Algoritma GLCM (Gray-Level Co-occurence Matrix) 8

Pengenalan Pola adalah cabang kecerdasan yang menitik-beratkan pada metode pengklasifikasian objek ke dalam klas – klas tertentu untuk menyelesaikan masalah tertentu. Contoh yang dibahas kali ini adalah mengenai penentuan pola wajah baru berdasarkan pola wajah yang sudah ada sebelumnya dengan menggunakan metode GLCM (Gray-Level Co-occurence Matrix).

Diasumsikan ada 10 wajah manusia yang sudah diketahui sebelumnya, dengan data sebagai berikut:

Selanjutnya ada pola wajah baru yang ingin diketahui hasilnya
Maka tentukan pola wajah baru ini cocok dengan pola wajah yang mana
Diasumsikan pola wajah yang baru adalah sebagai berikut:

Langkah-langkah penggunaan algoritma ini adalah

1a. Tentukan path folder dari gambar contoh data dan gambar data baru

pathContohData = 'ContohData';
pathDataBaru = 'DataBaru';

1b. Cari semua gambar contoh wajah dan data baru yang tersedia pada masing-masing folder
Kemudian hitung jumlah gambar untuk masing-masing contoh data dan data baru yang tersedia

bmpContohData=dir(sprintf('%s/*.bmp',pathContohData));    
bmpDataBaru=dir(sprintf('%s/*.bmp',pathDataBaru));
jumlahContohData=size(bmpContohData,1);
jumlahDataBaru=size(bmpDataBaru,1);

1c. Tentukan tinggi (H) dan lebar (W) dari masing-masing gambar
Kemudian buat matriks kosong berukuran H*W sebanyak jumlah gambar contoh data

str=strcat(pathContohData,'\',bmpContohData(1).name);    
im=imread(str);
H=size(im,1);
W=size(im,2);
daftarGambar=zeros(H,W,jumlahContohData);

1d. Tampilkan data contoh gambar yang tersedia
dan masukkan ke dalam matriks gambar

for i=1:jumlahContohData
    str=strcat(pathContohData,'\',bmpContohData(i).name);    
    daftarGambar(:,:,i)=imread(str);
    
    subplot(5,jumlahContohData,i)
    imshow(str)
    if i==1
        title('Contoh gambar wajah: ','Position',[105,0])
    end
end

2. Lakukan proses perhitungan untuk mendapatkan fitur dengan metode GLCM (Gray Level Co-occurence Matrix)
Penjelasan tentang fungsi ini akan dijelaskan pada perhitungan dibawah ini (poin 2a – 2b)

[matriksFeatureContohData, matriksFeatureDataBaru] = GLCM(...
    pathDataBaru, bmpDataBaru, jumlahContohData, jumlahDataBaru, daftarGambar);

Memasuki perhitungan pada fungsi GLCM

2a. Lakukan perhitungan pada masing-masing contoh data (poin 2a1 – 2a4)

for i=1:jumlahContohData
. . .

2a1. Lakukan konversi menjadi gambar grayscale apabila diperlukan

img = uint8(daftarGambar(:,:,i));
if length(size(img))>2
	img = rgb2gray(img);
end

2a2. Lakukan proses pengambilan matriks gray level co-occurence menggunakan fungsi graycomatrix

GLCM2 = graycomatrix(img,'Offset',[2 0;0 2]);

2a3. Lakukan proses ekstraksi fitur menggunakan GLCM
Penjelasan lebih detail tentang fungsi ini dapat dilihat pada penjelasan skrip diakhir program (poin 4)

output = ekstraksiGLCM(GLCM2);

2a4. Simpan hasil ekstraksi fitur ke dalam variabel

output = cell2mat(struct2cell(output));
matriksFeatureContohData(:, :, i) = output;

2b. Lakukan proses yang sama sesuai poin diatas pada masing-masing data baru

3. Lakukan perhitungan pada masing-masing data baru (poin 3a – 3c)

for i=1:jumlahDataBaru
. . .

