Metode Ekstraksi Fitur Dalam Pengolahan Citra

Pada era digital saat ini, pengolahan citra telah menjadi bidang yang semakin penting dalam berbagai aplikasi, termasuk pengenalan pola, deteksi objek, komputer vision, dan banyak lagi. Salah satu aspek penting dalam pengolahan citra adalah ekstraksi fitur, di mana informasi yang relevan diekstraksi dari citra untuk tujuan analisis lebih lanjut. Dalam artikel ini, kita akan mempelajari metode-metode ekstraksi fitur citra, mulai dari pendekatan sederhana hingga teknik-teknik kompleks yang digunakan dalam penelitian terkini.

Ekstraksi fitur citra adalah proses mengubah data citra menjadi representasi fitur yang lebih sederhana dan informatif. Fitur-fitur ini mencerminkan karakteristik penting dari citra yang dapat digunakan untuk mengidentifikasi pola, membedakan objek, atau mengklasifikasikan citra. Dalam banyak aplikasi, ekstraksi fitur merupakan langkah awal yang penting sebelum analisis lebih lanjut, seperti pengenalan pola atau deteksi objek.

1. Fitur Bentuk

Salah satu jenis fitur yang umum diekstraksi dari citra adalah fitur bentuk. Fitur-fitur bentuk mencakup informasi geometris tentang objek dalam citra, seperti area, perimeter, dan bentuk relatif objek. Metode ekstraksi fitur bentuk sering kali melibatkan teknik-teknik seperti transformasi Hough untuk mendeteksi garis atau lingkaran, ekstraksi kontur objek, atau deskriptor bentuk seperti invariant momen Zernike.

Baca Juga: Ekstraksi Ciri Citra

Komponen Fitur Bentuk

– Area

Area adalah ukuran dari luas bidang yang ditempati oleh objek dalam citra. Ini adalah salah satu fitur bentuk yang paling dasar dan sering digunakan dalam pengenalan objek. Area dapat memberikan informasi tentang ukuran relatif objek dalam citra.

– Perimeter

Perimeter adalah panjang dari garis yang membentuk batas objek. Perimeter dapat memberikan informasi tentang kompleksitas objek atau keruncingan tepi objek. Objek dengan perimeter yang lebih panjang cenderung memiliki kontur yang lebih kompleks.

– Bentuk Relatif

Fitur-fitur bentuk relatif mencakup properti-properti geometris yang berkaitan dengan bentuk dan struktur objek, seperti kebulatan, aspek rasio, dan eksentrisitas. Misalnya, kebulatan adalah ukuran seberapa bulat objek, dihitung sebagai rasio luas objek terhadap luas lingkaran dengan diameter yang sama.

– Ekstraksi Kontur

Kontur objek adalah garis yang membentuk batas dari objek dalam citra. Ekstraksi kontur melibatkan identifikasi dan deskripsi kontur objek, yang dapat digunakan untuk menggambarkan bentuk dan struktur objek secara geometris.

– Deskriptor Bentuk

Deskriptor bentuk adalah representasi numerik dari bentuk objek dalam citra. Ini sering kali melibatkan ekstraksi fitur statistik seperti momen invariant, yang merupakan angka yang tidak berubah terhadap transformasi geometris seperti rotasi, translasi, dan penskalaan.

Metode Ekstraksi Fitur Bentuk:

– Transformasi Hough:

Transformasi Hough adalah teknik populer untuk mendeteksi garis, lingkaran, atau bentuk geometris lainnya dalam citra. Ini bekerja dengan mengubah representasi citra dari domain spasial menjadi domain parameter, di mana parameter-parameter ini mewakili garis atau lingkaran dalam citra.

Baca Juga: Deteksi Lingkaran Menggunakan Transformasi Hough

– Ekstraksi Kontur:

Ekstraksi kontur melibatkan deteksi dan deskripsi kontur objek dalam citra. Metode-metode ini dapat melibatkan algoritma deteksi tepi seperti operator Canny atau algoritma berbasis region seperti algoritma flood fill untuk mengidentifikasi kontur objek.

– Deskriptor Bentuk:

Deskriptor bentuk adalah representasi numerik dari bentuk objek. Misalnya, momen invariant Zernike adalah deskriptor bentuk yang sering digunakan yang dapat menggambarkan bentuk objek secara unik dan invarian terhadap transformasi geometris.

