Strategi Penentuan Query Region Berdasarkan Posisi Relatif Saliency Region Overlapping Block untuk Region Based Image Retrieval
Strategi Penentuan Query Region Berdasarkan Posisi RelatifSaliency Region
OverlappingBlock untuk Region BasedImageRetrieval
Abstrak
Fitur yang diekstrak dapat bersifat global atau lokal. Penggunaan fitur secara global seperti pada penelitian (X.-Y. Wang, Yu, & Yang, 2011) dan (X. Wang & Wang, 2013) sering kali tidak mampu mencerminkan keinginan pengguna, sehingga diusulkan penggunaan fitur lokal berbasis region seperti pada penelitian (Vimina & Jacob, 2013), (Zhu, Bichot, & Chen, 2013), (Shrivastava & Tyagi, 2014), Mitra, Huang, & Hu, 2015). Ekstraksi fitur
berupa sebuah gambar yang akan dijadikan dasar pencarian. Fitur dari gambar tersebut akan diekstrak dan dibandingkan dengan fitur dari seluruh gambar yang terdapat pada database. Gambar yang memiliki kesamaan fitur paling dekat akan ditampilkan sebagai prioritas hasil pencarian (Vimina & Jacob, 2013).
(QBE) . Pengguna menyediakan kueri
menemukan kembali gambar dari koleksi yang sangat besar berdasarkan kesamaan visual (Shrivastava & Tyagi, 2014). Pencarian gambar dengan CBIR memiliki keunggulan dibandingkan dengan cara tradisional yang memanfaatkan anotasi teks pada gambar. Perkembangan data yang sangat cepat menyebabkan banyaknya gambar yang belum memiliki anotasi atau terdapat ketidaksesuaian dengan konteksnya (Shete & Chavan, 2012; Singh & Ahmad, 2014). Kondisi tersebut akan menurunkan efektivitas pencarian gambar, sehingga sangat dibutuhkan teknik CBIR yang tidak tergantung pada anotasi teks serta menghasilkan hasil pencarian berdasarkan konteks. populer penggunaannya pada sebuah sistem CBIR adalah QuerybyExample
ContentBasedImageRetrieval (CBIR) merupakan sebuah teknik untuk
Kata Kunci : region basedimageretrieval, saliency region, posisi relatif, region code,
localbinarypatternefisien. Saliency region dipilih secara manual oleh pengguna dan akan ditentukan target pencarian berdasarkan posisi relatif SROB. Hasil pengujian pada NEC AnimalDataset menunjukkan bahwa metode usulan memerlukan waktu pencarian rata-rata selama 0,113 detik atau67,53% lebih cepat dibandingkan metode Shrivastavadengan ukuran region 5x5 . Penelitian ini membuktikan bahwa penentuan query region dapat dilakukan berdasarkan posisi relatifSROB untuk menghasilkan sistem RBIR yang lebih efisien.
Region OverlappingBlock (SROB) , agar dihasilkan sistem RBIR dengan komputasi yang lebih
yang terpilih harus menentukan region-region tertentu pada koleksi gambar yang akan menjadi cakupan pencarian, agar waktu komputasi dapat direduksi. Penelitian ini bertujuan untuk mengusulkan strategi penentuan query region berdasarkan posisi relatif Saliency
region
Sistem Region BasedImageRetrieval (RBIR) yang efisien harus mempertimbangkan teknik pemilihan query regionsebelum melakukan proses pencarian. Query region merupakan region yang merepresentasikan sebuah Region of Interest (ROI) atau saliency region. Query
anny@cs.its.ac.id
Pasnur
3
agusza@cs.its.ac.id,
2
pasnur13@mhs.if.its.ac.id,
1
Email:
Jurusan Teknik Informatika, Institut Teknologi Sepuluh Nopember Kampus ITS Keputih, Sukolilo, Surabaya 60111, Jawa Timur
3 1,2,3
, Anny Yuniarti
2
, Agus Zainal Arifin
1
1. Pendahuluan
secara lokal dapat dilakukan dengan membentuk region pada gambar kueri dan dikenal dengan nama Region
Precision, Recall, AveragedNormalizedModifiedRetrievalRan k (ANMRR), dan Average of Retrieval Time. Penelitian ini akan menghasilkan
menunjukkan posisi kiri, kanan, bawah, dan atas region terhadap pusat. Apabila posisi menunjukkan posisi yang benar, akan diberikan bit 1, dan sebaliknya akan diberikan bit 0.
