Deteksi dan Menghitung Jumlah Obyek Gambar

IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
Deteksi dan Menghitung Jumlah Obyek Gambar
Menggunakan Simulated Annealing
Nana Ramadijanti, Achmad Basuki, Miftahul Huda
Politeknik Elektronika Negri Surabaya
E-mail: {nana,basuki,huda}@eepis-its.edu
Abstrak
Abstract
Deteksi dan pencocokan gambar memegang
peranan penting pada teknologi komputer vision.
Deteksi gambar
menyatakan interest obyek dari
seseorang. Sedangkan pencocokan gambar mengatur
batas-batas gambar query pada tempatnya pada domain
ruang gambar target (alignment). Dasar dari metode ini
seperti mencetak dengan piring, dengan toleransi jarak
dan korelasi hasil matchingnya.
Pada penelitian ini simulated annealing digunakan
untuk mendeteksi dan mencocokkan keberadaan suatu
gambar tertentu pada gambar target berdasarkan jarak
histogram warnanya. Penelitian sebelumnya deteksi
lokasi gambar menggunakan optimasi algoritma
genetika, sudah baik tetapi terkadang masih terjebak
pada solusi lokal optimum. Perbaikan hasil pencarian
lokasi gambar yang dilakukan menggunakan Simulated
Annealing dengan mengacak area gambar query pada
gambar target. Area gambar target yang akan diamati
kemiripannya dengan gambar query dioptimasi
sehingga hanya area gambar target dengan energi
minimum, yaitu suatu keadaan dimana jarak histogram
gambar query dengan area gambar target bernilai kecil
yang dideteksi sebagai lokasi gambar yang dicari.
Secara
keseluruhan
hasil
pendeteksian
menunjukkan bahwa kecepatan proses menggunakan
metode algoritma simulated annealing adalah optimum,
dengan 10.000 iterasi gambar query dapat dicari
posisinya pada gambar target dengan beberapa
percobaan gambar template yang berbeda tetapi mirip,
tidak pernah terjebak pada solusi local optimum.
The image detecting and matching are the key
technology of the computer vision. The image detecting
is to determine the object that people are interested. And
the image matching is to alignment the every image in
space domain, which is recorded from the same scenery.
Their basic methods are mold plate matching, distance
tolerance, correlation matching.
At this final project, simulated annealing used to
detect and check off existence a certain picture, goals
picture pursuant to its color histogram distance.
Previous research detect picture location use optimize of
genetic algorithm, have well but sometimes still trapped
at solution of local optimum. Repair of result seeking of
picture locations which use Simulated Annealing by
random of area image query at image target. Area
image target to perceive its with image query optimize
so that only area image target with minimum energy,
that is a situation where histogram distance image query
with area draw small valuable goals which detected as
searched picture location.
As a whole result of detection indicate that speed of
process use algorithm method of simulated annealing
optimum by 10.000 iteration image query can look for
its position at image target with a few attempt of picture
of template different but looking like, have never been
trapped at solution of local optimum.
Kata Kunci : deteksi dan pencocokan citra, simulated
annealing, jarak histogram gambar
Keyword: detect and verification of image, plate
matching, simulated annealing, picture histogram
distance.
1. Pendahuluan
toleransi jarak dan korelasi hasil matchingnya. Jika
gambar query sudah menempati tempat dan mirip
dengan gambar target, maka dikatakan bahwa obyek
citra sudah terdeteksi dan cocok dengan sub area gambar
target. Cara ini mempunyai banyak keuntungan yaitu :
sederhana untuk digunakan dengan kemampuan
identifikasi yang tinggi pada rata-rata noise yang rendah.
Tetapi kelemahannya adalah sulit ketika diproses,
dengan mempertimbangkan waktu proses. Lebih jauh
rata - rata identifikasi terbatas karena perhitungannya
Deteksi dan pencocokan gambar memegang
peranan penting pada teknologi komputer vision.
Keduanya menjadi fokus studi sebagai persoalan yang
sulit pada gambar sebagai pemandu vision untuk sistem
senjata dan robot. Deteksi gambar menyatakan interest
obyek dari seseorang. Sedangkan pencocokan gambar
mengatur batas-batas gambar query pada tempatnya
pada domain ruang gambar target (alignment). Dasar
dari metode ini seperti mencetak dengan piring, dengan
329
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
Algoritma MSD :
yang tinggi dan waktu yang dihabiskan besar dan lebih
terpengaruh pada distorsi geografi.
