Moment Invariants merupakan salah satu metode ekstraksi ciri bentuk yang nilainya tidak berubah terhadap perlakuan rotasi, translasi, pencerminan, dan penskalaan. Pada metode ini dihasilkan tujuh nilai moment yang dapat menggambarkan suatu objek berdasarkan posisi, orientasi dan parameter-parameter lainnya.

Berikut ini merupakan contoh aplikasi pemrograman MATLAB untuk melakukan pengenalan pola bentuk menggunakan moment invariants dan jaringan syaraf tiruan Learning Vector Quantization (LVQ).

Citra yang digunakan terdiri dari tiga jenis bentuk yaitu bentuk hewan burung (bird), kadal (lizard), dan gurita (octopus). Pada data latih digunakan 15 citra pada masing-masing hewan sehingga jumlah total data latih adalah 45 citra. Sedangkan pada data uji digunakan 5 citra pada masing-masing hewan sehingga jumlah total data uji adalah 15 citra (sumber dataset citra: http://www.dabi.temple.edu/~shape/MPEG7/dataset.html)

Beberapa citra pada data latih ditunjukkan pada gambar berikut ini:

Langkah-langkah pemrogramannya adalah sebagai berikut:

1. Pelatihan sistem dengan tahapan ekstraksi ciri menggunakan algoritma moment invariants dan identifikasi dengan algoritma jaringan syaraf tiruan LVQ

clc; clear; close all;

image_folder = 'data latih';
filenames = dir(fullfile(image_folder, '*.gif'));
total_images = numel(filenames);

M = zeros(7,total_images);

for n = 1:total_images
    full_name = fullfile(image_folder, filenames(n).name);
    img = logical(imread(full_name));
    M(:,n) = feature_vec(img);
end

target = zeros(1,total_images);
target(1:15) = 1;   % bird
target(16:30) = 2;  % lizzard
target(31:45) = 3;  % octopus

t = ind2vec(target);

hiddenSize = 10;
lvqLR = 0.1;
lvqLF = 'learnlv2';
numEpochs = 100;

net = lvqnet(hiddenSize,lvqLR,lvqLF);
net.trainParam.epochs = numEpochs;
net = train(net,M,t);

y = net(M);
classes = vec2ind(y);

[a,~] = find(classes==target);
train_accuracy = sum(a)/total_images*100

save net_keluaran net

Akurasi pelatihan yang dihasilkan adalah sebesar 91.1111%

2. Pengujian sistem terhadap data uji

clc; clear; close all;

image_folder = 'data uji';
filenames = dir(fullfile(image_folder, '*.gif'));
total_images = numel(filenames);

M = zeros(7,total_images);

for n = 1:total_images
    full_name = fullfile(image_folder, filenames(n).name);
    img = logical(imread(full_name));
    M(:,n) = feature_vec(img);
end

target = zeros(1,total_images);
target(1:5) = 1;    % bird
target(6:10) = 2;   % lizzard
target(11:15) = 3;  % octopus

load net_keluaran
y = net(M);
classes = vec2ind(y);

[a,~] = find(classes==target);
test_accuracy = sum(a)/total_images*100

Akurasi pengujian yang dihasilkan adalah sebesar 73.3333%

3. Memvisualisasikan proses pengenalan citra hewan

clc; clear; close all;

full_name = 'data uji\octopus-18.gif';
img = logical(imread(full_name));
M = feature_vec(img);

load net_keluaran
y = net(M);
classes = vec2ind(y);

switch classes
    case 1
        class_out = 'bird';
    case 2
        class_out = 'lizzard';
    case 3
        class_out = 'octopus';
end

figure, imshow(img);
title(['Result -> ',class_out])

Contoh hasil pengenalan yang benar

Contoh hasil pengenalan yang salah

File source code lengkap beserta citra pada pemrograman di atas dapat diperoleh melalui halaman berikut ini: Source Code