Temu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas

Transkripsi

1 Temu Kenali Citra berbasis Konten Bentuk dan Warna untuk Pengenalan Rambu Lalu-lintas Nama : Yudhi Septianto A.P NPM : Pembimbing : Dr. Karmilasari., Skom, MM

2 LATAR BELAKANG Klasifikasi rambu Lalu-lintas di negara Indonesia dan Jepang berbeda Teknik pencarian berbasis teks kurang mendukung Teknik pencarian berbasis konten dengan istilah Temu Kenali Citra atau Content Base Image Retrieval(CBIR) Penelitian CBIR ekstraksi bentuk dan warna telah dilakukan oleh beberapa peneliti terdahulu

3 Tujuan Umum membuat sebuah program aplikasi temu kenali citra berbasis konten bentuk dan warna untuk menampilkan informasi dari masing-masing rambu yang mempunyai kemiripan dengan rambu yang dicari untuk rambu negara Indonesia dan Jepang.

4 Tujuan Khusus Mengestraksi konten bentuk dengan menggunakan metode Canny Edge Detection dan Freeman Chain Code. Mengestraksi konten warna dengan menggunakan metode Local Color Histogram. Menghitung kemiripan rambu lalu lintas kedua negara berdasarkan hasil ekstraksi bentuk dan warna dengan menggunakan metode Euclidean Distance. Mengurutkan hasil kemiripan rambu lalu-lintas dengan menggunakan metode Selection Sort.

5 Data Uji Citra yang di uji Larangan Peringatan Perintah Indonesia Jepang 2i.jpg 13i.jpg 6i.jpg 2j.jpg 13j.jpg 6j.jpg

6 Metode Penelitian Lanjut Bentuk Warna Basis data Kemiripan Sortir

7 Kembali Ekstraksi Bentuk (Canny) Mulai Citra RGB Beri tanda pixel tepi yang memiliki nilai maxima lokal Gambar hasil deteksi tepi Canny. Transformasi citra ke dalam skala keabuan Thresholding ganda untuk pixel tepi yang berpotensi BufferImage gambar hasil deteksi tepi Smoothing citra dengan filter Gaussian, standar deviasi = 1,4. Penentuan pixel tepi final dengan hysteresis ImageBuffer gambar 1 cari pixel tepi dengan menentukan gradien gambar. Tulis ulang gambar hasil deteksi tepi Canny

8 Kembali Hasil Canny Kualitas Tinggi Kualitas Rendah (a)citra asli (b) Citra hasil

9 Kembali Ekstraksi Bentuk (Freeman) 1 2 Arah Mata Angin Freeman Setiap piksel memiliki 8 piksel tetangga sesuai arah mata angin Koordinat piksel tepi dan informasi piksel tetangga Telusur setiap piksel gambar Verifikasi terhadap piksel tetangga Data piksel tepi objek ke-n Ambil informasi piksel tetangga ke-n Kode piksel tetangga ke-n serta koordinatnya Himpun kode piksel tetangga serta koordinatnya Y Siapkan himpunan bentuk dasar tepi Bagi kode rantai ke-n per 20 digit kode 20 digit kode rantai ke-n Hitung nilai gradien garis Gradien = y2 y1 x2 x1 Untuk setiap piksel tepi objek Proses informasi piksel tepi objek T Dapat kode rantai ke - n Buat persamaan garis y = mx + b atau x = my + b Memiliki tetangga Piksel tepi objek terakhir Y 3 2

10 Kembali Ekstraksi Bentuk (Definisi) 3 Y = 0 Y Bentuk dasar tepi horisontal + 1 T Setiap bagian 5 digit 20 digit dibagi menjadi 4 bagian T X = 0 Y Bentuk dasar tepi vertikal + 1 Hitung gradien bagian ke - n Bandingkan gradien setiap bagian Tidak berubah Y Bentuk dasar tepi diagonal + 1 T Persentase Perubahan > 75% T Bentuk dasar tepi sudut + 1 Y Bentuk dasar tepi busur + 1 Proses himpunan bentuk dasar tepi Normalisasi himpunan bentuk dasar tepi Data hasil ekstraksi bentuk Selesai

11 Kembali Hasil Definisi Bentuk Hasil Freeman dari gambar 13j.jpg Tepi ke- Koordinat (x,y) Arah piksel tetangga terdekat Jumlah tetangga terdekat 1 (7,71) (7,77) (8,71) (140,83) (141,71) (141,77) 4 1

12 Kembali Hasil Ekstraksi Bentuk Hasil Ekstraksi Bentuk pada gambar 13j.jpg dan 6i.jpg No Rambu Nilai Histogram 1 0.0, , , , , 0.0, , ,