Perhitungan kemiripan diantara dua buah gambar
menggunakan jarak histogram sudah biasa dipakai pada
penelitian untuk sistem CBIR berdasarkan ciri warna.
Sehinga histogram dapat mewakili ciri warna dari
masing-masing gambar query.
Simulated annealing digunakan untuk mencari
lokasi optimum dari gambar query pada gambar target,
dengan kriteria energi minimum yang dipakai dihitung
dari jarak histogram kedua gambar. Sedemikian
sehingga proses pencocokan dilakukan pada beberapa
posisi gambar target sampai dengan hasil pencarian
terbaik adalah posisi dengan energi minimum yang
didapatkan dari jarak histogram minimum.
Algoritma MAD :
Disini ada perbedaan pada formasi ketika obyek sub
gambar dicocokkan dengan plate. R(u,v) adalah nilai
terbesar, Da(u,v) dan Ds(u,v) adalah nilai terkecil.
Karena itu Nprod diekspresikan derajat kemiripan
diantara gambar sub gambar dan plate, dengan property
maksimum. Algoritma MSD dan MAD menyatakan
perbedaan diantara sub-gambar dan sub-gambar, karena
itu, dia menjadi minimum. Oleh sebab itu, dia menjadi
minimum. Oleh sebab itu, Nprod adalah jenis peakvalley yang mengganti hubungan dengan MSD dan
MAD. Umumnya, ekspresi MAD mirip diantara sub
gambar dan plate.
Jika D (u,v) lebih kecil dari La state berbaris dicatat
2. Dasar Teori
2.1 Plate Matching
Plate matching, adalah salah satu metode yang
utama dari metode dasar deteksi dan pencocokan
gambar. Metode ini membandingkan obyek pada plate
dengan unknown obyek pada suatu gambar dan
memperhatikan bahwa obyeknya adalah obyek yang
sama dengan yang ada di plate, jika unknown obyek
dengan plate. Penggunaan proses plate matching, plate
discaning pada gambar target dan diukur derajat
kemiripannya sesudah posisinya digeser. Kemiripan
didefinisikan sebagai nilai hubungan R(u,v). Misalkan
ukuran plate adalah N xN dan ukuran gambar target
1
a
pada posisi (u,v). Anggaplah threshold La dapat
dinyatakan menurut hasil sebenarnya, idealnya
pencocokan
yang
cepat
diberikan.
Ketika
ketidakcocokan lebih besar disbanding La selama proses
akumulasi titik diantara sub gambar dan plate,
perhitungan dihentikan dan mulai pada scaning gambar
posisi berikutnya. Dan metode ini disebut serangkaian
algoritma deteksi kemiripan (sequence similar detection
algorithm). Walaupun algoritma ini menyebabkan
pekerjaan efisien, threshold La didefinisikan sangat
penting.
2
adalah M xM (biasanya N <M , N <M ). F(i,j) adalah
1
2
1
1
2
2
nilai gray level gambar pada titik (i,j) yang discaning.
T(k,l) adalah nilai gray level plate pada titik (k,l). Dan
hubungan (correlation) diantara semuanya adalah :
2.2 Simulated Annealing
Simulated Annealing merupakan salah satu metode
pencarian acak yang sangat baik. Metode ini
dikembangkan dengan analogi dari prinsip-prinsip
kristalisasi pada logam dengan proses pendinginan dan
pembekuan, sehingga diperoleh energi yang minimum.
Algoritma dari simulated annealing ini didasarkan
pada algoritma Metropolis yang digunakan untuk
mendapatkan konfigurasi equilibrium dari koleksi atom
pada temperatur yang diberikan. Hubungan antara
algoritma ini dan minimalisasi secara matematik
pertama kali dituliskan oleh Pincus, tetapi Kirkpatrick
mengembangkan- nya sebagai teknik optimalisasi untuk
permasalahan-permasalahan kombinatorial.
Kelebihan simulated annealing dibandingkan
dengan metode yang lain adalah kemampuannya untuk
menghindari jebakan optimal local. Algoritma ini
merupakan algoritma pencarian acak tetapi tidak hanya
menerima nilai obyektif yang selalu turun, terkadang
juga menerima nilai obyektif yang naik. Dalam
algoritma simulated annealing ini, suatu state
(kombinasi dari satu solusi) dapat diterima dengan
kemungkinan:
Ekspresi persamaan R(u,v) dalam matrik:
Nilai terbesar dari korelasi adalah 1, yang muncul
hanya selama pencocokan diantara piring dan gambar
target persis sama. Pada kenyataannya, nilai correlasi
biasanya kurang dari 1 karena noise pada gambar dan
pengaruh perubahan obyek plate atau rotasi. Dan R(u,v)
adalah nilai yang terbesar hanya pada kasus yang paling
besar kemiripannya diantara gambar obyek dengan
gambar plate.
