden Markov tree untuk segmentas ctra berdasarkan ftur tekstur. Teknk Segmentas Ctra Multskala Segmentas ctra dapat danggap sebaga proses nferens konfguras terbak dar pelabelan X dar data ctra pengamatan Y, d mana keduanya merupakan random feld X dan Y yang ddefnskan pada suatu grd perseg S. Dalam dasar pendekatan segmentas menggunakan Bayesan, ftur ctra yang dekstrak dnotaskan sebaga Y, sedangkan X merepresentaskan random feld dskrt yang mengandung kelas dar tap pel. Model data kemudan dtulskan dalam bentuk denstas probabltas p y ( y ), d mana denstas sebelumnya p () dgunakan untuk menggabungkan pengetahuan mengena struktur kontekstual dar akuras segmentas. Dalam pendekatan Bayesan, segmentas yang benar (correct segmentaton) kemudan destmas dengan menggunakan dstrbus posteror p y ( y) (Bouman and Shapro, 1994). Dalam Gambar 1 dlustraskan mengena model multskala. Pada tap skala n, terdapat suatu random feld dar vektor ftur ctra, Y dan suatu random feld dar label kelas, X. Dalam aplkas n ftur-ftur ctra Y bersesuaan dengan koefsen wavelet Haar pada skala n, Y mengandung tekstur ctra dan nformas tep pada skala n, sedangkan X mengandung kelas label yang bersesuaan. Kelakuan dar Y d sn dasumskan tergantung pada kelas label X dan ftur ctra skala lebh kasar Y. Gambar 1. Ilustras Pendekatan untuk Segmentas Bayesan. Y merupakan ctra observas dan X adalah random feld yang mengandung kelas dar tap pel dalam Y. Tujuan selanjutnya adalah mengestmas X dar Y (Bouman and Shapro, 1994) D sn tap random feld X tergantung pada feld skala lebh kasar setelahya X. Dependens n memberkan X sebaga suatu struktur ranta Markov dalam varabel skala n. ( n) ( ) n Untuk kenyamanan saja d sn ddefnskan bahwa X = { X } = sebaga hmpunan dar ( > n) ( ) label-label kelas pada skala n atau halus, dan X = { X } = n+ 1 d mana adalah skala palng kasar. Demkan juga untuk Y dan Y > secara sama. Dengan menggunakan notas n, struktur ranta Markov dapat dtulskan dalam bentuk fungs mass probabltas (probablty mass functon) sebaga berkut : ( > n) p ( n ) ( > n) ( ) = p (... ( sehngga probabltas dar adalah : p ( ) = p )... (2) n= 1 ( ) d mana melalu bagan n term : ( ) p ( ( ) ( + ( + A-328

3 Yogyakarta,15 November 214 ( ) d asumskan sebaga p ( ) ( ) ketka merupakan skala palng kasar. Ftur-ftur ctra y dasumskan tdak tergantung bersyarat (condtonally ndependent) yang berkan label kelas dan ftur ctra y pada skala lebh kasar. Dsn denstas bersyarat (condtonal densty) dar y yang dberkan dapat dtulskan sebaga persamaan : p y ( y ) = p ( n ) 1 ( y, y )... (3) ) n= y, y dengan mengkombnaskan persamaan (1.2) dan (1.3) menghaslkan denstas gabungan sebaga berkut : p ( y, ) = p ( y ) p ( ) y, = y n= p y, y ( y, y ) p ( )... (4) untuk melakukan segmentas ctra, maka harus destmas label-label kelas X dar data ftur ctra Y. Wavelet-Hdden Markov Tree Suatu algortma segmentas Bayesan ddasarkan pada konteks yang berbeda dkenalkan oleh Cho and Baranuk (1999), d mana model konteks dcrkan melalu suatu vektor konteks n v yang dturunkan dar suatu hmpunan sampel ketetanggaan pada skala kasar berkutnya. Untuk menangkap propert tap regon ctra yang akan dsegmentas, bak kelakuan skala kecl ataupun besar harus benar-benar dmanfaatkan untuk men-segmentas, homogentas regon dan batas detal regon-regon. Dalam peneltan tersebut dgunakan suatu dyadc square (blok-blok) untuk mplementas klasfkas dengan ukuran wndow yang berbeda-beda. Dberkan suatu nsal square 2 ctra dar n = 2 pel-pel dengan ukuran 2 2, blok ddapatkan secara sederhana melalu pembagan secara rekursf ctra ke dalam empat square subctra dar ukuran yang sama sepert yang dtunjukkan dalam Gambar 2. Gambar 2. (a) Ctra dbag ke dalam blok perseg d j pada skala berbeda. Tap blok dapat dasosaskan dengan suatu subtree koefsen wavelet Haar (b) Struktur Quad-Tree dar j Blok Perseg. Blok perseg d ρ dbag ke dalam empat blok chld pada skala j. ( ) Dnotaskan