Mencari Fitur Warna Dengan Histogram

Penggunaan Histogram Pada Fitur Warna

http://www.keywordsking.com/d2FsbHBhcGVyIHdhcm5hIHBlbGFuZ2k/

Warna

Komposisi warna merupakan salah satu ciri dari citra yang dapat digunakan sebagai pembeda dalam sistemtemu-balik citra. Komposisi warna piksel dalam suatu citra dapat direpresentasikan dalam histogram warna.Tingkat kemiripan warna antar citra dapat ditentukan berdasarkan nilai jarak antar histogramnya. Semakin kecil nilai jarak antar histogram, semakin tinggi tingkat kemiripan suatu citra. Jarak antar histogram pada citra berwarna dihitung untuk setiap komponen warna. Pada Penelitian Arif Rahman menggunakan model warna YIQ. Tiap komponen warna YIQ nilainya dikuantisasi menjadi 128, 64 dan 64 level. Komponen warna Y memiliki jumlah level lebih banyak karena memiliki pengaruh lebih dominan pada persepsi mata manusia terhadap warna dibanding komponen yang lain. Jumlah piksel dalam citra berbeda-beda sesuai dengan ukuran citra, sehingga histogram perlu dinormalisasi agar invarian terhadap ukuran citra. Normalisasi dilakukan dengan membagi jumlah piksel tiap level dengan jumlah total piksel citra, sehingga didapatkan jangkauan nilai [0,1] untuk tiap level. Total jarak antar histogram merupakan hasil jumlahan dari jarak tiap levelnya yang dihitung menggunakan rumus jarak Manhattan. Hasil temu-balik diranking berdasarkan nilai jarak antar histogramnya(Arif Rahman, 2009).

A. Sistem Temu Balik

Sistem Temu-Balik Citra (Image Retrieval) pada awal pengembangannya yaitu sekitar akhir 1970-an,

masih menggunakan teks untuk menandai atau memberi keterangan (annotation) pada citra. Pertama-tama citra diberi keterangan berbentuk teks kemudian untuk melakukan proses temu-balik digunakan DBMS (Database Management System) berbasis teks. Pemberian keterangan tersebut memiliki kelemahan yaitu: jika koleksi citra memiliki jumlah yang sangat besar, maka menjadi tidak efisien karena proses dilakukan secara manual dan keterangan yang diberikan pada citra bersifat subyektif, sangat tergantung pada persepsi pemberi keterangan. Teori ini pun didukung oleh penelitian Rita Layona bersama kawan kawannya yang berjudul Image Retrieval Berdasarkan Fitur Warna Bentuk dan Tekstur. Penelitian ini menyatakan "Pada awalnya pencarian gambar dilakukan dengan memberikan meta-data pada setiap gambar yang ada di database. User akan memasukkan query berupa kata-kata untuk mencari gambar tersebut. Teknik tersebut biasa disebut dengan Text Based Image Retrieval (TBIR). Namun dari teknik tersebut masih terdapat beberapa kekurangan seperti relevansi gambar yang berhasil di-retrieve karena beberapa meta-data pada gambar yang tidak sesuai, homonim antara query yang dimasukkan user dengan meta-data yang ada pada gambar, atau query yang dimasukkan oleh user merupakan sinonim dari meta-data . Selain itu diperlukan juga space khusus untuk menyimpan meta-data tersebut". Melihat kekurangan dari teknik TBIR kemudian mulai dikembangkan teknik lain yaitu Image Retrieval berdasarkan content atau yang biasa disebut Content Based Image Retrieval (CBIR). Menurut Teori Yang dikemukakan pada jurnal yang diterbitkan oleh Arif Rahman Bahwasannya pada awal 1990-an mulai dikembangkan CBIR (Content-Based Image Retrieval) yang melakukan proses temu-balik berdasarkan muatan visual berupa komposisi warna yang dimiliki citra (Long, 2002), (Remco, 2002) .