Di bidang teknik, dua jenis metode perhitungan
kemiripan didefinisikan untuk pengukuran perhitungan
yang sederhana dan membantu, yaitu algoritma mean
square distortion (MSD) dan algoritma mean absolution
distortion (MAD).
330
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
dimana : ΔE adalah selisih energi saat ini dan energi
sebelumnya
K adalah konstanta Bolztmann
T adalah temperatur
3. Perancangan Sistem
Adapun untuk flowchart dari perencanaan sistem
adalah seperti yang terlihat berikut ini:
Pada perencanaan awal secara umum tahapantahapan prosesnya antara lain penerimaan masukan
berupa gambar query dan gambar target, proses
grayscale, menghitung nilai histogram, melakukan
proses deteksi gambar query pada gambar target dengan
Simulated Annealing dan terakhir adalah menghitung
jumlah gambar query pada gambar target. Data Flow
Diagram dari keseluruhan proses yang direncanakan.
Ada beberapa hal yang perlu diperhatikan dalam
implementasi dari simulated annealing, yaitu:
(1) State: State didefinisikan sebagai kombinasi nilai
dari suatu solusi (penyelesaian) yang mungkin.
Proses Update State pada Algoritma Simulated
Annealing
(2) Energy: Energy didefinisikan sebagai seberapa
besar fungsi tujuan minimal (karena simulated
annealing selalu meminimalkan energi) dari suatu
kombinasi solusi (state). Misalkan untuk mencari
nilai minimal fungsi f(x) maka energi didefinisikan
sebagai fungsi f(x) atau E=f(x), untuk mencari nilai
maksimal f(x) maka energi didefinisikan sebagai
inversi dari f(x).
(3) Temperatur: Temperatur adalah suatu nilai kontrol
yang membuat suatu state acak akan bisa bergerak
naik atau tidak. Seperti halnya analogi pada
kejadian thermal, ion-ion akan bergerak bebas pada
temperatur yang tinggi, dan semakin terbatas
gerakannya ketika temperaturnya turun. Dalam
simulated annealing, proses penurunan temperatur
perlu diperhatikan, dimana untuk iterasi awal
temperatur perlu tinggi agar proses pencarian acak
mempunyai range yang lebar, tetapi semakin
bertambahnya iterasi maka temperatur terus turun
tetapi tidak boleh sampai bernilai nol, hal ini
disebabkan pada iterasi yang besar diharapkan
sudah mendekati nilai optimal jadi tidak perlu lagi
mengalami perubahan nilai yang besar.
(4) Proses Update State: Berbeda dengan metode
pencarian acak (random walk) yang hanya
menerima state dengan Energi yang lebih kecil,
pada simulated annealing ini state akan diterima
dengan probabilitas :
3.1 Deteksi menggunakan Simulated Annealing
Pada proses pendeteksian menggunakan algoritma
simulated annealing yang langkah-langkahnya sebagai
berikut :
1. Definisikan T=T dan T , N jumlah iterasi
0
2.
g(ε) = rand(m1-n1) + 1
g(ε) = rand(m2-n2) + 1
Sehingga posisi gambar target yang
dicocokkan menjadi gambar z, sbb:
3.
4.
5.
0
Dimana gambar target dan gambar z adalah data
gambar gray scale
Hitung Energi E
Lakukan update state dengan mengacak nomer baris
dan nomer kolom gambar target seukuran baris dan
kolom gambar template, dapatkan bilangan acak ε
(1:baris, 2: kolom), kemudian :
Sehingga posisi gambar target
dicocokkan menjadi gambar zs, sbb:
(3) Update State S dengan aturan update sesuai dengan
permasalahan menjadi S
(4) Hitung Energi E
Hitung jarak histogram
gs(ε) = rand(m1-n1) + 1
gs(ε) = rand(m2-n2) + 1
0
0
akan
z=gtarget(g(1):g(1)+n1,
g(2):g(2)+n2)
Algoritma Dari Simulated Annealing:
(1) Bangkitkan state awal S
(2) Hitung Energi E pada S
n
maksimum.