suatu blok perseg pada skala j oleh d j (dengan suatu ndeks abstrak enumeras kotak-kotak pada skale n). Pada dua tempat ayng ekstrem, d (root of the tree) adalah nputan ctra, dan tap d (leaf of the tree) merupakan suatu pksel tunggal. Dberkan suatu j random feld ctra X, blok perseg n juga merupakan random feld, yang dnotaskan dengan D. Melalu struktur sepert n untuk merepresentaskan regon-regon, ctra akan dsegmentas melalu pengestmasan label kelas c pada tap blok perseg d. Estmas n memerlukan suatu Model pksel PDF untuk tap kelas yang dsesuakan pada blok perseg. Kebanyak ctra dalam duna nyata, khususnya ctra teksture skala keabuan (gray-scale), dcrkan melalu struktur sngulartasnya (edge dan rdge). Transformas wavelet merupakan doman transformas untuk A-329

4 Yogyakarta,15 November 214 pemodelan ctra yang kaya akan sngulartas. Transformas wavelet dapat dnterpretaskan sebaga suatu detektor tep multskala yang merepresentaskan konten sngulartas suatu ctra pada multple skala dan tga orentas yang berbeda-beda. Karaktersas sngulartas multskal mmembuat doman wavelet alamah untuk pemodelan ctra bertekstur. Crouse (1998) membangun model hdden Markov tree (HMT), suatu model statstc parametrk untuk transformas wavelet. Segmentas ctra menggunakan HMT terdr dar tga stuktur pohon (tree) yang terpsah yatu : transformas wavelet quad-tree, HMT dan pelabelan tree. Adapun algortma HMTseg adalah sebaga berkut : 1. Dlath wavelet-doman HMT model untuk tap tekstur menggunakan homogentas ctra pelathan. 2. Htung lkelhood multskala. Dhtung dengan menggunakan algortma penghtungan lkelhood untuk model HMT (Crouse et al, 1998), htung lkelhood tap blok perseg ctra pada skala yang berbeda-beda. Kejadan ( untuk tap blok perseg hasl Mamum kelhood (M) klasfkas j dasar c M untuk suatu jangkauan skala j. 3. Gabungkan lkelhood multskala menggunakan pelabelan tree untuk bentuk klasfkas MAP multskala. Transformas Wavelet Transformas wavelet merepresentaskan sngulartas konten suatu ctra pada multpel skala. Dalam peneltan n dgunakan wavelet yang palng sederhana yatu wavelet Haar. Kontruks koefsen-koefsen wavelet Haar dar suatu ctra dapat dterangkan menggunakan empat flter wavelet 2-D : okal smoother h, horsontal detektor tep g H, vertcal edge detector g H, dagonal detektor tep g HH yang dtulskan sebaga bentuk matrk berkut n : h =, g H =, g H =, g HH = untuk menghtung transformas wavelet dar suatu ctra dskrt X yang berukuran 2 2, maka dlakukan dengan: 1. set u [ k, l] = [ k, l], k, l 2 2. Konvolus u dengan keempat flter d atas dan membuang setap sampel yang lan dalam dua arah ke k dan l. Menghaslkan subband ctra : H H HH u 1,,,. 1 1 Tap subband ctra tersebut berukuran bagan dapat secara langsung djadkan satu kembal ke dalam suatu matrk 2 2 H u H HH 3. Proses flterng dan downsamplng dapat dlanjutkan pada ctra u dan prosedur dteras sampa waktu ke. METODE PENEITIAN Metode yang dgunakan dalam peneltan n melput metode pustaka, observas lapangan dan penelusuran referens (browsng) yang berkatan dengan peneltan yang dlakukan. Metode pustaka melput pengumpulan data dengan cara membandngkan dan membandngkan referens yang berkatan dengan peneltan yang dlakukan, berupa jurnal, buku, dan referens yang berhubungan dengan peneltan n. Observas lapangan dlakukan untuk mengamat objek data yang dperlukan dalam hal n adalah batk yang ddapatkan dar pengrajn, pasar batk dan museum batk. Alat yang dgunakan dalam peneltan n melput: perangkat keras berupa laptop fujtsu, A-33

