Analisis Tekstur - GLCM Oleh:
[email protected] http://softscients.blogspot.com
Manu Manusi sia a meng mengen enal al teks tekstu turr seperti lemb embut dan kasar walaupun tangan tidak menye menyent ntuh uh bend benda a terse tersebu but, t, tapi otak mampu memb membed edak akan an hal hal ters tersebut ebut melalui visualisasi yang ditangk ditangkap ap oleh mata. mata. Tekstur Tekstur dapat dicirikan sebagai berikut a. Peng Pengula ulang ngan an pola pola dari dari variasi lokal sehingga memb memben entu tuk k kesa kesatu tuan an yang yang utuh b. Menyed Menyediaka iakan n inform informasi asi susun susunan an spasia spasiall dari dari warna warna dan intensitas citra c. Dicirikan dengan dist distri ribu busi si spas spasia iall dari dari leve levell int intensitas dari nila ilai pix pixel ketetanggaan d. Tidak Tidak bisa didefini didefinisik sikan an sebag sebagai ai suatu suatu satu satu point point / nila nilaii terte tertent ntu u karen karena a meru merupa paka kan n sebuah sebuah pola pola / kesatuan Lihatla Lihatlah h ilustra ilustrasi si beriku berikutt tentan tentang g tekstur tekstur sebuah sebuah citra citra yaitu yaitu terdir terdirii dari dari 50% hitam hitam dan 50% putih
Tentunya uji statistik standar seperti mean, standar deviasi tidak akan mampu membe membedak dakan an ketiga ketiga citra citra terseb tersebut ut kare karena na akan akan mengh menghas asilk ilkan an nilai nilai yang yang sama sama.. Seperti yang sudah dijelaskan bahwa tekstur merupakan suatu pengulangan pola dan distribusi spasial artinya ketiga citra tersebut mempunyai tingkat intensitas nilai pixel yang sama tapi mempunyai distribusi spasial yang berbeda. Analisi Analisis s tekstu teksturr merupa merupakan kan salah salah satu satu metode metode untuk untuk melaku melakukan kan identi identifika fikasi si atau atau klasifik klasifikasi asi suatu suatu citra citra,, analisi analisis s terseb tersebut ut telah telah banyak banyak digunak digunakan an dalam dalam berbag berbagai ai
bidang bidang yaitu yaitu uji tekstu teksturr waj h, mutu mutu keramik, keramik, membedak membedakan an jenis jenis d un dan dalam interpretasi suatu peta sehin ga dapat diketahui jenis lahan.
GLCM S BAGAI GAI SA SALAH LAH S TU ETODE NALISIS T KSTUR Gray-Level Co-occurrence m trix merupakan metode paling banyak di unakan untuk anali analisi sis s teks tekstu tur. r. Metod Metode e i i dipe diperk rken enal alka kan n oleh oleh Hara Harali lick ck di tah tah n 1973 yang merup merupak akan an bagia bagian n dari dari pr ject yang didukung olah NASA yaitu tepatnya epatnya NASA NASA Goddard Goddard Space Space Flight Flight Cente Center. Haralick Haralick menggu menggunaka nakan n citra citra dari dari NAS ERTS ERTS untuk untuk melakukan melakukan klasifikasi klasifikasi denga tingkat akurasi diatas 80%. Matrix GLCM dihitung dari nilai pixel yang berpasangan dan memiliki nilai intensitas tertentu. Misalkan d adalah j arak antara dua pixel yaitu (x 1 ,y 1) dan (x2 ,y 2) dan Ѳ tetha didefi didefinisi nisikan kan sebaga sebagaii sudu sudu anta antara ra kedu keduan anya ya,, maka maka matr matrix ix GLC GLC merupakan distr distrib ibus usii spasia spasiall dari dari P d Ѳ (i,j). (i,j). Banyak Banyak paper paper menuli menuliska skan n berbag berbagai ai versi versi tentan tentang g perhitu perhitungan ngan GLCM teruta terutam ma menge mengena naii masa masalah lah sudu sudutt yang yang digun digun kan. kan. Beri Beriku kutt adalah adalah ilustr ilustrasi asi yang mengg menggamba ambarka rkan n arah arah sudut sudut denga dengan n jara jarak k 1 pi xel dan ada 4 jenis sudut yang digunakan: a. 0o=180o; b. 45o=225o, c. 90o=270o, dan d. 135 135o=315o tapi terkadang ada yang me yatakan terdiri dari 8 arah, hal ini terjadi karena antara sudut 0 o dan 180o dianggap erbeda begitu juga dengan arah sudut ya g lainnya