region. Pemberian region code dimulai dari bit paling kanan, yang secara berurutan
dimanfaatkan pada RBIR. Gambar yang digunakan dalam RBIR dibagi ke dalam beberapa region berukuran 3x3 seperti pada Gambar 1. Setiap region akan diberikan kode 4 bit yang menunjukkan posisi reatifnya terhadap pusat
Cohen-SutherlandLineClipping agar dapat
Penelitian (Shrivastava & Tyagi, 2014) melakukan pengembangan algoritma
sebuah area dua dimensi ke dalam 9 region dan menentukan garis atau bagian garis yang harus dipotong.
interest . Algoritma tersebut membagi
Tyagi, 2014). Algoritma tersebut digunakan untuk memotong garis atau bagian garis yang berada di luar area of
SutherlandLineClipping (Shrivastava &
digunakan pada algoritma Cohen-
2.1 Region Code Region code pertama kali
2. Kajian Pustaka
metode pencarian gambar berbasis konteks dengan waktu komputasi yang lebih efisien serta tetap mempertahankan nilai efektivitas yang tinggi.
Nilai similaritas gambar kueri dengan gambar pada koleksi ditentukan berdasarkan jarak kedekatan histogram fitur LocalBinaryPattern (LBP). Hasil pencarian diurutkan berdasarkan nilai jarak terdekat dan akan dievaluasi menggunakan
BasedImageRetrieval (RBIR) (Shrivastava & Tyagi, 2014).
saliency region terpilih ditentukan berdasarkan posisi relatif seluruh SROB.
dihasilkan sistem RBIR dengan komputasi yang lebih efisien. Target komputasi dari
region berdasarkan posisi relatif Saliency Region OverlappingBlock (SROB) , agar
Penelitian ini bertujuan untuk mengusulkan strategi penentuan query
seluruh region yang memiliki region code yang similar pada koleksi gambar tanpa memperhatikan posisi relatif setiap ROB. Pemilihan region codesimilaruntuk target komputasi pada metode (Shrivastava & Tyagi, 2014) tidak memperhatikan posisi relatif region. Hal ini menyebabkan pada target komputasi masih terdapat region yang tidak relevan dengan kueri pengguna, sehingga membutuhkan waktu komputasi yang lebih lama.
DominantColorDescriptor (DCD). Setiap ROB terpilih akan dibandingkan dengan
beberapa region. ROB akan diseleksi berdasarkan kesamaan fitur
ROIOverlappingBlock (ROB) merupakan ROI manual yang overlapdengan satu atau
Penelitian (Shrivastava & Tyagi, 2014) mengusulkan sebuah sistem RBIR dengan memanfaatkan region codeuntuk pemilihan target komputasi. Gambar kueri dibagi ke dalam region berukuran 3x3 dan 5x5. Pengguna melakukan seleksi ROI secara manual pada gambar kueri.
yang terpilih harus menentukan cakupan region-region pada koleksi gambar agar proses komputasi dapat lebih efisien seperti yang diusulkan pada penelitian (Shrivastava & Tyagi, 2014).
region yang merepresentasekan sebuah Region of Interest (ROI) atau saliency region.Query region
proses pencarian. Query region merupakan
query region dan cakupan region pada
Sebuah sistem RBIR yang efisien harus mempertimbangkan teknik pemilihan
Dua buah region code dianggapsimilar apabila keduanya memiliki bit 1pada posisi yang sama. Pemeriksaan Gambar 1 Pemberian Region Code Pada Sebuah Gambar
similar dua buah region code dapat juga
pixel tetangganya (Zhu et al., 2013). Nilai LBP sebuah pixel dapat dihitung
pixel tetangga. Setelah semua nilai LBP
menunjukkan grayvalue dari
p
(1) Pada Persamaan (1), variabel g c menunjukkan grayvalue dari centerpixel, variabel g
( ) = {1, ≥ 0 0, < 0
−1 =0
= ∑ ( − ). 2 ,
,
berdasarkan Persamaan (1).
