cbir (indo).pdf

CBIR Based on Colour Fiture Extraction with Java

Agus Sumarna

Undergraduate Program, Faculty of Industrial Engineering, 2010

Gunadarma University

http://www.gunadarma.ac.id

Keywords: CBIR, Global Color Histogram, Local Color Histogram, Euclidean.

ABSTRACT

Text-based image retrieval techniques that exist today can not be used to represent the

image that we seek in an image database, which is often obtained by the image search results

that are not desirable, because we must know the right keywords in accordance with the

image file name to obtain the image we want. To overcome the problem of image retrieval,

one solution is to use CBIR.

Content-Based Image Retrieval (CBIR) or image retrieval is an image retrieval

method by doing a comparison between the query image features with image features that

exist in the database (Query by Example). CBIR method is often used similarity search based

on color features, shape, and texture. As for calculating the similarity of color features using

Euclidean distance.

On this basis the author are encouraged to conduct research and manufacture of image

search application based on color feature extraction using 2 types of histograms of the Global

Color Histogram (GCHs), and Local Color Histogram (LCHs). So that it can be seen

comparing the search results using the method GCHs with the search results using the method

LCHs or use both types of these histograms. So get a color-based image search results more

accurate.

ABSTRAKSI

Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk

merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali

diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus

mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang

kita inginkan. Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah

dengan menggunakan CBIR.

Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu metode

pencarian citra dengan melakukan perbandingan antara fitur citra queri dengan fitur citra

yang ada di database (Query by Example). Metode CBIR yang sering digunakan adalah

pencarian berdasarkan kemiripan fitur warna, bentuk, dan tekstur. Sedangkan untuk

menghitung kemiripan fitur warna tersebut menggunakan metode Euclidean distance.

Atas dasar itulah penulis terdorong untuk melakukan penelitian dan pembuatan

aplikasi pencarian citra berdasarkan ekstraksi fitur warna dengan menggunakan 2 tipe

histogram yaitu Global Color Histogram(GCHs), dan Local Color Histogram(LCHs).

Sehingga bisa dilihat perbandingan hasil pencarian menggunakan metode GCHs dengan hasil

pencarian menggunakan metode LCHs ataupun menggunakan kedua tipe histogram tersebut.

Sehingga mendapatkan hasil pencarian citra berbasis warna yang lebih akurat.

Kata kunci : CBIR, Global Color Histogram, Local Color Histogram, Euclidean.

PENDAHULUAN

Kebutuhan informasi dalam bentuk citra sangat berkembang pesat seiring dengan

bertambahnya koleksi citra yang ada didalam database citra berskala besar. Informasi citra

tersebut banyak dibutuhkan diberbagai bidang. Seperti bidang perdagangan untuk katalog

barang, kepolisian untuk pelacakan tindak kriminalitas melalui citra wajah atau sidik jari,

kedokteran untuk citra hasil rongent, dan masih banyak lagi pemanfaatan informasi dalam

bentuk citra di bidang yang lainnya.

Teknik pencarian citra berbasis teks yang ada saat ini belum dapat digunakan untuk

merepresentasikan citra yang kita cari didalam sebuah database citra, sehingga seringkali

diperoleh hasil pencarian citra yang tidak sesuai dengan yang diinginkan karena kita harus

mengetahui kata kunci yang tepat sesuai dengan nama file citra untuk memperoleh citra yang

kita inginkan.

Untuk mengatasi masalah pencarian citra tersebut, salah satu solusinya adalah dengan

menggunakan Content-Based Image Retrieval (CBIR) atau temu kembali citra yaitu suatu

metode pencarian citra dengan melakukan perbandingan antara fitur citra kueri dengan fitur

citra yang ada di database (Query by Example). Metode CBIR yang sering digunakan adalah

pencarian berdasarkan kemiripan fitur warna, bentuk, dan tekstur [4].

Dalam CBIR terdapat banyak metode pencarian citra. Salah satu metode yang dipakai

adalah pencarian citra berdasarkan ekstraksi fitur warna. Dalam CBIR berbasis warna yang

dilihat bukan kemiripan dari citra, melainkan kemiripan dari sebaran warna pada citra yang

diperbandingkan. Secara umum untuk CBIR berbasis warna dikenal metode histogram warna.

Histogram warna memiliki 2 tipe yaitu Global Color Histograms (GCHs) dan Local Color

Histograms (LCHs) [5].