2. Fitur Tekstur

Fitur tekstur mencerminkan distribusi spasial dari intensitas piksel dalam citra. Fitur tekstur penting untuk membedakan antara objek yang memiliki struktur tekstur yang berbeda-beda. Metode ekstraksi fitur tekstur termasuk teknik-teknik seperti matriks ko-occurrence (GLCM), matriks semivariogram, atau transformasi wavelet untuk mengekstraksi informasi frekuensi dan arah tekstur.

Baca Juga: Analisis Tekstur Menggunakan Gray-Level Co-Occurrence Matrix (GLCM)

Komponen Fitur Tekstur:

– Matriks Ko-occurrence (GLCM)

Matriks ko-occurrence (GLCM) adalah salah satu alat yang paling umum digunakan dalam ekstraksi fitur tekstur. GLCM menghitung distribusi spasial dari pasangan intensitas piksel dalam citra, yang mencerminkan keterkaitan spasial antara piksel-piksel tersebut. Fitur-fitur yang dihasilkan dari GLCM termasuk energi, kontras, homogenitas, dan korelasi, yang dapat memberikan informasi tentang variasi tekstur dalam citra.

– Matriks Semivariogram

Matriks semivariogram adalah alat lain yang digunakan untuk mengukur tekstur dalam citra. Ini mengukur variabilitas spasial dari intensitas piksel dalam citra dengan menghitung variansi atau semivariansi dari perbedaan intensitas piksel dalam jarak tertentu.

– Transformasi Wavelet

Transformasi wavelet adalah teknik yang kuat dalam ekstraksi fitur tekstur yang memungkinkan analisis dalam domain frekuensi dan spasial. Dengan menggunakan transformasi wavelet, citra dapat dipecah menjadi berbagai resolusi spasial dan frekuensi, yang memungkinkan deteksi tekstur dalam berbagai skala.

– Deskriptor Statistik

Fitur tekstur juga dapat diekstraksi menggunakan deskriptor statistik sederhana seperti mean, standar deviasi, skewness, atau kurtosis dari distribusi intensitas piksel dalam citra. Fitur-fitur ini mencerminkan statistik dasar dari tekstur dalam citra.

Metode Ekstraksi Fitur Tekstur:

– GLCM:

Untuk ekstraksi fitur tekstur menggunakan GLCM, langkah-langkah umumnya meliputi:

Menghitung matriks ko-occurrence (GLCM) dari citra.
Menghitung fitur-fitur seperti energi, kontras, homogenitas, dan korelasi dari GLCM.
Menggunakan fitur-fitur ini sebagai representasi tekstur dari citra.

– Transformasi Wavelet:

Pada ekstraksi fitur tekstur menggunakan transformasi wavelet, langkah-langkah umumnya meliputi:

Mentranskformasikan citra ke dalam domain wavelet menggunakan transformasi wavelet.
Memilih koefisien wavelet yang sesuai sebagai fitur tekstur, berdasarkan kepekaan terhadap tekstur dalam berbagai skala dan orientasi.

3. Fitur Warna

Fitur warna merujuk pada informasi warna dalam citra. Dalam banyak aplikasi, informasi warna dapat menjadi fitur yang kuat untuk membedakan objek atau membedakan antara kelas citra. Metode ekstraksi fitur warna melibatkan transformasi warna seperti RGB ke HSV, histogram warna untuk mendapatkan distribusi warna dalam citra, atau deskriptor warna seperti mean warna atau standar deviasi warna.

Baca Juga: Ruang Warna dalam Pengolahan Citra

Komponen Fitur Warna:

– Representasi Warna

Fitur-fitur warna dapat direpresentasikan dalam berbagai sistem warna, termasuk sistem warna RGB (Red, Green, Blue), sistem warna HSV (Hue, Saturation, Value), sistem warna Lab, atau sistem warna Luv. Setiap sistem warna memiliki cara yang berbeda dalam merepresentasikan warna dalam citra.

– Histogram Warna

Histogram warna adalah distribusi frekuensi dari intensitas warna dalam citra. Histogram warna mencerminkan sebaran relatif intensitas piksel dengan nilai warna tertentu dalam citra. Histogram warna dapat digunakan untuk mengekstrak informasi tentang dominasi warna dalam citra dan distribusi warna dalam berbagai saluran warna.