Fitur LBP mendeskripsikan sebuah nilai pixel berdasarkan nilai gray level
dilakukan dengan menggunakan operasi logika AND antara keduanya. Apabila hasil operasi AND tidak sama dengan 0000, maka kedua region codetersebut dianggap similar. Gambar 2 menunjukkan
LocalBinaryPattern (LBP).
Tekstur merupakan pola visual yang memiliki atribut homogenitas yang tidak hanya berasal dari kehadiran satu warna saja. Tekstur memiliki peranan penting untuk mendeskripsikan permukaan sebuah obyek dan relasinya dengan area sekitarnya (Shrivastava & Tyagi, 2014). Fitur tekstur dapat diekstrak secara struktural atau statistikal(Shete & Chavan, 2012). Salah satu fitur tekstur yang sangat populer penggunaannya adalah
2.2 LocalBinaryPattern
Gambar 2Region CodeYang Similar Dengan 0001
code lainnya yang berdekatan. Dua buah
berasumsi bahwa peluang untuk mendapatkan gambar yang dicari berada pada posisi region code ROI dan region
code yang similar. Konsep tersebut
Penelitian ini menggunakan konsep dari (Shrivastava & Tyagi, 2014) yang hanya melakukan komputasi pada region
berada pada posisi kiri tengah dari region pusat. Region code yang similar dengan 0001 adalah 1001, 0001, 1111, dan 0101. Berdasarkan aturan tersebut, maka region pusat dengan kode 1111 similar dengan seluruh region code yang lainnya (Shrivastava & Tyagi, 2014).
region codesimilar dengan 0001 yang
dihitung, maka histogram dari LBP tersebut digunakan untuk merepresentasekan fitur tekstur gambar.
3. Metode Penelitian
Model sistem yang digunakan dalam penelitian ini diadopsi dari penelitian (Shrivastava & Tyagi, 2014) seperti ditunjukkan pada Gambar 3. Model tersebut dimodifikasi dengan melakukan penambahan tahapan yang merupakan kontribusi dari penelitian ini. Model tersebut terdiri atas tiga bagian besar, masing-masing merupakan proses untuk koleksi gambar, gambar kueri, dan perhitungan similaritas antara gambar kueri dengan gambar-gambar pada koleksi.
Pada bagian koleksi gambar akan dilakukan proses pembentukan region dan ekstraksi fitur. Pembentukan region dimulai dengan menghitung panjang dan lebar dari gambar masukan. Nilai panjang dan lebar gambar kemudian dibagi 3 (untuk ukuran region 3x3) dan dibagi 5 (untuk ukuran region 5x5), sehingga masing-masing akan dihasilkan
region dengan ukuran yang seragam
sebanyak 9 (untuk ukuran region 3x3) dan 25 (untuk ukuran region 5x5). Seluruh
region yang terbentuk akan menyalin
informasi dari gambar masukan sesuai batas daerah region tersebut, sehingga dihasilkan gambar-gambar baru yang merupakan pecahan dari gambar masukan. File gambar region ditempatkan pada lokasi tertentu untuk memudahkan proses ekstraksi fitur setiap region pada tahap berikutnya.
Fitur yang diekstrak pada gambar kueri maupun gambar pada koleksi adalah fitur LBP. Fitur tersebut merupakan ciri yang akan menjadi dasar penentuan kesamaan dua buah gambar. Nilai histogram setiap fitur LBP juga akan dihitung. Histogram tersebut menunjukkan frekuensi kemunculan sebuah nilai keabuan pada fitur LBP. Pada penelitian ini, nilai histogram dengan
region codesimiliar akan dinormalisasi agar tidak terpengaruh mempertimbangkan posisi relatif.
