Ekstraksi Fitur

Fitur adalah karakteristik unik dari suatu

objek.
Persyaratan fitur yang baik :
1. Discrimination
2. Memperhatikan kompleksitas komputasi
3. Independence
4. Jumlahnya sedikit
Beberapa metode ekstraksi fitur :
 Geometri
 Histogram
 Gradien
 Spektrum Fourier
 Wavelet
 Fitur berdasarkan warna
 Tapis Gabor
 Fraktal
Ciri Geometri
m n
 Luas A   O( x, y)
x 1 y 1

m n

 xO( x, y)
m n
 Pusat massa
x 1 y 1
 yO( x, y)
x 1 y 1
x y
A A
 Keliling (Perimeter)
P  jumlah _ kode _ genap  2 jumlah _ kode _ ganjil

 Kekompakan (compactness) 4A

C 
P2
 Kebundaran (roundness) 4A
R
P 2
Metode Histogram
Bila x menyatakan tingkat keabuan pada suatu citra maka
probabilitas dari x dinyatakn dengan :

P(x) = Banyaknya titik-titik yang memiliki tingkat keabuan x

Total banyaknya titik pada daerah suatu citra

dengan x=0,1,2,....., L-1

Beberapa fitur yang dapat dihitung
berdasarkan histogram antara lain :
 Rata-rata L
m1   x P( x)
x 0

 Standar Deviasi  L
1   x  m1 P( x)
x 0
 Variance L
 2   ( x  m1 ) 2 P ( x )
x 0
 Nilai mean square L
m2  
x 0
x 2 P( x)
 Skewness L
3   ( x  m1 ) 3 P( x)
x 0

 Kurtosis L
 4  3   ( x  m1 ) 4 P ( x)  3
x 0
 Gradient
 Nilai gradient untuk setiap pixel pada daerah suatu citra dapat
dihitung dengan rumus :

G( x, y)  ( f x 1, y  f x 1, y )  ( f x, y 1  f x, y 1 )
2 2
Fitur Gradient antara lain:

GrMean  M 1  G ( x, y )
x , yROI

GrVariance  M 1  (G (
x , yROI
x , y )  GrMean ) 2

3

GrSkewnes  M 1GrVariance 2
 (G (
x , yROI
x , y )  GrMean ) 3

GrKurtosis  M 1GrVariance 2  (G (
x , yROI
x , y )  GrMean ) 4
3

dengan M menyatakan banyaknya titik pada daerah citra

Spektrum Fourier
 Transformasi Fourier membawa suatu citra dari domain
spasial f(x,y) ke domain frekuensi F(p,q).
 Fitur dari spektrum fourier :

M 1 q ( h 1)
 Celah Horisontal
S1 (h)    M ( p, q )
p 0 q ( h )

 Celah Vertikal p ( h 1) N 1

S 2 ( h)    M ( p, q )
p ( h ) q 0

 Cincin  ( h 1) 2
S 3 ( h)  



M (  , )
(h) 0
M 1 ( h 1)
 Sektor
S 4 ( h)    M (  , )
dengan  0 (h)

M ( p, q )  F ( p, q )
2

  arctan( p q)
 2  p2  q2
Wavelet
Fitur wavelet :
 Energi Subband  (d x, y subband ) 2
Esubband_ scale 
x, y

n
n = jumlah piksel pada setiap subband

 Koefisien wavelet
Cara 1 : memilih sejumlah kecil koefisien berdasarkan
magnitudo terbesar tanpa memperhatikan subband
Cara 2 : memilih sejumlah kecil koefisien berdasarkan
magnitudo terbesar dengan memperhatikan subband
Fitur berdasarkan warna
 Citra dikonversikan ke dalam suatu ruang warna tertentu
 Setiap komponen ruang dibuat histogramnya
 Fitur yang diambil yaitu intensitas citra dengan frekuensi
tertinggi