Berikut ini merupakan contoh aplikasi pemrograman matlab untuk melakukan proses ekstraksi ciri dari citra rgb. Ciri yang diekstrak adalah berupa ciri statistik dan ciri bentuk. Pada contoh ini digunakan citra fish.jpg di mana foreground adalah berupa ikan sedangkan background adalah berupa air.

Langkah-langkah pemrogramannya adalah sebagai berikut:
1. Membaca dan menampilkan citra asli

clc;clear;close all;

Img = imread('fish.jpg');
figure, imshow(Img), title('original image');

sehingga diperoleh tampilan:

2. Melakukan segmentasi citra untuk memisahkan antara foreground dengan background menggunakan metode k-means clustering. Proses klustering dilakukan dengan cara mengkonversi ruang warna citra yang semula RGB menjadi ruang warna L*a*b. Selanjutnya komponen a dan b dari citra L*a*b digunakan sebagai nilai masukan dalam algoritma k-means.

2.1. Mengkonversi citra RGB menjadi L*a*b

% Color-Based Segmentation Using K-Means Clustering
cform = makecform('srgb2lab');
lab = applycform(Img,cform);
figure, imshow(lab), title('L*a*b color space');

Hasil konversi ruang warna citra RGB menjadi L*a*b

2.2. Melakukan segmentasi citra menggunakan algoritma k-means clustering

ab = double(lab(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2);

nColors = 3;
[cluster_idx, cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ...
                                      'Replicates',3);

pixel_labels = reshape(cluster_idx,nrows,ncols);
RGB = label2rgb(pixel_labels);
figure, imshow(RGB,[]), title('image labeled by cluster index');

Citra hasil segmentasi yaitu:

2.3. Menampilkan hasil segmentasi pada masing-masing kluster

segmented_images = cell(1,3);
rgb_label = repmat(pixel_labels,[1 1 3]);

for k = 1:nColors
    color = Img;
    color(rgb_label ~= k) = 0;
    segmented_images{k} = color;
end

figure,imshow(segmented_images{1}), title('objects in cluster 1');
figure,imshow(segmented_images{2}), title('objects in cluster 2');
figure,imshow(segmented_images{3}), title('objects in cluster 3');

Tampilan hasil segmentasi pada masing-masing kluster:

Kluster 1

Kluster 2

Kluster 3

3. Memilih kluster yang terdapat foreground (ikan). Pemilihan didasarkan pada kluster yang memiliki luasan objek paling kecil. Setelah diperoleh citra foreground saja, selanjutnya dilakukan operasi morfologi yaitu filling holes untuk menyempurnakan hasil segmentasi dan bwareaopen untuk menghilangkan noise.

% Fish segmentation
area_cluster1 = sum(sum(pixel_labels==1));
area_cluster2 = sum(sum(pixel_labels==2));
area_cluster3 = sum(sum(pixel_labels==3));

[~,cluster_fish] = min([area_cluster1,area_cluster2,area_cluster3]);
fish_bw = (pixel_labels==cluster_fish);
fish_bw = imfill(fish_bw,'holes');
fish_bw = bwareaopen(fish_bw,1000);

fish = Img;
R = fish(:,:,1);
G = fish(:,:,2);
B = fish(:,:,3);
R(~fish_bw) = 0;
G(~fish_bw) = 0;
B(~fish_bw) = 0;
fish_rgb = cat(3,R,G,B);
figure, imshow(fish_rgb), title('the fish only (RGB Color Space)');

Citra ikan hasil segmentasi:

4. Menampilkan histogram citra ikan pada masing-masing kanal warna RGB

% RGB Features Extraction
R_stats = regionprops(fish_bw,R,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');
G_stats = regionprops(fish_bw,G,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');
B_stats = regionprops(fish_bw,B,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');

R_pix_val = R_stats.PixelValues;
G_pix_val = G_stats.PixelValues;
B_pix_val = B_stats.PixelValues;

figure,
histogram(R_pix_val,256,'FaceColor','r','EdgeColor','r')
set(gca,'XLim',[0 255])
set(gca,'YLim',[0 15000])
grid on
title('Histogram of Red Channel')

figure,
histogram(G_pix_val,256,'FaceColor','g','EdgeColor','g')
set(gca,'XLim',[0 255])
set(gca,'YLim',[0 15000])
grid on
title('Histogram of Green Channel')

figure,
histogram(B_pix_val,256,'FaceColor','b','EdgeColor','b')
set(gca,'XLim',[0 255])
set(gca,'YLim',[0 15000])
grid on
title('Histogram of Blue Channel')

