Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Feature / Ciri / Object Descriptor

Presentasi serupa


Presentasi berjudul: "Feature / Ciri / Object Descriptor"— Transcript presentasi:

1 Feature / Ciri / Object Descriptor
Dr. Aniati Murni (R 1202) Dina Chahyati, MKom (R 1226) Fakultas Ilmu Komputer Universitas Indonesia ©AniatiMurni

2 Definisi Feature / Ciri / Object Deskriptor
Feature atau ciri (fitur) merupakan suatu deskriptor yang menggambarkan karakteristik dari obyek. Kita akan mempelajari regional descriptor. Kemudian akan dilanjutkan dengan ciri tonal / warna dan ciri tekstur.

3 Beberapa Regional Descriptors
Area of a region: dinyatakan dengan jumlah piksel yang ada pada wilayah tersebut. Perimeter of a region: dinyatakan dengan panjang (jumlah piksel yang ada pada) garis batas wilayah tersebut. Region compactness descriptor: dinyatakan dengan perimeter2 / area. Region spread: dinyatakan dengan eigen values. Region spread descriptor: dinyatakan dengan ratio antara largest eigen value / smallest eigen value

4 Penggunaan region compactness dan region spread descriptors (Sumber: Jain, 1990)
Obyek: Jenis Mur, Sekrup dan Pin Diagram Dua Ciri Pembeda Obyek

5 Topology: definition and properties
Topology is a study of properties of a figure that are unaffected by any deformation, as long as there is no tearing and joining of the figure (Gonzales & Woods, 1992) Topology properties: Euler number E: E = C – H C = number of connected components H = number of holes

6 Region with connected component and holes

7 Representasi Data Wilayah
Vector: area (polygon) Raster: relational table Raster : quadtree

8 Representasi Vektor – Polygon-based
Wilayah dinyatakan dalam representasi polygon, yaitu list dari titik-titik (x,y) yang terhubung membentuk closed loop.

9 Representasi Raster – Relational Table
Wilayah dinyatakan dalam table yang terdiri dari record dengan attribute-attribute-nya.

10 Representasi Raster - Quadtree
Quadtree data structure: Representasi Quadtree:

11 Ciri tonal / warna Ciri tonal atau warna dikenal sebagai ciri primer (primary features), merupakan tingkat keabuan citra hasil perekaman obyek Ciri tonal bersifat 1-dimensi sedangkan ciri warna bersifat n-dimensi. Contoh ciri warna: Piksel yang direpresentasi dengan format RGB (Red Green Blue) – setiap piksel dinyatakan dengan besaran Red, besaran Green dan besaran Blue Citra multispektral – setiap piksel direpresentasi dengan respon pada kanal (panjang gelombang) 1, kanal 2, … dan seterusnya.

12 Ciri tonal : citra inderaja pankromatik
Ciri tonal merupakan ciri primer (primary features), sensor SPOT pankromatik (gray levels), jumlah band 1, resolusi brightness 256 dan resolusi spasial 10 m2.

13 Ciri warna : citra inderaja multispektral
Ciri warna merupakan ciri primer (primary features), sensor Landsat TM, jumlah band 7, resolusi brightness 256 dan resolusi spasial 30 m2.

14 Texture Features (Sumber: Gonzales & Woods, 1992)
Texture descriptors may be used to describe a region. No formal definition of texture exists. Intuitively, the descriptors provide measures of properties such as smoothness, coarseness, and regularity.

15 Quality Of Textures (Sumber: MSU, 1990)

16 Natural Textures (Sumber: Album BRODATZ)

17 Hypothetical Textures (Sumber: Suyanto, 1990)

18 Texture Features Computation
Texture measures depending on the statistical distribution of its neighbourhood intensities. Contoh komputasi ciri tekstur: Pendekatan statistik: Lokal (mean, maximum and minimum), ciri moment, GLCM (Gray Level Co-occurrence Matrix) Pendekatan spektral: spektrum Fourier Suatu area dinyatakan bertekstur bila varian lokalnya relatif tinggi

19 Pendekatan Statistik - Moments (1)
Penggunaan moments of the gray-level histogram z adalah discrete pixel intensity (i = 1,2, … L) dan p(zi) adalah histogramnya, maka nth moment of z about mean adalah: dengan m adalah mean dari z (average intensity):

20 Pendekatan Statistik - Moments (2)
Selain menjelaskan bentuk tekstur melalui bentuk histogramnya: 2nd moment merupakan ukuran kontras (relative smoothness) 3rd moment menjelaskan skewness dari histogram 4th moment menjelaskan flatness dari histogram Kelemahan pengukuran tekstur berdasarkan histogram (distribusi intensitas) adalah: tidak membawa informasi tentang letak piksel-piksel yang mempunyai intensitas sama atau hampir sama.

21 Pendekatan Statistik – GLCM (3)

22 Pendekatan Statistik - GLCM (4)

23 Pendekatan Spektral – Spektrum Fourier (1) (Sumber: D
Pendekatan Spektral – Spektrum Fourier (1) (Sumber: D. Brzakovic, University of Tennessee) Location of peaks menunjukkan fundamental spatial period of texture pattern Citra Tekstur Plot of S( )

24 Pendekatan Spektral – Spektrum Fourier (2) (Sumber: D
Pendekatan Spektral – Spektrum Fourier (2) (Sumber: D. Brzakovic, University of Tennessee) Transformasi Fourier: dalam koordinat polar (r, ), koefisien Fourier adalah bilangan kompleks r = magnitude = Features yang diekstraksi dari spektrum Fourier adalah: Jumlah peaks

25 Primary and Secondary Features
Primary features: citra satelit yang memuat data permukaan bumi merupakan feature image dan merupakan primary feature; begitu juga citra medis dlsb.nya Bila identifikasi obyek-obyek yang ada pada citra tidak dapat dikenali berdasarkan primary features maka kita melakukan ekstraksi ciri (feature extraction) dari citra yang ada. Ciri obyek yang diperoleh merupakan secondary features, seperti ciri bentuk, ciri tekstur sebagai hasil transformasi tekstur dlsb.nya. Secondary features diperoleh dari transformasi primary features.


Download ppt "Feature / Ciri / Object Descriptor"

Presentasi serupa


Iklan oleh Google