pada ukuran gambar yang berbeda-beda. Perhitungan similaritas dilakukan Perhitungan nilai kesamaan memanfaatkan dengan membandingkan kedekatan nilai jarak histogram masing-masing fitur LBP histogram fitur LBP antara setiap SROB dari gambar yang dibandingkan. terpilih dengan seluruh region pada
Pada bagian gambar kueri akan gambar koleksi yang memiliki region dilakukan penentuan saliency region, code yang similar dengan SROB .
saliency region overlappingblock, dan Perhitungan similaritas tersebut dilakukan
penentuan region codesimiliar. sesuai Persamaan (2) dan hasilnya yang telah diurutkan sesuai kedekatan. Sejumlah nilai
Saliency region
ditentukan pada proses sebelumnya akan similaritas terdekat akan ditampilkan overlap dengan satu atau beberapa blok sebagai hasil pencarian.
region dan disebut sebagai Saliency Region OverlappingBlock (SROB). Seluruh SROB
( , ) = min ( ( , )) , disimpan ke dalam sebuah daftar. SROB (2) yang memiliki area overlapping terbesar
= 1 … . dijadikan sebagai acuan untuk memilih
SROB lain yang memiliki fitur dominan color yang sama dengan SROB acuan. Pada Persamaan (3), variabel
( , ) Pada penelitian ini, penentuan menunjukkan nilai pengukuran jarak antara
region codesimiliar mempertimbangkan SROBB r dengan gambar ke-i di database.
posisi relatif seluruh SROB.Region Variabel
( , ) menunjukkan nilai
codesimiliar ditentukan berdasarkan pada
pengukuran jarakantara SROBB
r
keberadaan bit 1 pada posisi yang sama dengansetiap blok pada gambar di antara SROB dengan region yang terbentuk pada gambar. Gambar 4 menunjukkan
database yang memiliki region codesimilar
algoritma yang digunakan untuk penentuan 1.
Buat daftar kandidat region codeyang similar untuk setiap SROB.
2. Pilih SROB acuan dengan jumlah kandidat region codeyangsimilar terkecil.
3. Tempatkan SROB acuan pada seluruh kandidat region
codeyangsimilar yang berasosiasi dengan SROB acuan secara
bertahap. Tempatkan SROB yang lain dengan mempertahankan
posisi relatifnya terhadap SROB acuan.4. Tentukan region codeyang similar dengan aturan: a.
Jika seluruh SROB menempati kandidat region
codeyangsimilar yang sesuai dan tidak ada SROB yang
terpotong, maka seluruh kandidat tersebut disimpan
sebagai region codeyang similar.b.
Jika terdapat SROB yang menempati region code yang tidak termasuk kandidat region codeyang similar atau terdapat SROB yang terpotong, maka seluruh kandidat region code yang ditempati tersebut disimpan sebagai region codeyang tidak valid. dengan SROB B r . Proses pengukuran akan dilakukan sebanyak n jumlah blok pada gambar di database yang memiliki region
code yang similar dengan B r . Jenis
pengukuran yang digunakan adalah
EuclideanDistance dan dipilih nilai jarak yang terdekat (Shrivastava & Tyagi, 2014).
Analisa hasil pengujian dilakukan dengan melakukan pengukuran kinerja sistem, baik yang berkaitan dengan efektivitas hasil pencarian maupun efisiensi waktu komputrasi. Pengukuran efektivitas hasil pencarian dilakukan dengan melihat nilai Precision, Recall, dan
AveragedNormalizedModifiedRetrievalRan k (ANMRR). Sedangkan pengukuran
efisiensi waktu komputasi dilakukan dengan melihat nilai Average of Retrieval
Time.
jumlah gambar relevan yang muncul pada hasil pencarian, tetapi juga mempertimbangkan posisi (rank) gambar- gambar relevan tersebut. Nilai ANMRR yang lebih rendah menunjukkan kualitas sistem yang lebih baik. Gambar 7 menunjukkan hasil pengukuran nilai ANMRR.