Berikut Berikut adalah adalah bebera beberapa pa fitur fitur yang yang bisa bisa dihitun dihitung g menggu menggunak nakan an GLCM GLCM yaitu yaitu terdir terdirii dari 7 fitur utama dan 7 fitur tambahan yang diturunkan dari 7 fitur utama. 1. Angular second second moment/unifor moment/uniformity/e mity/energy nergy 2. Entr Entrop opy y 3. Dissimil Dissimilari arity ty 4. Contrast/in Contrast/inertia ertia 5. Correlat Correlation ion 6. Homogeneity/i Homogeneity/inverse nverse differen difference ce momen 7. Autocorrelation Autocorrelation
Contoh: Berikut disajikan contoh untuk analisis fitur GLCM. ada 3 matrix gray yaitu M1; M2; M3 yang yang ma masin sing g-masin -masing g mempu mempuny nyai ai juml jumlah ah nilai nilai pixel pixel yang yang sama sama,, akan akan tetap tetapii mempuny mempunyai ai sebara sebaran n lokasi lokasi pixel pixel yang yang berbeda berbeda (pola (pola-tekstur) -tekstur).. Perhit Perhitung ungan an GLCM GLCM o menggunakan sudut 0 dan jarak 1 yaitu P (1,0) M1 y a r g
m c l g
m r o N m c l g
M2
M3
0 0 0 0
1 1 1 1
2 2 2 2
3 3 3 3
0 3 2 1
0 3 2 1
0 3 2 1
0 3 2 1
0 0 3 1
3 2 1 2
1 0 0 2
3 1 3 2
0 4 0 0
4 0 4 0
0 4 0 4
0 0 4 0
6 0 0 0
0 6 0 0
0 0 6 0
0 0 0 6
0 2 2 2
2 0 1 3
2 1 4 0
2 3 0 0
0
0.1667
0
0
0.25
0
0
0
0
0.0833
0.0833
0.0833
0.1667
0
0.1667
0
0
0.25
0
0
0.0833
0
0.0417
0.1250
0
0.1667
0
0.1667
0
0
0.25
0
0.0833
0.0417
0.1667
0
0
0
0.1667
0
0
0
0
0. 0.25
0.0833
0.1250
0
0
Hasil: Fitur Energy
M1 0.166
M2 0.25
M3 0.104
Entropy
1.791
1.386
2.325
Dissimiliarity
1
0
1.583
Contrast
1
0
3.416
Correlation Homogeneity
0.45 0.5
1 1
-0.466 0.391
7.5
5.5
Autocorrelation 6.6 6.6
M2 mempunyai keseragaman paling tinggi bila diukur dari sudut 0o M3 mempunyai ketidakseragaman paling tinggi hal ini menandakan entropy mempu mempuny nyai ai hubun hubunga gan n terba terbalik lik seca secara ra kuat dengan hasil energy M3 bernilai paling tinggi karena paling acak M2 mempunyai nilai pixel ketetanggan yang sama (bila diukur dari sudut 0o) sehingga bernilai 0 M2 mempunyai linearitas paling tinggi M2 mempunyai nilai yang seragam yaitu bernilai 1 M2 mempunyai nilai paling tinggi pada diagonal utamanya
Optimasi: Faktor yang mempengaruhi mempengaruhi hasil perhitunga perhitungan n GLCM adalah sudut yang digunakan. digunakan. Maka beberapa referensi telah mengoptimasi agar hasil perhitungan tidak rancu yaitu menggu menggunak nakan an semua semua sudut sudut sebagai sebagai perhitu perhitunga ngan n fitur fitur tekstu tekstur. r. Berikut Berikut adalah adalah hasil hasil opti optima masi si ters terseb ebut ut yang yang dapa dapatt memb member erik ikan an gamb gambar aran an meny menyel elur uruh uh bahw bahwa a ada ada perbe perbeda daan an hasi hasill untu untuk k M1 dan dan M2 tapi tapi untuk untuk M3 tida tidak k berub berubah ah sedik sedikitp itpun un yaitu yaitu jikalau hasil nya paling tinggi ataupun paling rendah Fitur M1 M2 M3 Energy 0.105 0.105 0.069 M1 dan M2 mempunyai keseragaman paling tinggi bila diukur dari berbagai arah Entropy 2.274 2.274 2.689 M3 mempunyai ketidakseragaman pali palin ng tingg inggi. i. Seda edangkan gkan M1 dan dan M2 bernilai bernilai sama Dissimiliarity 0.71 1.19 1.5 M3 bernilai paling tinggi karena paling acak Contrast 0.71 2.619 3.11 M1 mempunyai nilai pixel ketetanggan yang sama (paling tinggi) dibandingkan dengan M2 dan M3 Cor Correlat elatio ion n 0.64 0.647 7 -0.09 0.0973 73 -0.25 0.259 9 M1 mempu empuny nya ai lin linear earitas itas pali palin ng tingg inggii Homog omoge eneit eity 0.64 0.642 2 0.5476 476 0.411 M1 memp empunyai nilai lai yang seragam kemudian disusul M2 dan M3 Auto Autoco corrrelat elatio ion n 6.90 6.904 4 7.38 7.38 5.40 5.4047 47 M2 mempu empuny nya ai nila nilaii pali palin ng tingg inggii pada pada diagonal utamanya
Seperti terlihat pada plot grafik dibawah ini, bahwa untuk M3 hasilnya adalah stabil yaitu bernilai paling rendah ataupun paling tinggi.
