KOMBINASI METODA SEGMENTASI AMPLITUDO DENGAN REFLECTANCE RATIO DALAM PENGKLASIFIKASIAN AREA WARNA OBJEK Rahmadi Kurnia Jurusan Elektro, Fakultas Teknik, Universitas Andalas Email:
[email protected]
ABSTRACT Region detection is the most significant things for object recognition. We use amplitude segmentation method to merge some nearest color to get a real region. Machine or computer knows some objects from their color by determining the pixel at the same region. When the position of object is separate each other and one object has one color, computer will know easily that region. If the position of each object is closed or one object has more than one color, In this condition, computer will confuse to short each object by its own color. This problem can not be solved by segmentation method. In this paper, we combine amplitude segmentation method with reflectance ratio to cluster all of region., We calculate the grade of reflectance ratio after segmentation process, at the edge of each closed area. If the reflectance, ratio of two rearest region is less than 0.05, that region is from one object. If the reflectance, ratio of two rearest region is more than 0.06, that region is from nother object. In this condition, one object is occluded by the other. From some experiments we find that this cassification is doing well. Keywords: amplitudo segmentation, pixel, Reflectance Ratio, multi-color object, occluded object PENDAHULUAN Salah satu masalah-masalah penting dalam sistem visual adalah bagaimana melakukan segmentasi atau memisahkan bagian citra yang mewakili daerah tertentu dengan mudah, cepat dan akurat. Operasi ini begitu mudah dan alami bagi mata manusia, namun ternyata tidak mudah bagi komputer. Hal ini tidak terlepas dari kemampuan mata manusia yang sangat tinggi dalam mengenali batas-batas objek, sekalipun antara objek yang satu dengan objek yang lain ataupun antara objek dengan latar belakangnya memiliki warna yang sama. Untuk itu perlu dirancang suatu sistem otomatisasi agar komputer seolah-olah dapat melihat seperti manusia. Dengan menggunakan berbagai metode segmentasi, segmentasi otomatisasi yang dilakukan oleh komputer ini nantinya hanya mampu memisahkan region-region berdasarkan homogenitas atau kesamaan ciri saja, seperti intensitas, warna ataupun kontur. Dengan segmentasi saja belum mampu memisahkan objek atau mengklasifikasikan region-region yang diperoleh tersebut merupakan bagian dari suatu objek atau region-region itu adalah bagian dari objek lain. Hal ini terjadi bila segmentasi yang dilakukan menggunakan citra multi-color object ataupun bila kondisi citra dengan beberapa objek yang saling berhimpitan satu sama lain (occluded object). Sebagai contoh, jika kita lakukan segmentasi untuk kondisi citra yang memiliki satu objek dengan banyak warna, ternyata setelah dilakukan proses segmentasi maka hasil yang diperoleh nantinya akan dipisahkan beberapa region berdasarkan homogenitas atau kesamaan ciri tadi. Untuk itu segmentasi disini perlu dikombinasikan dengan reflectance ratio untuk menghitung perbedaan nilai intensitas piksel antar region-region yang bertetangga. Sehingga nantinya dapat diketahui apakah antar region batas tersebut merupakan bagian dari objek yang sama (multi-color object) atau berbeda objek (occluded object). Pada penelitian-penelitian sebelumnya tentang segmentasi dengan menggunakan reflectance ratio, antara lain oleh M. A. Hossain, R. Kurnia, A. Nakamura dan Y. Kuno[2] dalam papernya berjudul Inteactive Object Recognition System for a Helper Robot Using Photometric Invarian melakukan eksperimen tentang pengenalan objek dengan service robot menggunakan reflectance ratio untuk mengidentifikasi multicolor dan occluded objek dengan bantuan user. Dimana user ini diperlukan untuk interaksi ketika sistem tidak yakin apakah region-region hasil segmentasi tersebut merupakan multi-color ataupun occluded object. Selain itu penelitian yang dilakukan oleh S. K. Nayar dan R. M. Bolle[5] dalam papernya yang berjudul reflectance Ratio : A Photometric Invariant for Object Recognition melakukan perhitungan reflectance ratio dari sebuah citra dengan kecerahan tunggal untuk pengenalan objek, dimana teknik pengenalan objek disini mampu secara otomatis mengenali objek.. Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya mengenai segmentasi dengan reflectance ratio dan melihat betapa besarnya manfaat reflectance ratio dalam , maka penulis mencoba merancang sebuah sistem untuk pengklasifikasian area warna objek (object recognition) 126
pada citra dengan mengkombinasikan metoda segmentasi dengan reflectance ratio, dimana metode segmentasi yang digunakan adalah metode segmentasi aplitudo, karena metode ini masih belum banyak digunakan pada penelitian-penelitian sebelumnya. Dengan adanya penelitian ini nantinya diharapkan dapat memberi gambaran tentang segmentasi untuk pengklasifikasian area objek berdasarkan reflectance ratio. HASIL DAN PEMBAHASAN Model RGB RGB adalah model warna atau ruang warna (colorspace) yang bersifat additive berdasarkan teori trichromatic dan umum didapatkan pada sistem yang menggunakan sebuah CRT untuk tampilan citra. Warna didideskripsikan sebagai kombinasi dari tiga berkas warna yaitu merah (red), hijau (green) dan biru (blue). RGB adalah salah satu ruang warna yang paling banyak digunakan untuk pengolahan dan penyimpanan data citra. Namun ruang warna RGB memiliki kelemahan apabila [6] digunakan untuk analisis warna dan pengenalan objek berdasarkan warna . Kelemahan itu adalah tingginya tingkat ketergantungan terhadap peralatan (device dependent), korelasi warna yang erat antara kanal dan bersifat semi-intuitive, serta tidak terlihatnya perbedaan antara elemen chrominace (warna-warni) dan luminance (kecerahan). Sebagai tambahan model warna RGB bersifat perceptually uniform yang artinya sifat RGB tidak menggambarkan kesensitivitasan sistem penglihatan manusia. Model warna RGB sering digambarkan sebagai kubus tiga dimensi.
Gambar 1: Visualisasi RGB Secara Tiga Dimensi Berbagai warna dapat diperoleh dari kombinasi model warna pokok. Perpaduan sinar dari electron guns merupakan perpaduan nilai intensitas dari masing-masing warna. Dalam model RGB, nilai masing-masing warna adalah antara 0 sampai dengan 255. Jadi dalam hal ini, jika nilai R, G, B adalah semuanya 0, maka warna piksel yang dihasilkan adalah warna hitam. Jika semua nilai RGB adalah 255, maka warna yang dihasilkan adalah warna putih. Model HSI Model warna HSI mengandung tiga elemen yaitu Hue, Saturation dan Intensity. Hue adalah warna yang dominan, misalnya merah, hijau, ungu dan kuning, pada sebuah area, saturation berkaitan dengan colorfulness pada sebuah area, misalnya gradasi warna merah, dan intensity berkaitan dengan luminance, yaitu kecerahan (terang-gelap). Model warna ini menarik para peneliti dalam bidang pendeteksian warna karena sifatnya yang secara eksplisit dan intuitif membedakan antara chrominance dan luminance. Selain itu, model warna ini juga invarian terhadap sumber cahaya putih dan permukaan yang redup (matte)[6]. Formulasi untuk konversi dari RGB ke model HSI adalah sebagai berikut [9][10]:
127
Gambar 2: Visualisasi model warna HSI Sistem warna HSI bersifat non-linier dan menggunakan koordinat polar sehingga memiliki karakteristik siklis, dimana nilai Hue berada pada interval 0º sampai 360º. Nilai Hue 0º menunjukkan warna merah, 60º menunjuk pada warna kuning, 120º berarti warna hijau, 240º menunjuk pada warna biru dan 300º berarti magenta. Komponen Saturation menunjuk pada seberapa jauh sebuah warna dipengaruhi oleh warna putih. Interval Saturation adalah bilangan real [0,1]. Komponen Intensitas menunjuk pada interval [0,1], dimana 0 adalah hitam dan 1 adalah putih. gambar 6 menunjukkan visualisasi model warna HIS. Model warna HSI