Tampilan histogram pada masing-masing kanal warna RGB

Red Channel

Green Channel

Blue Channel

5. Melakukan ekstraksi ciri citra ikan berdasarkan pada ciri statistik dan ciri bentuk. Ciri statistik yang digunakan adalah nilai mean, max, dan min dari intensitas warna citra RGB dan HSV. Sedangkan ciri bentuk yang digunakan adalah luas, keliling, dan eccentricity.

R_mean = R_stats.MeanIntensity;
G_mean = G_stats.MeanIntensity;
B_mean = B_stats.MeanIntensity;

R_max = R_stats.MaxIntensity;
G_max = G_stats.MaxIntensity;
B_max = B_stats.MaxIntensity;

R_min = R_stats.MinIntensity;
G_min = G_stats.MinIntensity;
B_min = B_stats.MinIntensity;

% HSV features extraction
fish = rgb2hsv(Img);
H = fish(:,:,1);
S = fish(:,:,2);
V = fish(:,:,3);
H(~fish_bw) = 0;
S(~fish_bw) = 0;
V(~fish_bw) = 0;
fish_hsv = cat(3,H,S,V);
figure, imshow(fish_hsv), title('the fish only (HSV Color Space)');

H_stats = regionprops(fish_bw,H,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');
S_stats = regionprops(fish_bw,S,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');
V_stats = regionprops(fish_bw,V,'PixelValues','MeanIntensity',...
    'MaxIntensity','MinIntensity');

H_mean = H_stats.MeanIntensity;
S_mean = S_stats.MeanIntensity;
V_mean = V_stats.MeanIntensity;

H_max = H_stats.MaxIntensity;
S_max = S_stats.MaxIntensity;
V_max = V_stats.MaxIntensity;

H_min = H_stats.MinIntensity;
S_min = S_stats.MinIntensity;
V_min = V_stats.MinIntensity;

% Shape features extraction
reg_stats = regionprops(fish_bw,'Area','Perimeter','Eccentricity');

area = reg_stats.Area;
perimeter = reg_stats.Perimeter;
eccentricity = reg_stats.Eccentricity;

6. Menampilkan hasil ekstraksi ciri citra pada command windows

% Print the features in the command window.
disp('>>> Features Extracted <<<')
disp('<1> Red Channel')
fprintf('Mean = %6.2f \n',R_mean);
fprintf('Max  = %6.0f \n',R_max);
fprintf('Min  = %6.0f \n',R_min);

disp('<2> Green Channel')
fprintf('Mean = %6.2f \n',G_mean);
fprintf('Max  = %6.0f \n',G_max);
fprintf('Min  = %6.0f \n',G_min);

disp('<3> Blue Channel')
fprintf('Mean = %6.2f \n',B_mean);
fprintf('Max  = %6.0f \n',B_max);
fprintf('Min  = %6.0f \n',B_min);

disp('<4> Hue Channel')
fprintf('Mean = %6.4f \n',H_mean);
fprintf('Max  = %6.4f \n',H_max);
fprintf('Min  = %6.4f \n',H_min);

disp('<5> Saturation Channel')
fprintf('Mean = %6.4f \n',S_mean);
fprintf('Max  = %6.4f \n',S_max);
fprintf('Min  = %6.4f \n',S_min);

disp('<6> Value Channel')
fprintf('Mean = %6.4f \n',V_mean);
fprintf('Max  = %6.4f \n',V_max);
fprintf('Min  = %6.4f \n',V_min);

disp('<7> Shape Measurements')
fprintf('Area          = %6.0f \n',area);
fprintf('Perimeter     = %6.2f \n',perimeter);
fprintf('Eccentricity  = %6.4f \n',eccentricity);

Hasil ekstraksi ciri adalah

Source code pada pemrograman matlab di atas dapat dijalankan minimal menggunakan matlab versi r2014b. File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source Code