Analisis Tekstur Tekstur [1/2] • Tekstur citra dapat didefinisikan sebagai sebuah fungsi dari variasi spasial intensitas piksel (nilai keabuan). • Definisi tekstur yang lebih jelas diberikan oleh Zucker dan kawan-kawan sebagai berikut: “A global pattern arising from the repetition, either deterministically or randomly, of local sub-patterns” 2 Tekstur [2/2] • Sebagai contoh sekumpulan ilalang (straw) dapat dengan jelas dibedakan dengan permukaan rumput (grass). Herringbone weave Grass Straw 3 Analisis Tekstur • Algoritma pengolahan citra untuk penaksiran pola visual sudah berkembang dengan pesat sejak publikasi dari Haralick dan kawan-kawan tentang analisis tekstur yang membawa analisis tekstur menjadi salah satu sendi utama pengolahan citra. 4 Analisis Tekstur Berdasarkan strukturnya, tekstur dapat diklasifikasikan dalam dua golongan : • Makrostruktur Tekstur makrostruktur memiliki perulangan pola lokal secara periodik pada suatu daerah citra, biasanya terdapat pada pola-pola buatan manusia dan cenderung mudah untuk direpresentasikan secara matematis. • Mikrostruktur Pada tekstur mikrostruktur, pola-pola lokal dan perulangan tidak terjadi begitu jelas, sehingga tidak mudah untuk memberikan definisi tekstur yang komprehensif. 5 Analisis Tekstur Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Dua persoalan yang seringkali berkaitan dengan analisis tekstur adalah: • Ekstraksi ciri Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai • Segmentasi citra Segmentasi citra merupakan proses yang bertujuan untuk memisahkan suatu daerah pada citra dengan daerah lainnya. Berbeda dengan pada citra non-tekstural, segmentasi citra tekstural tidak dapat didasarkan pada intensitas piksel per piksel, tetapi perlu mempertimbangkan perulangan pola dalam suatu wilayah ketetanggaan lokal. 6 Analisis Tekstur • • Analisis tekstur memainkan peranan penting pada banyak aplikasi pengolahan citra, mulai dari penginderaan jauh sampai pencitraan medis. Analisis tekstur biasanya terdiri dari dua tahapan utama. 1. 2. Ekstraksi ciri dimana informasi citra dikurangi menjadi sebuah himpunan kecil ciri deskriptif. Klasifikasi ciri yang didapat dari piksel-piksel citra. 7 Ekstraksi Ciri Statistik Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, dengan metode berikut: Metode statistik Metode statistik menggunakan perhitungan statistik distribusi derajat keabuan (histogram) dengan mengukur tingkat kekontrasan, granularitas, dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Paradigma statistik ini penggunaannya tidak terbatas, sehingga sesuai untuk tekstur-tekstur alami yang tidak terstruktur dari sub pola dan himpunan aturan (mikrostruktur). Metode spektral Metode spektral berdasarkan pada fungsi autokorelasi suatu daerah atau power distribution pada domain transformasi Fourier dalam mendeteksi periodisitas tekstur. Metode struktural Analisis dengan metode ini menggunakan deskripsi primitif tekstur dan aturan sintaktik. Metode struktural banyak digunakan untuk pola-pola makrostruktur. 8 Ekstraksi Ciri Statistik 9 Ekstraksi Ciri Orde Pertama Ekstraksi ciri orde pertama merupakan metode pengambilan ciri yang didasarkan pada karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai derajat keabuan piksel pada suatu citra. Dari nilai-nilai pada histogram yang dihasilkan, dapat dihitung beberapa parameter ciri orde pertama, yaitu : • Mean Menunjukkan ukuran dispersi dari suatu citra • Variance Menunjukkan variasi elemen pada histogram dari suatu citra 10 Ekstraksi Ciri Orde Pertama • Skewness Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra • Kurtosis Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra • Entropy Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra 11 Ekstraksi Ciri Orde Kedua • Salah satu teknik untuk memperoleh ciri statistik orde dua adalah dengan menghitung probabilitas hubungan ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu. Pendekatan ini bekerja dengan membentuk sebuah matriks kookurensi dari data citra, dilanjutkan dengan menentukan ciri sebagai fungsi dari matriks antara tersebut • Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi sudut () tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam empat arah sudut dengan interval sudut 45o, yaitu 0o, 45o, 90o, dan 135o. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel. 12 Ekstraksi Ciri Orde Kedua 13 Ekstraksi Ciri Orde Kedua Perhitungan 6 ciri statistik orde dua, yaitu • Angular Second Moment Menunjukkan ukuran sifat homogenitas citra. • Contrast Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. 