ANMRR tidak hanya mempertimbangkan
6 menunjukkan hasil pengukuran recall. Pada penelitian ini, digunakan juga pengukuran nilai ANMRR. Nilai ANMRR sering digunakan untuk menentukan kualitas sebuah sistem CBIR. Pengukuran
precision, sedangkan Gambar
Nilai pengukuran recall harus diperhitungkan sebagai pendamping pada nilai precisionyang dihasilkan sistem. Gambar 5 menunjukkan hasil pengukuran
4. Hasil Uji Coba
Tabel 1. Perbandingan Waktu Komputasi Metode Shrivastava dan Metode Usulan
Rata (Detik) Region 3x3 Region 5x5
Shrivastava 0,148 0,349 Usulan 0,075 0,113
relevan pada hasil pencarian terhadap total gambar relevan pada koleksi gambar. Kualitas sebuah sistem CBIR tidak dapat ditentukan hanya pada nilai precisionsaja.
Recall menunjukkan persentase gambar
jumlah gambar relevan pada hasil pencarian terhadap total hasil pencarian.
Precision menunjukkan persentase
Pengukuran waktu pencarian rata- rata dilakukan terhadap metode Shrivastava dan metode usulan seperti ditunjukkan pada Tabel 1. Hasil pengujian menunjukkan bahwa waktu pencarian rata- rata metode usulan lebih unggul dibandingkan dengan metode Shrivastava, baik untuk ukuran region 3x3, maupun ukuran region 5x5.
5. Pembahasan Hasil Uji Coba
Pengurangan waktu pencarian yang dilakukan oleh metode usulan untuk ukuran region 3x3 adalah 0,073 detik atau sebesar 49,14% dari hasil metode Shrivastava. Sedangkan untuk ukuran
region 5x5 metode usulan mencapai
pengurangan waktu pencarian sebesar 0,235 detik atau sebesar 67,53%. Pengurangan waktu pencarian yang dihasilkan oleh metode usulan disebabkan oleh teknik penentuan region codesimilar berdasarkan posisi relatif region. Teknik ini mengurangi jumlah target komputasi pada gambar koleksi. Target komputasi metode lama yang dihilangkan pada metode usulan merupakan region yang memiliki peluang kecil memiliki kesamaan dengan region kueri. Hal tersebut berdampak pada pengurangan waktu komputasi tetapi tetap mempertahankan nilai efektivitas hasil pencarian.
Nilai efektivitas hasil pencarian merupakan indikator kemampuan sistem untuk menampilkan hasil pencarian sesuai dengan kueri yang disediakan oleh pengguna. Pada penelitian ini, nilai
Metode Waktu Komputasi Rata-
Gambar 5 Hasil Pengukuran Precision Gambar 6 Hasil Pengukuran Recall efektivitas sistem diukur dengan tidak memiliki banyak perbedaan. Hal ini menggunakan precision, recall, dan menunjukkan bahwa metode usulan
ANMRR. Pada Gambar 5 ditunjukkan nilai mampu mempertahankan nilai
precision rata-rata metode Shrivastava dan precision metode Shrivastava baik untuk
metode usulan. Nilai precisionrata-rata ukuran region 3x3 maupun 5x5. Hal ini ditunjukkan untuk berbagai jumlah hasil dapat pencarian, yaitu dari 5 hingga 100. Pada gambar tersebut terlihat bahwa nilai
precision rata-rata kedua metode hampir
Gambar 7 Hasil Pengukuran ANMRR dicapai karena metode usulan hanya menghilangkan region-region yang berpeluang kecil memiliki kesamaan visual dengan querypada proses pencarian.
usulan. Nilai ANMRR metode usulan lebih baik (lebih rendah) dari pada metode Shrivastava baik untuk ukuran region 3x3 maupun 5x5. Penelitian ini merekomendasikan penggunaan ukuran
(SROB) untuk menghasilkan sebuah sistem Region BasedImageRetrieval (RBIR)
Pada penelitian ini telah dilakukan penentuan query region berdasarkan posisi relatif Saliency Region OverlappingBlock
6. Kesimpulan
mampu mempertahankan efektivitas metode Shrivastava bahkan memiliki sedikit keunggulan pada jumlah hasil pencarian tertentu.
