Oleh :  Dr. A Haris Rangkuti M.M, M.Si

1.1 Latar Belakang

Dalam mendukung klasifikasi  citra yang mempunyai corak, pola dan motif yang beraneka ragam pada setiap cirinya maka dibutuhkan algoritma ekstraksi ciri yang tepat dan handal. Kehandalan dibutuhkan agar sistem dapat mengenali  dan mengelompokkan citra batik dari berbagai macam sumber seperti internet, majalah dan diambil secara langsung. Salah satu algoritma ekstraksi ciri adalah dengan memanfaatkan algoritma local binary pattern (LBP). Local Binary Pattern (LBP) adalah operator tekstur sederhana namun sangat efisien yang melabeli piksel gambar dengan membatasi lingkungan setiap piksel dan menganggap hasilnya sebagai bilangan biner. Ide dasar untuk mengembangkan operator LBP adalah bahwa tekstur permukaan dua dimensi dapat dijelaskan dengan dua ukuran yang saling melengkapi: pola spasial lokal dan kontras skala abu-abu. Operator LBP asli (Ojala et al. 1996) membentuk label untuk piksel gambar dengan membatasi lingkungan 3 x 3 dari setiap piksel dengan nilai tengah dan mempertimbangkan hasilnya sebagai bilangan biner. Histogram dari 28 = 256 label berbeda ini kemudian dapat digunakan sebagai deskriptor tekstur. Operator ini digunakan bersama dengan pengukur kontras lokal sederhana yang memberikan kinerja yang sangat baik dalam segmentasi tekstur tanpa pengawasan (Ojala dan Pietikäinen 1999). Setelah ini, banyak pendekatan terkait telah dikembangkan untuk segmentasi tekstur dan tekstur warna.

Secara umum LBP dapat didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Sebagai contoh pada sebuah citra berukuran 3×3, nilai biner pada pusat citra dibandingkan dengan nilai sekelilingnya. Dengan cara membanding nilai piksel pada pusat citra dengan nilai piksel disekelilingnya, jika hasilnya lebih atau sama maka diberi nilai 1 dan jika hasilnya kurang maka diberi nilai 0. Setelah itu, menyusun 8 nilai biner searah jarum jam atau sebaliknya dan merubah 8 bit biner kedalam nilai desimal untuk menggantikan nilai piksel pada pusat citra. Pada dasarnya LBP adalah metode sederhana, namun effisien merepresentasikan ciri tekstur. Operator LBP hanya terdiri dari beberapa piksel tetangga dengan operasi perhitungan yang tidak rumit. Selain itu, LBP merupakan metode yang gray-scale invariant, atau tidak terpengaruh pada pencahayaan yang tidak merata pada citra, karena LBP mendeskripsikan tekstur secara lokal. (Ojala et al, 2002).

Gambaran dari pengenalan untuk pola seragam dari lokal binary pattern, yang merupakan fundamental properti lokal dari citra tekstur dan pengolahan histogram membuktikan sangat powerful pada ciri tektur. Banyak algoritma ekstaksi ciri tekstur yang sudah diusulkan dalam mendukung proses klasifikasi citra berdasarkan ciri tekstur secara optimal (Heikkilä, M. and Pietikäinen, M., 2006). Namun proses pengelompokkan atau klasifikasi akan mengalami kesulitan jika citra yang akan dikelompokkan mengalami perubahan terhadap ciri citra. Definisi yang disebut pola seragam yang dapat digunakan untuk mengurangi panjang vektor fitur dan mengimplementasikan deskriptor invarian-rotasi sederhana. Ekstensi ini terinspirasi oleh fakta bahwa beberapa pola biner lebih sering muncul pada gambar tekstur daripada yang lain (Heikkilä, M et al,2009).

Banyak algoritma yang sudah dikembangkan, untuk mengetahui metode ektraksi ciri tekstur yang tepat khususnya tidak terpengaruh pada noise, atau pencahayaan. Sekaligus juga mendukung proses klasifikasi terhadap citra yang invarinat terhadap rotasi dan penskalaan. Beberapa penelitian dengan metode LBP sudah diimplementasikan dalam mendukung klasifikasi berdasarkan ciri tekstur seperti untuk pengenalan wajah, sidik jari, telapak tangan dan pemilik tanda tangan. Secara umum algoritma ekstraksi dengan LBP mempunyai 2 langkah  :

  1. Langkah thresholding dan
  2. Langkah encoding.

Pada langkah thresholding, semua nilai pixel tetangga pada setiap pola akan dikomparasi dengan nilai yang ada dipusat diantara nilai – nilai pola mereka, ini untuk dikonversi nilai mereka menjadi nilai biner yaitu (0 dan 1).  Untuk nilai 0 yang mempunyai nilai lebih kecil dengan nilai pusat sedangkan nilai 1 untuk angka lebih besar dari nilai pusatnya. Langkah ini untuk membantu dalam mendapatkan informasi tentang perbedaan dari local binary pada setiap bagian . Kemudian dalam langkah encoding, sejumlah nilai biner yang diperoleh dari langkah thresholding akan dirubah atau dikonversi kedalam bilangan desimal untuk karakteristik dari struktur pola. Tahapan proses threshold dan encoding terdapat pada Gambar 1.0.

