Anda di halaman 1dari 3

[IMAGE PROCESSING]

January 27, 2012

Minkowski-form Distance

Secara sederhana pengertian dari CBIR (content-based image retrieval) adalah proses pencarian citra

(image) dari sebuah database berdasarkan kandungan atau isi dari citra tersebut. Kandungan atau isi

tersebut biasanya merupakan ciri yang telah diekstraksi terlebih dahulu (feature extraction) lalu

disimpan dalam basisdata (database).

Dalam CBIR isu mengenai metode pengukuran kemiripan menjadi pembahasan yang masih menarik.

Sebuah metode selayaknya dapat digunakan untuk memberikan hasil pengukuran yang sangat detil

dan sebisa mungkin tidak memberikan beban komputasi yang besar. Banyak sekali metode

pengukuran kemiripan berdasarkan jarak yang telah dihasilkan. Dalam artikel ini dan beberapa artikel

selanjutnya, saya akan membahas mengenai metode-metode tersebut. Sehingga bisa menjadi

semacam referensi tentang pengukuran jarak apa saja yang telah dihasilkan. Implementasi dari metode

ini bisa dalam 1-D (satu dimensi) atau 2-D (dua dimensi).

Minkowski Distance memiliki bentuk persamaan umum:

Dimana = , , …

vektor target.

, =

dan = , , … dengan Q merupakan query dan T adalah

Jika p=1 maka , menjadi jarak Manhattan atau dalam bahasa kerennya city block

distance/Manhattan distance. Sehingga rumus nya menjadi:

, = | |

Jika p=2 maka , menjadi jarak Euclidean atau Euclidean distance yang dirumuskan dengan

Jika p→ ∞ maka didapat:

, =

, = max | |

[IMAGE PROCESSING]

January 27, 2012

Jika rumus tersebut ingin diaplikasikan untuk per-piksel pada citra dengan P 1 (X 1 ,Y 1 ) dan P 2 (X 2 ,Y 2 ) maka untuk Manhattan rumusnya menjadi:

= | | + | |

Sedangkan untuk euclidean menjadi:

= + /

Berhubung dalam artikel ini saya tidak sedang membahas tentang CBIR, maka saya hanya menggunakan dua kelompok data saya sebagai representasi penggunaan metode ini. Karena jika membahas tentang CBIR artinya kita terlebih dahulu menyiapkan data ciri hasil ekstraksi.

Program yang bisa digunakan:

% Minkowski-form Distance

clear all;

close all;

clc;

T=[1,2,3,4,3,2,1];

Q=[3,2,4,3,1,2,5;8,2,5,7,1,4,2];

p=2;

d=zeros(size(Q,1),1);

if p>1 for m=1:size(Q,1)

temp=0;

for n=1:length(T) temp=temp+((Q(m,n)-T(n))^p); end

d(m,1)=temp^(1/p);

end else for m=1:size(Q,1)

temp=0;

for n=1:length(T) temp=temp+abs(Q(m,n)-T(n)); end

d(m,1)=temp;

end

end

disp('Hasil perhitungan jarak'); disp(d);

[IMAGE PROCESSING]

@thanks

Sumber:

January 27, 2012

Dengsheng Zhang and Guojun Lu. EVALUATION OF SIMILARITY MEASUREMENT FOR IMAGE RETRIEVAL. Gippsland School of Computing and Info Tech Monash University.