Saat ini penelitian mengenai CBIR berbasis warna dengan metode histogram warna

masih terbuka luas. Atas dasar itulah penulis terdorong untuk melakukan penelitian dan

pembuatan aplikasi pencarian citra berdasarkan ekstraksi fitur warna dengan menggunakan 2

tipe histogram. Sehingga bisa dilihat perbandingan hasil pencarian menggunakan metode

GCHs dengan hasil pencarian menggunakan metode LCHs ataupun menggunakan kedua tipe

histogram tersebut. Sehingga mendapatkan hasil pencarian citra berbasis warna yang lebih

akurat.

METODE PENELITIAN

Metode penelitian yang dilakukan terdiri dari beberapa tahap:

Analisa dan Studi Literatur

Mengindentifikasi masalah, mengumpulkan dan menganalisis informasi-informasi

baik dari artikel situs web, Jurnal, dan buku-buku yang berhubungan dengan teori-

teori dasar tentang Content-Based Image Retrieval, histogram warna,

pemrograman Java, Netbeans, database Derby, dan tutorial JfreeChart untuk

menampilkan histogram.

Perancangan

Pada tahap ini dirancang sistem retrival citra dengan menggunakan bahasa

pemrograman Java, dan editor Netbeans. Tahap ini juga meliputi coding,

perancangan user interface, dan merancang database yang digunakan.

Implementasi dan Evaluasi

Pada tahap ini dilakukan pengujian pada program untuk melihat hasil dari

pencarian citra. Semua hasil yang diperoleh pada tahap pengujian akan dievaluasi.

Hasil evaluasi ini akan diambil kesimpulan yang merupakan jawaban atas

permasalahan CBIR.

TINJAUAN PUSTAKA

Content-Base Image Retrieval.

Content-Based Image Retrieval (CBIR) atau temu kembali citra adalah metode yang

digunakan untuk melakukan pencarian citra digital pada suatu database citra. Yang dimaksud

dengan "Content-Based" di sini adalah : objek yang dianalisa dalam proses pencarian itu

adalah actual contents (kandungan aktual) sebuah citra. Istilah konten pada konteks ini

merujuk pada warna, bentuk, tekstur, atau informasi lain yang didapatkan dari citra tersebut.

Proses umum dari CBIR adalah pada citra yang menjadi query dilakukan proses

ekstraksi fitur (image contents), begitu halnya dengan citra yang ada pada basis data citra

juga dilakukan proses seperti pada citra query. Parameter fitur citra yang dapat digunakan

untuk retrieval pada system ini dapat berupa histogram, susunan warna, teksture, dan shape,

tipe spesifik dari objek, tipe event tertentu, nama individu, lokasi, emosi [4].

Awalnya teknik yang dipakai bukan mencari fitur citra melainkan berdasarkan

penambahan deskripsi mengenai citra dalam bentuk teks. Dengan kata lain pertama citra

diberi teks berdasarkan citra tersebut kemudian dilakukan pencarian berdasarkan teks (text

based) mengunakan sistem database manajemen tradisional. Namun karena pembangkitan

teks secara otomatis, mengenai deskripsi spektrum citra, secara detail sulit untuk dilakukan

kebanyakan aplikasi text-based image retrieval saat itu melakukan pemberian teks deskripsi

citra secara manual.

Penelitian dan pengembangan image retrieval dimulai pada sekitar 1970-an. Pada

tahun 1979, sebuah konferensi mengenai Database Tehcniques for Pictorial Application

diadakan di Florida. Sejak itu aplikasi dalam melakukan manajemen database citra menarik

perhatian para peneliti.

Gambar 1. Diagram Arsitektur CBIR (Torres, 2006).

Dalam diagram diatas. Dapat dilihat bahwa CBIR dibagi menjadi 3 bagian yaitu :

bagian interface, bagian Query Processing Module, dan bagian Image Database. Untuk

penjelasanya adalah sebagai berikut :

1. Bagian pertama adalah interface yang merupakan bagian untuk interaksi antara

pengguna dengan sistem CBIR melalui aplikasi GUI (Graphical User Interface).

Sedangkan didalamnya terdapat sub bagian :

Data Insertion yang digunakan user untuk memasukan citra yang akan di

ekstraksi.

Query Specification untuk menentukan citra yang akan dijadikan citra

query serta menentukan metode ekstraksi fitur. Dalam penelitian ini,

penulis menggunakan metode ekstraksi local color histogram dan global

color histogram.

Visualization untuk menampilkan citra query dan citra hasil pencarian.

2. Bagian kedua adalah Query-processing module. Sedangkan didalamnya terdapat

sub bagian :

feature vector extraction yang digunakan untuk mengekstraksi baik citra

yang ada didatabase citra maupun citra query.

Similarity Computation digunakan untuk menghitung kesamaan fitur citra.

Ranking digunakan untuk mengurutkan citra yang memiliki tingkat

kemiripan dengan citra query.