3a. Hitung jarak Euclidean antara vektor feature data baru dengan vektor feature dari semua contoh data

jarakEuclidean = [];
for j=1:jumlahContohData
	tmp = (norm(matriksFeatureDataBaru(:,:,i) - matriksFeatureContohData(:,:,j)));
	jarakEuclidean = [jarakEuclidean tmp];
end

3b. Ambil jarak paling minimal sebagai jawaban gambar contoh data yang paling sesuai dengan gambar data baru

[~, idxMinimal] = min(jarakEuclidean);

3c. Tampilkan hasil akhir pada layar

subplot(5,jumlahContohData,sp(i))
imshow(str)
title(strcat('Data ',int2str(i)),'Position',[25,0])

subplot(5,jumlahContohData,sp(i)+1)
imshow(uint8(daftarGambar(:,:,idxMinimal)))
title('Dikenali sebagai','Position',[75,0])

Selanjutnya adalah pembahasan tentang fungsi ekstraksiGLCM yang sudah digunakan sebelumnya (poin 4)

4a. Lakukan inisialisasi variabel yang dibutuhkan dalam perhitungan
Ada 22 nilai fitur yang digunakan disini,
dan masing-masing pengertian dapat dilihat pada komentar disebelah kanan

out.autoc = zeros(1,ukuranGLCM3); % Autocorrelation: [2]
out.contr = zeros(1,ukuranGLCM3); % Contrast: matlab/[1,2]
out.corrm = zeros(1,ukuranGLCM3); % Correlation: matlab
out.corrp = zeros(1,ukuranGLCM3); % Correlation: [1,2]
out.cprom = zeros(1,ukuranGLCM3); % Cluster Prominence: [2]
out.cshad = zeros(1,ukuranGLCM3); % Cluster Shade: [2]
out.dissi = zeros(1,ukuranGLCM3); % Dissimilarity: [2]
out.energ = zeros(1,ukuranGLCM3); % Energy: matlab / [1,2]
out.entro = zeros(1,ukuranGLCM3); % Entropy: [2]
out.homom = zeros(1,ukuranGLCM3); % Homogeneity: matlab
out.homop = zeros(1,ukuranGLCM3); % Homogeneity: [2]
out.maxpr = zeros(1,ukuranGLCM3); % Maximum probability: [2]
out.sosvh = zeros(1,ukuranGLCM3); % Sum of sqaures: Variance [1]
out.savgh = zeros(1,ukuranGLCM3); % Sum average [1]
out.svarh = zeros(1,ukuranGLCM3); % Sum variance [1]
out.senth = zeros(1,ukuranGLCM3); % Sum entropy [1]
out.dvarh = zeros(1,ukuranGLCM3); % Difference variance [4]
out.denth = zeros(1,ukuranGLCM3); % Difference entropy [1]
out.inf1h = zeros(1,ukuranGLCM3); % Information measure of correlation1 [1]
out.inf2h = zeros(1,ukuranGLCM3); % Informaiton measure of correlation2 [1]
out.indnc = zeros(1,ukuranGLCM3); % Inverse difference normalized (INN) [3]
out.idmnc = zeros(1,ukuranGLCM3); % Inverse difference moment normalized [3]

4b. Lakukan proses pembuatan daftar indeks yang mengikuti pola-pola tertentu

[i,j] = meshgrid(1:ukuranGLCM1,1:ukuranGLCM2);
iAux = (i+j)-1;
jAux = abs(i-j)+1;
iTot = (1:(2*ukuranGLCM1-1))';
jTot = (0:ukuranGLCM1-1)';

4c. Lakukan perhitungan pada masing-masing data GLCM (poin 4c1 – 4c26)

for k = 1:ukuranGLCM3
. . .

4c1. Lakukan normalisasi nilai GLCM dan hitung nilai rata-rata nya

totalGLCM = sum(sum(glcm(:,:,k)));
normalisasiGLCM = glcm(:,:,k)./totalGLCM;
rata2GLCM = mean(normalisasiGLCM(:));

4c2. Lakukan proses penjumlahan data GLCM yang mengikuti pola-pola tertentu menggunakan nilai normalisasi GLCM

p_x = squeeze(sum(normalisasiGLCM,2));
p_y = squeeze(sum(normalisasiGLCM,1))';

u_x = sum(sum(i.*normalisasiGLCM));
u_y = sum(sum(j.*normalisasiGLCM));

p_xplusy = zeros((2*ukuranGLCM1 - 1),1);
p_xminusy = zeros((ukuranGLCM1),1);
for aux = 1:max(iAux(:))
	p_xplusy(aux) = sum(normalisasiGLCM(iAux==aux));
end
for aux = 1:max(jAux(:))
	p_xminusy(aux) = sum(normalisasiGLCM(jAux==aux));
end

4c3. Lakukan perhitungan fitur Contrast

out.contr(k) = sum(sum((abs(i-j).^2).*normalisasiGLCM));

