Ekstraksi ciri citra merupakan tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dikenali/dibedakan dengan objek lainnya.
Ciri
yang telah diekstrak kemudian digunakan sebagai parameter/nilai masukan
untuk membedakan antara objek satu dengan lainnya pada tahapan
identifikasi/ klasifikasi.
Ciri yang umumnya diekstrak antara lain:
- Ekstraksi Ciri Bentuk
- Ekstraksi Ciri Ukuran
- Ekstraksi Ciri Geometri
- Ekstraksi Ciri Tekstur
- Ekstraksi Ciri Warna
1. Ekstraksi Ciri Bentuk
Untuk membedakan bentuk objek satu dengan objek lainnya, dapat menggunakan parameter yang disebut dengan ‘eccentricity’.
Eccentricity merupakan nilai perbandingan antara jarak foci ellips
minor dengan foci ellips mayor suatu objek. Eccentricity memiliki
rentang nilai antara 0 hingga 1. Objek yang berbentuk
memanjang/mendekati bentuk garis lurus, nilai eccentricitynya mendekati
angka 1, sedangkan objek yang berbentuk bulat/lingkaran, nilai
eccentricitynya mendekati angka 0. Penghitungan eccentricity
diilustrasikan pada gambar di bawah ini:
Parameter lainnya yang dapat digunakan untuk membedakan bentuk suatu objek yaitu ‘metric’.
Metric merupakan nilai perbandingan antara luas dan keliling objek.
Metric memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk
memanjang/mendekati bentuk garis lurus, nilai metricnya mendekati angka
0, sedangkan objek yang berbentuk bulat/lingkaran, nilai metricnya
mendekati angka 1. Penghitungan metric diilustrasikan pada gambar di
bawah ini:
2. Ekstraksi Ciri Ukuran
Untuk
membedakan ukuran objek satu dengan objek lainnya dapat menggunakan
parameter luas dan keliling. Luas merupakan banyaknya piksel yang
menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel yang
mengelilingi suatu objek.
3. Ekstraksi Ciri Geometri
Ciri
geometri merupakan ciri yang didasarkan pada hubungan antara dua buah
titik, garis, atau bidang dalam citra digital. Ciri geometri di
antaranya adalah jarak dan sudut. Jarak antara dua buah titik (dengan
satuan piksel) dapat ditentukan menggunakan persamaan euclidean,
minkowski, manhattan, dll. Jarak dengan satuan piksel tersebut dapat
dikonversi menjadi satuan panjang seperti milimeter, centimeter, meter,
dll dengan cara membaginya dengan resolusi spasial. Sedangkan sudut
antara dua buah garis dapat ditentukan dengan perhitungan trigonometri
maupun dengan analisis vektor.
4. Ekstraksi Ciri Tekstur
Untuk
membedakan tekstur objek satu dengan objek lainnya dapat menggunakan
ciri statistik orde pertama atau ciri statistik orde dua. Ciri orde
pertama didasarkan pada karakteristik histogram citra. Ciri orde pertama
umumnya digunakan untuk membedakan tekstur makrostruktur (perulangan
pola lokal secara periodik). Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy.
Sedangkan ciri orde dua didasarkan pada probabilitas hubungan
ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu.
Ciri orde dua umumnya digunakan untuk membedakan tekstur mikrostruktur
(pola lokal dan perulangan tidak begitu jelas). Ciri orde dua antara
lain: Angular Second Moment, Contrast, Correlation, Variance, Inverse Different Moment, dan Entropy. Analisis tekstur juga dapat dilakukan dalam domain frekuensi antara lain menggunakan filter bank gabor.
5. Ekstraksi Ciri Warna
Untuk membedakan suatu objek dengan warna tertentu dapat menggunakan nilai hue yang
merupakan representasi dari cahaya tampak (merah, jingga, kuning,
hijau, biru, ungu). Nilai hue dapat dikombinasikan dengan nilai saturation dan value yang
merupakan tingkat kecerahan suatu warna. Untuk mendapatkan ketiga nilai
tersebut, perlu dilakukan konversi ruang warna citra yang semula RGB
(Red, Green, Blue) menjadi HSV (Hue, Saturation, Value)
Ekstraksi ciri citra merupakan tahapan penting dalam bidang computer vision (pengolahan citra dan pengenalan pola).
Beberapa
hal yang perlu diperhatikan dalam memilih ciri yang tepat yang akan
digunakan sebagai masukan pada tahapan klasifikasi citra antara lain:
1. Secara visual (penglihatan manusia), ciri apakah yang membedakan antara kelas satu dengan kelas lainnya?
2. Domain apakah yang akan kita gunakan untuk mengekstrak ciri tersebut? (domain spasial atau domain frekuensi?)
3. Parameter apa sajakah yang akan dipilih untuk mewakili ciri tersebut?
4. Berapa jumlah parameter yang akan kita gunakan?
5. Ciri lain apakah yang memungkinkan untuk kita kombinasikan?