secara eksplisit memisahkan luminance sebagai elemen tersendiri. Dengan model warna HSI kita tidak perlu mengetahui berapa kadar merah atau hijau untuk menghasilkan sebuah warna. Secara sederhana kita cukup memilih nilai hue untuk mendapatkan warna yang diinginkan. Untuk mengubah kedalaman dari sebuah warna cukup dipilih nilai saturasinya, dan untuk membuat sebuah warna menjadi lebih terang atau gelap, kita ubah nilai intensitasnya. Aplikasiaplikasi yang berkaitan dengan penggunaaan mesin untuk ‘melihat’ (machine vision) banyak menggunakan model warna HSI khususnya untuk proses pengidentifikasian warna dari objek-objek yang berbeda. Berikut adalah pesamaan-persamaan untuk mengubah komponen warna RGB menjadi komponen IHS[2]
H = cos −1
2R − G − B
2 ( R − G ) 2 + ( R − B)(G − B )
(1)
, if B ≤ G ⎧H H =⎨ 1 ⎩360° − H1 , if B > G S = 1−
3 min( R, G, B ) R+G+ B
1 I = ( R + G + B) 3
(2)
(3)
Aplikasi-aplikasi yang berkaitan dengan penggunaaan mesin untuk ‘melihat’ (machine vision) banyak menggunakan model warna HLS khususnya untuk proses pengidentifikasian warna dari objek-objek yang berbeda. Model warna HLS adalah model warna yang lebih berorientasi software (didukung oleh sistem operasi dan compatible untuk banyak bahasa pemograman) sehingga lebih mudah dimanipulasi. Disamping itu, model warna HLS pasti dimiliki oleh setiap pixel grey scale. . Segmentasi Citra Segmentasi citra merupakan salah satu proses pengolahan citra tingkat dasar. Karena hanya dilakukan proses analisa citra untuk kemudian mengubah tampilan citra secara keseluruhan,
128
mengeluarkan informasi yang tidak diperlukan dan meningkatkan informasi yang dibutuhkan untuk proses pengolahan citra pada tingkatan selanjutnya. Segmentasi merupakan proses pemisahan (separation) terhadap daerah atau bagian-bagian tertentu pada citra, dimana bagian-bagian tersebut memiliki homogenitas dalam beberapa segi utama, diantaranya tekstur, warna dan intensitas. Bagian-bagian tersebut bersifat unik, jadi berbeda dengan bagian homogen yang lain. Selanjutnya dari bagian-bagian ini bisa ditemukan korelasi atau kaitan dengan objek yang nyata atau sebenarnya.Segmentasi citra bertujuan memisahkan wilayah (region) objek dengan wilayah latar belakang agar objek di dalam citra mudah dianalisis dalam rangka mengenali objek. Dalam penelitian ini digunakan multilevel Luminance Thresholding dan multi color thresholding. Dengan multilevel luminance thresholding ini objek gambar dibedakan kedalam beberapa level nilai threshold, dimana nilai ini diperoleh dari nilai setiap lembah kurva pada histogram.
(a)Bilevel Thresholding
b) Multilevel Thresholding
Gambar 3: Perbedaan Histogram Bilevel Thresholding Nilai threshold ini didefenisikan sebagai berikut: T1 < f (x,y) < T2 Tn-1 > f (x,y) > Tn f (x,y) < T1
(objek 1) (objek n) (background)
bij = 1/2 bij = 1/n bij = 0
Dengan proses yang sama, pada multilevel color component thresholding dilakukan pengambilan nilai level thresholding berdasarkan 9 komponen warna yaitu RGB (Red Green Blue), YIQ dan IHS. Ini berarti setiap citra harus memiliki sekurang-kurangnya 3 histogram citra yang memberikan informasi nilai derajat keabuan dari citra tersebut.
Gambar 4: Histogram Dari Setiap Komponen Warna Pada Citra Berwarna[1] Reflectance Ratio Photometric invariant atau yang disebut dengan Reflectance ratio dapat dihitung dari nilai intensitas piksel terdekat (bertetangga) pada batas daerah region-region dari hasil segmentasi untuk pengklasifikasian area objek(pengenalan objek). Sebelum pegenalan objek dilakukan, suatu objek perlu direpresentasi sesuai kondisi yang diinginkan. Seperti yang terlihat pada gambar diatas, objek perlu dikarakteristik menjadi beberapa atribut seperti shape, reflectance, roughness, material dan sebagainya. Dimana atribut-atribut tersebut nantinya akan digunakan dalam proses pengenalan objek. Dalam penelitian ini digunakan pendekatan reflectance ratio.