4c4. Lakukan perhitungan fitur Dissimilarity

out.dissi(k) = sum(sum(abs(i-j).*normalisasiGLCM));

4c5. Lakukan perhitungan fitur Energy

out.energ(k) = sum(sum(normalisasiGLCM.^2));

4c6. Lakukan perhitungan fitur Entropy

out.entro(k) = -sum(sum(normalisasiGLCM.*log(normalisasiGLCM+eps)));

4c7. Lakukan perhitungan fitur Homogeneity Matlab

out.homom(k) = sum(sum(normalisasiGLCM./(1+abs(i-j))));

4c8. Lakukan perhitungan fitur Homogeneity Paper

out.homop(k) = sum(sum(normalisasiGLCM./(1+abs(i-j).^2)));

4c9. Lakukan perhitungan fitur Sum of squares: Variance

out.sosvh(k) = sum(sum(normalisasiGLCM.*((j-rata2GLCM).^2)));

4c10. Lakukan perhitungan fitur Inverse difference normalized

out.indnc(k) = sum(sum(normalisasiGLCM./(1+(abs(i-j)./ukuranGLCM1))));

4c11. Lakukan perhitungan fitur Inverse difference moment normalized

out.idmnc(k) = sum(sum(normalisasiGLCM./(1+((i-j)./ukuranGLCM1).^2)));

4c12. Lakukan perhitungan fitur Maximum probability

out.maxpr(k) = max(normalisasiGLCM(:));

4c13. Lakukan perhitungan fitur Sum average

out.savgh(k) = sum((iTot+1).*p_xplusy);

4c14. Lakukan perhitungan fitur Sum entropy

out.senth(k) = -sum(p_xplusy.*log(p_xplusy+eps));

4c15. Lakukan perhitungan fitur Sum variance

out.svarh(k) = sum((((iTot+1) - out.senth(k)).^2).*p_xplusy);

4c16. Lakukan perhitungan fitur Difference entropy

out.denth(k) = -sum(p_xminusy.*log(p_xminusy+eps));

4c17. Lakukan perhitungan fitur Difference variance

out.dvarh(k) = sum((jTot.^2).*p_xminusy);

4c18. Hitung nilai korelasi yang diperlukan dalam perhitungan selanjutnya

hxy1 = -sum(sum(normalisasiGLCM.*log(p_x*p_y' + eps)));
hxy2 = -sum(sum((p_x*p_y').*log(p_x*p_y' + eps)));
hx = -sum(p_x.*log(p_x+eps));
hy = -sum(p_y.*log(p_y+eps));
hxy = out.entro(k);

4c19. Lakukan perhitungan fitur Information measure of correlation 1

out.inf1h(k) = (hxy-hxy1)/(max([hx,hy]));

4c20. Lakukan perhitungan fitur Information measure of correlation 2

out.inf2h(k) = (1-exp(-2*(hxy2-hxy)))^0.5;

4c21. Lakukan perhitungan fitur Cluster Prominence

out.cprom(k) = sum(sum(normalisasiGLCM.*((i+j-u_x-u_y).^4)));

4c22. Lakukan perhitungan fitur Cluster Shade

out.cshad(k) = sum(sum(normalisasiGLCM.*((i+j-u_x-u_y).^3)));

4c23. Hitung nilai korelasi yang diperlukan dalam perhitungan selanjutnya

s_x = sum(sum(normalisasiGLCM.*((i-u_x).^2)))^0.5;
s_y = sum(sum(normalisasiGLCM.*((j-u_y).^2)))^0.5;
corp = sum(sum(normalisasiGLCM.*(i.*j)));
corm = sum(sum(normalisasiGLCM.*(i-u_x).*(j-u_y)));

4c24. Lakukan perhitungan fitur Autocorrelation

out.autoc(k) = corp;

4c25. Lakukan perhitungan fitur Correlation paper

out.corrp(k) = (corp-u_x*u_y)/(s_x*s_y);

4c26. Lakukan perhitungan fitur Correlation Matlab

out.corrm(k) = corm/(s_x*s_y);

Hasil akhir adalah: (klik untuk perbesar gambar)

Contoh modul / source code menggunakan Matlab dapat didownload disini:

Jika membutuhkan jasa kami dalam pembuatan program, keterangan selanjutnya dapat dilihat di Fasilitas dan Harga
Jika ada yang kurang paham dengan langkah-langkah algoritma diatas, silahkan berikan komentar Anda.
Selamat mencoba.