Ciri yang telah diekstrak kemudian digunakan sebagai parameter/nilai masukan untuk membedakan antara objek satu dengan lainnya pada tahapan identifikasi/ klasifikasi.
Ciri yang umumnya diekstrak antara lain:
1. Ekstraksi Ciri Bentuk
Untuk membedakan bentuk objek satu dengan objek lainnya, dapat menggunakan parameter yang disebut dengan ‘eccentricity’.
Eccentricity merupakan nilai perbandingan antara jarak foci ellips
minor dengan foci ellips mayor suatu objek. Eccentricity memiliki
rentang nilai antara 0 hingga 1. Objek yang berbentuk
memanjang/mendekati bentuk garis lurus, nilai eccentricitynya mendekati
angka 1, sedangkan objek yang berbentuk bulat/lingkaran, nilai
eccentricitynya mendekati angka 0. Penghitungan eccentricity
diilustrasikan pada gambar di bawah ini:
Parameter lainnya yang dapat digunakan untuk membedakan bentuk suatu objek yaitu ‘metric’. Metric merupakan nilai perbandingan antara luas dan keliling objek. Metric memiliki rentang nilai antara 0 hingga 1. Objek yang berbentuk memanjang/mendekati bentuk garis lurus, nilai metricnya mendekati angka 0, sedangkan objek yang berbentuk bulat/lingkaran, nilai metricnya mendekati angka 1. Penghitungan metric diilustrasikan pada gambar di bawah ini:
2. Ekstraksi Ciri Ukuran
Untuk membedakan ukuran objek satu dengan objek lainnya dapat
menggunakan parameter luas dan keliling. Luas merupakan banyaknya piksel
yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya
piksel yang mengelilingi suatu objek. Materi mengenai pemrograman matlab
untuk menghitung luas dan keliling suatu objek dapat dilihat pada laman
berikut ini: Cara menghitung luas dan keliling suatu citra
3. Ekstraksi Ciri Geometri
Ciri geometri merupakan ciri yang didasarkan pada hubungan antara dua
buah titik, garis, atau bidang dalam citra digital. Ciri geometri di
antaranya adalah jarak dan sudut. Jarak antara dua buah titik (dengan
satuan piksel) dapat ditentukan menggunakan persamaan euclidean,
minkowski, manhattan, dll. Jarak dengan satuan piksel tersebut dapat
dikonversi menjadi satuan panjang seperti milimeter, centimeter, meter,
dll dengan cara membaginya dengan resolusi spasial (materi mengenai
perhitungan jarak dapat dilihat pada laman berikut ini: Cara mengukur jarak antara dua objek dalam citra). Sedangkan sudut antara dua buah garis dapat ditentukan dengan perhitungan trigonometri maupun dengan analisis vektor.
4. Ekstraksi Ciri Tekstur
Untuk membedakan tekstur objek satu dengan objek lainnya dapat
menggunakan ciri statistik orde pertama atau ciri statistik orde dua.
Ciri orde pertama didasarkan pada karakteristik histogram citra. Ciri
orde pertama umumnya digunakan untuk membedakan tekstur makrostruktur
(perulangan pola lokal secara periodik). Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy.
Sedangkan ciri orde dua didasarkan pada probabilitas hubungan
ketetanggaan antara dua piksel pada jarak dan orientasi sudut tertentu.
Ciri orde dua umumnya digunakan untuk membedakan tekstur mikrostruktur
(pola lokal dan perulangan tidak begitu jelas). Ciri orde dua antara
lain: Angular Second Moment, Contrast, Correlation, Variance, Inverse Different Moment, dan Entropy.
Analisis tekstur juga dapat dilakukan dalam domain frekuensi antara lain menggunakan filter bank gabor.
5. Ekstraksi Ciri Warna
Untuk membedakan suatu objek dengan warna tertentu dapat menggunakan nilai hue
yang merupakan representasi dari cahaya tampak (merah, jingga, kuning,
hijau, biru, ungu). Nilai hue dapat dikombinasikan dengan nilai saturation dan value
yang merupakan tingkat kecerahan suatu warna. Untuk mendapatkan ketiga
nilai tersebut, perlu dilakukan konversi ruang warna citra yang semula
RGB (Red, Green, Blue) menjadi HSV (Hue, Saturation, Value) melalui
persamaan berikut:
R‘ = R/255
G‘ = G/255
B‘ = B/255
Cmax = max(R‘, G‘, B‘)
Cmin = min(R‘, G‘, B‘)
Δ = Cmax – Cmin
Perhitungan nilai Hue:
Perhitungan nilai Saturation:
Perhitungan nilai Value:
V = Cmax
sehingga ruang warna citra yang semula berbentuk kubus berubah bentuk menjadi kerucut
rgb colorspace
hsv colorspace
Ekstraksi ciri citra merupakan tahapan penting dalam bidang computer vision (pengolahan citra dan pengenalan pola).
Beberapa hal yang perlu diperhatikan
dalam memilih ciri yang tepat yang akan digunakan sebagai masukan pada
tahapan klasifikasi citra antara lain:
1. Secara visual (penglihatan manusia), ciri apakah yang membedakan antara kelas satu dengan kelas lainnya?
2. Domain apakah yang akan kita gunakan untuk mengekstrak ciri tersebut? (domain spasial atau domain frekuensi?)
3. Parameter apa sajakah yang akan dipilih untuk mewakili ciri tersebut?
4. Berapa jumlah parameter yang akan kita gunakan?
5. Ciri lain apakah yang memungkinkan untuk kita kombinasikan?
Contoh kasus:
Apabila kita ingin merancang sebuah sistem pengenalan wajah (face recognition) manusia, maka muncul pertanyaan “Ciri apakah yang membedakan antara wajah satu dengan wajah yang lain?”.
Tidak mungkin apabila ciri yang kita gunakan adalah jumlah mata, jumlah telinga, maupun jumlah hidung karena antara wajah satu dengan yang lain jumlah organ-organ tersebut adalah sama.
Oleh karena itu, ciri yang memungkinkan antara lain warna kulit, tekstur wajah, geometri wajah (jarak antara mata kiri dengan mata kanan, jarak antara mata kanan/kiri dengan hidung, jarak antara mata kanan/kiri dengan mulut, jarak antara hidung dengan mulut, dsb).
Kita dapat memilih salah satu ataupun mengkombinasikan ciri-ciri tersebut. Proses pengenalan wajah yang baik adalah proses pengenalan yang menghasilkan akurasi yang tinggi dengan jumlah ciri seminimal mungkin agar dapat menghemat proses komputasi.
Pemilihan ciri terbaik dengan jumlah seminimal mungkin dapat dilakukan pada tahapan feature selection dengan menggunakan beberapa algoritma dalam machine learning dan data mining.