13 Kembali Ekstraksi Warna (LCH) Mulai 1 untuk memperoleh histogram warna lokal CITRA RAMBU Data masuk ke dalam histogram lokal Regionisasi citra ke dalam 16 bagian Pixel terakhir? T Y Bentuk histogram warna lokal. (kosong) T Normalisasi histogram warna lokal yang telah diperoleh Sesuai kuantitasnya Proses data setiap pixel gambar Area bagian akhir? sebagai nilai RGB Y Ambil byte kedua, ketiga dan ke empat Pengumpulan setiap histogram warna lokal. Kuantisasi nilai RGB yang diperoleh. data warna pixel hasil kuantisasi 1 Data hasil ekstraksi warna. Selesai

14 Kembali Hasil Kuantisasi Warna Hasil Local Color Histogram dari gambar 13j.jpg Bagian Kuantitas indeks ke- Nilai

15 Hasil Ekstraksi Warna Hasil Ekstraksi Warna dari gambar 13j.jpg dan 6i.jpg No Rambu Nilai Histogram 1 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, , 0.0, 0.0, 0.0, 0.0, , 0.0, 0.0, 0.0, , 0.0, , 0.0, 0.0, , 0.0, 0.0, , 0.0, 0.0, 0.0, 0.0,

16 Kembali Basis Data

17 Kembali Perhitungan Kemiripan Data ekstraksi gambar query Data ekstraksi gambar basis data Y Ekstraksi bentuk T n = n + 1 n = n bentuk dasar tepi; (1)horisontal, (2)vertikal, (3)diagonal, (4)busur, (5)sudut BTQ(n) = bentuk dasar tepi ke-n query BTD(n) = bentuk dasarr tepi ke-n data LHQ(n) = lokal histogram query LHD(n) = lokal histogram data 16 histogram warna lokal Bentuk tepi(n) = (BTQ(n) - BTD(n))^2 T T Lokal histogram(n) = (LHQ(n) - LHD(n))^2 Total = Total + Bentuk tepi (n) Total = Total + Lokal histogram (n) n = 5 n = 16 Y Y Similaritas = Total ^ 1/2 Data similaritas

18 Kembali Perhitungan Kemiripan Perhitungan jarak Euclidean Hasil perhitungan jarak di format dalam persamaan : ID data@nilai jarak# 1@ #2@ #3@ #.. #129@ #130@ #

19 Kembali Sorting (Selection Sort) Data similaritas ekstraksi Proses informasi data similaritas Id ekstraksi Nilai similaritas i = 1 Min = i j = i + 1 Similaritas[min] > Similaritas[j] Y T Min = j j = j + 1 T similaritas[i] = similaritas[min] Id[i] = id[min] Y j > length(data similaritas) i = i + 1 i = length(data similaritas) Y Data hasil sortir T

20 Kembali Sorting (Selection Sort) Hasil sortir 10 data teratas dari bentuk # Hasil sortir perhitungan jarak warna dari 10 data

21 Perhitungan Kemiripan dan Sorting Sortir total jarak dari bentuk dan warna Hasil perhitungan jarak di format dalam persamaan : ID data@jarak bentuk@jarak bentuk@total jarak 60@0.0@0.0@0.0#59@ @ @ #96@ @ @ #111@ @ @ #80@ @ @ @ @ #95@ @ @ #

22 Hasil Pencarian Hasil percobaan rambu peringatan gambar 13j.jpg dengan kualitas tinggi

23 Hasil Pencarian Hasil percobaan rambu peringatan gambar 13j.jpg dengan kualitas rendah

24 Halaman Utama Graphical User Interface

25 Graphical User Interface Halaman Input Data

26 Graphical User Interface Halaman Pencarian

27 Graphical User Interface Halaman Output Informasi

28 Graphical User Interface Halaman Bantuan

29 Halaman Info Graphical User Interface

30 Kesimpulan Berhasil membuat membuat sebuah program aplikasi temu kenali citra berbasis konten bentuk dan warna untuk menampilkan informasi dari masing-masing rambu yang mempunyai kemiripan dengan rambu yang dicari untuk rambu negara Indonesia dan Jepang. Berhasil melakukan pengekstraksian citra dengan berbasis bentuk dengan menggunakan metode Canny Edge Detection dan Freeman Chain Code dan juga berhasil mengekstraksi warna citra dengan menggunakan metode Local Color Histogram. Berhasil menghitung jarak kemiripan citra yang dicari dengan menggunakan rumus perhitungan Euclidean Distance dan mengatur urutan peringkat citra yang mempunyai tingkat kemiripan paling tinggi dengan menggunakan teknik Selection Sort. Aplikasi ini berkontribusi sebagai perangkat bantu pengenalan rambu lalulintas bagi pengguna jalan yang sering bepergian di dalam negeri ataupun ke luar negeri.