– Deskriptor Warna

Deskriptor warna adalah fitur-fitur numerik yang menggambarkan karakteristik warna dalam citra. Misalnya, rata-rata warna, standar deviasi warna, atau histogram warna merupakan contoh deskriptor warna yang dapat digunakan untuk mewakili distribusi warna dalam citra.

Metode Ekstraksi Fitur Warna:

– Representasi Warna

Metode ekstraksi fitur warna dimulai dengan memilih sistem warna yang sesuai untuk mewakili informasi warna dalam citra. Ini dapat melibatkan transformasi warna seperti konversi dari sistem warna RGB ke sistem warna HSV atau sistem warna Lab.

– Histogram Warna

Untuk ekstraksi fitur warna menggunakan histogram warna, langkah-langkah umumnya meliputi:

Menghitung histogram warna dari citra untuk setiap saluran warna (misalnya, merah, hijau, dan biru dalam sistem warna RGB).
Normalisasi histogram untuk menghasilkan distribusi probabilitas dari intensitas warna dalam citra.

– Deskriptor Warna

Deskriptor warna dapat dihitung dari histogram warna atau dari representasi warna lainnya. Contoh deskriptor warna termasuk:

Rata-rata warna: Rata-rata dari nilai warna dalam citra untuk setiap saluran warna.
Standar deviasi warna: Standar deviasi dari nilai warna dalam citra untuk setiap saluran warna.
Histogram warna: Distribusi frekuensi dari intensitas warna dalam citra.

4. Fitur Spasial

Fitur spasial mencakup informasi tentang posisi relatif dari objek dalam citra. Fitur-fitur ini berguna untuk analisis spasial dan deteksi objek. Metode ekstraksi fitur spasial dapat melibatkan transformasi geometris seperti transformasi Fourier atau transformasi kosinus diskrit, atau ekstraksi deskriptor spasial seperti histogram orientasi gradien (HOG) untuk mendeteksi tepi atau fitur lokal.

Baca Juga: Deteksi Marka Jalan (Lane Detection) Menggunakan Transformasi Hough

Komponen Fitur Spasial:

– Transformasi Geometris

Fitur spasial dapat diekstraksi melalui transformasi geometris dari citra, seperti transformasi Fourier atau transformasi kosinus diskrit. Transformasi ini memungkinkan kita untuk menganalisis distribusi spasial dari intensitas piksel dalam citra dalam domain frekuensi atau domain spasial.

– Deskriptor Spasial

Deskriptor spasial adalah fitur-fitur numerik yang menggambarkan karakteristik spasial dari objek dalam citra. Contoh deskriptor spasial termasuk histogram orientasi gradien (HOG), yang mengukur distribusi orientasi gradien piksel dalam citra, atau deskriptor tekstur yang memanfaatkan informasi spasial untuk mengekstraksi pola tekstur.

– Deteksi Tepi

Deteksi tepi adalah proses penting dalam ekstraksi fitur spasial yang melibatkan identifikasi tepi atau perubahan tajam dalam intensitas piksel dalam citra. Tepi sering kali merupakan fitur penting untuk segmentasi objek atau identifikasi pola dalam citra.

Baca Juga: Deteksi Tepi Citra Digital Menggunakan Matlab

Metode Ekstraksi Fitur Spasial:

– Transformasi Geometris

Metode ekstraksi fitur spasial menggunakan transformasi geometris meliputi:

Transformasi Fourier: Transformasi Fourier mengubah representasi citra dari domain spasial ke domain frekuensi, yang memungkinkan analisis distribusi frekuensi dari intensitas piksel dalam citra.
Transformasi Kosinus Diskrit: Transformasi kosinus diskrit adalah teknik yang serupa dengan transformasi Fourier tetapi lebih efisien dalam menganalisis sinyal spasial.

– Deskriptor Spasial

Untuk ekstraksi fitur spasial menggunakan deskriptor spasial seperti HOG, langkah-langkah umumnya meliputi:

Menghitung gradien citra untuk mendapatkan informasi arah dan magnitudo gradien piksel.
Membagi citra ke dalam sel-sel kecil dan menghitung histogram orientasi gradien untuk setiap sel.
Normalisasi histogram dan menggabungkan semua histogram untuk membentuk deskriptor HOG yang final.

– Deteksi Tepi

Deteksi tepi melibatkan penggunaan operator deteksi tepi seperti operator Sobel atau operator Canny untuk mengidentifikasi perubahan tajam dalam intensitas piksel dalam citra. Tepi yang terdeteksi kemudian dapat digunakan sebagai fitur spasial dalam analisis citra.