3. Bagian ketiga adalah Image Database. Sedangkan didalamnya terdapat sub bagian

Feature Vectors yang digunakan untuk menyimpan hasil ekstraksi fitur

citra. Dan disimpan didalam database derby.

Images merupakan database citra yang secara fisik berupa folder yang

didalamnya terdapat kumpulan citra.

Tipe Histogram Citra

Histogram warna terdiri dari dua tipe, Global Color Histograms (GCHs) dan Local

Color Histograms (LCHs). Pada penggunaan GCH, distribusi warna global suatu citra

diambil dan digunakan sebagai metada. Jika pengguna mencari citra dengan yang dalam

sistem databasenya hanya memperhatikan distribusi warna global suatu citra, memang, GCH

adalah pilihan terbaik. Walaupun demikian, karena GCH hanya mengambil distribusi warna

global suatu citra sebagai pertimbangan untuk membandingkan citra, ini bisa mengembalikan

hasil yang tidak sesuai dengan persepsi visual.

Misalkan ada tiga citra yang telah dikuantisasi menjadi tiga warna: hitam, abu-abu,

dan putih (citra 4.3). Misalkan citra A adalah query image, sedangkan citra B dan C adalah

citra-citra dalam database.

Citra A Citra B Citra C

Gambar 2. Tiga citra yang terkuantisasi menjadi 3 warna

Dibawah ini adalah tabel rincian Global Color Histogram dari 3 citra diatas yaitu

image A, image B, dan Image C :

Tabel 1. GCHs Citra A, B, dan C

Citra Hitam Abu-abu Putih

A 37.5% 37.5% 25%

B 31.25% 37.5% 31.25%

Sedangkan Distribusi warna (GCH) tiga citra diatas adalah seperti pada

tabel. Maka, jarak antara citra A dengan citra B dan C adalah :

d(A,B) = |0.375 - 0.3125| + |0.375 - 0.375| + |0.25-0.3125| = 0.125

d(A,C) = |0.375 - 0.375| + |0.375 - 0.375| + |0.25 - 0.25| = 0

Dari hasil pembandingan, citra C ternyata ditemukan lebih mirip daripada citra B

(karena jarak C lebih kecil). Padahal, sesuai dengan persepsi, yang lebih mirip dengan citra A

sebenarnya adalah citra B. Global Color Histogram merepresentasikan keseluruhan bagian

citra dengan satu histogram. Sedangkan Local Color Histogram membagi citra menjadi

beberapa bagian dan kemudian mengambil histogram warna tiap bagian tadi. LCH memang

berisi lebih banyak informasi tentang citra, namun metode ini membutuhkan lebih banyak

proses komputasi [6].

PEMBAHASAN

Data Citra

Dalam penelitian ini menggunakan citra sebagai objek penelitian. Berikut adalah rincian citra

yang penulis gunakan :

1. Menggunakan citra berwarna RGB.

2. Format citra yang digunakan adalah format JPEG, JPG, PNG, dan GIF.

3. Dimensi citra berbeda-beda, namun citra disesuaikan ukuran dimensinya (sekitar

200 x 180) agar lebih cepat dalam pemrosesan citra.

4. Jumlah citra 30 citra yang dibagi menjadi 3 kategori.

Pengelompokan Citra

Dalam penelitian ini, penulis mengelompokan citra kedalam 3 (tiga) yaitu :

C 37.5% 37.5% 25%

1. Kategori citra binatang : 10 buah.

2. Kategori citra bunga mawar : 10 buah.

3. Kategori citra mobil bus : 10 buah.

Gambar 3. Kategori Binatang

Gambar 4. Kategori Bunga Mawar

Gambar 5. Kategori Mobil Bus

Implementasi Rancangan Aplikasi Desktop

Berikut penulis akan menjelaskan mengenai tampilan yang terdapat pada aplikasi

desktop dan fungsi dari menu-menu yang terdapat pada aplikasi.

Tampilan Menu Utama

Gambar 6. Menu Utama Aplikasi

Hasil Uji Coba

Hasil Pencarian Pada Kategori Citra Binatang

Gambar 12 Hasil Query LCHs Pada Kategori Binatang

Gambar 13 Hasil Query GCHs Pada Kategori Binatang

Gambar 14 Hasil Query GCHs+LCHs Pada Kategori Binatang

Tabel 2. Hasil Pencarian Pada Kategori Binatang

No Nama Metode Jumlah

Citra

Waktu Pencarian

(Detik)

1 Local Color Histogram (LCHs) 6 0

2 Global Color Histogram (GCHs) 4 0

3 LCHs + GCHs 4 1

Sedangkan tabel 3 dibawah ini merupakan rincian dari hasil pencarian citra menggunakan

metode Local Color Histogram (LCHs) dengan menggunakan citra bus pada kategori binatang. Pada

tabel dibawah terdapat data citra query, jarak Euclidean, dan histogram dari masing-masing citra.

