Tugas Pengenalan Pola Citra Tekstur dengan Metode Jarak Euclidean

Teknik Komputasi

Pengenalan Pola Citra Tekstur dengan Metode Jarak Euclidean

Dosen : Dr. Ir. Nazori Az, M.T

Nama : Fransiscus Xaverius Eko Budi Kristanto

NIM : 1111600126

Kelas : XA

MAGISTER ILMU KOMPUTER

UNIVERSITAS BUDI LUHUR JAKARTA

2012

1

Soal: Carilah citra tekstur di Google dengan kata kunci: brodatz_database, kemudian ambil 10

buah tekstur. Selanjutnya diuji kemiripannya dari salah satu tekstur, hasilnya diurutkan dalam

bentuk tabel mulai dari yang paling mirip.

Jawab:

10 buah citra tekstur yang digunakan:

Citra tekstur semuanya berukuran 213x213 pixel dengan format PNG (Portable Network

Graphics), dengan kedalaman warna 8 bit.

tekstur_01.png tekstur_02.png tekstur_03.png tekstur_04.png tekstur_05.png

tekstur_06.png tekstur_07.png tekstur_08.png tekstur_09.png tekstur_uji.png

Sumber tekstur: http://perso.telecom-ristech.fr/~xia/invariant_texture/invariant_texture_brodatz/Brodatz_re.html

10 buah citra akan diuji (tekstur_01.png, tekstur_02.png, ..., tekstur_uji.png), untuk mencari

citra mana yang paling mirip terhadap citra ke-10 (tekstur_uji.png) dengan menggunakan

metode Jarak Euclidean berdasarkan 5 ciri sebagai berikut:

1.

Intensitas warna (σ) →

2. Nilai rata-

rata (μ)

→

3. Entropi (e)

→

4. Energi (E)

→

5. Homogeiniti (H)

→

∑

=

−

=

N i i i

x

x

N

1 2

)

(

1

σ

∑

=

=

N i

X

N

1 1

1

µ

∑

=

−

=

n i i i

P

x

x

p

e

1

)

(

log

)

(

∑ ∑

= =

=

M x N y j j

P

x

y

N

x

M

E

1 1 2

)]

,

(

[

1

∑∑

₊

₋

=

i j d

j

i

j

i

P

H

1

)

,

(

2

Jarak Euclidean digunakan untuk klasifikasi atau identifikasi suatu vektor ciri yang dimasukkan

dengan ciri pada basis data yang ada. Jarak Euclidean untuk 2 buah vektor ditentukan dengan

rumus sebagai berikut:

Maka jarak Euclidean antara kedua vektor tersebut adalah:

Script Program Matlab untuk Mencari Jarak Euclidean Berdasarkan 5 Ciri:

% PENGENALAN POLA CITRA TEKSTUR DENGAN METODE EUCLIDEAN

clear, close all

Image1=imread('D:\tekstur\tekstur_01.png'); Image2=imread('D:\tekstur\tekstur_02.png'); Image3=imread('D:\tekstur\tekstur_03.png'); Image4=imread('D:\tekstur\tekstur_04.png'); Image5=imread('D:\tekstur\tekstur_05.png'); Image6=imread('D:\tekstur\tekstur_06.png'); Image7=imread('D:\tekstur\tekstur_07.png'); Image8=imread('D:\tekstur\tekstur_08.png'); Image9=imread('D:\tekstur\tekstur_09.png'); Image10=imread('D:\tekstur\tekstur_uji.png'); intensitas_1 = std2(Image1); rata2_1 = mean2(Image1); entropi_1 = entropy(Image1); GLCM_1 = graycomatrix(Image1); %menghitung GLCM

energi1 = graycoprops(GLCM_1,{'energy'}); energi_1= struct2array(energi1);

homogeiniti1 = graycoprops(GLCM_1,{'homogeneity'}); homogeiniti_1= struct2array(homogeiniti1);

C1=[intensitas_1, rata2_1, entropi_1, energi_1, homogeiniti_1]' %Matriks C1

intensitas_2 = std2(Image2); rata2_2 = mean2(Image2); entropi_2 = entropy(Image2);

GLCM_2 = graycomatrix(Image2); %menghitung GLCM

energi2 = graycoprops(GLCM_2,{'energy'}); energi_2= struct2array(energi2);

homogeiniti2 = graycoprops(GLCM_2,{'homogeneity'}); homogeiniti_2= struct2array(homogeiniti2);

C2=[intensitas_2, rata2_2, entropi_2, energi_2, homogeiniti_2]' %Matriks C2

intensitas_3 = std2(Image3); rata2_3 = mean2(Image3);

]

..,

...

,

,

,

[

]

,

...