5. Ekstraksi Fitur Berbasis Convolutional Neural Networks (CNN)

Teknik ekstraksi fitur terbaru yang semakin populer adalah penggunaan Convolutional Neural Networks (CNN). CNN telah terbukti sangat efektif dalam mempelajari representasi fitur yang diskriminatif dari data citra. Dengan menggunakan arsitektur CNN yang dalam dan berbagai teknik pelatihan seperti transfer learning, fitur-fitur yang kompleks dan hierarkis dapat diekstraksi dari citra dengan kinerja yang luar biasa.

Arsitektur Convolutional Neural Network (CNN)

Baca Juga: Arsitektur Convolutional Neural Network (CNN) untuk Pengolahan Citra Digital

Komponen Ekstraksi Fitur Berbasis CNN:

– Arsitektur CNN

Arsitektur CNN terdiri dari lapisan-lapisan konvolusi, lapisan pooling, dan lapisan-lapisan aktivasi yang bertujuan untuk mengekstraksi fitur-fitur hierarkis dari citra. Lapisan-lapisan konvolusi digunakan untuk mengekstraksi fitur-fitur lokal dari citra, sementara lapisan pooling digunakan untuk mengurangi dimensi fitur dan menjaga invariansi terhadap pergeseran kecil. Lapisan-lapisan aktivasi, seperti ReLU (Rectified Linear Unit), digunakan untuk memperkenalkan non-linearitas ke dalam jaringan.

– Lapisan Konvolusi

Lapisan konvolusi menggunakan filter konvolusi untuk mengekstraksi fitur-fitur lokal dari citra. Filter konvolusi bergerak di seluruh citra dan menghasilkan peta fitur yang menyoroti fitur-fitur penting dalam citra, seperti tepi, sudut, atau tekstur.

– Lapisan Pooling

Lapisan pooling digunakan untuk mengurangi dimensi dari peta fitur yang dihasilkan oleh lapisan konvolusi dengan menggabungkan informasi dari area tetangga. Ini membantu dalam mengurangi overfitting dan memperkenalkan invariansi terhadap pergeseran kecil dalam citra.

– Lapisan Aktivasi

Lapisan aktivasi, seperti ReLU, digunakan untuk memperkenalkan non-linearitas ke dalam jaringan dan meningkatkan kemampuan jaringan dalam mempelajari representasi fitur yang lebih kompleks dari data citra.

Metode Ekstraksi Fitur Berbasis CNN:

– Transfer Learning

Transfer learning adalah pendekatan yang umum digunakan dalam ekstraksi fitur berbasis CNN di mana arsitektur CNN yang telah dilatih sebelumnya pada dataset besar, seperti ImageNet, digunakan sebagai extractor fitur. Lapisan-lapisan atas dari arsitektur CNN biasanya dipotong, dan representasi fitur yang dihasilkan dari lapisan-lapisan bawah digunakan sebagai fitur untuk tugas tertentu.

– Fine-tuning

Fine-tuning adalah pendekatan di mana arsitektur CNN yang telah dilatih sebelumnya disesuaikan kembali dengan dataset atau tugas tertentu. Lapisan-lapisan atas dari arsitektur CNN biasanya dibekukan, sementara lapisan-lapisan bawah diperbarui dengan pembelajaran tambahan menggunakan dataset target.

– Ekstraksi Fitur dari Lapisan-Lapisan CNN

Ekstraksi fitur dari lapisan-lapisan CNN melibatkan pengambilan representasi fitur dari lapisan-lapisan tengah atau bawah dari arsitektur CNN yang telah dilatih sebelumnya. Representasi fitur ini kemudian digunakan sebagai fitur masukan untuk tugas-tugas analisis citra, seperti klasifikasi atau deteksi objek.

7. Metode-metode Lain dalam Ekstraksi Fitur

Selain metode-metode yang telah disebutkan, masih ada banyak teknik lain yang digunakan dalam ekstraksi fitur citra. Ini termasuk metode-metode seperti deskriptor kepadatan piksel (SIFT), deskriptor titik bermakna (SURF), ekstraksi fitur berbasis kontur, transformasi domain frekuensi seperti transformasi Fourier cepat (FFT), dan banyak lagi.

