Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
1
Pengukuran Kemiripan Citra Berbasis Warna, Bentuk, dan Tekstur Menggunakan Bayesian Network
Rizki Pebuardi G Pembimbing : 1. Ir. Agus Buono, M.Si., M.Kom. 2. Yeni Herdiyeni, S.Si., M.Kom.
2
CBIR (Content Based Image Retrieval)
Warna Bentuk CBIR Tekstur
3
CBIR (Content Based Image Retrieval)
Praproses Ekstraksi Ciri Pengindeksan Penemuan kembali CBIR adalah…
4
CBIR (Content Based Image Retrieval)
Praproses Ekstraksi Ciri Pengindeksan Penemuan kembali Pengukuran tingkat kemiripan CBIR adalah…
5
Fungsi Pembobotan vs. Bayesian Network
Warna Bentuk Tekstur CBIR adalah… Pembobotan manual : 0.4*warna + 0.3*bentuk tekstur Bayesian network : pembobotan automatis
6
Tujuan Mengimplementasikan dan menganalisis kinerja model Bayesian network Ruang Lingkup Kemiripan Citra Model Bayesian Network Warna HSV-162 Bentuk Edge Direction Histogram Tekstur Co-occurrence matrix
7
Ekstraksi Ciri Warna Histogram 162 (HSV-162) bin 1 bin 2 bin 3 . bin j
Citra RGB Citra HSV Histogram 162
8
Ekstraksi Ciri Bentuk Edge Direction Histogram |G|=|Gx|+|Gy| Citra RGB
Sobel Edge Detector Citra grayscale
9
Ekstraksi Ciri Bentuk Edge Direction Histogram bin 1 bin 2 bin 3 .
bin j bin 72 Citra RGB Sobel Edge Detector Θ = tan(Gy/Gx) Citra grayscale
10
Ekstraksi Ciri Tekstur
Co-occurrence Matrix 19 1 .. 5 347 80 17 2 57 47 31 3 28 36 68 Citra RGB Citra grayscale Co-occurrence matrix 16 x 16 Distance = 1, angle = 00, 450, 900, 1350
11
Ekstraksi Ciri Tekstur
Co-occurrence Matrix energy moment entropy maxProb contrast correl homog
12
Model Bayesian network
13
Model Bayesian network
14
Model Bayesian network
15
Pengukuran Kemiripan Formula Bayes Cosine Similarity
16
Model Bayesian network
(Rodrigues & Araujo 2004) Warna Citra j di basis data Citra kueri bin 1 bin 2 .. bin 162 bin 1 bin 2 .. bin 162 Cosine Similarity
17
Model Bayesian network
(Rodrigues & Araujo 2004) Bentuk Citra j di basis data Citra kueri bin 1 bin 2 .. bin 72 bin 1 bin 2 .. bin 72 Cosine Similarity
18
Model Bayesian network
(Rodrigues & Araujo 2004) Tekstur Citra j di basis data Citra kueri energy moment .. homog energy moment .. homog Cosine Similarity
19
Evaluasi Hasil Temu Kembali
Basis data citra Citra relevan |R| Citra yang ditemukembalikan |A| Citra relevan yang ditemukembalikan |Ra|
20
Hasil dan Pembahasan
21
Contoh Hasil Temu Kembali
22
Precision untuk Kelas Mobil
Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.3198 0.4447 0.3764 0.5004 0.2 0.2870 0.4079 0.3320 0.4415 0.3 0.2641 0.3936 0.3083 0.4005 0.4 0.2382 0.3791 0.2901 0.3657 0.5 0.2230 0.3643 0.2797 0.3415 0.6 0.2092 0.3408 0.2685 0.3200 0.7 0.1993 0.3171 0.2586 0.3016 0.8 0.1933 0.2887 0.2495 0.2838 0.9 0.1877 0.2348 0.2243 0.2536 1 0.1755 0.1654 0.1890 0.1915 Rataan 0.2997 0.3942 0.3433 0.4000
23
Kelas Mobil
24
Precision untuk Kelas Singa
Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.4746 0.2290 0.2557 0.5514 0.2 0.4104 0.2244 0.2025 0.4455 0.3 0.3794 0.2201 0.1783 0.3818 0.4 0.3475 0.2111 0.1590 0.3160 0.5 0.3163 0.2045 0.1512 0.2707 0.6 0.2965 0.2013 0.1393 0.2389 0.7 0.2748 0.1948 0.1120 0.2127 0.8 0.2552 0.1829 0.1093 0.1889 0.9 0.2313 0.1738 0.1096 0.1681 1 0.1156 0.1349 0.1100 0.1373 Rataan 0.3729 0.2706 0.2297 0.3556
25
Kelas Singa
26
Precision untuk Kelas Matahari Terbenam
Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.3494 0.3356 0.4171 0.5608 0.2 0.2919 0.2624 0.3762 0.5095 0.3 0.2552 0.2194 0.3269 0.4703 0.4 0.2272 0.1972 0.3009 0.4296 0.5 0.2070 0.1769 0.2852 0.3782 0.6 0.1868 0.1602 0.2589 0.3285 0.7 0.1720 0.1457 0.2373 0.2809 0.8 0.1560 0.1319 0.2146 0.2291 0.9 0.1379 0.1171 0.1625 0.1748 1 0.1121 0.0946 0.1232 0.1128 Rataan 0.2814 0.2583 0.3366 0.4068
27
Kelas Matahari Terbenam
28
Precision untuk Kelas Tekstur
Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.4071 0.4418 0.5205 0.5780 0.2 0.3663 0.3701 0.4950 0.5396 0.3 0.3162 0.3210 0.4865 0.5214 0.4 0.2858 0.2939 0.4724 0.4956 0.5 0.2638 0.2671 0.4502 0.4591 0.6 0.2485 0.2513 0.3979 0.4091 0.7 0.2359 0.2317 0.3438 0.3536 0.8 0.2223 0.2079 0.2706 0.2880 0.9 0.2004 0.1782 0.2247 0.2303 1 0.1676 0.1609 0.1602 0.1637 Rataan 0.3376 0.3385 0.4383 0.4580
29
Kelas Tekstur
30
Precision untuk Kelas Gajah
Recall Warna Bentuk Tekstur Bayes 1.0000 0.1 0.2876 0.5017 0.2196 0.4178 0.2 0.2027 0.4594 0.1967 0.3404 0.3 0.1871 0.4175 0.1724 0.3007 0.4 0.1725 0.3831 0.1627 0.2665 0.5 0.1668 0.3525 0.1547 0.2517 0.6 0.1620 0.3196 0.1486 0.2298 0.7 0.1533 0.2866 0.1393 0.2096 0.8 0.1428 0.2469 0.1370 0.1914 0.9 0.1292 0.2095 0.1323 0.1697 1 0.1028 0.1461 0.1069 0.1287 Rataan 0.2461 0.3930 0.2337 0.3187
31
Kelas Gajah
32
Precision untuk Semua Kelas
Recall Warna Bentuk Tekstur Bayes Peningkatan (%) 1.0000 0.0000 0.1 0.4008 0.3346 0.3557 0.4860 0.2 0.3448 0.2859 0.3129 0.4221 0.3 0.3058 0.2580 0.2803 0.3779 0.4 0.2754 0.2407 0.2577 0.3396 0.5 0.2568 0.2221 0.2396 0.6 0.2395 0.2062 0.2138 0.2714 0.7 0.2237 0.1914 0.1936 0.2426 7.7668 0.8 0.2076 0.1735 0.1729 0.2134 2.6857 0.9 0.1924 0.1522 0.1529 0.1833 1 0.1586 0.1249 0.1266 0.1401 Rataan 0.3277 0.2900 0.3005 0.3620 8.5374
33
Precision untuk Semua Kelas
34
Kesimpulan Saran Berhasil mengimplementasikan Bayesian Network
Bayesian Network memberikan bobot berdasarkan informasi citra yang dominan Bayesian network meningkatkan nilai precision Saran Menggunakan metode ekstraksi ciri yang lebih bagus
35
Daftar Pustaka Baeza-Yates R dan Berthier Ribeiro-Neto Modern Information Retrieval. New York : Addison Wesley. Gonzalez RC, et al Digital Image Processing Using Matlab. New Jersey : Pearson Prentice Hall. Han J, Ma KK Fuzzy Color Histogram and Its Use in Color Image Retrieval. IEEE Transaction on Image Processing, vol. 11, no. 8, Hong JZ, Aditya Vailaya dan Anil Jain. On Image Clasification : City Images vs. Landscapes. Michigan : Department of Computer Science, Michigan State University. Neapolitan RE Learning Bayesian Networks. Illinois : Prentice Hall. Rodrigues PS & Arnaldo de Albuquerque Araujo A Bayesian Network Model Combining Color, Shape and Texture Information to Improve Content Based Image Retrieval Systems. LNCC, Petropolis, Brazil. Russell S & Peter N Artificial Intelligence, A Modern Approach. New Jersey : Prentice Hall. Russell S & Peter N Artificial Intelligence A Modern Approach, Second Edition. New Jersey : Prentice Hall. Vertan C & Nozha Boujemaa Using Fuzzy Histogram and Distances for Color Image Retrieval. Challenge of Image Retrieval, Brighton. Wahyuningsih Y Metode Hough Transform untuk Ekstraksi Ciri Bentuk pada Citra Bunga [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Vailaya A & Anil Jain Image Retrieval Using Color and Shape. Michigan : Michigan State University. Vailaya A Shape-Based Image Retrieval [thesis]. Michigan : Michigan State University.
36
Terima Kasih
Presentasi serupa