14 Ekstraksi Ciri Orde Kedua • Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat memberikan petunjuk adanya struktur linear dalam citra. • Variance Menunjukkan variasi elemen-elemen matriks kookurensi. Citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula. 15 Ekstraksi Ciri Orde Kedua • Inverse Different Moment Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar. • Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). 16 Sistem Visual Manusia • Studi tentang sistem visual manusia mendukung pendekatan ini karena ditemukan bahwa korteks visual dapat dimodelkan sebagai himpunan dari kanal independen, masing-masing kanal mempunyai orientasi dan frekuensi spatial tertentu. 17 Sistem Visual Manusia • Sel penerima pada bagian dalam belakang dari bola mata melewatkan impuls elektrik melalui berbagai jalan syaraf ke korteks visual. • Pada bagian otak inilah berbagai macam sel melakukan pengolahan yang berbeda untuk setiap sinyal yang masuk. • Hubel dan Wiesel berpendapat bahwa sel sederhana sensitif terhadap orientasi tertentu dengan lebar pita sekitar 30o. 18 Sistem Visual Manusia • Campbell dan Kulikowski membawa konsep ini lebih jauh dan menunjukkan bahwa manusia memiliki sensitivitas frekuensi spasial dan sensitivitas orientasi. • Kemudian dibangun sebuah model sistem visual manusia yang terdiri dari sejumlah mekanisme pendeteksi yang masing-masing memiliki filter dengan pita (band) relatif sempit yang ditala (tuned) pada frekuensi berbeda. 19 Sistem Visual Manusia • Setiap filter dan pendeteksi akan membentuk kanal yang terpisah. • Percobaan menunjukkan bahwa lebar pita (bandwidth) frekuensi dari sel sederhana dalam korteks visual kurang lebih satu oktaf. • Model pemfilteran multikanal untuk sistem visual manusia ini cocok dengan pendekatan generik pada dekomposisi sinyal yang disebut analisis wavelet dan filter Gabor. 20 Sistem Visual Manusia • Penelitian oleh Rao dan Lohse memberikan sumbangan pada pendapat tentang sensitivitas orientasi dan frekuensi dari persepsi manusia. • Hasil percobaan menunjukkan bahwa manusia pada dasarnya menggunakan tiga ciri derajat tinggi (highlevel) untuk interpretasi tekstur, yaitu: pengulangan (repetition), arah (directionality), dan kerumitan (complexity). 21 Sistem Visual Manusia • Kerumitan berhubungan dengan konsistensi dari tekstur. • Sebagai contoh, tekstur sinusoidal murni akan mempunyai kerumitan yang rendah dan tekstur tanpa pola yang terdefinisi jelas akan mempunyai kerumitan yang tinggi. • Ketiga karakteristik ini harus dipertimbangkan ketika mengimplementasikan algoritma interpretasi tekstur pada penglihatan komputer (computer vision). 22 Filter Gabor • Fungsi Gabor dapat diimplementasikan sebagai sebuah filter mirip wavalet (waveletlike) multikanal. • Fungsi Gabor mempunyai sifat yang menarik untuk aplikasi penglihatan komputer (computer vision), yaitu: 23 Filter Gabor – sederhana – lokalisasi bersama spasial/frekuensi spasial yang optimal – kemampuan untuk melakukan simulasi tingkah laku medan penerima (receptive field) dua dimensi pada sel sederhana dalam korteks visual dengan mengisolasi frekuensi dan orientasi tertentu. 24 Filter Gabor • Secara spasial, sebuah fungsi Gabor merupakan sinusoida yang dimodulasi oleh fungsi Gauss. • Fungsi Gauss dua dimensi mempunyai perbandingan aspek (aspect ratio) σx/σy. • Eksponensial kompleks mempunyai frekuensi spasial F dan orientasi θ (berlawanan jarum jam terhadap sumbu horisontal). 25 Filter Gabor • Respon impuls sebuah filter Gabor kompleks dua dimensi adalah 1 x' 2 y ' 2 1 . exp g ( x, y) 2 jFx ' 2 2 2 2 2 2 x y x y x΄= x cos φ + y sin φ dan y΄= -x sin φ + y cos φ 26 Filter Gabor 27 Filter Gabor Parameter Filter Gabor adalah: u' v Sθ Bθ F2 F1 u SF BF 28 Filter Gabor • Lebar Pita Filter ln 2 (2 BF 1) x 2F (2 BF 1) ln 2 y 2F tan(B / 2) • Untuk circular Gaussian σx = σy • Untuk elliptical Gaussian Bθ =Sθ Bθ = angular bandwidth Sθ = angular spacing 29 Filter Gabor • Dalam algoritma ini himpunan frekuensi tengah, F, yang digunakan adalah √2 , √2 , √2 , √2 , √2, √2, √2 26 25 24 23 2 2 21 20 (Centre frequency spacing, SF , adalah 1 oktaf) • Bentuk fungsi Gauss yang dipakai adalah elliptical Gaussian dengan Bθ =Sθ = 30o. • Sudut orientasi, θ, yang digunakan 0o, 30o, 60o, 90o, 120o dan 150o. • Frequency bandwidth, BF , ditetapkan 1 oktaf. 30 Ekstraksi Ciri • Setelah mendapatkan ciri tekstur maka dilakukan ekstraksi ciri pertama dengan menghitung energi dari matrisk ciri x(m,n), dengan 1 ≤ m ≤ M dan 1 ≤ n ≤ N. 1 e( x ) MN M N i 1 j 1 x(m, n) 2 31 Ekstraksi Ciri • Ekstraksi Ciri File citra (m x n) Konvolusi Kernel Filter Gabor (k x k) Matriks Ciri (m x n) Analisis Tekstur Energi 32 Ekstraksi Ciri Memiliki nilai energi yang berbeda 33 Ekstraksi Ciri Frekuensi=√2/ 23 Θ = 0o Θ = 30o Energi = 0,0742 Energi = 0,0930 Θ = 60o Θ = 90o Energi = 0,0928 Energi = 0,0655 34 Terima Kasih