EKSTRAKSI CIRI
Disusun Oleh:
1501022088
EKSTRAKSI CIRI
A. TUJUAN PRAKTIKUM
1. Mahasiswa mampu memproses ekstraksi ciri
2. Memahami tekstur citra
3. Memahami proses ekstraksi ciri
1. Membuat pola citra
B. DASAR TEORI
c. Skewness (3)
Menunjukkan tingkat kemencengan relatif kurva histogram dari suatu citra
d. Kurtosis (4)
Menunjukkan tingkat keruncingan relatif kurva histogram dari suatu citra
e. Entropy (H)
Menunjukkan ukuran ketidakaturan bentuk dari suatu citra
C. ALAT DA BAHAN
1. Komputer
2. Matlab 2008b
(a)
(b)
Gambar 4.2.1 Database citra (a) makro dan (b) mikro struktur
Gambar 4.4.1 Program penentuan ciri citra makro dengan fungsi forde1
Bagian yang ditambahkan pada program yatu di baris terakhir atau
baris ketiga dengan memanggil fungsi forde1 kemudian diberikan hasil dari
variabel output m dan v.
Gambar 4.4.2 Program penentuan ciri citra mikro dengan fungsi forde1
Begitu pula untuk kasus citra mikro struktur dengan hanya
mengalihkan alamat dari citra ke database citra mikro struktur. Output yang
diberikan kepada variable m dan v langsung dimunculkan tanpa
memperlihatkan hasil citra yang sudah dikonversi ke dalam skala keabuan.
Tabel 4.4.1 Hasil operasi dari fungsi forde1.m citra makro
No Image m v
1 1.jpg 112.7714 2.7546e+003
2 2.jpg 149.0866 2.7003e+003
3 3.jpg 105.1175 3.2810e+003
4 4.jpg 130.7504 1.7652e+003
5 5.jpg 105.8063 596.7907
6 6.jpg 118.2934 693.3264
7 7.jpg 122.9247 933.4508
8 8.jpg 109.8963 929.5360
5. Seleksi Ciri
Dilakukan seleksi ciri yaitu dengan memanfaatkan nilai mean dan
variance, digambarkan grafik mean vs variance. Seperti yang dipaparkan
pada sub bab sebelumnya bahwa nilai yang digunakan sebagai media seleksi
ciri disini yaitu nilai dari variable m untuk mean dan v untuk variance.
80
60
40
20
0
2.75E+03 2.70E+03 3.28E+03 1.77E+03 596.7907 693.3264 933.4508 929.536
variance (2)
100
80
60
40
20
0
79.4474 275.5512 406.7058 678.8914 305.0201 806.0305 154.0634 298.5977
variance (2)
6. Penjelasan
Melalui grafik yang diperoleh dengan melihat nilai mean dan juga
variance secara langsung dari hasil penarikan garis dapat dipahami bahwa
nilai makro terhadap nilai mikro atas nilai mean memiliki rentang nilai yang
sama namun tetap memiliki selisih. Sedangkan dengan melihat variansi atau
variasi disini dapat kita cermati bahwa nilai yang didapatkan pada citra
makro cenderung kecil dan berbanding terbalik bagi citra mikro yang
cenderung memiliki nilai yang besar. Artinya selama titik temu antara nilai
mean dan variasi diantara keduanya memiliki koordinat yang berbeda maka
dengan metode ini dapat dilakukan ekstraksi ciri terhadap suatu objek citra
untuk membedakan antara makro dan mikro struktur.
E. TUGAS
Tabel 5.1 Hasil operasi dari modifikasi fungsi forde1.m citra makro
No Image m v
1 1.jpg 75.9591 266.9328
2 2.jpg 80.6727 150.8720
3 3.jpg 71.1607 490.9752
4 4.jpg 83.0579 32.4971
5 5.jpg 81.9396 88.2500
6 6.jpg 83.9541 24.2228
7 7.jpg 82.9997 63.8202
8 8.jpg 79.2152 167.6329
Tabel 5.2 Hasil operasi dari modifikasi fungsi forde1.m citra mikro
No Image m v
1 1.jpg 85 0
2 2.jpg 84.9936 0.1696
3 3.jpg 84.7381 3.8039
4 4.jpg 84.6410 10.4067
5 5.jpg 84.7137 4.8158
6 6.jpg 84.4953 12.6779
7 7.jpg 84.9852 0.3111
8 8.jpg 84.9962 0.0602
80
mean ()
75
70
65
60
266.9328 150.872 490.9752 32.4971 88.25 24.2228 63.8202 167.6329
variance (2)
84.7
84.6
84.5
84.4
84.3
84.2
0 0.1696 3.8039 10.4067 4.8158 12.6779 0.3111 0.0602
variance (2)
F. KESIMPULAN
1. Tahapan ekstraksi ciri terlebih dahulu diarahkan untuk menyederhanakan
citra warna, salah satunya yaitu ke citra skala keabuan;
2. Ekstraksi ciri memanfaatkan persebaran dari nilai-nilai elemen citra atau
sederhana dikenal sebagai histogram citra;
3. Diantara beberapa rumusan, terdapat dua rumus untuk memahami suatu
pola dari citra yaitu dengan mean() dan variance(2);
4. Citra dengan makro struktur akan memiliki nilai variasi yang cenderung
kecil sedangkan citra dengan mikro struktur akan cenderung bernilai besar
bergantung dari rumusan konversi skala keabuanya.
G. REFERENSI