Ekstraksi Fitur Pengolahan Citra Digital

Ekstraksi fitur merupakan tahapan penting dalam proses pengolahan citra yang memungkinkan informasi dari data citra untuk diekstraksi dan digunakan untuk analisis lebih lanjut. Fitur-fitur yang tepat dan relevan dapat meningkatkan kinerja sistem pengenalan pola, deteksi objek, segmentasi citra, dan berbagai aplikasi lainnya dalam pengolahan citra.

Berikut ini merupakan beberapa source code pemrograman matlab eksklusif mengenai pengolahan citra digital dan ekstraksi fitur:

1. Identifikasi Fraktur Tulang Tibia Dan Fibula Menggunakan Algoritma Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan menggunakan metode deteksi tepi canny, ekstraksi ciri dilakukan menggunakan metode moment invariant, sedangkan identifikasi dilakukan menggunakan algoritma Support Vector Machine (SVM).

2. Klasifikasi Jenis Buah Mangga Menggunakan Convolutional Neural Network (CNN)
Pada pemrograman ini, jenis buah mangga yang diklasifikasikan adalah mangga apel, mangga arumanis, mangga madu, dan mangga manalagi. Layer-layer yang digunakan dalam membangun arsitektur CNN antara lain imageInputLayer, convolution2dLayer, batchNormalizationLayer, reluLayer, maxPooling2dLayer, fullyConnectedLayer, softmaxLayer, dan classificationLayer.

3. Identifikasi Kesegaran Ikan Nila Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri dilakukan menggunakan ciri tekstur GLCM (Gray Level Co-Occurence Matrix) dan ciri warna HSV (Hue, Saturation, Value).

4. Klasifikasi Hewan Kucing Dan Anjing Menggunakan Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan hewan kucing dan anjing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

5. Semantic Segmentation Using Convolutional Neural Network (CNN) ResNet
Pada pemrograman ini, CNN digunakan untuk melakukan deteksi hewan kucing. Arsitektur yang digunakan untuk membangun CNN adalah ResNet-18.

6. Watermarking Citra Menggunakan Discrete Wavelet Transform (DWT)
Pada pemrograman ini, watermarking citra digital dilakukan menggunakan metode Discrete Wavelet Transform (DWT). Dengan menggunakan empat level dekomposisi wavelet dan variasi nilai alpha dalam proses watermarking.

7. Klasifikasi Jenis Jambu Biji Menggunakan Convolutional Neural Network (CNN) Alexnet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis jambu biji. Arsitektur yang digunakan untuk membangun CNN adalah Alexnet.

8. Klasifikasi Jenis Penyakit Pada Daun Kopi Menggunakan Convolutional Neural Network (CNN) Densenet
Pada pemrograman ini, CNN digunakan untuk mengklasifikasikan jenis penyakit pada daun kopi. Arsitektur yang digunakan untuk membangun CNN adalah Densenet-201.

9. Identifikasi Tingkat Kematangan Buah Jeruk Menggunakan Metode K-Nearest Neighbor (K-NN)
Pada pemrograman ini, ekstraksi ciri menggunakan ciri tekstur orde satu dan orde dua GLCM (Gray Level Co-Occurence Matrix), ciri warna HSV (Hue, Saturation, Value), dan ciri bentuk (Metric, Eccentricity). Seleksi ciri dilakukan menggunakan metode Principal Component Analysis (PCA). Sedangkan klasifikasi menggunakan metode K-Nearest Neighbor (K-NN).

10. Identifikasi Tingkat Kematangan Buah Pepaya Menggunakan Metode Support Vector Machine (SVM)
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode K-Means Clustering. Ekstraksi ciri menggunakan ciri warna RGB (Red, Green, Blue) dan ciri tekstur GLCM (Gray Level Co-Occurence Matrix). Sedangkan klasifikasi menggunakan metode Support Vector Machine (SVM).

11. Identifikasi Tingkat Kematangan Buah Naga Menggunakan Jaringan Syaraf Tiruan (JST) Backpropagation
Pada pemrograman ini, segmentasi citra dilakukan dengan menggunakan metode thresholding. Ekstraksi ciri menggunakan ciri warna HSV (Hue, Saturation, Value) dan ciri warna YCbCr (Luminance, Chrominance-Blue, Chrominance-Red). Sedangkan klasifikasi menggunakan metode Jaringan Syaraf Tiruan Backpropagation.