Kesimpulan: Pene Penent ntua uan n sudu sudutt sang sangat at memp mempen enga garu ruhi hi kare karena na meru merupa paka kan n “sud “sudut ut pand pandan ang” g” terhadap suatu citra maka sebaiknya menggunakan aturan berikut Jenis sudut kondisi Arah Arah sudu sudutt tert terten entu tu Mens Mensya yara ratk tkan an hasi hasill capt captur ure e citr citra a dala dalam m kond kondis isii arah arah tertentu Semua emua arah rah Tida Tidak k mens mensya yara ratk tkan an pada pada ara arah ter tertent tentu u (fr (free angl angle) e)
Contoh yang lain
Citra diatas berasal dari 1 sumber yaitu pada satu citra 3 (paling bawah)! Citra 1;2 adalah pengacakan lokasi citra dari citra 3 menggunakan arnold cat maps! Tentunya tidak terbayangkan bukan! Sehingga ketiga citra tersebut mempunyai histogram yang sama pula! Tentunya uji stastistik biasa seperti mean dan std tidak akan mampu membedakan mereka!Mereka hanya berbeda lokasi saja!
Bagaimana olah citra memandang kasus diatas! Mari kita hitung GLCM (gray level co-occurance matrix) sehingga didapatkan hitungan seperti berikut Citra 1 fitur Sudut 0 Semua sudut ener energ gy 0.0024 024491 4917318 73185 5207 2073566 0.001999 19999 9998 99869149 1495554 entropy 8.881482015485222 9.087883959367886 diss dissim imil ilia iarrity ity 19. 19.9932 993269 6998 9843 4325 2589 89 24.3 24.313 1352 5286 8681 8166 6693 9332 32 contrast 1001.725146943572 1410.4633268086686 cor correla elation ion 0.7598 598046 0468886 88867 7403 4038 0.661751 17515 5419 41955550 5503 homog omogen en 0.1379 379275 2759034 90344 4522 52218 0.121557 15578 8224 22487584 58404 auto autoco corr rrel elat atio ion n 6433 6433.8 .853 5364 6442 4200 0065 653 3 6227 6227.0 .047 4726 2647 4779 7998 985 5
Citra 2 fitur ener energ gy entropy diss dissim imil ilia iari rity ty con contrast corr correl elat atio ion n homog omogen en auto autoco corr rrel elat atio ion n
Sudut 0 0.0068 068603 6034145 41450 0231 23157 8.546145676952188 26.4 26.455 5563 6365 6512 1248 4848 484 4 1997 997.1030 0302087 20875 5972 9723 0.58 0.5837 3729 2975 7599 990 07239 72392 2 0.2024 024030 0306947 69470 0655 6558 596 5966. 6.94 9401 0122 2279 7998 981 1
Semua sudut 0.0073 073691 6917052 70523 35009 50099 95 8.56710329673388 24.9 24.938 3827 2765 6539 3914 1411 1167 67 1833 833.1363 3636549 65499 96183 6183 0.61 0.6178 7886 8631 3147 474 42880 28804 4 0.2129 129746 7468096 80967 73717 37177 7 6048 6048.5 .570 7035 3583 8391 9163 63
Ternyata menghasilkan perhitungan yang berbeda! Mari kita lihat tentang energy 1. Energy: akan bernilai tinggi ketika nilai pixel mirip satu sama lain sebaliknya akan bernilai kecil menandakan nilai dari GLCM normalisasi adalah heterogen. Nilai maksimum dari energy adalah 1. Ternyata menurut GLCM diketahui bahwa yang paling seragam adalah citra 2 karena nilai energy mendekati angka 1 2. Entropy: akan bernilai tinggi ketika citra tidak seragam. Jadi menurut GLCM yang tidak seragam adalah citra 1. Artinya energy akan berbanding terbalik dengan entropy!!
Apakah benar tersebut!!
ari kita buktikan
Citra diatas adalah citra hasi l dari penerapan logistisc maps dari citra 3 !! Acak bukan!! bukan!! Liat perhitungan perhitungan berikut berikut energy .204133 335019299E-4 entropy .320597 913207715 diss dissim imiilia liarit rity 54.6 54.662 6266 66 085794956 contrast 4738.066 76547164 correlation 0.006238 78449850933 homogen 0.045538 0662291374 auto autocor corre rela lati tion on 4572 4572.9 .914 14 96420003 Terlihat bahwa energy be nila nilaii sang sangat at keci kecill 4.2 4.2 10- 4 angk ngka y ng menuju 0 sedangkan sedangkan entropy sangat b sar yaitu 9.32 lebih besar dari citra 1 yait u 9.087.
Jadi apa kesimpulannya! Ternyata GLCM bisa menilai hal diatas bahwa GLCM adalah salah sat u dari analisis tekstur yang cukup baik
Demo Aplikasi Aplikasi Penulis menggunakan Java s ebagai tools utama nya, berikut adalah ta
pilan aplikasi aplikasi