06.30
afi team
Semantik citra adalah kandungan makna/tema yang dimiliki oleh citra. Interpretasi semantik citra tidak saja diperoleh
dari informasi warna, bentuk dan tekstur citra, namun dipengaruhi juga oleh pengetahuan objek-objek lainnya (prior
semantik and contextual knowledge). Pada Gambar 1, berdasarkan tingkat pengetahuan, interpretasi semantik citra dibagi
menjadi tiga yaitu (Fisher, 1987):
1. berdasarkan informasi warna atau bentuk atau tekstur citra (image level): ekstraksi citra dalam bentuk data numerik
2. berdasarkan bentuk citra secara visual (visual level) yang diperoleh dari data numerik citra
3. berdasarkan konsep semantik (semantic level)
Algoritma Ekstraksi Semantik Fragmen Citra
Ekstraksi semantik fragmen citra adalah tahapan pemilihan ciri (feature selection) pada klasifikasi objek untuk
mendapatkan bagian citra (fragment) yang memiliki kemiripan semantik. Algoritma yang digunakan adalah Mutual
Information (MI) (Epshtein dan Ullman, 2005). MI akan memaksimumkan informasi mengenai klas citra pada setiap
fragmen citra. Algoritma MI akan secara otomatis melakukan ektraksi semantik fragmen citra pada sebuah klas citra.
Input algoritma adalah sejumlah citra yang berada pada klas yang sama dan sebuah root fragment (F) sebagai citra
referensi untuk mengukur kesamaan semantik. Algoritma akan mendeteksi fragmen pada lokasi citra yang berbeda
dengan berbagai ukuran pxq dan mendeteksi fragment yang memiliki informasi maksimal terhadap F. Kumpulan
fragmen yang berhasil dideteksi disebut dengan kandidat fragment. Selanjutnya setiap kandidat fragmen tersebut
dilakukan perhitungan MI untuk mendapatkan fragmen yang memiliki informasi maksimal mengenai klas. Mutual
Information didefinisikan sebagai berikut:
I (C,F) = H(C) − H(C | F)
dengan I(C,F) adalah mutual information (MI) antara root fragment atau fragmen referensi (F) dengan klas citra (C) dan
H adalah entropy citra. Variable C dan F merupakan variable biner: F = 1 jika fragmen referensi terdapat pada citra dan
F=0 jika fragmen tidak terdapat pada citra. Sedangkan C=1 jika citra merupakan anggota dari klas yang diamati. Nilai
MI ditentukan dari frekuensi kemunculan fragmen referensi (F) pada sejumlah citra pada klas yang sama. Entropy
merupakan variable acak yang didefinisikan dengan:
− ΣP(x) log(P(x))
Dengan demikian persamaan untuk menghitung mutual information I(C,F) adalah sebagai berikut:
( )(( ( | ) ( ( | ) ( | ) ( ( | )))
( , ) ( ) ( ( )) ( ) ( ( )) ( )(( ( | ) ( ( | )) ( | ) ( | )))
_ _ _ _ _ _ _
_ _ _ _
P F P C F Log P C F P C F Log P C F
I C F P C Log P C P C Log P C P F P C F Log P C F P C F LogP C F
+ +
= − − + +
Untuk memilih fragmen yang memiliki informasi maksimal diperlukan nilai ambang (threshold) yang berbeda untuk setiap citra.
MENGENAL SEMANTIK CITRA – BAGIAN I
Ketika kita mengamati sebuah lukisan yang didalamnya terdapat gunung, air yang mengalir, pepohonan, dan burung yang sedang terbang, kita mengenal lukisan ini adalah lukisan pemandangan. Kemampuan manusia untuk mengenali gambar tidak terlepas dari pengalamannya melihat berbagai jenis gambar sehingga mampu membedakannya satu sama lain. Setelah menghubungkan satu objek dengan objek lainnya, maka kita baru bisa menjelaskan tema gambar atau melakukan penafsiran (interpretation) gambar. Interpretasi tema/konsep citra disebut dengan semantik citra.
Gambar atau citra memiliki karakteristik visual yang terdiri dari warna, bentuk dan tekstur. Pengenalan pada tahap karakteristik visual disebut dengan persepsi. Persepsi adalah tanggapan (penerimaan) langsung terhadap sebuah objek berupa karakteristik visual tanpa melakukan interpretasi.