,

,

,

[

3 2 1 3 2 1 n n

b

b

b

b

b

dan

a

a

a

a

a

=

=

2 2 3 3 2 2 2 2 1 1

)

(

)

(

)

...(

)

(

a

b

a

b

a

b

a

_n

b

_n

ab

=

−

+

−

+

−

+

−

3

entropi_3 = entropy(Image3);

GLCM_3 = graycomatrix(Image3); %menghitung GLCM

energi3 = graycoprops(GLCM_3,{'energy'}); energi_3= struct2array(energi3);

homogeiniti3 = graycoprops(GLCM_3,{'homogeneity'}); homogeiniti_3= struct2array(homogeiniti3);

C3=[intensitas_3, rata2_3, entropi_3, energi_3, homogeiniti_3]' %Matriks C3

intensitas_4 = std2(Image4); rata2_4 = mean2(Image4); entropi_4 = entropy(Image4);

GLCM_4 = graycomatrix(Image4); %menghitung GLCM

energi4 = graycoprops(GLCM_4,{'energy'}); energi_4= struct2array(energi4);

homogeiniti4 = graycoprops(GLCM_4,{'homogeneity'}); homogeiniti_4= struct2array(homogeiniti4);

C4=[intensitas_4, rata2_4, entropi_4, energi_4, homogeiniti_4]' %Matriks C4

intensitas_5 = std2(Image5); rata2_5 = mean2(Image5); entropi_5 = entropy(Image5);

GLCM_5 = graycomatrix(Image5); %menghitung GLCM

energi5 = graycoprops(GLCM_5,{'energy'}); energi_5= struct2array(energi5);

homogeiniti5 = graycoprops(GLCM_5,{'homogeneity'}); homogeiniti_5= struct2array(homogeiniti5);

C5=[intensitas_5, rata2_5, entropi_5, energi_5, homogeiniti_5]' %Matriks C5

intensitas_6 = std2(Image6); rata2_6 = mean2(Image6); entropi_6 = entropy(Image6);

GLCM_6 = graycomatrix(Image1); %menghitung GLCM

energi6 = graycoprops(GLCM_6,{'energy'}); energi_6= struct2array(energi6);

homogeiniti6 = graycoprops(GLCM_6,{'homogeneity'}); homogeiniti_6= struct2array(homogeiniti6);

C6=[intensitas_6, rata2_6, entropi_6, energi_6, homogeiniti_6]' %Matriks C6

intensitas_7 = std2(Image7); rata2_7 = mean2(Image7); entropi_7 = entropy(Image7);

GLCM_7 = graycomatrix(Image7); %menghitung GLCM

energi7 = graycoprops(GLCM_7,{'energy'}); energi_7= struct2array(energi7);

homogeiniti7 = graycoprops(GLCM_7,{'homogeneity'}); homogeiniti_7= struct2array(homogeiniti7);

C7=[intensitas_7, rata2_7, entropi_7, energi_7, homogeiniti_7]' %Matriks C7

intensitas_8 = std2(Image8); rata2_8 = mean2(Image8); entropi_8 = entropy(Image8);

4

energi8 = graycoprops(GLCM_8,{'energy'}); energi_8= struct2array(energi8);

homogeiniti8 = graycoprops(GLCM_8,{'homogeneity'}); homogeiniti_8= struct2array(homogeiniti8);

C8=[intensitas_8, rata2_8, entropi_8, energi_8, homogeiniti_8]' %Matriks C8

intensitas_9 = std2(Image9); rata2_9 = mean2(Image9); entropi_9 = entropy(Image9);

GLCM_9 = graycomatrix(Image9); %menghitung GLCM

energi9 = graycoprops(GLCM_9,{'energy'}); energi_9= struct2array(energi9);

homogeiniti9 = graycoprops(GLCM_9,{'homogeneity'}); homogeiniti_9= struct2array(homogeiniti9);

C9=[intensitas_9, rata2_9, entropi_9, energi_9, homogeiniti_9]' %Matriks C9

intensitas_10 = std2(Image10); rata2_10 = mean2(Image10); entropi_10 = entropy(Image10);

GLCM_10 = graycomatrix(Image10); %menghitung GLCM

energi10 = graycoprops(GLCM_10,{'energy'}); energi_10= struct2array(energi10);

homogeiniti10 = graycoprops(GLCM_10,{'homogeneity'}); homogeiniti_10= struct2array(homogeiniti10);

C10=[intensitas_10, rata2_10, entropi_10, energi_10, homogeiniti_10]' %Matriks C10

% MENCARI CITRA YANG PALING MIRIP TERHADAP CITRA UJI (CITRA ke-10)