5 Yogyakarta,15 November 214 kamera dgtal, flasdsk dan modem. Perangkat lunak berupa sstem operas wndows p 2, adope photoshop, matlab r.28, mcrosoft offce dan mozlla frefo. PEMBAHASAN Dalam peneltan n dtamplkan segmentas ctra batk ddasarkan pada representas teknk segmentas ctra multskala, dan duj tamplannya secara analtk. Nose tekstur yang muncul dalam ctra batk menmbulkan masalah dalam proses segmentas. Kebanyakan ctra batk dambl secara langsung dar bagan produks dalam suatu ndustr batk, maka dar tu tdak terdapat ground truth hasl segmentas dar ctra batk n, dan n merupakan sesuatu hal yang sult untuk secara manual menyedakan data pelathan untuk segmentas ctra berdasarkan teknk terawas (supervsed). Dalam peneltan n ctra segmentas multskala yang dmaksud dasumskan bahwa jumlah warna-warna yang berbeda dar ctra batk nputan dketahu dan warna domnant dan ftur-ftur yang bersesuaan dengannya sebelumnya sudah ddapatkan. D sn dekstraks dua warna yang domnan yatu warna merah dan puth sepert terlhat dalam Gambar 3(a). Ctra batk amb motf kapal sanggat dpergunakan dalam mplementas model wavelet hdden markov tree sepert yang dperlhatkan dalam Gambar 3(b). Ctra batk n merupakan hasl dar ndustr pabrkan (batk cap) sehngga dalam ctra tersebut mash mengandung nose. Sedangkan dalam Gambar 3 (c) dperlhatkan koefsen wavelet haar dar ctra batk motf kapal sanggat tersebut. (a) (b) (c) Gambar 3.(a) Motf Bungo Cengkeh Batk amb, 3(b). Koefsen Wavelet Haar Motf Bungo, 3(c) Model Wavelet-HMT Motf Bungo Cengkeh Ctra Batk amb Dalam peneltan n untuk menerapkan algortma HMT (Crouse et al, 1998) pada ctra batk amb motf bungo cengkeh, beberapa blok homogen dar ctra nputan djadkan sebaga data pelathan (tranng data), dan untuk tap warna domnantsecara random dbag ke dalam 8 blok Sedangkan algortma EM (Crouse at al, 1998) dgunakan untuk mengestmas parameter dar model HMT pada tap warna yang domnan. Pada saat model dlath pada blok dengan ukuran 16 16, hasl segmentas berupa blok-blok yang mash domnan bloknya. Dar sn maka dapat dlhat bahwa model wavelet-hmt sangat berguna bag ctra dengan tep-tep, sedangkan pada ctra batk dar ndustr tekstl (pabrk) tep-tep tersebut serngkal hlang atau terdstors karena adanya nose tekstur yang muncul, sehnga pengulangan perhtungan lkelhood dar sub blok ctra dasumskan bahwa blok-blok tersebut ndependen. Dar pengamatan hasl segmentas vsual maka dapat dlhat bahwa model wavelet-hmt untuk ctra batk dar hasl pabrkan mash terdapat nose, hal n bsa dlhat juga bahwa msklafkas area warnanya besar, sepert terlhat dalam Gambar 3(c). KESIMPUAN Dar pembahasan d atas dapat dambl beberapa kesmpulan sebaga berkut: 1. Berbeda dengan ctra alamah, ctra batk dar hasl pabrkan mempunya propert yang berbeda-beda : secara umum terdapat beberapa warna domnan. 2. Struktur ctra batk pabrkan mengandung nose sehngga menmbulkan permasalahan yang serus A-331

6 Yogyakarta,15 November 214 untuk menentukan metode segmentas multskala mana yang bak. 3. Telah dterapkan model segmentas dengan menggunakan wavelet-hmt untuk ctra batk hasl pabrkan dengan hasl segmentas yang terlhat memuaskan.. DAFTAR PUSTAKA u, X, 29, Multscale Segmentaton Technques for Tetle Images. College of Computer Scence, Zhejang Unversty, Hangzhou, Chna. Bouman, C., u, B.,1991, Multple resoluton segmentaton of tetured mages, IEEE Trans. On Pattern Analyss and Machne Intellgence, vol.13, no.2, pp Bouman, C.A, Shapro, M.,1994, A multscale random feld model for Bayesan mage segmentaton, IEEE Trans. On Image Processng, vol3., no.2 pp Cheng, H., Bouman, C.A.,21,Multscale Bayesan Segmentaton Usng a Tranable contett model, IEEE Trans. On Image Processng, vol. 1, no.4, pp Cho, H., Baranu, R.G..,21, Multscale mage segmentaton usng wavelet-doman hdden Markov models, IEEE Trans.On Image Processng, Vol.1, no.9, pp Crouse, M.S., Nowak, R.D., Baranu, R.G.., 1998, Wavelet-based statstcal sgnal processng usng hdden Markov models, IEEE Trans. On Sgnal Processng, vol.46, no.4, pp Fan, G. Xa, X.G..,2, Mamum kelhood teture analyss and classfcaton usng wavelet-doman hdden Markov models, Proc. Of 34 th Aslomar Conference on Sgnals, Systems and Computers, Pacfc Grove, CA. Crouse,M.S., Nowak, R.D., Baranu, R.G Wavelet-based statstcal sgnal processng usng hdden Markov models, IEEE Trans.On Sgnal Processng, vol.46, no.4, pp A-332