Jika saja sistem computer memiliki kemampuan seperti manusia dalam menejelaskan semantic citra, maka dapat dipastikan kita dapat mencari gambar digital yang disimpan dalam computer dengan mudah. Namun, kemampuan manusia menjelaskan semantik citra dengan cepat, bukan hal yang sederhana untuk dilakukan oleh komputer. Sudah banyak penelitian dalam bidang image retrieval dikembangkan untuk membuat komputer mampu menjelaskan semantic citra. Dalam banyak penelitian, karakteristik citra seperti warna, bentuk dan tekstur digunakan untuk pencarian citra. Pencarian citra melalui karakteristik citra disebut dengan content-based image retrieval (CBIR).
Pengenalan citra dimulai dengan melakukan ekstraksi ciri (feature extraction), yaitu mengenali citra berdasarkan karakteristik citra. Berdasarkan hasil survey [], perkembangan penelitian CBIR dalam hal ekstraksi ciri dapat dikelompokkan menjadi 3 (tiga) yaitu berbasis global (global-based), berbasis regional (region-based) dan berbasis lokal (local-based).
Global-based
Pengenalan citra berbasis global menggunakan informasi seluruh bagian citra. Salah satu metode berbasis global-based yang banyak paling banyak digunakan adalah histogram warna []. Namun metode ini memiliki kelemahan yaitu hanya menghitung frekuensi piksel citra sehingga sangat sensitive terhadap perubahan cahaya dan geometris. Akibatnya dua buah citra yang memiliki warna dan posisi geometris yang berbeda akan dikenali sebagai dua buah citra yang berbeda, walaupun secara semantic kedua citra tersebut sama. Perhatikan Gambar dibawah ini:
Dengan pendekatan berbasis global, maka kedua citra tersebut akan dikenali sebagai citra yang berbeda.
Region-based
Pada dasarnya manusia mengenali citra berdasarkan objek yang dikandung pada citra tersebut. Oleh karena itu kemudian berkembang pendekatan regional dimana citra disegmentasi menjadi beberapa regional yang merepresentasikan objek.
Namun metode ini juga memiliki kelemahan, yaitu pada saat segmentasi citra. Sampai saat ini belum ada teknik segmentasi citra yang dapat melakukan segmentasi dengan baik. Hasil segmentasi seringkali tidak sesuai dengan objek yang diinginkan. Perhatikan gambar di bawah ini:
Local-based
Oleh karena itu untuk mengatasi masalah segmentasi pada pendekatan regional, kemudian berkembang pendekatan lokal. Pada pendekatan ini citra dibagi menjadi beberapa blok citra yang berukuran sama. Dengan demikian pada pendekatan lokal tidak membutuhkan segmentasi.
Namun pada pendekatan lokal, setiap blok citra tidak memiliki makna. Akibatnya pendekatan lokal tidak mampu menjelaskan hubungan konseptual antar blok citra.
Adanya permasalahan tersebut, maka pendekatan lokal berkembang menjadi pendekatan bagian (part-based). Pada pendekatan bagian akan, akan dideteksi bagian-bagian penting dari citra yang mampu menjelaskan semantik citra. Pendekatan ini disebut juga dengan pendekatan generative. Berikut contoh dari pendekatan bagian.
Untuk mendapatkan bagian penting citra, pendekatan generative menggunakan teori Bayes. Dengan teori bayes, tanpa melakukan segmentasi citra, pendekatan bagian dapat mendeteksi bagian penting citra.
Sumber :
1. Datta, R., Joshi, D., Li, J dan Wang, J. (2007). Image Retrieval: Ideas, Influences, and Trend of the New Age. ACM Transaction on Computing Survey.
2. Bimbo, A. (1999). Visual Information Retrieval. Morgan Kauffman
3. Rui, Y., Huang, T. S., dan Chang, S. F. (1999). Image Retrieval: Current Techniques, Promising Direction, and Open Issues. Journal of Visual Communication and Image Representation, 10(1), 39-62.
4. Smeulders, A. W. M. , et al. (2000). Content-based Image Retrieval at The End of The Early Years. IEEE PAMI, 22(12), 1349-1380
5. Zhang, Y. J. (2003). Content-based Visual Information Retrieval. Beijing, China: Science Publisher.