jarak_1_10=sqrt((C1(1,1)-C10(1,1))^2+(C1(2,1)-C10(2,1))^2+(C1(3,1)-C10(3,1))^2+(C1(4,1)-C10(4,1))^2+(C1(5,1)-C10(5,1))^2) jarak_2_10=sqrt((C2(1,1)-C10(1,1))^2+(C2(2,1)-C10(2,1))^2+(C2(3,1)-C10(3,1))^2+(C2(4,1)-C10(4,1))^2+(C2(5,1)-C10(5,1))^2) jarak_3_10=sqrt((C3(1,1)-C10(1,1))^2+(C3(2,1)-C10(2,1))^2+(C3(3,1)-C10(3,1))^2+(C3(4,1)-C10(4,1))^2+(C3(5,1)-C10(5,1))^2) jarak_4_10=sqrt((C4(1,1)-C10(1,1))^2+(C4(2,1)-C10(2,1))^2+(C4(3,1)-C10(3,1))^2+(C4(4,1)-C10(4,1))^2+(C4(5,1)-C10(5,1))^2) jarak_5_10=sqrt((C5(1,1)-C10(1,1))^2+(C5(2,1)-C10(2,1))^2+(C5(3,1)-C10(3,1))^2+(C5(4,1)-C10(4,1))^2+(C5(5,1)-C10(5,1))^2) jarak_6_10=sqrt((C6(1,1)-C10(1,1))^2+(C6(2,1)-C10(2,1))^2+(C6(3,1)-C10(3,1))^2+(C6(4,1)-C10(4,1))^2+(C6(5,1)-C10(5,1))^2) jarak_7_10=sqrt((C7(1,1)-C10(1,1))^2+(C7(2,1)-C10(2,1))^2+(C7(3,1)-C10(3,1))^2+(C7(4,1)-C10(4,1))^2+(C7(5,1)-C10(5,1))^2) jarak_8_10=sqrt((C8(1,1)-C10(1,1))^2+(C8(2,1)-C10(2,1))^2+(C8(3,1)-C10(3,1))^2+(C8(4,1)-C10(4,1))^2+(C8(5,1)-C10(5,1))^2) jarak_9_10=sqrt((C9(1,1)-C10(1,1))^2+(C9(2,1)-C10(2,1))^2+(C9(3,1)-C10(3,1))^2+(C9(4,1)-C10(4,1))^2+(C9(5,1)-C10(5,1))^2) jarak_10_10=sqrt((C10(1,1)-C10(1,1))^2+(C10(2,1)-C10(2,1))^2+(C10(3,1)-C10(3,1))^2+(C10(4,1)-C10(4,1))^2+(C10(5,1)-C10(5,1))^2)

5

Hasil:

C1 = 65.3775 180.7692 5.3177 0.2414 0.7228 C2 = 60.9682 180.3410 5.3565 0.2527 0.7285 C3 = 64.1793 166.0150 5.7418 0.1597 0.6940 C4 = 62.6913 181.4880 5.3186 0.2462 0.7216 C5 = 63.4781 176.6978 5.4415 0.2290 0.7195 C6 = 65.8256 170.8663 5.6259 0.2414 0.7228

6

C7 = 58.9760 190.7536 5.0511 0.2888 0.7448 C8 = 61.6821 183.7089 5.2691 0.2692 0.7401 C9 = 63.7068 174.2883 5.5924 0.1972 0.7052 C10 = 62.6913 181.4880 5.3186 0.2462 0.7216 jarak_1_10 = 2.7807 jarak_2_10 = 2.0703 jarak_3_10 = 15.5503 jarak_4_10 = 0 jarak_5_10 = 4.8559

7

jarak_6_10 = 11.0788 jarak_7_10 = 9.9865 jarak_8_10 = 2.4402 jarak_9_10 = 7.2763 jarak_10_10 = 0

Dengan demikian, diperoleh nilai Jarak Euclidean tekstur yang diuji (tekstur_01.png,

tekstur_02.png, ..., tekstur_uji.png) dengan tekstur uji (tekstur_uji.png) adalah:

Tabel Jarak Euclidean Hasil Pengujian 10 Citra Tekstur:

Nama Berkas Tekstur

Jarak Euclidean

tekstur_01.png

2.7807

tekstur_02.png

2.0703

tekstur_03.png

15.5503

tekstur_04.png

0

tekstur_05.png

4.8559

tekstur_06.png

11.0788

tekstur_07.png

9.9865

tekstur_08.png

2.4402

tekstur_09.png

7.2763

tekstur_uji.png

0

Dari hasil pengujian diperoleh bahwa nilai Jarak Euclidean tekstur_01.png dan tekstur_uji.png

adalah 0 karena kedua tekstur tersebut sebenarnya sama persis (penulis sengaja mengcopy file

8

Kemiripan pengenalan diperoleh dengan menghitung jarak terdekat, yaitu nilai Jarak Euclidean

yang paling kecil. Semakin kecil jarak tekstur yang diuji dengan tekstur penguji, maka akan

semakin mirip.

Tabel Urutan Kemiripan Hasil Pengujian Menggunakan 10 Citra Tekstur:

Urutan Kode Tekstur

Jarak Euclidean

1

tekstur_04.png

0

2

tekstur_02.png

2.0703

3

tekstur_08.png

2.4402

4

tekstur_01.png

2.7807

5

tekstur_05.png

4.8559

6

tekstur_09.png

7.2763

7

tekstur_07.png

9.9865

8

tekstur_06.png

11.0788

9

tekstur_03.png

15.5503

Sehingga jika citra tekstur disusun berurutan dari kemiripannya akan menjadi sebagai berikut:

Citra Penguji

1

2

3

4

tekstur_uji.png tekstur_04.png tekstur_02.png tekstur_08.png tekstur_01.png

5

6

7

8

9