recall kedua metode. Metode usulan
yang lebih rendah dari pada ukuran region 5x5. Hal ini menunjukkan bahwa kualitas hasil pencarian metode yang diusulkan sedikit lebih baik dari pada metode Shrivastava. Hal tersebut juga dapat dibuktikan dengan nilai precision dan
region 3x3 karena memiliki nilai ANMRR
ANMRR metodeShrivastava dan metode
Pada Gambar 6 ditunjukkan nilai
Pada Gambar 7 ditunjukkan nilai
memiliki keunggulan. Hal ini dicapai karena metode usulan hanya menghilangkan region-region yang berpeluang kecil memiliki kesamaan visual dengan querypada proses pencarian.
recall metode Shrivastava bahkan sedikit
rata-rata kedua metode hampir tidak memiliki banyak perbedaan. Metode usulan memiliki sedikit keunggulan pada jumlah hasil pencarian tertentu. Hal ini menunjukkan bahwa metode usulan mampu mempertahankan nilai
recall
rata-rata metode Shrivastava dan metode usulan. Nilai recall rata-rata ditunjukkan untuk berbagai jumlah hasil pencarian, yaitu dari 5 hingga 100. Pada gambar tersebut terlihat bahwa nilai
recall
dengan waktu komputasi yang lebih efisien. Hasil pengujian menunjukkan bahwa metode usulan lebih efisien dibandingkan dengan metode lama berdasarkan pengukuran waktu pencarian rata-rata untuk setiap gambar. Metode usulan mampu mengurangi waktu pencarian hingga 67,53% dengan tetap
- – 692.
of Computer Science and Mobile Computing , 3(5), 769
, 24(1), 63 –74. [7] Wang, X.-Y., Yu, Y.-J., & Yang, H.-
[5] Vimina, E. R., & Jacob, K. P. (2013).
A Sub-Block Based Image Retrieval Using Modified Integrated Region Matching. International Journal of
Computer Science Issues , 10(1), 686
[6] Wang, X., & Wang, Z. (2013). A Novel Method for Image Retrieval Based on Structure Elements’ Descriptor. Journal of Visual
Communication and Image Representation
Standards & Interfaces
Y. (2011). An Effective Image Retrieval Scheme Using Color, Texture and Shape Features. Computer
Content Based Image Retrieval: A Review Paper. International Journal
, 33(1), 59 –68. [8] Yang, X., & Cai, L. (2014). Adaptive
Region Matching for Region-Based Image Retrieval by Constructing Region Importance Index.
IET Computer Vision
, 8(2), 141 –151. [9] Zhu, C., Bichot, C. E., & Chen, L.
(2013). Image Region Description Using Orthogonal Combination of Local Binary Patterns Enhanced with Color Information. Pattern
- –90. [3] Shrivastava, N., & Tyagi, V. (2014).
Sciences , 259, 212 –224.
[4] Singh, B., & Ahmad, W. (2014).
pemilihan secara manual. Pemilihan secara otomatis dapat dilakukan dengan mempertimbangkan persentase luas region terhadap luas keseluruhan gambar serta jarak region ke titik pusat gambar.
mempertahankan nilai efektivitas sistem lama dengan menggunakan ukuran region 5x5.
Hasil pengujian membuktikan bahwa penentuan region
codesimiliar sebagai target komputasi dapat
dilakukan dengan menggunakanposisi relatif setiap SROB. Pemanfaatan posisi relatif pada metode usulan menghasilkan waktu pencarian yang lebih cepat dibandingkan dengan metode lama.
Penelitian ini dapat dikembangkan dengan menggunakan pemilihan saliency
region secara otomatis sebagai pengganti
Referensi [1] Cheng, M.-M., Zhang, G.-X., Mitra, N.
J., Huang, X., & Hu, S.-M. (2015). Global Contrast Based Salient Region Detection. IEEE Transactions on
Pattern Analysis and Machine Intelligence , 37(3)
[2] Shete, D. S., & Chavan, M. S. (2012).
Conten t Based Image Retrieval : Review. International Journal of
Emerging Technology and Advanced Engineering , 2(9), 85
Content Based Image Retrieval Based on Relative Locations of Multiple Regions of Interest Using Selective Regions Matching. Information
Recognition , 46(7), 1949 –1963.
- –775.