Untuk mendapatkan nilai LBP, kode-kode biner yang telah didapatkan, dikalikan dengan pembobotan binernya. Pada Gambar 1.0 menunjukkan operasi dasar LBP. Pola-pola biner LBP merepesentasikan bermacam-macam pola tepi, titik, flat areas, dan sebagainya. Untuk gambaran perhitungan dari operasi dasar LBP terdapat pada Gambar 2.0.

Operator LBP hanya terdiri dari beberapa piksel tetangga dengan operasi perhitungan yang tidak rumit. LBP merupakan metode yang gray-scale invariant, atau tidak terpengaruh pada pencahayaan yang tidak merata pada citra, karena operator LBP mendeskripsikan tekstur secara lokal. Secara umum gambaran dari kerangka kerja dari local binary pattern dan metode yang terkait dalam mendukung  operator LBP dapat dijabarkan pada Gambar 3.0.

Secara umum kerangka kerja dari metode LBP merupakan proses ekstraksi fitur tekstur dengan membagi citra ke dalam beberapa lokal wilayah dan mengekstraksi seluruh lokal wilayah untuk mendapatkan pola biner lokal. Teknik dasar pada local binary pattern (LBP) adalah melakukan analisis ketetanggaan terhadap setiap pixel pada sebuah citra, sebagai contoh sebuah gambar direpresentasikan oleh matriks (Bianconi & Fernández, 2014). Namun dalam proses pixel perpixel dengan menggunakan metode local binary pattern dapat dilihat pada Gambar 4.0.

Pada gambar 4.0 mengambarkan proses ekstraksi ciri citra dengan ukuran window 3×3 pixel. Setelah didapatkan nilai desimal dari setiap perhitungan biner pada semua pixel, proses terakhir adalah membuatkan histogram dari semua nilai desimal yang telah dihasilkan sebelumnya. Untuk rumus dari local binary pattern adalah sebagai berikut :

 

–  , s(x)=                                                 (1.0)

  • xc dan yc adalah koordinat pusat piksel ketetanggaan,
  • z adalah circular sampling points,
  • P adalah banyaknya sampling points,
  • gp adalah nilai keabuan dari 𝑝,
  • gc adalah nilai piksel pusat, dan
  • 𝑠 adalah sign (kode biner).

{Nilai-nilai LBP selanjutnya direpresentasikan melalui histogram. Histogram menunjukkan frekuensi kemunculan berbagai nilai LBP. Setelah mendapatkan nilai LBP pada setiap neighborhood (blok i,j ), untuk ukuran citra N×M, tekstur citra direpresentasikan dengan membentuk histogram, dapat dilihat pada Gambar 3.18.

Hasil akhir dari ekstraksi fitur menggunakan local binary pattern adalah hasil dari histogram tersebut, dimana satu citra memiliki ciri sebanyak 256 nilai yang merupakan frekuensi kemunculan dari nilai 0 s.d. 255. Pada contoh di atas, kita menggunakan matriks ketetanggaan sebanyak 8 (menggunakan window ukuran 3×3). Hasil yang lebih baik bisa didapat dengan menggunakan matriks ketetanggaan sebanyak 16, yakni dengan menggunakan window berukuran 5×5 , ini dapat terlihat pada Gambar 7.0.

Pada gambar 7.0 menggambarkan untuk proses ekstraksi ciri citra dapat menggunaan beberapa window selain yang berukuran 3 x3 adalah window 5 x 5. Ini dimaksudkan untuk mendapatkan ekstraksi ciri citra dengan beberapa window sehingga menjadi lebih optimal hasilnya.

 

 

DAFTAR PUSTAKA

Bianconi, F., & Fernández, A. (2014). Rotation invariant co-occurrence features based on digital circles and discrete Fourier transform. Pattern Recognition Letters, 48, 34-41.

Heikkilä, M. and Pietikäinen, M. (2006), A Texture-Based Method for Modeling the Background and Detecting Moving Objects. IEEE Trans. Pattern Analysis and Machine Intelligence 28(4):657-662.

Heikkilä, M., Pietikäinen, M. and Schmid, C. (2009), Description of Interest Regions with Local Binary Patterns. Pattern Recognition 42(3):425-436.

Jia,x., Yang, x., Cao, K., Zang, Y., Zhang, N., Dai, R.,  & Tian, J. , 2014 “Multi-scale local binary pattern with filters for spoof fingerprint detection”, Information Sciences, 268, 91-102

Ojala, T., Pietikäinen, M. and Harwood, D. (1996), A Comparative Study of Texture Measures with Classification Based on Feature Distributions. Pattern Recognition 19(3):51-59.

Ojala, T. and Pietikäinen, M. (1999), Unsupervised Texture Segmentation Using Feature Distributions. Pattern Recognition 32:477-486.

Ojala, T., Pietikäinen, M. and Mäenpää, T. (2002), Multiresolution Gray-scale and Rotation Invariant Texture Classification with Local Binary Patterns. IEEE Trans. Pattern Analysis and Machine Intelligence 24(7): 971-987.