Bangkitkan S secara acak yaitu nomer baris dan
nomer kolom gambar target yang didapatkan dari
random selisih m1,m2=ukuran baris dan kolom
gambar target dan n1,n2 ukuran baris dan kolom
gambar template. S mewakili posisi gambar target
yang akan dicocokan dengan gambar template,
bilangan acak ε (1:baris, 2: kolom), sbb:
i
yang
akan
zs=gtarget(g(1):g(1)+n1,
g(2):g(2)+n2)
i
(5) Bangkitkan bilangan acak berditribusi uniform p =
[0,1]
(6) Bila p<exp(-ΔE/T) maka state diterima, dan bila
tidak maka state ditolak
(7) Turunkan T dengan fungsi cooling schedule
tertentu.
(8) Ulangi langkah 3 sampai mencapai kriteria stop.
331
6.
Hitung Energi En
7.
Bila p(En) =
dan E=En
8.
9.
T = To
Ulangi langkah 5 sampai iterasi = N
maka state diterima S=Sn
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
3.2 Menghitung Jumlah Gambar Query
4.1.1 Pendeteksian Menggunakan Random
Setelah melakukan proses pendeteksian maka
proses tersebut akan diulang sebanyak N kali. Sehingga
hasil deteksi gambar query pada gambar target
berjumlah N. Penghitungan gambar query akan
dilakukan berdasarkan hasil deteksi gambar query pada
gambar target. Pada tiap-tiap hasil deteksi akan berada
pada posisi yang berbeda, tetapi terdapat beberapa posisi
yang sama dan mempunyai nilai persentase selisih sama.
Langkah-langkah proses menghitung jumlah gambar
query pada gambar target :
1. Lakukan proses pendeteksian sebanyak N kali
2. Akan didapatkan N posisi dari gambar query pada
gambar target.
3. Hitung gambar query, jika terdapat nilai
histogram yang sama/hampir sama maka dihitung
satu obyek gambar.
Metode random adalah suatu metode dimana solusi
dicari secara acak dan diulang-ulang sampai dihasilkan
solusi yang diharapkan. Misalkan dicari suatu angka
antara 0 sampai dengan 100, maka akan diacak angkaangka antara 0 dan 100 sampai didapatkan angka yang
dimaksud. Metode ini tampak sangat sederhana, karena
hanya diperlukan bagaimana suatu solusi dinyatakan dan
kemudian mengacak nilainya hingga diperoleh nilai
yang diharapkan dari model solusi yang ada.
Pendeteksian dengan menggunakan cara random
dilakukan dengan cara mengupdate posisi state (x,y)
gambar query pada gambar target dengan random. Posisi
state dirandom kedua-duanya dengan merandom nilai x
dan y.
Proses deteksi yang dilakukan sebanyak sepuluh
kali dan iterasi yang dipakai sebanyak 10000 kali,
hasilnya tampak sebagai berikut :
4. Ujicoba Dan Analisa
Pada ujicoba dan analisa ini akan dibagi menjadi 2
tahap yaitu tahap pendeteksian dan tahap penghitungan
obyek gambar. Untuk mengetahui hasil pada tiap-tiap
tahapan maka disini akan diberikan hasil uji coba pada
tiap-tiap tahapan dengan beberapa variasi percobaan.
4.1 Pendeteksian Obyek Gambar
Tahapan pertama yang akan dibahas dalam uji coba
ini adalah proses pendeteksian gambar query pada
gambar target. Sebelum melakukan proses pendeteksian
obyek gambar, terlebih dahulu gambar input yang
berupa gambar query dan gambar target harus dilakukan
proses grayscale terlebih dahulu.
Hasil proses grayscale pada gambar input :
Input gambar target
Gambar 4.3 Hasil Deteksi Menggunakan Random
Biasa
Dari gambar tersebut dapat diketahui bahwa dengan
menggunakan cara random, obyek gambar pada gambar
target yang terdeteksi hanya satu yaitu gambar yang
sama dengan gambar query. Obyek gambar yang
terdeteksi selalu berada pada posisi yang sama pada
gambar target.
Waktu yang diperlukan untuk melakukan
pendeteksian dengan cara random selama 196.922 detik.