129
Gambar 5: Pendekatan fisik untuk pengenalan dan representasi objek
Gambar 6: Region bertetangga pada citra Dari gambar diatas dapat kita lihat dua region bertetangga ni dan n2, jika region n1 dan region n2 adalah milik objek yang berbeda, maka nilai reflectance ratio akan kecil dan sebaliknya jika n1 dan n2 merupakan region-region yang berasal dari objek yang berbeda, maka nilai reflectance rationya akan besar. Untuk menghitung reflectance ratio antar region tersebut dapat kita gunakan persamaan berikut [3] : R=
I1 − I 2 I1 + I 2
(4)
Dengan R (0 ≤R≤1), Dimana R = Reflectance ratio antar dua piksel p1 dan p2 I1 dan I2 = Intensitas piksel pada p1 dan p2
Gambar 7: Piksel pinggiran dari dua daerah (region) Titik potong pada input diatas diambil dari penentuan intensitas piksel bertetangga antar region yang diperoleh dengan algoritma berikut : Titik potong pada algoritma di atas memerlukan variable id1 dan id2 yang merupakan nomor urut dari region-region hasil segmentasi. Analisa Visual Hasil Segmentasi Pada analisa visual, hanya melihat kualitas hasil segmentasi untuk citra occluded object dan citra multi-color object yang akan digunakan sebagai input untuk perhitungan reflectance ratio. Beberapa diantaranya dapat dilihat pada gambar 8. Occluded Object Untuk citra occluded object, digunakan sepuluh (10) buah sampel yang terdiri dari lima buah citra objek tunggal dan lima buah citra dengan objek lebih dari satu
130
Gambar 8: Citra Input, Citra Segmen, Histogram Hue Input dan Histogram Hue Segmen(input 1)
Gambar 9: Hasil Hue (input 1) Dari histogram juga dapat dilihat bahwa pada histogram input memiliki penyebaran nilai hue yang berbeda-beda, setelah dilakukan segmentasi penyebaran nilai hue disatukan menjadi satu warna dan latar segingga membentuk region-region. Multi-color Object Untuk citra multi-color object digunakan sebelas (11) buah citra sampel, terdiri dari enam (6) buah citra multi-color dengan objek tunggal dan lima buah citra gabungan occluded object dan multicolor object. Beberapa diantaranya adalah :
Gambar 10: Citra Input, Citra Segmen, Histogram Hue Input dan Histogram Hue Segmen (input 2)
Gambar 11: Hasil Hue (input 2 Secara keseluruhan hasil segmentasi sudah cukup bagus dan sudah merepresentasikan masing-masing region berdasarkan kesamaan ciri atau homogenitas. Namun masih terdapat sedikit kekurangan, karena diantara setiap region-region bertetangga menghasilkan region baru hasil perpaduan warna keduanya dan juga pengaruh pencahayaan yang tidak merata. Untuk semua hasil percobaan selengkapnya dapat dilihat pada lampiran. Tabel 1. menunjukkan jumlah objek dan jumlah region yang didapat dari hasil segmentasi untuk semua percobaan. Tabel 1: Jumlah Objek Pada Citra Input Dan Jumlah Region Hasil Segmen No Percobaan
Jumlah Objek
Jumlah Region
1
2
3
2
2
2
3
2
3
131
4
2
2
5
2
2
6
2
2
7
2
2
8
2
3
9
3
3
10
2
2
11
1
2
12
1
2
13
1
2
14
1
2
15
1
2
16
2
3
17
2
3
18
2
3
19
3
4
20
2
5
21
1
4
Analisa Perhitungan Dengan Reflectance Ratio (objektif) Berdasarkan referensi, jika nilai reflectance ratio diantara dua region bertetangga kecil, maka dua region bertetangga tersebut merupakan bagian dari objek yang sama (multi-color object) dan sebaliknya jika nilai reflectance ratio besar, maka region tersebut adalah bagian dari objek yang berbeda (occluded object). Dari table di atas, dapat kita buat grafik distribusi reflectance ratio untuk citra multi-color object dan citra occluded object. Tetapi nilai reflectance ratio yang diambil tidak termasuk reflectance ratio antara region dengan latar belakang. Distribusi Reflectance Ratio 0.4
0.35
Reflectance Ratio
0.3
0.25
Occluded Object Multi-color Object
0.2
0.15
0.1
0.05
0 0
2
4
6
8
10
12
14
16
18
20
Nomor Percobaan