B. Histogram

Komposisi warna merupakan salah satu fitur yang dapat digunakan dalam sistem temu-balik citra. Komposisi warna dapat direpresentasikan dalam bentuk histogram. Histogram warna merepresentasikan distribusi jumlah piksel untuk tiap intensitas warna dalam citra. Untuk mendefinisikan histogram, warna di kuantisasi menjadi beberapa level diskrit, kemudian untuk tiap level tersebut dihitung jumlah piksel yang nilainya sesuai (Acharya, 2005) Menurut Penelitian Rita Layona dkk, untuk sistem temu balik citra bisa dilakukan dengan fuzzy histogram seperti pernyataannya sebagai berikut: Content Based Image Retrieval atau yang biasa dikenal sebagai retrieval berdasarkan content dari image , melakukan pencarian berdasarkan content dari image . Pencarian bukan hanya menggunakan atau bergantung kepada meta data yang di- input oleh manusia seperti caption dan keyword. (Suhasini,Krishna, & Krishna, 2009). Warna adalah salah satu ciri visual yang biasa digunakan dalam Content Based Image Retrieval(CBIR). Warna dianggap sebagai ciri visual yang baik jika digunakan untuk menemukan kembali suatu citra. Warna dianggap memiliki hubungan yang kuat dengan objek dalam suatu citra. (Acharya & Ray, 2005). Fuzzy Color Histogram merupakan salah satu metode yang dapat digunakan untuk merepresentasikan informasi warna ke dalam bentuk histogram.Fuzzy ColorHistogram bekerja dengan mempertimbangkan persamaan warna dalam pixel yang terasosiasi kebin histogram menggunakan fuzzy set membership function. (Zhang & Zhang, 2004) Penelitian mengenai Content Based Image Retrival berdasarkan kontent warna sendiri pernah dilakukan menggunakan Conventional Color Histogram Invariant Color Histogram , dan Fuzzy Color Histogram pada gambar bunga, binatang dan bangunan. Pada penelitian ini, menghasilkan bahwa dengan menggunakan Conventional Color Histogram dengan Quadratic Form (QF) Distance dan Euclidean Distance untuk perhitungan simmiliarity-nya, menghasilkan performa yang hampir sama namun tidak bisa memerikan respon yang baik pada shifted atau translated images. Untuk mengangani masalah tersebut, maka digunakan teknik Invariant Color Histogram. Dan untuk mengurangi banyaknya variasi antara neighboring bins, maka digunakan Fuzzy Color Histogram. (Suhasini,krishna, & Krishna, 2009)

C. Jarak Histogram

Dengan histogram dapat dicari citra yang memiliki kemiripan komposisi warna. Pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antar histogram. Jika G = {g1, g2, . . . , gN }

dan H = {h1, h2, . . . , hN } adalah histogram warna dari dua buah citra, dimana gi dan hi adalah jumlah piksel pada level ke i dari kedua histogram dan N adalah jumlah level untuk tiap histogram, maka jarak (d) antara dua histogram dapat dinyatakan dalam jarak Manhattan seperti pada Persamaan (1).

Citra dengan nilai jarak yang lebih kecil dianggap memiliki tingkat kemiripan komposisi warna yang lebih tinggi atau lebih mirip dibandingkan dengan citra yang memiliki nilai jarak yang lebih besar.

D. Model Warna YIQ

Model YIQ merupakan salah model warna yang berfokus pada persepsi mata manusia terhadap warna. Model ini merupakan standar warna pada penyiaran TV. YIQ merepresentasikan warna dalam

tiga komponen, yaitu komponen Y mewakili pencahayaan (luminance), komponen I mewakili corak warna (hue) dan komponen Q mewakili intensitas atau kedalaman warna (saturation) (Gonzalez, 2002). Perangkat keras pengolah citra pada umumnya menerapkan model warna RGB dengan pertimbangan kemudahan pada teknis penampilan warna. Konversi warna diperlukan untuk menjembatani perbedaan kedua model warna tersebut agar dapat diproses dan ditampilkan dengan benar. Rumus konversi warna dari RGB ke YIQ ditunjukkan oleh Persamaan (2)

E. Konsep Ruang Warna


Konsep Ruang Warna

Setiap pixel mempunyai warna yang dinyatakan dalam RGB, sehingga merupakan gabungan nilai R, nilai G dan nilai B yang tidak bisa dipisahkan satu dengan lainnya. Hal ini dapat dituliskan dengan P(r,g,b).