Jarak Euclidean dan susunan citra sudah terurut berdasarkan nilai jarak Euclidean.

Hasil Pencarian Pada Kategori Citra Mawar

Gambar 15 Hasil Query LCHs Pada Kategori Bunga Mawar

Gambar 16 Hasil Query GCHs Pada Kategori Bunga Mawar

Gambar 17 Hasil Query GCHs+LCHs Pada Kategori Bunga Mawar

Tabel 4 Hasil Pencarian Pada Kategori Bunga Mawar

No Nama Metode Jumlah Waktu Pencarian

Citra (Detik)



3 LCHs + GCHs 5 0

Hasil Pencarian Pada Kategori Citra Bus

Gambar 18. Hasil Query LCHs Pada Kategori Bus

Gambar 19. Hasil Query GCHs Pada Kategori Bus

Gambar 20. Hasil Query GCHs Pada Kategori Bus

Tabel 5 Hasil Pencarian Pada Kategori Binatang


Citra

Waktu Pencarian

(Detik)



3 LCHs + GCHs 6 0

Hasil Pencarian Pada Semua Kategori

Gambar 21. Hasil Query LCHs Pada Semua Kategori

Gambar 22. Hasil Query GCHs Pada Semua Kategori

Gambar 23. Hasil Query GCHs+LCHs Pada Semua Kategori

Tabel 6. Hasil Pencarian Pada Semua Kategori


Citra

Waktu Pencarian

(Detik)



3 LCHs + GCHs 15 1

PENUTUP

Kesimpulan

Setelah melalui serangkaian ujicoba dan analisis, dapat ditarik beberapa kesimpulan

dari proses CBIR berdasarkan ekstraksi fitur warna yaitu metode Local Color Histogram,

menghasilkan citra hasil pencarian yang jumlahnya banyak secara kuantitas, dan hasil

pencariannya terpegaruh oleh citra geometri misalnya citra yang dirotasi. Sehingga tidak

efektif secara kualitas. karena ada citra yang penyebaran warnanya jauh namun tetap

ditampilkan sebagai hasil pencarian.

Sedangkan metode Global Color Histogram, menghasilkan citra hasil pencarian yang

lebih sedikit secara kuantitatif dibandingkan dengan hasil pencarian Local Color Histogram,

dan hasil pencariannya tidak terpengaruhi oleh citra geometri. Sehingga lebih efektif karena

hanya menampilkan citra yang mempunyai penyebaran warna yang mirip dengan citra query

nya.

Saran

Aplikasi CBIR ini masih terdapat kekurangan, terutama saat melakukan query citra.

Karena jika query citra yang ada didatabase citra ukuranya atau dimensinya terlalu besar,

maka aplikasi CBIR akan berhenti melakukan query atau terjadi error. Oleh karena itu untuk

pengembangan kedepannya harus diadakan proses resize atau perubahan ukuran citra

database, agar proses query bisa berjalan lebih cepat.

DAFTAR PUSTAKA

[1] Ariesto H.S, Fajar Masya, Pemrograman Berorientasi Objek dengan Java, Graha

Ilmu : Jakarta, 2004.

[2] Herry Suharto, dkk, Pemrograman GUI Swing Java dengan Netbeans 5, Penerbit

Andi : Yogyakarta, 2006.

[3] Rafael C.Gonzales, Paul Wintz, Second Edition : Digital Image Processing, Addison-

Wesley Publishing Company, 1987.

[4] Sagarmay Deb, Multimedia Systems and Content-Base Image Retrieval, Idea Group

Publishing, 2004.

[5] Shengjiu Wang, A Robust CBIR Approach Using Local Color Histograms,

Department of Computer Science, University of Alberta, Edmonton, Alberta, Canada,

Tech. Rep. TR 01-13, October 2001.

[6] YanuWidodo,http://ilmukomputer.org/wp-content/uploads/2009/10/yanuwid-cbir.pdf,

Penggunaan Color Histogram Dalam Image Retrieval, 12 Juni 2010.

[7] ______, http://www.java2s.com/Tutorial/Java/0340_Database/Connectto

Derbydatabase.htm, Connect to Derby database, 27 Juli 2010

[8] _______, http://www.the-crankshaft.info/2010/07/content-based-image-retrieval-

query.html, Content-Based Image Retrieval Query Paradigms , 30 Juli 2010

Documents

cbir (indo).pdf