Gambar 12: Grafik Distribusi Reflectance Ratio Dalam penelitian ini terdapat beberapa nilai reflectance ratio yang tergolong objek multi-color, namun berada pada rentang nilai objek occluded dan begitu juga sebaliknya . Hal ini wajar terjadi karena perhitungan nilai reflectance ratio sangat bergantung pada hasil dari segmentasi. Semakin bagus hasil segmentasi, maka nilai reflectance ratio akan semakin akurat. Untuk pemilihan batas yang tepat, kita lakukan perhitungan secara statistik dengan standar deviasi. Untuk citra multi-color, diperoleh standar deviasi sebesar 0.016334346 sedangkan untuk citra occluded object diperoleh 0.083368981. Dari kedua nilai ini dihitung selisih antara keduanya dan diperoleh nilai sebesar 0.067035. kemudian nilai ini dibagi dua dan ditambah dengan nilai terkecil dari nilai standar deviasi
132
diatas, maka diperoleh hasil sebesar 0.049852. Nilai inilah yang digunakan sebagai acuan untuk menentukan klasifikasi area warna objek apakah multi-color atau occluded object. Klasifikasi Area Objek Dari semua percobaan, maka dapat kita klasifikasikan area objek berdasarkan distribusi reflectance ratio diatas serta perhitungan secara statistik, maka klasifikasi area objek untuk citra multicolor object dan citra occluded object dibatasi oleh nilai reflectance ratio pada 0.049852. Sehinggga dapat kita klasifikasikan : 1. Jika nilai reflectance ratio antara dua region berada pada rentang antara 0 sampai 0.049852 maka kedua region dianggap multi-color object. Sedangkan, 2. Jika nilai reflectance ratio antara dua region berada di atas 0.049852 maka kedua region dianggap occluded object atau region-region tersebut bukan bagian dari objek yang sama. KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan, maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Sistem simulasi yang dirancang untuk penentuan reflectance ratio sudah sesuai dengan yang diharapkan dan mampu menampilkan nilai reflectance ratio dari dua region bertetangga. 2. Pengklasifikasian area warna objek sangat tergantung pada hasil segmentasi, dimana semakin bagus atau semakin jelas batas antar region, maka reflectance ratio yang diperoleh akan semakin akurat. 3. Berdasarkan hasil penelitian, batas reflectance ratio untuk citra multi-color dan occluded object adalah 0.049852, sehingga dapat kita klasifikasi : a. Jika nilai reflectance ratio antara dua region berada pada rentang antara 0 sampai 0.049852, maka kedua region dianggap multi-color object. Sedangkan, b. Jika nilai reflectance ratio antara dua region berada di atas 0.049852, maka kedua region dianggap occluded object atau region-region tersebut bukan bagian dari objek yang sama. 4. Hasil segmentasi metode amplitudo masih belum menunjukkan batas daerah yang cukup akurat terutama pada batas-batas region. DAFTAR PUSTAKA [1] Gonzales, Woods, Digital Image Processing, Addison-Wesley, 1993 [2] Hossain, R. Kurnia, A. Nakamura dan Y. Kuno Inteactive Object Recognition System for a Helper Robot Using Photometric Invarian [3] Munir, Aplikasi Image Thresholding untuk Segmentasi Objek. Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. [4] Munir, R. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Informatika Bandung. 2004. [5] Nayar, S.K dan R. M. Bolle Reflectance Ratio : A Photometric Invariant for Object Recognition, 1995 [6] Oda K, Takeshi Ohashi, Takeshi Kato, Toshiyuki Ishimura, Yuki Katsumi, The Kyushu United Team in the Four Legged Robot, Dept. of Artificial Intelligence, Kyushu Institute of Technology, 2002. [7] Pratt, William K., Digital Image Processing, 3rd Ed., John Wiley & Sons, New York, 2001 [8] Rinaldy, Wendi., Analisa Operator Pendeteksi Edge dengan Teknik Spasial Domain, Jurusan Elektro Fakultas Teknik Universitas Indonesia, 1997, Jakarta. [9] S, Deshmukh K, Shinde G.N. An adaptive color image segmentation. 2005
133