Histogram dari hasil deteksi gambar :
Input gambar query
Gambar 4.1 Gambar Input
Hasil proses histogram untuk gambar input sebelum
dilakukan proses pendeteksian :
gambar target
gambar query
Gambar 4.2 Histogram Gambar Input
Gambar 4.4 Histogram Gambar Query dan Gambar
Target
Keterangan :
- Merah : Gambar Query
- Biru : Gambar Target
Setelah dilakukan proses grayscale, selanjutnya
akan dilakukan proses pendeteksian gambar query pada
gambar target. Proses pendeteksian akan dilakukan
dengan 3 cara yaitu menggunakan cara random biasa,
montecarlo dan simulated annealing.
332
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
Dari histogram diatas dapat diketahui bahwa nilai
histogram dari gambar query sama dengan nilai
histogram gambar query. Berdasarkan histogram
tersebut maka deteksi obyek gambar dengan
menggunakan random biasa akan mencari gambar target
yang persentase nilai histogramnya hampir sama dengan
gambar query. Hal ini menyebabkan hasil deteksi selalu
berada pada posisi yang hampir sama, seperti data posisi
gambar target yang terdeteksi.
Dari gambar di atas dapat diketahui bahwa dengan
menggunakan cara MonteCarlo yaitu dengan mengacak
salah satu state, dapat mendeteksi semua letak dari
gambar query pada gambar target.
Waktu yang dibutuhkan untuk melakukan
pendeteksian selama 238.094 detik.
Histogram dari hasil deteksi gambar :
Tabel 4.1 : Hasil deteksi posisi dan persentase selisih
histogram
Deteksi
ke
1
2
3
4
5
6
7
8
9
10
x1
y1
x2
y2
Persentase Nilai
Histogram
170
171
172
171
168
173
171
167
167
167
139
137
138
139
136
139
137
138
138
138
238
239
240
239
236
241
239
235
235
235
174
172
173
174
171
174
172
173
173
173
27.22689075630
28.40336134453
27.73109243697
27.22689075630
30.33613445378
27.47899159663
28.40336134453
28.73949579831
28.73949579831
28.73949579831
Gambar 4.6 Histogram Gambar Query dan Gambar
Target
Keterangan :
- Merah : Gambar Query
- Biru : Gambar Target 1
- Hijau : Gambar Target 2
- Kuning : Gambar Target 3
4.1.2 Pendeteksian Menggunakan Montecarlo
Metode Monte Carlo memperbaiki metode
pencarian acak ini dengan mempertimbangkan tidak
semua nilai pada solusi harus diubah pada setiap iterasi.
Bila sudah solusi mendekati target tidak perlu perubahan
yang terlalu besar. Perlu pertimbangan bahwa
munculnya bilangan acak sangat tergantung pada
distribusi bilangan acak yang digunakan
Monte Carlo sebenarnya merupakan metode
pencarian acak, tetapi dengan beberapa perbaikan, yaitu
tidak semua nilai pada solusi diacak ulang, tetapi dipilih
satu nilai saja di antara barisan nilai solusi, dan
kemungkinan acak dari setiap kejadian solusi. Sebagai
contoh, pada pencarian kata setiap iterasi hanya
mengubah satu nilai saja dari kelima nilai yang ada
dalam satu solusi. Bila pada solusi hanya mengandung
satu nilai saja maka metode Monte Carlo ini sama
dengan metode pencarian acak.
Proses deteksi yang dilakukan sebanyak sepuluh
kali dan iterasi yang dipakai sebanyak 10000 kali,
hasilnya tampak sebagai berikut :
Dari histogram diatas dapat diketahui bahwa nilai
histogram gambar query sama dengan nilai histogram
gambar target 1 sehingga posisi gambar target 1
mempunyai kesempatan terdeteksi lebih besar. Pada
gambar target 2 dan gambar target 3 mempunyai nilai
histogram yang hampir sama seperti gambar query
sehingga posisi gambar target 2 mempunyai kesempatan
terdeteksi lebih sedikit dari gambar target 1. Hal tampak
pada posisi gambar target yang terdeteksi. Posisi gambar
target 1 lebih banyak terdeteksi dari gambar target 2 dan
gambar target 3.
