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

(1)

Temu Kenali Citra berbasis

Konten Bentuk dan Warna untuk

Pengenalan Rambu Lalu-lintas

Nama

: Yudhi Septianto A.P

NPM

: 50408886

(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

(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

(5)

Data Uji

Citra yang di uji

Larangan Peringatan Perintah

Indonesia

2i.jpg 13i.jpg 6i.jpg Jepang

(6)

Metode Penelitian

Bentuk Warna Basis data Kemiripan Sortir Lanjut

(7)

Ekstraksi Bentuk (Canny)

Kembali Citra RGB Transformasi citra ke dalam skala keabuan Smoothing citra dengan filter Gaussian, standar deviasi = 1,4.

cari pixel tepi dengan menentukan

gradien gambar.

Beri tanda pixel tepi yang memiliki nilai

maxima lokal

Thresholding ganda untuk pixel tepi yang

berpotensi

Penentuan pixel tepi final dengan hysteresis Gambar hasil deteksi tepi Canny. Mulai

Tulis ulang gambar hasil deteksi tepi

Canny

BufferImage gambar hasil deteksi tepi

ImageBuffer

(8)

Hasil Canny

Kualitas Tinggi

Kualitas Rendah

(a)Citra asli

(b) Citra hasil

(9)

Ekstraksi Bentuk (Freeman)

Arah Mata Angin

Freeman

Telusur setiap piksel gambar Verifikasi terhadap piksel tetangga Setiap piksel memiliki 8 piksel tetangga sesuai arah mata angin

Data piksel tepi objek

ke-n Koordinat piksel

tepi dan informasi piksel tetangga

Proses informasi piksel tepi objek Untuk setiap piksel tepi objek Memiliki tetangga Ambil informasi piksel tetangga ke-n Kode piksel tetangga ke-n serta koordinatnya Himpun kode piksel

tetangga serta koordinatnya Dapat kode rantai ke - n Piksel tepi objek terakhir 1 T 2 Y 2 T Y

Bagi kode rantai ke-n per 20 digit

kode 20 digit kode rantai ke-n Hitung nilai gradien garis Buat persamaan garis Siapkan himpunan

bentuk dasar tepi

3 Gradien = y2 – y1 x2 – x1 y = mx + b atau x = my + b Kembali

(10)

Ekstraksi Bentuk (Definisi)

Kembali

Y = 0 Bentuk dasar tepi horisontal + 1

X = 0 Bentuk dasar tepi vertikal + 1 20 digit dibagi menjadi 4 bagian Hitung gradien bagian ke - n Bandingkan gradien setiap bagian Tidak berubah Bentuk dasar tepi busur + 1

Bentuk dasar tepi diagonal + 1

Proses himpunan bentuk dasar tepi

Normalisasi himpunan bentuk dasar tepi Data hasil ekstraksi bentuk Selesai 3 Y T Y T Y Setiap bagian 5 digit Persentase Perubahan > 75% T Y

Bentuk dasar tepi sudut + 1 T

(11)

Hasil Definisi Bentuk

Hasil Freeman dari gambar 13j.jpg

Tepi ke- Koordinat

(x,y)

Arah piksel tetangga terdekat Jumlah tetangga terdekat 1 (7,71) 0 1 2 (7,77) 0 1 3 (8,71) 0147 4 … … … … 1232 (140,83) 45 2 1233 (141,71) 4 1 1234 (141,77) 4 1 Kembali

(12)

Hasil Ekstraksi Bentuk

Hasil Ekstraksi Bentuk pada gambar 13j.jpg dan 6i.jpg

No Rambu Nilai Histogram

1 0.0, 2.2222222222222223, 86.66666666666667, 5.555555555555555, 5.555555555555555

2 0.0, 0.0, 66.66666666666666,

19.444444444444446, 13.88888888888889

(13)

Ekstraksi Warna (LCH)

Kembali

CITRA RAMBU

Proses data setiap pixel gambar Ambil byte kedua, ketiga dan ke empat Kuantisasi nilai RGB

yang diperoleh. Regionisasi citra ke

dalam 16 bagian Bentuk histogram warna lokal. (kosong)

Normalisasi histogram warna lokal yang telah

diperoleh Pixel terakhir?

Area bagian akhir?

Pengumpulan setiap histogram warna lokal. Data hasil ekstraksi warna. Y Y T T

untuk memperoleh histogram warna lokal sebagai nilai RGB data warna pixel hasil kuantisasi Data masuk ke dalam histogram lokal Sesuai kuantitasnya Mulai Selesai 1 1

(14)

Hasil Kuantisasi Warna

Hasil

Local Color Histogram

dari gambar 13j.jpg

Bagian Kuantitas indeks ke- Nilai

1 0 1 … 64 0.0 0.0 … 93.20672023374726 2 0 1 … 64 0.0 6.647187728268809 … 33.674214755295836 … … … 16 0 1 … 64 0.0 0.07304601899196494 … 91.16143170197223 Kembali

(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, 0.2921840759678598, 0.0, 0.0, 0.0, 0.0, ……….. 2 0.0, 0.0, 0.0, 0.0, 0.5843681519357196, 0.0, 16.28926223520818, 0.0, 0.0, 0.1460920379839299, 0.0, 0.0, 0.3652300949598247, 0.0, 0.0, 0.0, 0.0, ………

(16)

Basis Data

(17)

Perhitungan Kemiripan

Kembali

Data ekstraksi gambar query

Data ekstraksi gambar basis data

Ekstraksi bentuk

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 5 bentuk dasar tepi;

(1)horisontal, (2)vertikal, (3)diagonal, (4)busur, (5)sudut 16 histogram warna lokal Bentuk tepi(n) = (BTQ(n) - BTD(n))^2 Total = Total + Bentuk tepi (n) n = 5 Similaritas = Total ^ 1/2 Lokal histogram(n) = (LHQ(n) - LHD(n))^2 Total = Total + Lokal histogram (n) n = 16 Data similaritas T Y Y Y n = n + 1 n = n + 1 T T

(18)

Perhitungan Kemiripan

• Perhitungan jarak Euclidean

Hasil perhitungan jarak di format dalam

persamaan :

ID data@nilai jarak#

[email protected]#[email protected]#[email protected]# ………….…. #[email protected]#[email protected]#

(19)

Sorting (

Selection Sort

)

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

(20)

Sorting (

Selection Sort

)

• Hasil sortir 10 data teratas dari bentuk

• Hasil sortir perhitungan jarak warna dari 10 data

[email protected]#[email protected]#[email protected] 4#[email protected]#[email protected]#[email protected]#[email protected] 43714432412#[email protected]#[email protected]#111@11. 067446825842717# [email protected]#[email protected]#[email protected]#[email protected] 026367721#[email protected]#[email protected]#[email protected] 68654857744#[email protected]#[email protected]#[email protected] 91560886301953 Kembali

(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

[email protected]@[email protected]#[email protected]@[email protected] 65581455122#[email protected]@[email protected] 6367721#[email protected]@[email protected] 1953#[email protected]@[email protected] #[email protected]@[email protected]#71 @[email protected]@0.7668698833134507#53@16 [email protected]@1.5927118213355038#[email protected] [email protected]@2.7949462061443624#[email protected] [email protected]@0.7692700106933258#