Tabel 4.2 : Hasil deteksi posisi dan persentase selisih
histogram
Deteksi
ke
1
2
3
4
5
6
7
8
9
10
Gambar 4.5 Hasil Deteksi Menggunakan MonteCarlo
333
x1
y1
x2
y2
Persentase Nilai
Histogram
219
172
172
59
172
58
172
172
219
57
119
139
139
181
139
181
139
139
119
181
287
240
240
127
240
126
240
240
287
125
154
174
174
216
174
216
174
174
154
216
47.8991596638
27.0588235294
27.0588235294
92.6050420168
27.0588235294
92.6050420168
27.0588235294
27.0588235294
47.8991596638
92.6050420168
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
Tabel 4.3 : Hasil deteksi posisi dan persentase selisih
histogram
4.1.3
Pendeteksian
Menggunakan
Simulated
Annealing
Pendeteksian dengan menggunakan Simulated
Annealing diharapkan dapat medapatkan hasil yang
paling baik.
Proses deteksi yang dilakukan sebanyak sepuluh
kali dan iterasi yang dipakai sebanyak 10000 kali,
hasilnya tampak sebagai berikut :
Deteksi
ke
x1
y1
x2
y2
Persentase Nilai
Histogram
1
2
3
4
5
6
7
8
9
10
59
57
219
172
172
59
59
172
219
172
181
181
119
139
139
181
181
139
119
139
127
125
287
240
240
127
127
240
287
240
216
216
154
174
174
216
216
174
154
174
92.60504201680672
92.60504201680672
47.89915966386555
27.058823529411764
27.058823529411764
92.60504201680672
92.60504201680672
27.058823529411764
47.89915966386555
27.058823529411764
4.2 Penghitungan Jumlah Obyek Gambar
Gambar 4.7 Hasil Deteksi Menggunakan Simulated
Annealing
Dengan
menggunakan
algoritma
simulated
annealing seluruh posisi dari gambar query pada gambar
target dapat terdeteksi semuanya. Waktu yang
dibutuhkan untuk melakukan pendeteksian selama
243.703 detik.
Penghitungan obyek gambar dilakukan dengan cara
menghitung jumlah obyek yang terdeteksi. Pada setiap
gambar target yang terdeteksi terdapat beberapa gambar
target yang mempunyai persentase nilai histogram yang
sama atau hanya berbeda sedikit. Berdasarkan pada hal
ini maka gambar target yang mempunyai persentase nilai
histogram yang sama atau hanya berbeda sedikit akan
dihitung sebagai satu obyek gambar.
Proses penghitungan obyek gambar dengan
menggunakan Simulated Annealing :
Histogram dari hasil deteksi gambar :
Gambar 4.14 Hasil Penghitungan Obyek Gmabar
Gambar 4.8 Histogram Gambar Query dan Gambar Target
Keterangan :
- Merah
- Biru
- Hijau
- Kuning
:
:
:
:
Berdasarkan gambar diatas didapatkan jumlah
obyek gambar yang terdeteksi sebanyak tiga.
Gambar Query
Gambar Target 1
Gambar Target 2
Gambar Target 3
5. Kesimpulan
Beberapa kesimpulan yang dapat ditarik dari hasil
uji coba perangkat lunak ini adalah sebagai berikut:
1. Nilai histogram dari obyek gambar sangat
mempengaruhi proses pendeteksian. Jika nilai
histogram gambar target sama dengan gambar query
maka gambar target tersebut akan lebih sering
terdeteksi.
2. Input gambar target yang mempunyai beberapa
obyek yang berbeda belum mampu untuk
mendeteksi semua gambar yang mirip dengan
gambar query. Karena obyek yang lainnya akan
mempengaruhi nilai histogram dari gambar target.
Dari histogram diatas nilai histogram gambar target
1 sama dengan gambar query. Nilai histogram gambar
target 2 dan gambar target 3 sedikit berbeda dengan
gambar query. Maka gambar target 1 akan lebih sering
terdeteksi.
334
IES 2006 – Politeknik Elektronika Negeri Surabaya - ITS
Daftar Pustaka
[1] Gonzales, “Digital Image Processing”,Addison
Wesley Publishing Company,1993
[2] J.R. Parker, “Algorithms For Image Processing and
Computer
Vision”,
Wiley
Computer
Publishing,1997
[3] Agustinus Nalwan, “Pengolahan Gambar Secara
Digital”, Elex Media Komputindo,1992
[4] Luo Qiang,Ren Qingli, Luo Li, Luo Jingti, “Genetic
Algorithm Used on the Image Detecting and
Matching”,Xidian University
[5] Nana Ramadijanti, Achmad Basuki, Dadet
Pramadihanto “Deteksi Lokasi Gambar Dengan
Histogram Menggunakan Simulated Annealing“.
[6] Achmad Basuki, Miftahul Huda, Tri Budi Santoso,
“Modeling dan Simulasi”, 2004
335